Gone with the wind...

3. Học không giám sát (Unsupervised Learning) Phân nhóm và giảm chiều: phân nhóm theo k trung bình, phân nhóm theo cấu trúc, phân tích thành phần chính, SVD. Làm thế nào bạn tìm được cấu trúc bên dưới một tập dữ liệu? Bạn tổng hợp và nhóm nó thế nào để hiệu quả nhất? Làm sao bạn biểu diễn dữ liệu dưới dạng nén một cách hiệu quả? Đó là những mục tiêu của học không giám sát, gọi là “không giám sát” vì bạn bắt đầu với dữ liệu không được gán nhãn (không có Y). Có 2 loại học không giám sát chúng ta sẽ khám phá, chúng đều phân dữ liệu thành các nhóm dựa theo sự tương đồng và giảm chiều để nén dữ liệu trong khi vẫn duy trì được cấu trúc và tính hữu dụng của nó. Ví dụ về chỗ các phương pháp học không giám sát có thể hữu ích: -           Nền tảng quảng cáo phân đoạn dân số Mỹ thành các nhóm nhỏ hơn dựa trên nhân khẩu học tương đồng và thói quen mua sắm, nhờ đó các nhà quảng cáo có thể đạt được mục tiêu thị trường bằng các quảng ...

Phần 2: Học có giám sát (Supervised Learning) Hai loại học có giám sát: hồi qui và phân loại. Hồi qui tuyến tính, các hàm lỗ, và đạo hàm giảm. Chúng ta sẽ xài bao nhiêu đô la cho quảng cáo kỹ thuật số? Khoản nợ này có hoàn lại hay không? Chuyện gì sẽ xảy ra với thị trường chứng khoán ngày mai? Trong các bài toán học có giám sát, chúng ta sẽ bắt đầu với tập dữ liệu chứa các ví dụ dạy học bằng các nhãn đúng đi kèm. Ví dụ, khi học phân loại các chữ số viết tay, một giải thuật học có giám sát sẽ lấy hàng ngàn bức ảnh về các chữ số viết tay có nhãn chứa các số đúng mà mỗi ảnh biểu diễn. Sau đó thuật toán sẽ học được mối quan hệ giữa các bức ảnh và các số gắn ở nhãn đi kèm, rồi áp dụng mối quan hệ học được vào phân loại các ảnh mới hoàn toàn (không có nhãn) mà máy chưa từng nhìn thấy trước đó. Đó là cách bạn có thể thanh toán một hóa đơn chỉ bằng cách dùng điện thoại chụp ảnh! Để minh họa cách học có giám sát làm việc thế nào, hãy xem bài toán dự đoán thu nhập hàng năm d...