CON ĐƯỜNG HỌC TẬP TOÀN DIỆN CHO DEEP LEARNING NĂM 2019

CON ĐƯỜNG HỌC TẬP TOÀN DIỆN CHO DEEP LEARNING NĂM 2019

========
Deep Learning đã và đang có nhiều tác động đến mọi mặt đời sống của chúng ta, bất kể bạn đang ở đâu: trong phòng Lab của một trường ĐH hay ở nhà hay tại nơi làm việc thì việc học tập của bạn cũng có thể được bắt đầu. Do đó, hôm nay tôi sẽ chia sẻ cho các bạn con đường học tập toàn diện cho Deep Learning trong năm 2019, chương trình được thiết kế dành cho tất cả các bạn ở mọi cấp độ.
========
Cấu trúc chương trình này sẽ rất hữu ích cho các bạn mong muốn học đi đôi với THỰC HÀNH. Cho dù bạn là một người hoàn toàn mới hoặc đang chuyển đổi từ một lĩnh vực khác hoặc đang tìm cách nâng cao bản thân, kế hoạch này sẽ cung cấp cho bạn hướng đi cần thiết.

Nếu bạn có kế hoạch cải thiện các kỹ năng Deep Learning hiện có hoặc bổ sung các khái niệm nâng cao – kế hoạch này sẽ hướng dẫn các bạn vượt qua hành trình đó.========
Dưới đây tôi sẽ tóm tắt các khái niệm cốt lõi mà các bạn cần biết và nắm vững trong quá trình học Deep Learning:

1. Deep Learning: là một lĩnh vực rộng lớn bao gồm nhiều lĩnh vực nhỏ. Vì vậy, để khởi động hành trình học tập của các bạn, tôi khuyên các bạn nên bắt đầu từ đầu. Tháng đầu tiên sẽ là tất cả về việc hiểu ý nghĩa của Deep Learning, bao gồm các số liệu thống kê mô tả cơ bản, các khái niệm xác suất và học Python!

2. Tìm hiểu các khái niệm cơ bản của Machine Learning: Bước tiếp theo hợp lý trong lộ trình học của tôi sẽ đưa các bạn vào thế giới của Machine Learning. Điều này bao gồm các kỹ thuật như linear regression, logistic regression, and regularization methods. Deep Learning không thể thực sự nắm bắt cho đến khi các bạn biết các khái niệm cốt lõi của đại số tuyến tính và phép tính, vì vậy hãy bổ sung cho bộ kỹ năng của các bạn với phần giới thiệu về ma trận, vectơ và đạo hàm.

3. Tìm hiểu về Deep Learning và Keras: Đây là những gì các bạn đã chờ đợi! Tháng thứ ba là khi tôi khuyên các bạn nên giới thiệu bản thân với các mạng lưới thần kinh. Ngoài ra, các bạn nên bắt đầu khám phá các framework khác nhau trong Deep Learning và bắt đầu viết mã trên một framework (khuyến nghị của tôi trong lộ trình học này là Keras). Tôi cũng đã cung cấp một dự án thực hành để giúp các bạn có được sự hiểu biết thực tế về các khái niệm này trên Twitter của tôi.

4. Tinh chỉnh Mạng thần kinh của các bạn: Các bạn đã xây dựng mô hình của riêng các bạn và thử nghiệm nó. Cái gì tiếp theo? Các mô hình thường không cho kết quả tốt nhất trong lần đầu tiên, vì vậy biết cách tinh chỉnh và cải thiện chúng là một kỹ năng quan trọng mà bất kỳ chuyên gia Deep Learning nào cũng nên biết. Xử lý / tiền xử lý dữ liệu hình ảnh, hiểu điều chỉnh siêu tham số và chuyển giao học tập, v.v … đều là một phần của việc cải thiện mô hình Deep Learning của các bạn.

5. Hiểu về CNN: Convolutional Neural Network (CNN) đã trở thành một trong những trường hợp được sử dụng phổ biến nhất của Deep Learning trong các sự án thực tế. Điều này được coi là bắt buộc để biết CNN là gì và làm thế nào các bạn có thể điều chỉnh các hyperparameters bên trong để trích xuất kết quả tối đa từ chúng.

6. Gỡ lỗi Mô hình học Deep Learning của các bạn: Hỏi bất kỳ lập trình viên nào và họ sẽ cho bạn biết gỡ lỗi là phần ít thú vị nhất trong công việc của họ. Nhưng làm thế nào về khả năng hình dung mô hình Deep Learning của các bạn để hiểu nó sai ở đâu? Vâng, giờ đây có thể phân tích lỗi một cách trực quan – một kỹ năng thực sự hay và hữu ích mà tôi đã nêu trong quá trình học tập.

7. Sequence Model: Đây là nơi tôi thực sự đi sâu vào Deep Learning. Các mô hình sequence bao gồm các kỹ thuật như Recurrent Neural Networks (RNNs), Long Short Term Memory (LSTM) và Gated Recurrent Unit (GRU). Đây cũng là điểm mà các bạn nên bắt đầu phân biệt năng lực bản thân với những người khác bằng cách áp dụng các khái niệm này vào các dự án thực tế.

8. Deep Learning cho NLP: Deep Learning đã thay đổi phạm vi của NLP thành một mức độ đáng chú ý. Với sự linh hoạt của transfer learning, NLP đã trở thành một trong những lĩnh vực nghiên cứu hot nhất hiện nay và thay đổi một cách nhanh chóng. Nếu đây là lĩnh vực các bạn quan tâm, tôi khuyến khích các bạn luôn đứng đầu trò chơi bằng cách tìm hiểu các phương pháp khác nhau về cách Deep Learning có thể được sử dụng trên dữ liệu văn bản. Ít nhất, một sự hiểu biết về việc nhúng các từ ngữ sẽ giúp ích rất nhiều.

9. Unsupervised Deep Learning: Các nhà khoa học dữ liệu sử dụng nhiều thuật toán để trích xuất những hiểu biết có thể hành động. Nhưng phần lớn những vấn đề này có tính chất supervised learning nature. Học không giám sát là một lĩnh vực đầy thách thức, gấp đôi khi nói đến Deep Learning. Nhưng lợi thế của nó là rất nhiều và có khả năng đột phá. Hy vọng vào phần này của con đường học tập của các bạn một khi các bạn đã nắm vững các khái niệm đã đề cập ở trên.

10. GANs: Một trong những khái niệm học sâu yêu thích của tôi – Generative Adversarial Networks (GANs). Chúng đứng đằng sau tất cả các ứng dụng AI sáng tạo được phát triển mà chúng ta thấy thường xuyên, bao gồm viết tiểu luận, viết thơ, tạo tác phẩm nghệ thuật, v.v.
=========

 

Copyright by Dr.Huynh Nguyen