Machine Learning cho người bắt đầu

start here
start here

Những bạn yêu thích Machine Learning và không biết mình nên bắt đầu từ đâu có thể bắt đầu tại đây. Mọi câu hỏi, các bạn có thể comment bên dưới, mình luôn sẵn sàng ở đây để hỗ trợ.

Khởi động

Bạn cần làm quen với một vài điểm cơ bản để bắt đầu cuộc hành trình của mình.

Machine learning là gì

Tại sao cần Machine learning

Machine Learning trên Quora hỏi gì đáp nấy

Những ứng dụng thương mại của Deep learning

Các công ty Startup về Deep learning

Kĩ năng

Bạn cần học và thực hành tiến trình áp dụng machine learning vào bài toán cụ thể. Chuẩn bị dữ liệu > Huấn luyện > Đánh giá và lựa chọn mô hình.

Cách xác định bài toán trong Machine Learning

Kỹ năng làm việc với Machine Learning

Tiền xử lý dữ liệu (Horse Colic dataset)

Getting and cleaning data: Các phương pháp lấy mẫu (Sampling)

Lấy và làm sạch dữ liệu: Xử lý dữ liệu ngoại lai (Outliers)

Feature engineering là gì

Đánh giá mô hình (Model evaluation)

Các thuật toán cơ bản

Đây là bước mà mọi người thích thú nhất đó là huấn luyện cho máy tính hiểu dữ liệu để đưa ra những dự đoán hữu ích.

Điểm qua các thuật toán Machine Learning hiện đại

Gom nhóm (Clustering analysis) tập dữ liệu Labor

Áp dụng các phương pháp phân lớp (Classification) trên tập dữ liệu Mushroom

Cài đặt Neural Network với Python

Scikit-learn: Naive Bayes Classifier

AdaBoost hỏi gì đáp nấy

C4.5 hỏi gì đáp nấy

Expectation maximization (EM) hỏi gì đáp nấy

Support vector machine (SVM) hỏi gì đáp nấy

Khai thác tập phổ biến (frequent itemsets) với thuật toán Apriori

Tham khảo thêm

Góp nhặt kinh nghiệm làm nghề Data scientist

Xử lý ngôn ngữ tự nhiên (Natural Language Processing) là gì?

Những dự án Machine Learning tập dợt khi rảnh rỗi

5 Machine Learning APIs tốt nhất dành cho Data Science

OpenTable xây dựng hệ thống recommender như thế nào

Xây dựng hệ thống khuyến nghị (Recommendation Engine) cho New York Times

The data science project lifecycle

Top 10 videos

Featured

 

Python snippet: Linear regression

cartoon_guide_regression.png

Linear regression (Hồi quy tuyến tính) thường được ứng dụng vào dự đoán giá trị số thực khi cho trước dữ liệu đầu vào. Ví dụ một số ứng dụng của Linear regression:

  • Dự đoán mức lương sau khi ra trường của một người dựa vào các thông số như điểm trung bình khoá học, số lượng các hoạt động ngoại khoá đã tham gia, giới tính, …
  • Dự đoán giá chứng khoán ngày mai dựa vào lịch sử giá trước đó, các sự kiện xã hội, số lượng vốn đầu kỳ, …
  • Bao nhiêu người sẽ share bài viết của bạn trên facebook dựa trên số lượng bạn bè, số lượng bạn của bạn bè, độ phổ biến của hashtag, những bài viết trước đó, …
  • Điều chỉnh nhiệt độ phòng dựa trên thời gian trong ngày, nhiệt độ ngoài trời, ánh sáng trong phòng, …

Tiếp tục series Python snippet (Python snippet: Visualizing, Python snippet: Thu thập dữ liệu), tuần này tôi sẽ đưa vào một vài snippet liên quan đến linear regression áp dụng trên tập dữ liệu home_data để dự đoán giá nhà dựa trên một vài thuộc tính cơ bản như số lượng phòng ngủ, số lượng phòng tắm, điểm đánh giá, …

Lý thuyết: linear regression
Source code: data-science-works
Thư viện: matplotlib, pandas, scikit-learn

Xem tiếp

Python snippet: Thu thập dữ liệu

multiple-data-sources

Trước khi có thể làm việc với dữ liệu, việc đầu tiên bạn cần làm là thu thập chúng. Có rất nhiều nguồn dữ liệu khác nhau như web, APIs, databases, những định dạng file plain text (.csv, .tsv). Sau khi thu thập, ta có thể thực hiện vài động tác chuẩn hoá dữ liệu sao cho phù hợp với nhu cầu làm việc của mình nhất.

Tiếp tục series Python snippet (Python snippet: Visualizing), tuần này tôi sẽ đưa vào một vài snippet thường gặp trong quá trình thu thập dữ liệu.
Source code: data-science-works
Thư viện: csv, json, re, collections, requests, bs4, twython

Xem tiếp

Command line thường dùng

Linux is sexy.jpg

Trong quá trình phân tích dữ liệu, tôi thường làm việc trực tiếp trên môi trường UNIX. Nơi mà bạn chỉ có màn hình nền đen chữ trắng (terminal, command line) để tương tác với hệ thống (thu thập, quan sát, chỉnh sửa, chia sẻ dữ liệu). Lý do là vì bạn thường phải thuê server bên ngoài như Amazon và họ chỉ cung cấp cho bạn môi trường tương tác chính là từ dòng lệnh. Bài viết này xin tổng hợp lại những command line mà tôi thường dùng nhất để tiện cho các bạn mới nhập môn tham khảo và áp dụng.

Hy vọng sự linh hoạt của các dòng lệnh này có thể giúp bạn trở thành một nhà khoa học dữ liệu hiệu quả và năng suất hơn. Bạn sẽ học được cách kết hợp các công cụ dòng lệnh nhỏ nhưng mạnh mẽ này với nhau để nhanh chóng thu thập, khám phá và xây dựng mô hình dữ liệu của bạn.

Xem tiếp

Python snippet: Visualizing

matplotlib

Python snippet là series các bài viết tổng hợp lại những đoạn code hữu ích trong quá trình làm việc và nghiên cứu của tôi. Mục đích chủ yếu làm nơi tham khảo nhanh để tiết kiệm thời gian cài đặt và triển khai. Tôi sẽ bắt đầu với visualizing gồm các chart (biểu đồ) cơ bản thường hay dùng để phân tích dữ liệu.

Source code: data-science-works
Thư viện: matplotlib, numpy

Xem tiếp

Word embedding

word2vectors.gif
NLP là một trong những bài toán khó và phức tạp trong ngành Khoa học máy tính và Trí tuệ nhân tạo. Do đòi hỏi phải dạy cho máy tính không chỉ hiểu được cú pháp của một ngôn ngữ mà còn ngữ nghĩa của các câu sử dụng trong từng ngữ cảnh đặc biệt mà không mắc phải nhập nhằng (ambiguity).

Để đi đến đích, đó là xây dựng được một hệ thống AI hoàn thiện, ta còn cách tương lai quá xa. Trong khi đó, word vector (hay còn gọi là distributed representations) là một công cụ khá thú vị có thể xoá bỏ một vài khoảng cách tri thức về ngôn ngữ giữa máy tính và con người. Trong bài viết này, tôi sẽ tóm tắt lại khái niệm và ý nghĩa của việc sử dụng word vector trong NLP.

Ví dụ kinh điển khi nói đến word vector là “king – man + woman =?”, bạn có nghĩ rằng máy tính sẽ trả lời là “queen” không? Thật vậy, Google đã làm được điều này trong dự án nghiên cứu word2vec của mình (biến đổi một từ thành một vector). Bạn có thể tham khảo thêmword2vec implementation Google Code.

Xem tiếp

Những chuyên gia bạn nên follow trong lĩnh vực Data Science

Topic Modeling là gì

Latent Dirichlet Allocation
Latent Dirichlet Allocation

Topic Modeling là gì? Tại sao chúng ta cần nó?

Trong thế giới Big Data, dữ liệu luôn luôn tăng dần mỗi ngày khiến cho việc tìm kiếm những thông tin cần thiết đối với từng cá nhân ngày càng khó khăn. Để giải quyết vấn đề này, ta cần có các công cụ và kĩ thuật để tổ chức, tìm kiếm và hiểu được ý nghĩa của thông tin lộn xộn đó. Topic modeling là một trong các công cụ giúp ta thực hiện được việc này:

  • Khám phá các pattern topics xuất hiện trong tập văn bản.
  • Phân loại và gán nhãn các văn bản dựa vào các topic đã được định nghĩa.
  • Sử dụng các nhãn này để tổ chức, tìm kiếm và tổng hợp văn bản.

Có nhiều kĩ thuật được sử dụng để thu được topic models như LDA và TextRank. Bài viết này tập trung giải thích Latent Dirichlet Allocation (LDA), một phương pháp thông dụng trong topic modeling.

Xem tiếp

Long short-term memory (LSTM)

Short term vs Long term memory
Short term vs Long term memory
Deep learning là một kĩ thuật Machine Learning mạnh mẽ đang được nhiều người trong ngành biết đến và nghiên cứu. Kĩ thuật này nổi trội là do chúng thực hiện được hai việc cùng lúc: biểu diễn thông tin (represent problem/feature engineering) và học (learning). Do đó, kĩ thuật này còn được gọi là representation learning.

Bên cạnh các lĩnh vực đã gặt hái được nhiều thành công như Xử lý ảnh số và video số, hay Xử lý tiếng nói, Deep Learning cũng được áp dụng vào Xử lý ngôn ngữ tự nhiên. Cụ thể trong bài viết này, Long short-term memory (LSTM) là mô hình cải tiến từ RNN cũng thuộc họ Deep Learning mà ta cần quan tâm.

Xem tiếp

Những câu nói hay về Data Science

Tầm quan trọng của dữ liệu

Data vs information
Data vs information

“You can have data without information, but you cannot have information without data.”- Daniel Keys Moran, Computer programmer and science fiction author

Bạn có thể có dữ liệu mà không cần thông tin, nhưng bạn không thể có thông tin mà không có dữ liệu.

“Most of the world will make decisions by either guessing or using their gut. They will be either lucky or wrong.”- Suhail Doshi, CEO, Mixpanel

Hầu hết mọi người đưa ra những quyết định chỉ dựa vào phán đoán của mình. Làm như vậy họ chỉ nhận được một là thành công do may mắn hay hai là thất bại do sai lầm.

“It is a capital mistake to theorize before one has data.”- Arthur Conan Doyle, Author of Sherlock Holmes

Ta sẽ mắc nhiều sai lầm khi đưa ra giả thuyết trước khi được cung cấp thêm dữ liệu.

“We’re entering a new world in which data may be more important than software.”- Tim O’Reilly, Founder, O’Reilly Media

Chúng ta đang ở trong một thế giới mới mà ở đó dữ liệu quan trọng hơn cả phần mềm.

“Data is a precious thing and will last longer than the systems themselves.”- Tim Berners-Lee, father of the Worldwide Web

Dữ liệu là một thứ tài sản quý giá và sẽ tồn tại lâu hơn cả chính hệ thống của mình.

“It’s difficult to imagine the power that you’re going to have when so many different sorts of data are available.”- Tim Berners-Lee

Bạn sẽ khó hình dung được sức mạnh mà bạn sẽ có khi sở hữu đa dạng các loại dữ liệu ngoài kia.

“Web users ultimately want to get at data quickly and easily. They don’t care as much about attractive sites and pretty design.”- Tim Berners-Lee

Người dùng Web thật sự cần dữ liệu càng nhanh càng đơn giản càng tốt. Họ sẽ không quan tâm nhiều đến vẻ hào nhoáng và vẻ đẹp của giao diện đâu.

“Data, I think, is one of the most powerful mechanisms for telling stories. I take a huge pile of data and I try to get it to tell stories.” – Steven Levitt, Co-author of Freakonomics

Dữ liệu là một công cụ mạnh mẽ được dùng để kể các câu chuyện. Tôi sử dụng nhiều biểu đồ khác nhau để kể nên các câu chuyện mà mình muốn chia sẻ.

“Before Google, and long before Facebook, Bezos had realized that the greatest value of an online company lay in the consumer data it collected.” – George Packer, author for the New Yorker

Trước khi có Google và Facebook, Bezos đã nhận ra rằng giá trị thật sự của các công ty online là dựa vào dữ liệu khách hàng mà họ thu thập được.

“Our ability to do great things with data will make a real difference in every aspect of our lives.” – Jennifer Pahlka, Founder and Executive Director for Code for America

Khả năng làm việc với dữ liệu sẽ mang lại những thay đổi hữu ích ở mọi mặt của cuộc sống chúng ta.

“Some of the best theorizing comes after collecting data because then you become aware of another reality.” – Robert J. Shiller, Winner of the Nobel Prize in Economics

Nhiều lý thuyết hay được phát minh từ việc thu thập dữ liệu. Vì trong quá trình này, bạn đã nhận ra được các chân lý mới.

“Without big data analytics, companies are blind and deaf, wandering out onto the Web like deer on a freeway.” – Geoffrey Moore, Partner at MDV

Nếu không phân tích được Big Data, các công ty cũng như những người khiếm thị và khiếm thính, đi vào khu rừng Web như những chú hưu ngây thơ.

Đối xử với dữ liệu

Torture the data
Torture the data

“Torture the data, and it will confess to anything.” – Ronald Coase, winner of the Nobel Prize in Economics

Hãy “tra tấn” dữ liệu và nó sẽ thú nhận với bạn tất cả.

“Data scientists are involved with gathering data, massaging it into a tractable form, making it tell its story, and presenting that story to others.” – Mike Loukides, VP, O’Reilly Media

Công việc của Data scientists liên quan đến thu thập dữ liệu, ghi chú lại các thông tin để dễ theo dõi, xây dựng câu chuyện trên các số liệu này, và trình bày câu chuyện đó cho mọi người.

“I think you can have a ridiculously enormous and complex data set, but if you have the right tools and methodology then it’s not a problem.” – Aaron Koblin, Entrepreneur in data and digital technologies

Nếu bạn có dữ liệu kỳ quặc, lớn và phức tạp nhưng bạn có những công cụ và phương pháp đúng đắn, thì mọi việc coi như xong.

“When human judgment and big data intersect there are some funny things that happen.”- Nate Silver, Founder of FiveThirtyEight

Khi phán xét của con người và Big Data gặp nhau thì sẽ có nhiều điều thú vị xảy ra.

Những điều không ngờ tới

Forensics and guess work
Forensics and guess work

“The problem with data is that it says a lot, but it also says nothing. ‘Big data’ is terrific, but it’s usually thin. To understand why something is happening, we have to engage in both forensics and guess work.”- Sendhil Mullainathan, Professor of economics, Harvard

Vấn đề của dữ liệu là nó sẽ cho ta biết quá nhiều thứ và cũng không cho ta biết gì cả. Để hiểu được điều gì đang diễn ra, bạn cần đóng vai như một người pháp y và nhà phỏng đoán.

“Big Data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it.”- Dan Ariely, Author of Predictably Irrational

Big Data giống như sex ở tuổi teen: mọi người nói về nó, không ai thật sự biết phải làm như thế nào, mọi người nghĩ là mọi người đang thực hiện chúng, nên mọi người cho rằng họ đang làm điều đó.

Dữ liệu và quyền riêng tư

Eagle eye
Eagle eye

“Everything we do in the digital realm – from surfing the Web to sending an e-mail to conducting a credit card transaction to, yes, making a phone call – creates a data trail. And if that trail exists, chances are someone is using it – or will be soon enough.”- Douglas Rushkoff, Author of Throwing Rocks at the Google Bus

Những việc chúng ta làm liên quan đến kĩ thuật số – lướt web, gửi mail, giao dịch thẻ tín dụng, gọi điện thoại – đều tạo ra lưu vết dữ liệu. Nếu lưu vết này tồn tại, thì sẽ có ai đó đang sử dụng chúng hoặc không sớm thì muộn cũng sẽ sử dụng chúng.

“You happily give Facebook terabytes of structured data about yourself, content with the implicit tradeoff that Facebook is going to give you a social service that makes your life better.”- John Battelle, Founder of Wired Magazine

Bạn đưa hàng terabytes các thông tin về cá nhân cho Facebook, đổi lại Facebook sẽ cung cấp những dịch vụ giúp cho cuộc sống của bạn thêm thú vị hơn.

“It’s so cheap to store all data. It’s cheaper to keep it than to delete it. And that means people will change their behavior because they know anything they say online can be used against them in the future.”- Mikko Hypponen, Security and privacy expert

Việc lưu trữ dữ liệu rẻ hơn việc xoá dữ liệu. Nghĩa là mọi thông tin hiện tại sẽ được sử dụng để chống lại chúng ta trong nay mai.

“The price of freedom is eternal vigilance. Don’t store unnecessary data, keep an eye on what’s happening, and don’t take unnecessary risks.” — Chris Bell, US Congressman

Cái giá của sự tự do là phải luôn cảnh giác. Đừng lưu trữ những dữ liệu không cần thiết, hãy quan sát những gì đang diễn ra và đừng dính vào những rủi ro không cần thiết.

Những thay đổi

Sexy jobs
Sexy jobs

“I keep saying that the sexy job in the next 10 years will be statisticians, and I’m not kidding.”- Hal Varian, Chief economist, Google

Tôi luôn nói rằng nghề nghiệp “gợi cảm” nhất trong 10 năm tới sẽ là các nhà thống kê, và tôi không đùa đâu.

“There’s a digital revolution taking place both in and out of government in favor of open-sourced data, innovation, and collaboration.”- Kathleen Sebelius, Former United States Secretary of Health and Human Services

Có một cuộc cách mạng kĩ thuật số diễn ra ở trong và ngoài chính phủ liên quan đến mã nguồn mở, đổi mới và hợp tác.

“We should teach the students, as well as executives, how to conduct experiments, how to examine data, and how to use these tools to make better decisions.”- Dan Ariely

Tôi sẽ dạy cho những sinh viên, cũng như những nhà điều hành, cách tiến hành các thực nghiệm, làm sao để kiểm tra dữ liệu, làm sao sử dụng những công cụ này để đưa ra các quyết định tốt hơn.

“The world is one big data problem.”- Andrew McAfee, MIT scientist

Thế giới là một bài toán Big Data.

Nguồn tham khảo

41 Shareable Data Quotes That Will Change How You Think About Data
A Beginner’s Guide to Getting Your First Data Science Job