Các chương dự kiến¶
Bố cục của cuốn sách sẽ dự kiến bao gồm các chương chính:
Chương 1, 2, 3 sẽ trình bày kiến thức cơ bản về toán và xác suất
Chương 4 bắt đầu trình bày các lý thuyết cơ bản của machine learning
Chương 5 sẽ trình bày lớp mô hình trong deep learning
Chương 6 các case studies
Cụ thể nội dung các chương sẽ bao gồm:
Chương 1: Kiến thức nền về giải tích và đại số
Giải tích: Vi phân, đạo hàm
Đại số tuyến tính: Không gian véc tơ, ma trận, định thức, trị riêng và hệ cơ sở, phân tích suy biến
Chương 2: Giải tích nhiều biến
Vi phân:
Vi phân từng phần
Vi phân toàn phần
Gradients
Chain rule, Product rule
Ma trận Jacobian, Hessian và
Công thức xấp xỉ Newton
Fourier transform
Tích phân:
Tích phân đa biến
Định lý Fubini
Tích phân Riemann
Tích phân Lebesgue
Chương 3: Lý thuyết xác suất
Không gian đại số các biến cố
Độ đo xác suất
Phân phối xác suất phổ biến
Xác suất đồng thời, xác suất có điều kiện, xác suất biên.
Biến ngẫu nhiên liên tục, rời rạc
Hàm phân phối, mật độ, hàm khối xác suất
Lý thuyết thông tin: Cross entropy, Kullback – Leibler divergence
Chương 4: Lý thuyết về machine learning.
Machine learning algorithms: regression, linear separable, non-linear separable, ensemble model
Optimal transport
Convex optimization
Bayes inference
Parametric estimation
Graphical model
Conformal prediction
Adaptive learning
MAP, MLE
Overfitting and underfitting.
Transfer learning
Generative and Discriminative model
VAE, Restricted Boltzmann
Chương 5: Mạng neural network
Computational graph
Kỹ thuật điều chuẩn: Dropout, Regularization
Hàm loss function đơn giản: MSE, Cross-Entropy
Hàm loss function nâng cao: Focal loss, hing-loss, wing-loss,
Optimizer: SGD, Momentum, Adam, Ada
Layers: Batch-norm, Convol, Fully Connected, RNN, LSTM
Activation: ReLU, Leaky-ReLu, Sigmoid, SELU, PreLU
Advantage Layers: Transposed-Convol, DepthwiseConvol, GRU
Attention mechanism.
Neural Architecture: in CNN, NLP, Voice recognition.
Chương 6: Các case studies
Computer Vision: Các lớp mô hình để giải quyết các bài toán image classification, image segmentation, object detection, faceid, face landmarker.
NLP: Những mô hình chính được sử dụng để giải quyết bài toán sửa lỗi chính tả, phân loại cảm xúc, NER, PoS, sinh văn bản.
Recommeder system: Mô hình khuyến nghị sản phẩm theo collaborative-filtering, content-base và session-base.
Ứng dụng của mô hình credit scoring.
Mô hình chuỗi thời gian.
Đóng góp vào dự án¶
Để thực hiện lần lượt những chương này là một khối lượng công việc khá lớn. Vì vậy tác giả sẽ rất vui nếu nhận được sự tham gia từ các bạn trong cộng đồng để đóng góp cho cuốn sách. Có hai mảng công việc chính để một bạn tham gia đóng góp:
Nghiên cứu: Mục tiêu của nghiên cứu là viết về lý thuyết. Bạn sẽ được tác giả hướng dẫn tìm hiểu và viết về một mục cụ thể ở trên hoặc bạn có thể tự đề xuất viết về một đề tài cụ thể. Sau đó tác giả sẽ cùng bạn chỉnh sửa và tích hợp vào cuốn sách. Hình thức này sẽ phù hợp với các bạn đam mê nghiên cứu và có kiến thức nền tảng tốt về machine learning và deep learning. Việc tham gia viết lách sẽ giúp bạn rèn luyện được tư duy nghiên cứu và khả năng diễn giải.
Ứng dụng: Bạn sẽ tham gia phát triển các case studies liên quan tới một thuật toán cụ thể liên quan tới nội dung cuốn sách dưới sự hướng dẫn của tác giả. Bạn sẽ được học tập và chia sẻ kinh nghiệm từ tác giả để hoàn thiện kỹ năng xây dựng mô hình của mình.
Tất cả các bạn tham gia vào quá trình đóng góp đều sẽ được nêu tên trên nội dung mỗi chương như một sự tri ân. Ngoài ra các bạn có thể chat trực tiếp với tác giả thông qua phamdinhkhanh - facebook để tham gia vào dự án.