PiMA Summer Camp 2018

• Trần Hoàng Bảo Linh, National University of Singapore
• Nguyễn Trung Nghĩa, VNUHCM University of Science, Vietnam
• Cấn Trần Thành Trung, Caltech

• Phạm Hoàng Nhật, University of Washington

• Dương Đình Trọng, International University, VNU
• Trần Hoàng Bảo Linh, National University of Singapore

• Vũ Lê Thế Anh, VNUHCM University of Science, Vietnam
• Trần Hoàng Bảo Linh, National University of Singapore
• Phạm Nguyễn Mạnh, Minerva Schools at KGI, USA

Năm 1958, Frank Rosenblatt mô tả thuật toán perceptron, tiền thân của neural network. Trải qua hơn nửa thế kỉ phát triển, với biết bao thăng trầm, hiện nay neural network là một trong những mô hình phổ biến nhất của trí tuệ nhân tạo và máy học, cơ sở của các thành tựu trong học sâu (deep learning). Ở dự án này, các bạn sẽ sử dụng các kiến thức toán đã được học để nghiên cứu về mạng nơron có nhiều lớp (multilayer perceptron).

Support Vector Machines (SVMs) là những mô hình học có giám sát được phát minh bởi Vladimir Naumovich Vapnik và Alexey Yakovlevich Chervonenkis năm 1963. Mô hình này được dùng rất nhiều trong bài toán phân lớp dữ liệu (được áp dụng trong cả bài toán phân loại lẫn hồi quy). Ở phiên bản gốc, SVMs là một mô hình nhị phân gồm một hệ điểm dữ liệu (được gắn nhãn 1 hoặc −1) biểu diễn trên một không gian nhiều chiều, SVMs hỗ trợ xây dựng một siêu phẳng để phân hệ dữ liệu trên thành hai lớp (mỗi lớp tương ứng với một nhãn). Không chỉ dừng lại ở bài toán phân lớp, SVMs yêu cầu các điểm dữ liệu nằm càng xa siêu phẳng càng tốt.

Principal Component Analysis (PCA) là một trong những kỹ thuật làm giảm số chiều (dimension reduction) của không gian dữ liệu đang xét, rất thông dụng trong thống kê (statistics), học máy (machine learning), hay lý thuyết thông tin (information theory). Công cụ chính để xây dựng phương pháp này là ma trận và cơ sở tương ứng với vector riêng trong Đại số Tuyến tính. Ý tưởng chính là biểu diễn lại các vector dữ liệu trong một cơ sở con thích hợp (cơ sở ứng với các giá trị riêng lớn nhất) để chỉ cần lưu lại những thông tin trọng yếu của toàn bộ dữ liệu. Trong dự án này, các bạn sẽ tìm hiểu nền tảng lý thuyết của PCA và áp dụng công cụ này vào một dữ liệu cụ thể.

Được nghiên cứu rộng rãi từ thập niên 50, Naive Bayes là một phương pháp phân loại bắt nguồn từ lí thuyết Bayes và điều giả sử rằng các sự kiện trong điểm dữ liệu đều phân biệt. Phương pháp này nổi tiếng về việc có mô hình đơn giản và tương đối hiệu quả với những vấn đề mà ta không có quá nhiều dữ liệu. Trong trại hè PIMA, các bạn sẽ được học về Naive Bayes và cách áp dụng phương pháp này cho mục đích phân loại.