Dịch chap 04 #83
Dịch chap 04 #83
Conversation
chapters/ch04.md
Outdated
| @@ -2,31 +2,49 @@ | |||
|
|
|||
| -> | |||
|
|
|||
| # Quy Mô Quyết Định Quá Trình Machine Learning | |||
There was a problem hiding this comment.
- "Scale drives machine learning progress" -> Câu này theo em thấy có thể dịch là "Quy mô quyết định sự phát triển machine learning" hoặc là "Quy mô quyết định tiến độ machine learning" !!
There was a problem hiding this comment.
Quy Mô Quyết Định Tiến Trình Phát Triển Machine Learning?
There was a problem hiding this comment.
Như @1612628 "Quy mô (bigger nettwork, more data) quyết định (kích thích) sự phát triển của ML" có vẻ mượt nhất :D
There was a problem hiding this comment.
- bỏ qua từ kích thích
- progress ở đây theo nội dung của bài giống như là chất lượng của ML nhiều hơn.
- Mình muốn cọn tiêu đề ngắn gọn, bỏ từ thừa
chapters/ch04.md
Outdated
| -> | ||
| -> | ||
|
|
||
| **Quy mô năng lực tính toán**. Chỉ vài năm gần đây chúng ta mới bắt đầu huấn luyện mạng neural đủ lớn để tận dụng lượng dữ liệu lớn kể trên. |
There was a problem hiding this comment.
- "mới bắt đầu" -> "mới có thể", có thể bắt đầu từ lâu nhưng giờ mới có thể làm được.
chapters/ch04.md
Outdated
|
|
||
|
|
||
| In detail, even as you accumulate more data, usually the performance of older learning algorithms, such as logistic regression, “plateaus.” This means its learning curve “flattens out,” and the algorithm stops improving even as you give it more data: | ||
|
|
||
| -> | ||
|
|
||
| Cho dù có thêm nhiều nhiều dữ liệu nữa, thì hiệu quả của thuật toán học máy thế hệ cũ như hồi quy logistic cũng chẳng mảy may cải thiện. Nghĩa là đồ thị chất lượng học nằm ngang và thuật toán sẽ không cải thiện chất lượng cho dù thêm bao nhiêu dữ liệu. |
There was a problem hiding this comment.
- "hiệu quả" có thể thay bằng "hiệu suất" hoặc "chất lượng" nghe có vẻ hay hơn.
There was a problem hiding this comment.
Em thấy hiệu suất thì sát nghĩa hơn, nên em vote hiệu suất 😄
There was a problem hiding this comment.
Từ 'learning curve' mình nghĩ dịch là 'tiến trình học' nghe mượt hơn. Cách giải nghĩa cụm 'learning curve' bằng tiếng Anh:
the rate of a person's progress in gaining experience or new skills.
Câu thứ hai mình đề xuất dịch là:
"Điều này nghĩa là tiến trình học chững lại, và thuật toán ngừng cải thiện cho dù có thêm dữ liệu".
There was a problem hiding this comment.
Hiệu suất (thường có thể đo được) là khả năng tránh lãng phí vật liệu, năng lượng, nỗ lực, tiền bạc và thời gian để làm một việc gì đó hay tạo ra kết quả mong
Từ hiệu suất không chuẩn
chapters/ch04.md
Outdated
|
|
||
| If you train a small neutral network (NN) on the same supervised learning task, you might get slightly better performance: | ||
|
|
||
| -> | ||
|
|
||
| Nếu bạn huấn luyện một mạng neural nhỏ cho cùng một tác vụ học có kiểm soát, có thể bạn sẽ đạt chất lượng cao hơn một chút |
There was a problem hiding this comment.
- "supervised learning" -> "học có giám sát" cho chuẩn
chapters/ch04.md
Outdated
| @@ -55,12 +81,16 @@ Thus, you obtain the best performance when you (i) Train a very large neural net | |||
|
|
|||
| -> | |||
|
|
|||
| Vì thế bạn chỉ thu về chất lượng tốt nhất khi (i) huấn luyện mạng neural rất lớn tương ứng với đường chất lượng màu xanh trong hình vẽ và (ii) khi có lượng dữ liệu cực lớn. | |||
There was a problem hiding this comment.
- "chỉ thu về chất lượng tốt nhất" -> maybe "đạt được kết quả tốt nhất"
- Ở đây có 2 màu xanh, có lẽ nên ghi xanh lá cây (green)
There was a problem hiding this comment.
Ở đây có 2 màu xanh, có lẽ nên ghi xanh lá cây (green)
Mình đề xuất dùng 'lục' hoặc 'xanh lục' để chỉ màu 'green', và 'lam' hoặc 'xanh lam' để chỉ màu 'blue'.
chapters/ch04.md
Outdated
| @@ -69,9 +99,13 @@ Many other details such as neural network architecture are also important, and t | |||
|
|
|||
| -> | |||
|
|
|||
| [1] Hình vẽ thể hiện mạng neural cho kết quả tốt hơn trong điều kiện dữ liệu nhỏ. Nhận định này ít đồng thuận hơn với nhận định mạng neural với dữ liệu lớn. Đối với dữ liệu nhỏ, tùy thuộc vào cách tạo đặc trưng thủ công mà thuật toán truyền thống có thể hoặc không cho kết quả tốt hơn. Ví dụ như, nếu ta chỉ có 20 mẫu huấn luyện thì không đủ để dùng hồi suy logistic lẫn mạng neural. Nhưng đổi lại đặc trưng thủ công lại chịu ảnh hưởng nhiều từ thuật toán học máy. Nhưng nếu có 1 triệu mẫu thì tôi sẽ chọn mạng neural. | |||
There was a problem hiding this comment.
- "Hình vẽ thể hiện mạng neural cho kết quả tốt hơn trong điều kiện dữ liệu nhỏ. Nhận định này ít đồng thuận hơn với nhận định mạng neural với dữ liệu lớn. " maybe có thể viết như này
Mặc dù hình vẽ thể hiện mạng neural cho kết quả tốt hơn trong điều kiện dữ liệu nhỏ. Nhưng nhận định này nhận được ít sự đồng thuận hơn so với nhận định "Mạng neural cho kết quả tốt hơn rõ rệt với tập dữ liệu lớn".
- "Ví dụ như, nếu ta chỉ có 20 mẫu huấn luyện thì không đủ để dùng hồi suy logistic lẫn mạng neural. Nhưng đổi lại đặc trưng thủ công lại chịu ảnh hưởng nhiều từ thuật toán học máy." nên là:
Ví dụ như, nếu bạn chỉ có 20 mẫu huấn luyện thì gần như việc bạn sử dụng hồi quy logistic hay mạng neural không quan trọng bằng kỹ thuật mà bạn trích xuất đặc trưng như thế nào.
There was a problem hiding this comment.
Ví dụ như, nếu bạn chỉ có 20 mẫu huấn luyện thì gần như việc bạn sử dụng hồi quy logistic hay mạng neural không quan trọng bằng kỹ thuật mà bạn trích xuất đặc trưng như thế nào.
Câu bạn dịch thiếu mất một ý quan trọng ở chỗ cụm 'hand-engineering of features'. Mình chưa biết dịch cụm này thế nào cho ổn nhưng mình thấy cần thiết giữ ý này lại.
There was a problem hiding this comment.
@tiepvupsu Có thể dịch là "kỹ thuật trích xuất đặc trưng thủ công" được ko?
There was a problem hiding this comment.
Mình thấy ok. Từ 'hand-engineering' cũng được đề xuất dịch như thế tại https://github.com/aivivn/Machine-Learning-Yearning-Vietnamese-Translation/pull/87/files.
There was a problem hiding this comment.
Mặc dù hình vẽ cho thấy mạng neural cho kết quả tốt hơn với dữ liệu nhỏ, nhưng nhận định này ít đồng thuận hơn với nhận định khi dùng mạng neural với dữ liệu lớn. Vì đối với dữ liệu nhỏ, chất lượng thuật toán truyền thống có thể hoặc không cho kết quả tốt hơn mạng neural phụ thuộc rất nhiều vào cách tạo đặc trưng thủ công.
Và nếu ta chỉ có 20 mẫu huấn luyện thì thực không đủ để dùng cả hồi suy logistic lẫn mạng neural. Nhưng đồng thời đặc trưng thủ công bị phụ thuộc nhiều vào thuật toán học máy. Nhưng đồng thời, đặc trưng thủ công bị phụ thuộc nhiều vào thuật toán học máy. Còn nếu có một triệu mẫu, thì tôi sẽ chọn dùng mạng neural.
chapters/ch04.md
Outdated
|
|
||
|
|
||
| The process of how to accomplish (i) and (ii) are surprisingly complex. This book will discuss the details at length. We will start with general strategies that are useful for both traditional learning algorithms and neural networks, and build up to the most modern strategies for building deep learning systems. | ||
|
|
||
| -> | ||
|
|
||
| Bạn có thể bất ngờ với độ phức tạp của cả quá trình phát triển để đạt được điều (i) và (ii). Quyển sách này sẽ thảo luận chi tiết và sâu hơn. Chúng ta sẽ bắt đầu bằng những chiến thuật hữu dụng cho cả thuật toán truyền thống lẫn mạng neural, rồi từ từ xây dựng chiến thuật tân tiến nhất cho xây dựng mạng deep learning. |
There was a problem hiding this comment.
- "Bạn có thể bất ngờ với độ phức tạp của cả quá trình phát triển để đạt được điều (i) và (ii). " maybe:
Quá trình để đạt được điều (i) và (ii) phức tạp hơn bạn tưởng. Nhưng đừng lo, cuốn sách này sẽ thảo luận đầy đủ và chi tiết. Trước tiên chúng ta sẽ bắt đầu với chiến lược chung hữu ích cho cả thuật toán truyền thống lẫn mạng neural, rồi đến các phương pháp hiện đại nhất để xây dựng một hệ thống deep learning.
chapters/ch04.md
Outdated
| @@ -69,9 +99,13 @@ Many other details such as neural network architecture are also important, and t | |||
|
|
|||
| -> | |||
|
|
|||
| [1] Hình vẽ thể hiện mạng neural cho kết quả tốt hơn trong điều kiện dữ liệu nhỏ. Nhận định này ít đồng thuận hơn với nhận định mạng neural với dữ liệu lớn. Đối với dữ liệu nhỏ, tùy thuộc vào cách tạo đặc trưng thủ công mà thuật toán truyền thống có thể hoặc không cho kết quả tốt hơn. Ví dụ như, nếu ta chỉ có 20 mẫu huấn luyện thì không đủ để dùng hồi suy logistic lẫn mạng neural. Nhưng đổi lại đặc trưng thủ công lại chịu ảnh hưởng nhiều từ thuật toán học máy. Nhưng nếu có 1 triệu mẫu thì tôi sẽ chọn mạng neural. | |||
There was a problem hiding this comment.
Ví dụ như, nếu bạn chỉ có 20 mẫu huấn luyện thì gần như việc bạn sử dụng hồi quy logistic hay mạng neural không quan trọng bằng kỹ thuật mà bạn trích xuất đặc trưng như thế nào.
Câu bạn dịch thiếu mất một ý quan trọng ở chỗ cụm 'hand-engineering of features'. Mình chưa biết dịch cụm này thế nào cho ổn nhưng mình thấy cần thiết giữ ý này lại.
chapters/ch04.md
Outdated
|
|
||
|
|
||
| In detail, even as you accumulate more data, usually the performance of older learning algorithms, such as logistic regression, “plateaus.” This means its learning curve “flattens out,” and the algorithm stops improving even as you give it more data: | ||
|
|
||
| -> | ||
|
|
||
| Cho dù có thêm nhiều nhiều dữ liệu nữa, thì hiệu quả của thuật toán học máy thế hệ cũ như hồi quy logistic cũng chẳng mảy may cải thiện. Nghĩa là đồ thị chất lượng học nằm ngang và thuật toán sẽ không cải thiện chất lượng cho dù thêm bao nhiêu dữ liệu. |
There was a problem hiding this comment.
Em nghĩ không nên dùng "chẳng mảy may" trong hành văn học thuật. Có thể dịch ngắn gọn là:
" Cho dù có thêm nhiều nhiều dữ liệu nữa, thì hiệu quả hiệu suất của thuật toán học máy thế hệ cũ như hồi quy logistic cũng chẳng mảy may không thể cải thiện."
There was a problem hiding this comment.
Từ 'performance' không có nghĩa là 'hiệu suất', 'hiệu suất' là dịch từ 'productivity' ra. Hiệu suất thường dùng để chỉ lượng công việc thực hiện được trong một đơn gị thời gian, nghĩa đó không phù hợp với hoàn cảnh này.
'Hiệu quả' hay 'kết quả' là từ phù hợp hơn trong văn cảnh này.
There was a problem hiding this comment.
Mình có góp ý chung là bản dịch này đọc thấy khá thô, vì chắc bạn dịch sát nghĩa.
Cái lỗi này nhiều người, ngay cả mình cũng mắc phải, đặc biệt khi dịch trên bản nháp của google translate ;)). Mình chỉ viết ra để luư ý lại cho mình và mọi ngưòi cho những chapter sau thôi.
chapters/ch04.md
Outdated
|
|
||
| Many of the ideas of deep learning (neural networks) have been around for decades. Why are these ideas taking off now? | ||
|
|
||
| -> | ||
|
|
||
| Rất nhiều những ý tưởng của học sâu (mạng neural) đã xuất hiện từ hàng thập kỷ trước. Vậy tại sao tận bây giờ chúng mới cất cánh, mới bùng nổ như vậy? |
chapters/ch04.md
Outdated
|
|
||
| Two of the biggest drivers of recent progress have been: | ||
|
|
||
| -> | ||
|
|
||
| Hai nguyên nhân mang tính quyết định tới những phát triển gần đây là |
There was a problem hiding this comment.
- "tới những phát triển gần đây là" -> "tới sự phát triển trong thời qua" nghe tự nhiên hơn
There was a problem hiding this comment.
mình nghĩ gần đây khác với thời gian qua do sự bùng nổ của GPU (computational) và dữ liệu. Trước đó nữa cũng đã có neural network rồi
Mình không dùng Google translate. Và bản này đúng là bản dịch thô - bản nháp, chưa phải bản cuối cùng. Mình thường dịch 2-3 lần để cho mượt và bắtt đầu bằng bản dịch thô. |
There was a problem hiding this comment.
Nếu đây vẫn là bản draft thì cậu đánh dấu là bản Draft hoặc thêm chữ [WIP] vào tiêu đề, như thế sẽ giảm lượng review không cần thiết đi. @ngcthuong
chapters/ch04.md
Outdated
|
|
||
|
|
||
| In detail, even as you accumulate more data, usually the performance of older learning algorithms, such as logistic regression, “plateaus.” This means its learning curve “flattens out,” and the algorithm stops improving even as you give it more data: | ||
|
|
||
| -> | ||
|
|
||
| Cho dù có thêm nhiều nhiều dữ liệu nữa, thì hiệu quả của thuật toán học máy thế hệ cũ như hồi quy logistic cũng chẳng mảy may cải thiện. Nghĩa là đồ thị chất lượng học nằm ngang và thuật toán sẽ không cải thiện chất lượng cho dù thêm bao nhiêu dữ liệu. |
There was a problem hiding this comment.
Từ 'performance' không có nghĩa là 'hiệu suất', 'hiệu suất' là dịch từ 'productivity' ra. Hiệu suất thường dùng để chỉ lượng công việc thực hiện được trong một đơn gị thời gian, nghĩa đó không phù hợp với hoàn cảnh này.
'Hiệu quả' hay 'kết quả' là từ phù hợp hơn trong văn cảnh này.
Uhm để lần sau rút kinh nghiệm. Tạo nhãn draft và chỉ thêm review required sau khi dịch xong. Tối về mình sẽ update. |
chapters/ch04.md
Outdated
| @@ -1,31 +1,38 @@ | |||
| # Scale drives machine learning progress | |||
|
|
|||
| -> | |||
| # 4. Quy Mô Quyết Định Mô Hình Machine Learning | |||
There was a problem hiding this comment.
Tiêu đề gốc không viết hoa chữ cái đầu cho mọi từ.
chapters/ch04.md
Outdated
|
|
||
|
|
||
| Many of the ideas of deep learning (neural networks) have been around for decades. Why are these ideas taking off now? | ||
|
|
||
| -> | ||
| Rất nhiều những ý tưởng của deep learning (mạng neural) đã xuất hiện từ hàng thập kỷ trước. Vậy tại sao tận bây giờ chúng mới cất cánh, mới bùng nổ như vậy? |
There was a problem hiding this comment.
- Hai dấu khoảng trắng sau chấm câu
- Câu thứ hai dịch gọn "Vậy tại sao tới bây giờ chúng mới bùng nổ như vậy?"
chapters/ch04.md
Outdated
|
|
||
|
|
||
| Two of the biggest drivers of recent progress have been: | ||
|
|
||
| -> | ||
| Hai nguyên nhân mang tính quyết định tới những phát triển gần đây của deep learning là |
chapters/ch04.md
Outdated
|
|
||
|
|
||
| * **Data availability.** People are now spending more time on digital devices (laptops, mobile devices). Their digital activities generate huge amounts of data that we can feed to our learning algorithms. | ||
|
|
||
| -> | ||
| **Dữ liệu sẵn có**. Ngày nay, mọi người dành nhiều thời gian hơn bên những thiết bị số như máy tính xách tay, thiết bị di động, .v.v. Chính những thiết bị số này là nguồn tạo ra lượng dữ liệu cực lớn - dữ liệu vẫn dùng cho những thuật toán học máy ngày nay. |
There was a problem hiding this comment.
- Hai dấu cách sau dấu phẩy.
- "... lượng dữ liệu cực lớn cho các thuật toán học.". Không có chữ 'máy' nào ở đây. Nếu có thì mình cần giữ nguyên cụm 'machine learning.
chapters/ch04.md
Outdated
| * **Computational scale.** We started just a few years ago to be able to train neural networks that are big enough to take advantage of the huge datasets we now have. | ||
|
|
||
| -> | ||
| **Quy mô năng lực tính toán**. Mãi mấy năm gần đây chúng ta mới có thể huấn luyện mạng neural đủ lớn để tận dụng được lượng dữ liệu big data. |
There was a problem hiding this comment.
- "Cho tới một vài năm gần đây..."
- "tận dụng những bộ dữ liệu khổng lồ này".
chapters/ch04.md
Outdated
|
|
||
| In detail, even as you accumulate more data, usually the performance of older learning algorithms, such as logistic regression, “plateaus.” This means its learning curve “flattens out,” and the algorithm stops improving even as you give it more data: | ||
|
|
||
| -> | ||
| Cho dù có thêm nhiều nhiều dữ liệu nữa, thì hiệu quả của thuật toán machine learning thế hệ cũ như hồi quy logistic cũng không tăng. Nghĩa là đồ thị tiến trình học những lại và thuật toán ngừng cải thiện cho dù có thêm dữ liệu. |
There was a problem hiding this comment.
- Bỏ chữ "thì"
- "chững lại " thay vì "những lại".
- Hình như mình thống nhất dịch "learning curve'" là "quá trình học" ở đâu đó.
- Dấu hai chấm cuối cùng.
chapters/ch04.md
Outdated
|
|
||
|
|
||
| If you train a small neutral network (NN) on the same supervised learning task, you might get slightly better performance: | ||
|
|
||
| -> | ||
| Nếu bạn huấn luyện một mạng neural nhỏ cho cùng một tác vụ học có kiểm soát thì có thể sẽ đạt chất lượng cao hơn một chút: |
There was a problem hiding this comment.
- "học có giám sát"
- "có thể
sẽđạt"
chapters/ch04.md
Outdated
|
|
||
|
|
||
| Many other details such as neural network architecture are also important, and there has been much innovation here. But one of the more reliable ways to improve an algorithm’s performance today is still to (i) train a bigger network and (ii) get more data. | ||
|
|
||
| -> | ||
| Còn nhiều chủ đề quan trọng khác như kiến trúc mạng neural. Phần lớn những sáng tạo và công trình nghiên cứu đều tập trung ở đây. Nhưng suy cho cùng, cách đơn giản, hiệu quả và tin cậy để tăng chất lượng thuật toán vẫn là (i) huấn luyện mạng lớn hơn trên (ii) tập dữ liệu lớn hơn. |
chapters/ch04.md
Outdated
| @@ -68,10 +79,11 @@ Many other details such as neural network architecture are also important, and t | |||
| [1] This diagram shows NNs doing better in the regime of small datasets. This effect is less consistent than the effect of NNs doing well in the regime of huge datasets. In the small data regime, depending on how the features are hand-engineered, traditional algorithms may or may not do better. For example, if you have 20 training examples, it might not matter much whether you use logistic regression or a neural network; the hand-engineering of features will have a bigger effect than the choice of algorithm. But if you have 1 million examples, I would favor the neural network. | |||
|
|
|||
| -> | |||
|
|
|||
| [1] Mặc dù hình vẽ cho thấy mạng neural cho kết quả tốt hơn với dữ liệu huấn luyện nhỏ, nhưng nhận định này ít đồng thuận hơn với nhận định về dùng mạng neural với dữ liệu huấn luyện lớn. Vì đối với dữ liệu nhỏ, chất lượng thuật toán truyền thống có thể hoặc không cho kết quả tốt hơn mạng neural và bị phụ thuộc rất nhiều vào cách tạo đặc trưng thủ công. Nếu ta chỉ có 20 mẫu huấn luyện thì không đủ để dùng cả hồi suy logistic lẫn mạng neural. Nhưng đồng thời, đặc trưng thủ công bị phụ thuộc nhiều vào thuật toán học máy. Còn nếu có một triệu mẫu, thì tôi sẽ chọn dùng mạng neural. | |||
There was a problem hiding this comment.
Đoạn "không đủ dùng cả hồi squy logistic lẫn mạng neural..." không chuẩn. Chuẩn hơn là "Nếu chỉ có 20 mẫu huấn luyện thì việc dùng hồi quy logistic hay mạng neural không có nhiều khác biệt; việc xây dựng đặc trưng thủ công sẽ mang lại hiệu quả lớn hơn việc chọn thuật toán. Nhưng nếu có một triệu mẫu, tôi sẽ chọn mạng neural.".
chapters/ch04.md
Outdated
|
|
||
|
|
||
| The process of how to accomplish (i) and (ii) are surprisingly complex. This book will discuss the details at length. We will start with general strategies that are useful for both traditional learning algorithms and neural networks, and build up to the most modern strategies for building deep learning systems. | ||
|
|
||
| -> | ||
| Quá trình hoàn thiện (i) huấn luyện mạng to hơn trên (ii) tập dữ liệu lớn hơn có thể phức tạp hơn bạn tưởng. Nhưng đừng lo, vấn đề này sẽ được thảo luận đầy đủ và chi tiết trong cuốn sách này. Nhưng trước tiên, chúng ta sẽ bắt đầu bằng các chiến thuật chung hữu ích cả cho thuật toán truyền thống lẫn mạng neural, và từ từ xây dựng chiến thuật mới nhất để xây dựng các hệ thống deep learning. |
There was a problem hiding this comment.
-> "Quá trình đạt được (i) một mạng lớn hơn và (ii) nhiều dữ liệu hơn phức tạp hơn chúng ta tưởng...."
There was a problem hiding this comment.
- "strategy" em nghĩ nên là chiến lược, cuốn sách này muốn nói đến chiến lược kiểu hoạch định từ đầu tới cuối làm những gì, còn chiến thuật thì hẹp hơn. Khi đã có chiến lược thì mới áp dụng chiến thuật để giải quyết vấn đề.
- "từ từ" may be là "và từng bước xây dựng lên"
- "the most modern" em nghĩ là không chỉ mới nhất mà còn hiện đại nhất (áp dụng những kỹ thuật mới nhất)
There was a problem hiding this comment.
- Chiến lược có vẻ hợp hơn (y)
< Chiến lượclà một tập hợp các lựa chọn được sử dụng để đạt được mục tiêu tổng thể trong khi chiến thuật là những hành động cụ thể được sử dụng khi áp dụng những lựa chọn chiến lược đó. - Và từng bước xây dựng (không cần lên)
- the most modern --> ok.
chapters/ch04.md
Outdated
|
|
||
|
|
||
| Many other details such as neural network architecture are also important, and there has been much innovation here. But one of the more reliable ways to improve an algorithm’s performance today is still to (i) train a bigger network and (ii) get more data. | ||
|
|
||
| -> | ||
| Còn nhiều chủ đề quan trọng khác như kiến trúc mạng neural. Phần lớn những sáng tạo và công trình nghiên cứu đều tập trung ở đây. Nhưng suy cho cùng, cách đơn giản, hiệu quả và tin cậy để tăng chất lượng thuật toán vẫn là (i) huấn luyện mạng lớn hơn và (ii) tập dữ liệu lớn hơn. |
There was a problem hiding this comment.
-
"Phần lớn những sáng tạo và công trình nghiên cứu đều tập trung ở đây" -> ", và đã có rất nhiều sáng tạo trong những chủ đề đó", câu này theo em nghĩ là nó liên quan đến "những chủ đề quan trọng", ý là "có nhiều chủ đề quan trọng ... và đã có rất nhiều sáng tạo trong những chủ đề đó".
-
"Nhưng suy cho cùng, cách đơn giản, hiệu quả và tin cậy" -> "Nhưng một trong những cách đáng tin cậy hơn", câu này em nghĩ nên dịch đơn giản sẽ dễ thể hiện cho người đọc..
-
"chất lượng thuật toán" -> "hiệu quả thuật toán" sẽ đúng hơn. Vì theo wiki dịch " Chất lượng là sự phù hợp với nhu cầu", "Hiệu quả là khả năng tạo ra kết quả mong muốn hoặc khả năng sản xuất ra sản lượng mong muốn."
-
"(ii) tập dữ liệu lớn hơn. " -> "(ii) thu thập tập dữ liệu lớn hơn", ở đây em nghĩ get more data là một vấn đề đi thu thập dữ liệu.
There was a problem hiding this comment.
- Hiệu quả thường hiểu theo nghĩa "efficiency" trong tiếng anh nên mình nghĩ không chuẩn với nghĩa "performance". Vì efficiency bao gồm cả chất lượng dự đoán cũng như kích thước và độ phức tạp. Và ở đây, tăng kích thước mạng và data chỉ tăng chất lượng chứ không tăng "hiệu quả".
Mấy ý khác mình ok.
There was a problem hiding this comment.
-
Còn nhiều chủ đề quan trọng khác, như kiến trúc mạng neural, với rất nhiều sáng tạo và công trình nghiên cứu
-
và (ii) lấy thêm dữ liệu.
chapters/ch04.md
Outdated
| @@ -68,10 +79,11 @@ Many other details such as neural network architecture are also important, and t | |||
| [1] This diagram shows NNs doing better in the regime of small datasets. This effect is less consistent than the effect of NNs doing well in the regime of huge datasets. In the small data regime, depending on how the features are hand-engineered, traditional algorithms may or may not do better. For example, if you have 20 training examples, it might not matter much whether you use logistic regression or a neural network; the hand-engineering of features will have a bigger effect than the choice of algorithm. But if you have 1 million examples, I would favor the neural network. | |||
|
|
|||
| -> | |||
|
|
|||
| [1] Mặc dù hình vẽ thể hiện mạng neural cho kết quả tốt hơn với tập dữ liệu nhỏ, nhưng nhận định này ít đồng thuận hơn so với nhận định về mạng neural với dữ liệu lớn. Vì đối với dữ liệu nhỏ, chất lượng thuật toán truyền thống có thể hoặc không cho kết quả tốt hơn mạng neural và bị phụ thuộc rất nhiều vào cách tạo đặc trưng thủ công. Nếu ta chỉ có 20 mẫu huấn luyện thì việc dùng hồi quy logistic hay mạng neural không khác biệt nhiều. Nhưng đồng thời, đặc trưng thủ công bị phụ thuộc nhiều vào thuật toán học máy. Còn nếu có một triệu mẫu, thì tôi sẽ chọn dùng mạng neural. | |||
There was a problem hiding this comment.
Từ 'consistent' dịch là 'nhất quán' thì đúng hơn; 'đồng thuận' gần với 'agree'. 'effect' cũng không phải là 'nhận định'. Hai câu đầu khá khó dịch, tớ đang nghĩ xem có cách nào hay hơn và chuẩn hơn không.
Chỗ " a neural network; the hand-engineering of features will have a bigger effect than the choice of algorithm." không nên tách ra làm hai câu vì nghĩ bị thay đổi. Tớ đề xuất dịch như lần trước tớ nói:
"không khác biệt nhiều; việc chọn đặc trưng thủ công sẽ mang lại nhiều sự khác biệt hơn".
chapters/ch04.md
Outdated
|
|
||
|
|
||
| The process of how to accomplish (i) and (ii) are surprisingly complex. This book will discuss the details at length. We will start with general strategies that are useful for both traditional learning algorithms and neural networks, and build up to the most modern strategies for building deep learning systems. | ||
|
|
||
| -> | ||
| Quá trình đạt được (i) huấn luyện mạng lớn trên (ii) tập dữ liệu lớn có thể phức tạp hơn bạn tưởng. Nhưng đừng lo, vấn đề này sẽ được thảo luận đầy đủ và chi tiết trong cuốn sách này. Nhưng trước tiên, chúng ta sẽ bắt đầu bằng các chiến thuật chung, hữu ích cho cả thuật toán truyền thống lẫn mạng neural, và từ từ xây dựng chiến thuật mới cho việc xây dựng các hệ thống deep learning. |
There was a problem hiding this comment.
"Nhưng trước tiên, cChúng ta sẽ ....": Lặp từ "Nhưng" và "trước tiên" = "bắt đầu".
There was a problem hiding this comment.
Review lại hộ cái tiêu đề phát.
Scale drives machine learning progress
Mình nghĩ từ progress ở đây ám chỉ tới mô hình machine learning nên mình dịch thẳng ra là Quy mô quyết định mô hình machine learning
thay vì Quy mô quyết định tiến trình machine learning
There was a problem hiding this comment.
:+1 Quy mô quyết định mô hìh machine learning
chapters/ch04.md
Outdated
|
|
||
| Cho dù có thêm nhiều nhiều dữ liệu nữa, hiệu quả của thuật toán machine learning thế hệ cũ như hồi quy logistic cũng không tăng. Nghĩa là đồ thị tiến trình học chững lại và thuật toán ngừng cải thiện cho dù có thêm dữ liệu: |
There was a problem hiding this comment.
- "learning curve" = "quá trình học" như trong glossary.
|
Các bạn có thêm comments thì tối mình sẽ tạo lại pull request để cập nhật thêm |
1st draft