Tóm tắt nội dung TF-IDF đo mức độ quan trọng của một từ đối với một tài liệu dựa trên hai tín hiệu: từ đó xuất hiện nhiều đến đâu trong tài liệu và hiếm đến đâu trong toàn bộ tập tài liệu. Một từ có TF cao nhưng xuất hiện ở gần như mọi tài liệu thường không có nhiều khả năng phân biệt; IDF được dùng để giảm trọng số của những từ như vậy. Sau khi tính TF-IDF, mỗi tài liệu có thể được biểu diễn thành một vector số để phục vụ tìm kiếm, đo độ tương đồng và các mô hình Machine Learning cổ điển. TF-IDF đơn giản, nhanh và dễ giải thích, nhưng không thực sự hiểu ngữ nghĩa, thứ tự từ hay quan hệ ngữ cảnh. TF-IDF , viết tắt của Term Frequency–Inverse Document Frequency , là một kỹ thuật gán trọng số cho từ dựa trên mức độ quan trọng của từ đó trong một tài liệu so với toàn bộ tập tài liệu. Đây là một trong những biểu diễn văn bản cổ điển quan trọng nhất trong xử lý ngôn ngữ tự nhiên và truy hồi thông tin. Điểm cốt lõi rất trực quan: một từ đáng chú ý khi nó x...

Tóm tắt nội dung PCA (Principal Component Analysis) tìm các trục mới trong không gian dữ liệu sao cho phương sai (variance) được giữ lại nhiều nhất khi giảm số chiều. Về bản chất toán học, PCA là bài toán trị riêng (eigenvalue) của ma trận hiệp phương sai (covariance matrix). Các thành phần chính (principal component) luôn trực giao (orthogonal) với nhau, đảm bảo không dư thừa thông tin giữa các trục. PCA chỉ nắm bắt được cấu trúc tuyến tính của dữ liệu — không phù hợp với dữ liệu có cấu trúc phi tuyến phức tạp. Khi dữ liệu có hàng trăm hoặc hàng nghìn chiều, phần lớn các chiều đó thường mang thông tin trùng lặp hoặc nhiễu. PCA giải quyết vấn đề này bằng cách tìm ra một hệ trục tọa độ mới, trong đó chỉ vài trục đầu tiên đã nắm giữ phần lớn thông tin quan trọng của toàn bộ dữ liệu. PCA là gì và mục tiêu của phép giảm chiều PCA là một kỹ thuật giảm chiều dữ liệu (dimensionality reduction) không giám sát (unsupervised), hoạt động bằng cách chiếu (project) dữ liệu từ không g...

Chuỗi U-Net — Bài cuối. Sau kiến trúc, kích thước tensor, receptive field và một pipeline segmentation thực tế, câu hỏi quan trọng nhất không còn là “U-Net hoạt động như thế nào?” mà là khi nào một hệ thống dựa trên U-Net đủ tốt để tạo ra một kết luận khoa học đáng tin cậy? Một hệ thống phân đoạn mạnh không được quyết định chỉ bởi decoder hay số lượng layer. Kết quả cuối cùng là tương tác giữa hình học dữ liệu, cách lấy mẫu, độ phân giải vật lý, kiến trúc, hàm mất mát, augmentation, metric, calibration, protocol đánh giá và những quyết định preprocessing tưởng như nhỏ. Thành công của nnU-Net cho thấy cấu hình toàn bộ pipeline theo đặc tính dataset có thể quan trọng không kém việc đề xuất một block mạng mới [5]. Tóm tắt nội dung U-Net nên được xem như một design pattern đa tỉ lệ , không phải một cấu hình layer cố định. Trong ảnh y tế 3D, voxel spacing, anisotropy, patch size và sampling strategy có thể quan trọng ngang hoặc hơn việc thay encoder. Dice chỉ đo overlap; một ng...