Học máy thành thạo từ những điều cơ bản

Lý thuyết và thực hành là hai chuyện khác nhau. Những gì bạn học được trên lý thuyết thường không áp dụng tốt vào tình huống thực tế.

H. Tôi có cần nhiều kiến thức toán học để tham gia khóa học này không?

Yêu cầu có bằng thống kê ở trình độ đại học, nhưng không yêu cầu kiến thức trước.

H. Tôi có cần biết cách sử dụng R không?

Có, khóa học được tiến hành dựa trên giả định rằng bạn có một số kiến thức về R hoặc Python. Dưới đây Tôi khuyên bạn nên tham gia lớp học này.

Xây dựng nền tảng cơ bản của lập trình R
Bạn mới làm quen với phân tích dữ liệu và lập trình R? Khóa học miễn phí

🌈 Các khái niệm cơ bản về học máy và học sâu

Chúng ta sẽ tìm hiểu học máy là gì và những gì nó có thể làm. Chúng tôi cũng sẽ giải thích sự khác biệt giữa học máy và học sâu, đồng thời giới thiệu ngắn gọn các mô hình học máy và học sâu khác nhau. Chúng tôi cũng sẽ thảo luận về hiện tượng quá khớp (overfitting), một vấn đề phổ biến trong cả học máy và học sâu.

🌈 Mô hình hồi quy tuyến tính (theo góc nhìn thống kê)

Khi học máy, mô hình đầu tiên bạn học luôn là mô hình hồi quy tuyến tính. Mặc dù là một mô hình đơn giản và dễ sử dụng, nhưng nó thường ít được sử dụng do hiệu suất kém. Tuy nhiên, các mô hình hồi quy tuyến tính được sử dụng rộng rãi trong công nghiệp và là một công cụ mạnh mẽ cho các bài toán hồi quy tuyến tính. Chúng ta sẽ tập trung vào các lý thuyết và khái niệm cơ bản nhất.

🌈 Các mô hình học máy thiết yếu bạn cần biết
(Cây quyết định, kNN, Học tập tổng hợp, Phân cụm, Giá trị hình dạng)

Khóa học này bao gồm các mô hình học máy thiết yếu. Thay vì tập trung vào các chi tiết toán học, bài giảng tập trung vào các khái niệm để dễ hiểu. Các mô hình ít được sử dụng hơn như cây quyết định và kNN, tuy không phổ biến như các mô hình độc lập, nhưng lại được sử dụng rộng rãi trong các lĩnh vực và mô hình khác. Do đó, chúng ta không bao giờ nên bỏ qua chúng. Bạn sẽ tìm hiểu các khái niệm và ứng dụng của nhiều mô hình khác nhau, và chúng tôi cũng sẽ giới thiệu ShapValue, một mô hình đang được chú ý như một ví dụ về eXplainable AI.

🌈 Vấn đề mất cân bằng lớp học và giải pháp

Vấn đề mất cân bằng lớp xảy ra thường xuyên hơn bạn nghĩ trong nhiều lĩnh vực, gây ra nhiều vấn đề khác nhau. Một ví dụ điển hình là sự suy giảm hiệu suất dự đoán do mô hình học tập thiên về nhiều lớp. Bài viết này giới thiệu các kỹ thuật khác nhau (phương pháp lấy mẫu lại) để giải quyết vấn đề này.

🌈 Cách thiết kế thí nghiệm với tư cách là nhà khoa học dữ liệu

Phân tích dữ liệu không chỉ đơn thuần là đọc dữ liệu và điều chỉnh mô hình. Nó bao gồm việc tiền xử lý dữ liệu cơ bản, tạo ra các biến số chính để dự đoán giá trị Y, và triển khai thiết kế thử nghiệm phù hợp. Chúng tôi sẽ hướng dẫn bạn cách thiết kế thử nghiệm cho nhiều tình huống khác nhau và cung cấp kiến thức thiết yếu cần thiết cho một nhà khoa học dữ liệu.

Một lá thư từ Coco 💌