Toán cho AI bằng code: từ ký hiệu ∑, vector đến công thức 1 nơ-ron

AI

Trong bài này
  1. Chuẩn bị: mở notebook trên Google Colab
  2. Vô hướng, vector và ma trận: từ cốc cà phê đến bảng điểm
  3. Lấy một phần tử trong ma trận
  4. Tổng ∑ và trung bình x̄: chuyện tiền ăn trưa
  5. Công thức 1 nơ-ron: ŷ = 𝐰·𝐱 + b
  6. Ví dụ: tính sức mạnh nhân vật game
  7. Code: tính điểm tổng kết môn học
  8. Sức mạnh ma trận: chấm điểm cả danh sách không cần vòng for
  9. Thực hành: số hóa bảng điểm và xét học bổng
  10. Lỗi thường gặp
  11. Tự luyện thêm
  12. Tóm tắt
Series · Bài 1/12 Toán AI thực chiến: học Toán cho AI bằng code Python
  1. Ký hiệu Toán → NumPy & công thức 1 nơ-ron
  2. Ảnh là ma trận & Web App chấm điểm CV
  3. Hàm số & Sigmoid
  4. Khoảng cách, chuẩn hóa & KNN
  5. Mini-App định giá laptop cũ
  6. Vector, tích vô hướng & cosine
  7. Chữ thành vector bằng đếm từ
  8. Embedding, tìm kiếm ngữ nghĩa & RAG
  9. Nhân ma trận, vector riêng & trị riêng
  10. PCA: bản đồ sinh viên 2D & nén ảnh
  11. Đạo hàm, đạo hàm riêng & chain rule
  12. Lan truyền ngược: nơ-ron tự sửa sai
Xem cả series →

Bạn học lập trình, muốn làm AI, nhưng cứ thấy 𝐱 ∈ ℝⁿ, ∑ hay ŷ là muốn đóng tab? Series "Toán AI thực chiến" ra đời cho đúng những người như vậy: học Toán cho AI bằng code chứ không bằng chứng minh. Mỗi ký hiệu đi kèm một ví dụ đời thường, một dòng Python và một kết quả bạn chạy được ngay. Series có 12 bài, và mỗi phần lớn đều kết thúc bằng một mini-app nhỏ để bạn tự tay dùng thử và khoe với bạn bè.

Đây là bài đầu tiên. Đọc xong, bạn sẽ đọc đúng tên các ký hiệu Toán cơ bản nhất, chuyển chúng thành lệnh NumPy, và tự viết công thức của một nơ-ron nhân tạo, viên gạch đầu tiên của mọi mạng nơ-ron.

Notebook Google Colab chạy công thức một nơ-ron bằng np.dot: điểm tổng kết 8.15 và điểm của 3 ứng viên
Thành quả cuối bài: (1) một nơ-ron tính điểm tổng kết ŷ = 8.15; (2) chấm điểm 3 ứng viên cùng lúc chỉ bằng một lệnh np.dot.

Chuẩn bị: mở notebook trên Google Colab

Bạn không cần cài gì cả. Google Colab (cô-láp) là môi trường Python chạy ngay trên trình duyệt, có sẵn NumPy và Matplotlib. Chỉ cần một tài khoản Google.

  1. Mở notebook của bài: notebook Colab cho bài 1 và bài 2.
  2. Chọn File › Save a copy in Drive (hoặc bấm nút Copy to Drive). Từ giờ bạn làm việc trên bản sao trong Drive của mình, vì bản gốc không lưu được thay đổi.
  3. Bấm Connect ở góc phải trên. Khi thấy dấu ✓ xanh cạnh biểu đồ RAM / Disk là Colab đã sẵn sàng.

Nếu thích tự làm từ đầu, bạn có thể tạo notebook mới (File › New notebook) rồi dán từng đoạn code trong bài vào.

Notebook mẫu mở từ GitHub trên Google Colab, đánh dấu tên file, nút Copy to Drive và nút Connect
(1) Tên notebook có biểu tượng GitHub: đây là bản gốc, chưa phải của bạn. (2) Nút Copy to Drive: cách nhanh nhất để lưu bản sao. (3) Nút Connect: bấm để Colab cấp máy chủ chạy code.

Ba mẹo dùng Colab bạn sẽ cần suốt series:

  • Shift + Enter: chạy ô hiện tại và nhảy xuống ô dưới.
  • + Code thêm ô code mới, + Text thêm ô ghi chú.
  • Gặp NameError thì chạy lại các ô phía trên, đặc biệt là ô có import numpy as np.

💡 Notebook đã có sẵn lời giải cho phần bài tập. Để thật sự học được, hãy bấm + Code tạo ô mới, tự gõ khung code trong bài này, điền chỗ trống rồi chạy. Chỉ mở lời giải để đối chiếu sau khi đã tự làm xong.

Vô hướng, vector và ma trận: từ cốc cà phê đến bảng điểm

Bắt đầu bằng ba thứ rất quen:

  • Giá một cốc cà phê 25.000đ là một con số. Trong Toán gọi là số vô hướng, viết x ∈ ℝ (đọc: "x thuộc R"), nghĩa là x là một số thực.
  • Điểm 4 môn của bạn [8, 6, 7, 9] là một dãy số, gọi là vector (véc-tơ). Viết 𝐱 ∈ ℝ⁴ (đọc: "x thuộc R mũ 4"): vector 𝐱 có 4 số thực. Tổng quát, 𝐱 ∈ ℝⁿ (đọc: "x thuộc R mũ n") là vector có n phần tử. Chữ x in đậm để phân biệt với số x thường.
  • Bảng điểm cả lớp, mỗi hàng một bạn, mỗi cột một môn, là một bảng số, gọi là ma trận. Viết 𝐗 ∈ ℝᵐˣⁿ (đọc: "X thuộc R m nhân n"): ma trận có m hàng, n cột.

Trong AI, mỗi hàng của ma trận thường là một mẫu dữ liệu. Ở ví dụ dưới, mỗi hàng là hồ sơ một sinh viên gồm 4 thông số: [GPA, số project, điểm code, tiếng Anh]. NumPy (nam-pai), thư viện tính toán số của Python, biểu diễn cả vector lẫn ma trận bằng np.array:

# [ĐƯỜNG CƠ BẢN 1]: Khởi tạo Vector (x ∈ R^n) & Ma trận (X ∈ R^(m×n)) bằng NumPy
import numpy as np

# 1. Tạo Vector x ∈ R^4 (Hồ sơ 1 sinh viên: [GPA, Số_Project, Điểm_Code, Tiếng_Anh])
x = np.array([3.5, 4, 8.0, 7.0])
print("Vector x:", x)
print("Kích thước của x (shape):", x.shape)

# 2. Tạo Ma trận X ∈ R^(3x4) (Bảng gồm 3 sinh viên, mỗi người 4 thông số)
X = np.array([
    [3.5, 4, 8.0, 7.0],
    [2.8, 2, 6.0, 5.5],
    [3.9, 6, 9.5, 8.5]
])
print("\nKích thước Ma trận X (dòng, cột):", X.shape)

Kết quả:

Vector x: [3.5 4.  8.  7. ]
Kích thước của x (shape): (4,)

Kích thước Ma trận X (dòng, cột): (3, 4)

Thuộc tính .shape (kích thước) chính là phần "mũ" trong ký hiệu Toán: vector ℝ⁴ có shape (4,), ma trận ℝ³ˣ⁴ có shape (3, 4). Để ý NumPy in 4. thay vì 4: khi trong mảng có số thập phân, mọi phần tử đều được chuyển thành số thực.

Lấy một phần tử trong ma trận

Toán viết phần tử ở hàng i, cột j là Xᵢⱼ (đọc: "X i j"). Python đếm từ 0 nên phải lùi mỗi chỉ số đi 1: Xᵢⱼ tương ứng X[i-1, j-1]. Thử in X[1, 2], bạn sẽ được 6.0, đó là X₂₃: hàng 2 (sinh viên thứ hai), cột 3 (điểm code).

Tổng ∑ và trung bình x̄: chuyện tiền ăn trưa

Tiền ăn trưa 3 ngày của bạn: 35k + 40k + 30k = 105k. Phép "cộng hết lại" này trong Toán viết bằng chữ Hy Lạp ∑ (sigma):

∑ xᵢ (đọc: "tổng sigma x i"): cộng tất cả các phần tử x₁, x₂, …, xₙ.

Chia 105k cho 3 ngày được 35k/ngày. Đó là trung bình cộng:

x̄ = (1/n) ∑ xᵢ (đọc: "x ngang bằng một phần n nhân tổng x i"). Dấu gạch ngang trên đầu x là ký hiệu quen thuộc của "trung bình".

Máy tính làm y hệt, chỉ khác là với hàng nghìn con số. Trong NumPy, ∑ là np.sum, x̄ là np.mean:

# [ĐƯỜNG CƠ BẢN 2]: Tính Tổng Sigma (∑) và Trung bình cộng (x̄)
diem_kiem_tra = np.array([8.0, 7.0, 9.0, 6.0])

tong_sigma = np.sum(diem_kiem_tra)    # Tương đương ∑ x_i
trung_binh = np.mean(diem_kiem_tra)   # Tương đương (1/n) ∑ x_i
diem_cao_nhat = np.max(diem_kiem_tra)

print("Tổng Sigma (∑ x_i)       =", tong_sigma)
print("Trung bình cộng (x̄)      =", trung_binh)
print("Điểm cao nhất trong mảng =", diem_cao_nhat)

Kết quả:

Tổng Sigma (∑ x_i)       = 30.0
Trung bình cộng (x̄)      = 7.5
Điểm cao nhất trong mảng = 9.0

Kiểm tra tay: 8 + 7 + 9 + 6 = 30, chia 4 được 7.5. Khớp.

Công thức 1 nơ-ron: ŷ = 𝐰·𝐱 + b

Đây là công thức quan trọng nhất của bài. Nghe "nơ-ron nhân tạo" có vẻ ghê gớm, nhưng bạn đã gặp nó trong game rồi.

Ví dụ: tính sức mạnh nhân vật game

Một nhân vật có 3 chỉ số: Sức mạnh 8, Tốc độ 6, Phòng thủ 5. Game quy định mức quan trọng của từng chỉ số là 3, 2, 1, và tặng thêm 10 điểm thưởng cố định. Sức mạnh tổng:

8 × 3 + 6 × 2 + 5 × 1 + 10 = 24 + 12 + 5 + 10 = 51

Gọi tên từng phần theo kiểu Toán:

  • Các chỉ số [8, 6, 5] là vector đầu vào 𝐱.
  • Các mức quan trọng [3, 2, 1] là vector trọng số 𝐰 (weight).
  • Điểm thưởng cố định 10 là độ lệch b (bias, đọc "bai-ợt").
  • Kết quả 51 là ŷ (đọc: "y mũ"), giá trị mà mô hình dự đoán. Dấu mũ ^ trên y nghĩa là "ước lượng", để phân biệt với giá trị thật y.

Phép "nhân từng cặp rồi cộng lại" 8×3 + 6×2 + 5×1 gọi là tích vô hướng của 𝐰 và 𝐱, viết 𝐰·𝐱 (đọc: "w chấm x"). Ghép lại ta có công thức một nơ-ron:

ŷ = 𝐰·𝐱 + b (đọc: "y mũ bằng w chấm x cộng b")

Thử nghĩ: nếu game tăng mức quan trọng của Tốc độ từ 2 lên 4 thì sức mạnh thành bao nhiêu?

Xem đáp án

8 × 3 + 6 × 4 + 5 × 1 + 10 = 24 + 24 + 5 + 10 = 63. Chỉ cần đổi trọng số, cùng một nhân vật đã "mạnh" hơn hẳn. Huấn luyện AI thực chất là đi tìm bộ trọng số 𝐰 và b phù hợp.

Code: tính điểm tổng kết môn học

Áp dụng đúng công thức đó cho điểm tổng kết: điểm thành phần [Chuyên cần, Giữa kỳ, Cuối kỳ] nhân với tỉ lệ 10%, 30%, 60%, cộng 0.2 điểm phát biểu. Trong NumPy, tích vô hướng là np.dot:

# [ĐƯỜNG CƠ BẢN 3]: Code công thức 1 Nơ-ron Nhân tạo (ŷ = w·x + b)
# Điểm thành phần của sinh viên: [Chuyên cần, Giữa kỳ, Cuối kỳ]
x = np.array([9.0, 7.5, 8.0])

# Trọng số môn học: [10%, 30%, 60%] và điểm cộng ưu tiên b = 0.2
w = np.array([0.1, 0.3, 0.6])
b = 0.2

# Tính đầu ra của Nơ-ron bằng tích vô hướng np.dot
y_hat = np.dot(w, x) + b
print(f"Điểm tổng kết dự đoán (ŷ) = {y_hat:.2f} điểm")

Kết quả:

Điểm tổng kết dự đoán (ŷ) = 8.15 điểm

Kiểm tra tay: 0.1 × 9.0 + 0.3 × 7.5 + 0.6 × 8.0 + 0.2 = 0.9 + 2.25 + 4.8 + 0.2 = 8.15.

Sức mạnh ma trận: chấm điểm cả danh sách không cần vòng for

Một nơ-ron chấm một người. Nếu có 3 (hay 3.000) ứng viên thì sao? Bạn có thể viết vòng for, nhưng cách của Toán gọn hơn nhiều: xếp hồ sơ thành ma trận 𝐗 (mỗi hàng một người) rồi nhân với 𝐰:

ŷ = 𝐗𝐰 + b (đọc: "y mũ bằng X nhân w cộng b")

Kết quả ŷ lúc này là một vector, mỗi phần tử là điểm của một người.

# [ĐƯỜNG CƠ BẢN 4]: Sức mạnh Ma trận — Chấm điểm cả danh sách không cần vòng lặp for!
X = np.array([
    [3.5, 4, 8.0, 7.0], # Ứng viên 1
    [2.8, 2, 6.0, 5.5], # Ứng viên 2
    [3.9, 6, 9.5, 8.5]  # Ứng viên 3
])

w = np.array([1.5, 1.5, 2.0, 1.5])
b = 2.0

diem_ung_vien = np.dot(X, w) + b
print("Điểm của 3 ứng viên lần lượt là:", diem_ung_vien)

Kết quả:

Điểm của 3 ứng viên lần lượt là: [39.75 29.45 48.6 ]

np.dot(X, w) lấy từng hàng của X nhân với w rồi cộng lại, tức là chạy công thức 1 nơ-ron cho cả 3 người trong một lệnh. Kiểm tra tay ứng viên 1:

1.5 × 3.5 + 1.5 × 4 + 2.0 × 8.0 + 1.5 × 7.0 + 2.0 = 5.25 + 6 + 16 + 10.5 + 2.0 = 39.75

💡 Đây là lý do AI "nghiện" ma trận: thay vì lặp từng người, cả bảng dữ liệu được xử lý trong một phép tính. NumPy (và GPU) làm việc này nhanh hơn vòng for của Python rất nhiều.

Thực hành: số hóa bảng điểm và xét học bổng

Giờ đến lượt bạn. Bài tập này dùng vector 𝐱 ∈ ℝ⁵, .shape, tổng ∑ và trung bình x̄.

Đề bài: sinh viên được xét học bổng khuyến khích nếu điểm trung bình 5 môn gần nhất đạt từ 8.0 trở lên. Viết chương trình kiểm tra điều kiện này với điểm của chính bạn.

  1. Tạo vector diem_5_mon chứa điểm 5 môn gần nhất (thang 10).
  2. In kích thước vector bằng .shape và tự giải thích vì sao kết quả là (5,).
  3. Tính tổng tong_diem (∑xᵢ), trung bình diem_tb (x̄) và điểm cao nhất diem_max.
  4. Dùng if / else in ra "Đạt học bổng" hoặc một lời động viên.

Khung code, hãy điền vào các chỗ ____:

import numpy as np

# 1. Điền điểm 5 môn học của bạn
diem_5_mon = np.array([____, ____, ____, ____, ____])

# 2. Kích thước vector
print("Kích thước:", diem_5_mon.____)

# 3. Tổng ∑, trung bình, max
tong_diem = np.____(diem_5_mon)
diem_tb   = np.____(diem_5_mon)
diem_max  = np.____(diem_5_mon)

print("Tổng điểm (∑):", tong_diem)
print("Trung bình:", round(diem_tb, 2))
print("Cao nhất:", diem_max)

# 4. Xét học bổng
if diem_tb >= 8.0:
    print("🎉 Đạt học bổng khuyến khích!")
else:
    print("💪 Cố gắng thêm ở học kỳ tới nhé!")
Xem đáp án

Đáp án với điểm mẫu [8.5, 7.5, 9.0, 8.0, 8.5] (bạn thay bằng điểm của mình):

diem_5_mon = np.array([8.5, 7.5, 9.0, 8.0, 8.5])
print("Kích thước:", diem_5_mon.shape)

tong_diem = np.sum(diem_5_mon)
diem_tb   = np.mean(diem_5_mon)
diem_max  = np.max(diem_5_mon)

Kích thước là (5,) vì đây là vector 1 chiều có 5 phần tử, ứng với 𝐱 ∈ ℝ⁵. Dấu phẩy trong (5,) là cách Python viết tuple có một phần tử.

Kết quả:

Kích thước: (5,)
Tổng điểm (∑): 41.5
Trung bình: 8.3
Cao nhất: 9.0
🎉 Đạt học bổng khuyến khích!
Bài tập xét học bổng chạy trên Colab với điểm mẫu, in kích thước, tổng, trung bình và kết luận đạt học bổng
(1) Dòng nhập 5 điểm môn học, thay bằng điểm của bạn. (2) Kết quả: kích thước (5,), tổng 41.5, trung bình 8.3, điểm cao nhất 9.0 và kết luận đạt học bổng.

Lỗi thường gặp

Thông báo lỗi Nguyên nhân Cách xử lý
NameError: name 'np' is not defined Chưa chạy ô import Chạy ô import numpy as np trước
ValueError: shapes (3,) and (4,) not aligned Hai vector trong np.dot khác số phần tử Kiểm tra .shape của w và x, phải bằng nhau
SyntaxError: invalid syntax Còn sót chỗ trống ____ hoặc thiếu dấu phẩy, dấu ngoặc Đọc dòng được báo lỗi, điền đủ chỗ trống

Lỗi shapes not aligned rất đáng nhớ: tích vô hướng 𝐰·𝐱 chỉ có nghĩa khi hai vector có cùng số phần tử, giống như mỗi chỉ số nhân vật phải có đúng một mức quan trọng đi kèm.

Tự luyện thêm

  • Trung bình theo tín chỉ: môn nhiều tín chỉ nên "nặng ký" hơn. Với tin_chi = np.array([3, 2, 4, 3, 2]), hãy tính điểm trung bình có trọng số. Gợi ý: np.dot(diem_5_mon, tin_chi) / np.sum(tin_chi). Bạn có nhận ra đây lại là tích vô hướng, với 𝐰 là số tín chỉ?
  • Môn nào cao nhất? Dùng np.argmax(diem_5_mon) để in ra vị trí của môn điểm cao nhất (nhớ là Python đếm từ 0).
  • Nơ-ron "lười": ở ô chấm 3 ứng viên, đặt w = np.array([1, 1, 1, 1]) và b = 0. Khi đó ŷ của mỗi người chính là phép tính nào bạn đã học ở trên? So sánh với np.sum(X, axis=1) để kiểm chứng.

Tóm tắt

Bạn vừa đi hết "bộ chữ cái" Toán đầu tiên của AI: số vô hướng, vector, ma trận, tổng, trung bình và công thức 1 nơ-ron. Tất cả đều chỉ là vài lệnh NumPy.

Ký hiệu Toán Cách đọc Lệnh NumPy
x ∈ ℝ "x thuộc R" x = 3.5
𝐱 ∈ ℝⁿ "x thuộc R mũ n" np.array([x1, ..., xn])
𝐗 ∈ ℝᵐˣⁿ "X thuộc R m nhân n" np.array([[...], [...]])
m × n "m nhân n" X.shape
Xᵢⱼ "X i j" X[i-1, j-1]
∑ xᵢ "tổng sigma x i" np.sum(x)
x̄ = (1/n) ∑ xᵢ "x ngang bằng một phần n tổng x i" np.mean(x)
ŷ = 𝐰·𝐱 + b "y mũ bằng w chấm x cộng b" np.dot(w, x) + b
ŷ = 𝐗𝐰 + b "y mũ bằng X nhân w cộng b" np.dot(X, w) + b

Bài tiếp theo trong series: bạn sẽ thấy một bức ảnh thực chất cũng là ma trận, dùng vài phép cộng, nhân để "cứu sáng" ảnh bị tối, rồi biến công thức 1 nơ-ron hôm nay thành một Web App chấm điểm CV và dự đoán lương bằng Gradio, có link để gửi bạn bè dùng thử.

Ảnh Nguyễn Hữu Huy

Tác giả

Giảng viên Khoa Công nghệ Thông tin, Cao đẳng FPT Polytechnic

Thầy Huy dạy lập trình tại Cao đẳng FPT Polytechnic, chia sẻ kiến thức về Android, Unity/C#, AI và lập trình backend qua blog dotplays và kênh YouTube Thầy Huy One Champ. Tác giả các ứng dụng dotsave, getvidfb và taptik.