Lộ trình tự học Machine Learning ra sao?
công nghệ thông tin
Chào bạn, Roadmap cho việc tự học Machine Learning như sau, bạn nên nắm những kiến thức nền tảng để rồi tự phát triển chuyên sâu nha.
Phần 1: Tại sao Machine Learning lại quan trọng. Bức tranh mô tả toàn cảnh về trí tuệ nhân tạo và machine learning – trong quá khứ, hiện tại và tương lai.
Phần 2: Supervised Learning
2.1: Supervised Learning ( Học có giám sát ). Học với câu trả lời rõ ràng.Giới thiệu linear regression, loss function ( hàm mất mát) , overfitting, và gradient descent.
2.2: Supervised Learning II. Hai cách thức phân loại : logistic regression và SVMs.
2.3: Supervised Learning III. Không tham số: k-nearest neighbors, decision trees, random forests. Giới thiệu cross-valdation, hyperparameter tuning và ensemble models.
Phần 3: Unsupervised Learning ( Học không giám sát ). Phân nhóm: k-means, hierarchical.
Giảm kích thước: principal components analysis ( PCA), singular value decomposition (SVD).
Phần 4: Neural Networks và Deep Learning. Tại sao, ở đâu và deep learning hoạt động như thế nào?. Lấy ý tưởng từ não bộ con người. Convolutional neural networks (CNNs), recurrent neural networks (RNNs). Các ứng dụng thực tế.
Phần 5: Reinforcement Learning ( Học củng cố). Khảo sát và khai thác. Markov decision processes. Q-learning, policy learning, và deep reinforcement learning. Giá trị của vấn đề learning.
Phan Khắc Tài
Chào bạn, Roadmap cho việc tự học Machine Learning như sau, bạn nên nắm những kiến thức nền tảng để rồi tự phát triển chuyên sâu nha.
Phần 1: Tại sao Machine Learning lại quan trọng. Bức tranh mô tả toàn cảnh về trí tuệ nhân tạo và machine learning – trong quá khứ, hiện tại và tương lai.
Phần 2: Supervised Learning
2.1: Supervised Learning ( Học có giám sát ). Học với câu trả lời rõ ràng.Giới thiệu linear regression, loss function ( hàm mất mát) , overfitting, và gradient descent.
2.2: Supervised Learning II. Hai cách thức phân loại : logistic regression và SVMs.
2.3: Supervised Learning III. Không tham số: k-nearest neighbors, decision trees, random forests. Giới thiệu cross-valdation, hyperparameter tuning và ensemble models.
Phần 3: Unsupervised Learning ( Học không giám sát ). Phân nhóm: k-means, hierarchical.
Giảm kích thước: principal components analysis ( PCA), singular value decomposition (SVD).
Phần 4: Neural Networks và Deep Learning. Tại sao, ở đâu và deep learning hoạt động như thế nào?. Lấy ý tưởng từ não bộ con người. Convolutional neural networks (CNNs), recurrent neural networks (RNNs). Các ứng dụng thực tế.
Phần 5: Reinforcement Learning ( Học củng cố). Khảo sát và khai thác. Markov decision processes. Q-learning, policy learning, và deep reinforcement learning. Giá trị của vấn đề learning.