- Bài 1: Giới thiệu
- Bài 2: Cài đặt
- Bài 3: Nền tảng toán học của Neural Networks
- Bài 4: Mạng nơron cơ bản
- Bài 5: Tổng quan về machine learning và deep learning
- Bài 6: Triển khai mạng thần kinh đầu tiên
- Bài 7: Functional Blocks và Terminologies
- Bài 8: Loading Data
- Bài 9: Linear Regression ( Hồi quy tuyến tính )
- Bài 10: Convolutional Neural Network ( CNN )
- Bài 11: Recurrent Neural Network ( RNN )
- Bài 12: Tập dữ liệu ( Dataset )
- Bài 13: Giới thiệu về Convents
- Bài 14: Huấn luyện Convent bằng Scratch
- Bài 15: Feature Extraction trong Convents ( Trích xuất đặc trưng )
- Bài 16: Visualization Convents
- Bài 17: Sequence Processing với Convents
- Bài 18: Word Embedding
- Bài 19: Recursive Neural Networks
Bài 5: Tổng quan về machine learning và deep learning - Pytorch Cơ bản
Đăng bởi: Admin | Lượt xem: 1936 | Chuyên mục: AI
Trí tuệ nhân tạo đang có xu hướng ngày nay ở một mức độ lớn hơn. Học máy và học sâu tạo thành trí tuệ nhân tạo. Biểu đồ Venn được đề cập bên dưới giải thích mối quan hệ của học máy và học sâu.
1. Machine Learning (Học máy) :
Học máy là nghệ thuật khoa học cho phép máy tính hoạt động theo các thuật toán được thiết kế và lập trình. Nhiều nhà nghiên cứu cho rằng học máy là cách tốt nhất để đạt được tiến bộ đối với AI ở cấp độ con người. Nó bao gồm nhiều loại mẫu khác nhau như -
- Supervised Learning Pattern ( Học có giám sát )
- Unsupervised Learning Pattern ( Học không giám sát )
2. Deep Learning
Học sâu là một lĩnh vực con của học máy trong đó các thuật toán liên quan được lấy cảm hứng từ cấu trúc và chức năng của bộ não được gọi là Mạng thần kinh nhân tạo.
Học sâu đã trở nên quan trọng hơn nhiều thông qua học có giám sát hoặc học từ dữ liệu và thuật toán được gắn nhãn. Mỗi thuật toán trong học sâu trải qua cùng một quy trình. Nó bao gồm hệ thống phân cấp biến đổi phi tuyến của đầu vào và sử dụng để tạo mô hình thống kê như đầu ra.
Quá trình học máy được xác định như sau :
- Xác định các tập dữ liệu có liên quan và chuẩn bị chúng để phân tích.
- Chọn loại thuật toán để sử dụng.
- Xây dựng mô hình phân tích dựa trên thuật toán được sử dụng.
- Huấn luyện mô hình trên các tập dữ liệu thử nghiệm, sửa đổi nó khi cần thiết.
- Chạy mô hình để tạo điểm kiểm tra.
3. Số lượng dữ liệu :
Học máy hoạt động với các lượng dữ liệu khác nhau và chủ yếu được sử dụng cho lượng dữ liệu nhỏ. Mặt khác, học sâu hoạt động hiệu quả nếu lượng dữ liệu tăng nhanh. Sơ đồ sau mô tả hoạt động của học máy và học sâu liên quan đến lượng dữ liệu -
4. Phần cứng :
Các thuật toán học sâu được thiết kế để phụ thuộc nhiều vào phần cứng , trái ngược với các thuật toán học máy truyền thống. Các thuật toán học sâu thực hiện một lượng lớn các phép toán nhân ma trận đòi hỏi sự hỗ trợ phần cứng rất lớn.
5. Feature Engineering :
Feature engineering là quá trình đưa kiến thức domain vào các tính năng cụ thể để giảm độ phức tạp của dữ liệu và tạo các mẫu có thể nhìn thấy được đối với các thuật toán học.
Ví dụ: các mẫu máy học truyền thống tập trung vào pixel và các thuộc tính khác cần thiết cho quy trình kỹ thuật tính năng. Các thuật toán học sâu tập trung vào các tính năng cấp cao từ dữ liệu. Nó làm giảm nhiệm vụ phát triển trình trích xuất tính năng mới cho các vấn đề mới.
Theo dõi VnCoder trên Facebook, để cập nhật những bài viết, tin tức và khoá học mới nhất!
- Bài 1: Giới thiệu
- Bài 2: Cài đặt
- Bài 3: Nền tảng toán học của Neural Networks
- Bài 4: Mạng nơron cơ bản
- Bài 5: Tổng quan về machine learning và deep learning
- Bài 6: Triển khai mạng thần kinh đầu tiên
- Bài 7: Functional Blocks và Terminologies
- Bài 8: Loading Data
- Bài 9: Linear Regression ( Hồi quy tuyến tính )
- Bài 10: Convolutional Neural Network ( CNN )
- Bài 11: Recurrent Neural Network ( RNN )
- Bài 12: Tập dữ liệu ( Dataset )
- Bài 13: Giới thiệu về Convents
- Bài 14: Huấn luyện Convent bằng Scratch
- Bài 15: Feature Extraction trong Convents ( Trích xuất đặc trưng )
- Bài 16: Visualization Convents
- Bài 17: Sequence Processing với Convents
- Bài 18: Word Embedding
- Bài 19: Recursive Neural Networks