tailieunhanh - Bài giảng Nhập môn Học máy và Khai phá dữ liệu - Chương 0: Giới thiệu môn học

Bài giảng "Nhập môn Học máy và Khai phá dữ liệu" được biên soạn với mục tiêu nhằm giúp học viên có kiến thức cơ bản về học máy; có hiểu biết về các phương pháp học máy, các điểm mạnh (ưu điểm) và các điểm yếu (nhược điểm) của các giải thuật học máy và khai phá dữ liệu; làm quen và sử dụng được thư viện Scikit-learn; có kinh nghiệm về thiết kế, cài đặt, và đánh giá hiệu năng của một phương pháp học máy hoặc khai phá dữ liệu; . Mời các bạn cùng tham khảo chi tiết nội dung bài giảng! | 1 Nhập môn Học máy và Khai phá dữ liệu IT3190 2 Cấu trúc môn học Số tuần 15 Lý thuyết 11-13 tuần Sinh viên trình bày đồ án môn học 02-03 tuần Thời gian và địa điểm Thời gian gặp sinh viên Hẹn trước qua e-mail Viện CNTT amp TT Nhà B1 3 Nội dung môn học Lecture 1 Giới thiệu về Học máy và khai phá dữ liệu Lecture 2 Thu thập và tiền xử lý dữ liệu Lecture 3 Hồi quy tuyến tính Linear regression Lecture 4 5 Phân cụm Lecture 6 Phân loại và Đánh giá hiệu năng Lecture 7 dựa trên láng giềng gần nhất KNN Lecture 8 Cây quyết định và Rừng ngẫu nhiên Lecture 9 Học dựa trên xác suất Lecture 10 Mạng nơron Neural networks Lecture 11 Máy vector hỗ trợ SVM Lecture 12 Khai phá tập mục thường xuyên và các luật kết hợp Lecture 13 Thảo luận ứng dụng học máy và khai phá dữ liệu trong thực tế 4 Mục tiêu của môn học Có kiến thức cơ bản về học máy Có hiểu biết về các phương pháp học máy các điểm mạnh ưu điểm và các điểm yếu nhược điểm của các giải thuật học máy và khai phá dữ liệu Làm quen và sử dụng được thư viện Scikit-learn Có kinh nghiệm về thiết kế cài đặt và đánh giá hiệu năng của một phương pháp học máy hoặc khai phá dữ liệu Thông qua đồ án môn học 5 Đánh giá Đồ án môn học P Tối đa 10 điểm Mỗi đồ án được thực hiện bởi một nhóm sinh viên Chọn một phương pháp học máy được giới thiệu trong môn học để giải quyết một bài toán thực tế Cài đặt và đánh giá hiệu năng của phương pháp đó dựa trên dữ liệu thực tế Thi viết E Tối đa 10 điểm Điểm học phần G G 0 4 x P 0 6 x E 6 Đồ án môn học đề tài Tự do đề xuất bài toán thực tế các giải thuật học máy để giải quyết bài toán và các tập dữ liệu được sử dụng Đề xuất đề tài phải được diễn giải cụ thể Mô tả bài toán thực tế sẽ được giải quyết mục đích yêu cầu kịch bản ứng dụng Xác định rõ giải thuật học máy dùng để giải quyết bài toán. Trình bày các thông tin về đầu vào input và đầu ra output của hệ thống học máy sẽ được cài đặt và cách thức biểu diễn dữ liệu. Xác định rõ các tập dữ liệu datasets sẽ được sử dụng. 7 Đồ án môn học các yêu cầu Kết quả của đồ

• Cơ sở dữ liệu
• Bài giảng Nhập môn Học máy và Khai phá dữ liệu
• Nhập môn Học máy và Khai phá dữ liệu
• Phương pháp học máy
• Khai phá dữ liệu
• Thư viện Scikit learn
• Học dựa trên xác suất
• Học máy và khai phá dữ liệu
• Kiểu dữ liệu có cấu trúc
• Kiểu dữ liệu phi cấu trúc
• Machine learning
• Data mining
• Khai phá tập mục thường xuyên
• Mô hình luật kết hợp
• Giải thuật Apriori
• Khai phá luật kết hợp
• Thu thập dữ liệu
• Tiền xử lý dữ liệu
• Lựa chọn dữ liệu
• Chuyển đổi dữ liệu
• Tập dữ liệu
• Dữ liệu chuỗi di truyền
• Biểu đồ histogram
• Đánh giá hiệu năng hệ thống học máy
• Học có giám sát
• Multi class classification
• Multi label classification
• Quá trình học máy
• Phương pháp học hồi quy
• Phương pháp học quy nạp luật
• Phương pháp học cây quyết định
• Máy vector hỗ trợ (SVM)
• Phân tách tuyến tính
• Tập điều kiện Karush Kuhn Tucker
• Biểu thức đối ngẫu
• Đánh giá hiệu năng hệ thống
• Tiêu chí đánh giá hiệu năng hệ thống
• Nguyên lý Occam’s razor
• Máy vectơ hỗ trợ
• Support vector machine
• Mặt siêu phẳng phân tách
• Lý thuyết tối ưu có ràng buộc
• Bài toán phân lớp
• Học dựa trên các láng giềng gần nhất
• Nearest neighbors learning
• Giải thuật phân lớp k NN
• Bài toán phân cụm
• Phân cụm dựa trên phân tách k Means
• Phân cụm phân cấp HAC
• Cây quyết định
• Rừng ngẫu nhiên
• Học cây quyết định bằng ID3
• Biểu diễn cây quyết định
• Bài toán hồi quy
• Hồi quy tuyến tính
• Hàm đánh giá lỗi
• Giải thuật hồi quy tuyến tính
• Bài toán phát hiện luật kết hợp
• Chiến lược sinh tập mục thường xuyên
• Tập mục thường xuyên
• Mạng nơron nhân tạo
• Artificial neural network
• Mạng nơ ron học sâu
• Quy tắc học trọng số tổng quát
• Học dựa trên láng giềng gần nhất
• K nearest neighbors (k NN)
• Hàm tính khoảng cách
• Hàm khoảng cách Euclid
• Mô hình hóa xác suất
• Lý thuyết xác suất cơ bản
• Biến ngẫu nhiên nhị phân
• Naïve gradient decent
• Huấn luyện K means
• Thuật toán EM
• Phương pháp học dựa trên xác suất
• Probabilistic learning
• Biến ngẫu nhiên đa trị
• Biểu diễn xác suất
• Decision tree
• Học cây quyết định
• Linear regression
• Thuật toán bình phương tối thiểu
• Mạng nơron
• Neural networks
• Mạng nơ ron nhân tạo
• Giải thuật học lan truyền ngược
• Giải thuật phân cụm
• Đánh giá chất lượng phân cụm
• Phương pháp K means
• Thuật toán Online K means