# Outline <style> .reveal { font-size: 24px; } </style> • SS2: phần passing reference với passing value: khi nào xảy ra và tụi em chưa rõ câu lệnh nào là passing reference, câu lệnh nào là passing value. • SS8: cần giảng lại về các phân phối, khi nào dùng phân phối nào và ứng dụng. • SS9: cần giảng lại gradient, dẫn dắt vào gradient và giải thích thêm tại sao cần học nó cho hợp lý. • SS11: giảng về Naive Bayes, khi nào thì dùng và ứng dụng. Nói thêm về sign/sigmoid/softmax function, khi nào dùng và ứng dụng. --- [dsadasd](https://jalammar.github.io/images/seq2seq_3.mp4) # Throwback - Biến ngẫu nhiên (random variables) là các biến nhận 1 giá trị ngẫu nhiên đại diện cho kết quả của phép thử. - Biến ngẫu nhiên thực chất là một hàm ánh xạ từ không gian sự kiện đầy đủ tới 1 số thực: $X: \Omega \mapsto \mathbb{R}$. - Biến ngẫu nhiên có 2 dạng: 1. Rời rạc (discrete): tập giá trị nó là rời rạc, tức là đếm được. Ví dụ như mặt chấm của con xúc xắc. 2. Liên tục (continous): tập giá trị là liên tục tức là lấp đầy 1 khoảng trục số. Ví dụ như giá thuê nhà ở Hà Nội. ---  ---  - Sample space: 0-9 - Random variable: input vector --- # Một vài định nghĩa trong xác suất - Hàm phân phối xác suất của biến ngẫu nhiên X được xác định:  - Hàm phân phối xác suất còn có tên là hàm phân phối tích luỹ (CDF - Cumulative Distribution Function) do đặc trưng là lấy xác suất của các biến ngẫu nhiên bên trái của một giá trị x bất kì nào đó. --- - Hàm xác suất đối với biến ngẫu nhiên rời rạc được gọi là hàm khối xác suất (PMF - Probability Mass Function). Giả sử miền xác định của $X$ là $D$, tức $X: \Omega \mapsto \mathsf D$ thì hàm khối xác suất được xác định như sau:   --- - Với các biến ngẫu nhiên liên tục ta có khái niệm hàm mật độ xác suất (PDF - Probability Density Function) để ước lượng độ tập trung xác suất tại lân cận điểm nào đó. Hàm mật độ xác suất $f(x)$ tại điểm $x$ được xác định bằng cách lấy đạo hàm của hàm phân phối tích luỹ $F(x)$ tại điểm đó:    --- - Ví dụ: solve by yourself  --- Kỳ vọng (Expectation) của biến ngẫu nhiên là trung bình của biến ngẫu nhiên. Kỳ vọng của biến ngẫu nhiên $X$ được kí hiệu là $E[X]$:  ---   --- - Phương sai $Var(X)$ là trung bình của bình phương khoảng cách từ biến ngẫu nhiên X tới giá trị trung bình:    --- - Joint probability:  --- - Marginalization: Nếu biết joint probability của nhiều biến ngẫu nhiên, ta cũng có thể xác định được phân bố xác suất của từng biến bằng cách lấy tổng (với biến ngẫu nhiên rời rạc) hoặc tích phân (với biến ngẫu nhiên liên tục) theo tất cả các biến còn lại:   --- - Phân phối có điều kiện và quy tắc Bayes:   --- # Some main questions: * Tại sao phải biết xác suất? * Tại sao linear regression lại dùng MSE? * Tại sao lại dùng sigmoid hay softmax? --- # Gradient  ---  --- # Naive Bayesian * Bayes với "assumption" naive : features/predictors independence   * Một vài loại Naive Bayesian: Multinomial Naive Bayes, Bernoulli Naive Bayes, Gaussian Naive Bayes ---  ---  ---