-
Xin chào mọi người, chào mừng các bạn đến với lớp học về mô hình xác suất đồ thị
-
Tên tôi là Daphne Kohler, tôi là giáo sư tại đại học Stanford
-
Chúng tôi rất nóng lòng
-
để có thể giới thiệu một lớp học tương tự như ở Standford
-
đến các bạn, ở khắp mọi nơi trên toàn thế giới
-
Vây như thế nào là mô hình xác suất đồ thị?
-
Ồ, thật ra có một chút khó khăn để giải thích
-
và chúng ta sẽ trao đổi trong các video tiếp theo
-
trong toàn bộ khóa học này.
-
Trong video này, tôi muốn cung cấp cho các bạn một số thông tin về lớp học này.
-
Khóa học này sẽ diễn ra trong khoảng 10 tuần
-
và một bài kiểm tra để kết thúc.
-
Nội dung của môn học sẽ bao gồm các video,
-
kết hợp với các bài kiểm tra nhỏ giúp bạn hiểu sâu hơn.
-
Ngoài ra, sẽ có các vấn đề hàng tuần
-
mà mỗi vấn đề này sẽ chiếm ít nhất 25% số điểm
-
của 9 tuần cho nội dung học trong 9 tuần.
-
Các vấn đề được thiết kế để cho phép bạn có thể nộp nhiều lần
-
do đó, mỗi phiên bản của vấn đề có thể khác nhau một ít
-
do đó bạn có thể nộp lại cùng 1 vấn đề nhiều lần
-
để đảm bảo bạn thành thạo nội dung được cung cấp.
-
Ngoài ra, sẽ có bài tập lập trình hàng tuần
-
và các bài tập lập trình này được lựa chọn
-
để ôn luyện lại các khái niệm quan trọng mà chúng ta đã học,
-
đồng thời chúng ta có thể tìm hiểu các ứng dụng
-
trong đó mô hình xác suất đồ thị được áp dụng thành công.
-
Do đó, chúng ta sẽ có, ví dụ như,
-
các ví dụ làm thế nào để sử dụng mô hình xác suất đồ thị
-
để hiểu cơ chế di truyền của bệnh di truyên.
-
Chúng ta có thể chỉ ra
-
làm thế nào để quan sát được các ký tự viết tay
-
và đọc được những gì đã viết ra.
-
Và chúng ta sẽ tìm hiểu những thứ cho phép bạn
-
quan sát được chuỗi đầu ra từ bộ nhận cảm biến Kinect
-
mà cung cấp cho bạn không những video mà cả dữ liệu
-
và nhận dạng được hoạt động của con người.
-
Mỗi bài lập trình sẽ chiếm khoảng 7% điểm
-
trong tổng số 63%
-
mà sẽ để khoảng 12% còn lại cho bài kiểm tra cuối.
-
Kiến thức cơ bản mà bạn cần cho khóa học là gì?
-
Thực sự rất khó để hoàn thành khóa học
-
mà không có sự hiểu biết về lý thuyết xác suất cơ bản.
-
Điều đó không thực sự là điều cốt lõi.
-
Chúng ta sẽ thảo luận về cả biến độc lập và luật Bayes.
-
Và một vài lý thuyết cơ bản về phân phối rời rạc.
-
Và chúng ta cũng giới thiệu về các module
-
để bạn có thể nhớ dễ dàng các khái niệm cơ bản.
-
Các bài lập trình sẽ yêu cầu
-
bạn phải có kỹ năng lập trình
-
bởi vì đây không phải là lớp về lập trình.
-
Chúng tôi sẽ không dạy bạn làm thế nào để lập trình.
-
Và vì lớp là sự kết hợp giữ lý thuyết xác suất và khoa học máy tính,
-
nó thực sự rất quan trọng nếu bạn có các kiến thức cơ bản về cấu trúc dữ liệu và giải thuật.
-
Đây chỉ là lời khuyên, chứ không phải là hạn chế cần thiết
-
và chúng tôi không thực sự yêu cầu chúng,
-
và chúng tôi cung cấp các kiến thức cơ bản nhất có thể,
-
như là các kinh nghiệm, có thể, trong học máy,
-
có thể là phương pháp tối ưu đơn giản như giảm đạo hàm,
-
mọi thứ không thật quá chi tiết.
-
Và có thể rất tốt nếu bạn có kinh nghiệm lập trình với Matlab hoặc Octave.
-
Mặc dù, chúng tôi giới thiệu một vài modules
-
có thể giúp bạn học ngôn ngữ lập trình nếu bạn chưa sử dụng nó trước đây.
-
Một vài vấn đề nhỏ được chú ý:
-
Lớp học này có "honor" code.
-
Đây là yêu cầu dành cho sinh viên Standford khi học các khóa học của Standford.
-
"honor" code nói rằng bạn được phép thảo luận về học liệu,
-
thực tế khuyến khích về học liệu giữa các sinh viên trong lớp.
-
Bạn có thể hỏi để làm rõ các vấn đề và bài tập lập trình.
-
Nhưng những gì bạn nộp phải là do chính bạn làm.
-
Ngoài ra, chúng tôi yêu cầu bạn không tải các bài tập lập trình
-
hoặc lời giải của chúng lên bất cứ đâu trên web,
-
do đó các thế hệ sinh viên tiếp theo có thể làm
-
các vấn đề và bài tập lập trình độc lập một cách tốt nhất.
-
Vấn đề thứ hai cần lưu ý là quản lý thời gian.
-
Đây là lớp học tương đương với mức độ tốt nghiệp của Standford
-
và nó được đánh giá là một môn khó ở Standford.
-
Một sinh viên bình thường ở Standford có thể dễ dàng dành
-
10 đến 15 giờ một tuần cho lớp học này,
-
và vì thế chúng tôi cũng khuyên bạn nên dành
-
ít nhất một khối lượng thời gian cho nỗ lực trong môn học.
-
Nếu bạn không muốn bị thiếu thời gian
-
khi các hạn nộp bài đến.
-
Chúng tôi đã đưa ra hạn nộp có thể thay đổi
-
do dó, nếu bạn không thể nộp đúng hạn chính,
-
bạn có thêm một tuần.
-
Nhưng, rõ ràng điều đó sẽ ảnh hưởng tới các tuần kế tiếp.
-
Vì vậy, chúng tôi khuyên bạn không nên để
-
tồn đọng các bài tập trong môn học,
-
bởi vì nó có thể ảnh hưởng tới bạn lúc kết thúc.
-
Cuối cùng, một phần kinh nghiệm của lớp học này
-
là sự tương tác với các sinh viên khác,
-
và đó là mục địch chúng ta có diễn đàn trao đổi
-
được cung cấp như các lớp học khác
-
là tài nguyên vô giá khi trao đổi với các sinh viên khác,
-
đặt câu hỏi và hiểu sâu xắc học liệu.
-
Chúng tôi khuyến khích bạn tổ chức các nhóm học
-
với các nhóm thực tế với những người cùng vị trí địa lý,
-
hoặc nhóm trực tuyến mà các bạn có thể thảo luận về học liệu với nhau.
-
CHúng tôi tin rằng điều đó
-
sẽ giúp bạn hiểu tốt hơn về học liệu
-
và sẽ làm khóa học trở nên thú vị hơn.
-
Cuối cùng, để tổng kết
-
thông qua các nội dung và bài tập,
-
chúng tôi nghĩ rằng bạn sẽ học được phương pháp cơ bản
-
trong lĩnh vực mô hình xác suất đồ thị.
-
bạn có thể quan sát và sử dụng chún
-
trong các ứng dụng thực tế mà các phương pháp được áp dụng
-
và hi vọng bạn sẽ kết thúc khóa học với hiểu biết
-
làm thế nào để có được ý tưởng và sử dụng chúng trong công việc của bạn
-
trong các vấn đề bạn quan tâm.
-
Chúng tôi mong được gặp bạn trong khóa học.