Học Máy trong Python¶
Để tìm hiểu thêm về máy học trong Python, tôi đề nghị một số tài liệu sau:
Trang web Scikit-Learn: Trang web Scikit-Learn cung cấp một lượng tài liệu và ví dụ rộng lớn về những mô hình được thảo luận ở đây, và còn nhiều hơn nữa. Nếu bạn muốn có một cuộc khảo sát ngắn về các thuật toán học máy quan trọng và thường được sử dụng, trang web này là một nơi tốt để bắt đầu.
Video hướng dẫn về SciPy, PyCon và PyData: Scikit-Learn và các chủ đề học máy khác thường là những đề tài ưa thích trong các loạt hướng dẫn của nhiều hội nghị tập trung vào Python, đặc biệt là hội nghị PyCon, SciPy và PyData. Bạn có thể tìm thấy những video mới nhất thông qua một cuộc tìm kiếm đơn giản trên web.
Giới thiệu về Học máy với Python: Được viết bởi Andreas C. Mueller và Sarah Guido, cuốn sách này bao gồm một bài giảng chi tiết hơn về các chủ đề trong chương này. Nếu bạn quan tâm đến việc xem xét các nguyên tắc cơ bản về Học máy và đẩy toolkit Scikit-Learn đến giới hạn của nó, đây là một nguồn tài nguyên tuyệt vời, được viết bởi một trong những nhà phát triển năng động nhất trong đội ngũ Scikit-Learn.
Học Máy với Python: Cuốn sách của Sebastian Raschka tập trung ít hơn vào Scikit-Learn chính nó, và tập trung hơn vào sự đa dạng của các công cụ học máy có sẵn trong Python. Đặc biệt, có một số thảo luận rất hữu ích về cách mở rộng các phương pháp học máy dựa trên Python cho các bộ dữ liệu lớn và phức tạp.
Trang web Scikit-Learn: Trang web Scikit-Learn có một sự đa dạng ấn tượng về tài liệu và ví dụ về một số mô hình được thảo luận ở đây, và nhiều nữa. Nếu bạn muốn có một khảo sát ngắn gọn về các thuật toán học máy quan trọng và thường được sử dụng, trang web này là một nơi tốt để bắt đầu.
Video hướng dẫn về SciPy, PyCon, và PyData: Các chủ đề về Scikit-Learn và các chủ đề máy học khác luôn là những ưa thích không thể thiếu trong các buổi hướng dẫn tại nhiều chuỗi hội nghị tập trung vào Python, đặc biệt là các hội nghị PyCon, SciPy, và PyData. Bạn có thể tìm thấy những video mới nhất thông qua một cuộc tìm kiếm đơn giản trên web.
Giới thiệu về Machine Learning với Python: Được viết bởi Andreas C. Mueller và Sarah Guido, cuốn sách này bao gồm một điều trị đầy đủ về các chủ đề trong chương này. Nếu bạn quan tâm đến việc xem xét các nguyên tắc cơ bản của Machine Learning và đẩy toolkit Scikit-Learn đến giới hạn của nó, đây là một nguồn tài nguyên tuyệt vời, được viết bởi một trong những nhà phát triển nhiều công lao nhất trong nhóm Scikit-Learn.
Python Machine Learning: Cuốn sách của Sebastian Raschka tập trung ít hơn vào Scikit-learn chính nó, mà hơn là vào sự đa dạng của các công cụ học máy có sẵn trong Python. Đặc biệt, có một số cuộc thảo luận rất hữu ích về cách mở rộng các phương pháp học máy dựa trên Python cho các tập dữ liệu lớn và phức tạp.
Machine Learning tổng quát¶
Tất nhiên, học máy (machine learning) rộng hơn nhiều so với chỉ thế giới Python. Có nhiều nguồn tài liệu tốt để nâng cao kiến thức của bạn, và ở đây tôi sẽ nhấn mạnh một vài nguồn tôi đã thấy hữu ích:
Machine Learning: Được giảng dạy bởi Andrew Ng (Coursera), đây là một khóa học trực tuyến miễn phí rất dễ hiểu, bao quát những kiến thức cơ bản về học máy từ khía cạnh thuật toán. Nó giả định bạn đã hiểu biết về toán học và lập trình ở mức đại học, và đi vào chi tiết các yếu tố quan trọng nhất của các thuật toán học máy. Bài tập về nhà, được chấm điểm thuật toán, yêu cầu bạn thực tế triển khai một số mô hình này bằng chính tay mình.
Pattern Recognition and Machine Learning: Được viết bởi Christopher Bishop, đây là một cuốn sách kỹ thuật kinh điển điểm lại những khái niệm về học máy được thảo luận trong chương này một cách chi tiết. Nếu bạn có ý định đi sâu hơn vào chủ đề này, bạn nên có cuốn sách này trên kệ sách của mình.
Machine Learning: a Probabilistic Perspective: Được viết bởi Kevin Murphy, đây là một cuốn sách cao cấp xuất sắc khám phá hầu hết tất cả các thuật toán học máy quan trọng từ một góc nhìn xác suất một cách rõ ràng, từ cơ bản đến nâng cao.
Học Máy: Do Andrew Ng giảng dạy (Coursera), đây là một khóa học trực tuyến miễn phí được giảng dạy rất rõ ràng, nó tập trung vào những kiến thức cơ bản về học máy từ góc độ thuật toán. Đối với khóa học này, bạn cần hiểu toán và lập trình ở cấp độ đại học và thực hiện chi tiết những yếu tố quan trọng nhất của các thuật toán học máy. Bài tập về nhà, được chấm điểm tự động, đòi hỏi bạn thực tế triển khai một số mô hình này bằng chính tay mình.
Pattern Recognition and Machine Learning: Bản dịch Việt của cuốn sách Pattern Recognition and Machine Learning này, do Christopher Bishop viết, điều này trình bày chi tiết các khái niệm về học máy được thảo luận trong chương này. Nếu bạn dự định tiếp tục nghiên cứu về chủ đề này, bạn nên có cuốn sách này trên kệ sách của mình.
Machine Learning: một Quan điểm Xác suất: Được viết bởi Kevin Murphy, đây là một tác phẩm học cao cấp tuyệt vời nghiên cứu gần như tất cả các thuật toán machine learning quan trọng từ một quan điểm xác suất thống nhất cơ bản.
Các nguồn tài nguyên này mang tính kỹ thuật hơn so với tài liệu được trình bày trong cuốn sách này, nhưng để thực sự hiểu rõ về căn bản của các phương pháp này, yêu cầu phải nghiên cứu sâu về toán học phía sau chúng.Nếu bạn sẵn sàng để thử thách và muốn đưa khoa học dữ liệu của bạn lên một tầm cao mới, đừng ngần ngại mà hãy tiến hành!
