Máy Học (Machine Learning) Đề thi Bài giảng Bài tập

Www.Cs.Princeton.Edu - Elad Hazan - Lý thuyết - Bài tập, thực hành

Danh sách tài liệu (Xem dạng ảnh)

boosting.pdf
lec2.pdf
lec3.pdf
lec9.pdf
lec14.pdf
lec15.pdf
lec16.pdf
lec17.pdf
lec18.pdf
lec19.pdf
lec21.pdf
lec23.pdf
backprop.pdf
basis-functions.pdf
expectimax.pdf
hierarchical-clustering.pdf
kernel-trick.pdf
kmeans.pdf
linear-regression.pdf
logistic-regression.pdf
max-margin.pdf
mle-regression.pdf
model-selection.pdf
pca.pdf
perceptrons.pdf
policy-iteration.pdf
regularization.pdf
rl.pdf
syllabus.pdf
ly_thuyet_may_hoc.pdf
l1-gioi_thieu_ml_weka.pdf
l2-danh_gia_hieu_nang.pdf
l3-hoc_dua_tren_xac_suat.pdf
l4-hoi_quy_tuyen_tinh.pdf
l5-lang_gieng_gan_nhat.pdf
l6-cay_quyet_dinh.pdf
l7-quy_nap_luat.pdf
l8-mang_noron_nhan_tao.pdf
l9-may_vecto_ho_tro.pdf
l10-giai_thuat_di_truyen.pdf
l11-phan_cum_k-means.pdf
l12-phan_cum_hac.pdf
hw1.pdf
hw2.pdf
hw3.pdf
hw4.pdf
hw5.pdf
de kiem tra giua ky hoc may.jpg

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.
An Introduction To Machine Learning.Pdf
An Introduction To Statistical Learning, Springer.Pdf
Applied Predictive Modeling.Pdf
Bishop - Pattern Recognition And Machine Learning - Springer 2006.Pdf
Co4027_Hocmay.Pdf
Co4027_Hocmay_Stephen Marsland , Machine Learning An Algorithmic Perspective.Pdf
David J.C. Mackay, Information Theory, Inference, And Learning Algorithms.Pdf
Deep Learning Cơ Bản_Nguyễn Thanh Tuấn.Pdf
Introduction To Deep Learning.Pdf
Ml Building Machine Learning Systems With Python - Richert, Coelho.Pdf
Ml Data+mining+practical+machine+learning+tools+and+techniques+3rd+edition.Pdf
Ml Gaussian Processes For Machine Learning.Pdf
Ml Mit.Introduction To Ml.2ed.Pdf
Ml Machine Learning Ml With R.Pdf
Ml Machine Learning In Action.Pdf
Machine Learning_ A Probabilistic Perspective.Pdf
Neural Networks And Deep Learning.Pdf
Recommender Systems.Pdf
Trevor Hastie, Robert Tibshirani, And Jerome Friedman, The Elements Of Statistical Learning.Pdf