Học Máy có khó học không – Hành trình học tập của tôi 2025

Gần đây, “Học Máy” đã không còn là từ xa lạ với mọi người nữa. Vậy nên mình sẽ “mạnh dạn” dùng luôn “Học Máy” thay cho “Machine Learning”.

Bạn có muốn học Học Máy nhưng còn nghi ngờ liệu Học Máy có khó học không? Nếu có, đừng lo lắng. Mình sẽ hướng dẫn bạn những bước mà mình đã trải qua trong hành trình học máy của mình. Mình cũng sẽ trả lời câu hỏi của bạn “Học Máy có khó học không” dựa trên kinh nghiệm của mình.

Và mình sẽ không chỉ cố gắng trả lời câu hỏi của bạn mà còn chia sẻ toàn bộ lộ trình mà mình đã trải qua cùng với các tài nguyên mình đã sử dụng trong quá trình học. Vì vậy, hãy dành vài phút cho bài viết này và hiểu rõ mọi thứ liên quan đến trải nghiệm học máy.

Bây giờ, không cần chần chừ thêm nữa, hãy bắt đầu thôi-

Học Máy có khó học không

Nền tảng của mình

Mình đã học Khoa học Máy tính, nhưng trong thời gian học cử nhân và thạc sĩ, học máy không thực sự là một lĩnh vực lớn trong khoảng 2012 đến 2016. Mình chỉ bắt đầu học về nó khi mình bắt đầu chương trình tiến sĩ của mình.

Hành trình học tập của mình

Trước khi chia sẻ hành trình học tập của mình, mình muốn đề cập đến những chủ đề bạn cần học để trở thành một bậc thầy trong Học Máy-

Chủ Đề	Thuật ngữ tiếng Anh
Toán học cơ bản (Đại số, Giải tích) 🧮📐	Algebra, Calculus
Xác suất (Cơ hội, Khả năng xảy ra) 🎲🔢	Chance, Likelihood
Kỹ năng lập trình (Python, R) 💻🐍	–
Xử lý dữ liệu (Làm sạch dữ liệu, Thao tác dữ liệu) 🧹🔧	Data Cleaning, Data Manipulation
Các loại học máy (Học có giám sát, Học không giám sát) 🧠🔍	Supervised Learning, Unsupervised Learning
Kiểm tra mô hình (Đánh giá mô hình, Xác thực) 🧪📊	Model Evaluation, Validation
Cải thiện mô hình (Điều chỉnh tham số, Tối ưu hóa) 🔧🚀	Parameter Tuning, Optimization
Phát hiện lỗi (Phân tích lỗi, Gỡ lỗi) 🔍🐛	Error Analysis, Debugging
Thực hiện dự án (Ứng dụng thực tế, Triển khai thực tiễn) 🏗️🌐	Real-world Applications, Practical Implementation

Mình đã học Khoa học Máy tính, và may mắn thay, mình đã biết cách lập trình bằng Python, điều này giúp phần lập trình trong học máy trở nên dễ dàng hơn với mình. Tuy nhiên, khi đến phần toán học, như đại số và giải tích, mình thấy hơi khó hiểu một chút.

Mình không quá lo lắng về thống kê và xác suất, vì mình thấy chúng dễ hiểu hơn. Để tìm hiểu thêm về học máy, mình quyết định tham gia một số khóa học trên Udemy và một khóa học cụ thể về thuật toán học máy. Ban đầu, mình đã bỏ qua phần toán học và nhảy ngay vào việc hiểu các thuật toán học máy với kỹ năng Python của mình. Nhưng không lâu sau, mình gặp phải một rào cản – một số thuật toán rất khó hiểu nếu không biết toán học đằng sau chúng.

Nhận ra sai lầm của mình, mình lùi lại một bước và tập trung vào việc học toán. Điều này mất một thời gian và rất nhiều nỗ lực, và có những lúc mình cảm thấy muốn từ bỏ. Nhưng mình đã tiếp tục, và cuối cùng, mình đã hiểu rõ hơn về đại số và giải tích.

Khi mình cảm thấy tự tin hơn về kỹ năng toán học của mình, mình đã quay lại học các thuật toán học máy. Mình quyết định làm một dự án phân tích cảm xúc, nghe có vẻ thú vị. Tuy nhiên, mình nhanh chóng nhận ra rằng thu thập và làm sạch dữ liệu là những thách thức lớn đối với mình. Làm việc với dữ liệu sạch thì có thể quản lý được, nhưng tự làm điều đó thì lại khó khăn.

Mặc dù gặp nhiều thách thức, mình thấy quá trình kiểm tra và cải thiện các mô hình thật thú vị. Nhìn chung, hành trình của mình vào học máy có những thăng trầm, với một số phần khó khăn hơn những phần khác. Nhưng với sự kiên trì và cống hiến, mình đã có thể vượt qua những trở ngại và tiếp tục học hỏi và phát triển trong lĩnh vực này.

Những sai lầm mà mình đã mắc phải và không khuyến nghị

1. Bỏ qua Toán học: Đây là một sai lầm khi lao vào học máy mà không hiểu toán học đằng sau nó. Điều này khiến việc nắm bắt các khái niệm nâng cao trở nên khó khăn hơn.
2. Đánh giá thấp việc chuẩn bị dữ liệu: Mình không nhận ra tầm quan trọng của việc thu thập và làm sạch dữ liệu. Dành đủ thời gian cho bước này là rất quan trọng để có được kết quả đáng tin cậy.
3. Bỏ qua những khó khăn: Khi cảm thấy quá tải, mình nên tìm kiếm sự giúp đỡ hoặc nghỉ ngơi thay vì cố gắng tiếp tục.
4. Vội vàng trong việc học: Cố gắng nhanh chóng vượt qua các khái niệm khó chỉ dẫn đến sự thất vọng. Dành thời gian để hiểu từng bước sẽ tốt hơn.

Những mẹo đơn giản để học Đại số và Giải tích trong Học Máy

1. Tập trung vào các khái niệm hữu ích: Bắt đầu bằng cách học các khái niệm đại số và giải tích thường được sử dụng trong học máy. Những điều như hiểu các mẫu trong dữ liệu và cách thao tác chúng.
2. Hãy thử nghiệm với Học Máy: Thay vì chỉ học đại số và giải tích một cách riêng lẻ, hãy áp dụng những khái niệm này vào các bài toán học máy. Xem cách bạn có thể sử dụng chúng để cải thiện các thuật toán học từ dữ liệu.
3. Thực hành với các khóa học trực tuyến: Tìm kiếm các lớp học trực tuyến dạy đại số và giải tích với các ví dụ về học máy. Các trang web như Coursera hoặc Khan Academy cung cấp các khóa học giải thích những ý tưởng này bằng những thuật ngữ đơn giản.
4. Sử dụng các công cụ Học Máy: Hãy trải nghiệm thực tế bằng cách sử dụng các công cụ như TensorFlow hoặc scikit-learn. Những công cụ này ẩn đi một số phần toán học phức tạp, nhưng việc hiểu đại số và giải tích sẽ giúp bạn sử dụng chúng hiệu quả hơn.
5. Làm việc với các dự án đơn giản: Bắt đầu với những dự án học máy nhỏ và dần dần tăng độ phức tạp của chúng. Bằng cách này, bạn có thể thấy cách đại số và giải tích áp dụng vào các vấn đề thực tế.
6. Đọc những cuốn sách dễ hiểu cho người mới bắt đầu: Tìm kiếm những cuốn sách giải thích đại số và giải tích theo cách dễ hiểu. Những cuốn sách như “Pattern Recognition and Machine Learning” (Nhận diện mẫu và Học máy) hoặc “Học sâu” là những lựa chọn tốt.

Bằng cách làm theo những gợi ý này, bạn có thể dần dần xây dựng hiểu biết của mình về đại số và giải tích cho học máy mà không cảm thấy quá tải. Hãy nhớ thực hiện từng bước một và thực hành thường xuyên để cải thiện kỹ năng của bạn.

Những mẹo thực tiễn để chuẩn bị dữ liệu dễ dàng hơn trong Học Máy

1. Hiểu rõ nguồn dữ liệu của bạn: Trước khi bạn bắt đầu làm sạch và gán nhãn cho dữ liệu của mình, điều quan trọng là phải biết dữ liệu của bạn đến từ đâu, cách nó được thu thập và liệu có bất kỳ sự thiên lệch hoặc không nhất quán nào không.
2. Xử lý các giá trị thiếu: Khi bạn phát hiện các giá trị thiếu trong tập dữ liệu của mình, đừng hoảng sợ! Hãy sử dụng các công cụ như pandas trong Python để tìm và xử lý chúng. Bạn có thể điền các giá trị thiếu bằng các ước lượng hoặc xóa các hàng hoặc cột có dữ liệu bị thiếu.
3. Giữ cho định dạng dữ liệu nhất quán: Đảm bảo rằng tất cả dữ liệu của bạn đều theo cùng một định dạng. Điều này có nghĩa là chuyển đổi ngày tháng về cùng một định dạng và chuẩn hóa các giá trị số để dễ dàng làm việc hơn.
4. Xóa các mục trùng lặp: Các mục trùng lặp có thể làm rối loạn phân tích của bạn, vì vậy việc phát hiện và xóa chúng là rất cần thiết. Các công cụ như pandas hoặc truy vấn SQL có thể giúp bạn tìm và xóa các mục trùng lặp dựa trên các tiêu chí cụ thể.
5. Xử lý dữ liệu phân loại: Nếu bạn có dữ liệu phân loại, như tên hoặc danh mục, bạn sẽ cần chuyển đổi chúng thành các biểu diễn số. Các kỹ thuật như mã hóa one-hot (one-hot encoding) hoặc mã hóa nhãn (label encoding) có thể giúp ích cho việc này.
6. Phát hiện các điểm ngoại lai: Các điểm ngoại lai là những dữ liệu có sự khác biệt đáng kể so với phần còn lại. Sử dụng các phương pháp thống kê hoặc hình ảnh hóa để xác định các điểm ngoại lai và quyết định xem có nên xóa chúng hoặc điều chỉnh chúng dựa trên nhu cầu phân tích của bạn hay không.
7. Kiểm tra chất lượng dữ liệu thường xuyên: Trong suốt quá trình làm sạch dữ liệu, hãy đảm bảo kiểm tra thường xuyên chất lượng dữ liệu của bạn. Sử dụng thống kê mô tả, hình ảnh hóa hoặc các kiểm tra theo lĩnh vực cụ thể để đảm bảo dữ liệu của bạn là đáng tin cậy.
8. Tự động hóa các nhiệm vụ làm sạch: Đừng lãng phí thời gian thực hiện các nhiệm vụ làm sạch lặp đi lặp lại một cách thủ công. Hãy tận dụng các công cụ và kịch bản tự động hóa, như những công cụ có trong các thư viện Python như pandas, scikit-learn và TensorFlow, để đơn giản hóa quy trình.

Tài Nguyên Học Tập	Chi Tiết
Ngôn ngữ lập trình (Python & R)	1. Introduction to Python Programming – Udacity 2. Python for Everybody – University of Michigan 3. Introduction To Python Programming – Udemy 4. Python Core and Advanced – Udemy 5. Crash Course on Python – Google 6. Python for Absolute Beginners! – Udemy 7. Python 3 Programming Specialization – University of Michigan 8. R Programming – Johns Hopkins University 9. Programming for Data Science with R – Udacity 10. R Programming A-Z™ – Udemy
Toán học	1. Mathematics for Machine Learning Specialization – Imperial College London 2. Mathematics for Data Science Specialization – Coursera 3. Data Science Math Skills – Duke University 4. Intro to Statistics – Udacity 5. Probability – The Science of Uncertainty and Data – MITx 6. Basic Statistics – University of Amsterdam 7. Probabilistic Graphical Models Specialization – Stanford University 8. Introduction to Calculus – The University of Sydney 9. Probability and Statistics – University of London
Thuật toán Học Máy	1. Become a Machine Learning Engineer (Udacity) 2. Machine Learning – Stanford University 3. Machine Learning with Python – IBM 4. Intro to Machine Learning with TensorFlow (Udacity) 5. Machine Learning A-Z™: Hands-On Python & R In Data Science – Udemy 6. Python for Data Science and Machine Learning Bootcamp – Udemy 7. Advanced Machine Learning Specialization – Coursera
TensorFlow	1. TensorFlow in Practice Specialization – deeplearning.ai 2. Intro to Machine Learning with TensorFlow – Udacity 3. Tensorflow 2.0: Deep Learning and Artificial Intelligence – Udemy 4. TensorFlow: Data and Deployment Specialization – deeplearning.ai 5. Machine Learning with TensorFlow on Google Cloud Platform Specialization – Google Cloud
Tiền xử lý Dữ liệu	1. Applied Data Science with Python Specialization at the University of Michigan 2. Exploratory Data Analysis With Python and Pandas (Guided Project) 3. NumPy Tutorial by freeCodeCamp
Học Sâu	1. Deep Learning (Udacity) 2. Deep Learning Specialization (deeplearning.ai) 3. Deep Learning A-Z™: Hands-On Artificial Neural Networks – Udemy

Học Máy có khó học không

Có, học máy là khó. Ngay cả khi có một chút nền tảng về Khoa học Máy tính và biết Python, việc hiểu toán học phức tạp như đại số và giải tích là rất khó khăn. Nhưng với nỗ lực, mình đã có thể nắm bắt các khái niệm và tiến bộ. Điều đó không dễ dàng, nhưng những phần thưởng từ việc có được kỹ năng mới khiến nó trở nên xứng đáng. Nhìn chung, mặc dù học máy có thể thách thức, nhưng với sự quyết tâm, bất kỳ ai cũng có thể học hỏi và thành công trong lĩnh vực này.

Lộ Trình Học Tập Được Đề Xuất

1. Bắt đầu với những điều cơ bản:

• Chọn ngôn ngữ của bạn: Bắt đầu bằng cách học Python hoặc R, hai ngôn ngữ phổ biến trong khoa học dữ liệu và học máy. 🐍📊
  • Tránh sai lầm: Đừng cố gắng học cả hai cùng một lúc. Hãy tập trung vào việc thành thạo một ngôn ngữ trước khi chuyển sang ngôn ngữ khác.

2. Hiểu các nguyên tắc cơ bản:

• Toán học là quan trọng: Nắm vững các khái niệm toán học cơ bản như đại số, giải tích, thống kê và xác suất. 📐📈
  • Tránh sai lầm: Đừng xem nhẹ tầm quan trọng của toán học. Nó rất quan trọng để hiểu khoa học dữ liệu và học máy.

3. Học về Học Máy:

• Học các thuật toán: Khám phá các thuật toán học máy khác nhau và ứng dụng của chúng. 🤖📚
  • Tránh sai lầm: Đừng vội vàng học các thuật toán mà không hiểu các khái niệm cơ bản.

4. Thành thạo TensorFlow và Học Sâu:

• Khám phá TensorFlow: Nâng cao hiểu biết của bạn về các khung học sâu như TensorFlow. 🌊🧠
  • Tránh sai lầm: Đừng nhảy vào học sâu mà không nắm vững các nguyên tắc cơ bản của học máy và TensorFlow.

5. Làm sạch và chuẩn bị dữ liệu:

• Tiền xử lý dữ liệu: Học cách làm sạch và chuẩn bị dữ liệu thô cho các mô hình học máy. 🧹📊
  • Tránh sai lầm: Đừng đánh giá thấp tầm quan trọng của việc tiền xử lý dữ liệu. Dữ liệu kém chất lượng dẫn đến các mô hình không chính xác.

6. Thực hiện các dự án:

• Áp dụng kiến thức của bạn: Tích lũy kinh nghiệm thực tiễn bằng cách làm việc trên các dự án và thách thức thực tế. 💼🚀
  • Tránh sai lầm: Đừng tránh né các dự án vì chúng có vẻ khó khăn. Các dự án sẽ củng cố hiểu biết của bạn và xây dựng hồ sơ năng lực của bạn.

Câu nói trong ngày…

‘ Ai ngừng học hỏi thì sẽ già, dù ở tuổi hai mươi hay tám mươi. Ai tiếp tục học hỏi sẽ luôn trẻ trung.

– Henry Ford’

Bạn có biết giáo sư Geoffrey E. Hinton là ai không? Bạn có biết giải thưởng Nobel và giải thưởng VinFuture không? Bạn có biết giáo sư Geoffrey E. Hinton là người nhận được cả giải thưởng giải Nobel Vật lý 2024 và VinFuture Grand Prize 2024 không? Bạn có biết tại sao giáo sư được trao giải không? Có thể bạn, giống như mình, được biết là giáo sư Geoffrey E. Hinton có đóng góp to lớn trong lĩnh vực AI và deep learning (học sâu), vậy nhưng bạn có biết AI là gì? học sâu là gì không? Theo bạn, bài viết bạn đọc này là do người viết, hay AI viết, hay cả hai?

Trong video này, giáo sư Geoffrey E. Hinton sẽ giải thích dễ hiểu về AI, mạng nơ ron nhân tạo? … Hãy khám phá qua video này nhé.

© Dịch bởi Dieter R., Nguồn: www.mltut.com, 05/11/2024 – Được viết bởi Aqsa Zafar – Machine Learning Ph.D. scholar at Dayananda Sagar University
Bài viết gốc: https://www.mltut.com/is-machine-learning-hard-to-learn/