---
tags: COTAI LHP
---

# Lecture Notes ML4AI 2021

## Session 1 -- Linear Predictors

## Session 2 -- Feature Extraction

## Session 3 -- Nonlinear Predictor

**Tóm tắt SS3:**
- Do trong hầu hết các bài toán các điểm dữ liệu đầu vào phân bố ở các vị trí phức tạp mà ta không thể phân vùng chúng bằng Linear Predictors do đó ta cần có các phép transformation để biến chúng thành mô hình cơ bản và có thể xài lại các thuật toán Linear
- Transformations:
+ Linear: đầu vào và đầu ra đều phẳng, được thực hiện bằng phép nhân ma trận: Z=AZ', và các bước lật -> xoay -> lật, thể hiện qua công thức $M=U.D.V^{T}$
+ Nonlinear: chuyển từ dữ liệu phẳng qua không phẳng bằng cách nhân ma trận và bóp méo đầu ra: $\phi =\gamma( Az+b)$ (mô hình MLP), với $\gamma$ là các activation function như hàm sigmoid, softmax... hoặc các cách bên dưới.

#Với 2 cách ta có thể nhân nhiều lần cho ra mạng neron

+Kernel trick:
+ biến đổi từ một không gian ban đầu không phân biệt tuyến tính sang phân biệt bằng cách nhân hai hàm $\phi(z^{1}) . \phi(z^{2})$

+Locally linear: chia không gian lớn thành nhỏ

#Decision Boundary: tồn tại những vùng màu trắng: Niềm tin bằng nhau,Không xác định thuộc nhóm nào VD:$w^1Z + b^2= w^2Z + b^2$ do các noise dot khi này khi khác

**Coding**
+ các bước:
+ B1:Random Weight
+ B2:$\hat{y}$=s(wz+b)
+ B3:Tính loss($\hat{y}$,y)(sai số)
+ B4:Chọn lại Weights (optimizer)