📄️ Chương 10: Mô hình tuyến tính (Linear Models)
Chào mừng các bạn đến với Phần III, nơi chúng ta sẽ kết nối những lý thuyết suy luận thống kê chặt chẽ đã học với các mô hình ứng dụng cụ thể. Chúng ta sẽ bắt đầu với công cụ được xem là nền tảng, mạnh mẽ và được sử dụng rộng rãi nhất trong kho vũ khí của nhà thống kê và khoa học dữ liệu: Mô hình tuyến tính (Linear Models). Chương này sẽ chỉ ra cách chúng ta có thể sử dụng một phương trình đường thẳng đơn giản để mô hình hóa các mối quan hệ phức tạp trong dữ liệu.
📄️ Chương 11: Thống kê Bayes (Bayesian Statistics)
Cho đến nay, chúng ta đã tiếp cận thống kê theo một triết lý duy nhất, được gọi là trường phái Tần suất (Frequentist). Theo đó, xác suất là tần suất xuất hiện trong dài hạn, và các tham số là những hằng số cố định nhưng chưa biết. Bây giờ, chúng ta sẽ khám phá một thế giới quan hoàn toàn khác, một cách tiếp cận mạnh mẽ và ngày càng phổ biến: Thống kê Bayes (Bayesian Statistics). Cách tiếp cận này sẽ thay đổi tận gốc cách chúng ta định nghĩa xác suất và suy luận từ dữ liệu.
📄️ Chương 12: Kết nối với Khoa học Dữ liệu và Học máy (Connections to Data Science & Machine Learning)
Chào mừng các bạn đến với chương cuối cùng của khóa học! Đây là nơi tất cả những mảnh ghép lý thuyết xác suất và suy luận thống kê mà chúng ta đã dày công xây dựng sẽ được kết nối một cách chặt chẽ với các khái niệm và thuật toán cốt lõi trong lĩnh vực Khoa học Dữ liệu và Học máy (Data Science & Machine Learning). Bạn sẽ thấy rằng những nguyên tắc toán học kinh điển chính là linh hồn đằng sau các công nghệ AI hiện đại.