Tuyển tập theo chủ đề
54 bài viết về AI.
54 bài viếtTrang 2/4#AIBỏ lọc
Bài số № 58PRO
90% trên 40 câu có thật sự hơn 85%? Tính sai số chuẩn và khoảng tin cậy Wilson cho tỉ lệ đạt, bootstrap, cần bao nhiêu câu hỏi, chạy nhiều trial để giảm nhiễu, và so sánh hai prompt bằng phép thử ghép cặp, McNemar — tất cả bằng NumPy và SciPy.
Bài số № 57PRO
Các khái niệm nền của evals cho LLM: task, trial, grader, transcript, outcome, harness; eval năng lực và eval hồi quy; offline và online; nhãn nhị phân thay cho thang 1–5. Tự viết một harness eval khoảng 80 dòng Python, chạy nhiều lần mỗi task.
Bài số № 56PRO
AI Evaluation Engineer làm gì, cần kỹ năng nào, khác gì QA và ML Engineer. Bản đồ 10 bài cơ bản + 10 bài nâng cao, lịch học 12 tuần và danh sách tài liệu đáng tin cậy nhất về evals cho LLM và agent.
Bài số № 43
Block ra mắt Dessa, model giọng nói huấn luyện hoàn toàn trên tiếng người, chạy cục bộ trên MacBook M4 Max và nhận ra cảm xúc, tiếng cười, sự mỉa mai.
Bài số № 40
Moonshot đưa Kimi K3.1 Pro lên API với giá 2/10 USD mỗi triệu token, đạt 55 điểm Artificial Analysis và hứa mở trọng số trước 4/11/2026.
Bài số № 38
Clef, mô hình quyết định đa phương thức 27B của Cloudflare, đã có trên Ollama: chạy local hoặc cloud, giấy phép Apache 2.0, đọc một lần và trả xác suất.
Bài số № 37
Block của Jack Dorsey ra mắt Dessa, model giọng nói full-duplex hiểu cảm xúc, huấn luyện hoàn toàn trên tiếng người và chạy cục bộ trên MacBook M4 Max.
Bài số № 35
OpenAI sẽ không huấn luyện model frontier trên internet trực tiếp nữa mà dùng bản cache và mô phỏng, viện dẫn rủi ro đáng kể từ các model khó đoán.
Bài số № 34
Kimi K3.1 Pro của Moonshot lên Kimi API, giá 2 USD/10 USD mỗi triệu token, đạt 55 điểm Artificial Analysis và hứa mở trọng số trước 4/11/2026.
Bài số № 32
OpenAI giới thiệu Decisions API, hướng tới các quyết định nhanh, tập trung và chi phí thấp để giúp ứng dụng phản hồi mượt mà hơn.
Bài số № 31PRO
Bản đồ 14 bài để đi từ toán và Python tới Machine Learning, Deep Learning, Computer Vision và triển khai mô hình — kèm danh sách khoá học, sách, tài liệu miễn phí đáng tin cậy và cách học không bị lạc.
Bài số № 30PRO
Phần toán tối thiểu để đọc hiểu ML và Deep Learning: tích vô hướng, nhân ma trận, gradient, quy tắc chuỗi, phân phối xác suất, kỳ vọng, Bayes — mỗi khái niệm đi kèm vài dòng NumPy và chỗ nó xuất hiện trong mô hình thật.
Bài số № 29PRO
Bộ công cụ hằng ngày của AI Engineer: vector hoá với NumPy, đọc–lọc–gộp–làm sạch dữ liệu với Pandas, vẽ biểu đồ khám phá với Matplotlib. Thực hành trọn một vòng EDA trên Titanic, kết thúc bằng bảng đặc trưng sẵn sàng cho mô hình.
Bài số № 28PRO
Mô hình ML đầu tiên, viết tay bằng NumPy rồi bằng scikit-learn: hàm mất mát MSE, gradient descent theo batch và mini-batch, chia train/validation/test, overfitting–underfitting, hồi quy đa thức và regularization Ridge/Lasso.
Bài số № 27PRO
Từ hồi quy sang phân loại: sigmoid, softmax, cross-entropy, viết hồi quy logistic bằng NumPy; rồi đánh giá đúng cách với confusion matrix, precision/recall/F1, chọn ngưỡng, ROC-AUC, dữ liệu mất cân bằng, cross-validation và Pipeline chống rò rỉ dữ liệu.
Bài số № 26PRO
Cây quyết định chia dữ liệu bằng Gini/entropy, vì sao một cây dễ overfit, Random Forest gộp nhiều cây (bagging), gradient boosting sửa lỗi tuần tự; thực hành với scikit-learn, giới thiệu XGBoost/LightGBM/CatBoost, feature importance và permutation importance.
Bài số № 25PRO
Khi dữ liệu không có nhãn: viết K-means từ đầu, chọn số cụm bằng elbow và silhouette, khi nào dùng DBSCAN; giảm chiều bằng PCA (tự viết bằng SVD), nén ảnh chữ số, trực quan hoá bằng t-SNE/UMAP và phát hiện bất thường.