Nền tảng của Trí tuệ Nhân tạo (AI) và Học máy Khóa Học Đào Tạo

Giới thiệu về Học máy ứng dụng

• Học thống kê so với Học máy
• Lặp lại và đánh giá
• Sự đánh đổi giữa Thiên kiến (Bias) và Phương sai (Variance)
• Học có giám sát so với Học không giám sát
• Các vấn đề được giải quyết bằng Học máy
• Huấn luyện - Xác thực - Kiểm thử – Quy trình làm việc của ML để tránh quá khớp (overfitting)
• Quy trình làm việc của Học máy
• Các thuật toán học máy
• Lựa chọn thuật toán phù hợp cho vấn đề

Đánh giá thuật toán

• Đánh giá các dự đoán số
  • Các thước đo độ chính xác: ME, MSE, RMSE, MAPE
  • Sự ổn định của tham số và dự đoán
• Đánh giá các thuật toán phân loại
  • Độ chính xác và các vấn đề của nó
  • Ma trận nhầm lẫn (Confusion matrix)
  • Vấn đề lớp mất cân bằng
• Trực quan hóa hiệu suất mô hình
  • Đường cong lợi nhuận (Profit curve)
  • Đường cong ROC
  • Đường cong Lift
• Lựa chọn mô hình
• Điều chỉnh mô hình – Chiến lược tìm kiếm lưới (grid search)

Chuẩn bị dữ liệu cho Mô hình hóa

• Nhập và lưu trữ dữ liệu
• Hiểu dữ liệu – Khám phá cơ bản
• Thao tác dữ liệu với thư viện pandas
• Biến đổi dữ liệu – Dọn dẹp dữ liệu (Data wrangling)
• Phân tích khám phá
• Quan sát thiếu sót – Phát hiện và giải pháp
• Điểm ngoại lai (Outliers) – Phát hiện và chiến lược
• Chuẩn hóa, chuẩn quy mô (normalization), nhị phân hóa (binarization)
• Mã hóa lại dữ liệu định tính

Các thuật toán học máy để phát hiện Điểm ngoại lai

• Các thuật toán có giám sát
  • KNN
  • Tăng cường gradient tập hợp (Ensemble Gradient Boosting)
  • SVM
• Các thuật toán không giám sát
  • Dựa trên khoảng cách
  • Các phương pháp dựa trên mật độ
  • Các phương pháp xác suất
  • Các phương pháp dựa trên mô hình

Hiểu về Học sâu

• Tổng quan về các Khái niệm Cơ bản của Học sâu
• Phân biệt giữa Học máy và Học sâu
• Tổng quan về các Ứng dụng của Học sâu

Tổng quan về Mạng nơ-ron

• Mạng nơ-ron là gì
• Mạng nơ-ron so với Mô hình hồi quy
• Hiểu về Nền tảng Toán học và Cơ chế Học tập
• Xây dựng một Mạng nơ-ron Nhân tạo
• Hiểu về các Nút nơ-ron và Kết nối
• Làm việc với Nơ-ron, Tầng và Dữ liệu Đầu vào/Đầu ra
• Hiểu về Perceptron một lớp
• Sự khác biệt giữa Học có giám sát và Học không giám sát
• Học về Mạng nơ-ron lan truyền phía trước (Feedforward) và phản hồi (Feedback)
• Hiểu về Lan truyền phía trước (Forward Propagation) và Lan truyền ngược (Back Propagation)

Xây dựng các Mô hình Học sâu đơn giản với Keras

• Tạo một Mô hình Keras
• Hiểu Dữ liệu của bạn
• Chỉ định Mô hình Học sâu của bạn
• Biên dịch Mô hình của bạn
• Phù hợp (Fitting) Mô hình của bạn
• Làm việc với Dữ liệu Phân loại của bạn
• Làm việc với các Mô hình Phân loại
• Sử dụng Mô hình của bạn

Làm việc với TensorFlow cho Học sâu

• Chuẩn bị Dữ liệu
  • Tải xuống Dữ liệu
  • Chuẩn bị Dữ liệu Huấn luyện
  • Chuẩn bị Dữ liệu Kiểm thử
  • Quy mô hóa Đầu vào
  • Sử dụng Placeholder và Biến
• Chỉ định Kiến trúc Mạng
• Sử dụng Hàm Chi phí (Cost Function)
• Sử dụng Bộ tối ưu hóa (Optimizer)
• Sử dụng Các bộ khởi tạo (Initializers)
• Phù hợp Mạng nơ-ron
• Xây dựng Đồ thị (Graph)
  • Suy luận (Inference)
  • Tổn thất (Loss)
  • Huấn luyện (Training)
• Huấn luyện Mô hình
  • Đồ thị (The Graph)
  • Phiên (The Session)
  • Vòng lặp huấn luyện (Train Loop)
• Đánh giá Mô hình
  • Xây dựng Đồ thị Đánh giá (Building the Eval Graph)
  • Đánh giá với Đầu ra Đánh giá (Evaluating with Eval Output)
• Huấn luyện Mô hình ở Quy mô lớn
• Trực quan hóa và Đánh giá Mô hình với TensorBoard

Ứng dụng của Học sâu trong Phát hiện Bất thường

• Autoencoder
  • Kiến trúc Encoder - Decoder
  • Tổn thất tái tạo (Reconstruction loss)
• Biến thể Autoencoder (Variational Autoencoder)
  • Suy luận biến thiên (Variational inference)
• Mạng Đối kháng Sinh thành (Generative Adversarial Network)
  • Kiến trúc Máy phát (Generator) – Máy phân biệt (Discriminator)
  • Các tiếp cận đến Phát hiện Bất thường (AN) sử dụng GAN

Các Khung làm việc Tập hợp (Ensemble Frameworks)

• Kết hợp kết quả từ các phương pháp khác nhau
• Tự động hóa.bootstrap (Bootstrap Aggregating)
• Trung bình điểm số ngoại lai (Averaging outlier score)