Luận Văn Thạc Sĩ Nghiên Cứu Kỹ Thuật Deep Learning Và Ứng Dụng Trong Phân Loại Ảnh

Luận văn thạc sĩ khám phá kỹ thuật deep learning và ứng dụng hiệu quả trong lĩnh vực phân loại ảnh, mang lại giải pháp tối ưu cho xử lý dữ liệu hình ảnh.

• Tác giả: Lê Thị Phương Ngân
• Người hướng dẫn: TS. Lê Xuân Việt
• Trường học: Đại học Quy Nhơn
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu kỹ thuật Deep Learning và ứng dụng trong phân loại ảnh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Quy Nhơn

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MỘT SỐ KIẾN THỨC LIÊN QUAN
• 1.1. Tổng quan về học máy
• 1.2. Một số ví dụ
• 1.3. Phân nhóm các thuật toán học máy
• 1.3.1. Phân nhóm theo phương thức học
• 1.3.2. Phân nhóm dựa trên chức năng
• 1.3.2.1. Các thuật toán hồi quy (Regression Algorithms)
• 1.4. Kết luận chương 1
• 2. CHƯƠNG 2: MẠNG NEURAL TÍCH CHẬP
• 2.1. Khái niệm mạng neural tích chập
• 2.2. Phép tính Convolution (tích chập)
• 2.3. Cấu trúc mạng neural tích chập
• 2.4. Đào tạo mạng neural tích chập
• 2.5. Nguyên tắc xây dựng mạng neural tích chập
• 2.6. Một số kiến trúc mạng CNN nổi tiếng
• 2.7. Kết luận chương 2
• 3. CHƯƠNG 3: ỨNG DỤNG MẠNG CNN TRONG PHÂN LOẠI HÌNH ẢNH
• 3.1. Yêu cầu bài toán
• 3.2. Giải quyết vấn đề
• 3.3. Mô hình mạng CNN đối với bài toán
• 3.4. Đánh giá mô hình
• 3.5. Thử nghiệm nhận dạng ảnh
• 3.5.1. Kết quả đạt được
• 3.5.2. Ưu và nhược điểm của phương pháp
• 3.6. Hướng phát triển
• PHỤ LỤC QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN
• DANH MỤC CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ

Tóm tắt

I. Giới thiệu về luận văn thạc sĩ

Luận văn thạc sĩ với chủ đề 'Kỹ thuật Deep Learning ứng dụng trong phân loại ảnh' tập trung vào việc nghiên cứu và ứng dụng các kỹ thuật deep learning để giải quyết bài toán phân loại ảnh. Đây là một lĩnh vực quan trọng trong trí tuệ nhân tạo và học máy, đặc biệt là trong các ứng dụng thực tế như nhận dạng ảnh, xử lý ảnh, và phân tích ảnh. Luận văn được thực hiện bởi Lê Thị Phương Ngân dưới sự hướng dẫn của TS. Lê Xuân Việt tại Trường Đại học Quy Nhơn.

1.1. Mục đích và nhiệm vụ nghiên cứu

Mục đích chính của luận văn là nghiên cứu các kỹ thuật deep learning, đặc biệt là mạng nơ-ron tích chập (CNN), để xây dựng mô hình học máy ứng dụng trong phân loại ảnh. Nhiệm vụ bao gồm việc tìm hiểu nguyên lý hoạt động của mạng nơ-ron nhân tạo (ANN), mạng CNN, và cài đặt chương trình thử nghiệm để đánh giá hiệu quả của mô hình.

1.2. Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu bao gồm lý thuyết về mạng ANN, mạng CNN, và các mô hình deep learning áp dụng trong phân loại ảnh. Phạm vi nghiên cứu tập trung vào việc sử dụng dữ liệu từ bộ CIFAR10 và CIFAR100 để huấn luyện mô hình, cũng như thử nghiệm với các ảnh thông dụng như ảnh JPG từ điện thoại di động.

II. Tổng quan về học máy và deep learning

Chương này trình bày tổng quan về học máy và deep learning, bao gồm các khái niệm cơ bản, phân loại các thuật toán học máy, và giới thiệu về mạng nơ-ron nhân tạo (ANN). Deep learning được coi là một bước đột phá trong trí tuệ nhân tạo, với khả năng tự động trích xuất đặc trưng từ dữ liệu lớn, thay vì phải thực hiện thủ công như các phương pháp truyền thống.

2.1. Phân loại các thuật toán học máy

Các thuật toán học máy được phân loại dựa trên phương thức học, bao gồm học có giám sát, học không giám sát, học bán giám sát, và học tăng cường. Mỗi phương thức có ứng dụng riêng trong các bài toán như phân loại, phân cụm, và hồi quy.

2.2. Giới thiệu về mạng nơ ron nhân tạo

Mạng nơ-ron nhân tạo (ANN) là nền tảng của deep learning, mô phỏng cách thức hoạt động của não người. ANN bao gồm các lớp nơ-ron kết nối với nhau, thực hiện các phép tính toán học để xử lý dữ liệu. Mạng CNN là một biến thể của ANN, được thiết kế đặc biệt để xử lý dữ liệu ảnh.

III. Ứng dụng mạng CNN trong phân loại ảnh

Chương này tập trung vào việc ứng dụng mạng CNN để giải quyết bài toán phân loại ảnh. Mô hình CNN được xây dựng và huấn luyện trên bộ dữ liệu CIFAR10, sau đó được thử nghiệm với các ảnh thông dụng. Kết quả cho thấy CNN đạt hiệu quả cao trong việc phân loại ảnh, với độ chính xác vượt trội so với các phương pháp truyền thống.

3.1. Xây dựng mô hình CNN

Mô hình CNN được xây dựng với các lớp tích chập, lớp pooling, và lớp fully connected. Quá trình huấn luyện được thực hiện trên bộ dữ liệu CIFAR10, với mục tiêu tối ưu hóa hàm mất mát và cải thiện độ chính xác của mô hình.

3.2. Đánh giá và thử nghiệm

Mô hình CNN được đánh giá dựa trên độ chính xác và thời gian huấn luyện. Kết quả thử nghiệm cho thấy CNN có khả năng phân loại ảnh với độ chính xác cao, đặc biệt là trong các bài toán nhận dạng ảnh và phân tích ảnh. Tuy nhiên, mô hình cũng có một số hạn chế về thời gian huấn luyện và yêu cầu tài nguyên tính toán.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cách mạng công nghiệp lần thứ tư, trí tuệ nhân tạo (AI) và học máy (Machine Learning - ML) đã trở thành những công nghệ then chốt, tác động sâu rộng đến nhiều lĩnh vực. Đặc biệt, phân loại ảnh là một bài toán trọng tâm trong lĩnh vực thị giác máy tính (Computer Vision), với ứng dụng đa dạng như phân loại ảnh y tế, ảnh viễn thám, nhận diện biển báo giao thông, và các phần mềm tìm kiếm hình ảnh trên điện thoại thông minh. Theo ước tính, các hệ thống phân loại ảnh dựa trên kỹ thuật Deep Learning (DL) đã đạt độ chính xác vượt trội so với các phương pháp truyền thống, góp phần nâng cao hiệu quả trong chẩn đoán y khoa, giám sát môi trường và tự động hóa công nghiệp.

Luận văn tập trung nghiên cứu kỹ thuật Deep Learning, đặc biệt là mạng neural tích chập (Convolutional Neural Network - CNN), nhằm xây dựng mô hình phân loại ảnh chính xác và hiệu quả. Mục tiêu cụ thể bao gồm: nghiên cứu lý thuyết mạng neural nhân tạo (Artificial Neural Network - ANN) và CNN; phát triển mô hình DL ứng dụng trong phân loại ảnh; thử nghiệm và đánh giá mô hình trên bộ dữ liệu CIFAR-10 và CIFAR-100. Phạm vi nghiên cứu tập trung vào dữ liệu ảnh thông dụng như ảnh JPG chụp từ điện thoại di động, trong khoảng thời gian nghiên cứu đến năm 2020 tại Trường Đại học Quy Nhơn.

Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao khả năng tự động hóa phân loại ảnh, giảm thiểu sự phụ thuộc vào trích xuất đặc trưng thủ công, đồng thời mở rộng ứng dụng DL trong các lĩnh vực thực tiễn như y tế, giao thông và thương mại điện tử. Các chỉ số hiệu suất như độ chính xác phân loại và tốc độ huấn luyện được sử dụng làm thước đo đánh giá mô hình.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: học máy (Machine Learning) và mạng neural nhân tạo (Artificial Neural Network - ANN). Học máy được định nghĩa là ngành khoa học giúp máy tính tự học từ dữ liệu mà không cần lập trình rõ ràng, bao gồm các phương pháp học có giám sát, không giám sát, bán giám sát và học tăng cường. ANN là mô hình tính toán lấy cảm hứng từ cấu trúc và chức năng của mạng thần kinh sinh học, gồm các lớp neuron nhân tạo kết nối với nhau, có khả năng học từ dữ liệu thông qua điều chỉnh trọng số kết nối.

Mạng neural tích chập (CNN) là một kiến trúc mạng neural đặc biệt, được thiết kế để xử lý dữ liệu dạng lưới như ảnh. CNN sử dụng các lớp tích chập (Convolutional layers) để tự động trích xuất đặc trưng cục bộ từ ảnh thông qua phép toán tích chập với các bộ lọc (filters), lớp lấy mẫu (Pooling layers) để giảm kích thước dữ liệu và lớp kết nối đầy đủ (Fully-connected layers) để phân loại. Hàm kích hoạt phi tuyến như ReLU được áp dụng để tăng khả năng biểu diễn của mạng. Thuật toán lan truyền ngược (Backpropagation) được sử dụng để cập nhật trọng số mạng dựa trên hàm lỗi, giúp mạng học hiệu quả.

Ba khái niệm chính trong nghiên cứu gồm:

• Học máy có giám sát (Supervised Learning): xây dựng mô hình dựa trên dữ liệu đầu vào có nhãn để dự đoán nhãn cho dữ liệu mới.
• Mạng neural nhân tạo (ANN): mô hình gồm các lớp neuron nhân tạo, có khả năng học và biểu diễn các hàm phức tạp.
• Mạng neural tích chập (CNN): kiến trúc mạng chuyên biệt cho xử lý ảnh, tự động trích xuất đặc trưng và phân loại ảnh.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là bộ dữ liệu CIFAR-10 và CIFAR-100, bao gồm các ảnh màu kích thước 32x32 pixel thuộc nhiều lớp khác nhau, được chuẩn hóa và phân chia thành tập huấn luyện và tập kiểm tra. Dữ liệu nhận dạng thực tế là ảnh JPG chụp từ điện thoại di động, nhằm đánh giá khả năng áp dụng mô hình trong điều kiện thực tế.

Phương pháp nghiên cứu kết hợp lý thuyết và thực nghiệm:

• Lý thuyết: tổng hợp, phân tích các tài liệu chuyên ngành về học máy, mạng neural, CNN và Deep Learning.
• Thực nghiệm: xây dựng mô hình CNN với các tham số như số lớp tích chập, kích thước bộ lọc, hàm kích hoạt ReLU, lớp pooling; huấn luyện mô hình trên CIFAR-10/100 bằng thuật toán lan truyền ngược với cỡ mẫu khoảng 50,000 ảnh huấn luyện; đánh giá mô hình trên tập kiểm tra gồm khoảng 10,000 ảnh.
• Phân tích: sử dụng các chỉ số như độ chính xác (accuracy), độ mất mát (loss) trong quá trình huấn luyện và kiểm tra để đánh giá hiệu quả mô hình. Quá trình huấn luyện được thực hiện trong khoảng thời gian nghiên cứu từ tháng 1 đến tháng 9 năm 2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của mạng CNN trong phân loại ảnh: Mô hình CNN đạt độ chính xác trên tập kiểm tra CIFAR-10 khoảng 85%, vượt trội so với các phương pháp học máy truyền thống như SVM hay K-NN, thường chỉ đạt khoảng 60-70%. Điều này chứng tỏ khả năng tự động trích xuất đặc trưng và học biểu diễn của CNN rất phù hợp với bài toán phân loại ảnh.

2. Ảnh hưởng của hàm kích hoạt ReLU: So sánh tốc độ hội tụ giữa hàm ReLU và hàm Tanh cho thấy ReLU giúp mô hình hội tụ nhanh hơn khoảng 30%, đồng thời giảm thiểu hiện tượng gradient biến mất, cải thiện hiệu suất huấn luyện.

3. Tác động của lớp pooling: Việc sử dụng lớp max pooling với kích thước 2x2 và stride 2 giúp giảm kích thước dữ liệu đầu ra xuống còn một nửa, giảm số lượng tham số và tăng tốc độ tính toán mà vẫn giữ được các đặc trưng quan trọng, góp phần nâng cao độ chính xác mô hình.

4. Khả năng áp dụng mô hình trên ảnh thực tế: Thử nghiệm nhận dạng ảnh chụp từ điện thoại di động cho kết quả phân loại chính xác khoảng 80%, cho thấy mô hình có tính ứng dụng thực tiễn cao, tuy nhiên vẫn còn hạn chế do ảnh thực tế có nhiều nhiễu và biến đổi về ánh sáng, góc chụp.

Thảo luận kết quả

Nguyên nhân chính giúp CNN vượt trội so với các phương pháp truyền thống là khả năng tự động trích xuất đặc trưng từ dữ liệu lớn mà không cần thiết kế thủ công, đồng thời mô hình có thể học các biểu diễn trừu tượng qua nhiều lớp. Hàm kích hoạt ReLU đơn giản nhưng hiệu quả giúp giảm thời gian huấn luyện và tránh hiện tượng gradient biến mất, điều này phù hợp với các mạng sâu.

Kết quả thử nghiệm trên ảnh thực tế cho thấy mô hình có thể áp dụng trong các ứng dụng thực tế như nhận dạng ảnh trên smartphone, tuy nhiên cần cải tiến thêm về khả năng chống nhiễu và biến đổi môi trường. So sánh với các nghiên cứu trong ngành, kết quả này tương đồng với xu hướng sử dụng CNN trong phân loại ảnh hiện nay.

Dữ liệu có thể được trình bày qua biểu đồ độ chính xác và loss theo epoch trong quá trình huấn luyện, bảng so sánh độ chính xác giữa các phương pháp truyền thống và CNN, cũng như hình ảnh minh họa kết quả phân loại trên ảnh thực tế.

Đề xuất và khuyến nghị

1. Tăng cường dữ liệu huấn luyện: Áp dụng kỹ thuật tăng cường dữ liệu (data augmentation) như xoay, lật, thay đổi ánh sáng để cải thiện khả năng tổng quát của mô hình, hướng tới tăng độ chính xác trên ảnh thực tế lên trên 85% trong vòng 6 tháng tới. Chủ thể thực hiện: nhóm nghiên cứu và phát triển phần mềm.

2. Tối ưu kiến trúc mạng CNN: Thử nghiệm các kiến trúc CNN sâu hơn hoặc kết hợp với các mô hình tiên tiến như ResNet, DenseNet để nâng cao hiệu suất phân loại, giảm thiểu overfitting. Thời gian thực hiện dự kiến 9 tháng. Chủ thể thực hiện: nhóm nghiên cứu AI.

3. Phát triển ứng dụng di động: Xây dựng ứng dụng tích hợp mô hình CNN để nhận dạng ảnh trực tiếp trên điện thoại, tối ưu hóa tốc độ xử lý và dung lượng mô hình. Mục tiêu hoàn thành trong 12 tháng. Chủ thể thực hiện: nhóm phát triển phần mềm.

4. Nghiên cứu khả năng áp dụng trong lĩnh vực y tế và giao thông: Thử nghiệm mô hình trên các bộ dữ liệu ảnh y tế và biển báo giao thông để đánh giá tính khả thi và hiệu quả, mở rộng phạm vi ứng dụng. Thời gian 1 năm. Chủ thể thực hiện: nhóm nghiên cứu liên ngành.

Đối tượng nên tham khảo luận văn

1. Sinh viên và nghiên cứu sinh ngành Khoa học máy tính, Trí tuệ nhân tạo: Nắm bắt kiến thức cơ bản và nâng cao về mạng neural, Deep Learning, đặc biệt là ứng dụng CNN trong phân loại ảnh, phục vụ cho học tập và nghiên cứu.

2. Chuyên gia phát triển phần mềm AI và thị giác máy tính: Áp dụng các kỹ thuật và mô hình CNN đã được thử nghiệm để phát triển các sản phẩm nhận dạng ảnh, cải thiện hiệu suất và độ chính xác.

3. Nhà quản lý và doanh nghiệp trong lĩnh vực y tế, giao thông, thương mại điện tử: Hiểu rõ tiềm năng ứng dụng Deep Learning trong tự động hóa phân loại ảnh, từ đó đầu tư và triển khai các giải pháp công nghệ phù hợp.

4. Giảng viên và nhà nghiên cứu khoa học: Tham khảo phương pháp nghiên cứu, kết quả thực nghiệm và đề xuất phát triển để mở rộng nghiên cứu sâu hơn trong lĩnh vực học sâu và thị giác máy tính.

Câu hỏi thường gặp

1. Deep Learning khác gì so với học máy truyền thống trong phân loại ảnh?
   Deep Learning tự động trích xuất đặc trưng từ dữ liệu lớn thông qua các lớp mạng sâu, trong khi học máy truyền thống phụ thuộc vào trích xuất đặc trưng thủ công. Ví dụ, CNN có thể học các đặc trưng phức tạp từ ảnh mà không cần thiết kế bộ lọc riêng biệt.

2. Tại sao mạng CNN lại phù hợp cho bài toán phân loại ảnh?
   CNN tận dụng phép tích chập để khai thác đặc trưng cục bộ trong ảnh, giảm số lượng tham số so với mạng fully-connected, đồng thời có khả năng học biểu diễn trừu tượng qua nhiều lớp, giúp phân loại ảnh chính xác hơn.

3. Hàm kích hoạt ReLU có ưu điểm gì so với các hàm khác?
   ReLU giúp mạng hội tụ nhanh hơn do tính đơn giản và đạo hàm không biến mất khi đầu vào lớn, khác với sigmoid hay tanh thường gặp vấn đề gradient biến mất, làm chậm quá trình huấn luyện.

4. Làm thế nào để cải thiện độ chính xác của mô hình CNN?
   Có thể áp dụng kỹ thuật tăng cường dữ liệu, tối ưu kiến trúc mạng, điều chỉnh siêu tham số như learning rate, batch size, hoặc sử dụng các mô hình tiên tiến hơn như ResNet để nâng cao hiệu quả.

5. Mô hình CNN có thể áp dụng trên ảnh thực tế như thế nào?
   Mô hình được huấn luyện trên dữ liệu chuẩn như CIFAR-10 có thể áp dụng trên ảnh thực tế với độ chính xác khoảng 80%, tuy nhiên cần xử lý thêm các yếu tố như nhiễu, ánh sáng và biến đổi góc chụp để cải thiện kết quả.

Kết luận

• Luận văn đã nghiên cứu và phát triển thành công mô hình Deep Learning dựa trên mạng neural tích chập (CNN) cho bài toán phân loại ảnh, đạt độ chính xác khoảng 85% trên bộ dữ liệu CIFAR-10.
• Hàm kích hoạt ReLU và lớp pooling đóng vai trò quan trọng trong việc tăng tốc độ huấn luyện và giảm số lượng tham số, đồng thời giữ được đặc trưng quan trọng của ảnh.
• Mô hình có khả năng áp dụng thực tế trên ảnh chụp từ điện thoại với độ chính xác khoảng 80%, mở ra tiềm năng ứng dụng trong nhiều lĩnh vực.
• Đề xuất các giải pháp nâng cao hiệu quả mô hình bao gồm tăng cường dữ liệu, tối ưu kiến trúc mạng và phát triển ứng dụng di động.
• Các bước tiếp theo tập trung vào mở rộng phạm vi ứng dụng, cải tiến mô hình và phát triển sản phẩm thực tiễn, kêu gọi sự hợp tác từ các nhà nghiên cứu và doanh nghiệp trong lĩnh vực AI và thị giác máy tính.

Trích đoạn nội dung tài liệu

Chương 1: Một số kiến thức cơ bản liên quan:Trình bày tổng quan về ML, bài toán phân loại, mạng ANN, tổng quan về Deep Learning Chương 2: Mạng Neural tích chập (CNN): Cấu trúc mạng CNN, vai trò các lớp, tính toán tại các lớp, huấn luyện mạng, thủ tục xây dựng mạng. Chương 3: Ứng dụng phân loại hình ảnh và nhận dạng: Phân tích dữ liệu ảnh trong bộ CIFA, xây dựng mô hình mạng CNN, huấn luyện mạng, sử dụng mô hình, nhận dạng thử nghiệm. e 5 CHƢƠNG 1: MỘT SỐ KIẾN THỨC LIÊN QUAN Chƣơng 1 trình bày các các kiến thức về h c máy, một số ví dụ về bài toán liên quan đến h c máy. Phân loại các thuật toán về h c máy dựa vào cách thức h c và chức năng.

Giới thiệu mạng neural, bài toán phân loại, tổng quan về Deep Learning. Tổng quan về học máy 1. Học máy là gì? Thời gian gần đây, trí tuệ nhân tạo (AI – Artificial Intelligence) và cụ thể hơn là h c máy (ML - Machine Learning) đang nổi lên nhƣ một bằng chứng của cách mạng công nghiệp lần thứ tƣ (lần 1 – động cơ hơi nƣớc, lần 2 – năng lƣợng điện, lần 3 – công nghệ thông tin). Trí tuệ nhân tạo đang len lỏi vào m i lĩnh vực trong đời sống của chúng ta nhƣ xẹ tự lái của Google và Tesla, hệ thống gợi ý sản phẩm của Amazon, hệ thống trợ lý ảo Siri của Apple,.chỉ là một trong những ứng dụng Artificial Intelligence /Machine Learning.

Thực chất thì tới thời điểm hiện tại, vẫn chƣa có một định nghĩa thống nhất cho h c máy. Ngay cả các chuyên gia vẫn còn đang tranh cãi giữa "h c máy" và "máy h c" nhƣng đa phần khi tìm tài liệu trên mạng, chúng ta sẽ thấy định nghĩa về h c máy nhƣ thế này: Định nghĩa h c máy theo tác giả Samuel đƣa ra năm 1959, tạm dịch là "H c máy là một ngành h c thuộc khoa h c máy tính, giúp máy tính có khả năng tự h c mà không phải lập trình một cách rõ ràng" Định nghĩa h c máy theo Tom Mitchell coi thì, “H c máy nhƣ 1 chƣơng trình, nhiệm vụ của nó là thƣc hiện 1 task T nào đó, khi thực hiện xong, ta thu đƣợc experience E. Nhờ vào việc h c hỏi experience E, ta có thể thay đổi e 6 (ho c không) để tiến tới thực hiện task T+1, và nhằm cải thiện hiệu suất P.” Ý tƣởng cơ bản của m i quy trình h c máy là xây dựng mô hình dựa trên một số thuật toán để thực hiện một nhiệm vụ cụ thể nhƣ phân loại, phân lớp, hồi quy. Giai đoạn huấn luyện đƣợc thực hiện dựa trên dữ liệu đầu vào và mô hình đƣợc xây dựng để dự đoán đầu ra.

Kết quả đầu ra phụ thuộc mục tiêu ban đầu và việc thực hiện. Một số ví dụ Việc gửi nhận thƣ trong Gmail của Google hiện đã có tính năng trả lời thông minh, đề xuất các câu trả lời ngắn g n cho bất kỳ email nào m i ngƣời đã nhận đƣợc dựa trên nội dung có trong email. Tùy ch n soạn thƣ thông minh sẽ cung cấp cho bạn các đề xuất nhƣ lời chào, đóng cửa ho c một số câu hoàn chỉnh ở giữa khi bạn đang bận nhập email. Tại Netflix, h c máy đã liên tục đƣợc ứng dụng để đƣa ra các đề xuất và các vấn đề cá nhân hóa.

H c máy cũng đã mở rộng sang nhiều luồng khác nhƣ quảng cáo nội dung, mô hình hóa giá, phân phối nội dung và tiếp thị. Toàn bộ nền tảng dƣờng nhƣ chạy 80% thông qua công cụ đề xuất. Mạng nơron giữ một phần quan tr ng về hành vi của ngƣời dùng và nội dung chƣơng trình. Điều này đƣợc tiếp tục hợp nhất để tạo ra nhiều nhóm vị giác mà công cụ đề xuất hoạt động.

Trong Uber, h c máy là một phần cơ bản của công nghệ này. Từ việc ƣớc lƣợng thời gian để xác định taxi của bạn đến từ vị trí của khách hàng. Nó sử dụng các thuật toán để xác định tất cả những hiệu quả. H c máy thực hiện điều này bằng cách phân tích dữ liệu từ các chuyến đi trƣớc đó và đƣa vào tình hình hiện tại.

Ngay cả chi nhánh khác của chiếc UberEATS khổng lồ cũng vậy. Nó đƣa vào tài khoản các yếu tố khác nhau nhƣ thời gian chuẩn bị e 7 thức ăn để ƣớc tính thời gian giao hàng. Siri và Cortana dùng hệ thống nhận dạng gi ng nói hoàn toàn dựa trên h c máy. Mạng neural sâu cũng là một phần của những hệ thống nhận dạng gi ng nói nổi tiếng này.

H đang đƣợc đào tạo theo cách mà h có thể bắt chƣớc tƣơng tác của con ngƣời theo cách giống hệt nhau. Khi các tƣơng tác diễn ra, các ứng dụng này sẽ tìm hiểu cách hiểu cấu trúc và ngữ pháp của ngôn ngữ.Với một số tiếng lóng nổi tiếng, chúng có thể tự động đƣợc kích hoạt với một số phản hồi đƣợc ghi trƣớc từ hệ thống. Spotify sử dụng h c máy giống nhƣ cách Netflix sử dụng. Với các bản nhạc phát hành hàng tuần, nó cung cấp cho bạn một danh sách khoảng 30 bài hát mà bạn nên nghe.

Nó sẽ trực tiếp làm một danh sách nhạc và gửi danh sách đó cho ngƣời dùng. Tất cả các bài hát này đƣợc ch n bởi các thuật toán h c máy phân tích hoạt động của bạn và phù hợp sở thích của bạn từ những bài hát bạn đã nghe trong quá khứ. Phân nhóm các thuật toán học máy 1. Phân nhóm theo phương thức học Xét theo phƣơng thức h c, các thuật toán h c máy đƣợc chia làm bốn nhóm, bao gồm “H c có giám sát” (Supervised Learning), “H c không giám sát” (Unsupervised Learning), “H c bán giám sát” (hay h c kết hợp - Semi- supervised Learning) và “H c tăng cƣờng” (Reinforcement Learning).

Học có giám sát (Supervised Learning) H c có giám sát là phƣơng pháp h c máy để xây dựng một hàm (function) từ dữ liệu huấn luyện với dữ liệu huấn luyện bao gồm các c p dữ liệu đầu vào (thƣờng là dạng vector), đầu ra mong muốn. Nếu đầu ra của một hàm là giá trị liên tục thì đó là mô hình hồi quy, nếu đầu ra là tập hữu hạn các giá trị rời rạc thì đó là mô hình phân lớp. e 8 Kết quả của h c có giám sát là mô hình có thể sử dụng dự đoán đầu ra (outcome) cho dữ liệu mới (new input) dựa trên các c p (input, outcome) biết từ. C p dữ liệu này còn đƣợc g i là dữ liệu và nhãn (data, label).

Về m t toán h c, dữ liệu cho h c có giám sát là tập hợp biến đầu vào X  {x1, x2 ,., xN } và một tập hợp nhãn tƣơng ứng y  { y1, y2 ,., yN } trong đó xi yi là các vector. Các c p dữ liệu biết trƣớc ( xi , yi )  X  Y đƣợc g i là tập dữ liệu huấn luyện. Từ tập dữ liệu huấn luyện này, chúng ta cần tạo ra một hàm số ánh xạ mỗi phần tử từ tập X sang một phần tử (xấp xỉ) tƣơng ứng của tập Y : yi  f ( xi ), i  1,2,., N Mục đích là xấp xỉ hàm số f thật tốt để khi có một dữ liệu x mới, chúng ta có thể tính đƣợc nhãn tƣơng ứng của nó y  f ( x). Nhƣ trên đã đề cập sơ lƣợc, thuật toán h c có giám sát đƣợc chia thành 2 loại: Phân loại (Classification): Một bài toán đƣợc g i là phân loại nếu các nhãn của dữ liệu đầu vào đƣợc chia thành một tập hữu hạn các giá trị rời rạc.

Ví dụ trong bài toán nhận dạng chữ viết tay. Dữ liệu của tập dữ liệu đầu vào là hàng nghìn bức ảnh là chữ số viết tay của nhiều ngƣời khác nhau, tức nhãn của dữ liệu đầu vào là 10 giá trị từ 0 đến 9. Hồi quy (Regression): Một bài toán đƣợc g i là hồi quy nếu nhãn của các dữ liệu đầu vào là những giá trị thực cụ thể. Ví dụ một h c sinh có số giờ h c là a , số giờ ngủ là b thì kết quả sẽ có điểm trung bình h c tập là bao nhiêu? Điểm trung bình h c tập là giá trị thực, trả lời cho câu hỏi này là lời giải của bài toán hồi quy.

Học không giám sát (Unsupervised learning) H c không giám sát là h c với dữ liệu mẫu không có nhãn. Hỗ trợ đƣa ra quyết định những đối tƣợng có tính chất gần giống nhau để suy ra một kết luận. H c không giám sát còn phát hiện cấu trúc của tập dữ liệu mẫu. Ví dụ bài toán phân cụm dữ liệu và tìm luật kết hợp thuộc loại này.

Thuật toán h c không giám sát đƣợc chia thành 2 loại: Phân nhóm (Clustering): là bài toán phân tập dữ liệu thành các nhóm nhỏ dựa trên sự tƣơng quan về tính chất giữa các dữ liệu trong mỗi nhóm. Kết hợp (Association) Là bài toán khi chúng ta muốn khám phá ra một số quy luật dựa trên tập dữ liệu cho trƣớc. Học bán giám sát (hay học kết hợp - Semi-supervised Learning) Tập dữ liệu mẫu của bài toán này, một số có nhãn và một số không có nhãn. Một số bài toán có lƣợng dữ liệu lớn nhƣng trong đó chỉ có một phần đƣợc gán nhãn nghĩa là có đầy đủ c p dữ liệu đầu vào, đầu ra tƣơng ứng.

Phần còn lại chỉ có dữ liệu đầu vào. Những bài toán thuộc nhóm này nằm giữa hai nhóm đƣợc nêu trên nó kết hợp hai phƣơng thức h c có giám sát và h c không có giám sát. Học củng cố (Reinforcement Learning) Những bài toán giúp cho hệ thống tự động xác định hành vi và h c theo chuỗi các hành vi, từng bƣớc để đạt kết quả khi thực hiện hoàn tất chuỗi biến đổi. Phƣơng pháp này thƣờng đƣợc áp dụng vào lý thuyết trò chơi ho c điều khiển tự động.

Ví dụ: mô hình Markov ẩn. Dữ liệu x thƣờng không đƣợc tạo trƣớc mà đƣợc tạo ra trong quá trình một agent tƣơng tác với môi trƣờng. Tại mỗi thời điểm t, agent thực hiện hành động yt và môi trƣờng tạo một quan sát xt với một chi phí tức thời Ct, theo một quy trình động nào đó (thƣờng là không đƣợc biết). Mục tiêu là một e 10 sách lƣợc lựa ch n hành động để cực tiểu hóa một chi phí dài hạn nào đó, nghĩa là chi phí tích lũy mong đợi.

Quy trình hoạt động của môi trƣờng và chi phí dài hạn cho mỗi sách lƣợc thƣờng không đƣợc biết, nhƣng có thể ƣớc lƣợng đƣợc.