Background cần thiết khi ứng tuyển vào lab thầy Khoát | Góc lên LAB học gì?

Background cần thiết khi ứng tuyển vào lab thầy Khoát | Góc lên LAB học gì?

  8/25/2021    CS-HUST

---

LAB của thầy Khoát là một LAB nghiên cứu về Machine Learing và là một LAB cũng khá to, sinh viên tham gia LAB được đào tạo khá bài bản và được tuyển vào LAB cũng không phải dễ dàng. Các bạn phải trải qua 2 vòng, vòng 1 thầy sẽ xem qua về bảng điểm của các bạn, điểm CPA, GPA và 1 số môn nền tảng quan trọng như Đại số, Giải tích,... (Mình nghe nói nếu mà D Đại số thì thôi auto trượt nên nếu D đại số chắc không cần ứng tuyển vào lab thầy làm gì cho mất công). Sau khi vượt qua vòng 1 các bạn sẽ được cho 1 list các kiến thức background cần thiết để học, sau 2-3 tháng các bạn sẽ được phỏng vấn trực tiếp cùng các thầy, qua được vòng này các bạn mới chính thức là thành viên của LAB (các kiến thức background cần thiết để ứng tuyển vào LAB mình sẽ chia sẻ ở bên dưới nha)

Vào LAB thầy các bạn sẽ được đào tạo rất bài bản vì thế nên các bạn mất khá nhiều thời gian ban đầu cho việc training. Thế nên lời khuyên của mình là nếu apply vào LAB thầy Khoát thì các bạn nên xin vào ngay từ năm thứ 2, vì bây giờ cũng khá nhiều bạn học 4 năm và nếu năm 3 các bạn mới tham gia thì đã mất gần 1 kì để training rồi thì sẽ không còn bao nhiêu thời gian nữa cả. Khi tuyển thành viên cho LAB các thầy cũng khá ưu tiên các sinh viên năm 2 hơn là năm 3 vì thời gian gắn bó sẽ lâu dài hơn.

Background cần thiết khi học Machine Learning

Algebra (Đại số tuyến tính)

I. Set and mapping (Tập hợp và ánh xạ)

1. Sets and elements
2. Operations on sets
3. Finite sets, countable sets, uncountable sets.
4. Mapping
5. Complex linear algebra

II. Matrix, determinant, system of linear equations (Ma trận, định thức, hệ phương trình)

1. Matrix
2. Determinant
3. Invertible matrix
4. Matrix rank
5. System of linear equations

III. Vector space (Không gian véctơ)

1. Vector space
2. Subspace and span
3. Linearly independent/dependent vectors
4. Scalar product, metric space

IV. Linear mapping (Ánh xạ tuyến tính)

1. Properties – kernel and image
2. Matrix of linear mapping

V. Eigenvalues and eigenvectors (Giá trị riêng và véctơ riêng)

1. Eigenvalues and eigenvectors
2. Diagonalizing matrix
3. Orthogonal diagonalizing

VI. Quadratic forms (Dạng toàn phương)

Reference book: http://math.mit.edu/~gs/linearalgebra/

Analytics (Giải tích)

I. Real number (Số thực)

1. Real sets
2. Real chains

II. Real univariate function (Hàm 1 biến)

1. Function graph
2. Even/odd functions, monotonous functions, circular functions
3. Composition functions
4. Inverse functions
5. Basis functions

III. Limit and continuity of univariate functions (Giới hạn, tính liên tục của hàm đơn biến)

IV. Derivative and differential of  an univariate function (Vi phân và đạo hàm của hàm đơn biến)

V. Primitive function and integration (Tích phân)

VI. Real multivariate function (Hàm đa biến)

1. Domain
2. Limit
3. Continuity
4. Derivative and differential
5. Extremum

Reference book:

https://www.cambridge.org/vn/academic/subjects/mathematics/real-and-complex-analysis/yet-another-introduction-analysis?format=PB&isbn=9780521388351

Mathematical Optimization (Tối ưu hoá)

I. Linear programing (Quy hoạch tuyến tính)

II. Nonlinear programming

III. Convex optimization (Quy hoạch lồi, tối ưu lồi)

1. Convex sets (tập lồi)
1. Affine and convex sets
2. Operations that preserve convexity
2. Convex functions (hàm lồi)
1. Basis properties
2. Operations that preserve convexity
3. The conjugate functions
4. Quasiconvex functions
5. Log-concave and log-convex functions
3. Convex optimization problems (bài toán quy hoạch lồi)
1. Quasiconvex optimization
2. Linear optimization
3. Vector optimization
4. Duality (đối ngẫu)
1. Lagrange dual problem
2. Weak and strong duality
3. Optimality conditions
5. Unconstrained optimization (tối ưu không ràng buộc)
1. Gradient descent/ascent method
2. Steepest descent/ascent method
3. Newton’s method

Reference book: https://web.stanford.edu/~boyd/cvxbook/

Probability and Statistics (Xác suất và Thống kê)

I. Probability (Xác suất)

1. Sample space
2. Events
3. Probability of an event
4. Additive rules
5. Conditional probability, independence and the product rule
6. Bayes’ Rule

II. Random variable and Probability distributions (Biến ngẫu nhiên và phân bố xác suất)

1. Random variable
2. Discrete probability distributions
1. Poisson distribution
2. Bernoulli distribution
3. Continuous probability distributions
1. Continuous Uniform distribution
2. Normal distribution
3. Gamma and Exponential distribution
4. Beta distribution
5. Chi-Squared distribution
4. Joint probability distributions

III. Mathematical expectation (Kỳ vọng toán học)

1. Mean
2. Variance and covariance

IV. Functions of random variables (Hàm của các biến ngẫu nhiên)

V. Sampling distributions (Phân bố mẫu)

1. Random sampling
2. Sampling distributions
3. Sampling distribution of means and the Central Limit Theorem
4. t-Distribution
5. F-Distribution

VI. One- and Two-sample tests of Hypotheses (Kiểm định giả thuyết)

Reference book: http://www.math.louisville.edu/~pksaho01/teaching/Math662TB-09S.pdf

Các bạn có thể thấy nền tảng toán là rất nhiều phải không, đúng là như vậy khi AI mà không có toán thì không thể gọi là AI được. Các bạn học AI không cần là những người xuất sắc về Toán ( dĩ nhiên là giỏi, xuất sắc thì dĩ nhiên là càng tốt rồi và mình khuyên những bạn này nên theo AI ngay và luôn, đây chính là nơi để các bạn thể hiện mình) nhưng các bạn phải nắm vững được những kiến thức cơ bản nhất là LAB thầy Khoát thiên hướng nghiên cứu, học thuật rất là nhiều chứ không phải là theo hướng ứng dụng.

Thầy Khoát đã public 1 khóa về học máy trên Youtube, khóa học rất hay và chất lượng, nếu mùa dịch quá nhàm chán thì hãy tham gia ngay khóa hoc này nha, xem thông tin về khóa học tại: https://users.soict.hust.edu.vn/khoattq/ml-dm-course/