Trí tuệ nhân tạo nền tảng

Linear Regression.pdf

Slide bài giảng

3.1. Bài toán Grab.mp4

Giới thiệu bài toán Grab

3.2.1. Quá trình xây dựng mô hình.mp4

Quá trình xây dựng một mô hình 

[TF] 3.3.1. Hiển thị dữ liệu và lựa chọn mô hình.mp4

[TF] 3.3.2. Hàm giả thuyết.mp4

[PF] 3.3.3. Quá trình training.mp4

[TF] 3.3.4. Cực tiểu hàm mất mát.mp4

Mô hình hồi quy tuyến tính

[TF] 3.4.1. Gradient Descent phần 1.mp4

[TF] 3.4.2. Chứng minh Gradient Descent.mp4

[TF] 3.4.3. Tốc độ học.mp4

[TF] 3.4.4. Tính đạo hàm Gradient Descent.mp4

Đạo hàm của hàm mất mát với theta 0

Thuật toán Gradient Descent

[TF] 3.5.1. Chuẩn bị lập trình hồi quy tuyến tính.mp4

[TF] 3.5.2. Công thức này là công thức gì?

[TF] 3.5.3. Lập trình hàm mất mát

[TF] 3.5.4. Lập trình tính Gradient và training.mp4

Lập trình hồi quy tuyến tính một biến

[TF] 3.6.1. Normal Equation.mp4

Normal Equation

[TF] 3.7.1. MSE vs MAE.mp4

So sánh MSE và MAE

<ul><li>Giới thiệu bài toán Grab</li><li>Quá trình xây dựng một mô hình</li><li>Mô hình hồi quy tuyến tính</li><li>Thuật toán Gradient Descent</li><li>Lập trình hồi quy tuyến tính một biến</li></ul>

Khai giảng

Giới thiệu học giám sát, không giám sát và học tăng cường.




Giới thiệu học máy/học sâu

<ul><li>Chữa bài hồi quy tuyến tính</li><li>Hồi quy tuyến tính với Tensorflow</li></ul>

Chữa bài hồi quy tuyến tính - Hồi quy tuyến tính với Tensorflow

<ul><li>Bộ dữ liệu giá nhà</li><li>Phân tích dữ liệu và các vấn đề sẽ gặp khi xử lý dữ liệu</li><li>Hồi quy tuyến tính trên bộ dữ liệu này</li></ul>

Mô hình hồi quy tuyến tính với dữ liệu nhiều cột

<ul><li>Tại sao chúng ta không dùng Gradient Descent </li><li>Stochastic Gradient Descent</li><li>Lập trình SGD với bài toán Grab</li><li>Nâng cao - Khả năng hội tụ của SGD</li></ul>

Stochastic Gradient Descent - SGD

<ul><li>Ôn tập SGD</li><li>Hiện tượng Overfitting</li></ul>

Ôn tập SGD + Hiện tượng Overfitting

<ul><li>Bài toán phân loại nhị phân</li><li>Bài toán phát hiện rủi ro</li><li>Mô hình hồi quy Logistic theo chiều thuận</li></ul>

Bài toán phân loại nhị phân

<ul><li>Chữa bài phân loại nhị phân</li><li>Thực hành với Tensorflow</li><li>Các chỉ số TP, TN, FP, FN</li><li>Chỉ số Precision, Recall</li><li>Chỉ số F1</li></ul>

Chữa bài mô hình phân loại + Đánh giá chất lượng mô hình 

<ul><li>Softmax Regression</li><li>Chứng minh công thức Categorical cross entropy</li></ul>

Bài toán phân loại nhiều lớp

<ul><li>Ôn tập Softmax</li><li>Trao đổi việc training hiệu quả</li></ul>

Ôn tập bài toán phân loại nhiều lớp

<ul><li>Giới thiệu mạng nơ ron</li><li>Diễn giải lớp ẩn, nơ ron</li><li>Hàm tuyến tính, phi tuyến</li><li>Các vấn đề hay gặp khi đào tạo mạng nơ ron</li></ul>

Mạng nơ ron (Neural Network)

<ul><li>Mô phỏng mạng nơ ron</li><li>Ý tưởng thuật toán lan truyền ngược</li><li>Chứng minh lan truyền ngược trên một tham số</li></ul>

Thuật toán lan truyền ngược

<ul><li>Ôn tập mạng nơ ron</li><li>Các kỹ thuật training hiệu quả</li></ul>

Ôn tập Mạng nơ ron - Các kỹ thuật training hiệu quả

<ul><li>Tối ưu lồi</li><li>Vấn đề của SGD</li><li>SGD với quán tính</li><li>AdaGrad</li><li>AdaDelta và RMSProp</li></ul>

Các thuật toán Training

Ôn tập các thuật toán đào tạo mô hình

<ul><li>Giới thiệu về hình ảnh, cấu trúc của hình ảnh</li><li>Giới thiệu về Filter, một số filter cơ bản để xử lý ảnh</li><li>Cấu trúc mô hình CNN, các đặc điểm vượt trội so với mạng Neural Network.</li></ul>

Mạng tích chập - Convolutional neural network

<ul><li>Transfer learning</li><li>Cấu trúc ResNet và InceptionNet</li></ul>

Transfer Learning và ResNet và InceptionNet

Ôn tập mạng CNN - Hướng dẫn đọc Paper

<ul><li>Giới thiệu xử lý ngôn ngữ tự nhiên</li><li>Word2vec</li></ul>

Xử lý ngôn ngữ tự nhiên - Word2Vec

<ul><li>Mô hình ngôn ngữ</li><li>SimpleRNN</li><li>LSTM</li></ul>

Mô hình ngôn ngữ + RNN 

Ôn tập NLP

Deep RNN

<ul><li>Giới thiệu Timeseries </li><li>Xây dựng bộ dữ liệu đơn giản</li><li>Xây dựng mô hình dự đoán với mạng nơ ron</li></ul>

Timeseries cơ bản

<ul><li>Xử lý timeseries trong thực tế</li><li>Bí kíp thi bài 5 trong đề thi Tensorflow</li></ul>

Mô hình hồi quy tuyến tính

1. Slide bài giảng

1.1. Linear Regression.pdf

2. Giới thiệu bài toán Grab

2.1. 3.1. Bài toán Grab.mp4

3. Quá trình xây dựng một mô hình

3.1. 3.2.1. Quá trình xây dựng mô hình.mp4

4. Mô hình hồi quy tuyến tính

4.1. [TF] 3.3.1. Hiển thị dữ liệu và lựa chọn mô hình.mp4

4.2. [TF] 3.3.2. Hàm giả thuyết.mp4

4.3. [PF] 3.3.3. Quá trình training.mp4

4.4. [TF] 3.3.4. Cực tiểu hàm mất mát.mp4

5. Thuật toán Gradient Descent

5.1. [TF] 3.4.1. Gradient Descent phần 1.mp4

5.2. [TF] 3.4.2. Chứng minh Gradient Descent.mp4

5.3. [TF] 3.4.3. Tốc độ học.mp4

5.4. [TF] 3.4.4. Tính đạo hàm Gradient Descent.mp4

5.5. Đạo hàm của hàm mất mát với theta 0

6. Lập trình hồi quy tuyến tính một biến

6.1. [TF] 3.5.1. Chuẩn bị lập trình hồi quy tuyến tính.mp4

6.2. [TF] 3.5.2. Công thức này là công thức gì?

6.3. [TF] 3.5.3. Lập trình hàm mất mát

6.4. [TF] 3.5.4. Lập trình tính Gradient và training.mp4

7. Normal Equation

7.1. [TF] 3.6.1. Normal Equation.mp4

8. So sánh MSE và MAE

8.1. [TF] 3.7.1. MSE vs MAE.mp4