K-Means là một thuật toán phân cụm phổ biến, nhưng để áp dụng hiệu quả cần chú ý một số điểm quan trọng: 🔎 Các lưu ý chính 🌍 Tóm lại K-Means dễ dùng và… VI.5d Những lưu ý khi sử dụng K-Means

📌 Phát hiện outlier bằng K-Means K-Means không chỉ dùng để phân cụm mà còn có thể được tận dụng để phát hiện điểm bất thường (outlier detection) trong dữ liệu. 🔎 Ý tưởng chính… VI.5c Phát hiện outlier bằng K-Means

Trong thế giới dữ liệu, K-means giống như một cuộc dạo chơi đi tìm bạn thân theo sở thích thầm kín mà không cần nói ra. Bạn cứ lặng lẽ xếp vào nhóm có đặc… VI.5b Phân cụm K-Means

K-Means được ứng dụng rộng rãi trong nhiều lĩnh vực như phân cụm khách hàng, xử lý ảnh, phát hiện bất thường, và khai phá dữ liệu lớn nhờ khả năng nhóm dữ liệu chưa… VI.5a – Ứng dụng của KMeans

📌 Lựa chọn đặc trưng khi tất cả đặc trưng đều có ích Đây là một tình huống thú vị trong học máy: đôi khi mọi đặc trưng đều mang thông tin hữu ích, nhưng… VI.4 Lựa chọn đặc trưng khi tất cả có ích

📌 Tại sao cần giảm chiều (Dimensionality Reduction) khi đã có thể lựa chọn đặc trưng (Feature Selection)? Hai kỹ thuật này đều nhằm xử lý dữ liệu có nhiều đặc trưng, nhưng chúng không… VI.3- tại sao cần giảm chiều

Tại sao cần lựa chọn đặc trưng khi đã có thể giảm chiều? Trong học máy, cả lựa chọn đặc trưng (feature selection) và giảm chiều (dimensionality reduction) đều nhằm mục tiêu xử lý dữ… VI.2-tại sao cần lựa chọn đặc trưng

Bạn có bao giờ gặp tình huống dữ liệu nhiều chiều đến mức… chóng mặt? Nói cách khác là dữ liệu “thừa mỡ”? Đưa PCA xử lý giúp – giữ lại cái chất, bỏ đi… VI.1a-Phân tích thành phần chính

Cây quyết định (Decision Tree) có ưu điểm là dễ hiểu, trực quan và xử lý tốt dữ liệu dạng bảng, nhưng nhược điểm là dễ bị quá khớp, không ổn định với dữ liệu… V.5b Ưu khuyết điểm của cây quyết định

Okay, các bạn sinh viên ngành học máy, chuẩn bị tinh thần để “debug” sự phân vân của mình với Cây Quyết Định (Decision Tree)! 😎 Đây là cách để các bạn thoát khỏi vòng… V.5a Cây Quyết Định cho người hay phân vân

Ưu điểm của Máy Vector Hỗ trợ SVM là một trong những thuật toán học có giám sát phổ biến nhất trong học máy và trí tuệ nhân tạo, chủ yếu vì chúng có thể… V.4c: Ưu/ khuyết điểm của SVM

Kernel trick là một kỹ thuật quan trọng trong SVM giúp giải quyết các bài toán phân loại phức tạp khi dữ liệu không tuyến tính trong không gian gốc. 🔎 Ý tưởng chính ⚙️… V.4b: Thủ thuật kernel

Bạn tưởng tượng có một bữa tiệc với 2 nhóm khách mời: nhóm “Mèo” và nhóm “Chó”. Nhiệm vụ của bạn là tìm một đường ranh giới (siêu phẳng) để phân chia hai nhóm này… V.4a Máy véc tơ hỗ trợ (SVM)

Hồi quy Logistic là mô hình mạnh mẽ cho phân loại nhị phân, nhưng nếu không kiểm soát tốt, nó dễ bị quá khớp (overfitting) khi số đặc trưng nhiều hoặc dữ liệu nhiễu. 🔎… V.3d hồi quy Logistic: quá khớp/ lựa chọn đặc trưng

Hồi quy logistic có thể được xây dựng dựa trên phân phối Bernoulli vì đầu ra của bài toán phân loại nhị phân chỉ có hai giá trị: . 🔎 Bước hình thành 🌍 Ý… V.3b hồi quy logistic

Ý nghĩa và lựa chọn giá trị K tối ưu Giá trị ‘K’ trong thuật toán K-Nearest Neighbors là một siêu tham số quan trọng, định nghĩa số lượng láng giềng gần nhất mà thuật… V.2c những lưu ý quan trọng khi sử dụng KNN

KNN (K-Nearest Neighbors) là một thuật toán phân loại đơn giản nhưng rất trực quan trong học máy. Ý tưởng chính: 🐾 Ví dụ minh họa Giả sử ta có dữ liệu về loài vật… V.2b Ví dụ về KNN

KNN là một thuật toán cực kỳ đơn giản nhưng rất thông minh trong thế giới máy học. Nó giống như bạn đang hỏi ý kiến của những người hàng xóm thân thiện để đưa… V.2a phân loại K-Nearest Neighbors (KNN)

Phân loại trong học máy là quá trình dùng dữ liệu để huấn luyện mô hình nhằm gán nhãn cho đối tượng mới, và nó có rất nhiều ứng dụng thực tế như nhận diện… V.1 phân loại là gì

Siêu tham số giống như những quy tắc trước khi huấn luyện một đội bóng: chọn chiến thuật, thời gian tập luyện, ăn kiêng,… Nếu chọn sai, cả đội chơi như gà mắc tóc. Tối… IV.6-tìm kiếm ngẫu nhiên để tối ưu siêu tham số