7.1. Hàm Mất Mát Của SVM — Deep AI KhanhBlog

Có thể bạn quan tâm

Giới thiệu

Phụ lục

1. Định dạng dữ liệu
- 1.1. Các định dạng số, boolean và ký tự
2. Pandas
- 2.1. Khởi tạo dataframe
3. Numpy
- 3.1. Khởi tạo một mảng trên numpy
4. Matplotlib
- 4.1. Format chung của một biểu đồ trên matplotlib
5. Lập trình hướng đối tượng (Object Oriented Programming - OOP)
- 5.1. Class và Object
6. Sklearn Pipeline
- 6.1. Thiết kế pipeline
7. Giới thiệu chung về optimization
- 7.1. Bài toán dạng tổng quát

Đại số tuyến tính

Giới thiệu

Xác suất

Machine Learning

1. Khái quát Machine Learning
2. Bài toán dự báo
- 2.1. Ứng dụng của hồi qui tuyến tính
2.2. Hồi qui Ridge và Lasso
- 2.2.2. Hồi qui Ridge
3. Bài toán phân loại
- 3.1. Hồi qui Logistic
4. Độ chệch ( bias ) và phương sai ( variance )
- 4.1. Sự đánh đổi giữa độ chệch và phương sai
5. Thước đo mô hình phân loại
- 5.1. Bộ dữ liệu
6. Ứng dụng mô hình scorecard
- 6.1. Phương pháp chuyên gia và mô hình
7. Giới thiệu về SVM
- 7.1. Hàm mất mát của SVM
8. Khái niệm về cây quyết định
- 8.1. Mô hình cây quyết định ( decision tree )
9. Giới thiệu về mô hình rừng cây ( Random Forest )
- 9.1. Ý tưởng của mô hình rừng cây
10. Bạn là Tần suất ( Frequentist ) hay Bayesian ?
- 10.1. Ước lượng hợp lý tối đa ( Maximum Likelihood Function - MLE )
11. Giới thiệu về feature engineering
- 11.1. Feature Engineering
12. Phương pháp tăng cường ( Boosting )
- 12.1. AdaBoosting
13. k-Means Clustering
- 13.1. Các bước của thuật toán k-Means Clustering
14. Hierarchical Clustering ( phân cụm phân cấp )
- 14.1. Chiến lược hợp nhất ( agglomerative )
15. DBSCAN
- 15.1. Phương pháp phân cụm dựa trên mật độ ( Density-Based Clustering )
16. Gaussian Mixture Model
- 16.1. Ước lượng MLE cho phân phối Gaussian đa chiều
17. Giảm chiều dữ liệu
- 17.1. Phương pháp phân tích suy biến

Đóng góp từ những tác giả khác