EbookMLCB - ebook Machine Learning cơ bản

Chapter 12 GDM, the part I code myself, is different from the result in the book; I checked the code of Mr Tiep also encountered the same situation. Then I detect; specifically, it is the one that initially creates the y value: we use the np.random.random(1000) function, we will return an array with shape (1000,) if we do not notice y.reshape(-1, 1) to match matrix addition and subtraction operations, it will be confusing (because py is different in size, it will treat it as broadcasting). Yes, grad will return a vector, but it returns a matrix because of the confusion above. That leads to consequences; later on, the code does not run correctly. Source code fix : https://bit.ly/3mFp8N1 or https://bit.ly/3iOXImD

Dưới đây là các lỗi mình ghi lại được từ bản in. Tiệp thấy lỗi nào đã sửa rồi thì bỏ qua nhé.

• Trang 48: Mục lục 2.4.5 bị đẩy dòng
• Trang 61: hiep => hiệp trong "3.1.9 Ma trận hiệp phương sai"
• Trang 146: NCB => NBC
• Trang 149: Hình 11.1 dấu bằng ở "2/3(4/20)^2" có vẻ không chính xác. Đổi chỗ với dấu xấp xỉ có vẻ chuẩn hơn?
• Trang 176: o.w. => trường hợp còn lại
• Trang 198: ove => one
• Trang 205: "c=max_i z_i" => c = max z_i
• Trang 270: Có nhiều dấu = ở "Không âm và giảm dần"

Khác

• Trang 76: Hình 4.1 có 2 đường cùng nét liền. Hình này không rõ trục tung
• Trang 110: chú thích số 23 để không hợp lý trong bản in, dễ hiểu nhầm thành 0^23.
• Hình 14.2 nên nới dài ra một chút.
• Trang 214: Từ biểu diễn nên cho vào ngoặc kép. Mặc dù, mình không tìm được từ nào hay hơn :)

Tiệp check lại những điểm này nhé. Mình ghi lại lâu lâu rồi không rõ đã được sửa chưa

• Trang 135: hàm kmeans_display không tìm được
• MNIST hiện tại không download được bằng fetch_mldata, nên ghi chú là dùng fetch_openml thay thế
• Trang 209-210: hàm pred(W, X) hình như không đầy đủ. Dù sao thì cám ơn Tiệp vì đã bỏ công sức viết một cuốn sách tốt, có giá trị tra cứu rất tốt.

Có một vài chỗ nếu Tiệp có thể viết rõ ràng hơn thì sẽ tốt hơn

• Trang 70: không nên kí hiệu là x_i^j cho vị trí (i,j) vì dễ gây hiểu nhầm với số mũ.
• Trang 69: Có nên giả sử xác suất có dạng Bernoulli trước và ta đi tìm phân phối này không?
• Trang 75: "đây chính là bài toán tối ưu cho 4.38". Theo mình là 4.9 thì mới chính xác
• Trang 189: Chưa được rõ ý. Có nên nói ngay từ đầu ta sẽ đi tìm lý do tại sao hàm sigmoid được dùng nhiều nhất. Thay vì cuối cùng mới đưa ra.
• Trang 215: Có một câu hỏi là tại sao ta bỏ hết hệ số bias "b" tất cả neuron ra? Có lợi gì?
• Trang 223: Cùng chiều với vector thì có thể hiểu được. còn cùng chiều với ma trận là như thế nào?

Em chào anh Tiệp, Em đang đọc quyển Machine Learning Cơ bản của anh, ở trang 123 anh có viết:

Tiếp theo, 130 mẫu dữ liệu được lấy ra ngẫu nhiên tạo thành tập huấn luyện, 20 mẫu còn lại được dùng để kiểm tra.

print(’Labels:’, np.unique(iris_y))
# split train and test
np.random.seed(7)
X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_y, test_size=130)

print(’Training size:’, X_train.shape[0], ’, test size:’, X_test.shape[0])

Nhưng khi in ra lại ngược lại, em không biết đây có phải là do anh viết nhầm hay do em hiểu sai

Labels: [0 1 2]
Training size: 20 , test size: 130

Cám ơn anh rất nhiều.

Chào anh,

Em phát hiện anh đánh máy nhầm ở trang 132, phần k-means clustering. " 10.2.3. Tóm tắt thuật toán Tới đây, ta có thể tóm tắt thuật toán K-means cụming như sau. " Trân trọng, Tân

Chào anh, trong chương 14. Logistic Regression, phần 14.5. Xử lý chữ số viết tay, thì sau khi chạy code phân biệt số 0 và 1 em đã gặp lỗi như sau:found array with 0 feature(s) (shape=(138000, 0)) while a minimum of 1 is required. Theo như em tìm hiểu thì cách khởi tạo X0 và X1 là chưa chính xác và sẽ trả về một array rỗng, vì y_all đang là một Pandas string nên không áp dụng được cách filter của np.where. Em đã chỉnh sửa lại bằng cách chuyển X_all và y_all sang numpy array và thu được kết quả giống như trong sách (gần 100%), kiểm thử trên toàn bộ dữ liệu cũng đạt kết quả gần 92% như trong sách (với X_all và y_all đều là mảng trong numpy). Em nghĩ rằng cách chỉnh sửa như vậy là chính xác hơn. Mong nhận được phản hồi sớm từ anh ạ. Em xin cảm ơn.

Chào Tiệp,

mình đọc sách ở đây https://github.com/tiepvupsu/ebookMLCB/blob/master/book_ML.pdf thì phát hiện các anchor (ref) bị lỗi nên chỉ hiển thị ?? Mình xem trên Chrome của MacOs X. Mình cũng kiểm lại trên Windows thì lỗi ?? cũng bị tương tự như vậy.

Bạn có thể xem lại được không? Cám ơn bạn.

Thân.

https://www.facebook.com/groups/machinelearningcoban/posts/1318574225266648/?cft[0]=AZWBfz3ii45zc1v7v3uKEPJuuUucxI4xr9lvBHc4ifKzR0gL3i6_4xkRfNw4-vavVZvcCgWN2lu2HsVNSGDGwTWGDnI3K9iGq8i7AOuQEF8iJMqcAk4KYl3uYzgFIFT1Qkwgz7_cWo9r7fjAZg7sLF6845PnBrL5CgYTI1Dmv2n7Kq08bJ59Of-oJVnMF-lLOnw&tn=%2CO%2CP-R

Mục 2.4.6 x_ji -> x_ij.

Có những thuật toán machine learning không luôn trải nghiệm trên một tập dữ liệu cố định. Ví dụ, học củng cố (reinforcement learning) trải nghiệm trực tiếp với môi trường xun quanh

Chào anh Tiep,

Em đã git hết project của anh về định buid lại sau đó chuyển qua định dạng ebook cho máy đọc sách nhưng khi em build thì bị lỗi ạ.

Đây là log em build bị lỗi . https://i.imgur.com/JRuyL9z.pnghttps://i.imgur.com/JRuyL9z.png

Em dùng linux. Mong anh xem qua bài của em và giúp em khắc phục lỗi này.

Cám ơn anh về tài liệu rất quí báu cho cộng đồng ML.

P/S: À còn một điều nữa trang web https://fundaml.com/ hiện tại ko còn vào dc nữa ạ, anh tạm dừng dự án hay sao ạ ?