Support Vector Machine - SVM là một phương pháp học có giám sát trong các mô hình nhận dạng mẫu. Nó không chỉ hoạt động tốt với các dữ liệu được phân tách tuyến tính mà còn tốt với cả dữ liệu phân tách phi tuyến. Với nhiều bài toán, SVM mang lại kết quả tốt như mạng nơ-ron với hiệu quả sử dụng tài nguyên tốt hơn hẳn.
Hôm nay tôi bước sang một mốc mới của cuộc đời: Kết Hôn. Niềm vui cũng nhiều mà trăn trở cũng không ít. Nỗi lòng ấy thật khó mà diễn tả thành lời được.
Bài viết này tổng hợp kinh nghiệm của tác giả sau 2 lần xin visa đi Nhật cho gia đình. Trên trang trang chủ của đại sứ quán Nhật tại Việt Nam thông tin khá đầy đủ nhưng một số mục có thể chưa được rõ ràng cho lắm. Nên tôi quyết định viết lại ở đây. Hi vọng nó không chỉ giúp ích được cho tôi mà còn cho tất cả các bạn.
Trong phần trước ta đã cùng bàn về phương pháp nhân tử Lagrange với điều kiện ràng buộc là các đẳng thức. Trong phần này ta sẽ cùng tổng quát hoá bài toán với điều kiện ràng buộc bao gồm cả các bất đẳng thức. Nhóm các điều kiện tổng quát như vậy có tên gọi là KKT (Karush–Kuhn–Tucker conditions).
Phương pháp nhân tử Lagrange (method of Lagrange multipliers) là một kỹ thuật cực kì hữu dụng để giải các bài toán tối ưu có ràng buộc. Trong chuỗi bài viết này tối sẽ chia làm 2 phần: (1) Ràng buộc là đẳng thức; (2) Ràng buộc là bất đẳng thức. Bài viết đầu tiên này tôi sẽ tập trung vào tối ưu có ràng buộc là đẳng thức.
Với bài toán học phi giám sát, làm sao ta có thể sắp xếp dữ liệu vào các nhóm tương ứng? Bài viết này sẽ trình bày một phương pháp đơn giản để có thể thực hiện được việc này là phương pháp phân cụm K-Means.
