Đề thi cuối học kì 1 môn Trí tuệ nhân tạo năm 2025-2026

Trong bối cảnh phát triển mạnh mẽ của lĩnh vực Trí tuệ nhân tạo, khả năng xây dựng và tối ưu các mô hình Học máy, đặc biệt là Mạng nơ-ron, trở nên vô cùng quan trọng. Tài liệu này cung cấp một khuôn khổ thực hành để đánh giá sự hiểu biết và kỹ năng lập trình trong việc triển khai các thuật toán nền tảng của học sâu. Nó đặt ra các bài toán cụ thể về khởi tạo dữ liệu phức tạp như Spiral Data và xây dựng một mạng nơ-ron nhân tạo đa lớp. Mục tiêu là giúp sinh viên củng cố kiến thức lý thuyết về các thành phần cốt lõi của mạng nơ-ron và khả năng áp dụng các giải thuật tối ưu hóa hiện đại như ADAM Optimizer để huấn luyện mô hình hiệu quả.

Sinh viên ngành Trí tuệ nhân tạo, Khoa học máy tính, Kỹ thuật phần mềm hoặc các ngành liên quan có kiến thức nền tảng về học máy và lập trình Python, đặc biệt là những người đang theo học môn Trí tuệ nhân tạo.

Tài liệu này trình bày một bài tập thực hành chi tiết về việc xây dựng và huấn luyện một Mạng nơ-ron từ đầu, tập trung vào các khái niệm cốt lõi trong Trí tuệ nhân tạo và Học máy. Nội dung chính bao gồm việc khởi tạo một tập dữ liệu Spiral Data phức tạp, được thiết kế để kiểm tra khả năng phân loại phi tuyến của mô hình. Sinh viên được yêu cầu thiết lập cấu trúc của mạng nơ-ron, bao gồm các lớp ẩn với hàm kích hoạt ReLU và lớp đầu ra với Softmax, đồng thời tính toán hàm mất mát Categorical Cross-Entropy. Trọng tâm đặc biệt được đặt vào việc triển khai giải thuật tối ưu hóa ADAM Optimizer, một phương pháp hiệu quả để điều chỉnh trọng số (weights) và độ lệch (biases) của mạng thông qua quá trình lan truyền ngược (backpropagation). Các bước cụ thể từ tiền xử lý dữ liệu, thực hiện lan truyền thẳng (forward pass), tính toán mất mát và độ chính xác, cho đến cập nhật tham số mô hình đều được trình bày. Giá trị ứng dụng của bài tập này nằm ở chỗ nó không chỉ củng cố kiến thức lý thuyết về cấu trúc mạng nơ-ron và các thuật toán học, mà còn phát triển kỹ năng lập trình cần thiết để triển khai các hệ thống học sâu trong thực tế. Đây là nền tảng vững chắc cho việc giải quyết các bài toán phân loại dữ liệu phức tạp và phát triển các ứng dụng thông minh.