1. Trí tuệ nhân tạo

Tổng hợp hàng trăm bài học tốt nhất về Machine Learing, NLP (xử lý ngôn ngữ tự nhiên) và Python

Khi ML đã có một lịch sử phong phú kể từ năm 1959, thì lĩnh vực này thực sự đang phát triển với một tốc độ chưa từng có. Trên thực tế, lĩnh vực trí tuệ nhân tạo không ngừng phát triển và hiện đang bùng nổ. Chính vì vậy mà những người quan tâm đến việc học ML có thể cảm thấy thực sự khó khăn để bắt đầu.

Sau khi tìm kiếm hơn 25 bài viết “cheat sheets” liên quan đến ML, tôi đã tạo một bài đăng và links tới tất cả những bài viết mà tôi cảm thấy là tốt nhất.

Để giúp cho những người khác trải qua quá trình khám phá tương tự, tôi đã lập những danh sách nội dung hướng dẫn tốt nhất mà tôi tìm thấy từ trước tới nay. Chắc chắn đó không phải là một danh sách đầy đủ tất cả những thứ liên quan đến ML trên website – vì theo tôi nếu có đầy đủ tất cả sẽ bị trùng lặp. Mục tiêu của tôi là liên kết bài hướng dẫn tốt nhất mà tôi tìm thấy dựa trên các chủ đề quan trọng trong ML và NLP.


Tôi đã chia bài đăng làm 04 phần: Machine Learning, NLP, Python Math. Tôi đã chỉ rõ những chủ đề trong mỗi phần. Nhưng với sự rộng lớn của tài liệu mà tôi khó lòng có thể bao gồm tất cả những chủ đề có thể có.


Nếu bạn biết một tutorial nào hay mà tôi còn thiếu, vui lòng hãy cho tôi biết. Tôi đang cố gắng giới hạn từng chủ đề trong năm hoặc sáu bài hướng dẫn. Mỗi liên kết cần phải có tài liệu khác nhau từ các liên kết khác hoặc hiển thị thông tin theo một cách khác để các bạn có thể học tập được tốt hơn. Và dưới đây là những bài học cụ thể cho mỗi phần.

1.   Machine Learning:

-        

Machine Learning is fun
(
bản tiếng Việt
)

-        Khóa học Machine Learning Crash: 

Part I
Part II
Part III
 (Machine Learning tại Berkeley)

-        

Giới thiệu lý thuyết về Machine Learning và ứng dụng của nó: Hướng dẫn trực quan qua các ví dụ
(
toptal.com
)

-        

Hướng dẫn cơ bản về Machine Learning
(
monkeylearn.com
)

-        

Tôi nên sử dụng thuật toán ML nào
? (
sas.com
)


2.    Activation và Loss Functions:

-        Hàm

sigmoid neurons
(
neuralnetworksanddeeplearning.com
)

-        

Vai trò của hàm Activation trong mạng neural network là gì?
(
quora.com
)

-        

Danh sách ưu và nhược điểm của hàm Activation trong mạng neural
(
stats.stackexchange.com
)

-        

Hàm Activation và các dạng của nó. Cái nào tốt hơn?
(
medium.com
)

-        

Making Sense of Logarithmic Loss
(exegetic. biz)

-        

Loss Functions
(Stanford CS231n)

-        

L1 vs. L2 Loss function
 (
rishy.github.io
)

-        

The cross-entropy cost function
 (
neuralnetworksanddeeplearning.com
)


3.   Bias:

-        

Vai trò của Bias trong Neural Networks
 (
stackoverflow.com
)

-        

Các nút Bias trong Neural Networks
 (
makeyourownneuralnetwork.blogspot.com
)

-        

Bias trong mạng neural nhân tạo là gì?
 (
quora.com
)


4.    Perceptron:

-        

Perceptrons
 (
neuralnetworksanddeeplearning.com
)

-        

The Perception
 (
natureofcode.com
)

-        

Single-layer Neural Networks (Perceptrons)
 (
dcu.ie
)

-        

Từ Perceptrons đến Deep Networks
 (
toptal.com
)


5.   Regression

-        

Giới thiệu về linear regression analysis
 (
duke.edu
)

-        

Linear Regression
 (
ufldl.stanford.edu
)

-        

Linear Regression
 (
readthedocs.io
)

-        

Logistic Regression
 (
readthedocs.io
)

-        

Simple Linear Regression Tutorial for Machine Learning
(
machinelearningmastery.com
)

-        

Logistic Regression Tutorial for Machine Learning
(
machinelearningmastery.com
)

-        

Softmax Regression
 (
ufldl.stanford.edu
)


6.    Gradient Descent

-        

Learning with gradient descent
 (
neuralnetworksanddeeplearning.com
)

-        

Gradient Descent
 (
iamtrask.github.io
)

-        

Làm thế nào để hiểu thuật toánGradient Descent
 (
kdnuggets.com
)

-        

Giới thiệu về thuật toán tối ưu gradient descent
(
sebastianruder.com
)

-        

Optimization: Stochastic Gradient Descent
 (Stanford CS231n)


7.     Generative Learning

-        

Generative Learning Algorithms
 (Stanford CS229)

-        

Thực hành ví dụ về phân loại Naive Bayes
 (
monkeylearn.com
)


8.    Support Vector Machines:

-        

Giới thiệu về Support Vector Machines (SVM)
 (
monkeylearn.com
)

-        

Support Vector Machines
 (Stanford CS229)

-        

Linear classification: Support Vector Machine, Softmax
 (Stanford 231n)


9.   Backpropgation

-        

Bạn cần phải hiểu về backprop
 (
medium.com/@karpathy
)

-        

Bạn có thể đưa ra lời giải thích trực quan cho thuật toán backpropagation cho mạng neural networks không?
 (
github.com/rasbt
)

-        

Làm thế nào để thuật toán backpropagation hoạt động
(
neuralnetworksanddeeplearning.com
)

-        

Backpropagation Through Time and Vanishing Gradients
 (
wildml.com
)

-        

Giới thiệu cơ bản về Backpropagation Through Time
(
machinelearningmastery.com
)

-        

Backpropagation, Intuitions
 (Stanford CS231n)


10.      Deep Learning

-        

Deep Learning in a Nutshell
 (
nikhilbuduma.com
)

-        

Bài hướng dẫn về Deep Learning
 (Quoc V. Le)

-        

Deep Learning là gì?
 (
machinelearningmastery.com
)

-        

Sự khác nhau giữa Artificial Intelligence, Machine Learning, and Deep Learning?
 (
nvidia.com
)


11.      Tối ưu và giảm chiều dữ liệu

-        

Bảy kỹ thuật để giảm chiều dữ liệu
 (
knime.org
)

-        

Phân tích thành phần chính
 (Stanford CS229)

-        

Dropout: Một cách đơn giản để cải thiện mạng neural networks
 (Hinton @ NIPS 2012)

-        

Làm sao để train Deep Neural Network của bạn
 (
rishy.github.io
)

Chắc hẳn những bài trên đã giúp ích cho bạn rất nhiều chứ? Tôi sẽ tiếp tục bổ sung những bài học tiếp theo vào lần sau nhé! Chúc các bạn học tốt!

Theo

Robbie Allen

Từ khóa: trí tuệ nhân tạo