CHƯƠNG 1 TỔNG QUAN CHUNG VỀ HỌC MÁY 1. HỌC MÁY LÀ GÌ Học máy (ML) là nghiên cứu các thuật toán máy tính cải tiến tự động thông qua kinh nghiệm và bằng cách sử dụng dữ liệu. Nó được xem như một phần của trí tuệ nhân tạo. Các thuật toán học máy xây dựng một mô hình dựa trên dữ liệu mẫu, được gọi là "dữ liệu đào tạo", để đưa ra dự đoán hoặc quyết định mà không cần được lập trình rõ ràng để làm như vậy.Các thuật toán học máy được sử dụng trong nhiều ứng dụng, chẳng hạn như trong y học, lọc email, nhận dạng giọng nói và thị giác máy tính, trong đó việc phát triển các thuật toán thông thường để thực hiện các tác vụ cần thiết là rất khó hoặc không khả thi.
Một tập hợp con của học máy có liên quan chặt chẽ đến thống kê tính toán, tập trung vào việc đưa ra dự đoán bằng máy tính; nhưng không phải tất cả học máy đều là học thống kê. Nghiên cứu về tối ưu hóa toán học cung cấp các phương pháp, lý thuyết và lĩnh vực ứng dụng cho lĩnh vực học máy. Khai phá dữ liệu là một lĩnh vực nghiên cứu liên quan, tập trung vào phân tích dữ liệu khám phá thông qua học tập không giám sát. [5] [6] Trong ứng dụng của nó cho các vấn đề kinh doanh, học máy còn được gọi là phân tích dự đoán.
Học máy liên quan đến việc máy tính khám phá cách chúng có thể thực hiện các tác vụ mà không cần được lập trình rõ ràng để làm như vậy. Nó liên quan đến việc máy tính học hỏi từ dữ liệu được cung cấp để chúng thực hiện các tác vụ nhất định. Đối với các nhiệm vụ đơn giản được giao cho máy tính, có thể lập trình các thuật toán cho máy biết cách thực hiện tất cả các bước cần thiết để giải quyết vấn đề trong tầm tay; về phần máy tính, không cần học. Đối với các tác vụ nâng cao hơn, con người có thể tạo ra các thuật toán cần 5 thiết theo cách thủ công.
Trong thực tế, nó có thể hiệu quả hơn khi giúp máy phát triển thuật toán của riêng nó, thay vì để các lập trình viên con người chỉ định mọi bước cần thiết. Kỷ luật học máy sử dụng nhiều cách tiếp cận khác nhau để dạy máy tính hoàn thành các nhiệm vụ mà không có thuật toán thỏa mãn nào có sẵn. Trong trường hợp tồn tại một số lượng lớn các câu trả lời tiềm năng, một cách tiếp cận là gắn nhãn một số câu trả lời đúng là hợp lệ. Sau đó, dữ liệu này có thể được sử dụng làm dữ liệu đào tạo cho máy tính để cải thiện (các) thuật toán mà nó sử dụng để xác định câu trả lời đúng.
Ví dụ, để đào tạo một hệ thống cho nhiệm vụ nhận dạng ký tự kỹ thuật số, bộ dữ liệu MNIST gồm các chữ số viết tay thường được sử dụng. MỐI LIÊN HỆ VỚI CÁC LĨNH VỰC KHÁC Thuật ngữ học máy được đặt ra vào năm 1959 bởi Arthur Samuel, một IBMer người Mỹ và là người tiên phong trong lĩnh vực máy tính chơi game và trí tuệ nhân tạo. Một cuốn sách tiêu biểu của nghiên cứu học máy trong những năm 1960 là cuốn sách của Nilsson về Học máy, chủ yếu đề cập đến việc học máy để phân loại mẫu.Mối quan tâm liên quan đến nhận dạng mẫu tiếp tục vào những năm 1970, như được mô tả bởi Duda và Hart vào năm 1973. Năm 1981, một báo cáo đã được đưa ra về việc sử dụng các chiến lược giảng dạy để một mạng nơ-ron học cách nhận ra 40 ký tự (26 chữ cái, 10 chữ số và 4 ký hiệu đặc biệt) từ một thiết bị đầu cuối máy tính.
Mitchell đã đưa ra một định nghĩa chính thức, được trích dẫn rộng rãi hơn về các thuật toán được nghiên cứu trong lĩnh vực học máy: "Một chương trình máy tính được cho là học hỏi từ kinh nghiệm E đối với một số loại nhiệm vụ T và đo lường hiệu suất P nếu hiệu suất của nó tại các tác vụ trong T, được đo bằng P, cải thiện theo kinh nghiệm E. "Định nghĩa này về các nhiệm vụ mà học máy có liên quan đưa ra một định nghĩa hoạt động cơ 6 bản hơn là xác định lĩnh vực này theo thuật ngữ nhận thức. Điều này theo sau đề xuất của Alan Turing trong bài báo "Máy tính và trí thông minh" của ông, trong đó câu hỏi "Máy móc có thể suy nghĩ không?" được thay thế bằng câu hỏi "Liệu máy móc có thể làm những gì tôi (với tư cách là các thực thể tư duy) có thể làm được không?". Học máy hiện đại có hai mục tiêu, một là phân loại dữ liệu dựa trên các mô hình đã được phát triển, mục đích khác là đưa ra dự đoán cho các kết quả trong tương lai dựa trên các mô hình này.
Một thuật toán giả định cụ thể để phân loại dữ liệu có thể sử dụng tầm nhìn của máy tính về nốt ruồi kết hợp với việc học có giám sát để huấn luyện nó phân loại nốt ruồi ung thư. Trong đó, thuật toán học máy cho giao dịch chứng khoán có thể thông báo cho nhà giao dịch về những dự đoán tiềm năng trong tương lai. Trí tuệ nhân tạo Là một nỗ lực khoa học, học máy đã phát triển từ nhiệm vụ tìm kiếm trí tuệ nhân tạo. Trong những ngày đầu của AI như một bộ môn học thuật, một số nhà nghiên cứu quan tâm đến việc máy móc học hỏi từ dữ liệu.
Họ đã cố gắng tiếp cận vấn đề bằng nhiều phương pháp biểu tượng khác nhau, cũng như cái mà sau đó được gọi là "mạng nơ-ron"; chúng hầu hết là các perceptron và các mô hình khác sau này được phát hiện là phát minh lại của các mô hình thống kê tuyến tính tổng quát hóa. Lý luận xác suất cũng được sử dụng, đặc biệt là trong chẩn đoán y tế tự động. Tuy nhiên, việc chú trọng ngày càng nhiều vào phương pháp tiếp cận dựa trên tri thức, hợp lý đã gây ra rạn nứt giữa AI và học máy. Các hệ thống xác suất đã bị cản trở bởi các vấn đề lý thuyết và thực tế về thu thập và biểu diễn dữ liệu.Đến năm 1980, các hệ thống chuyên gia đã thống trị AI và thống kê không còn được ưa chuộng.Công việc học tập dựa trên biểu tượng / kiến thức đã tiếp tục trong AI, dẫn đến lập trình logic quy nạp, nhưng dòng nghiên 7 cứu thống kê hơn hiện nằm ngoài lĩnh vực AI thích hợp, trong nhận dạng mẫu và truy xuất thông tin.
Nghiên cứu mạng thần kinh đã bị AI và khoa học máy tính từ bỏ cùng thời gian. Dòng này cũng được tiếp tục bên ngoài lĩnh vực AI / CS, với tên gọi "chủ nghĩa kết nối", bởi các nhà nghiên cứu từ các ngành khác bao gồm Hopfield, Rumelhart và Hinton. Thành công chính của họ đến vào giữa những năm 1980 với việc tái tạo lại nhân giống. Học máy (ML), được tổ chức lại thành một lĩnh vực riêng biệt, bắt đầu phát triển mạnh mẽ vào những năm 1990.
Lĩnh vực này đã thay đổi mục tiêu từ đạt được trí thông minh nhân tạo sang giải quyết các vấn đề có thể giải quyết được có bản chất thực tế. Nó chuyển trọng tâm ra khỏi các phương pháp tiếp cận biểu tượng mà nó đã thừa hưởng từ AI, và hướng tới các phương pháp và mô hình vay mượn từ thống kê và lý thuyết xác suất. Tính đến năm 2020, nhiều nguồn tiếp tục khẳng định rằng học máy vẫn là một trường con của AI.Bất đồng chính là liệu tất cả ML có phải là một phần của AI hay không, vì điều này có nghĩa là bất kỳ ai sử dụng ML đều có thể khẳng định họ đang sử dụng AI. Những người khác có quan điểm rằng không phải tất cả ML là một phần của AI trong đó chỉ một tập hợp con 'thông minh' của ML là một phần của AI.
Câu hỏi về sự khác biệt giữa ML và AI là gì đã được Judea Pearl trả lời trong The Book of Why.Theo đó, ML học hỏi và dự đoán dựa trên các quan sát thụ động, trong khi AI ngụ ý một tác nhân tương tác với môi trường để tìm hiểu và thực hiện các hành động nhằm tối đa hóa cơ hội đạt được thành công mục tiêu của mình. Khai phá dữ liệu Học máy và khai thác dữ liệu thường sử dụng các phương pháp giống nhau và trùng lặp đáng kể, nhưng trong khi học máy tập trung vào dự đoán, dựa trên các thuộc tính đã biết học được từ dữ liệu đào tạo, khai thác dữ liệu 8 tập trung vào việc khám phá (trước đây) các thuộc tính chưa biết trong dữ liệu (đây là bước phân tích khám phá tri thức trong cơ sở dữ liệu). Khai thác dữ liệu sử dụng nhiều phương pháp học máy, nhưng với các mục tiêu khác nhau; mặt khác, học máy cũng sử dụng các phương pháp khai thác dữ liệu là "học không giám sát" hoặc như một bước tiền xử lý để cải thiện độ chính xác của người học. Phần lớn sự nhầm lẫn giữa hai cộng đồng nghiên cứu này (thường có các hội nghị riêng biệt và tạp chí riêng biệt, ECML PKDD là một ngoại lệ chính) xuất phát từ các giả định cơ bản mà họ làm việc với nhau: trong học máy, hiệu suất thường được đánh giá dựa trên khả năng tái tạo kiến thức đã biết, trong khi trong khám phá kiến thức và khai thác dữ liệu (KDD), nhiệm vụ chính là khám phá kiến thức chưa biết trước đó.
Được đánh giá dựa trên kiến thức đã biết, một phương pháp không được thông tin (không được giám sát) sẽ dễ dàng bị đánh giá tốt hơn các phương pháp được giám sát khác, trong khi trong một nhiệm vụ KDD điển hình, không thể sử dụng phương pháp được giám sát do không có dữ liệu huấn luyện. Tối ưu hóa Học máy cũng có mối quan hệ mật thiết với tối ưu hóa: nhiều vấn đề học tập được xây dựng dưới dạng tối thiểu hóa một số hàm mất mát trên một tập hợp các ví dụ đào tạo. Các hàm mất mát thể hiện sự khác biệt giữa các dự đoán của mô hình đang được huấn luyện và các trường hợp vấn đề thực tế (ví dụ: trong phân loại, người Tôi muốn gán nhãn cho các trường hợp và các mô hình được đào tạo để dự đoán chính xác các nhãn được gán trước của một tập hợp ví dụ).