345 lượt đọc

Chạy nhanh để hiểu rõ hơn về Học máy.. trong 52 giây 🏎️

từ tác giả sukharev5m2024/08/20

dài quá đọc không nổi

- Chìa khóa để học các khái niệm mới là tập trung vào các ý tưởng và vấn đề đã giải quyết, chứ không phải vào các triển khai. - Hướng dẫn 52 giây về Học máy (ML) bao gồm: 1. Học có giám sát 2. Học không giám sát 3. Học tăng cường 4. Kỹ thuật tính năng 5. Đánh giá mô hình - Các khái niệm về Học sâu được giải thích ngắn gọn: 1. Mạng nơ-ron 2. Truyền ngược 3. Mạng nơ-ron tích chập (CNN) 4. Mạng nơ-ron hồi quy (RNN) 5. Học chuyển giao 6. Kỹ thuật chính quy hóa - Tác giả nhấn mạnh vào các khái niệm học tập hơn là triển khai, vì công nghệ thay đổi nhưng ý tưởng vẫn tồn tại. - Họ khuyến khích mọi người theo dõi Twitter của họ để biết thêm nội dung về các hệ thống giáo dục thực hành trước.

featured image - Chạy nhanh để hiểu rõ hơn về Học máy.. trong 52 giây 🏎️

đầu tiên hãy đăng ký twitter của tôi , tôi tweet về công nghệ

Một cuộc chạy tốc độ nữa trong series , hãy đi nào

Tôi vừa sử dụng meme học tăng cường (RL) với bạn:

bạn mở bài viết (làm điều đúng đắn)
bạn nhận được meme (phần thưởng)

Thật là một mồi câu... trời ơi...

Vậy, tại sao meme-Kelvin lại khó học RL là gì? Bởi vì anh ấy muốn học cách triển khai RL thay vì hiểu Khái niệm , ĐÓ LÀ LÝ DO TẠI SAO meme-KELVIN!

Khi bạn học một điều gì đó, một công cụ hay công nghệ mới hay bất kỳ thứ gì — bạn KHÔNG bắt đầu bằng cách triển khai nó, mà bằng những ý tưởng, khái niệm và vấn đề mà công cụ đó giải quyết!

Wo Kelvin, đây nhé: Để hiểu về Học tăng cường (RL) — hãy nghĩ về việc chơi một trò chơi điện tử mà bạn sẽ kiếm được điểm khi thực hiện đúng các bước đi.

Học tăng cường cũng giống như vậy - một chương trình học bằng cách đưa ra quyết định và nhận được phần thưởng hoặc hình phạt dựa trên hành động của nó

Đó chỉ là một ví dụ về việc áp dụng nguyên tắc BẮT ĐẦU-VỚI-Ý TƯỞNG vào Học tăng cường. Nhưng tôi đã hứa sẽ chỉ cho bạn cách học toàn bộ ML trong 52 giây...

CUỘC CHẠY TỐC ĐỘ!

Để học ML trong 52 giây, bạn phải học các Khái niệm ML, không phải các triển khai , sau đó bạn phải tìm kiếm trên Google (hoặc GPT) các triển khai trong PyTorch hoặc bất kỳ tên thư viện nào bạn thích, dù sao thì nó cũng sẽ thay đổi trong năm tới và không sao cả, các ý tưởng sẽ giữ nguyên trong thời gian dài hơn nhiều — hãy theo đuổi các ý tưởng!

Ý tưởng học máy

1. Học có giám sát

Trong học có giám sát, một chương trình được dạy bằng các ví dụ có câu trả lời (gọi là dữ liệu có nhãn). Điều này giúp chương trình học được mối liên hệ giữa các ví dụ và câu trả lời, do đó nó có thể đoán câu trả lời cho các ví dụ mới mà nó chưa từng thấy trước đây.

Thuật toán và vấn đề cần giải quyết: dự đoán giá nhà (hồi quy tuyến tính), quyết định xem khách hàng có mua sản phẩm hay không (cây quyết định)

2. Học không giám sát

Ở đây, chương trình sẽ xem xét các ví dụ không có câu trả lời (dữ liệu không có nhãn) và cố gắng tìm các mẫu hoặc nhóm trong đó. Điều này có thể giúp ích cho các tác vụ như nhóm các mục tương tự lại với nhau hoặc giảm lượng thông tin cần thiết để mô tả dữ liệu.

Thuật toán và vấn đề cần giải quyết: nhóm những người có sở thích âm nhạc tương tự (phân cụm k-means), nén hình ảnh mà không làm mất quá nhiều thông tin (phân tích thành phần chính)

3. Học tăng cường

Trong học tăng cường, chương trình học cách đưa ra quyết định bằng cách thử nghiệm và nhận phản hồi dưới dạng phần thưởng hoặc hình phạt. Mục tiêu là đưa ra quyết định tốt hơn theo thời gian và giải quyết vấn đề hiệu quả hơn.

Thuật toán và vấn đề cần giải quyết: dạy robot đi bộ (Q-learning), đào tạo chương trình chơi cờ vua (phương pháp chính sách gradient)

4. Kỹ thuật tính năng

Đây là quá trình lựa chọn thông tin quan trọng (tính năng) từ dữ liệu thô để giúp chương trình học tốt hơn. Đôi khi, điều này bao gồm việc tạo ra các tính năng mới bằng kiến thức chuyên môn và sự sáng tạo.

Ví dụ: sử dụng chiều dài và chiều rộng của lá để giúp xác định loài thực vật

5. Đánh giá mô hình

Kiểm tra mức độ hoạt động của mô hình học máy là điều quan trọng để xem liệu nó có hoạt động tốt hay không. Các phép đo như độ chính xác, độ chính xác, độ thu hồi, điểm F1 và lỗi bình phương trung bình thường được sử dụng để kiểm tra hiệu suất của mô hình.

⏲️ Còn 24 giây nữa, bạn làm tốt lắm!

Chúng ta cũng hãy tìm hiểu về Học sâu nhé!

Ý tưởng học sâu

1. Mạng nơ-ron (NN)

Điều này thực sự trừu tượng. Bạn có thể tưởng tượng một NN như các neuron não được sắp xếp theo cột và ping nhau từ trái sang phải với lực khác nhau (thông qua các kết nối) — lực mà một neuron (trong mỗi lớp) được ping sẽ xác định ping tiếp theo và do đó là kết quả cuối cùng.

Thuật toán và các vấn đề cần giải quyết: nhận dạng đối tượng trong hình ảnh (mạng nơ-ron truyền thẳng), dịch ngôn ngữ (mạng hàm cơ sở bán kính)

2. Truyền ngược

Khi bạn mắc lỗi, bạn học hỏi từ lỗi đó và cố gắng không lặp lại. Truyền ngược là cách để chương trình thực hiện điều tương tự.

Nó giúp chương trình hiểu được lỗi ở đâu và tìm ra câu trả lời đúng tốt hơn.

3. Mạng nơ-ron tích chập (CNN)

CNN là mạng nơ-ron đặc biệt có thể hiểu dữ liệu dạng lưới, như hình ảnh.

Chúng có các lớp giúp chúng học các mẫu hình và nhận dạng các phần của hình ảnh, chẳng hạn như đường nét và hình dạng.

Thuật toán và các vấn đề cần giải quyết: phát hiện khuôn mặt trong ảnh (LeNet-5), xác định các loại động vật khác nhau trong ảnh (AlexNet, VGG)

4. Mạng nơ-ron hồi quy (RNN)

RNN được thiết kế để hoạt động với dữ liệu theo trình tự, như một chuỗi số hoặc từ.

Họ có thể nhớ những thông tin trước đó và sử dụng thông tin đó để đưa ra quyết định tốt hơn.

Thuật toán và các vấn đề cần giải quyết: dự đoán giá cổ phiếu (Long Short-Term Memory, LSTM), tạo văn bản dựa trên một kiểu nhất định (Gated Recurrent Units, GRU)

5. Chuyển giao học tập

Đây là lúc một mô hình chương trình đã học được nhiều điều sẽ được tinh chỉnh để thực hiện một nhiệm vụ mới với dữ liệu hạn chế.

Nó giúp chương trình học nhanh hơn và hoạt động tốt hơn vì nó đã biết những điều hữu ích từ những lần học trước.

Ví dụ: sử dụng mô hình được đào tạo trên nhiều giống chó (như ResNet) để nhận dạng các loại mèo cụ thể

6. Kỹ thuật chính quy hóa

Các kỹ thuật này giúp chương trình tránh việc học quá nhiều từ dữ liệu, điều này có thể gây ra các vấn đề như quá khớp

DỪNG LẠI 🏁

hoàn thành trong: 0 phút, 52 giây

Về cơ bản là vậy, bây giờ hãy đi và đào tạo các đại lý Kelvin của bạn cách tìm kiếm trên Google các thuật toán và vấn đề mà bạn muốn giải quyết!

Để bắt đầu sử dụng một công cụ, bạn bắt đầu với một vấn đề mà công cụ đó giải quyết và tìm hiểu Khái niệm nào được sử dụng để giải quyết vấn đề. Đừng giữ việc triển khai trong đầu như "làm thế nào để làm điều gì đó bằng một công cụ", nó phức tạp và dù sao thì mọi thứ cũng không vừa với đầu bạn.

Học ý tưởng, tìm hiểu cách triển khai trên Google.

Sau 5-10 lần tìm kiếm trên Google về một triển khai, bạn sẽ ghi nhớ nó, sau đó công nghệ trở nên lỗi thời và bạn quên nó, không sao cả, điều đó xảy ra mọi lúc

Ý tưởng khó quên, chúng nằm trong trí nhớ của bạn trong một thời gian dài

Tạm biệt và hẹn gặp lại trong cuộc đua kéo tiếp theo