[vi] cs-229-supervised-learning #162

tuananhhedspibk · 2019-06-12T13:22:58Z

No description provided.

tuananhhedspibk · 2019-06-12T13:24:20Z

@shervinea I'm translating Supervised Learning Cheatsheet into Vietnamese, could you add in progress label for me? Thank you a lot.

shervinea · 2019-06-12T15:42:32Z

Awesome to see your new PR! Thank you for your help @tuananhhedspibk!

damminhtien · 2019-10-16T01:29:10Z

vi/cheatsheet-supervised-learning.md

+
+**3. Given a set of data points {x(1),...,x(m)} associated to a set of outcomes {y(1),...,y(m)}, we want to build a classifier that learns how to predict y from x.**
+
+&#10230; Cho một tập hợp các điểm dữ liệu {x(1),...,x(m)} tương ứng với đó là tập các kết quả {y(1),...,y(m)}, chúng ta muốn xây dựng một bộ phân loại học được các dự đoán y từ x.


Suggested change

⟶ Cho một tập hợp các điểm dữ liệu {x(1),...,x(m)} tương ứng với đó là tập các kết quả {y(1),...,y(m)}, chúng ta muốn xây dựng một bộ phân loại học được các dự đoán y từ x.

⟶ Cho một tập hợp các điểm dữ liệu {x(1),...,x(m)} tương ứng với đó là tập các đầu ra {y(1),...,y(m)}, chúng ta muốn xây dựng một bộ phân loại học được cách dự đoán y từ x.

damminhtien · 2019-10-16T01:41:06Z

vi/cheatsheet-supervised-learning.md

+
+**8. [Discriminative model, Generative model, Goal, What's learned, Illustration, Examples]**
+
+&#10230; [Mô hình phân biệt, Mô hình sáng tạo, Mục tiêu, Những gì học được, Hình minh hoạ, Các ví dụ]


Suggested change

⟶ [Mô hình phân biệt, Mô hình sáng tạo, Mục tiêu, Những gì học được, Hình minh hoạ, Các ví dụ]

⟶ [Mô hình phân biệt, Mô hình sinh, Mục tiêu, Những gì học được, Hình minh hoạ, Các ví dụ]

damminhtien · 2019-10-16T03:25:12Z

vi/cheatsheet-supervised-learning.md

+
+**9. [Directly estimate P(y|x), Estimate P(x|y) to then deduce P(y|x), Decision boundary,  	Probability distributions of the data, Regressions, SVMs, GDA, Naive Bayes]**
+
+&#10230; []


Suggested change

⟶ []

⟶ **[Uớc lượng trực tiếp P(x|y), ước lượng P(x|y) để tiếp tục suy luận P(x|y), Biên quyết định, Phân bố xác suất của dữ liệu, Hồi quy, SVMs, GDA, Naive Bayes]**

Many thanks, I'll update now

damminhtien · 2019-10-16T03:25:45Z

vi/cheatsheet-supervised-learning.md

+
+**11. Hypothesis ― The hypothesis is noted hθ and is the model that we choose. For a given input data x(i) the model prediction output is hθ(x(i)).**
+
+&#10230; Hypothesis - Hypothesis được kí hiệu là h0, là một mô hình mà chúng ta chọn. Với dữ liệu đầu vào cho trước x(i), mô hình dự đoaans đầu ra là h0(x(i)).


Suggested change

⟶ Hypothesis - Hypothesis được kí hiệu là h0, là một mô hình mà chúng ta chọn. Với dữ liệu đầu vào cho trước x(i), mô hình dự đoaans đầu ra là h0(x(i)).

⟶ Hypothesis - Hypothesis được kí hiệu là h0, là một mô hình mà chúng ta chọn. Với dữ liệu đầu vào cho trước x(i), mô hình dự đoán đầu ra là h0(x(i)).

damminhtien · 2019-10-16T03:30:10Z

vi/cheatsheet-supervised-learning.md

+
+**18. Likelihood ― The likelihood of a model L(θ) given parameters θ is used to find the optimal parameters θ through maximizing the likelihood. In practice, we use the log-likelihood ℓ(θ)=log(L(θ)) which is easier to optimize. We have:**
+
+&#10230;


Suggested change

⟶

⟶ **18. Likelihood ― The likelihood của một mô hình L(θ) với bộ tham số θ được sử dụng để tối ưu bộ tham số θ thông qua việc tối đa hóa likelihood. Trong thực tế, chúng ta sử dụng log-likelihood ℓ(θ)=log(L(θ)) để tối ưu dễ dàng hơn. Chúng ta có:**

damminhtien · 2019-10-16T03:30:48Z

vi/cheatsheet-supervised-learning.md

+
+**24. Normal equations ― By noting X the matrix design, the value of θ that minimizes the cost function is a closed-form solution such that:**
+
+&#10230; Phương trình normal - Bằng việc kí hiệu X là ma trận thiết kế, giá trị của θ mà cực tiểu hoá cost function là một phương pháp dạng đóng như là:


Suggested change

⟶ Phương trình normal - Bằng việc kí hiệu X là ma trận thiết kế, giá trị của θ mà cực tiểu hoá cost function là một phương pháp dạng đóng như là:

⟶ Phương trình chuẩn - Bằng việc kí hiệu X là ma trận thiết kế, giá trị của θ mà cực tiểu hoá cost function là một phương pháp dạng đóng như là:

damminhtien · 2019-10-16T03:35:47Z

vi/cheatsheet-supervised-learning.md

+
+**51. Remark: we say that we use the "kernel trick" to compute the cost function using the kernel because we actually don't need to know the explicit mapping ϕ, which is often very complicated. Instead, only the values K(x,z) are needed.**
+
+&#10230;


Suggested change

⟶

⟶ **51. Chú ý: chúng ta nói rằng chúng ta sử dụng "kernel trick" để tính toán cost function sử dụng kernel bởi vì chúng ta thực tế không cần hiểu cụ thể sự ánh xạ ϕ, những thứ thường rất phức tạp. Thay vào đó, chỉ các giá trị K(x,z) là cần thiết.**

damminhtien · 2019-10-16T03:36:36Z

vi/cheatsheet-supervised-learning.md

+
+**53. Remark: the coefficients βi are called the Lagrange multipliers.**
+
+&#10230;


Suggested change

⟶

⟶ **53. Chú ý: Hệ số βi được gọi là bội số Lagrange.**

damminhtien · 2019-10-18T01:40:28Z

vi/cheatsheet-supervised-learning.md

+
+**39. Remark: ordinary least squares and logistic regression are special cases of generalized linear models.**
+
+&#10230; Chú ý: Bình phương nhỏ nhất thông thường và logistirc regression đều là các trường hợp đặc biệt của các mô hình tuyến tính tổng quát.


Suggested change

⟶ Chú ý: Bình phương nhỏ nhất thông thường và logistirc regression đều là các trường hợp đặc biệt của các mô hình tuyến tính tổng quát.

⟶ Chú ý: Bình phương nhỏ nhất thông thường và logistic regression đều là các trường hợp đặc biệt của các mô hình tuyến tính tổng quát.

Review accepted.

damminhtien · 2019-10-18T01:42:10Z

vi/cheatsheet-supervised-learning.md

+
+**51. Remark: we say that we use the "kernel trick" to compute the cost function using the kernel because we actually don't need to know the explicit mapping ϕ, which is often very complicated. Instead, only the values K(x,z) are needed.**
+
+&#10230; Chú ý: chúng ta nói rằng chúng ta sử dụng "kernel trick" để tính toán cost function sử dụng kernel bởi vì chúng ta thực sự không cần biết đến mapping tường minh ϕ, nó thường khá phức tạp. Thay vào đó, chỉ cần biết giá trị K(x,z).


Suggested change

⟶ Chú ý: chúng ta nói rằng chúng ta sử dụng "kernel trick" để tính toán cost function sử dụng kernel bởi vì chúng ta thực sự không cần biết đến mapping tường minh ϕ, nó thường khá phức tạp. Thay vào đó, chỉ cần biết giá trị K(x,z).

⟶ Chú ý: chúng ta nói rằng chúng ta sử dụng "kernel trick" để tính toán cost function sử dụng kernel bởi vì chúng ta thực sự không cần biết đến ánh xạ tường minh ϕ, nó thường khá phức tạp. Thay vào đó, chỉ cần biết giá trị K(x,z).

Review accepted

damminhtien · 2019-10-18T01:42:35Z

vi/cheatsheet-supervised-learning.md

+
+**55. A generative model first tries to learn how the data is generated by estimating P(x|y), which we can then use to estimate P(y|x) by using Bayes' rule.**
+
+&#10230; Một generative model đầu tiên cố gắng học cách dữ liệu được sinh ra thông qua việc ước lượng P(x|y), chúng ta có thể sau đó sử dụng P(x|y) để ước lượng P(y|x) bằng cách sử dụng luật Bayes.


Suggested change

⟶ Một generative model đầu tiên cố gắng học cách dữ liệu được sinh ra thông qua việc ước lượng P(x|y), chúng ta có thể sau đó sử dụng P(x|y) để ước lượng P(y|x) bằng cách sử dụng luật Bayes.

⟶ Một mô hình sinh đầu tiên cố gắng học cách dữ liệu được sinh ra thông qua việc ước lượng P(x|y), chúng ta có thể sau đó sử dụng P(x|y) để ước lượng P(y|x) bằng cách sử dụng luật Bayes.

Review accepted

damminhtien · 2019-10-18T01:44:15Z

vi/cheatsheet-supervised-learning.md

+
+**58. Estimation ― The following table sums up the estimates that we find when maximizing the likelihood:**
+
+&#10230;


Suggested change

⟶

⟶ Sự ước lượng - Bảng sau đây tổng kết các ước lượng mà chúng ta tìm được trong khi tối đa hóa likelihood:

Review accepted

damminhtien · 2019-10-18T01:45:39Z

vi/cheatsheet-supervised-learning.md

+
+**60. Assumption ― The Naive Bayes model supposes that the features of each data point are all independent:**
+
+&#10230;


Suggested change

⟶

⟶ Giả thiết - Mô hình Naive Bayes giả sử rằng các đặc trưng của các điểm dữ liệu là hoàn toàn độc lập:

Review accepted

damminhtien · 2019-10-18T02:35:36Z

vi/cheatsheet-supervised-learning.md

+
+**66. Random forest ― It is a tree-based technique that uses a high number of decision trees built out of randomly selected sets of features. Contrary to the simple decision tree, it is highly uninterpretable but its generally good performance makes it a popular algorithm.**
+
+&#10230;


Suggested change

⟶

⟶ Rừng ngẫu nhiên - Đây là một kĩ thuật dựa trên cây với việc sử dụng số lượng nhiều các cây cây quyết định để lựa chọn ngẫu nhiên các tập đặc trưng. Trái ngược với cây quyết định đơn giản, chúng khó có thể diễn giải nhưng vì hiệu năng cao nên trở thành thuật toán phổ biến.

Review accepted

damminhtien · 2019-10-18T02:36:19Z

vi/cheatsheet-supervised-learning.md

+
+<br>
+
+**67. Remark: random forests are a type of ensemble methods.**


Suggested change

**67. Remark: random forests are a type of ensemble methods.**

**67. Chú ý: rừng ngẫu nhiên là một loại giải thuật ensemble.**

Review accepted

damminhtien · 2019-10-18T02:39:24Z

vi/cheatsheet-supervised-learning.md

+
+**68. Boosting ― The idea of boosting methods is to combine several weak learners to form a stronger one. The main ones are summed up in the table below:**
+
+&#10230;


Suggested change

⟶

⟶ Boosting ― Ý tưởng của phương pháp boosting là kết hợp các phương pháp học yếu hơn để tạo nên một phương pháp học mạnh hơn. Các ý tưởng chính được tổng hợp ở bảng dưới:

Review accepted

damminhtien · 2019-10-18T02:39:50Z

vi/cheatsheet-supervised-learning.md

+
+**69. [Adaptive boosting, Gradient boosting]**
+
+&#10230;


Suggested change

⟶

⟶ Adaptive boosting, Gradient boosting

Review accepted

damminhtien · 2019-10-18T02:41:54Z

vi/cheatsheet-supervised-learning.md

+
+**70. High weights are put on errors to improve at the next boosting step**
+
+&#10230;


Suggested change

⟶

⟶ Các trọng số cao được đặt vào các phần lỗi để cải thiện bước boosting tiếp theo

Review accepted

tuananhhedspibk · 2019-10-19T02:18:53Z

Hi @shervinea . I have force pushed to my brach vi_translating_cheatsheet_supervised_learning. Is there any problem if you merge this pull request to your project? Just tell me if you feel uncomfortable with my force pushed commit, I'll re-create a new pull request for this translation. Many thanks.

tuananhhedspibk · 2019-10-19T02:35:35Z

vi/cheatsheet-supervised-learning.md

+
+**63. Tree-based and ensemble methods**
+
+&#10230; Phương thức Tree-based và toàn thể


Review accepted

tuananhhedspibk · 2019-10-19T03:40:59Z

Hi @damminhtien . Many thanks to your review, I have finished my translation on cheatsheet_supervised_learning. Could you continue reviewing its content for me?

tuananhhedspibk · 2019-10-19T03:41:58Z

@shervinea I have finished my translation on cheatsheet_supervised_learning. Could you change the label of this pull request for me? Thanks.

damminhtien · 2019-10-20T15:15:29Z

Hi @damminhtien . Many thanks to your review, I have finished my translation on cheatsheet_supervised_learning. Could you continue reviewing its content for me?

In my view, your work is totally awesome. No longer comment. Let's others review.

shervinea · 2019-10-27T05:22:36Z

@tuananhhedspibk Thank you for all your work! Just did it.

minhntm · 2019-10-28T03:19:17Z

vi/cheatsheet-supervised-learning.md

+
+**9. [Directly estimate P(y|x), Estimate P(x|y) to then deduce P(y|x), Decision boundary,  	Probability distributions of the data, Regressions, SVMs, GDA, Naive Bayes]**
+
+&#10230; [Ước lượng trực tiếp P(y|x), Ước lượng P(x|y) để tiếp tục suy luận P(y|x), Biên quyết địnhđịnh, Phân bố xác suất của dữ liệu, Hồi quy, SVMs, GDA, Naive Bayes]


Biên quyết địnhđịnh

Review accepted.

hungnguyen95 · 2019-09-26T07:15:27Z

vi/cheatsheet-supervised-learning.md

+
+**6. [Continuous, Class, Linear regression, Logistic regression, SVM, Naive Bayes]**
+
+&#10230; [Tiếp diễn, Lớp, Hồi quy tuyến tính, Hồi quy Logistic, SVM, Naive Bayes]


Tiếp diễn -> Liên tục

Review accepted.

hungnguyen95 · 2019-10-28T03:30:51Z

vi/cheatsheet-supervised-learning.md

+
+**63. Tree-based and ensemble methods**
+
+&#10230; Phương thức Tree-based và toàn thể


ensemble nên để nguyên, không nên dịch ra tiếng việt

Review accepted.

minhntm

LGTM

tuananhhedspibk · 2019-11-03T03:43:00Z

Hey @minhbk , @damminhtien , could you guys check this translation 's content for me once more times? Many thanks!

damminhtien · 2019-11-03T09:12:18Z

vi/cheatsheet-supervised-learning.md

+
+**39. Remark: ordinary least squares and logistic regression are special cases of generalized linear models.**
+
+&#10230; Chú ý: Bình phương nhỏ nhất thông thường và logistic regression đều là các trường hợp đặc biệt của các mô hình tuyến tính tổng quát.


I suggest to replace 'regression' to 'hồi quy' to synchronization with your above translation.

Suggested change

⟶ Chú ý: Bình phương nhỏ nhất thông thường và logistic regression đều là các trường hợp đặc biệt của các mô hình tuyến tính tổng quát.

⟶ Chú ý: Bình phương nhỏ nhất thông thường và hồi quy logistic đều là các trường hợp đặc biệt của các mô hình tuyến tính tổng quát.

review accepted

damminhtien · 2019-11-03T09:38:06Z

vi/cheatsheet-supervised-learning.md

+
+**74. Remark: The higher the parameter k, the higher the bias, and the lower the parameter k, the higher the variance.**
+
+&#10230; Chú ý: Tham số k cao hơn, bias cao hơn, tham số k thấp hơn, phương sai cao hơn


You can translate 'bias' to 'độ chệch'. I found AIVIVN was using it.

review accepted

tuananhhedspibk · 2019-11-03T13:46:39Z

@damminhtien , I have fixed it. Please check once more time for me. Thanks

shervinea · 2019-11-05T07:32:56Z

Thank you @tuananhhedspibk, @damminhtien, @hungnguyen95 and @minhbk for all your hard work! Merging this PR right now.

tt-anh-eole and others added 2 commits June 11, 2019 14:51

vi translating for cheatsheet supervised learning

a365c2f

vi translation for supervised learning

fe02b65

shervinea added the in progress Work in progress label Jun 12, 2019

damminhtien reviewed Oct 16, 2019

View reviewed changes

vi cheatsheet supervised learning

7e9b06b

tuananhhedspibk force-pushed the vi_translating_cheatsheet_supervised_learning branch from 65d85b7 to 7e9b06b Compare October 16, 2019 14:48

damminhtien suggested changes Oct 18, 2019

View reviewed changes

tuananhhedspibk commented Oct 19, 2019

View reviewed changes

vi cheatsheet supervised learning

2cc5b31

damminhtien approved these changes Oct 20, 2019

View reviewed changes

shervinea added reviewer wanted Looking for a reviewer and removed in progress Work in progress labels Oct 27, 2019

minhntm reviewed Oct 28, 2019

View reviewed changes

hungnguyen95 reviewed Oct 28, 2019

View reviewed changes

vi cheatsheet supervised learning

a3c95b4

minhntm approved these changes Oct 29, 2019

View reviewed changes

vi translate for cheatsheet supervised learning

0448391

damminhtien reviewed Nov 3, 2019

View reviewed changes

vi translate for cheatsheet supervised learning

aedb7f2

damminhtien approved these changes Nov 4, 2019

View reviewed changes

Add contributors

328d9cc

shervinea merged commit 6590a19 into shervinea:master Nov 5, 2019

shervinea changed the title ~~[vi] Supervised Learning~~ [vi] cs-229-supervised-learning Oct 6, 2020


		3. Given a set of data points {x(1),...,x(m)} associated to a set of outcomes {y(1),...,y(m)}, we want to build a classifier that learns how to predict y from x.

		⟶ Cho một tập hợp các điểm dữ liệu {x(1),...,x(m)} tương ứng với đó là tập các kết quả {y(1),...,y(m)}, chúng ta muốn xây dựng một bộ phân loại học được các dự đoán y từ x.


		8. [Discriminative model, Generative model, Goal, What's learned, Illustration, Examples]

		⟶ [Mô hình phân biệt, Mô hình sáng tạo, Mục tiêu, Những gì học được, Hình minh hoạ, Các ví dụ]

	⟶ [Mô hình phân biệt, Mô hình sáng tạo, Mục tiêu, Những gì học được, Hình minh hoạ, Các ví dụ]
	⟶ [Mô hình phân biệt, Mô hình sinh, Mục tiêu, Những gì học được, Hình minh hoạ, Các ví dụ]


		9. [Directly estimate P(y\|x), Estimate P(x\|y) to then deduce P(y\|x), Decision boundary, Probability distributions of the data, Regressions, SVMs, GDA, Naive Bayes]

		⟶ []

	⟶ []
	⟶ [Uớc lượng trực tiếp P(x\|y), ước lượng P(x\|y) để tiếp tục suy luận P(x\|y), Biên quyết định, Phân bố xác suất của dữ liệu, Hồi quy, SVMs, GDA, Naive Bayes]


		11. Hypothesis ― The hypothesis is noted hθ and is the model that we choose. For a given input data x(i) the model prediction output is hθ(x(i)).

		⟶ Hypothesis - Hypothesis được kí hiệu là h0, là một mô hình mà chúng ta chọn. Với dữ liệu đầu vào cho trước x(i), mô hình dự đoaans đầu ra là h0(x(i)).


		18. Likelihood ― The likelihood of a model L(θ) given parameters θ is used to find the optimal parameters θ through maximizing the likelihood. In practice, we use the log-likelihood ℓ(θ)=log(L(θ)) which is easier to optimize. We have:

		⟶

	⟶
	⟶ 18. Likelihood ― The likelihood của một mô hình L(θ) với bộ tham số θ được sử dụng để tối ưu bộ tham số θ thông qua việc tối đa hóa likelihood. Trong thực tế, chúng ta sử dụng log-likelihood ℓ(θ)=log(L(θ)) để tối ưu dễ dàng hơn. Chúng ta có:


		24. Normal equations ― By noting X the matrix design, the value of θ that minimizes the cost function is a closed-form solution such that:

		⟶ Phương trình normal - Bằng việc kí hiệu X là ma trận thiết kế, giá trị của θ mà cực tiểu hoá cost function là một phương pháp dạng đóng như là:

	⟶ Phương trình normal - Bằng việc kí hiệu X là ma trận thiết kế, giá trị của θ mà cực tiểu hoá cost function là một phương pháp dạng đóng như là:
	⟶ Phương trình chuẩn - Bằng việc kí hiệu X là ma trận thiết kế, giá trị của θ mà cực tiểu hoá cost function là một phương pháp dạng đóng như là:


		51. Remark: we say that we use the "kernel trick" to compute the cost function using the kernel because we actually don't need to know the explicit mapping ϕ, which is often very complicated. Instead, only the values K(x,z) are needed.

		⟶

	⟶
	⟶ 51. Chú ý: chúng ta nói rằng chúng ta sử dụng "kernel trick" để tính toán cost function sử dụng kernel bởi vì chúng ta thực tế không cần hiểu cụ thể sự ánh xạ ϕ, những thứ thường rất phức tạp. Thay vào đó, chỉ các giá trị K(x,z) là cần thiết.


		53. Remark: the coefficients βi are called the Lagrange multipliers.

		⟶

	⟶
	⟶ 53. Chú ý: Hệ số βi được gọi là bội số Lagrange.


		39. Remark: ordinary least squares and logistic regression are special cases of generalized linear models.

		⟶ Chú ý: Bình phương nhỏ nhất thông thường và logistirc regression đều là các trường hợp đặc biệt của các mô hình tuyến tính tổng quát.


		51. Remark: we say that we use the "kernel trick" to compute the cost function using the kernel because we actually don't need to know the explicit mapping ϕ, which is often very complicated. Instead, only the values K(x,z) are needed.

		⟶ Chú ý: chúng ta nói rằng chúng ta sử dụng "kernel trick" để tính toán cost function sử dụng kernel bởi vì chúng ta thực sự không cần biết đến mapping tường minh ϕ, nó thường khá phức tạp. Thay vào đó, chỉ cần biết giá trị K(x,z).


		55. A generative model first tries to learn how the data is generated by estimating P(x\|y), which we can then use to estimate P(y\|x) by using Bayes' rule.

		⟶ Một generative model đầu tiên cố gắng học cách dữ liệu được sinh ra thông qua việc ước lượng P(x\|y), chúng ta có thể sau đó sử dụng P(x\|y) để ước lượng P(y\|x) bằng cách sử dụng luật Bayes.

	⟶ Một generative model đầu tiên cố gắng học cách dữ liệu được sinh ra thông qua việc ước lượng P(x\|y), chúng ta có thể sau đó sử dụng P(x\|y) để ước lượng P(y\|x) bằng cách sử dụng luật Bayes.
	⟶ Một mô hình sinh đầu tiên cố gắng học cách dữ liệu được sinh ra thông qua việc ước lượng P(x\|y), chúng ta có thể sau đó sử dụng P(x\|y) để ước lượng P(y\|x) bằng cách sử dụng luật Bayes.


		58. Estimation ― The following table sums up the estimates that we find when maximizing the likelihood:

		⟶

	⟶
	⟶ Sự ước lượng - Bảng sau đây tổng kết các ước lượng mà chúng ta tìm được trong khi tối đa hóa likelihood:

[vi] cs-229-supervised-learning #162

[vi] cs-229-supervised-learning #162

Conversation

tuananhhedspibk commented Jun 12, 2019

tuananhhedspibk commented Jun 12, 2019

shervinea commented Jun 12, 2019

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

tuananhhedspibk commented Oct 19, 2019

Choose a reason for hiding this comment

tuananhhedspibk commented Oct 19, 2019

tuananhhedspibk commented Oct 19, 2019

damminhtien commented Oct 20, 2019

shervinea commented Oct 27, 2019

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

minhntm left a comment

Choose a reason for hiding this comment

tuananhhedspibk commented Nov 3, 2019

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

tuananhhedspibk commented Nov 3, 2019

shervinea commented Nov 5, 2019


		60. Assumption ― The Naive Bayes model supposes that the features of each data point are all independent:

		⟶

	⟶
	⟶ Giả thiết - Mô hình Naive Bayes giả sử rằng các đặc trưng của các điểm dữ liệu là hoàn toàn độc lập:


		66. Random forest ― It is a tree-based technique that uses a high number of decision trees built out of randomly selected sets of features. Contrary to the simple decision tree, it is highly uninterpretable but its generally good performance makes it a popular algorithm.

		⟶

	⟶
	⟶ Rừng ngẫu nhiên - Đây là một kĩ thuật dựa trên cây với việc sử dụng số lượng nhiều các cây cây quyết định để lựa chọn ngẫu nhiên các tập đặc trưng. Trái ngược với cây quyết định đơn giản, chúng khó có thể diễn giải nhưng vì hiệu năng cao nên trở thành thuật toán phổ biến.


		<br>

		67. Remark: random forests are a type of ensemble methods.

	67. Remark: random forests are a type of ensemble methods.
	67. Chú ý: rừng ngẫu nhiên là một loại giải thuật ensemble.


		68. Boosting ― The idea of boosting methods is to combine several weak learners to form a stronger one. The main ones are summed up in the table below:

		⟶

	⟶
	⟶ Boosting ― Ý tưởng của phương pháp boosting là kết hợp các phương pháp học yếu hơn để tạo nên một phương pháp học mạnh hơn. Các ý tưởng chính được tổng hợp ở bảng dưới:


		70. High weights are put on errors to improve at the next boosting step

		⟶

	⟶
	⟶ Các trọng số cao được đặt vào các phần lỗi để cải thiện bước boosting tiếp theo