Học máy: Kỹ thuật Hồi quy

Hồi quy (regression) là một phần lớn của bài toán Machine Learning liên quan đến việc dự đoán một giá trị số bằng cách sử dụng các biến đã biết mà không cần phải tìm ra mối quan hệ giữa các biến đó.

Môn học thứ hai này của Chương trình Machine Learning nhằm mục đích cung cấp cho người học các chủ đề thú vị về Machine Learning xoay quanh bài toán hồi quy bao gồm các khái niệm, giải pháp của bài toán, lý luận trực quan về các giải pháp đó, cũng như ưu nhược điểm của chúng. Đặc biệt, khóa học này không chỉ cung cấp cho bạn những kỹ thuật để thu được kết quả tốt nhất của một bài toán cụ thể, mà còn đem lại những kiến thức & kỹ thuật hữu ích, phục vụ cho mục đích theo đuổi lĩnh vực Machine Learning của bạn. Bên cạnh kinh nghiệm chuyên sâu về việc xử lý các bài toán Hồi quy, bạn sẽ học cách giữ vững hiệu suất thông qua các chỉ số, sự cân bằng giữa độ lệch và phương sai, cách áp dụng các hình phạt khác nhau để hoàn thành các nhiệm vụ khác nhau, tối ưu hóa mô hình bằng cách sử dụng các giải pháp dạng đóng và suy giảm độ dốc, và cách trình bày kết quả của bạn bằng những hình ảnh mang tính thẩm mỹ.

Bên cạnh việc đi sâu vào mô hình hồi quy, chúng ta còn tiếp cận và làm việc với các kỹ thuật trích xuất và lựa chọn đặc trưng cho các bài toán học máy nói chung. Trích xuất đặc trưng là quá trình sử dụng domain knowledge (miền kiến thức) của dữ liệu và các kỹ thuật xử lý để tạo ra các đặc trưng của biến, giúp cho các mô hình học máy có thể đưa ra các dự đoán. Bên cạnh đó, lựa chọn đặc trưng giúp chúng ta lọc và tìm ra các đặc trưng tốt và phù hợp nhất với các mô hình học máy, đặc biệt giúp chúng ta giảm overfitting (quá khớp) và cải thiện một cách rõ rệt chất lượng của các mô hình học máy.