CHƯƠNG 1: TỔNG QUAN VỀ MACHINE LEARNING 1. KHÁI NIỆM MACHINE LEARNING Để khám phá sâu hơn về khái niệm Machine Learning (ML), chúng ta cần đặt nền tảng với những khái niệm cơ bản như Trí Tuệ Nhân Tạo (AI) và các khái niệm khác liên quan. AI - Artificial Intelligence Trí Tuệ Nhân Tạo (Artificial Intelligence - AI) là một lĩnh vực khoa học máy tính mang đến cho chúng ta khả năng tạo ra máy tính hoạt động một cách thông minh, giống như hoặc thậm chí vượt qua khả năng tư duy của con người [1]. Ý nghĩa AI không chỉ là một công nghệ, mà còn là một khái niệm toàn diện, đại diện cho sự phát triển và tiến bộ của máy tính thông minh.
AI không chỉ học hỏi và thích ứng với môi trường, mà còn có khả năng đưa ra quyết định dựa trên dữ liệu và kinh nghiệm. Nó là sự kết hợp của nhiều lĩnh vực như máy học (Machine Learning), xử lý ngôn ngữ tự nhiên (Natural Language Processing), thị giác máy tính (Computer Vision), và nhiều kỹ thuật khác nhau để tạo ra hệ thống có khả năng tự đào tạo và thực hiện nhiều nhiệm vụ. Ứng dụng của AI ngày càng trở nên quan trọng trong nhiều lĩnh vực khác nhau. Như trong y học, AI được sử dụng để chẩn đoán bệnh, dự đoán điều trị và thậm chí là phát triển các loại thuốc mới.
Trong sản xuất, hệ thống tự động thông minh có thể quản lý dòng sản xuất và tối ưu hóa quy trình. Trong tài chính, AI hỗ trợ trong việc phân tích dữ liệu để dự đoán xu hướng thị trường và đưa ra quyết định đầu tư. Ngoài ra, AI còn góp phần quan trọng trong việc nâng cáo chất lượng cuộc sống hàng ngày của chúng ta, như các hệ thống trợ lý ảo như Siri và Google Assistant, đến các ứng dụng nhận diện khuôn mặt và giọng nói. Ngày nay, các công ty lớn và tổ chức trên khắp thế giới đều đang đầu tư mạnh mẽ vào nghiên cứu và phát triển AI, tạo ra những ứng dụng mới và đưa ra những giải pháp sáng tạo trong mọi lĩnh vực.
AI không Trang 13 chỉ là công nghệ, mà còn là nhân tố quan trọng định hình tương lai của xã hội thông minh và kỷ nguyên công nghiệp 4. ML – Machine Learning Machine Learning (ML), hay Học Máy, là một lĩnh vực quan trọng trong lĩnh vực Trí Tuệ Nhân Tạo (AI), mà mục tiêu chính là phát triển các thuật toán và mô hình máy tính có khả năng học hỏi và tự điều chỉnh dựa trên dữ liệu [2]. Khác với các phương pháp truyền thống yêu cầu lập trình cụ thể, ML cho phép máy tính học từ kinh nghiệm và dữ liệu, giúp chúng thực hiện nhiều nhiệm vụ mà trước đây đòi hỏi sự can thiệp của con người. Trong lĩnh vực AI, Machine Learning đóng vai trò quan trọng, đưa ra giải pháp cho những vấn đề phức tạp mà các thuật toán truyền thống khó mà giải quyết được.
Nó là một cột mốc quan trọng trong việc biến ý tưởng về máy tính có khả năng học hỏi từ dữ liệu thành hiện thực. Machine Learning không chỉ đơn thuần là công cụ, mà là một quy trình liên tục. Trong quá trình này, máy tính được trang bị các thuật toán để tự động phân loại, dự đoán, hoặc tìm ra mô hình từ dữ liệu. Phương pháp này không chỉ giúp máy tính hiểu và áp dụng kiến thức, mà còn giúp chúng nâng cao hiệu suất theo thời gian khi có thêm dữ liệu mới.
Nhờ vào khả năng học hỏi, ML đang mở ra nhiều cánh cửa cho sự đổi mới trong nhiều lĩnh vực, từ y học, tài chính, đến sản xuất và dịch vụ khách hàng. Điều này không chỉ là sự tiến bộ về công nghệ mà còn là sự mở rộng cho khả năng sáng tạo và tiện ích trong cuộc sống hàng ngày, định hình một tương lai mà máy tính không chỉ thực hiện theo lệnh, mà còn có khả năng "tự suy nghĩ". DL – Deep Learning Deep Learning, hay Học sâu, là một nhánh quan trọng trong lĩnh vực Machine Learning (ML), và cũng là một yếu tố quan trọng trong sự phát triển của Trí Tuệ Nhân Tạo (AI). Deep Learning tập trung vào việc xây dựng và huấn luyện các mô hình có khả năng hiểu biểu diễn cấp cao của dữ liệu thông qua các lớp (layers) ẩn trong kiến trúc mạng neural [3].
Trang 14 Trong môi trường AI, Deep Learning chính là động lực mạnh mẽ đằng sau sự tiến bộ nhanh chóng của các ứng dụng thông minh. Deep Learning giúp máy tính hiểu và rút trích đặc trưng tự động từ dữ liệu phức tạp, không cần sự can thiệp của con người trong quá trình lập trình. Deep Learning không chỉ là công nghệ mới mẻ mà còn là công nghệ chính cho sự đổi mới trong nhiều lĩnh vực. Trong y học, Deep Learning được sử dụng để phân loại ảnh y tế và dự đoán bệnh tự nhiên.
Trong tự động hóa và robot học, Deep Learning giúp máy tính hiểu và tương tác với môi trường xung quanh một cách tự nhiên. Các ứng dụng thực tế như xe tự lái và dịch ngôn ngữ cũng là kết quả của sự phát triển mạnh mẽ của Deep Learning.1 dưới đây thể hiện mối quan hệ giữa AI, ML, và DL.1 Mối quan hệ giữa AI, ML, Deep learning. CÁC PHƯƠNG PHÁP ĐÀO TẠO MÔ HÌNH MACHINE LEARNING Machine Learning (ML) là một lĩnh vực nghiên cứu quan trọng trong trí tuệ nhân tạo (AI) và đào tạo mô hình là một phần quan trọng của quá trình phát triển các hệ thống thông minh. Supervised Learning là một phương pháp mà mô hình được huấn luyện trên một tập dữ liệu mà mỗi mẫu đã được gán nhãn với đầu ra mong muốn tương ứng.
Mục tiêu của Supervised Learning là để mô hình có thể dự đoán đầu ra cho các dữ liệu mới mà nó chưa từng thấy trước đó [4]. Dữ liệu huấn luyện trong Supervised Learning giống như việc học từ một giáo viên: mô hình được chỉ dẫn bằng cách so sánh đầu ra dự đoán với đầu ra thực tế và điều chỉnh các tham số để làm tăng độ chính xác. Mô hình trong Supervised Learning có khả năng học từ mối quan hệ giữa đầu vào và đầu ra, từ đó tạo ra một quy luật hoặc mô hình dự đoán. Phương pháp này được sử dụng rộng rãi trong nhiều ứng dụng, từ dự đoán giá chứng khoán đến nhận diện vật thể trong hình ảnh.Ngoài ra, còn có phương pháp Unsupervised Learning, trong đó mô hình phải tự học từ dữ liệu mà không có thông tin về đầu ra mong muốn [5].
Trong Unsupervised Learning, mô hình phải tự khám phá cấu trúc và đặc điểm của dữ liệu, giúp chúng tự động nhận diện các mẫu và quy luật mà không cần sự hướng dẫn cụ thể từ người lập trình. Hình Hình ảnh dưới đây mô tả cách hai phương pháp được huấn luyện. Trang 16 Hình ảnh 1.2 Ví dụ về Supervised Learning và Unsupervised Learning [6] Một phương pháp khác là Reinforcement Learning, trong đó mô hình được huấn luyện thông qua việc tương tác với môi trường và nhận phản hồi thông qua các tình huống thưởng hoặc phạt. Mô hình học từ kinh nghiệm và cố gắng tối ưu hóa một hàm thưởng để đạt được mục tiêu cụ thể Trang 17 Hình ảnh 1.3 Ví dụ về Reinforcement Learning [7] Mỗi phương pháp đào tạo trong Machine Learning đều có ưu điểm và hạn chế riêng, phù hợp với loại vấn đề cụ thể và tính chất của dữ liệu.
Sự linh hoạt này giúp ML trở thành một công cụ mạnh mẽ trong việc giải quyết nhiều thách thức khác nhau trong thế giới thực. ARTIFICIAL NEURAL NETWORK 1. CÁC KHÁI NIỆM CƠ BẢN LIÊN QUAN TỚI ANN ● Perceptrons là một khái niệm cơ bản trong lĩnh vực Artificial Neural Network (ANN). Nó là một mô hình đơn giản của neural network, được thiết kế để mô phỏng cách các tế bào não hoạt động.
Mỗi perceptron nhận đầu vào, thực hiện một trọng số và tổng hợp chúng để tạo ra đầu ra [8]. Ý tưởng cơ bản này tạo ra nền tảng cho việc xây dựng mạng neural phức tạp hơn. ● Neural Network (Mạng Neural): là một tập hợp các perceptrons được kết nối với nhau để tạo ra một hệ thống có khả năng học và tự điều chỉnh. Cấu trúc của mạng neural có thể được tổ chức thành các lớp, bao gồm lớp đầu vào, lớp ẩn và lớp đầu ra.
Mỗi kết nối giữa perceptrons có một trọng số, được điều chỉnh trong quá trình huấn luyện để tối ưu hóa hiệu suất của mô hình [9]. ● Activation Function (Hàm Kích Hoạt): giúp định rõ cách mỗi perceptron sẽ phản ứng đối với đầu vào. Nó quyết định xem perceptron nên "kích hoạt" hay "tắt" dựa Trang 18 trên giá trị đầu ra sau khi tính toán. Các hàm kích hoạt phổ biến bao gồm sigmoid, tanh, và ReLU (Rectified Linear Unit) [10].
● Hidden Layers (Lớp Ẩn): là những lớp perceptrons giữa lớp đầu vào và lớp đầu ra trong mạng neural. Những lớp này giúp mô hình học được các đặc trưng phức tạp và biểu diễn dữ liệu ở mức độ cao hơn. ● Backpropagation: là một thuật toán quan trọng trong việc huấn luyện mạng neural. Nó sử dụng phương pháp gradient descent [11] để điều chỉnh trọng số của các kết nối trong mạng dựa trên sai số giữa đầu ra thực tế và đầu ra dự đoán.
Những khái niệm này tạo nên nền tảng cho việc hiểu về cách Artificial Neural Network hoạt động và làm thế nào chúng có khả năng học từ dữ liệu để thực hiện các nhiệm vụ phức tạp. GIỚI THIỆU VỀ KIẾN TRÚC MẠNG ANN Hình 1. Mạng Neural (NN) là một hệ thống phức tạp được hình thành từ các tầng perceptron, còn được gọi là perceptron đa tầng (multilayer perceptron), nhằm mô phỏng cách tế bào não hoạt động. Kiến trúc này bao gồm ba loại tầng chính: tầng vào (input layer), tầng ra (output layer), và tầng ẩn (hidden layer), như mô tả ở hình trên.
Mỗi loại tầng đóng vai trò quan trọng trong quá trình xử lý thông tin của mạng. ● Tầng vào (Input Layer): Trang 19 o Là tầng bên trái cùng của mạng, đại diện cho các đầu vào của hệ thống. o Nhận dữ liệu đầu vào dưới dạng vector, mỗi phần tử tương ứng với một thuộc tính của dữ liệu. ● Tầng ra (Output Layer): o Là tầng bên phải cùng, thể hiện các đầu ra của mạng.
o Kết quả của một ANN là một vector có kích thước phụ thuộc vào bài toán cụ thể. ● Tầng ẩn (Hidden Layer): o Nằm giữa tầng vào và tầng ra, thực hiện suy luận logic phức tạp. o Mỗi nút trong tầng ẩn là một sigmoid neuron, có chức năng kích hoạt đặc biệt. Một mạng NN có thể chứa nhiều tầng ẩn, tùy thuộc vào độ phức tạp của bài toán.