Tổng hợp Toán, CS & AI¶

Đọc trực tuyến: maths.nthquan.qzz.io

Tổng quan¶

Hầu hết sách giáo khoa chôn ý tưởng hay dưới lớp ký hiệu dày đặc, bỏ qua trực giác, cho rằng bạn đã biết một nửa nội dung và nhanh chóng lỗi thời trong các lĩnh vực vận động nhanh như AI. Đây là một cuốn sách giáo khoa mở, độc đáo, bao quát toán học, khoa học máy tính và trí tuệ nhân tạo từ nền tảng trở lên. Viết cho những người thực hành ham học hỏi muốn hiểu sâu — không chỉ sống sót qua kỳ thi hay phỏng vấn.

Câu chuyện phía sau¶

Trong nhiều năm làm việc trong lĩnh vực AI/ML, tôi đã ghi chép dưới dạng trực giác trước, bối cảnh thực tế sau, giải thích không mơ hồ về các khái niệm toán học, tin học và AI. Năm 2025, một vài người bạn đã dùng các ghi chép này để chuẩn bị phỏng vấn tại DeepMind, OpenAI, Nvidia... Tất cả đều đậu và hiện đang làm việc hiệu quả. Trong khi đó tôi vào Y Combinator năm ngoái. Vậy nên tôi chia sẻ cho tất cả mọi người.

Mục lục¶

#	Chương	Tóm tắt
01	Vector	Không gian vector, độ lớn, hướng, chuẩn, metric, tích vô hướng/có hướng/ngoài, cơ sở, đối ngẫu
02	Ma trận	Tính chất, các loại đặc biệt, phép toán, biến đổi tuyến tính, phân rã (LU, QR, SVD)
03	Giải tích	Đạo hàm, tích phân, giải tích đa biến, xấp xỉ Taylor, tối ưu hóa và hạ gradient
04	Thống kê	Đại lượng mô tả, lấy mẫu, định lý giới hạn trung tâm, kiểm định giả thuyết, khoảng tin cậy
05	Xác suất	Đếm, xác suất có điều kiện, phân bố, phương pháp Bayes, lý thuyết thông tin
06	Học máy	ML cổ điển, phương pháp gradient, học sâu, học tăng cường, huấn luyện phân tán
07	Ngôn ngữ học tính toán	Cú pháp, ngữ nghĩa, dụng học, NLP, mô hình ngôn ngữ, RNN, CNN, attention, transformer, MoE, SSM
08	Thị giác máy tính	Xử lý ảnh, phát hiện đối tượng, phân đoạn, xử lý video, SLAM, CNN, vision transformer, diffusion
09	Âm thanh & Tiếng nói	DSP, ASR, TTS, phát hiện hoạt động giọng nói, diarisation, tách nguồn, khử nhiễu
10	Học đa phương thức	Chiến lược fusion, contrastive learning, CLIP, VLM, token hóa ảnh/video, sinh cross-modal
11	Hệ thống tự trị	Nhận thức, robot learning, VLA, xe tự lái, robot không gian
12	Mạng nơ-ron đồ thị	Geometric deep learning, lý thuyết đồ thị, GNN, graph attention, Graph Transformer, mạng 3D đẳng biến
13	Tính toán & Hệ điều hành	Toán rời rạc, kiến trúc máy tính, hệ điều hành, đồng thời, song song, ngôn ngữ lập trình
14	Cấu trúc dữ liệu & Thuật toán	Big O, đệ quy, backtracking, DP, mảng, bảng băm, danh sách liên kết, ngăn xếp, cây, đồ thị, sắp xếp
15	Kỹ thuật phần mềm sản xuất	Linux, Git, thiết kế codebase, kiểm thử, CI/CD, Docker, model serving, MLOps
16	Lập trình SIMD & GPU	C++ cho ML, kiến trúc phần cứng, ARM NEON, x86 AVX, GPU/CUDA, Triton, TPU, RISC-V
17	Inference AI	Lượng tử hóa, kiến trúc hiệu quả, serving và batching, suy luận biên, speculative decoding
18	Thiết kế hệ thống ML	Cloud computing, hệ thống phân tán, vòng đời ML, feature store, A/B testing
19	AI ứng dụng	AI cho tài chính, thiết kế protein, khám phá thuốc, hệ thống agent, chăm sóc sức khỏe
20	AI tiên phong	Học máy lượng tử, neuromorphic computing, trung tâm dữ liệu trong không gian, AI phi tập trung

Lời nói đầu¶

Bộ não trẻ sơ sinh là một mạng nơ-ron mới khởi tạo, tự huấn luyện từ dữ liệu và trải nghiệm thực tế đến khi trưởng thành... và mãi mãi về sau. Hiểu tiếng Pháp xuất sắc với giọng chuẩn không tì vết tức là đã được tiếp xúc đúng với tiếng Pháp xuất sắc và giọng chuẩn. Tương tự, các nhà nghiên cứu & kỹ sư AI giỏi với kỹ năng giải quyết vấn đề xuất sắc là nhờ kiến thức chất lượng và trải nghiệm phong phú.

Thí nghiệm Kvashchev — một nghiên cứu dài hạn của Serbia — cho thấy việc huấn luyện giải quyết vấn đề sáng tạo cường độ cao trong ba năm có thể tăng đáng kể trí thông minh (đặc biệt là trí thông minh linh hoạt), thêm 10-15 điểm IQ. Quả thật có chuyện IQ tự nhiên cao, giống như việc khởi tạo trọng số tốt giúp mô hình huấn luyện tốt hơn — điều này đã được các thí nghiệm về bản chất-vs-nuôi dưỡng chứng minh.

Tuy nhiên, lợi thế duy nhất của người có IQ cao là khả năng học/nhận dạng mẫu nhanh hơn. Nhưng việc luyện tập lặp đi lặp lại một mẫu giúp bất kỳ khái niệm nào cũng hoàn toàn có thể học được. Charles Darwin từng bị giáo viên và cha đánh giá là học sinh rất trung bình (nếu không muốn nói là dưới trung bình). Ông tự mô tả mình không nhanh nhạy, cảm thấy như một "bộ xử lý chậm" cần thời gian thấm dữ liệu.

Từ 3-10 tuổi, tôi học tốt, nắm bắt tự nhiên mà không bao giờ ghi chép hay ôn bài. Khoảng 11-13, tôi hơi tự mãn và tụt xuống nửa dưới của lớp 80 học sinh. 14-15, tôi bắt đầu đọc như một học sinh bình thường — tốt nghiệp kỳ cuối cấp 2 với vị trí thứ nhất. Chương trình học sớm ở trường vận hành tốt với IQ tự nhiên, nhưng tài năng thực sự được tiếp sức bởi việc tiêu thụ kiến thức chất lượng và cường độ thực thi.

Thực tế, hầu hết học sinh giỏi chỉ chăm chỉ hơn — nhưng hệ thống học thuật được thiết kế cho người học nhanh. Cuốn sách tổng hợp này cung cấp dòng chảy kiến thức toàn diện và liên kết chặt chẽ để tạo điều kiện học tốt hơn cho những "Darwin" của thế giới. Bạn chỉ cần toán tiểu học và lập trình Python cơ bản, mọi thứ khác sẽ được học dần — hãy đọc và tin vào quá trình!

Cách học hiệu quả hơn¶

Học kỳ đầu đại học, tôi học 17 môn cùng lúc — điểm không tốt lắm, nên tôi áp dụng kỹ thuật sau:

Giai đoạn 1: Đọc tích lũy sau giờ học Đọc tài liệu sau mỗi buổi học, trước khi ngủ. Buổi học tiếp theo, đọc lại từ đầu đến cuối, sau đó lấp đầy khoảng trống kiến thức bằng nghiên cứu thêm. Cách này cho phép não bạn kết nối các mẫu.

Giai đoạn 2: Đọc bóng trước kỳ thi Đọc từng phụ đề của slide/ghi chép, gấp sách lại, sau đó hình dung và viết giải thích cho khái niệm đó. Chỉ đọc lại những gì bỏ sót — giống như masked-language modelling trong học máy. Sau đó, hiện thực hóa khái niệm bằng code. Bạn phát triển trí nhớ cơ bắp cho mỗi khái niệm.

Cách này hiệu quả rất tốt với những người bạn không quá tự tin. Một người bạn đã vượt qua tôi trong môn toán kỹ thuật nâng cao (Hessian và Tối ưu hóa). Cô ấy nay làm việc tại một công ty dầu khí lớn. Ý chí của tâm hồn quan trọng hơn cơ thể chúng ta đang vận hành (thí nghiệm Rosenthal).

Trích dẫn¶

@book{ndubuaku2025compendium,
  title     = {Maths, CS & AI Compendium},
  author    = {Henry Ndubuaku},
  year      = {2026},
  publisher = {GitHub},
  url       = {https://github.com/HenryNdubuaku/maths-cs-ai-compendium}
}