[NHẠC] Xin chào, tôi là Carlos Guestrin. Tôi là giáo sư từ Amazon
về học máy. Chờ chút, tôi cũng là giáo sư từ Amazon
về học máy. Cô là ai? Tôi là Emily Fox. Tuyệt thật, tôi là giáo sư tại Amazon về
Học máy trong ngành Khoa học máy tính. Và tôi là giáo sư tại Amazon về
Học máy trong ngành Thống kê. Cả 2 chúng tôi đến từ
trường Đại học Washington ở Seattle, đây là nước Mỹ. [Cười lớn] Đúng vậy. Đây là Liên hợp quốc Hoa Kỳ. Hoa Kỳ. Rõ ràng. Hoa Kỳ. Hoa Kỳ. [Cười] Vậy hôm nay cô làm gì với chuyên môn của mình, Emily? [Cười] Tôi có nên đọc CV của mình không? Không, được rồi, chỉ mới là bắt đầu thôi. Chuyên môn của tôi là gì? Được rồi. Đúng, Tôi đã ở MIT quá lâu,
chín năm, mặc dù tất cả không phải cho 1 tấm bằng, tôi đã có một số
trong suốt chín năm đó. Nhưng tôi ở đó cho việc nghiên cứu tiến sĩ về kỹ thuật điện,
và khoa học máy tính. Tôi có nên liệt kê nhiều hơn
về chuyên môn của mình không? Tôi nghĩ nó đã khá là đủ rồi. Cô ấy thực sự xuất sắc. Hãy cho tôi được nói như vậy. [Cười] Và tôi đã tốt nghiệp
trường Đại Học Sao Paulo ở Brazil. Và tôi làm tiến sĩ ở Standford
về khoa học máy tính và tôi đã làm việc về học máy trong
một khoảng thời gian dài, giống như Emily nói vậy. Một khoảng thời gian rất dài. I đoán có lẽ là tôi nên mô tả một chút về
việc chuyển sang ngành thống kê. Sau khi tôi hoàn thành tiến sĩ về kĩ thuật điện tử và khoa học máy tính, tôi đã
nghiên cứu sâu hơn về thống kê ở Duke, và thực tế thì nhiều nghiên cứu tiến sỹ của tôi là về thống kê. Nhưng MIT, cho đến thời điểm thu âm này,
không có bộ môn thống kê, và không có vào thời điểm tôi học, vì vậy,
tôi trở thành nhà thống kê bằng việc tự học. Và tất cả chúng ta đều có thể tự học. Vâng.
[CƯỜI] Đó cũng chính là điều MOOC muốn nói. [Cười] Nào, chúng ta đang học cùng nhau. Vì thế tôi đang làm việc về Học máy
được một thời gian và tôi rất hào hứng về các phương pháp trong học máy
từ một phạm vi rộng của sự cài đặt. Tôi làm việc với các thuật toán lý thuyết cho việc
 lập kế hoạch không chắc chắn hỗ trợ đưa ra quyết định
sử dụng học máy. Tôi làm việc với dữ liệu cảm biến
với các cảm biến phân tán, gọi là mạng cảm biến,
mà ngày nay được gọi là mạng của vạn vật. Nhưng quay trở lại, và sau đó
tôi tập trung chính vào Học máy quy mô lớn. Vậy làm thế nào để bạn mở rộng
các phương pháp học máy cho rất, rất, rất nhiều dữ liệu? Và chúng ta sẽ sử dụng một số ý tưởng
trong chuỗi khóa học này. Còn bạn thì sao? Tôi không có câu chuyện dài nào để kể như Carlos cả. [Cười] Nhưng những điều làm tôi thực sự thích làm việc, đó là các ứng dụng chuỗi thời gian,
dữ liệu đưa vào theo thời gian và chúng tôi muốn tìm ra một số cấu trúc
hoặc mẫu dữ liệu ẩn dưới các dữ liệu này. Và trong nghiên cứu của mình tôi tập trung nhiều vào
cách mở rộng đối với các tập lớn hoặc rất nhiều chiều
liên quan đến chuỗi thời gian, đặc biệt khi dữ liệu thay đổi rất phức tạp. Và một niềm yêu thích khác của tôi là cách tạo ra các suy luận trực tiếp
trong khi dữ liệu được đưa vào. Và tôi đã làm việc trên phạm vi rộng
các ứng dụng khác nhau, đó là một số thứ tôi thực sự yêu thích. Một điều cụ thể ngay bây giờ
là thần kinh học, nhưng tôi đang làm việc với dữ liệu tốc độ,
các ứng dụng ghi hình chuyển động, phân tích chuyển động con người, dữ liệu tài chính
và danh sách này vẫn còn nữa. Nhưng rất nhiều dữ liệu có cấu trúc tạm thời rất quan trọng và điều đó thực sự là sở thích của tôi. Đúng vậy.
Đúng thế. Và chúng tôi đã dạy về Học máy trong khoảng thời gian dài và có lẽ trong quy định đại học...
Một vài người trong chúng ta còn lâu hơn thế. Câu chuyện cười này không bao giờ kết thúc. Không.
Và rất nhiều theo quy định đại học. Vì vậy chúng tôi ở đây,
1 trải nghiệm tuyệt vời cho chúng tôi khi dạy khóa học trực tuyến này. Vâng. Cô đã quyết định làm khóa học trực tuyến này như thế nào? Tôi đã quyết định như thế nào? Đó là 1 câu hỏi rất hay. Tuyệt, có rất nhiều lý do
tại sao tôi muốn làm khóa trực tuyến này. Thực sự lý do cơ bản nhất
đó là nghĩ về cách truyền đạt học máy như thế nào tới nhiều khán giả, bởi vì cá nhân tôi tôi được đào tạo từ một chuyên ngành khác. Và thực sự thì Carlos cũng như vậy và
bản thân tôi đã có kinh nghiệm khi tự học
về Học máy, học về thống kê. Và tôi nghĩ đó chính là điều tuyệt vời khi được dạy ở trình độ cơ bản với nhiều khán giả
và đó là niềm vui của tôi. Và lý do khác nữa là tôi muốn nghĩ về những mục tiêu khác trong tương lai về cách truyền đạt tới các nhóm khác mà tôi có thể tương tác với họ như 1 giáo viên ở trường Đại học Washingtion [cười],
giảng viên, trợ giảng. Không quá lâu. Đúng, tôi rất vui vì học máy được dạy như thế này. Và chúng tôi thực sự nghĩ
rất nhiều về cách tiếp cận ý tưởng lớn về học máy theo cách mới như thế nào. Vì thế trong chuỗi khóa học này, khi chúng ta nói nhiều hơn trong mô-đun này,
chúng ta sẽ trải nghiệm Học máy theo cách hoàn toàn khác so với những gì bạn đã từng trải nghiệm. Chúng tôi thực sự tập trung đầu tiên vào ứng dụng, hiểu cách tiếp cận học máy
và sau đó đào sâu hơn và hiểu những phương pháp này đã được
xây dựng như thế nào và cách sử dụng chúng hiệu quả. Một phần của hành trình với chúng tôi là xây dựng cách dạy mới về Học máy,
điều đó thật tuyệt vời. Thật là tuyệt. Chúng tôi rất vui. Vâng. Chúng tôi rất vui. [CƯỜI] [NHẠC]