Ebook Ứng Dụng Machine Learning - Hướng Dẫn Thực Hành Về Chuẩn Bị Dữ Liệu, Lựa Chọn Thuật Toán Và Triển Khai Các Mô Hình Machine Learning Trong Thế Giới Thực [Ấn Bản Lần 1, Tháng 2/2026] [PDF, EPUB] [9070E]
Áp dụng lý thuyết machine learning vào thực tiễn với hướng dẫn thực hành này! Tìm hiểu về ứng dụng thực tế của các mô hình machine learning bằng cách theo dõi ba use case, mỗi use case đều có bộ dữ liệu riêng. Bắt đầu với các công cụ như GitHub và Anaconda, sau đó làm theo hướng dẫn chi tiết để chuẩn bị dữ liệu, chọn mô hình, đánh giá kết quả và đo lường tác động của nó theo thời gian. Với code mẫu để tải xuống, cuốn sách này có mọi thứ bạn cần để triển khai các mô hình machine learning cho doanh nghiệp của mình!
- ✓ Giới thiệu thực tế của bạn về ứng dụng machine learning.
- ✓ Lựa chọn và triển khai các mô hình machine learning để giải quyết các vấn đề kinh doanh.
- ✓ Đánh giá các kết quả mô hình và theo dõi các mô hình của bạn trong dài hạn.
Data Preparation:
Bước đầu tiên là hiểu dữ liệu của bạn. Tìm hiểu về các data source khác nhau, sau đó khám phá dữ liệu của bạn thông qua trực quan hóa, thống kê mô tả và phân tích tương quan. Làm sạch dữ liệu của bạn bằng cách xác định lỗi, viết dummy code và nhiều hơn nữa.
Model Selection:
Hãy chọn mô hình machine learning phù hợp với nhu cầu của bạn! Tuân theo một model decision framework và nắm vững các thuật toán chính: regression, decision trees, random forest, gradient boosting, clustering & ensembling.
Evaluation & Iteration:
Đánh giá và cải thiện chất lượng mô hình của bạn! Áp dụng nhiều validation metric khác nhau cho mô hình của bạn và nâng cao interpretability để tránh black box code. Sau đó, lặp lại quá trình feature engineering và thêm hoặc bớt dữ liệu.
Implementation & Monitoring:
Mô hình của bạn đã sẵn sàng, giờ hãy xem nó hoạt động như thế nào! Tìm hiểu cách triển khai mô hình để đưa ra dự đoán, giám sát hiệu suất và đo lường tác động của nó đối với doanh nghiệp của bạn.
Mục lục:
- ✓ Chương 1. Giới thiệu:
- + 1.1 Thống nhất thuật ngữ.
- + 1.2 Học cách tìm kiếm trên Google (hoặc Prompt).
- + 1.3 Dự đoán về tác động của Generative AI với Machine Learning.
- + 1.4 Tóm tắt.
- ✓ Chương 2. Bắt đầu:
- + 2.1 GitHub.
- + 2.2 Anaconda.
- + 2.3 Tóm tắt.
- ✓ Chương 3. Giới thiệu các Use Case của chúng ta:
- + 3.1 Tầm quan trọng của việc hiểu về Business Problem.
- + 3.2 Use Case 1: Retail Tyrant.
- + 3.3 Use Case 2: Customer Retention.
- + 3.4 Use Case 3: Crime Predictions.
- + 3.5 Tóm tắt.
- ✓ Chương 4. Bắt đầu với Data:
- + 4.1 Các loại Data Source.
- + 4.2 Data Exploration.
- + 4.3 Data Cleaning (For Now).
- + 4.4 Tóm tắt.
- ✓ Chương 5. Lựa chọn Model của bạn:
- + 5.1 Model càng đơn giản càng tốt.
- + 5.2 Model Decision Framework.
- + 5.3 Train-Test Split.
- + 5.4 Regression Models.
- + 5.5 Machine Learning Models.
- + 5.6 Clustering.
- + 5.7 Tóm tắt.
- ✓ Chương 6. Evaluating Model & Iterating:
- + 6.1 Tầm quan trọng của việc lựa chọn các Validation Metric.
- + 6.2 Validation Metrics.
- + 6.3 K-Fold Cross-Validation.
- + 6.4 Business Validations.
- + 6.5 Machine Learning Interpretability.
- + 6.6 Iterating trên Model.
- + 6.7 Ứng dụng vào các Use Case.
- + 6.8 Tóm tắt.
- ✓ Chương 7. Implementing, Monitoring & Measuring Model:
- + 7.1 Triển khai Model của bạn để dự đoán.
- + 7.2 Model Monitoring.
- + 7.3 Đo lường tác động của Mode của bạnl.
- + 7.4 Tóm tắt.
- ✓ Chương 8. Lời kết:
- + 8.1 Học cách học với Generative AI.
- + 8.2 Học cách học với các Use Case.
- + 8.3 Khám phá và trực quan hóa dữ liệu của bạn.
- + 8.4 Làm sạch dữ liệu và Dummy Coding.
- + 8.5 Machine Learning Models.
- + 8.6 Hyperparameters & Grid Search.
- + 8.7 Variable Lagging.
- + 8.8 Kết thúc.
- + 8.9 Lời cảm ơn.