tài liệu giới thiệu máy học

Máy Học  •  •  !" #$%&'(%)* • +,'-./01 • 2&3&4$5,'-6"%&' &4$* • 7.).) • 68,9:5#';&.<1'=)'> !?@'%A'!$ * B%&' Chương 1: GIỚI THIỆU MÁY HỌC Chương 2: MÔ HÌNH CÂY QUYẾT ĐỊNH (Decision Tree) Chương 3: PHƯƠNG PHÁP RÚT GỌN SỐ CHIỀU DỮ LIỆU (PCA/LDA) Chương 4: MÔ HÌNH MẠNG NƠ RON (Neural Network) Chương 5: MÔ HÌNH MÁY HỌC VÉC TƠ HỖ TRỢ (SVM) Chương 6: MÔ HÌNH HỌC THEO NHÓM KẾT HỢP (Boosting / Adaboost) Chương 7: MÔ HÌNH THUẬT GIẢI DI TRUYỀN ĐỐI VỚI BÀI TOÁN PHÂN LỚP (Genetic Algorithm) Chương 8 : MÔ HÌNH HỌC TĂNG CƯỜNG (Reinforcement Learning) Chương 9: MÔ HÌNH HỌC MARKOV và MARKOV Ẩn Chương 10: CÁC THUẬT TOÁN CLUSTERING Chương 11: LÝ THUYẾT MÁY HỌC (PAC, Bayes, Bias/Variance) CD-&.E$ FGEH2 • .$%I'!J!86-xác định=xây dựng6đánh giá#K). %I'!.)=%L!).;&8!MNO9%PQ-&)RD +)*QQ FGEH2 • +RD!/5&RD')S'6-'T@&U/%L'6!.'.. #$&O).)'V!'6W;&$'=R'':!/ 5&RD')S'6-U.!MQ8)X%A'V!'6W;& $'Y)''T@&VZV'[\%Z+% V)%')C))'Q)Q\ FGEH2 Classicaon or Categorizaon Clustering Regression Dimensionality Reducon &96%Q' ]&96%Q' &96%Q' MÔ HÌNH CÂY QUYẾT ĐỊNH 2/;&8!MQ^9RY'9.99/QD9&$'..=A_T&N`'%PQ-&)RDU/%L'/;&8!MN4 a9'.M.&Kb ^ b  c*b  &'.M &KG MÔ HÌNH CÂY QUYẾT ĐỊNH • 2.6d!")'6-U/%L'6.9%A'/;&8!M VL$!!)6U.!M.)%)'/ bXQe.%Md8&)'`'%PQ-& bXQeRf'a9;&.5D9g6hi' bXQej'$/;&;&.,9U89Q6Q)k.!./I' Q,9 PHƯƠNG PHÁP RÚT GỌN SỐ CHIỀU DỮ LIỆU • b/%L'9RY'9.9j'$3"& O9%PQ-&6)NBU&3' 6DBll [...]... hai lớp • Nghiên cứu các thuật toán học và đánh giá các mô hình trên MÔ HÌNH MÁY HỌC VÉC TƠ HỖ TRỢ • Là phương pháp phân lớp dựa trên lý thuyết thống kê Dữ liệu có thể phân chia qua hàm tuyến tính Dữ liệu không thể phân chia qua hàm tuyến tính • Trong trường hợp không thể phân chia tuyến tính φ (.) Kernel MÔ HÌNH MÁY HỌC VÉC TƠ HỖ TRỢ • Các vấn đề trong mô hình máy học vec tơ hỗ trợ - Xây dựng mô hình... thuật toán phân nhóm dựa trên vùng ảnh hưởng Các thuật toán branch and bound … We 10 =4 We 11 =3 LÝ THUYẾT MÁY HỌC • • • • • Giới thiệu máy học và lý thuyết máy học Các vấn đề về lỗi Độ phức tạp mẫu cho không gian giả thuyết hữu hạn Độ phức tạp mẫu cho không gian giả thuyết vô hạn Giới hạn lỗi ... xác không cao (nhưng không có nghĩa weak là quá thấp) phải hơn việc phân lớp ngẫu nhiên một chút Vấn đề trong mô hình học theo nhóm kết hợp là xác định các trọng số kết hợp của các mô hình học yếu để tạo thành mô hình học mạnh hơn Vấn đề phân chia bộ dữ liệu học để đạt được mô hình học mạnh hơn MÔ HÌNH THUẬT GIẢI DI TRUYỀN • Thuật giải di truyền (GA-Genetic Algorithms) là giải thuật tìm kiếm, chọn... hình hồi quy tuyến tính - Xây dựng và sử dụng kernel MÔ HÌNH HỌC THEO NHÓM KẾT HỢP f1 f2 f4 f3 • Mô hình học kết hợp nghiên cứu việc kết hợp các hàm fi để tạo thành bộ phân lớp tốt hơn MÔ HÌNH HỌC THEO NHÓM KẾT HỢP • • • • Mô hình học mạnh : trong việc phân lớp đó là những phân lớp có độ chính xác cao mô hình yếu (không phải là 100%) Mô hình học yếu hơn: trong việc phân lớp đó là những phân lớp có độ... theo cơ chế di truyền để tìm kiếm các nhiễm sắc thể tốt trên không gian lời giải MÔ HÌNH HỌC TĂNG CƯỜNG • Mô hình học tăng cường là mô hình xây dựng dựa trên mô hình sau • Học tăng cường nghiên cứu cách thức một agent trong một môi trường nên chọn thực hiện các hành động nào để cực đại hóa điểm thưởng reward MÔ HÌNH HỌC TĂNG CƯỜNG • Nghiên cứu các xác định môi trường, điểm thưởng và agent cho mô hình... thuật toán học cho mô hình Markov ẩn và các thuật toán tính xác suất lân cận cực đại trong mô hình Makov và Markov ẩn CÁC THUẬT TOÁN CLUSTERING • Các thuật toán phân nhóm dựa trên đồ thị We = 3 8 We = 3 5 We = 2 7 We = 2 1 We = 2 4 We = 17 0 We = 1 9 We = 2 6 We = 1 2 We = 3 3 • • • Các thuật toán phân nhóm dựa trên vùng ảnh hưởng Các thuật toán branch and bound … We 10 =4 We 11 =3 LÝ THUYẾT MÁY HỌC •...PHƯƠNG PHÁP RÚT GỌN SỐ CHIỀU DỮ LIỆU • Các vấn đề trong bài toán rút gọn số chiều - Cách xây dựng ma trận tương quan (hay ma trận hiệp phương sai) và cách giải bài toán eigenvalue và eigenvector của ma trận trên - Phương pháp PCA - Phương pháp LDA - phân tích nhân tử SVD MÔ HÌNH MẠNG NƠ RON • Mạng neural và ý nghĩa sinh học MÔ HÌNH MẠNG NƠ RON • Mô hình perceptron • Mô hình mạng . GIỚI THIỆU MÁY HỌC Chương 2: MÔ HÌNH CÂY QUYẾT ĐỊNH (Decision Tree) Chương 3: PHƯƠNG PHÁP RÚT GỌN SỐ CHIỀU DỮ LIỆU (PCA/LDA) Chương 4: MÔ HÌNH MẠNG NƠ RON (Neural Network) Chương 5: MÔ HÌNH MÁY. Algorithm) Chương 8 : MÔ HÌNH HỌC TĂNG CƯỜNG (Reinforcement Learning) Chương 9: MÔ HÌNH HỌC MARKOV và MARKOV Ẩn Chương 10: CÁC THUẬT TOÁN CLUSTERING Chương 11: LÝ THUYẾT MÁY HỌC (PAC, Bayes, Bias/Variance). (PCA/LDA) Chương 4: MÔ HÌNH MẠNG NƠ RON (Neural Network) Chương 5: MÔ HÌNH MÁY HỌC VÉC TƠ HỖ TRỢ (SVM) Chương 6: MÔ HÌNH HỌC THEO NHÓM KẾT HỢP (Boosting / Adaboost) Chương 7: MÔ HÌNH THUẬT GIẢI DI