Gone with the wind...

Những người sáng lập ra Harry’s Razors, gồm Jeff Raider và Andy Katz-Mayfield, còn được giới truyền thông Đức gọi là “những tay cao bồi internet của nước Mỹ” sau vụ mua lại nhà máy sản xuất dao cạo trị giá $100 triệu đô ở Eisfeld, Đức. Bạn có lẽ sẽ tự hỏi… tại sao lại có người muốn dùng tiền kiểu này đổ vào một nhà máy dao cạo? Những người sáng lập Harry’s Razors chính là kiểu này. Jeff và Andy đã thiêu cháy thế giới thương mại điện tử sau khi quyết định ném cả tấn tiền vào các thương hiệu cạo râu lớn và đắt đỏ như Gillete và Schick. Sự thất bại của họ cuối cùng đã có thể giúp họ tạo ra một lực lượng yêu thích toàn cầu trên thương mại điện tử dành cho Harry’s Razors – một startup chỉ trong năm 2015 đã có giá $750 triệu và từ đó trở đi chỉ có tăng. Harry’s   - cùng với các nhãn hàng như Bonobos, Trunk Club và Zappos (gần đây đã bị Amazon mua lại) – chỉ là một vài siêu sao có trách nhiệm chứng minh với cả thế giới rằng thương mại điện tử không chỉ thức thời mà lợi nhuận c...

5. Học tăng cường (Reinforcement Learning) Thăm dò và khai thác. Qui trình ra quyết định Markov. Học theo mô hình Q, học theo qui tắc, và học sâu tăng cường. “Tôi chỉ ăn một ít sôcôla để hoàn thành phần cuối này.” Trong học có giám sát, dữ liệu đào tạo đi theo một từ khóa trả lời từ đối tượng giống như “người giám sát”. Giá mà cuộc sống chỉ làm việc theo cách đó! Trong học tăng cường (reinforcement learning – RL), không có từ khóa trả lời, nhưng agent học tăng cường của bạn vẫn phải quyết định cách vận hành tác vụ của nó. Khi vắng mặt dữ liệu đào tạo, agent sẽ học từ kinh nghiệm. Nó tập hợp các ví dụ đào tạo (“hành vi này tốt, hành vi kia xấu”) thông qua thử và sai khi cố gắng hoàn thành nhiệm vụ, với mục tiêu tối đa hóa lợi ích trong dài hạn. Trong phần cuối này, chúng ta sẽ khám phá: -           Đánh đổi thăm dò/khai thác -           Qui trình ra quyết định Markov (Mark...

4. Các mạng neuron & Học sâu (Deep Learning) Các mạng neuron hoạt động ở đâu, tại sao, và sâu đến mức nào. Mô phỏng lấy cảm hứng từ bộ não. Các mạng neuron xoắn (CNN) và các mạng neuron tái phát (RNN), các ứng dụng thế giới thực. Với học sâu, chúng ta sẽ vẫn học một hàm f liên kết đầu vào X với đầu ra Y với sai số tối thiểu trên dữ liệu kiểm thử, giống như chúng ta đã làm ở các phần trước. Hãy nhớ “phát biểu bài toán” ban đầu của chúng ta từ phần 2.1 về học có giám sát: Y = f(X) + ϵ Đào tạo: máy học f từ dữ liệu đào tạo đã gán nhãn Kiểm thử: máy tiên đoán Y từ dữ liệu kiểm thử chưa gán nhãn Thế giới thực rất hỗn độn, vì thế đôi khi f rất phức tạp. Trong các bài toán về ngôn ngữ tự nhiên, kích cỡ từ vựng lớn có nghĩa là nhiều đặc điểm. Các bài toán về thị giác thường chứa nhiều thông tin thị giác về các pixel. Tham gia trò chơi đòi hỏi ra quyết định dựa trên các ngữ cảnh phức tạp với nhiều khả năng có thể xảy ra trong tương lai. Các kỹ thuật máy học mà chúng...