Bạn hứng thú với machine learning và không biết bắt đầu từ đâu? Hãy thử tham khảo ở đây, một bộ hướng dẫn đầy đủ dành cho những ai muốn theo đuổi machine learning với trong Python ecosystem. Nếu bạn còn muốn khám phá nhiều hơn, bạn có thể tìm kiếm các khoá học MOOCs và các bài giảng miễn phí đến từ các trường đại học danh giá.
Tuy vậy, sách luôn là sự lựa chọn tuyệt vời nhất. Tất nhiên, ngày nay, chúng ta hoàn toàn có thể chọn đọc những quyển sách điện tử: dễ dàng hơn, hấp dẫn và tiện lợi hơn. Cùng tôi lướt qua những quyển sách này, chúng giới thiệu tổng quát về machine learning và bao trùm nhiều khái nhiệm, tài liệu khác nhau.
Nils J. Nilsson đến từ Stanford đã viết chúng hồi giữa những năm 1990. Trước khi bạn nghĩ rằng học machine learning từ những năm 90s là điều vớ vẩn, hãy nhớ rằng, nền tảng vẫn là nền tảng, dù cho có được viết từ thuở nào.
Chắc chắn rằng chúng ta đã có nhiều bước tiến quan trọng với machine learning nhưng chính Nilsson cũng đã nói rằng quyển sách này chứa những điều kiến thức quan trọng, đơn giản và tập trung về statistical learning, learning theory, classification, và hàng loạt algorithm làm ‘món khai vị’ cho bạn. Chỉ 200 trang sách, bạn sẽ đọc rất nhanh thôi!
Quyển sách về machine learning này được viết bởi Shai Shalev-Shwartz và Shai Ben-David. Cuốn sách này mới hơn, dài hơn và có nhiều tiến bộ hơn so với quyển trước nhưng vẫn đảm bảo tính logic như là bước tiếp theo, giúp chúng ta đào sâu vào các thuật toán, mô tả về chúng và cũng là “cầu nối” từ lý thuyết đến thực tiễn tốt hơn. Việc tập trung vào lý thuyết rất quan trọng đối với các newbie bởihoj cần biết rõ cội nguồn sức mạnh của các thuật toán machine learning. Phần ‘Advanced Theory’ bao hàm nhiều khái niệm hơi quá xa vời với một newbie, nhưng bạn vẫn nên đọc qua nó.
Quyển sách giới thiệu machine learning này của Bayesian machine learning là một trong những quyển sách hay nhất về machine learning cho đến bây giờ mà tôi biết. Và lại tình cờ, quyển sách này có bản free ebook. Arindam Banerjee, Đại học Minnesota đã nói về quyển sách như thế này trên Amazon review:
Quyển sách hàm chứa vô số những kiến thức về probabilistic machine learning, bao gồm các mô hình đồ thị rời rạc (discrete graphical models), Các chu trình ra quyết định Marko (Markov decision processes), Các mô hình biến ẩn (latent variable models), Các chu trình Gau-xơ (Gaussian process), Biến ngẫu nhiên và suy luận xác định (stochastic and deterministic inference), cùng với các kiến thức khác. Cuốn sách này là tài liệu tuyệt vời dành cho sinh viên đại học nâng cao hoặc nghiên cứu sinh dự bị cho các khoá graphical models hoặc probabilistic machine learning. Bạn sẽ đọc được từ cuốn sách vô số sơ đồ, biểu đồ, các ví dụ, đi kèm một phần mềm toolbox mở rộng.
Cần lưu ý rằng toolbox vừa được nhắc đến được implement trong MATLAB, ngôn ngữ này ngày nay không còn là ngôn ngữ implement mặc định cho machine learning nữa.
Cuốn sách này là sự lựa chọn tuyệt vời dành cho những ai quan tâm đến probabilistic machine learning.
Không sớm thì muộn, bản thảo này của Goodfellow, Bengio và Courville sẽ sớm được xuất bản thành sách.
Dưới đây là hai trích đoạn trên website của quyển sách, một đoạn khái quát nội dung quyển sách và đoạn còn lại sẽ giúp người đọc cảm thấy dễ dàng hơn khi đọc sách:
Quyển sách Deep Learning này mong muốn giúp các sinh viên và practitioners thâm nhập vào lĩnh vực machine learning nói chung và deep learning nói riêng. Phiên bản trực tuyến này của quyển sách đã được hoàn thành và vẫn sẽ được miễn phí. Bản in sẽ sớm được xuất bản..Một trong những độc giả mục tiêu của cuốn sách này là các sinh viên và nghiên cứu sinh đang nghiên cứu về machine learning, bao gồm những ai đang bắt đầu sự nghiệp deep learning và nghiên cứu trí thông minh nhân tạo. Quyển sách này cũng hướng đến các kỹ sư phần mềm không chuyên về machine learning và xác suất thống kê nhưng muốn học nhanh để ứng dụng deep learning vào sản phẩm và nền tảng của mình.
Quyển sách này đang được chỉnh sửa và biên tập. Đây là link của bản thảo thứ hai và hiện tại vẫn đang miễn phí.
Reinforcement learning là quyển sách tuyệt vời nghiên cứu về những tiến bộ ngày nay. Với thành công lớn của Alpha Go, tiềm năng của xe tự hành và những hệ thống tương tự và cuộc “hôn phối” trong tương lai với deep learning, chúng ta có cơ sở để tin rằng reinforcement learning, không nghi ngờ gì sẽ đóng một vai trò quan trong dưới mọi hình thức của “General AI” và sẽ có mặt ở mọi nơi. Đó là những lý mà bản thảo thứ hai của quyển sách đang tiếp tục được chỉnh sửa.
Amazon review này từ David Tan đã tóm tắt quyển sách một cách đầy đủ và xua đi mọi lo lắng về sự phức tạp và khó hiểu của nó.
Quyển sách bắt đầu bằng những ví dụ và giới thiệu cơ bản về reinforcement learning. Quyển sách đi theo ba chương với ba các tiếp cận căn bản: Dynamic programming, Monte Carlo và Temporal Difference methods. Những chương tiếp theo được xây dựng trên các phương pháp này và đi từ tổng quát đến các pháp và thuật toán.Cuốn sách này cực kỳ dễ đọc cho các sinh viên khá ngành máy tính. Có thể chương 8 sẽ hơi khó một chút vì nó bàn đến khái niệm neural network
Chúc các bạn thành công!
Quyển số 1 tôi chưa đọc nên không có nhận xét gì.
Trả lờiXóaVề quyển số 2 nó cover khá nhiều các topic. Tuy nhiên nó tập trung khá nhiều vào chứng minh toán, đôi lúc hơi tắt. Những ai thích thực hành thì sẽ không thích quyển này.
Quyển số 3 là một quyển đọc nhẹ nhàng, nhưng vì tác giả có gắng ôm đồm nhiều thứ nên nhiều lúc đọc cảm giác hơi lan man, kiếm thức không sâu hẳn. Về Probabilistic Graphical Model thì theo tôi quyển của Keller hay hơn.
Quyển 4 Deep Learning viết theo kiểu giống một kiểu Handbook hơn nên những công thức đưa ra thường khá tắt. Cái tốt của quyển 4 là đưa cho người đọc một cái nhìn tổng quan về vấn đề đang đọc. Theo tôi quyển này nên dành cho những người đã có một chút nền tảng về Deep Learning học sẽ dễ hiểu và thấy hay. Quyển 4 có vẻ không phù hợp cho người mới chưa biết gì về Neural Networks.
Quyển số 5 là một quyển tôi thấy khá ổn. Trình bày vấn đề dễ hiểu, đồng thời cũng cover được khá nhiều topic liên quan đến Reinforcemen Learning.