Giới thiệu về học thống kê bằng Python
(statlearning.com)- Trong bối cảnh quy mô thu thập dữ liệu ngày càng lớn, An Introduction to Statistical Learning xem học thống kê như một công cụ nhập môn thực tiễn để hiểu dữ liệu
- Cuốn sách hướng đến độc giả muốn học các công cụ phân tích dữ liệu hiện đại, tập trung vào phần giải thích rộng hơn và ít mang tính kỹ thuật hơn thay vì toán học phức tạp
- Bản áp dụng R tiếp nối với ấn bản 1 năm 2013 và ấn bản 2 năm 2021, còn Python edition(ISLP) được xuất bản năm 2023
- Mỗi ấn bản liên kết các khái niệm của chương với mã R hoặc Python thông qua lab thực hành ở cuối chương
- Có cung cấp liên kết tải PDF và mua sách, để người mới bắt đầu có thể chọn tài liệu cần thiết trong số bản R ấn bản 1, bản R ấn bản 2 và bản Python
Trọng tâm của sách nhập môn học thống kê
- An Introduction to Statistical Learning đặt tiền đề là quy mô và phạm vi thu thập dữ liệu trong hầu hết mọi lĩnh vực đang tiếp tục tăng
- Học thống kê được trình bày như một bộ công cụ cần thiết cho những người muốn hiểu dữ liệu
- Sách bao quát rộng các chủ đề cốt lõi nhưng giảm độ khó kỹ thuật, giúp độc giả muốn sử dụng các công cụ phân tích dữ liệu hiện đại dễ tiếp cận hơn
Ấn bản, thực hành và tài liệu
- Các ấn bản được chia theo trọng tâm R và Python
- ISLR 1st Edition là bản áp dụng R, xuất bản năm 2013
- ISLR 2nd Edition được xuất bản năm 2021
- ISLP là bản Python, xuất bản năm 2023
- ISLR đã được dịch sang tiếng Trung, tiếng Ý, tiếng Nhật, tiếng Hàn, tiếng Mông Cổ, tiếng Nga và tiếng Việt
- Cuối mỗi chương có một lab minh họa các khái niệm của chương đó bằng R hoặc Python
- Các chủ đề được đề cập trong sách gồm
- Học thống kê là gì
- Hồi quy
- Phân loại
- Phương pháp tái lấy mẫu
- Lựa chọn mô hình tuyến tính và chính quy hóa
- Các phương pháp vượt ra ngoài tính tuyến tính
- Phương pháp dựa trên cây
- Máy vector hỗ trợ
- Học sâu
- Phân tích sống còn
- Học không giám sát
- Kiểm định đa trọng
- Tài liệu PDF được cung cấp qua các liên kết sau
1 bình luận
Ý kiến trên Hacker News
Hơi lạc đề một chút, nhưng tỷ lệ giữa số lượt upvote và số bình luận khá thú vị
Các bài liên quan đến ChatGPT thường có hàng trăm bình luận, nhưng ở đây đến giờ chỉ có 100 lượt upvote và 7 bình luận
Cuốn sách trông có vẻ hay, và nhìn vào các tác giả thì gần như chắc chắn là hay nên tôi định mua, nhưng tỷ lệ này dường như cho thấy hiện trạng của “ML/AI/khoa học dữ liệu”. Tôi có cảm giác hơi hoài nghi rằng nhiều người quan tâm đến cơn sốt AI chưa từng thực sự làm việc nhiều với các khái niệm nền tảng, và không hiểu sâu phần toán/thống kê phía sau
Nói thêm là chính tôi cũng không đưa ra bình luận gì có ý nghĩa về chủ đề của liên kết này
https://github.com/melling/ISLR
Cũng có khóa học edX do các tác giả tạo: https://www.edx.org/course/statistical-learning
Những cuốn như thế này là cốt lõi để bắt đầu với machine learning/AI, và cuốn này đặc biệt hay. Tôi cũng bắt đầu machine learning bằng cuốn này
AI đang bị thổi phồng khủng khiếp và có vẻ sẽ giống bong bóng dot-com. Khác với crypto, AI đã có các ứng dụng thực tế, và điều này vẫn đúng ngay cả khi loại các sản phẩm LLM ra. Tuy nhiên cũng có nhiều kỳ vọng pha trộn giữa phóng đại và hy vọng, nên khi bong bóng vỡ sẽ có nhiều người bị tổn hại. Dù vậy, trong ngắn hạn vẫn sẽ tiếp tục có những người kiếm được tiền thật, và những người cổ vũ cơn sốt mà tôi biết cũng hiểu rõ điều này
Dù sao thì AI sẽ vẫn còn, và ngay cả sau khi bong bóng vỡ, các ứng dụng AI thực tế vẫn sẽ còn ở khắp nơi xung quanh
Tôi hiểu cảm giác đó, nhưng trong nhiều trường hợp sử dụng machine learning, gọi ChatGPT API thường là cách tiếp cận tốt hơn gấp 100 lần so với tự xây mô hình, vì vậy có thể thật sự không cần hiểu toán
Ví dụ tôi đang làm một ứng dụng AI tính dinh dưỡng và dùng ChatGPT function calling. Nếu thêm một trường như emoji món ăn, nó sẽ tự động phân loại bất kỳ món nào thành emoji phù hợp. Để làm những việc như vậy, hoàn toàn không cần biết gradient descent hay các tính chất cơ bản
Tình trạng này đã diễn ra vài năm rồi, và trong hầu hết môi trường làm việc nó gây tác động xấu. Tôi không ghen tị với các data scientist trong thực tế, những người phải quản lý kỳ vọng
Trên HN gần như toàn là thổi phồng, còn khoa học thì không nhiều. Niềm tin thì mạnh nhưng căn cứ thì yếu. Người ta thích trích dẫn paper nhưng chỉ đọc abstract và bỏ lỡ các sắc thái cốt lõi. Điều này càng đúng trong một lĩnh vực mà nếu nêu ra giới hạn thì có nguy cơ bị từ chối cao; đôi khi reviewer chỉ copy-paste chính phần đó rồi kết luận là xong việc
Học thuật thì khá hơn một chút, nhưng nhìn chung cũng có nhiều nhà nghiên cứu thiếu nền tảng toán học. Ngay cả ở các đại học hay viện nghiên cứu hàng đầu, tôi từng biết hoặc gặp những người không phân biệt được likelihood và probability. Có người không hiểu probability density, thậm chí trong số những người làm về diffusion model cũng có. Tuy nhiên, những nhà nghiên cứu nổi bật nhất nhìn chung có các năng lực này. Đổi lại, họ không ra paper nhanh như vậy, và công trình của họ cũng có thể ít được ưa chuộng hơn
Hiện nay nhiều nghiên cứu đang nghiêng về tinh chỉnh tham số và đổ tài nguyên tính toán. Tôi thừa nhận việc tinh chỉnh là cần thiết, nhưng nên thành thật rằng đó không phải là đổi mới lớn, và rất khó chứng minh là tốt hơn nếu các mô hình/kiến trúc khác chưa được tinh chỉnh ở cùng mức độ. Tôi đã lên tiếng phần nào vì xu hướng này đang trở thành rào cản đối với các kiểu nghiên cứu khác
Tóm lại là khá chính xác. Trong machine learning/AI có rất nhiều nhiễu, đặc biệt là trên HN
Ngoài ra, tôi khuyên đọc Statistical Rethinking của Richard McElreath(https://xcelab.net/rm/statistical-rethinking/). Cuốn này đọc thú vị hơn ISLR và cũng giới thiệu thống kê Bayes (bài giảng cũng có trên YouTube). Tôi cũng khuyên đọc Regression and Other Stories của Gelman(https://avehtari.github.io/ROS-Examples/)
Cuốn sách này vốn là bản cập nhật của một giáo trình rất phổ biến viết bằng R. Giáo sư Hastie và Tibshirani là những nhà giáo dục tiêu biểu trong lĩnh vực statistical learning
Stanford Online cũng có các bài giảng video đi theo những ghi chú này. Rất khuyến nghị nếu muốn học khía cạnh lý thuyết của machine learning cổ điển
Có thể tải hợp pháp toàn bộ sách tại đây [pdf]: https://hastie.su.domains/ISLP/ISLP_website.pdf
ISL là giáo trình nhập môn tốt nhất về các phương pháp machine learning cổ điển. Nó thiên về lý thuyết, nhưng vẫn đủ dễ tiếp cận với nhiều nhóm sinh viên có kiến thức cơ bản về thống kê, đại số tuyến tính và lập trình
Việc các ví dụ chỉ có bằng R từng khá bất tiện khi dạy bằng Python. Giờ nếu chuyển sang một chuỗi Jupyter notebook và phân phối qua những nơi như Colab thì tốt
Có người sẽ gọi đó là machine learning “cổ điển”, nhưng với tôi, những phương pháp có ít tham số như vậy trong nhiều trường hợp rất hữu ích và dễ diễn giải hơn RNN rất nhiều
Tôi đã định so sánh hai phiên bản của lab zero
Tôi chỉ lướt qua phần thực hành Python trong vài phút, nhưng nó trông phức tạp và dài hơn nhiều so với phần thực hành R mà tôi nhớ
Tôi biết trên HN người ta thường phàn nàn rằng R khó và rối, nhưng tôi cho rằng với người mới bắt đầu hoặc những người thiên về thống kê, R là ngôn ngữ dễ hơn để bắt đầu làm các công việc thống kê
Nhìn vào nhóm đối tượng mà mỗi ngôn ngữ nhắm tới thì điều này không có gì đáng ngạc nhiên. Tôi nghĩ tốt nhất là chấp nhận cả hai và dùng bên phù hợp hơn với công việc cụ thể
Cá nhân tôi thích Pattern Recognition and Machine Learning của Bishop hoặc Probabilistic Machine Learning: An Introduction của Murphy hơn
Vì vậy tôi nghĩ việc ISLA được chuyển dịch có ý nghĩa lớn. Nếu một sinh viên đã học đủ về học máy/mô hình hóa thống kê, việc chuyển mô hình toán học thành mô hình tính toán lẽ ra phải khá dễ, nên mã nguồn không nhất thiết cần thiết. Ngay từ đầu, phải làm được điều đó thì mới có thể nói là hiểu các mô hình này
Tôi cũng muốn bổ sung Elements of Statistical Learning của các tác giả ISL(R/P). Tôi đã đọc ISL, ESL, Bishop, còn Murphy thì đã bắt đầu nhưng chưa đọc xong. Không có lý do đặc biệt nào, chỉ là bận rồi bỏ dở. Tôi rất khuyến nghị bất kỳ giáo trình nào trong số này
Trong trường hợp này, liệu Bishop có đáng được khuyến nghị không, hay nó quá lý thuyết?
Cũng đáng cân nhắc Nonparametric Statistics for the Behavioral Sciences, Second Edition của Sidney Siegel, N. John Castellan, Jr., ISBN 0-07-057357-3, McGraw-Hill, New York, 1988
“Phi tham số” nghĩa là không giả định phân phối xác suất dựa trên tham số. Nói cách khác, có thể gọi là không phụ thuộc phân phối
Chẳng hạn có thể xem các kế hoạch tái lấy mẫu. Chúng có rất ít giả định, thật sự đơn giản, khá khéo léo, nhìn chung hữu ích, và đặc biệt phù hợp với tính toán. Cũng có thể dùng tái lấy mẫu để rút ra nhiều thông tin hơn từ dữ liệu thử nghiệm “A-B”
Nếu phải phân biệt một cách hơi gượng ép, có thể nói ISLR tập trung vào dự đoán hơn là suy luận hay kiểm định giả thuyết
Tôi rất thích loạt YouTube đi kèm phiên bản trước của cuốn sách này: https://www.youtube.com/watch?v=5N9V07EIfIg&list=PLOg0ngHtcq...
Có thể xem mà không cần sách, và có thể bỏ qua phần lập trình. Có cả những insight không có trong sách, và đó là sự kết hợp tuyệt vời giữa năng lực kỹ thuật rất cao với khả năng cô đọng, giải thích khái niệm
Với tôi thì hơi dài dòng. Nếu Landau còn sống và viết lại một cuốn như thế này, chắc nó đã ngắn hơn nhiều. Liệu có thể dùng LLM để làm vậy không?