Dự án dịch sách "Dive into Deep Learning"

Cuốn sách này được dịch và đăng tại https://d2l.aivivn.com/.

Hướng dẫn đóng góp vào dự án

• Hướng dẫn dịch trực tiếp trên trình duyệt.
• Hướng dẫn đóng góp chung.

Tham gia vào Slack của nhóm Dịch thuật

Đăng ký tham gia tại đây để trao đổi và hỏi đáp về các vấn đề liên quan.

Bảng thuật ngữ

Tra cứu các thuật ngữ được sử dụng trong nhóm dịch tại glossary.md.

Thứ tự dịch

Với các mục con (2.1, 2.2, ...)

• Đã dịch xong
• [-] Đang dịch
• Chưa bắt đầu

Với các chương (2., 3., ...)

• Chưa revise
• [-] Đang revise
• Đã revise xong.

Mục lục

• Lời nói đầu
• Cài đặt
• Ký hiệu
• Giới thiệu
• 2. Sơ bộ
  • 2.1. Thao tác với Dữ liệu
  • 2.2. Tiền Xử lý Dữ liệu
  • 2.3. Đại số Tuyến tính
  • 2.4. Giải tích
  • 2.5. Tính vi phân Tự động
  • 2.6. Xác suất
  • 2.7. Tài liệu
• 3. Mạng nơ-ron Tuyến tính
  • 3.1. Hồi quy Tuyến tính
  • 3.2. Lập trình Hồi quy Tuyến tính từ đầu
  • 3.3. Cách lập trình súc tích Hồi quy Tuyến tính
  • 3.4. Hồi quy Softmax
  • 3.5. Bộ dữ liệu Phân loại Ảnh (Fashion-MNIST)
  • 3.6. Lập trình Hồi quy Sofmax từ đầu
  • 3.7. Cách lập trình súc tích Hồi quy Softmax
• [-] 4. Perceptron Đa tầng
  • 4.1. Perceptron Đa tầng
  • 4.2. Lập trình Perceptron Đa tầng từ đầu
  • 4.3. Cách lập trình súc tích Perceptron Đa tầng
  • 4.4. Lựa chọn Mô hình, Dưới khớp và Quá khớp
  • 4.5. Suy giảm Trọng số
  • 4.6. Dropout
  • 4.7. Lan truyền Xuôi, Lan truyền Ngược và Đồ thị Tính toán
  • 4.8. Sự ổn định Số học và Sự khởi tạo
  • [-] 4.9. Considering the Environment
  • [-] 4.10. Predicting House Prices on Kaggle
• 5. Tính toán Học sâu
  • [-] 5.1. Tầng và Khối
  • [-] 5.2. Quản lý Tham số
  • [-] 5.3. Deferred Initialization
  • [-] 5.4. Custom Layers
  • [-] 5.5. File I/O
  • [-] 5.6. GPUs
• 6. Convolutional Neural Networks
  • 6.1. From Dense Layers to Convolutions
  • 6.2. Convolutions for Images
  • 6.3. Padding and Stride
  • 6.4. Multiple Input and Output Channels
  • 6.5. Pooling
  • 6.6. Convolutional Neural Networks (LeNet)
• 7. Modern Convolutional Neural Networks
  • 7.1. Deep Convolutional Neural Networks (AlexNet)
  • 7.2. Networks Using Blocks (VGG)
  • 7.3. Network in Network (NiN)
  • 7.4. Networks with Parallel Concatenations (GoogLeNet)
  • 7.5. Batch Normalization
  • 7.6. Residual Networks (ResNet)
  • 7.7. Densely Connected Networks (DenseNet)
• 8. Recurrent Neural Networks
  • 8.1. Sequence Models
  • 8.2. Text Preprocessing
  • 8.3. Language Models and the Dataset
  • 8.4. Recurrent Neural Networks
  • 8.5. Implementation of Recurrent Neural Networks from Scratch
  • 8.6. Concise Implementation of Recurrent Neural Networks
  • 8.7. Backpropagation Through Time
• 9. Modern Recurrent Neural Networks
  • 9.1. Gated Recurrent Units (GRU)
  • 9.2. Long Short Term Memory (LSTM)
  • 9.3. Deep Recurrent Neural Networks
  • 9.4. Bidirectional Recurrent Neural Networks
  • 9.5. Machine Translation and the Dataset
  • 9.6. Encoder-Decoder Architecture
  • 9.7. Sequence to Sequence
  • 9.8. Beam Search
• 10. Attention Mechanisms
  • 10.1. Attention Mechanisms
  • 10.2. Sequence to Sequence with Attention Mechanisms
  • 10.3. Transformer
• 11. Optimization Algorithms
  • 11.1. Optimization and Deep Learning
  • 11.2. Convexity
  • 11.3. Gradient Descent
  • 11.4. Stochastic Gradient Descent
  • 11.5. Minibatch Stochastic Gradient Descent
  • 11.6. Momentum
  • 11.6. Adagrad
  • 11.8. RMSProp
  • 11.9. Adadelta
  • 11.10. Adam
  • 11.11. Learning Rate Scheduling
• 12. Computational Performance
  • [-] 12.1. Compilers and Interpreters
  • 12.2. Asynchronous Computation
  • 12.3. Automatic Parallelism
  • 12.4. Hardware
  • 12.5. Training on Multiple GPUs
  • 12.6. Concise Implementation for Multiple GPUs
  • 12.6. Parameter Servers
• 13. Computer Vision
  • 13.1. Image Augmentation
  • 13.2. Fine Tuning
  • 13.3. Object Detection and Bounding Boxes
  • 13.4. Anchor Boxes
  • 13.5. Multiscale Object Detection
  • 13.6. The Object Detection Dataset (Pikachu)
  • 13.7. Single Shot Multibox Detection (SSD)
  • 13.8. Region-based CNNs (R-CNNs)
  • 13.9. Semantic Segmentation and the Dataset
  • 13.10. Transposed Convolution
  • 13.11. Fully Convolutional Networks (FCN)
  • 13.12. Neural Style Transfer
  • 13.13. Image Classification (CIFAR-10) on Kaggle
  • 13.14. Dog Breed Identification (ImageNet Dogs) on Kaggle
• 14. Natural Language Processing
  • 14.1. Word Embedding (word2vec)
  • 14.2. Approximate Training for Word2vec
  • 14.3. The Dataset for Word2vec
  • 14.4. Implementation of Word2vec
  • 14.5. Subword Embedding
  • 14.6. Word Embedding with Global Vectors (GloVe)
  • 14.7. Finding Synonyms and Analogies
  • 14.8. Sentiment Analysis and the Dataset
  • 14.9. Sentiment Analysis: Using Recurrent Neural Networks
  • 14.10. Sentiment Analysis: Using Convolutional Neural Networks
  • 14.11. Natural Language Inference and the Dataset
• 15. Recommender Systems
  • 15.1. Overview of Recommender Systems
  • 15.2. The MovieLens Dataset
  • 15.3. Matrix Factorization
  • 15.4. AutoRec: Rating Prediction with Autoencoders
  • 15.5. Personalized Ranking for Recommender Systems
  • 15.6. Neural Collaborative Filtering for Personalized Ranking
  • 15.7. Sequence-Aware Recommender Systems
  • 15.8. Feature-Rich Recommender Systems
  • 15.9. Factorization Machines
  • 15.10. Deep Factorization Machines
• 16. Generative Adversarial Networks
  • 16.1. Generative Adversarial Networks
  • 16.2. Deep Convolutional Generative Adversarial Networks
• 17. Phụ lục: Toán học cho Học Sâu
  • 17.1. Các phép toán Hình Học và Đại Số Tuyến Tính
  • 17.2. Eigendecompositions
  • 17.3. Giải tích một biến
  • 17.4. Multivariable Calculus
  • 17.5. Integral Calculus
  • 17.6. Random Variables
  • 17.7. Maximum Likelihood
  • 17.8. Naive Bayes
  • 17.9. Thống kê
  • 17.10. Information Theory
• 18. Appendix: Tools for Deep Learning
  • 18.1. Using Jupyter
  • 18.2. Using Amazon SageMaker
  • 18.3. Using AWS EC2 Instances
  • 18.4. Using Google Colab
  • 18.5. Selecting Servers and GPUs
  • 18.6. Contributing to This Book
  • 18.7. d2l API Document