Tổng quan về giáo trình

Giáo trình Nhập môn Trí tuệ nhân tạo do TS. Đoàn Thị Thanh Hằng (chủ biên) cùng ThS. Đỗ Quang Hưng và ThS. Nguyễn Thị Vân Anh biên soạn, được Trường Đại học Công nghệ Giao thông Vận tải (Bộ Giao thông Vận tải) nghiệm thu và ban hành dưới dạng tài liệu lưu hành nội bộ vào tháng 03 năm 2023 tại Hà Nội.

+-------------------------------------------------------------------------------+
|                    GIÁO TRÌNH NHẬP MÔN TRÍ TUỆ NHÂN TẠO                       |
|           Đoàn Thị Thanh Hằng (Chủ biên), Đỗ Quang Hưng, Nguyễn Thị Vân Anh   |
|            Trường Đại học Công nghệ GTVT - Xuất bản: 03/2023                  |
+---------------------------------------+---------------------------------------+
                                        |
    +-------------------+---------------+-------------------+-------------------+
    |                   |                                   |                   |
+---v-------------+ +---v-------------------+ +-------------v-----+ +-----------v-----+
|    Chương 1     | |       Chương 2        | |     Chương 3      | |    Chương 4     |
|    Tổng quan    | |  Giải quyết vấn đề    | |  Tri thức và      | |  Học máy và     |
|   về TTNT       | |   bằng tìm kiếm       | |   lập luận        | |   học sâu       |
+-----------------+ +-----------------------+ +-------------------+ +-----------------+

Về vị trí trong chương trình đào tạo, tài liệu được thiết kế làm học liệu chính thức cho môn học cơ sở ngành của sinh viên trình độ đại học thuộc các ngành Hệ thống thông tin và Công nghệ thông tin. Giáo trình trang bị hệ thống tri thức cơ bản về trí tuệ nhân tạo, thiết lập nền tảng kỹ thuật để người học tiếp cận các chuyên đề chuyên sâu ở các học kỳ tiếp theo.

Mục tiêu học tập (learning outcomes) của giáo trình hướng đến việc cung cấp cho người học:

  • Khả năng hiểu và phân tích lịch sử, các định nghĩa và các trường phái nghiên cứu trí tuệ nhân tạo.
  • Năng lực mô hình hóa các bài toán thực tế thành không gian trạng thái, lựa chọn và cài đặt các chiến lược tìm kiếm từ cơ bản (tìm kiếm mù, tìm kiếm kinh nghiệm) đến tối ưu hóa tổ hợp và cây trò chơi có đối thủ.
  • Kỹ thuật biểu diễn tri thức bằng logic mệnh đề, logic vị từ cấp 1, hệ luật sinh và suy diễn xấp xỉ/xác suất.
  • Kiến thức cơ bản về quy trình xây dựng mô hình học máy, các thuật toán phân lớp/dự đoán kinh điển và các cấu trúc học sâu như mạng nơ-ron hồi quy LSTM.

Cấu trúc giáo trình gồm 4 chương, đi từ bức tranh tổng quan lịch sử, phương pháp giải quyết vấn đề bằng không gian trạng thái, mô hình hóa tri thức và lập luận hình thức, đến các kỹ thuật học máy và học sâu hiện đại. Điểm đặc sắc của giáo trình là sự kết hợp chặt chẽ giữa lý thuyết thuật toán, biểu diễn toán học tường minh và các bảng vết thực thi từng bước (trace table) cho từng thuật giải.

Nội dung kiến thức cốt lõi

Các chương và chủ đề chính

+-----------------------------------------------------------------------------------+
|                        TIẾN TRÌNH NỘI DUNG GIÁO TRÌNH                             |
+-----------------------------------------------------------------------------------+
| Chương 1: Cơ sở khái niệm, lịch sử Dartmouth 1956, Turing Test & phạm vi AI      |
|                                       ↓                                           |
| Chương 2: Không gian trạng thái, Tìm kiếm mù, Heuristic, A*, Nhánh cận, GA, Game |
|                                       ↓                                           |
| Chương 3: Logic mệnh đề, Logic vị từ cấp 1, Luật suy diễn/phân giải, Luật sinh   |
|                                       ↓                                           |
| Chương 4: Machine Learning (SVM, Decision Tree), ANFIS, Deep Learning (LSTM)     |
+-----------------------------------------------------------------------------------+

Chương 1: Tổng quan về Trí tuệ nhân tạo

Chương 1 hệ thống hóa lịch sử hình thành từ phép thử Turing (Turing Test) đến hội thảo Dartmouth năm 1956 với các học giả tiên phong như John McCarthy, Marvin Minsky, Allen Newell, Herbert Simon và Arthur Samuel. Giáo trình phân tích 3 phân loại hệ thống TTNT:

  • TTNT phân tích (Analytical AI)
  • TTNT con người (Human AI)
  • TTNT nhân cách hóa (Humanized AI)

Chương này trình bày các mốc biến động lịch sử (khởi đầu thập niên 1960, các giai đoạn mùa đông AI năm 1974 và 1987, sự phục hồi qua hệ chuyên gia thập niên 1980 và bùng nổ sau năm 2015). Đồng thời, chương 1 phân loại 5 nhánh nghiên cứu cốt lõi cùng 3 nhóm kỹ năng của con người mà AI hiện tại chưa thể thay thế hoàn toàn: khả năng đào sâu bản chất vấn đề, năng lực tưởng tượng - sáng tạo và kỹ năng giao tiếp - đồng cảm.

Chương 2: Giải quyết vấn đề bằng tìm kiếm

Chương 2 chiếm dung lượng lớn nhất, tập trung vào mô hình hóa bài toán thành không gian trạng thái $U$, trạng thái xuất phát $u_0$, tập toán tử biến đổi $R$ và tập đích $T$. Nội dung triển khai qua 4 nhóm chiến lược tìm kiếm:

  • Tìm kiếm mù (Blind search): Tìm kiếm theo chiều sâu (DFS - Depth First Search dùng Stack/Ngăn xếp), Tìm kiếm theo chiều rộng (BFS - Breadth First Search dùng Queue/Hàng đợi), và Tìm kiếm sâu dần (IDS - Iterative Deepening Search).
  • Rút gọn vấn đề và Đồ thị VÀ/HOẶC: Phân rã bài toán thành các bài toán con tương đương hoặc độc lập.
  • Tìm kiếm kinh nghiệm (Heuristic search): Hàm đánh giá $h(u)$, Tìm kiếm tốt nhất - đầu tiên (Best-First Search), Tìm kiếm leo đồi (Hill-Climbing), và Tìm kiếm chùm tia (Beam Search).
  • Tìm kiếm tối ưu và đối kháng: Thuật toán $A^*$ với hàm chi phí $f(u) = g(u) + h(u)$, thuật toán Nhánh-và-cận (Branch and Bound), Leo đồi cục bộ, Tìm kiếm Gradient, Mô phỏng luyện kim (Simulated Annealing), Thuật toán di truyền (Genetic Algorithm - GA với các toán tử chọn lọc, lai ghép, đột biến), và Cây trò chơi với giải thuật Minimax, phương pháp cắt cụt Alpha-Beta.

Chương 3: Tri thức và lập luận

Chương 3 xây dựng cơ sở toán học hình thức cho biểu diễn tri thức:

  • Logic mệnh đề: Cú pháp, ngữ nghĩa, dạng chuẩn hội (CNF), dạng chuẩn tuyển (DNF), các luật suy diễn (Modus Ponens, Modus Tollens) và luật phân giải (Resolution Rule).
  • Logic vị từ cấp 1 (First-Order Logic - FOL): Cú pháp, lượng từ ($\forall, \exists$), quy tắc chuẩn hóa công thức Skolem hóa, và cơ chế hợp giải vị từ.
  • Biểu diễn tri thức và lập luận: Suy diễn tiến (forward chaining) và suy diễn lùi (backward chaining) trên hệ luật sinh (production rules IF-THEN), cùng các phương pháp lập luận xấp xỉ và suy diễn xác suất.

Chương 4: Học máy và học sâu

Chương 4 chuyển tiếp sang mô hình học từ dữ liệu:

  • Phân loại học có giám sát, học không giám sát, học tăng cường.
  • Các bước xây dựng mô hình học máy: thu thập, tiền xử lý, trích chọn đặc trưng, huấn luyện và đánh giá.
  • Các thuật toán phân lớp và dự đoán: Cây quyết định (Decision Tree), Mạng nơ-ron nhân tạo (ANN), Máy vector hỗ trợ (SVM), và Hệ suy diễn mờ neural thích nghi (ANFIS - Adaptive Neuro-Fuzzy Inference System).
  • Kiến trúc học sâu giải quyết bài toán phụ thuộc dài: Mạng nơ-ron hồi quy LSTM (Long Short-Term Memory) với phân tích các cổng (gate) và cơ chế cập nhật trạng thái ô (cell state).
  • Môi trường thực nghiệm trên ngôn ngữ Python.

Kiến thức nền tảng được xây dựng

Giáo trình thiết lập 3 khối kiến thức nền tảng có mối liên hệ logic chặt chẽ:

+-----------------------------------------------------------------------------------+
|                          3 KHỐI KIẾN THỨC NỀN TẢNG                                |
+-----------------------------------------------------------------------------------+
|  1. LÝ THUYẾT KHÔNG GIAN TRẠNG THÁI & TỐI ƯU HÓA RỜI RẠC                          |
|     - Mô hình toán tử: R : U -> U                                                 |
|     - Đánh giá heuristic: h(u) <= h*(u) (tính chấp nhận được)                     |
|     - Tối ưu hóa phỏng sinh học & luyện kim: GA, Simulated Annealing              |
+-----------------------------------------------------------------------------------+
|  2. HỆ THỐNG LOGIC HÌNH THỨC & LẬP LUẬN HỆ CHUYÊN GIA                             |
|     - Đại số mệnh đề và Logic vị từ cấp 1 (FOL)                                   |
|     - Thuật toán phân giải (Resolution) và động cơ suy diễn IF-THEN               |
+-----------------------------------------------------------------------------------+
|  3. KỸ THUẬT TÍNH TOÁN MỀM & MÔ HÌNH HỌC TỪ DỮ LIỆU                               |
|     - Mạng nơ-ron nhân tạo, SVM, Suy diễn mờ thích nghi (ANFIS)                   |
|     - Học sâu xử lý chuỗi: Cổng vào/quên/ra của mạng LSTM                         |
+-----------------------------------------------------------------------------------+

Kỹ năng phát triển

  • Kỹ năng kỹ thuật (Technical skills): Cài đặt các thuật toán tìm kiếm trên đồ thị; hiện thực hóa cấu trúc ngăn xếp và hàng đợi để quản lý tập OPEN và CLOSE; xây dựng mã giả và chương trình Python áp dụng các thư viện học máy.
  • Kỹ năng phân tích (Analytical skills): Phân tích không gian tìm kiếm, đánh giá độ phức tạp thuật toán qua nhân tố nhánh (branching factor) và độ sâu; chứng minh tính tối ưu và tính đầy đủ của thuật toán $A^*$; xây dựng hàm heuristic chấp nhận được ($h(u)$ đánh giá thấp) cho các bài toán tổ hợp.
  • Năng lực thực hành (Practical competencies): Mô hình hóa và giải quyết các bài toán cổ điển lẫn hiện đại: bài toán 8 số, bài toán tháp Hà Nội, bài toán người bán hàng (TSP), bài toán đong nước, bài toán phân rã tích phân bất định, và tối ưu hóa nước đi trên cây trò chơi đối kháng.

Phương pháp giảng dạy và học tập

Giáo trình áp dụng phương pháp sư phạm diễn dịch kết hợp minh họa quy nạp: mỗi thuật toán đều bắt đầu bằng cơ sở lý thuyết toán học, tiếp nối bằng mô tả thuật giải chuẩn dạng thủ tục (procedure), sau đó là các bảng chạy từng bước (trace table) trên các không gian dữ liệu cụ thể.

+-----------------------------------------------------------------------------------+
|                    QUY TRÌNH TIẾP CẬN SƯ PHẠM TRONG MỖI CHỦ ĐỀ                    |
+-----------------------------------------------------------------------------------+
| [1. Phát biểu lý thuyết] -> [2. Chuẩn hóa thuật giải] -> [3. Bảng vết & Minh họa] |
| (Định nghĩa toán học)       (Mã giả dạng Procedure)     (Bảng duyệt Open/Closed)  |
+-----------------------------------------------------------------------------------+

Hệ thống bài tập và Case Studies mẫu

Tài liệu sử dụng chuỗi bài toán mẫu xuyên suốt để người học so sánh hiệu năng giữa các giải thuật:

  • Bài toán đong nước (Bình 4L và 3L để lấy 2L): Xây dựng 8 luật toán tử chuyển đổi trạng thái $(x, y)$, theo dõi quá trình phát sinh trạng thái theo BFS và DFS qua bảng quản trị danh sách MO (OPEN) và DONG (CLOSED).
  • Bài toán 8 số (8-Puzzle): Minh họa việc xây dựng 2 hàm heuristic khác nhau: hàm $h_1(u)$ đếm số ô sai vị trí và hàm $h_2(u)$ tính tổng khoảng cách Manhattan của các ô về vị trí đích để so sánh hiệu quả định hướng tìm kiếm.
  • Bài toán Tháp Hà Nội ($n=3$): Biểu diễn trạng thái dưới dạng bộ ba có thứ tự $(x_1, x_2, x_3)$ và theo dõi diễn biến ngăn xếp tìm kiếm theo chiều sâu.
  • Bài toán Hành trình người bán hàng (TSP): Phân tích không gian $(n-1)!$ chu trình và phương pháp giới hạn nhánh.
  • Bài toán tính tích phân bất định $\int(x e^x + x^3)dx$: Minh họa phương pháp phân rã bài toán trên đồ thị VÀ/HOẶC thành các tích phân sơ cấp cơ bản.
  • Trò chơi Dodgen (bàn cờ 3x3 của Colin Vout): Minh họa cây trò chơi, thuật toán Minimax và phương pháp tỉa cành Alpha-Beta nhằm giảm số nút phải duyệt.
+-----------------------------------------------------------------------------------+
|                        HỆ THỐNG VÍ DỤ MINH HỌA TIÊU BIỂU                          |
+----------------------+-----------------------------+------------------------------+
| Tên bài toán         | Biểu diễn trạng thái        | Mục tiêu minh họa            |
+----------------------+-----------------------------+------------------------------+
| Đong nước (4L, 3L)   | Cặp số nguyên (x, y)        | Bảng vết DFS / BFS (8 luật)  |
| Trò chơi 8 số        | Ma trận 3x3                 | So sánh hàm Heuristic h1, h2 |
| Tháp Hà Nội (n đĩa)  | Bộ n-tuple (x1, x2, ..., xn)| Biểu diễn tối ưu không gian  |
| Người bán hàng (TSP) | Chu trình qua n đỉnh        | Cắt tỉa không gian (n-1)!    |
| Tích phân bất định   | Cây toán tử f1, f2          | Đồ thị VÀ/HOẶC               |
| Cờ Dodgen (3x3)      | Tọa độ quân Trắng/Đen       | Cây trò chơi, Minimax        |
+----------------------+-----------------------------+------------------------------+

Phương pháp đánh giá và hướng dẫn tự học

Cuối mỗi chương đều có mục "Câu hỏi, Bài tập" (Chương 1 trang 6; Chương 2 trang 48; Chương 3 trang 82; Chương 4 trang 116). Người học được định hướng tự học bằng cách:

  1. Viết lại mã giả thành code thực thi trên ngôn ngữ Python.
  2. Vẽ đồ thị không gian trạng thái và tự thiết lập bảng vết kiểm tra tính đúng đắn của thuật toán.
  3. So sánh kết quả đầu ra của các giải thuật cùng giải một bài toán (ví dụ: so sánh nghiệm và số bước lặp giữa BFS, DFS, $A^*$ và Nhánh-cận).

Điểm nổi bật và cập nhật

  • Tích hợp mô hình AI truyền thống và hiện đại: Giáo trình không dừng lại ở AI biểu tượng (Symbolic AI) như tìm kiếm trạng thái hay logic mệnh đề, mà tích hợp các cấu trúc mô hình dữ liệu hiện đại như ANFIS (Adaptive Neuro-Fuzzy Inference System) và mạng hồi quy cổng nhớ LSTM.
  • Cập nhật xu hướng công nghệ: Tài liệu hệ thống hóa những bước nhảy vọt của AI sau năm 2015 nhờ sự phát triển của điện toán đám mây, dữ liệu lớn và thuật toán học sâu lan truyền ngược (backpropagation).
  • Gắn kết ứng dụng thực tế và chuyên ngành GTVT: Đưa ra các phân tích ứng dụng cụ thể trong nhiều lĩnh vực công nghiệp:
+-----------------------------------------------------------------------------------+
|                  CÁC LĨNH VỰC ỨNG DỤNG ĐƯỢC PHÂN TÍCH TRONG GIÁO TRÌNH            |
+----------------------+------------------------------------------------------------+
| Lĩnh vực             | Ứng dụng cụ thể nêu trong văn bản                          |
+----------------------+------------------------------------------------------------+
| Giao thông vận tải   | Định tuyến thời gian thực, xe tự hành, chia sẻ chuyến đi   |
| Y tế                 | Hỗ trợ quyết định lâm sàng, robot phẫu thuật, dự đoán rủi ro|
| An ninh công cộng    | Camera giám sát thông minh, cảnh sát tiên đoán             |
| Xử lý tiếng nói/NLP  | Google Search, trợ lý ảo Siri, Google Translate, Chatbot   |
| Giải trí             | Thuật toán gợi ý nội dung người dùng, đồ họa thế giới ảo   |
+----------------------+------------------------------------------------------------+

Đối tượng sử dụng giáo trình

+-----------------------------------------------------------------------------------+
|                             ĐỐI TƯỢNG SỬ DỤNG                                     |
+------------------------------------+----------------------------------------------+
| Nhóm đối tượng                     | Mục đích sử dụng                             |
+------------------------------------+----------------------------------------------+
| Sinh viên CNTT / HTTT (Năm 2 - 3)  | Học phần cơ sở ngành bắt buộc                |
| Giảng viên đại học                 | Khung đề cương bài giảng và ngân hàng bài tập|
| Cán bộ kỹ thuật / Kỹ sư phần mềm   | Tài liệu tham khảo hệ thống hóa giải thuật AI|
+------------------------------------+----------------------------------------------+
  • Sinh viên đại học: Sinh viên năm thứ hai hoặc năm thứ ba chuyên ngành Hệ thống thông tin và Công nghệ thông tin tại Trường Đại học Công nghệ GTVT, cũng như sinh viên khối ngành kỹ thuật máy tính tại các trường đại học kỹ thuật.
  • Yêu cầu kiến thức tiên quyết (Prerequisites):
    • Toán rời rạc (Lý thuyết đồ thị, đại số logic).
    • Cấu trúc dữ liệu và giải thuật (Ngăn xếp, hàng đợi, danh sách liên kết, cây).
    • Giải tích cơ bản, Đại số tuyến tính và Xác suất thống kê.
    • Kỹ năng lập trình căn bản (ngôn ngữ Python hoặc C/C++).
  • Giảng viên: Sử dụng làm giáo trình giảng dạy chuẩn, làm căn cứ xây dựng đề cương chi tiết, thiết kế bài giảng lý thuyết và bài tập kiểm tra đánh giá.
  • Cán bộ kỹ thuật và người tự học: Dùng làm tài liệu tham khảo để hệ thống hóa lại các thuật toán tìm kiếm tối ưu, cơ chế suy diễn logic và cấu trúc học máy nền tảng.

Câu hỏi thường gặp (FAQ)

1. Giáo trình này phù hợp với đối tượng người học nào?

Giáo trình được biên soạn phục vụ trực tiếp cho sinh viên đại học ngành Hệ thống thông tin và Công nghệ thông tin của Trường Đại học Công nghệ GTVT. Ngoài ra, tài liệu phù hợp làm tài liệu học tập cho sinh viên các ngành kỹ thuật khác và các cán bộ kỹ thuật cần nghiên cứu cơ sở lý thuyết Trí tuệ nhân tạo.

2. Cần chuẩn bị những kiến thức nền tảng nào trước khi học?

Người học cần hoàn thành các môn học tiên quyết bao gồm: Toán rời rạc (đặc biệt là lý thuyết đồ thị và logic mệnh đề), Cấu trúc dữ liệu và Giải thuật (thao tác với ngăn xếp, hàng đợi, cây duyệt), Giải tích cơ bản và kỹ năng lập trình cơ bản (ưu tiên ngôn ngữ Python).

3. Điểm khác biệt của giáo trình này so với các tài liệu khác là gì?

Tài liệu cung cấp các bảng vết trạng thái (OPEN/CLOSED, MO/DONG) chi tiết cho từng bước lặp của thuật toán tìm kiếm; cân đối chặt chẽ giữa AI cổ điển (tìm kiếm không gian trạng thái, logic vị từ, luật sinh) với AI hiện đại (ANFIS, LSTM, ngôn ngữ Python); đồng thời tích hợp các phân tích ứng dụng thực tế trong lĩnh vực giao thông vận tải và hệ thống thông minh.

4. Làm thế nào để tự học giáo trình này đạt hiệu quả cao?

Người học nên kết hợp đọc lý thuyết với việc tự lập bảng vết các bài toán mẫu (8 số, đong nước, tháp Hà Nội, Minimax). Sau khi nắm vững cơ chế giải thuật, người học cần tự cài đặt mã giả (pseudocode) thành các chương trình chạy bằng ngôn ngữ Python và hoàn thiện toàn bộ câu hỏi, bài tập cuối mỗi chương.

5. Giáo trình có cung cấp công cụ hay tài liệu thực hành kèm theo không?

Giáo trình cung cấp các thuật toán dưới dạng mã giả chuẩn hóa (như Best_First_Search, Hill_Climbing_Search, A*, Branch_and_Bound, Genetic_Algorithm, Minimax), giới thiệu môi trường ngôn ngữ Python ở Chương 4 và hệ thống bài tập thực hành/ôn tập ở cuối 4 chương.

Kết luận

Giáo trình Nhập môn Trí tuệ nhân tạo (2023) của Trường Đại học Công nghệ GTVT cung cấp một khung chương trình học thuật chuẩn mực, bao quát toàn diện các trụ cột cốt lõi của ngành khoa học trí tuệ nhân tạo. Lộ trình tiếp cận được tổ chức khoa học:

$$\text{Tổng quan lịch sử & Khái niệm} \longrightarrow \text{Tìm kiếm không gian trạng thái} \longrightarrow \text{Biểu diễn tri thức & Logic} \longrightarrow \text{Học máy & Học sâu}$$

Giáo trình là tài liệu học tập cơ sở cho sinh viên ngành Công nghệ thông tin, Hệ thống thông tin, hỗ trợ quá trình nghiên cứu và phát triển các hệ thống tính toán thông minh.