PDF Deep Learning cơ bản - Nguyễn Thanh Tuấn

301 trang

1. Mục đích và Đối tượng:

Mục đích của cuốn sách là giới thiệu các kiến thức cơ bản về Deep Learning (Học Sâu) và các ứng dụng của nó. Sách hướng tới nhiều đối tượng độc giả khác nhau, bao gồm:

• Những người có kiến thức chuyên môn và dữ liệu trong các ngành khác (y tế, ngân hàng, nông nghiệp,...) muốn tự áp dụng Deep Learning vào lĩnh vực của họ.
• Các bạn học sinh, sinh viên muốn có nền tảng về toán và Deep Learning cơ bản để nghiên cứu chuyên sâu.
• Tác giả giải thích toán học chi tiết nhưng đơn giản, dễ hiểu, đồng thời xen kẽ các bài ứng dụng thực tế giữa các nội dung lý thuyết.

2. Yêu cầu cơ bản:

Để theo dõi nội dung sách, bạn cần có:

• Kiến thức về toán cơ bản cấp ba (hàm số, đạo hàm).
• Kiến thức cơ bản về lập trình Python (biến, vòng lặp).
• Ý thức tự học hỏi kiến thức mới.

3. Nội dung chính (Các chương):

Cuốn sách bao gồm các chủ đề từ cơ bản đến nâng cao trong Deep Learning:

• Chương I: Hướng dẫn cài đặt môi trường với Anaconda và sử dụng Google Colab (với GPU Tesla K80 được cung cấp miễn phí).
• Chương II: Giới thiệu Machine Learning cơ bản với Linear Regression và Logistic Regression, thuật toán Gradient Descent, và kiến thức Toán cơ bản (phép toán ma trận).
• Chương III: Giới thiệu về Neural Network (Mạng Nơ-ron) và thuật toán Backpropagation.
• Chương IV: Đề cập tới Convolutional Neural Network (CNN) cho bài toán xử lý ảnh, giới thiệu thư viện Keras, và ứng dụng CNN cho bài toán phân loại ảnh (MNIST) và ô tô tự lái.
• Chương V: Các kỹ thuật tối ưu mô hình (Deep Learning Tips) như Transfer Learning, Data Augmentation, Mini-batch Gradient Descent, Dropout, Activation Function, và Batch Normalize.
• Chương VI: Các bài toán Computer Vision nâng cao: Object Detection (Faster R-CNN, YOLO-Tinyv4) và Image Segmentation (U-Net).
• Chương VII: Giới thiệu Recurrent Neural Network (RNN) cho dữ liệu dạng chuỗi, mô hình cải tiến LSTM, ứng dụng thêm mô tả cho ảnh (Image Captioning), Seq2seq, và cơ chế Attention.
• Chương VIII: Giới thiệu mạng Generative Adversarial Networks (GAN) với các mô hình như DCGAN, CGAN.

4. Cập nhật trong Tái bản lần thứ hai:

Lần tái bản thứ hai (Version 2, August 2020) có những thay đổi và bổ sung đáng kể:

• Thêm chương GAN.
• Viết bài sequence to sequence và attention.
• Viết bài hướng dẫn dùng YOLO để phát hiện biển số xe.
• Thêm phần visualize CNN.
• So sánh các loss function cho linear regression và giải bằng đại số tuyến tính.
• Viết lại phần Python cơ bản.
• Thêm phần word embedding và batch normalization.
• Hướng dẫn lưu model trong machine learning dùng numpy.
• Đọc soát lại và sửa nội dung các phần trong sách.