A. Thiết kế phần mềm

B. Khai thác, phân tích và hiểu dữ liệu để rút ra giá trị

C. Lập trình web

D. Thiết kế vi mạch

A. Một kỹ thuật AI giúp máy tính học từ dữ liệu

B. Công cụ lưu trữ dữ liệu lớn

C. Một phần mềm tạo ảnh

D. Giao diện thiết kế đồ họa

A. AI bao gồm Machine Learning

B. ML điều khiển robot, AI thì không

C. ML dùng trong game, AI dùng trong công nghiệp

D. AI chỉ dùng cho xe tự lái

A. ML là công cụ hỗ trợ Data Science trong việc phân tích và dự đoán

B. Không liên quan đến nhau

C. Data Science là thuật toán con của ML

D. Data Science chỉ thu thập dữ liệu, không xử lý

A. Mô hình học từ dữ liệu đã gán nhãn

B. Mô hình tự học không cần nhãn

C. Mô hình học từ ảnh động

D. Mô hình học không cần dữ liệu

A. Phân cụm dữ liệu chưa gán nhãn

B. Học từ dữ liệu có nhãn để dự đoán đầu ra mới

C. Giảm chiều dữ liệu

D. Phát hiện dữ liệu bất thường

A. Dữ liệu đầu vào và cấu trúc nhóm

B. Chỉ dữ liệu đầu vào

C. Dữ liệu đầu vào và nhãn tương ứng

D. Dữ liệu không xác định

A. Phân cụm dữ liệu, giảm chiều dữ liệu

B. Dự đoán giá trị đầu ra

C. Nhận diện chữ viết

D. Tạo báo cáo thống kê

A. Học không giám sát

B. Học có giám sát

C. Giảm chiều dữ liệu

D. Phân cụm

A. Tạo ra một cây quyết định duy nhất

B. Tính toán ma trận khoảng cách giữa các điểm

C. Tạo ra nhiều cây quyết định và lấy kết quả theo đa số hoặc trung bình

D. Tìm luật kết hợp giữa các biến

Mô hình học thông qua phần thưởng và hình phạt

Mô hình học không dùng thuật toán

Mô hình hoạt động chủ yếu trên hình ảnh

Mô hình huấn luyện rất nhanh

Decision Tree

K-Means

PCA

Apriori

echo("Hello")

print("Hello")

printf("Hello")

write("Hello")

//

#

/* */

List

Tuple

Dictionary

Set

Đếm số lần xuất hiện của 1 phần tử

Tính độ dài hoặc số phần tử của đối tượng

Chuyển đổi kiểu dữ liệu

Lấy phần tử cuối cùng của list

for i = 1 to 10:

foreach i in range(10)

for i in range(10):

loop i in 1 to 10

mylist = {1, 2, 3}

mylist = [1, 2, 3]

mylist = (1, 2, 3)

mylist = <1, 2, 3>

In ra [5, 2, 3]

Gán giá trị thành công

Gây lỗi vì tuple không thay đổi được

Không có gì xảy ra

Set có thể chứa phần tử trùng lặp

Set không có thứ tự

Set cho phép truy cập bằng chỉ số

Set không thể thêm phần tử

List

Set

Tuple

Dictionary

python -v

python version

python --version

python.version()

PyCharm

Visual Studio

Eclipse

Word

Windows

macOS và Linux

Android

iOS

.py chỉ dùng cho web, .ipynb dùng cho máy tính để bàn

.py chứa mã Python dạng văn bản thuần, .ipynb là định dạng notebook có thể chứa mã, văn bản, biểu đồ

.py dùng cho dữ liệu lớn, .ipynb không chạy được code

.py chứa đồ họa, .ipynb chỉ chứa mã lệnh

Notepad

PyCharm

WordPad

tất cả A,B,C

Excel

Notepad

Photoshop

VLC Media Player

Vẽ biểu đồ

Xử lý văn bản

Tính toán với mảng và ma trận

Tạo giao diện người dùng

import numpy as np

import np as numpy

include numpy

import NumPy()

Tạo một biến dạng chuỗi

Tạo một mảng NumPy từ danh sách hoặc tuple

Tạo bảng HTML

Vẽ đồ thị

Mảng 2 chiều, 2 hàng 3 cột toàn số 0

Mảng 1 chiều có 2 phần tử bằng 3

Mảng chứa toàn số ngẫu nhiên

Không hợp lệ

Nhân ma trận

Nhân từng phần tử tương ứng (element-wise)

Cộng các phần tử lại

Ghép hai mảng lại với nhau

Xử lý ảnh

Vẽ đồ thị, biểu đồ trong Python

Giao tiếp với API

Xử lý ngôn ngữ tự nhiên

Tạo và chỉnh sửa biểu đồ

Xử lý dữ liệu thời gian

Tăng tốc độ tính toán

Lưu trữ tập tin ảnh

Tạo và chỉnh sửa biểu đồ

Xử lý dữ liệu thời gian

Tăng tốc độ tính toán

Lưu trữ tập tin ảnh

plt.scatter()

plt.bar()

plt.plot()

plt.pie()

Cài đặt bằng pip và import thư viện

Khởi động server riêng

Dùng tài khoản đặc biệt

Cài hệ điều hành khác

Đặt tiêu đề cho biểu đồ

Đặt nhãn trục X

Tô màu trục X

Xóa dữ liệu trục X

plt.finish()

plt.show()

plt.display()

plt.render()

Xử lý ảnh nâng cao

Xây dựng mô hình học máy như phân loại, hồi quy, phân cụm

Thiết kế giao diện người dùng

Tạo ảnh động

Series

DataFrame

Array

Table

Dành cho xử lý ngôn ngữ tự nhiên

Tạo ảnh hoạt hình

Hỗ trợ xây dựng và huấn luyện mô hình học sâu (Deep Learning)

Tối ưu hóa đồ thị đồ họa

pd.DataFrame([1, 2, 3])

pd.Series([1, 2, 3])

pd.Frame([1, 2, 3])

pd.Table([1, 2, 3])

sklearn.split_data()

train_test_split từ sklearn.model_selection

sklearn.divide()

data_split() từ sklearn.pipeline

Học không giám sát

Học có giám sát

Học tăng cường

Học bán giám sát

Phân cụm dữ liệu thành nhóm

Dự đoán biến đầu ra liên tục từ đầu vào

Tối đa hóa xác suất

Dự đoán nhãn phân loại

y=mx2+by = mx^2 + by=mx2+b

y=a⋅log⁡(x)+by = a \cdot \log(x) + by=a⋅log(x)+b

y=wx+by = wx + by=wx+b

y=11+e−xy = \frac{1}{1 + e^{-x}}y=1+e−x1

Accuracy

F1 Score

R-squared (R²)

AUC

sklearn.linear_model.LinearRegression

sklearn.tree.DecisionTreeRegressor

sklearn.linear_model.LogisticRegression

sklearn.cluster.KMeans

Hồi quy với đầu ra là phân loại nhị phân

Hồi quy tuyến tính có thêm các bậc cao hơn của biến đầu vào

Hồi quy theo chuỗi thời gian

Mô hình hồi quy sử dụng dữ liệu văn bản

y=wx+b

y=ax^2+bx+c

y=log(x)+b

y=1/1+e−x

PolynomialFeatures

LinearRegression

FeatureUnion

OneHotEncoder

Underfitting

Overfitting

Không hội tụ

Sai cú pháp

1 lớp

2 lớp

3 lớp

Không lớp nào

Tính toán đầu ra

Nhận dữ liệu và truyền vào các lớp tiếp theo

Lưu trữ kết quả dự đoán

Huấn luyện trọng số

Hai lớp input

Lớp input và lớp output

Hai lớp output

Hai hàm kích hoạt

Epoch

Neuron (nút nơ-ron)

Optimizer

Dataset

Học có giám sát (Supervised Learning)

Học tăng cường (Reinforcement Learning)

Học không giám sát (Unsupervised Learning)

Học sâu (Deep Learning)

Tối đa hóa khoảng cách giữa các điểm dữ liệu và tâm cụm

Giảm số chiều của dữ liệu

Tối thiểu hóa tổng bình phương khoảng cách từ mỗi điểm dữ liệu đến tâm cụm của nó

Tối ưu hóa độ chính xác của mô hình phân loại

So sánh hình ảnh

Tính tổng trọng số đầu vào rồi áp dụng hàm kích hoạt

Gán nhãn dữ liệu

Dịch ngôn ngữ

Làm dữ liệu dễ đọc hơn

Giới hạn đầu ra của neuron và tạo tính phi tuyến

Gắn nhãn đầu ra

Chia dữ liệu thành các lớp

Output layer

Hidden layer

Input layer

Dropout layer

Truyền dữ liệu thẳng ra đầu ra

Học các đặc trưng trung gian trong quá trình huấn luyện

Thực hiện chuẩn hóa dữ liệu

Chỉ dùng để tăng số chiều đầu ra

Càng nhiều càng tốt để mô hình học mạnh hơn

Bằng đúng số mẫu huấn luyện

Tùy thuộc vào số đặc trưng và nên được điều chỉnh bằng kiểm thử

Luôn bằng số lớp đầu vào

Chia dữ liệu thành các nhóm nhãn

Tăng kích thước dữ liệu

Chuẩn hóa dữ liệu đầu vào

Chia tập dữ liệu thành tập huấn luyện và tập kiểm tra

tensorflow.keras

pandas

sklearn.model_selection

sklearn.preprocessing

80% dữ liệu dùng để kiểm tra, 20% dùng để huấn luyện

100% dữ liệu dùng cho huấn luyện

20% dữ liệu dùng để kiểm tra, 80% dùng để huấn luyện

Không có gì xảy ra

Xử lý ảnh

Tạo giao diện người dùng

Xử lý mảng và tính toán số học

Kết nối CSDL

Đổi tên thư viện numpy thành np để dùng ngắn gọn hơn

Cài đặt numpy

Tăng hiệu suất tính toán

Không có tác dụng gì

Huấn luyện mô hình

Đánh giá dữ liệu đầu vào

Trực quan hóa dữ liệu và kết quả

Tạo mô hình deep learning

Vì plt là thư viện riêng

Vì plt là tên biến cần thiết để lưu kết quả

Để viết ngắn gọn khi vẽ biểu đồ

Để tránh lỗi xung đột với numpy

Lớp dropout

Lớp tích chập (convolutional)

Lớp kết nối đầy đủ (fully connected)

Lớp batch normalization

Kích thước batch

Số lớp

Số node (neuron) trong lớp đó

Số đầu vào của mô hình

Làm trơn dữ liệu

Tạo phi tuyến tính trong mạng

Tối ưu gradient descent

Làm giảm số lớp

Gọi thư viện vẽ biểu đồ

Xây dựng mạng neuron nhiều lớp, mạng tuần tự

Tối ưu hóa hàm mất mát

Phân loại dữ liệu

Lưu mô hình sau mỗi epoch

Kết thúc huấn luyện sớm nếu mô hình không cải thiện

Đặt lại learning rate

Chia dữ liệu ngẫu nhiên

Theo dõi sai số trên tập huấn luyện

Theo dõi độ chính xác đầu ra

Theo dõi mất mát trên tập validation

Theo dõi gradient

Tăng tốc độ huấn luyện

Mô hình huấn luyện quá nhanh

Mô hình có thể bị overfitting

Không thể lưu được mô hình

Huấn luyện thêm 5 epoch dù có sai số

Dừng ngay nếu không có cải thiện

Chờ 5 epoch nếu không có cải thiện trước khi dừng

Dừng sau 5 epoch

Xây dựng mô hình phân loại nhị phân sử dụng hàm sigmoid

Xây dựng mô hình hồi quy tuyến tính với một lớp duy nhất

Xây dựng mô hình mạng nơ-ron nhiều lớp (MLP) để thực hiện bài toán hồi quy

Xây dựng mô hình CNN để xử lý ảnh

1

2

4

8

1

2

4

0

relu, dùng cho phân loại nhị phân

sigmoid, dùng cho bài toán xác suất

softmax, dùng cho phân loại đa lớp

linear, dùng cho hồi quy

Complex Neural Network

Convolutional Neural Network

Centralized Neural Network

Conditional Neural Network

Lọc trung bình

Biến đổi Fourier

Tích chập

Lấy đạo hàm

Dịch máy (Machine Translation)

Phân tích chuỗi thời gian

Nhận dạng hình ảnh và thị giác máy tính

Tối ưu hóa hàm mục tiêu

Input → Fully Connected → Pooling → Convolution

Input → Convolution → Pooling → Fully Connected → Output

Input → Pooling → Convolution → Output

Input → Dropout → Output

Nhân toàn bộ ảnh với ma trận đơn vị

Tính tổng tất cả điểm ảnh

Trượt qua ảnh và tính tích chập (convolution)

Phân cụm điểm ảnh theo màu sắc

Dropout

Normalization

Pooling (Max/Avg)

Flattening ngay lập tức

Xóa toàn bộ các lớp fully connected

Đổi kích thước ảnh đầu vào về 224×2242

Chuyển ảnh sang ảnh xám

Tăng độ phân giải ảnh

Tải mô hình VGG16 đã huấn luyện sẵn từ Keras Applications

Khởi tạo một mô hình VGG16 mới với trọng số ngẫu nhiên

Tải dữ liệu huấn luyện cho mô hình VGG16

Cài đặt thư viện Keras vào môi trường làm việc

1 (grayscale)

2 (YUV)

3 (RGB)

4 (RGBA)

MSE (Mean Squared Error)

MAE (Mean Absolute Error)

Accuracy

R-squared

So sánh Accuracy trên tập train và test

Tăng số lớp ẩn

Giảm learning rate

Sử dụng dropout

Mô hình chưa học đủ

Mô hình đang underfitting

Mô hình đang overfitting

Dữ liệu kiểm tra bị lỗi