Thứ Sáu, Tháng Tư 19, 2024
Facebook Instagram Linkedin Mail Pinterest Twitter Youtube

MIỄN PHÍ 100% | Series tự học Machine Learning từ cơ bản tới nâng cao (cập nhật liên tục...)

Máy học(ML) là lĩnh vực nghiên cứu cung cấp cho máy tính khả năng học mà không cần được lập trình rõ ràng. ML là một trong những công nghệ thú vị nhất mà người ta từng có. Như đã thấy rõ ngay từ cái tên, nó mang lại cho chiếc máy tính giống với con người hơn: Khả năng học hỏi. ML đang được sử dụng tích cực ngày nay, có lẽ ở nhiều nơi hơn chúng ta mong đợi.

Trong series bao gồm:

  • Sách và tài liệu học Machine learning(Máy học)/ Artificial Intelligence(Trí tuệ nhân tạo)
  • Lộ trình học Machine learning từ cơ bản tới nâng cao
  • Bài tập với đầy đủ bài giải chi tiết(Đang cập nhật..)
👉 Giới thiệu mọi thức về Cafedev tại đây
Phần mở đầu Sách và tài liệu
0.0 Kho sách Machine learning(ML), AI(Artificial Intelligence)
0.1 Nơi đăng ký nhận ebook lập trình, ebook công nghệ thông tin tại đây
0.2 Video học ML(Đang cập nhật...)
 
Phần 1 Giới thiệu về Machine Learning
1.0 Bài đầu tiên học về Machine Learning(Máy học)
1.1 Giới thiệu về Machine Learning(Máy học) cực chi tiết
1.2 Machine Learning là gì?
1.3 Giới thiệu về Dữ liệu trong ML
1.4 Hiểu rõ hơn về ML trong thực tế hiện nay, Vì sao nó hot
1.5 Các ứng dụng của Machine Learning trong thực tế
1.6 Tổng hợp Thư viện Python tốt nhất cho ML(Machine Learning)
1.7 Tìm hiểu chi tiết về AI(Artificial Intelligence)
1.8 Sự khác biệt giữa ML và Trí tuệ nhân tạo
 
Phần 2 Dữ liệu và quá trình xử lý nó
2.0 Giới thiệu về Dữ liệu trong ML
2.1 Hiểu về xử lý dữ liệu trong ML
2.2 Tạo bộ dữ liệu thử nghiệm bằng Sklearn
2.3 Tạo bộ dữ liệu kiểm tra cho ML bằng Numpy, Pandas, Matplotlib
2.4 Tiền xử lý dữ liệu cho ML bằng Python
2.5 Làm sạch dữ liệu trong ML
2.6 Mở rộng đặc tính trong ML - Phần 1
2.7 Mở rộng đặc tính trong ML - Phần 2
2.8 Mã hóa nhãn(Label) của tập dữ liệu bằng Python
2.9 Mã hóa One Hot tập dữ liệu phổ biến(số...) trong Python
 
Phần 3 Machine learning và học tập có giám sát
3.0 Bắt đầu với Phân loại trong ML
3.1 Khái niệm cơ bản về phân loại (Khai thác dữ liệu)
3.2 Các loại kỹ thuật hồi quy(Regression)
3.3 So sánh Phân loại với hồi quy
3.4 Các hình thức học tập của ML - Học tập có giám sát
3.5 Phân loại đa lớp bằng scikit-learning
 
Phần 3.6 Thuật toán Gradient Descent(Xuống dốc)
3.6.0 Thuật toán Gradient Descent và các biến thể của nó
3.6.1 Stochastic Gradient Descent (SGD)
3.6.2 Gradient Descent Mini-Batch với Python
3.6.3 Các kỹ thuật tối ưu hóa cho Gradient Descent
3.6.4 Giới thiệu Trình tối ưu hóa Gradient dựa trên Momentum
 
Phần 3.7 Hồi quy tuyến tính(Linear Regression)
3.7.0 Gradient Descent trong hồi quy tuyến tính
3.7.1 Giải thích toán học cho hoạt động của Hồi quy tuyến tính
3.7.2 Phương trình chuẩn trong hồi quy tuyến tính
3.7.3 Hồi quy tuyến tính (Triển khai trên Python)
3.7.4 Hồi quy tuyến tính đơn biến trong Python
3.7.5 Hồi quy nhiều tuyến tính bằng Python
3.7.6 Hồi quy tuyến tính có trọng số cục bộ
3.7.7 Hồi quy tuyến tính sử dụng sklearn
3.7.8 Hồi quy tuyến tính sử dụng Tensorflow
3.8 Thực hiện hồi quy đa thức
3.9 Hồi quy Softmax sử dụng TensorFlow
 
Phần 3.10 Hồi quy logistic
3.10.0 Hiểu về hồi quy logistic
3.10.1 Tại sao phải phân loại lại logistic?
3.10.2 Hồi quy logistic sử dụng Python
3.10.3 Chi phí của Hàm trong hồi quy logistic
3.10.4 Hồi quy logistic sử dụng Tensorflow
3.11 Bộ phân loại Naive Bayes
 
Phần 3.12 Hỗ trợ Vector(Support Vector)
3.12.0 Phân loại dữ liệu bằng Máy vectơ hỗ trợ (SVM) trong Python
3.12.1 Điều chỉnh siêu tham số SVM bằng GridSearchCV
 
Phần 3.13 Cây quyết định(Decision Tree)
3.13.0 Cây quyết định
3.13.1 Hồi quy cây quyết định sử dụng sklearn
3.13.2 Triển khai cây quyết định bằng Python
 
Phần 3.14 Rừng ngẫu nhiên(Random Forest)
3.14.0 Hồi quy rừng ngẫu nhiên bằng Python
 
Phần 4 Học tập không giám sát(Unsupervised learning)
4.0 Các hình thức học tập trong ML | Học không giám sát - Phần 2
4.1 Học tập có giám sát và không giám sát
4.2 Phân cụm trong ML
4.3 Các loại thuật toán phân cụm khác nhau
4.4 K means Phân cụm - Phần Giới thiệu
4.5 Phương pháp Elbow cho giá trị tối ưu của k trong KMeans
4.6 Thuật toán K-mean ++
4.7 Phân tích dữ liệu thử nghiệm bằng K-Means Clustering trong Python
4.8 Thuật toán phân cụm K-mean Mini Batch
 
Phần 5 Học tăng cường - Học thêm (Reinforcement Learning)
5.0 Giới thiệu về Học tăng cường
5.1 Thuật toán học củng cố: Triển khai Python bằng Q-learning
5.2 Giới thiệu về Lấy mẫu Thompson | Học tăng cường
5.3 Thuật toán di truyền để học củng cố(học tăng cường): Triển khai Python
5.4 Q-Learning bằng Python

Các bài viết liên quan

BÀI VIẾT TIÊU BIỂU

BÀI VIẾT PHỔ BIẾN

MỤC XEM NHIỀU

© Copyright 2024 Cafedev. All rights reserved.