Bài 1: Bắt đầu với việc học về Machine Learning thì bắt đầu từ đâu

– Probability for Computer Scientists: cs109
– Standford course & Machine Learning cs229
– Neuron Network For Machine learning
– Deep Learning For NLP

1. Probability for Computer Scientists: cs109
– Đến với Machine Learning tất nhiên là phải bắt đầu từ nền tảng toán căn bản roài. Nếu không thì, học các khóa học cao hơn là vỡ mồm ngay. Vì đến đó mình đọc éo còn hiểu gì cả.

2. Standford course & Machine Learning cs229
Sau giai đoạn học căn bản về toán, tớ tìm ra 2 khóa học phù hợp để mình bắt đầu triển về con đường Machine Learning thoai bao gồm.

• Khóa học về Machine Learning trên coursera.com của bác Adrew.Ng. Các bạn xem link ở đây nhé. https://www.coursera.org/learn/machine-learning/home/welcome
• Khóa học về Machine Learning cs229 standford. Tớ thấy mọi người học theo khóa học này khá nhiều đấy.
• Đây là tổng hợp các bài giảng về machine learning của 1 bác theo học thạc sỹ Machine Learning ở nước ngoài. Tớ thấy bác ấy làm rất tỉ mỉ và chi tiết đấy. Vả lại còn được viết lại bằng tiếng việt nữa. http://machinelearningcoban.com.

Theo tớ đánh giá thì 2 khóa học này là khá tương đồng nhau. Nên follow theo 1 khóa thôi, còn khóa còn lại sử dụng để tham khảo cũng như có các tài liệu khác để mình có thể có nhiều góc cạnh hơn. Ngoài ra các bạn cứ tham khảo trên http://machinelearningcoban.com nhé.

Cách học của tớ là tớ follow chinh dựa theo khóa học trên coursera và sử dụng cs229 và http://machinelearningcoban.com để làm tài liệu tham khảo nhé.

3. Neuron Network For Machine learning

https://www.coursera.org/learn/neural-networks/home/welcome

Sau khi hoàn thiện 2 khóa trên thì cơ bản mình đã nắm được khá nổn về Machine Learning rồi đấy. Tuy nhiên, tớ muốn đi sâu tìm hiểu nhiều hơn về Deep Learning. Vi thế tớ đang ký một khóa học khác về Deep Learning trên Coursera luôn.

4. Nature Language Processing

Thực ra tớ đang đi sâu về mảng này, nên mới tìm hiểu nó. Các bạn có thể tìm hiểu về các mảng khác mà machine learning đang áp dụng khá nhiều nhé.

https://web.stanford.edu/~jurafsky/NLPCourseraSlides.html

 

Lộ trình luyện machine learning

 

Supervised Learning

Overview https://en.wikipedia.org/wiki/Supervised_learning

• What
• Why
• How
• Four major issues to consider in supervised learning

Optimazation Learning http://khanhxnguyen.com/toi-da-hoc-machine-learning-nhu-the-nao-phan-1-lam-quen/

Overfiting

Evaluation

Gradient Descent

Generatic Learning & Discriminative Learning

• http://www.slideshare.net/butest/machine-learning-generative-and-discriminative-models

 

http://machinelearningcoban.com/

 

Linear Regression

Perceptron Learning Algorithm

Logistic Regression

Regularization

Softmax Regression

Multi-perceptron And BackProgation

Convolution Neuron Network

Recusive Neuron Network

Hopfield nets and Boltzmann machines

Restricted Boltzmann machines (RBMs)

Stacking RBMs to make Deep Belief Nets

Generatic Learning

• Naive Bayesian
• Decision Tree
• Random Forest

Nature Language Processing

Overview

• What
• Why
• How

Some problem

• Chatbot
• Statistic Machine Translation

Words

1. Regular Expressions and Automata
2. Morphology and Finite-State Transducers
3. Computational Phonology and Text-to-Speech
4. Probabilistic Models of Pronunciation and Spelling
5. N-grams
6. HMMs and Speech Recognition

Syntax

1. Word Classes and Part-of-Speech Tagging
2. Context-Free Grammars for English
3. Parsing with Context-Free Grammars
4. Features and Unification
5. Lexicalized and Probabilistic Parsing
6. Language and Complexity

Semantics

1. Representing Meaning
2. Semantic Analysis
3. Lexical Semantics
4. Word Sense Disambiguation and Information Retrieval

Dimensionality Reduction

Overview

• What
• Why
• How

Unsupervised Learning

Overivew

• What
• Why
• How

Reinforcement Learning

• Overview
• What
• Why
• How