intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Bài giảng Máy học nâng cao: Introduction - Trịnh Tấn Đạt (2024)

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:41

Thêm vào BST
Báo xấu
3
lượt xem 1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng "Máy học nâng cao: Introduction" cung cấp cho người đọc các nội dung: Giới thiệu môn học, các nội dung, tài liệu tham khảo, hình thức đánh giá, danh sách các đề tài, các vấn đề trong máy học, trao đổi và thảo luận. Mời các bạn cùng tham khảo nội dung chi tiết.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Bài giảng Máy học nâng cao: Introduction - Trịnh Tấn Đạt (2024)

  1. Trịnh Tấn Đạt Khoa CNTT – Đại Học Sài Gòn Email: trinhtandat@sgu.edu.vn Website: https://sites.google.com/site/ttdat88/ 1
  2. Nội dung  Giới thiệu môn học  Các nội dung  Tài liệu tham khảo  Hình thức đánh giá  Danh sách các đề tài  Các vấn đề trong máy học  Trao đổi và thảo luận 2
  3. Giới Thiệu Môn Học  Máy học nâng cao (Advanced Machine Learning)  3 tín chỉ  Môn bắt buộc  Mục tiêu:  Nâng cao kiến thức về máy học, cách thức hoạt động và khả năng ứng dụng của các thuật toán.  Cung cấp nền tảng tốt về suy luận thống kê và cấu trúc toán học cần thiết để phục vụ cho công việc nghiên cứu khoa học.  Kỹ năng thực hành, thiết kế mô phỏng thực nghiệm. 3
  4. Các Nội Dung  Giới thiệu Machine Learning và các vấn đề liên quan  Linear Regression/ Logistic Regression  Naïve Bayes Classifier  Neural Network  Giới thiêu về Deep Learning  Clustering  Giảm số chiều và lựa chọn đặc trưng  Support vector machine (SVM)  Ensemble Model 4
  5. Tài liệu tham khảo  Slide giảng viên cung cấp  Tom Mitchell, Marchine Learning, McGraw Hill, Second Edition.  C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.  Sebastian Raschka, Python Machine Learning, Packt Publishing Ltd., 2015  Các nguồn khác trên internet  Google  Kaggle  … 5
  6. Hình thức đánh giá  Chuyên cần: 10%  Điểm quá trình (báo cáo đề tài): 30%  Soạn slide bài giảng.  Thuyết trình giảng bài trước lớp. (30 phút đến 60 phút).  Chương trình demo mô phỏng phương pháp/thuật toán trình bày.  Thi cuối kỳ (đề mở - tự luận): 60% ❖ Điểm thưởng (+): phát biểu, giải bài tập, đặt câu hỏi cho nhóm thuyết trình, ... 6
  7. Danh sách chủ đề báo cáo ❖ Học viên đăng ký một trong số các đề tài sau đây: https://docs.google.com/spreadsheets/d/1d9sDDWzvDvFf_qAVCLnjAEcQjZkn1KJVyDQASJOj01Q/edit?u sp=sharing 1. K-Nearest Neighbors 2. Decision Tree 3. Density-based algorithms - Thuật toán DBSCAN 4. Spectral clustering 5. Convolutional Neural Network 6. Recurrent Neural Network: Long Short Term Memory (LSTM) 7. Gradient Boosting algorithms-XGBoost 8. Generative Adversarial Networks (GANs) 9. Regularization Algorithms 10. Probabilistic Graphical Models: Bayesian Networks 11. Probabilistic Principal Component Analysis 12. Rough set theory 13. Hidden Markov Model 14. Subspace Clustering 15. Sparse Representation 7
  8. Các Vấn Đề Trong Máy Học ❖ Máy học là gì?  From wikipedia - Máy học là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải quyết những vấn đề cụ thể  Tom Mitchell, giáo sư nổi tiếng của Đại học Carnegie Mellon University - CMU định nghĩa cụ thể và chuẩn mực hơn như sau: "" (máy đã học) Một chương trình máy tính (CT) được xem là học cách thực thi một lớp nhiệm vụ (NV) thông qua trải nghiệm (KN), đối với thang đo năng lực (NL) nếu như dùng NL ta đo thấy năng lực thực thi của chương trình có tiến bộ sau khi trải qua KN. 8
  9. Các Vấn Đề Trong Máy Học  Các ứng dụng : Object Detection 9
  10. Các Vấn Đề Trong Máy Học  Các ứng dụng: Biometric recognition – face, fingerprint, iris, gait, … 10
  11. Các Vấn Đề Trong Máy Học  Các ứng dụng: Text detector and OCR 11
  12. Các Vấn Đề Trong Máy Học  Các ứng dụng: Medical Image 12
  13. Các Vấn Đề Trong Máy Học  Các ứng dụng: Speech Recognition 13
  14. Các Vấn Đề Trong Máy Học  Các ứng dụng : Recommender system 14
  15. Các Vấn Đề Trong Máy Học  Các ứng dụng : Sentiment Analysis 15
  16. Các Vấn Đề Trong Máy Học  Các ứng dụng : Credit scoring 16
  17. Các Vấn Đề Trong Máy Học ❖ Tại sao cần máy học ?  Một vài lý do có thể cần tới máy học để giải quyết:  hard to code up a solution by hand (e.g. vision, speech)  system needs to adapt to a changing environment (e.g. spam detection)  want the system to perform better than the human programmers  privacy/fairness (e.g. ranking search results) 17
  18. Các Vấn Đề Trong Máy Học  Processing: - Input - Model - Output 18
  19. Các Vấn Đề Trong Máy Học  Phân loại các thuật toán: (phương pháp học)  Supervised learning (học có giám sát) : regression, classification, recognition  Unsupervised learning (học không giám sát): clustering, dimensional reduction, association  Semi-supervised learning (học bán giám sát): Self-training và Co-training  Reinforcement Learning (học Củng Cố): AlphaGo, OpenAI+Dota2 19
  20. Các Vấn Đề Trong Máy Học  Phân loại các thuật toán: (chức năng)  Regression Algorithms  Classification Algorithms  Bayesian Algorithms  Clustering Algorithms  Artificial Neural Network Algorithms  Dimensionality Reduction Algorithms  Ensemble Algorithms 20
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
17=>2