Www.Cs.Princeton.Edu - Elad Hazan - Lý thuyết - Bài tập, thực hành
Đh Bách Khoa Hcm - Lý thuyết
Www.Cs.Princeton.Edu - Ryan P. Adams - Lý thuyết
Đh Khoa Học Tự Nhiên Hcm - Lê Ngọc Thành - Lý thuyết
Đh Công Nghệ Hà Nội- Đề thi
Đh Bách Khoa Hn - Nguyễn Nhật Quang - Lý thuyết
các bạn tự tìm sách trên google theo gợi ý bên dưới nhé!
Giới thiệu, nội dung môn học |
|||
| Chƣơng 1. Các khái niệm và nguyên lý cơ bản 1.1 Định nghĩa về Học Máy 1.2 Các kiểu học máy 1.3 Các giai đoạn học máy 1.4 Độ đo hiệu quả 1.5 Sự quá khớp và thiên vị trong học máy Chƣơng 2. Cây quyết định 2.1 Phương pháp cơ bản 2.2 Trường hợp thuộc tính có nhiều giá trị 2.3 Trường hợp thuộc tính có giá trị liên tục 2.4 Trường hợp thiếu giá trị thuộc tính 2.5 Dùng để hồi qui Chƣơng 3. Mạng nơron nhân tạo 3.1 Perceptron và phương pháp huấn luyện 3.2 Qui tắc Delta 3.3 Giải thuật Backpropagation 3.4 Ứng dụng ví dụ Chƣơng 4. Phương pháp học Bayes 4.1 Phương pháp tối ưu 4.2 Phương pháp ngây thơ Chƣơng 5.Giải thuật di truyền 5.1 Các bước tổng quát 5.2 Biểu diễn giả thuyết 5.3 Các tác vụ di truyền Chƣơng 6. Các mô hình đồ thị 6.1 Mạng Bayes 6.2 Mô hình Bayes ngây thơ tăng cường 6.3 Mô hình Markov ẩn Chƣơng 7. Máy vectơ hỗ trợ 7.1 Bộ phân loại biên cực đại 7.2 Sử dụng hàm hạt nhân 7.3 Biên mềm Chƣơng 8. Thu giảm số chiều 7.1 8.1 Phương pháp LDA 7.2 8.2 Phương pháp PCA 7.3 8.3 Các đặc trưng cho phân loại văn bản Chƣơng 9. Phương pháp học hợp quần 9.1 9.1 Phương pháp Bagging 9.2 9.2 Phương pháp Boosting 9.3 9.3 Các phương pháp khác Chƣơng 10. Các mô hình phân biệt 10.1 Mô hình sinh và mô hình phân biệt 10.2 Bộ phân loại tuyến tính dựa trên đặc trưng 10.3 Phương pháp hồi qui Logistic 10.4 Mô hình entropy cực đại 10.5 Phương pháp CRF | |||
Kết quả cần đạt được |
|||
| Sau khi học xong môn học này, các sinh viên sẽ đạt được khả năng: Hiểu biết: - L.O.1: Hiểu biết các khái niệm và nguyên lý cơ bản của Học Máy. - L.O.2: Hiểu biết ý tưởng cơ bản và chi tiết giải thuật của các phương pháp học máy phổ biến. - L.O.3: Vận dụng được các phương pháp học máy phổ biến vào các bài toán thực tế | |||
Tài liệu tham khảo |
|||
| [1] Cao Hoàng Trụ (2008), Trí tuệ Nhân tạo = Thông minh + Giải thuật. Nhà Xuất bản Đại học Quốc gia TP.HCM. [2] Tom Mitchell (1997), Machine Learning. McGraw-Hill. [3] Stephen Marsland (2009), Machine Learning: An Algorithmic Perspective. Chapman & Hall/CRC. [4] Christopher Bishop (2006), Pattern Recognition and Machine Learning. Springer. [5] Charu Aggawal, ChengXiang Zhai (2013), Mining Text Data. Kluwer Academic. | |||
