Machine Learning, Deep Learning cho người bắt đầu

Bạn đang xem những phần đầu tiên của chuỗi bài viết Machine Learning, Deep Learning cho người bắt đầu! Hy vọng qua lộ trình này bạn sẽ nắm chắc được công nghệ này từ cơ bản đến nâng cao, xây dựng Machine Learning model từ python thuần cho đến các thư viện cao cấp như TensorFlow hay Keras.

Series này mình sẽ triển khai cụ thể các kiến thức toán học cần thiết, khung sườn nội dung được sự cho phép của tác giả Ngoc Nguyen Ba từ tài khoản Github - Hiện đang là Founder và Community Manager của GDG Hanoi

Lộ trình này bao gồm:

• Kiến thức toán học cần thiết
• Kỹ năng lập trình Python
• Thư viện Numpy và TensorFlow
• Bài toán hồi quy (Regression)
• Bài toán phân loại (Classification)
• Xây dựng mô hình Decision Trees và Random Forests
• Xây dựng mạng Neural Network
• Xây dựng mạng Convolutional Neural Network (CNN)
• Xây dựng mạng Recurrent Neural Network (RNN)
• Triển khai (Deploy) Machine Learning Model trên Production

1. Kiến thức toán học cần thiết

a. Đại số tuyến tính

Nếu bạn có nhiều thời gian có thể tham khảo Series về đại số tuyến tính này link youtube (MIT 18.06 Linear Algebra). Tuy nhiên với bản thân mình cũng như nhiều bạn thì không có thời gian (mình cũng không đủ kiên trì nữa (yaoming)) thì mình xin tổng hợp lại những kiến thức chính mà các bạn nên nắm bẳt sau:

• Scalar/Vector
• Ma trận (Matrix)
• Chuyển vị ma trận
• Norm Vector
• Tensor
• Các phép toán với ma trận: Phép cộng ma trận, Phép nhân ma trận, Tích Hadamard/Element-Wise
• Ma trận đơn vị
• Ma trận nghịch đảo

b. Đạo hàm

Xin giới thiệu với các bạn series kinh điển để nhắc lại kiến thức đạo hàm. Essence of calculus - 3Blue1Brown

c. Lý thuyết xác suất

Phần này các bạn cần chú ý các khái niệm cơ bản:

• Xác suất sử dụng không gian mẫu
• Tiên đề xác suất
• Các loại xác suất
• Biến ngẫu nhiên và phân phối xác suất

2. Kỹ năng lập trình Python

Tại sao lại là Python?

Python là ngôn ngữ được dùng nhiều nhất để làm Machine Learning vì tính đơn giản gọn nhẹ của nó. Nhưng để đưa vào Production thì mình nghĩ Javascript cũng là một lựa chọn không tồi. Mình sẽ chia sẻ về Machine Learning với Javascript trong các phần tiếp theo.

a. Cài đặt Python và các thư viện cần thiết:

Các bạn chú ý cài đặt đầy đủ các thư viện

• Python
• Pip
• Jupyter Notebook

b. Tính chất đặc điểm

Python là ngôn ngữ thông dịch có:

• Điểm mạnh:

  • Dễ viết/ Dễ đọc
  • Quy trình phát triển phần mềm nhanh vì dòng lệnh được thông dịch thành mã máy và thực thi ngay lập tức
  • Có nhiều thư viện mạnh để tính toán cũng như làm Machine Learning như Numpy, Sympy, Scipy, Matplotlib, Pandas, TensorFlow, Keras, vv.

• Điểm yếu:

  • Mang đầy đủ điểm yếu của các ngôn ngữ thông dịch như tốc độ chậm, tiềm tàng lỗi trong quá trình thông dịch, source code dễ dàng bị dịch ngược.
  • Ngôn ngữ có tính linh hoạt cao nên thiếu tính chặt chẽ.

c. Các hàm dựng sẵn và kiểu dữ liệu trên Python

Các hàm dựng sãn trong Python

Nếu muốn biết hàm này cụ thể làm gì, có đối số nào, bạn chỉ cần nhập lệnh:

print(ten_ham.__doc__)

Python sẽ giải thích khá đầy đủ về hàm, bạn có thể đọc và làm vài ví dụ để hiểu hàm đó.

Các kiểu dữ liệu trong Python

Kiểu dữ liệu cơ bản

• Kiểu int: Kiểu số nguyên (không có chứa dấu chấm thập phân), có thể lưu các số nguyên âm và dương.

  • Ví dụ: 113, -114

• Kiểu float: Kiểu số thực (có chứa dấu chấm thập phân),

  • ví dụ: 5.2, -7.3

• Kiểu complex: Kiểu số phức,

  • ví dụ 1: z = 2+3j thì 2 là phần thực, 3 là phần ảo (j là từ khóa để đánh dấu phần ảo)
  • ví dụ 2: z=complex(2,3) thì 2 là phần thực, 3 là phần ảo
  • Khi xuất kết quả ta có thể xuất:
  • print(“Phần thực= “,z.real) ==>Phần thực= 2
  • print(“Phần ảo= “,z.imag) ==> Phần ảo= 3

• Kiểu str: Kiểu chuỗi, để trong nháy đôi hoặc nháy đơn

  • Ví dụ: “Obama”, ‘Putin’

• Kiểu bool: Kiểu luận lý, để lưu True hoặc False

  • Ví dụ 1: t1=True
  • Ví dụ 2: t2=False

Đọc tiếp tại đây bạn nhé