Sách Deep Learning cơ bản

Recommendations

Info

68 Chương 4. Logistic regression# Load data từ file csvdata = pd.read_csv('dataset.csv').valuesN, d = data.shapex = data[:, 0:d-1].reshape(-1, d-1)y = data[:, 2].reshape(-1, 1)# Vẽ data bằng scatterplt.scatter(x[:10, 0], x[:10, 1], c='red', edgecolors='none', s=30, label='cho vay')plt.scatter(x[10:, 0], x[10:, 1], c='blue', edgecolors='none', s=30, label='từ chối')plt.legend(loc=1)plt.xlabel('mức lương (triệu)')plt.ylabel('kinh nghiệm (năm)')# Thêm cột 1 vào dữ liệu xx = np.hstack((np.ones((N, 1)), x))w = np.array([0.,0.1,0.1]).reshape(-1,1)# Số lần lặp bước 2numOfIteration = 1000cost = np.zeros((numOfIteration,1))learning_rate = 0.01for i in range(1, numOfIteration):# Tính giá trị dự đoány_predict = sigmoid(np.dot(x, w))cost[i] = -np.sum(np.multiply(y, np.log(y_predict)) + \np.multiply(1-y, np.log(1-y_predict)))# Gradient descentw = w - learning_rate * np.dot(x.T, y_predict-y)print(cost[i])# Vẽ đường phân cách.t = 0.5plt.plot((4, 10),(-(w[0]+4*w[1]+ np.log(1/t-1))/w[2], -(w[0] + 10*w[1]+ \np.log(1/t-1))/w[2]), 'g')plt.show()4.9 Bài tập1. Tại sao hàm sigmoid được chọn trong bài toán logistic regression? Dùng chain rule tính đạohàm hàm sigmoid2. Dùng chain rule tính đạo hàm loss function của logistic regression với từng biến.3. Biểu diễn dưới dạng ma trận cho bài toán logistic regression.4. Chỉnh 1 số tham số như learning_rate (tăng, giảm), số iteration xem loss function sẽ thay đổithế nào.
IIINeural Network5 Neural network . . . . . . . . . . . . . . . . . . . . . . 715.1 Neural network là gì5.2 Mô hình neural network5.3 Feedforward5.4 Logistic regression với toán tử XOR5.5 Bài tập6 Backpropagation . . . . . . . . . . . . . . . . . . . . 856.1 Bài toán XOR với neural network6.2 Mô hình tổng quát6.3 Python code6.4 Bài tập
Page 2 and 3:
Copyright © 2019 Nguyễn Thanh Tu
Page 4 and 5:
4• Phần cứng phát triển: S
Page 6 and 7:
6Lời cảm ơnTrước hết tôi
Page 9 and 10:
Mục lụcIGiới thiệu1 Cài đ
Page 11 and 12:
IIINeural Network5 Neural network .
Page 13 and 14:
12 Các kỹ thuật cơ bản tron
Page 15:
IGiới thiệu1 Cài đặt môi t
Page 18 and 19: 18 Chương 1. Cài đặt môi tr
Page 30 and 31: 30 Chương 2. Python cơ bảnt =
Page 32 and 33: 32 Chương 2. Python cơ bản2.4
Page 34 and 35: 34 Chương 2. Python cơ bản# Ph
Page 37: IIMachine learning cơ bản3 Linea
Page 40 and 41: 40 Chương 3. Linear regressionHì
Page 44 and 45: 44 Chương 3. Linear regression3.3
Page 48 and 49: 48 Chương 3. Linear regressionVí
Page 50 and 51: 50 Chương 3. Linear regressionimp
Page 53 and 54: 4. Logistic regressionBài trước
Page 55 and 56: 4.2 Xác suất 55Hình 4.2: Đư
Page 57 and 58: 4.4 Thiết lập bài toán 57=> p
Page 59 and 60: 4.5 Chain rule 59Hình 4.5: Đồ t
Page 61 and 62: 4.5 Chain rule 61Do đód(2x + 1)2d
Page 63 and 64: 4.5 Chain rule 63Từ đồ thị t
Page 65 and 66: 4.6 Quan hệ giữa phần trăm v
Page 67: 4.7 Ứng dụng 67Hình 4.9: Đư
Page 72 and 73: 72 Chương 5. Neural network5.1.1
Page 74 and 75: 74 Chương 5. Neural network5.2.2
Page 76 and 77: 76 Chương 5. Neural network5.3 Fe
Page 78 and 79: 78 Chương 5. Neural network5.4 Lo
Page 80 and 81: 80 Chương 5. Neural networkHình
Page 82 and 83: 82 Chương 5. Neural networkRõ r
Page 85 and 86: 6. BackpropagationBài trước đ
Page 87 and 88: 6.1 Bài toán XOR với neural net
Page 93 and 94: 6.3 Python code 93Thì ở bài nà
Page 95: 6.4 Bài tập 95# Dự đoándef p
Page 99 and 100: 7. Giới thiệu về xử lý ả
Page 101 and 102: 7.1 Ảnh trong máy tính 101Hình
Page 103 and 104: 7.1 Ảnh trong máy tính 103Hình
Page 105 and 106: 7.1 Ảnh trong máy tính 1057.1.4
Page 107 and 108: 7.2 Phép tính convolution 107x 13
Page 109 and 110: 7.2 Phép tính convolution 109Hìn
Page 111 and 112: 7.3 Bài tập 111Hình 7.16: Một
Page 113 and 114: 8. Convolutional neural networkBài
Page 115 and 116: 8.2 Convolutional neural network 11
Page 117 and 118: 8.2 Convolutional neural network 11
Page 119 and 120:
8.2 Convolutional neural network 11
Page 121 and 122:
8.2 Convolutional neural network 12
Page 123:
8.4 Bài tập 1238.4 Bài tập1.
Page 126 and 127:
126 Chương 9. Giới thiệu kera
Page 128 and 129:
Page 130 and 131:
Page 132 and 133:
Page 135 and 136:
10. Ứng dụng CNN cho ô tô t
Page 137 and 138:
10.1 Giới thiệu mô phỏng ô
Page 139 and 140:
10.2 Bài toán ô tô tự lái 13
Page 141 and 142:
10.3 Python code 141import pandas a
Page 143:
10.5 Bài tập 143# Load model mà
Page 147 and 148:
11. Transfer learning và data augm
Page 149 and 150:
11.1 Transfer learning 149Hình 11.
Page 151 and 152:
11.1 Transfer learning 151from skle
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
11.1 Transfer learning 157# Load mo
Page 159 and 160:
11.2 Data augmentation 159Hình 11.
Page 161 and 162:
11.2 Data augmentation 161Hình 11.
Page 163 and 164:
12. Các kỹ thuật cơ bản tro
Page 165 and 166:
12.2 Mini-batch gradient descent 16
Page 167 and 168:
12.3 Bias và variance 16712.3 Bias
Page 169 and 170:
12.4 Dropout 169• Dùng regulariz
Page 171 and 172:
12.5 Activation function 171Hình 1
Page 173 and 174:
12.5 Activation function 173Tanh ac
Page 175:
VIComputer Vision Task13 Object det
Page 178 and 179:
178 Chương 13. Object detection v
Page 180 and 181:
Page 182 and 183:
Page 184 and 185:
Page 186 and 187:
Page 189 and 190:
14. Image segmentation với U-Net1
Page 191 and 192:
14.1 Bài toán image segmentation
Page 193 and 194:
14.2 Mạng U-Net với bài toán
Page 195 and 196:
14.2 Mạng U-Net với bài toán
Page 197:
IIRecurrent Neural Network15 Recurr
Page 200 and 201:
200 Chương 15. Recurrent neural n
Page 202 and 203:
Page 204 and 205:
Page 206 and 207:
206 Chương 16. Long short term me
Page 208 and 209:
208 Chương 16. Long short term me
Page 210 and 211:
210 Chương 17. Ứng dụng thêm
Page 212 and 213:
Page 214 and 215:
Page 216 and 217:
Page 218 and 219:
Page 220 and 221:
Page 222 and 223:
Page 225 and 226:
BibliographyArticles[7] Ross Girshi
Page 227:
17.6 Python code 227Books[21] Adria
show all

Sách Deep Learning cơ bản

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?