PolyU | Các Khái Niệm Trí Tuệ Nhân Tạo

Tổng quan: Khảo sát nguồn gốc của Trí tuệ nhân tạo, bao gồm Kiểm tra Turing, Hội nghị Dartmouth và chu kỳ phát triển của AI được gọi là "Thời kỳ băng giá AI".

Kết quả học tập:

• Vẽ lại quá trình phát triển lịch sử của AI từ năm 1956 đến nay.
• So sánh và đối chiếu các mô hình AI biểu tượng (GOFAI) và mô hình Kết nối (Connectionism).
• Thảo luận về ảnh hưởng của cuộc cách mạng Deep Learning và những bước đột phá gần đây trong lĩnh vực AI thế hệ mới.

Tổng quan: Giới thiệu về các tác nhân giải quyết vấn đề cơ bản sử dụng thuật toán tìm kiếm, phân biệt giữa tìm kiếm mù và các phương pháp dựa trên heuristics.

Kết quả học tập:

• Triển khai các phương pháp tìm kiếm không có thông tin như BFS, DFS và tìm kiếm chi phí đều.
• Áp dụng các kỹ thuật tìm kiếm heuristics như A* và tìm kiếm tốt nhất theo tham lam (Greedy Best-First).
• Phân tích độ phức tạp và tính tối ưu của các chiến lược tìm kiếm khác nhau.

Tổng quan: Đi sâu vào quá trình ra quyết định trong môi trường cạnh tranh (trò chơi) và giải quyết các vấn đề được định nghĩa bởi các ràng buộc.

Kết quả học tập:

• Thành thạo thuật toán Minimax và cắt tỉa Alpha-Beta trong chơi game.
• Hiểu rõ về Tìm kiếm Cây Monte Carlo (MCTS) được sử dụng trong các hệ thống tiên tiến như AlphaGo.
• Giải các bài toán thỏa mãn ràng buộc (CSP) bằng cách backtracking và tìm kiếm cục bộ.

Tổng quan: Nghiên cứu cách các hệ thống AI biểu diễn thông tin một cách logic để thực hiện suy diễn, chuyển từ logic cổ điển sang các cấu trúc tri thức hiện đại.

Kết quả học tập:

• Sử dụng Logic mệnh đề và Logic bậc nhất để biểu diễn và suy diễn.
• So sánh các Hệ thống Chuyên gia truyền thống với các đồ thị tri thức và Ontology hiện đại.
• Khám phá AI thần kinh - biểu tượng (Neuro-Symbolic AI) như một cây cầu nối giữa logic và mạng nơ-ron.

Tổng quan: Vượt qua các phép tính xác suất cổ điển để hiểu cách sự bất định thúc đẩy AI hiện đại. Bài học này khám phá lý do tại sao LLM lại “hư cấu” (và tại sao điều đó là một tính năng, chứ không phải lỗi), làm thế nào mô hình Diffusion tạo ra nghệ thuật từ hoàn toàn nhiễu trắng, và cách các Đại diện tự chủ đưa ra quyết định trong thế giới mở không thể đoán trước.

Kết quả học tập:

• Từ Bayes đến “Cảm giác”: Hiểu trực giác về mức độ tin tưởng và khả năng điều chỉnh, học tại sao “xác suất 99%” vẫn có thể sai mà không cần rơi vào toán học phức tạp.
• Động lực sáng tạo: Phân tích cơ chế lấy mẫu xác suất (Temperature, Top-P) giúp AI thế hệ mới sáng tạo và dẫn đến hiện tượng hư cấu.
• Ra quyết định của Đại diện: Hiểu chiến lược ra quyết định trong điều kiện bất định, tập trung vào nghịch lý “Khám phá vs Khai thác” trong Học tăng cường và các hệ thống đa đại diện.

Tổng quan: Giới thiệu thực hành về các thuật toán dựa trên dữ liệu cho học có giám sát và học không giám sát bằng Python.

Kết quả học tập:

• Triển khai các mô hình học có giám sát như Cây quyết định và SVM.
• Áp dụng các kỹ thuật học không giám sát như phân cụm K-means và PCA.
• Sử dụng Scikit-learn để giải các bài toán phân tích dữ liệu cơ bản.

Tổng quan: Chuyển đổi sang tính toán dựa trên sinh học, bao gồm kiến trúc và cơ chế huấn luyện của mạng nơ-ron nhân tạo.

Kết quả học tập:

• Giải thích cấu trúc của các nơ-ron nhân tạo và Multi-layer Perceptrons (MLP).
• Thành thạo thuật toán Backpropagation và các hàm kích hoạt khác nhau (ReLU, GELU).
• Xây dựng một mạng nơ-ron cơ bản bằng PyTorch.

Tổng quan: Tập trung vào xử lý dữ liệu hình ảnh thông qua các kiến trúc học sâu chuyên biệt.

Kết quả học tập:

• Hiểu cơ chế hoạt động của Mạng nơ-ron tích chập (CNN).
• Phân tích các kiến trúc nâng cao như ResNet và Mô hình Thị giác Transformer (ViT).
• Triển khai một mô hình phân loại hình ảnh cơ bản.

Tổng quan: Sự phát triển của xử lý chuỗi từ Mạng nơ-ron hồi tiếp đến cơ chế chú ý cách mạng.

Kết quả học tập:

• Phân biệt giữa RNN, LSTM và kiến trúc Transformer.
• Giải thích bài báo “Attention Is All You Need” và cơ chế chú ý tự thân (self-attention).
• Hiểu vai trò của Bộ mã hóa và Bộ giải mã trong các mô hình như BERT và GPT.

Tổng quan: Khảo sát sâu về AI thế hệ mới tập trung vào tạo văn bản và thích nghi mô hình.

Kết quả học tập:

• Mô tả vòng đời tiền huấn luyện và tinh chỉnh (pre-training và fine-tuning) của LLM.
• Khám phá Học tăng cường từ Phản hồi của con người (RLHF).
• Thực hành kỹ thuật lập trình lời nhắc (Prompt Engineering) và các phương pháp tinh chỉnh hiệu quả tham số (PEFT/LoRA).

Tổng quan: Mở rộng ngoài văn bản sang hệ thống truy xuất và phương tiện tạo sinh sử dụng API hiện đại.

Kết quả học tập:

• Triển khai Tăng cường truy xuất (Retrieval-Augmented Generation - RAG) để giảm hiện tượng hư cấu.
• Hiểu toán học phía sau mô hình Diffusion (ví dụ: Stable Diffusion) và VAE.
• Tương tác với API AI hiện đại để xây dựng một ứng dụng tạo sinh.

Tổng quan: Phân tích nghiêm túc tác động xã hội của AI, tập trung vào trách nhiệm và quy trình an toàn.

Kết quả học tập:

• Nhận diện nguồn gốc của định kiến và đảm bảo tính công bằng trong mô hình AI.
• Thảo luận về An toàn AI, Độ bền và bài toán Đồng thuận (Alignment).
• Đánh giá Tính minh bạch (XAI) và các chiến lược giảm thiểu hiện tượng hư cấu ở LLM.