Vào đầu năm 2019, khi tác giả của cuốn sách Deep Learning cơ bản đang dấn thân vào nghiên cứu ứng dụng của Deep Learning trong lĩnh vực Y học, tác giả đã nhận ra một sự không cân xứng từ việc này.
Giới thiệu về cuốn sách Deep Learning cơ bản
Khi đứng trước việc nghiên cứu về ứng dụng của Deep Learning, tác giả dường như đang đứng trước một bức tranh mà một nửa vẽ hoàn chỉnh nhưng lại còn nửa kia cần được điền vào.
Tác giả là một kỹ sư sở hữu khả năng lập trình Deep Learning, nhận thấy mình thiếu những kiến thức chuyên môn sâu rộng trong lĩnh vực Y để phát triển ứng dụng thực sự sâu rộng.
Trong khi đó, các bác sĩ với hiểu biết sâu rộng về các vấn đề chuyên môn trong Y học lại thiếu đi những kỹ năng lập trình cần thiết để thực hiện những ứng dụng đầy tiềm năng.
Từ nhận thức này, tác giả đã quyết định viết loạt bài viết, một dự án từ tâm huyết của mình, để giới thiệu những kiến thức cơ bản về Deep Learning và các ứng dụng của nó.
Mục tiêu của tác giả cuốn sách Deep Learning cơ bản không chỉ đơn thuần là truyền đạt kiến thức, mà còn là tạo ra một bản kết nối, một gợi ý cho những người có kiến thức chuyên môn trong các lĩnh vực khác như y tế, ngân hàng, nông nghiệp… để họ có thể tự tin tiếp cận và áp dụng Deep Learning trong lĩnh vực của họ.
Ngoài ra, tác giả cũng nhận thấy tầm quan trọng của việc cung cấp nền tảng về toán học và Deep Learning cơ bản cho các bạn học sinh, sinh viên. Tác giả tin rằng, với nền tảng này, họ có khả năng không chỉ thực hiện những ứng dụng cơ bản mà còn có khả năng tiến xa hơn trong nghiên cứu và đào sâu vào Deep Learning trong môi trường học thuật.
Với mục tiêu hướng đến một độc giả có nguồn gốc và kinh nghiệm đa dạng, tác giả đã cố gắng giải thích các khái niệm toán học một cách tỉ mỉ và đơn giản để tất cả đều có thể tiếp thu. Tác giả đã nỗ lực xen kẽ các bài ứng dụng thực tế của Deep Learning giữa các nội dung lý thuyết, nhằm giúp bạn đọc hiểu một cách tương đối dễ dàng hơn.
Cuối cùng, tác giả hy vọng rằng thông qua cuốn sách này, bạn đọc sẽ không chỉ thu nhận được những kiến thức cơ bản về Deep Learning mà còn thấy rõ được tiềm năng ứng dụng của nó.
Các chương của cuốn sách Deep Learning cơ bản
Chương I của cuốn sách Deep Learning cơ bản đưa ra hướng dẫn chi tiết về cách thiết lập môi trường lập trình bằng Anaconda để thực hiện các tác vụ liên quan đến mã nguồn Python cơ bản. Cuốn sách cũng giới thiệu khái niệm về Google Colab và cách sử dụng GPU Tesla K80 miễn phí được cung cấp bởi Google. Điều này cho phép độc giả có thể huấn luyện các mô hình trực tuyến thay vì tận dụng tài nguyên máy tính hay laptop cá nhân.
Chương II khám phá những khái niệm cơ bản về Machine Learning bằng cách trình bày hai thuật toán Linear Regression và Logistic Regression. Đồng thời, cuốn sách giới thiệu sâu hơn về thuật toán Gradient Descent, một yếu tố quan trọng trong lĩnh vực Deep Learning. Ngoài ra, tác giả cũng giải thích về các kiến thức Toán cơ bản như phép toán ma trận và cách biểu diễn bài toán dưới dạng ma trận.
Chương III tiến xa hơn với việc giới thiệu Neural Network, nguyên tắc cốt lõi của Deep Learning, và thuật toán Backpropagation để giải quyết các bài toán liên quan. Tác giả không chỉ giới thiệu lý thuyết mà còn hướng dẫn độc giả xây dựng mã nguồn Neural Network và Backpropagation bằng Python.
Chương IV nêu lên tầm quan trọng của Convolutional Neural Network (CNN) trong việc xử lý ảnh. Cuốn sách đưa ra sự tương quan giữa thư viện Keras và việc áp dụng CNN cho bài toán phân loại ảnh sử dụng bộ dữ liệu chữ số viết tay (MNIST). Cuối chương, tác giả minh họa cách áp dụng CNN trong bài toán ô tô tự hành, một ứng dụng thực tế khá thú vị.
Xem thêm: Luật Sư Phúc Hắc Quá Nguy Hiểm
Xem thêm: Đàn Ông Tương Lai Không Dễ Làm
Chương V của Deep Learning cơ bản giới thiệu nhiều kỹ thuật cơ bản và nâng cao trong Deep Learning. Các kỹ thuật này giúp nâng cao hiệu suất của mô hình.
Chương VI đưa ra cái nhìn chi tiết hơn về hai bài toán quan trọng trong Computer Vision: Object Detection và Image Segmentation. Cuốn sách không chỉ giới thiệu lý thuyết mà còn hướng dẫn cách giải quyết thực tế bài toán nhận diện biển số xe máy.
Chương VII đưa ra một khía cạnh khác của Deep Learning với thuật toán Recurrent Neural Network (RNN) cho dữ liệu chuỗi và cải tiến của nó, Long Short Term Memory (LSTM). Tác giả hướng dẫn cách áp dụng mô hình LSTM cho bài toán thêm mô tả cho ảnh và giới thiệu mạng sequence to sequence (seq2seq) cho bài toán dịch ngôn ngữ kèm cơ chế attention.
Chương cuối cùng trình bày về mạng generative adversarial networks (GAN) và giới thiệu một số mô hình GAN như deep convolutional GAN (DCGAN) và conditional GAN (cGAN). Điều này giúp mở rộng kiến thức của độc giả về ứng dụng của Deep Learning trong nhiều lĩnh vực khác nhau.
TẢI SÁCH PHIÊN BẢN PDF TẠI ĐÂY: Deep Learning cơ bản
Đón đọc thêm nhiều sách hay tại SACHVUI bạn nhé!
