Tìm hiểu Công Nghệ Học Máy (Machine Learning): Tổng Quan và Ứng Dụng

Học máy (Machine Learning) từ A-Z: Khám phá kiến thức nền tảng, thuật toán phổ biến, ứng dụng thực tế và tương lai của ngành. Tìm hiểu ngay!

• Tác giả: Phạm Thị Kim Ngân
• Người hướng dẫn: ThS. Vương Xuân Chí
• Trường học: Trường Đại học Nguyễn Tất Thành
• Chuyên ngành: Khoa Học Dữ Liệu
• Đề tài: Tìm hiểu công nghệ Học máy (Machine Learning)
• Loại tài liệu: Đồ án cơ sở
• Năm xuất bản: 2020
• Địa điểm: Tp.HCM

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG I: GIỚI THIỆU VỀ HỌC MÁY - MACHINE LEARNING
• 1.1. Giới thiệu về học máy
• 1.2. Lý do cần tới học máy
• 1.3. Các loại thuật toán
• 1.3.1. Học không giám sát
• 1.3.2. Học nửa giám sát
• 1.3.3. Học tăng cường
• 1.4. Một số thuật toán Machine learning
• 1.5. Lưu ý quan trọng trong Machine learning
• 1.6. Tôi nên sử dụng thuật toán học máy nào?
• 1.7. Dữ liệu huấn luyện(Training data)
• 1.8. Dữ liệu kiểm thử và các độ đo
• 2. CHƯƠNG II: CÁC QUY TRÌNH HỌC MÁY
• 2.1. Các qui trình cơ bản của Machine learning
• 2.2. Gradient thuật toán - tối ưu hóa thông tin số cho Học máy hệ thống
• 2.3. Nhận sự kiện dạng
• 3. CHƯƠNG III: CÁC ỨNG DỤNG CỦA MACHINE LEARNING TRONG CUỘC SỐNG
• 3.1. Cảnh báo giao thông (trên ứng dụng Google Maps)
• 3.2. Ứng dụng của Machine Learning trong mạng xã hội Facebook
• 3.3. Trợ lý cá nhân ảo (Virtual Personal Assistants) – Ứng dụng của Machine Learning
• 3.4. Truyền phát video trực tuyến trên Netflix (Online Video Streaming)
• 3.5. Machine learning - Công nghê khai thác tối đa giá trị Big DATA
• 3.6. Machine learning gắn liền với quá trình phát triển Internet
• 3.7. Machine learning và vai trò của con người
• 3.8. Machine learning hỗ trợ cho các thông báo xác định
• 3.9. Học máy và tiếp thị nội dung
• 3.10. Máy học áp dụng trong thực tế
• 4. CHƯƠNG IV: KẾT LUẬN
• DANH MỤC CÁC BẢNG BIỂU
• DANH MỤC CÁC BẢNG HÌNH
• DANH MỤC CÁC TỪ VIẾT TẮT

Tóm tắt

I. Machine Learning là gì Tổng quan và ứng dụng năm 2024

Trong hai thập kỷ qua, Machine Learning (ML) đã trở thành một trụ cột của công nghệ thông tin. Cùng với đó, một công cụ khá trung tâm, mặc dù thường là ẩn, một phần cuộc sống của chúng ta. Với số lượng ngày càng tăng của dữ liệu trở nên có sẵn lý do chính đáng để tin rằng phân tích dữ liệu thông minh sẽ trở thành thậm chí còn phổ biến hơn như một thành phần cần thiết cho tiến bộ công nghệ. Mục đích của chương này là cung cấp cho người đọc một cái nhìn tổng quan về phạm vi rộng lớn của các ứng dụng có trung tâm là máy học vấn đề và để mang lại một số mức độ trật tự cho các vấn đề. Sau đó, chúng ta sẽ thảo luận về một số công cụ cơ bản từ thống kê và lý thuyết xác suất, vì chúng tạo thành ngôn ngữ mà trong đó nhiều vấn đề học máy phải được diễn đạt để trở nên dễ giải quyết. Cuối cùng, chúng tôi sẽ phác thảo một tập hợp các thuật toán khá cơ bản nhưng hiệu quả để giải quyết một vấn đề quan trọng, cụ thể là phân loại. Các công cụ phức tạp hơn, một cuộc thảo luận về tổng quát hơn các vấn đề và phân tích chi tiết sẽ tiếp theo trong các phần sau của cuốn sách. Học máy (Machine learning) là khả năng của chương trình máy tính sử dụng kinh nghiệm, quan sát, hoặc dữ liệu trong quá khứ để cải thiện công việc của mình trong tương lai thay vì chỉ thực hiện theo đúng các quy tắc đã được lập trình sẵn. Chẳng hạn, máy tính có thể học cách dự đoán dựa trên các ví dụ, hay học cách tạo ra các hành vi phù hợp dựa trên quan sát trong quá khứ. Học máy có thể xuất hiện dưới nhiều hình thức. Bây giờ chúng ta thảo luận về một số ứng dụng, các loại dữ liệu mà chúng xử lý và cuối cùng, chúng tôi chính thức hóa vấn đề theo kiểu cách điệu hơn một chút. Điều sau là chìa khóa nếu chúng ta muốn tránh phát minh lại bánh xe cho mọi ứng dụng mới. Thay vào đó, phần lớn nghệ thuật của máy học là giảm thiểu một loạt các vấn đề khá khác nhau để một tập hợp các nguyên 1 mẫu khá hẹp. Phần lớn khoa học của máy học là sau đó để giải quyết những vấn đề đó và cung cấp các đảm bảo tốt cho các giải pháp. Xét một số ví dụ sau. Ví dụ thứ nhất là học cách đánh cờ. Chương trình có thể quan sát các ván cờ cùng với kết quả (thắng hay thua) để cải thiện khả năng chơi cờ và tăng số ván thắng trong tương lai. Trong trường hợp này, kinh nghiệm là các ván cờ trong quá khứ (có thể là ván cờ chương trình tự chơi với chính mình), được sử dụng để học cách làm tốt hơn công việc chơi cờ với tiêu chí đánh giá là số ván thắng. Ví dụ thứ hai là học nhận dạng các ký tự. Chương trình được cung cấp dữ liệu dưới dạng ảnh chụp các ký tự (chữ cái) cùng mã UNICODE của ký tự đó. Sau khi học, chương trình cần có khả năng nhận dạng các ảnh chụp ký tự mới, tức là xác định được mã UNICODE của các ảnh mới chụp ký tự đã được học. Tương tự quá trình học thông thường, một hệ thống học máy cần có khả năng ghi nhớ, thích nghi, và đặc biệt là tổng quát hóa. Tổng quát hóa là khả năng của hệ thống học máy ra quyết định chính xác trong các trường hợp mới, chưa gặp, dựa trên kinh nghiệm học được từ dữ liệu hoặc các quan sát trước đó.

1.1. Ưu điểm của Machine Learning so với lập trình truyền thống

Học máy (Machine Learning) vượt trội hơn lập trình truyền thống ở khả năng tự học và thích nghi. Với lập trình truyền thống, cần thuật toán rõ ràng để chuyển đổi đầu vào thành đầu ra. Nhưng trong nhiều bài toán, rất khó xây dựng thuật toán như vậy, ví dụ nhận dạng chữ. Học máy cho phép giải quyết dựa trên dữ liệu, tìm ra điểm chung, riêng giữa nhiều ảnh chụp ký tự. Theo [Trường Đại học Nguyễn Tất Thành], học máy mang lại khả năng thích nghi nhờ phân tích dữ liệu, thích hợp với ứng dụng cần thay đổi theo thời gian. Việc tìm chuyên gia và tri thức thiết kế thuật toán cũng khó, trong khi dữ liệu ngày càng nhiều, dễ thu thập. Cuối cùng, khả năng học là một hoạt động trí tuệ quan trọng của con người.

1.2. Các hình thức học máy Supervised Unsupervised Reinforcement

Các thuật toán học máy được phân loại theo kết quả mong muốn. Học có giám sát (Supervised Learning) tạo ra hàm ánh xạ dữ liệu vào kết quả mong muốn. Ví dụ, bài toán phân loại: chương trình học cách ánh xạ vector [X1, X2, X3,. Xn ] tới một lớp bằng cách xem xét mẫu dữ liệu - kết quả của hàm đó. Học không giám sát (Unsupervised Learning) mô hình hóa tập dữ liệu không có sẵn các ví dụ đã được gắn nhãn. Thuật toán dựa vào cấu trúc dữ liệu để thực hiện công việc như phân nhóm hoặc giảm số chiều. Học tăng cường (Reinforcement Learning), thuật toán học một chính sách hành động tùy theo các quan sát về thế giới. Mỗi hành động có tác động tới môi trường, và môi trường cung cấp thông tin phản hồi để hướng dẫn cho thuật toán.

II. Các thuật toán Machine Learning phổ biến Hướng dẫn chi tiết

Để thực hiện chuyển đổi từ input thành output mong muốn, chúng ta có thể sử dụng các mô hình khác nhau. Machine learning không phải là một loại thuật toán duy nhất; Có thể bạn đã nghe tới Support vector machine(SVM), Naive Bayes, Cây quyết định(Decision Trees) hay Học sâu(Deep learning). Các thuật toán này đều cố gắng giải quyết một bài toán: Học cách chuyển đổi mọi input thành output chính xác của mà nó thuộc về. Những thuật toán machine learning này sử dụng các mô hình / kỹ thuật khác nhau để thực hiện quá trình học tập và thể hiện kiến thức về những gì nó được học. Nhưng trước khi đi vào từng thuật toán, có một nguyên tắc chung: Các thuật toán machine learning cố gắng khái quát hóa. Nghĩa là, nó sẽ tìm và giải thích theo cách đơn giản nhất; Nguyên tắc đó được biết đến là Occam’s razor. Mọi thuật toán machine learning đều cố gắng đưa ra những giả thiết đơn giản nhất mà có thể đúng với hầu hết các mẫu trong tập dữ liệu huấn luyện. Có rất nhiều thuật toán machine learning khác nhau. Nhưng tôi sẽ trình bày ngắn gọn về 3 thuật toán phổ biến nhất:

2.1. Support Vector Machines SVM Ưu điểm và cách sử dụng

Support Vector Machines (SVM): Một thuật toán cố gắng xây dựng một siêu mặt phẳng trong không gian nhiều chiều để phân biệt các đối tượng ở các lớp khác nhau; Làm sao cho khoảng cách giữa 2 đối tượng khác label gần nhau nhất có khoảng cách cực đại. Ý tưởng của thuật toán cực kỳ đơn giản, nhưng mô hình này lại rất phức tạp và có hiệu quả. Thực tế, ở một số bài toán, SVM là một mô hình machine learning cho hiệu quả tốt nhất.

2.2. Mô hình xác suất Probabilistic Models Giải thích và ứng dụng

Mô hình xác suất (Probabilistic Models): Các mô hình này cố gắng giải quyết bài toán bằng phân bố xác suất. Một thuật toán phổ biến nhất là phân loại Naive Bayes; Nó sử dụng lý thuyết Bayes và giả thiết các đặc trưng là độc lập. Điểm mạnh của mô hình xác suất là đơn giản nhưng hiệu quả. Đầu ra của nó không chỉ là label mà còn đi kèm xác suất thể hiện độ chính xác cho kết quả đó.

2.3. Mạng nơ ron Neural Networks Cơ chế hoạt động và tiềm năng

Mạng nơ-ron (Neural Networks) có cách tiếp cận kết nối và sử dụng ý tưởng theo cách bộ não con người làm việc. Chúng bao gồm số lượng lớn các nơ ron liên kết với nhau; được tổ chức thành các lớp(layers). Học sâu (Deep learning) liên tục được phát triển với các cấu trúc mới sâu hơn; Nó không chỉ cố gắng học mà còn xây dựng các cấu trúc biểu diễn các đặc trưng quan trọng một cách tự động.

III. Quy trình Machine Learning Các bước xây dựng dự án hiệu quả

Các phần chính của một qui trình Machine learning bao gồm: Mô hình (Model) – là hệ thống mô phỏng các mẫu hình từ thực tế giúp đưa ra dự báo hoặc nhận dạng. Các thông số (Parameter) – là những tín hiệu hoặc yếu tố được cho là có khả năng gây ảnh hưởng lên kết quả mô hình, được sử dụng để đưa ra quyết định. Cơ chế học hỏi (Learner) – là quá trình đánh giá, đối chiếu khác biệt giữa các dự báo và kết quả thực tế, tiến hành các điều chỉnh thông số hợp lý cho đến khi mô hình đạt được mức độ chính xác đặt ra. Giả sử trong thực tế phát sinh một nhu cầu như sau: một giảng viên muốn xác định được lượng thời gian tối đa sinh viên cần dành cho việc học để đạt được điểm số cao nhất có thể. Nhu cầu này được cụ thể hóa thành bài toán: tạo ra một cơ chế giúp dự báo điểm số kiểm tra khi biết được thời gian dành cho việc học, qua đó cũng giúp xác định thời gian học tối ưu để đạt kết quả tốt nhất. Dĩ nhiên một giảng viên có thể thực hiện điều tra một nhóm sinh viên, sau đó xác định một mẫu hình chung cho nhóm này và thực hiện các ước lượng một cách thủ công. Tuy nhiên trong thống kê, mẫu cần phải đủ lớn để cho độ chính xác nhất định. Bên cạnh đó, qui trình mô phỏng thực tế này đòi hỏi quá trình điều chỉnh lặp đi lặp lại không ngừng với lượng lớn dữ liệu. Điều này gây lãng phí thời gian, công sức và nhiều khi vượt quá khả năng của con người. Chính lúc này một quá trình Machine learning sẽ phát huy hiệu quả tốt nhất.

3.1. Thiết lập mô hình Model Xác định biến và mối quan hệ

Để bắt đầu quá trình, giảng viên phải là người đưa ra những giả định đầu tiên vào mô hình, bao gồm: Các biến (x) nào tác động lên kết quả mô hình (y): Ở đây chỉ có một yếu tố gây ảnh hưởng (x) là ‘thời gian học tập’, còn đầu ra (y) chính là ‘kết quả kiểm tra’. Mối quan hệ giữa x và y: Ở đây giả định x tác động lên y theo mối quan hệ tuyến tính. Có nghĩa là phương trình biểu diễn mối quan hệ là hàm bậc nhất: y=Wx + b.

3.2. Cung cấp dữ liệu đầu vào Parameter Thu thập và biểu diễn

Sau khi mô hình được thiết lập, các thông tin thực tế sẽ được đưa vào. Giáo viên sẽ cung cấp các dữ liệu thực tế về ‘kết quả kiểm tra – x’ và ‘thời gian học tập – y’ được thu thập từ các sinh viên nằm trong mẫu nghiên cứu. Biểu diễn tập (x,y) của mỗi sinh viên lên đồ thị và quan sát sơ bộ. Kết quả thực tế không khớp với dự báo: từng điểm chấm (thể hiện cho từng sinh viên với số điểm và thời gian học cụ thể) không nằm ngay trên đồ thị mà phân bổ rải rác bên trên hoặc bên dưới.

3.3. Quá trình điều chỉnh tự động Learner Tối ưu hóa mô hình

Cơ chế Learner của hệ thống sẽ nhìn vào dữ liệu và các thông số, đánh giá độ chênh lệch giữa thực tế và mô hình, sau đó sử dụng nhiều công thức toán để điều chỉnh các giả định ban đầu, chẳng hạn như W=1, b=4 (y = x + 4). Sau đó chạy lại mô hình với các giả định mới. Số liệu thực tế tiếp tục được so sánh với mô hình được chỉnh sửa. Nếu mô hình thành công thì dữ liệu thực tế phải sát với các số liệu dự báo.

IV. Ứng dụng Machine Learning thực tế Case study thành công 2024

Một trong những ứng dụng phổ biến nhất của Machine Learning là Đề xuất gắn thẻ bạn bè tự động trên Facebook hoặc bất kỳ nền tảng truyền thông xã hội nào khác. Facebook sử dụng tính năng nhận diện khuôn mặt và nhận dạng hình ảnh để tự động tìm thấy khuôn mặt của người phù hợp với Cơ sở dữ liệu của họ và do đó đề nghị người dùng gắn thẻ người đó dựa trên DeepFace. Dự án DeepFace của Facebook thực hiện nhiệm vụ nhận diện khuôn mặt và xác định đối tượng cụ thể trong ảnh. Nó cũng cung cấp Thẻ Alt (Thẻ thay thế) cho hình ảnh đã được tải lên trên facebook. Trợ lý cá nhân ảo hỗ trợ tìm kiếm thông tin hữu ích, khi được yêu cầu qua văn bản hoặc giọng nói. Netflix thu thập dữ liệu này từ một thuê bao mà họ có và sử dụng Hệ thống đề xuất và rất nhiều Ứng dụng học máy để có thể gợi ý các bộ phim theo đúng thị hiếu của từng khách hàng. Bằng việc chạm vào chính xác sở thích và nhu cầu của khách hàng, Netflix dễ dàng giữ khách hàng sử dụng dịch vụ của mình.

4.1. Ứng dụng Machine Learning trong mạng xã hội Facebook

Facebook sử dụng Machine Learning để đề xuất gắn thẻ bạn bè tự động thông qua nhận diện khuôn mặt và hình ảnh. Dự án DeepFace của Facebook có khả năng xác định đối tượng cụ thể trong ảnh và cung cấp Thẻ Alt cho hình ảnh đã tải lên.

4.2. Trợ lý cá nhân ảo Tối ưu hóa trải nghiệm người dùng

Các Trợ lý cá nhân ảo như Siri, Google Assistant sử dụng Machine Learning để nhận dạng giọng nói, chuyển đổi lời nói thành văn bản và xử lý ngôn ngữ tự nhiên. Ứng dụng trong Chatbots, đặt hàng thực phẩm, đào tạo trực tuyến và du lịch.

4.3. Netflix Cá nhân hóa trải nghiệm xem phim với Machine Learning

Netflix sử dụng Machine Learning để thu thập và phân tích dữ liệu về hoạt động của người dùng. Dựa vào đó, họ gợi ý các bộ phim theo đúng thị hiếu cá nhân, giúp tăng cường trải nghiệm và giữ chân khách hàng.

V. Machine Learning và Big Data Sự kết hợp tối ưu trong Marketing

Song hành với sự bùng nổ của Big Data, các qui trình máy học (Machine learning) ngày càng đóng vai trò quan trọng trong việc đào sâu dữ liệu, xử lý thông tin phục vụ cho hoạt động tiếp thị. Vấn đề là Marketer làm thế nào tận dụng công nghệ này để mang đến các trải nghiệm được cá nhân hóa tối ưu cho người dùng Web. Để hiểu rõ vai trò ngày càng to lớn và ứng dụng rộng rãi của Machine learning, nên bắt đầu tìm hiểu từ hệ thống phân loại Internet từ những ngày đầu mới xuất hiện. Thực tế, Machine learning xuất hiện trước cả Internet, nhưng chỉ dưới dạng những thuật toán cơ bản giúp phân loại thư rác (thuật toán Perceptron). Dần dần khi Internet ra đời và có những bước tiến mới, Machine learning mới phát triển song hành và ngày càng hoàn thiện hơn.

5.1. Vai trò của Machine Learning trong xử lý Big Data

Machine Learning đóng vai trò quan trọng trong việc đào sâu và xử lý thông tin từ Big Data, giúp Marketer tận dụng dữ liệu để tạo ra trải nghiệm cá nhân hóa cho người dùng Web.

5.2. Cách Machine Learning hỗ trợ các thông báo xác định

Qui trình Machine Learning giúp “trợ lực hóa” lượng dữ liệu không có sẵn để tìm hiểu về giá trị của các điểm tiếp xúc và hành vi khách hàng. Từ đó mang lại một bức tranh rõ nét hơn về 'thứ khách hàng đang quan tâm' hoặc 'nội dung người dùng muốn thấy' .

VI. Tương lai của Machine Learning Xu hướng và thách thức 2024

Machine learning có thể giúp thương hiệu đánh giá chất lượng và tính phù hợp của nội dung dựa trên những tín hiệu quan trọng sau: Nội dung tham chiếu user rate, New refresh content, Xu hướng / Mẫu thưởng thức nội dung theo thời gian - giúp quan sát và định vị chính xác thời điểm mà người dùng có thể quan tâm nhất đến nội dung theo dõi. Thông qua các đánh giá này, thương hiệu có thể điều chỉnh nội dung và các bản sao thông báo cho chủ sở hữu hữu ích, cá nhân hóa hơn, giúp tối ưu hóa trải nghiệm người dùng một cách hiệu quả.

6.1. Các yếu tố đánh giá chất lượng nội dung từ Machine Learning

Machine learning giúp đánh giá chất lượng nội dung dựa trên user rate, new refresh content và xu hướng thưởng thức nội dung, từ đó điều chỉnh nội dung phù hợp.

6.2. Kraft Thành công nhờ Machine Learning trong Marketing

Ông lớn ngành hàng bánh kẹo Kraft đã triển khai chương trình Machine Learning để theo dấu hơn 22.000 đặc trưng về tính cách của khách hàng tiềm năng dựa trên cách họ tương tác với nội dung trực tuyến của thương hiệu. Những nỗ lực đã mang về cho Kraft gần 1,1 Tỷ lượt hiển thị quảng cáo mỗi năm.

Trích đoạn nội dung tài liệu

CHƯƠNG I: GIỚI THIỆU VỀ HỌC MÁY - MACHINE LEARNING I.Giới thiệu về học máy.Định nghĩa Trong hai thập kỷ qua, Học máy đã trở thành một trong những trụ cột của công nghệ thông tin và cùng với đó, một công cụ khá trung tâm, mặc dù thường là ẩn, một phần cuộc sống của chúng ta. Với số lượng ngày càng tăng của dữ liệu trở nên có sẵn lý do chính đáng để tin rằng phân tích dữ liệu thông minh sẽ trở thànhthậm chí còn phổ biến hơn như một thành phần cần thiết cho tiến bộ công nghệ. Mục đích của chương này là cung cấp cho người đọc một cái nhìn tổng quan về phạm vi rộng lớn của các ứng dụng có trung tâm là máy học vấn đề và để mang lại một số mức độ trật tự cho các vấn đề. Sau đó, chúng ta sẽ thảo luận về một số công cụ cơ bản từ thống kê và lý thuyết xác suất, vì chúng tạo thành ngôn ngữ mà trong đó nhiều vấn đề học máy phải được diễn đạt để trở nên dễ giải quyết.

Cuối cùng, chúng tôi sẽ phác thảo một tập hợp các thuật toán khá cơ bản nhưng hiệu quả để giải quyết một vấn đề quan trọng, cụ thể là phân loại. Các công cụ phức tạp hơn, một cuộc thảo luận về tổng quát hơn các vấn đề và phân tích chi tiết sẽ tiếp theo trong các phần sau của cuốn sách. Học máy (machine learning) là khả năng của chương trình máy tính sử dụng kinh nghiệm, quan sát, hoặc dữ liệu trong quá khứ để cải thiện công việc của mình trong tương lai thay vì chỉ thực hiện theo đúng các quy tắc đã được lập trình sẵn. Chẳng hạn, máy tính có thể học cách dự đoán dựa trên các ví dụ, hay học cách tạo ra các hành vi phù hợp dựa trên quan sát trong quá khứ.

Học máy có thể xuất hiện dưới nhiều hình thức. Bây giờ chúng ta thảo luận về một số ứng dụng, các loại dữ liệu mà chúng xử lý và cuối cùng, chúng tôi chính thức hóa vấn đề theo kiểu cách điệu hơn một chút. Điều sau là chìa khóa nếu chúng ta muốn tránh phát minh lại bánh xe cho mọi ứng dụng mới. Thay vào đó, phần lớn nghệ thuật của máy học là giảm thiểu một loạt các vấn đề khá khác nhau để một tập hợp các nguyên 1 mẫu khá hẹp.

Phần lớn khoa học của máy học là sau đó để giải quyết những vấn đề đó và cung cấp các đảm bảo tốt cho các giải pháp. Xét một số ví dụ sau. Ví dụ thứ nhất là học cách đánh cờ. Chương trình có thể quan sát các ván cờ cùng với kết quả (thắng hay thua) để cải thiện khả năng chơi cờ và tăng số ván thắng trong tương lai.

Trong trường hợp này, kinh nghiệm là các ván cờ trong quá khứ (có thể là ván cờ chương trình tự chơi với chính mình), được sử dụng để học cách làm tốt hơn công việc chơi cờ với tiêu chí đánh giá là số ván thắng. Ví dụ thứ hai là học nhận dạng các ký tự. Chương trình được cung cấp dữ liệu dưới dạng ảnh chụp các ký tự (chữ cái) cùng mã UNICODE của ký tự đó. Sau khi học, chương trình cần có khả năng nhận dạng các ảnh chụp ký tự mới, tức là xác định được mã UNICODE của các ảnh mới chụp ký tự đã được học.

Tương tự quá trình học thông thường, một hệ thống học máy cần có khả năng ghi nhớ, thích nghi, và đặc biệt là tổng quát hóa. Tổng quát hóa là khả năng của hệ thống học máy ra quyết định chính xác trong các trường hợp mới, chưa gặp, dựa trên kinh nghiệm học được từ dữ liệu hoặc các quan sát trước đó.Lý do cần tới học máy Học máy là một nhánh nghiên cứu rất quan trọng của trí tuệ nhân tạo với khá nhiều ứng dụng thành công trong thực tế. Hiện nay, học máy là một trong những lĩnh vực phát triển mạnh nhất của trí tuệ nhân tạo. Có một số lý do giải thích cho sự cần thiết và phát triển của học máy: • Thứ nhất, rất khó xây dựng hệ thống thông minh có thể thực hiện các công việc liên quan đến trí tuệ như thị giác máy, xử lý ngôn ngữ tự nhiên mà không sử dụng tới kinh nghiệm và quá trình học.

Thông thường, khi viết chương trình, cần có thuật toán rõ ràng để chuyển đổi đầu vào thành đầu ra. Tuy nhiên, trong nhiều bài toán, rất khó để xây dựng được thuật toán như vậy. Như trong ví dụ về nhận dạng chữ ở trên, người 2 bình thường có khả năng nhận dạng các chữ rất tốt nhưng rất khó để giải thích vì sao từ đầu vào là ảnh lại kết luận được đây là ký tự cụ thể nào. Học máy cho phép tìm ra giải pháp cho những trường hợp như vậy dựa trên dữ liệu, chẳng hạn bằng cách tìm ra điểm chung và riêng giữa rất nhiều ảnh chụp các ký tự.

• Thứ hai, nhiều ứng dụng đòi hỏi chương trình máy tính phải có khả năng thích nghi. Ví dụ, hành vi mua sắm của khách hàng có thể thay đổi theo thời điểm cụ thể trong ngày, trong năm, hoặc theo tuổi tác. Việc xây dựng thuật toán cố định cho những ứng dụng cần thích nghi và thay đổi là không phù hợp. Học máy mang lại khả năng thích nghi nhờ phân tích dữ liệu thu thập được.

• Thứ ba, việc tìm được chuyên gia và thu thập được tri thức cần thiết cho việc thiết kế thuật toán để giải quyết các vấn đề tương đối khó, trong khi dữ liệu ngày càng nhiều và có thể thu thập dễ dàng hơn. Khả năng lưu trữ và tính toán của máy tính cũng ngày càng tăng, cho phép thực hiện thuật toán học máy trên dữ liệu có kích thước lớn. • Cuối cùng, bản thân khả năng học là một hoạt động trí tuệ quan trọng của con người, do vậy học tự động hay học máy luôn thu hút được sự quan tâm khi xây dựng hệ thống thông minh.Các loại thuật toán Các thuật toán học máy được phân loại theo kết quả mong muốn của thuật toán. Các loại thuật toán thường dùng bao gồm: 1.

Học có giám sát Trong đó, thuật toán tạo ra một hàm ánh xạ dữ liệu vào tới kết quả mong muốn. Một phát biểu chuẩn về một việc học có giám sát là bài toán phân loại: chương trình cần học (cách xấp xỉ biểu hiện của) một hàm ánh xạ một vector [X1, X2, X3,. Xn ] tới một vài lớp bằng cách xem xét một số mẫu dữ liệu - kết quả của hàm đó. 3 Học có giám sát là một hướng tiếp cận của Máy học để làm cho máy tính có khả năng "học".

Trong hướng tiếp cận này, người ta "huấn luyện" máy tính dựa trên những quan sát có dán nhãn. Ta có thể hình dung những quan sát này như là những câu hỏi, và nhãn của chúng là những câu trả lời. Ý tưởng của học có giám sát là: bằng việc ghi nhớ và tổng quát hóa một số quy tắc từ một tập câu hỏi có đáp án trước, máy tính sẽ có thể trả lời được những câu hỏi dù chưa từng gặp phải, nhưng có mối liên quan. Ví dụ ta dạy máy tính "1 + 1 = 2" và hy vọng nó sẽ học được phép tính cộng, x + 1 và trả lời được là "2 + 1 = 3".

Học có giám sát mô phỏng việc con người học bằng cách đưa ra dự đoán của mình cho một câu hỏi, sau đó đối chiếu với đáp án. Sau đó con người rút ra phương pháp để trả lời đúng không chỉ câu hỏi đó, mà cho những câu hỏi có dạng tương tự. Trong học có giám sát, các quan sát bắt buộc phải được dán nhãn trước. Đây chính là một trong những nhược điểm của phương pháp này, bởi vì không phải lúc nào việc dán nhãn chính xác cho quan sát cũng dễ dàng.

Ví dụ như trong dịch thuật, từ một câu của ngôn ngữ gốc có thể dịch thành rất nhiều phiên bản khác nhau trong ngôn ngữ cần dịch sang. Tuy nhiên, việc quan sát được dán nhãn cũng lại chính là ưu điểm của học có giám sát bởi vì một khi đã thu thập được một bộ dữ liệu lớn được dán nhãn chuẩn xác, thì việc huấn luyện trở nên dễ dàng hơn rất nhiều so với khi dữ liệu không được dán nhãn. Ví dụ: Trong nhận dạng chữ viết tay, ta có ảnh của hàng nghìn ví dụ của mỗi chữ số được viết bởi nhiều người khác nhau. Chúng ta đưa các bức ảnh này vào trong một thuật toán và chỉ cho nó biết mỗi bức ảnh tương ứng với chữ số nào.

Sau khi thuật toán tạo ra một mô hình, tức một hàm số mà đầu vào là một bức ảnh và đầu ra là một chữ số, khi nhận được một bức ảnh mới mà mô hình chưa nhìn thấy bao giờ, nó sẽ dự đoán bức ảnh đó chứa chữ số nào. 4 Hình 1 Ví dụ này khá giống với cách học của con người khi còn nhỏ. Ta đưa bảng chữ cái cho một đứa trẻ và chỉ cho chúng đây là chữ A, đây là chữ B. Sau một vài lần được dạy thì trẻ có thể nhận biết được đâu là chữ A, đâu là chữ B trong một cuốn sách mà chúng chưa nhìn thấy bao giờ.

Phân loại(Classification) Khi đầu ra mong muốn của chúng ta là một tập hữu hạn và rời rạc. Khi đó bài toán của chúng ta được gọi là bài toán phân loại. VD2 phía trên có thể xếp vào bài toán phân loại; Các đầu ra mong muốn của chúng ta là: tích cực, tiêu cực và trung tính; Khi đó, tập dữ liệu huấn luyện có thể giống thế này: Bảng 1 Text Label “Món này ngon phết, giá cả sinh viên nhưng Tích cực phải chờ khá lâu vì đông khách.” “Chờ lâu quá thể đáng. Hồi quy(Regression) Khi đầu ra mong muốn là một dải giá trị liên tục.

Chẳng hạn như giá trị xác suất, khi đó bài toán sẽ thuộc loại hồi quy. VD3 phía trên là một bài toán dự đoán điểm tin cậy trong [0; 1]; Nó thể hiện xác suất một người sẽ trả các khoản vay của mình. Khi đó, dữ liệu sẽ giống như sau: Bảng 2 Nghề nghiệp Thu nhập Tuổi Điểm tin cậy Lập trình viên > 1000$ 25 0.3 … … … … Học có giám sát là thuật toán phổ biến nhất trong các thuật toán machine learning. Hạn chế khi sử dụng thuật toán này là chúng ta cần cung cấp dữ liệu có gán nhãn.

Trong nhiều trường hợp, để có được dữ liệu gán nhãn này rất tốn rất nhiều chi phí. Chẳng hạn trong VD2, nếu ta cần 10.