Luận văn thạc sĩ nhận dạng mặt người bằng PCA và SVM - Đồng Thanh Vân

• Tác giả: Đồng Thanh Van
• Người hướng dẫn: TS. Vũ Việt Vũ
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Nghiên cứu một số phương pháp cơ bản về nhận dạng mặt người trong ảnh và ứng dụng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng quan về nhận dạng mặt người trong ảnh

Nhận dạng mặt người trong ảnh là một trong những chủ đề nghiên cứu quan trọng thuộc lĩnh vực thị giác máy tính và trí tuệ nhân tạo. Bài toán này tập trung vào việc xác định danh tính một người thông qua hình ảnh khuôn mặt. Lịch sử nghiên cứu nhận dạng mặt bắt đầu từ những năm 1960 với các phương pháp thủ công dựa trên đặc điểm hình học. Công nghệ thông tin phát triển mạnh mẽ đã thúc đẩy sự ra đời của nhiều giải thuật tự động hóa. Xử lý ảnh số đóng vai trò nền tảng, bao gồm các bước tăng cường ảnh, phân vùng ảnh, trích chọn đặc tính và phát hiện biên. Tại Việt Nam, nghiên cứu về nhận dạng mặt người ngày càng được quan tâm. Các phương pháp truyền thống như PCA và SVM vẫn được sử dụng rộng rãi nhờ tính hiệu quả và khả năng triển khai thực tế. Bài toán này có ứng dụng lớn trong bảo mật, giám sát và nhận diện công dân.

1.1. Khái niệm và lịch sử phát triển nhận dạng mặt người

Nhận dạng mặt người là quá trình xác định danh tính cá nhân dựa trên hình ảnh khuôn mặt thu được từ camera hoặc ảnh chụp. Nghiên cứu về lĩnh vực này bắt đầu từ thập niên 1960 với công trình của Woodrow Bledsoe. Ban đầu, các phương pháp dựa trên đo đạc thủ công khoảng cách giữa các đặc điểm khuôn mặt như mắt, mũi, miệng. Thập niên 1990 đánh dấu bước ngoặt với sự xuất hiện của phương pháp Eigenfaces sử dụng kỹ thuật phân tích thành phần chính PCA. Sự phát triển của máy tính và camera số giúp nghiên cứu đạt hiệu quả cao hơn. Ngày nay, nhận dạng mặt người trở thành công nghệ cốt lõi trong nhiều hệ thống an ninh và dịch vụ thông minh.

1.2. Vai trò của xử lý ảnh số trong nhận dạng mặt người

Xử lý ảnh số là bước tiền đề không thể thiếu trong hệ thống nhận dạng mặt người. Quy trình xử lý ảnh bao gồm nhiều giai đoạn kế tiếp nhau. Tăng cường ảnh giúp cải thiện chất lượng hình ảnh đầu vào, loại bỏ nhiễu và điều chỉnh độ sáng. Phân vùng ảnh tách biệt khuôn mặt khỏi nền phức tạp. Trích chọn đặc tính nhằm tìm ra các đặc trưng quan trọng nhất để biểu diễn khuôn mặt. Phát hiện biên xác định đường viền và cấu trúc hình học của khuôn mặt. Các phép biến đổi toán học như biến đổi Fourier, wavelet hỗ trợ phân tích tín hiệu ảnh hiệu quả. Chất lượng xử lý ảnh quyết định trực tiếp đến độ chính xác của hệ thống nhận dạng mặt người.

II. Phân tích các phương pháp nhận dạng mặt người hiện nay

Bài toán nhận dạng mặt người đối mặt với nhiều thách thức phức tạp. Sự thay đổi ánh sáng, góc chụp và biểu cảm khuôn mặt ảnh hưởng lớn đến kết quả nhận dạng. Bài toán học có giám sát đóng vai trò trung tâm trong việc xây dựng mô hình phân loại. Dữ liệu huấn luyện cần được chuẩn hóa và gán nhãn trước khi đưa vào giải thuật. Phương pháp PCA giảm chiều dữ liệu hiệu quả, biến đổi ảnh khuôn mặt thành không gian đặc trưng thấp chiều hơn. Phương pháp SVM tìm siêu phẳng phân tách tối ưu giữa các lớp dữ liệu. Trường hợp dữ liệu không phân tách tuyến tính được giải quyết bằng kỹ thuật hạt nhân kernel trick. Bài toán nhiều lớp yêu cầu kết hợp nhiều bộ phân loại nhị phân. Mỗi phương pháp có ưu nhược điểm riêng phù hợp với từng loại bài toán cụ thể.

2.1. Bài toán học có giám sát và phân loại dữ liệu

Học có giám sát là kỹ thuật học máy sử dụng dữ liệu đã được gán nhãn để huấn luyện mô hình. Trong nhận dạng mặt người, mỗi ảnh khuôn mặt được gắn nhãn tương ứng với danh tính người đó. Tập huấn luyện gồm các cặp dữ liệu đầu vào và nhãn kỳ vọng. Mô hình học từ dữ liệu huấn luyện để dự đoán nhãn cho dữ liệu mới chưa biết. Các giải thuật phân loại phổ biến bao gồm k-NN, Naive Bayes, Decision Tree và SVM. Đánh giá mô hình dựa trên các chỉ số như độ chính xác, recall và F1-score. Kỹ thuật cross-validation giúp đánh giá khách quan hiệu suất mô hình. Chất lượng dữ liệu huấn luyện quyết định trực tiếp đến khả năng phân loại của hệ thống.

2.2. Các thách thức trong bài toán nhận dạng mặt người

Nhận dạng mặt người gặp nhiều khó khăn do tính biến đổi cao của khuôn mặt. Biến đổi ánh sáng làm thay đổi mức xám của ảnh, gây khó khăn cho việc trích chọn đặc trưng. Góc chụp khác nhau tạo ra hình chiếu hai chiều khác nhau của cùng một khuôn mặt. Biểu cảm khuôn mặt như vui, buồn, ngạc nhiên thay đổi cấu trúc hình học. Che khuất một phần bởi kính, khẩu trang hoặc tóc làm mất thông tin quan trọng. Lão hóa theo thời gian cũng ảnh hưởng đến ngoại hình khuôn mặt. Nhiễu từ camera và điều kiện thu thập ảnh làm giảm chất lượng dữ liệu đầu vào. Các yếu tố này đòi hỏi giải thuật phải có tính tổng quát và khả năng chống nhiễu tốt.

III. Phương pháp PCA và SVM áp dụng cho nhận dạng mặt người

Phân tích thành phần chính PCA là phương pháp giảm chiều dữ liệu dựa trên biến đổi tuyến tính. PCA tìm các vectơ riêng tương ứng với trị riêng lớn nhất của ma trận hiệp phương sai. Không gian đặc trưng mới có chiều thấp hơn nhưng vẫn bảo toàn phần lớn thông tin quan trọng. Trong nhận dạng mặt người, mỗi ảnh được biểu diễn dưới dạng vectơ một chiều. Phương pháp PCA chiếu ảnh khuôn mặt lên không gian Eigenfaces để so sánh và phân loại. Máy vectơ hỗ trợ SVM là giải thuật phân loại mạnh mẽ dựa trên nguyên lý rủi ro cấu trúc tối thiểu. SVM tìm siêu phẳng có lề phân tách lớn nhất giữa hai lớp dữ liệu. Kỹ thuật kernel trick ánh xạ dữ liệu lên không gian chiều cao để giải quyết bài toán phi tuyến. Hàm hạt nhân phổ biến gồm hàm Polynomial, Radial Basis Function và hàm nơ-ron. Kết hợp PCA và SVM tạo ra hệ thống nhận dạng mặt người hiệu quả với độ chính xác cao.

3.1. Nguyên lý phương pháp PCA trong giảm chiều dữ liệu

PCA hoạt động dựa trên phân tích ma trận hiệp phương sai của dữ liệu đầu vào. Quy trình bắt đầu bằng việc tính giá trị trung bình của tất cả mẫu dữ liệu. Tiếp theo, ma trận hiệp phương sai được xây dựng từ các vectơ dữ liệu đã được chuẩn hóa. Giải thuật tìm các trị riêng và vectơ riêng của ma trận hiệp phương sai. Các vectơ riêng tương ứng với trị riêng lớn nhất tạo thành cơ sở của không gian mới. Số chiều giảm phụ thuộc vào ngưỡng bảo toàn thông tin, thường đạt trên 95% phương sai. Ứng dụng PCA trong nhận dạng mặt tạo ra không gian Eigenfaces. Mỗi khuôn mặt được biểu diễn bằng hệ số chiếu trên các Eigenfaces chính.

3.2. Nguyên lý phương pháp SVM và kỹ thuật kernel trick

SVM tìm siêu phẳng phân tách sao cho khoảng cách từ siêu phẳng đến mẫu gần nhất lớn nhất. Các mẫu gần siêu phẳng nhất gọi là vectơ hỗ trợ support vectors. Trường hợp dữ liệu phân tách tuyến tính, bài toán tối ưu là tìm lề lớn nhất. Trường hợp không phân tách tuyến tính, kỹ thuật kernel trick được áp dụng. Kernel trick ánh xạ dữ liệu lên không gian chiều cao hơn qua hàm hạt nhân. Điều kiện Mercer xác định tính hợp lệ của hàm hạt nhân K. Các hàm hạt nhân phổ biến gồm Polynomial, RBF và Sigmoid. Bài toán nhiều lớp sử dụng chiến lược one-vs-one hoặc one-vs-all để mở rộng SVM.

IV. Kết luận và ứng dụng thực tiễn của nhận dạng mặt người

Nghiên cứu phương pháp PCA và SVM cho thấy hiệu quả vượt trội trong nhận dạng mặt người. PCA giúp giảm chiều dữ liệu từ hàng nghìn xuống vài chục chiều vẫn bảo toàn trên 95% thông tin. SVM đạt độ chính xác cao nhờ khả năng tìm siêu phẳng phân tách tối ưu. Kết hợp hai phương pháp tạo ra hệ thống nhận dạng mạnh mẽ và ổn định. Thực nghiệm trên cơ sở dữ liệu khuôn mặt cho kết quả khả quan về tốc độ và độ chính xác. Ứng dụng thực tiễn bao gồm hệ thống kiểm soát ra vào, nhận diện khuôn mặt tại sân bay. Công nghệ này được sử dụng trong camera giám sát an ninh công cộng. Ngành ngân hàng áp dụng nhận dạng mặt để xác minh danh tính khách hàng. Xu hướng phát triển tích hợp học sâu để cải thiện hiệu suất nhận dạng. Tương lai, công nghệ nhận dạng mặt người sẽ đóng vai trò quan trọng trong xã hội số hóa.

4.1. Các ứng dụng thực tiễn của nhận dạng mặt người

Nhận dạng mặt người được ứng dụng rộng rãi trong nhiều lĩnh vực đời sống. Hệ thống kiểm soát ra vào tại tòa nhà, văn phòng sử dụng camera nhận diện khuôn mặt. Ngành hàng không áp dụng công nghệ này để xác minh hành khách tại quầy làm thủ tục. Lực lượng an ninh sử dụng nhận dạng mặt để truy tìm tội phạm qua camera giám sát. Ngành ngân hàng triển khai xác minh danh tính khách hàng bằng khuôn mặt khi giao dịch. Ứng dụng mở khóa điện thoại bằng khuôn mặt đã trở nên phổ biến trên smartphone. Hệ thống điểm danh tự động bằng nhận dạng mặt được áp dụng trong giáo dục. Công nghệ này cũng hỗ trợ người khiếm thị nhận diện người quen trong môi trường xã hội.

4.2. Định hướng phát triển và xu hướng tương lai

Nhận dạng mặt người đang hướng tới tích hợp các kỹ thuật học sâu deep learning để nâng cao hiệu suất. Mạng nơ-ron tích chập CNN cho kết quả vượt trội trong trích chọn đặc trưng tự động. Công nghệ 3D face recognition giúp giải quyết vấn đề biến đổi góc chụp và ánh sáng. Thiết bị phần cứng chuyên dụng như chip NPU tăng tốc xử lý nhận dạng thời gian thực. Tích hợp đa mô thức kết hợp nhận dạng mặt với giọng nói và vân tay tăng tính bảo mật. Nghiên cứu chống giả mạo face anti-spoofing ngăn chặn tấn công bằng ảnh hoặc video. Quy định pháp luật về bảo mật dữ liệu sinh trắc học ngày càng được hoàn thiện. Xu hướng edge computing đưa khả năng nhận dạng mặt lên thiết bị di động cá nhân.

Trích đoạn nội dung tài liệu

ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG Đồng Thanh Vân NGHIÊN CứU MộT Số PHƢƠNG PHÁP CƠ BảN Về NHậN DạNG MặT NGƢờI TRONG ảNH VÀ ứNG DụNG LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Giáo viên hướng dẫn: TS. Vũ Việt Vũ Thái Nguyên, tháng 07 năm 2015 Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 1 LỜI CAM ĐOAN Tôi xin cam đoan đề tài "Nghiên cứu một số phƣơng pháp cơ bản về nhận dạng mặt ngƣời trong ảnh và ứng dụng " là công trình nghiên cứu được tôi thực hiện dưới sự hướng dẫn của giáo viên hướng dẫn khoa học. Các kết quả nghiên cứu và kết quả thử nghiệm nêu trong luận văn là trung thực và chưa từng được công bố trong bất kỳ tài liệu nào khác. Trong phần kiến thức chung, nghiên cứu giải thuật áp dụng tôi có tham khảo ở một số tài liệu và đã có trích dẫn đúng và đầy đủ. Học viên Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 2 MỤC LỤC LỜI CAM ĐOAN. 1 LỜI MỞ ĐẦU.1 Giới thiệu về trí tuệ nhân tạo và học máy.2 Ứng dụng của lĩnh vực học máy.2 Tổng quan về xử lý ảnh số và ứng dụng.2 Những khái niệm cơ bản trong xử lý ảnh.3 Một số bài toán trong xử lý ảnh.1 Tăng cường ảnh.2 Phân vùng ảnh.3 Trích chọn đặc tính.5 Phát hiện biên ảnh.6 Khôi phục ảnh. NGHIÊN CỨU PHƢƠNG PHÁP PCA VÀ PHƢƠNG PHÁP SVM TRONG BÀI TOÁN NHẬN DẠNG MẶT NGƢỜI. 28 Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.2 Bài toán nhận dạng đối tượng .2 Bài toán học có giám sát .3 Phương pháp PCA vừ ứng dụng cho bài toán nhận dạng mặt người 34 2.1 Giới thiệu về phương pháp PCA .2 Ví dụ về phương pháp PCA .3 PCA cho bài toán nhận dạng mặt người .4 Phương pháp SVM .1 Trường hợp dữ liệu có thể phân tách được .2 Trường hợp dữ liệu huấn luyện không phân tách tuyến tính .3 Phương pháp SVM cho bài toán nhiều lớp . KẾT QUẢ THỰC NGHIỆM .1 Giới thiệu bài toán .2 Lựa chọn giải thuật và lập trình .2 Công cụ phát triển .3 Kết quả thực nghiệm . 57 Tài liệu tham khảo . 59 Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 4 LỜI MỞ ĐẦU 1. Tính cấp thiết của đề tài Ngày nay, công nghệ thông tin là một trong những lĩnh vực quan trọng góp phần thúc đẩy sự phát triển kinh tế của đất nước. Ứng dụng của công nghệ thông tin (CNTT) xuất hiện ở rất nhiều lĩnh vực, nó là nền tảng của các nghiên cứu về công nghệ cao như khoa học vũ trụ, công nghệ điện tử và tự động hóa, các hệ thống thông minh,. Khi Internet ra đời vào những năm 90 đã kết nối thông tin trên toàn thế giới lại với nhau. Chúng ta chỉ cần ngồi bất cứ nơi đâu với máy tính và mạng là có thể truy nhập thông tin về bất cứ lĩnh vực gì trên thế giới. Tại Việt Nam, từ những năm 70 của thế kỷ 20 đã bắt đầu có các nghiên cứu về máy tính cũng như những ứng dụng về CNTT. Hiện nay Công nghệ thông tin cũng luôn được xác định là lĩnh vực then chốt được đầu tư không những hiện đại hóa cơ sở hạ tầng mà còn là việc ứng dụng sâu rộng vào các lĩnh vực của đời sống xã hội. Nghị quyết 36 ngày 1/7/2014 của Bộ chính trị tiếp tục khẳng định sự quan tâm chỉ đạo sát sao của Đảng đối với công tác ứng dụng, phát triển CNTT, khẳng định vị trí, vai trò của CNTT trong sự nghiệp xây dựng và bảo vệ Tổ quốc thời kỳ mới. Những định hướng, tư tưởng, giải pháp lớn trong Nghị quyết 36 là tiền đề quan trọng để CNTT Việt Nam phát triển mạnh mẽ, sâu rộng hơn, đề ra những định hướng lớn cho sự phát triển ngành CNTT nước ta trong khoảng 10 - 20 năm tới. Nghị quyết 36 đã chỉ rõ mục tiêu phải đạt được thời gian tới, đó là: CNTT phải được ứng dụng rộng rãi và trở thành một ngành kinh tế có tác động lan tỏa trong phát triển kinh tế - xã hội, bảo đảm quốc phòng, an ninh, góp phần nâng cao năng suất lao động, năng lực cạnh tranh quốc gia, chất Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 5 lượng cuộc sống, chỉ số phát triển con người Việt Nam và nâng cao khả năng phòng thủ quốc gia trong chiến tranh mạng. Đến năm 2030, đưa năng lực nghiên cứu, ứng dụng, phát triển, sản xuất và cung ứng sản phẩm, dịch vụ CNTT đạt trình độ tiên tiến thế giới; Việt Nam trở thành quốc gia mạnh về CNTT trong khu vực. Trí tuệ nhân tạo là một hướng nghiên cứu của lĩnh vực CNTT và Khoa học máy tính nhằm phát triển các hệ thống thông minh nhằm giải quyết các bài toán trong thực tế giống như hoạt động của bộ não người. Trí tuệ nhân tạo được bắt đầu nghiên cứu từ những năm 50 của thế kỷ 20 và trong khoảng 30 năm trở lại đây đã được cộng đồng các nhà khoa học quan tâm mạnh mẽ. Rất nhiều các hội thảo lớn về lĩnh vực này được tổ chức hàng năm trên thế giới. Các ứng dụng tiêu biểu của trí tuệ nhân tạo vào đời sống xã hội bào gồm: người máy, robot, xử lý ngôn ngữ tự nhiên, nhận dạng, phát hiện dị thường, an ninh quốc phòng, tin sinh học, khoa học vũ trụ và trái đất,… Trong khuôn khổ luận văn Thạc sỹ của mình, qua việc được trang bị các môn học lỹ thuyết như thuật toán, xử lý ảnh, trí tuệ nhân tạo,… tôi đã lựa chọn đề tài Nghiên cứu một số phương pháp cơ bản về nhận dạng mặt người trong ảnh và ứng dụng. Chủ đề phân lớp dữ liệu là một nhánh quan trọng trong lĩnh vực học máy (machine learning) của trí tuệ nhân tạo. Chúng ta có thể kể các ứng dụng của học máy trong thực tế như người máy, robot, nhận dạng mặt người, nhận dạng tiếng nói và chữ viết,… 2. Đối tƣợng và phạm vi nghiên cứu. Đối tượng nghiên cứu Bài toán phân lớp có giám sát (classification) đặc biệt là hai phương pháp phân lớp Support Vector Machine và phương pháp PCA. Phạm vi nghiên cứu Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 6 - Lý thuyết: Nghiên cứu lý thuyết về xử lý ảnh, phương pháp SVM và phương pháp PCA. - Thực nghiệm: Lập trình trên ngôn ngữ C# cho ứng dụng nhận dạng mặt người trong ảnh. Phƣơng pháp nghiên cứu. - Thu thập, phân tích các tài liệu và thông tin liên quan đến đề tài từ đó đưa ra cái nhìn tổng quan, các khó khăn gặp phải, các ràng buộc của bài toán. - Tiến hành phân tích, xây dựng giải pháp nhận dạng gồm có : Tiền xử lý, trích chọn đặc trưng, huấn luyện mô hình, hậu xử lý. - Xây dựng và kiểm thử việc đánh giá hiệu quả phương pháp nhận dạng bằng ngôn ngữ C#. Ý nghĩa khoa học và thực tiễn của đề tài. Về khoa học: Giúp đưa ra một cái nhìn tổng quan về bài toán nhận dạng mặt người. Đánh giá về hiệu quả của phương pháp PCA và SVM cũng như khả năng ứng dụng của chúng. Về thực tiễn: Nhận dạng mặt người là phương pháp có những ứng dụng thực tiễn mà những phương pháp khác không có được. Trong tương lai nhận dạng mặt người hứa hẹn sẽ được sử dụng phổ biến trong nhiều lĩnh vực như an ninh, phòng chống tội phạm, quản lý nhân sự… 5. Cấu trúc của luận văn. Cấu trúc của luận văn Nghiên cứu một số phương pháp cơ bản về nhận dạng mặt người trong ảnh và ứng dụng bao gồm những chương như sau: Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 7 Chương 1: Tổng quan về lĩnh vực xử lý ảnh và học máy. Chương 2: Nghiên cứu tìm hiểu phương pháp PCA và phương pháp SVM. Chương 3: Chương này sẽ đi sâu vào việc cài đặt ứng dụng cụ thể cho bài toán nhận dạng mặt người trong ảnh bằng phương pháp PCA. Kết luận: Tóm tắt các vấn đề được tìm hiểu trong luận văn và các vấn đề liên quan trong luận văn, đưa ra một số hướng nghiên cứu tiếp theo. Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 8 CHƢƠNG 1.1 Giới thiệu về trí tuệ nhân tạo và học máy 1.1 Giới thiệu Trí tuệ nhân tạo là lĩnh vực nhằm nghiên cứu và phát triển các hệ thống (phần mềm, phần mềm nhúng) có khả năng giải quyết các bài toán giống như cách thức giải quyết của con người trong một ngữ cảnh nào đó. Học máy (machine learning) là một lĩnh vực của trí tuệ nhân tạo nghiên cứu phát triển các phần mềm cho dùng cho máy tính hoặc hệ thống máy tính có có thể giải quyết các tình huống cụ thể hoặc nhận dạng ra các mẫu giống như con người (xem hình 1. Máy tính hoặc hệ thống máy tính ở đây hiểu rằng là bất kỳ hệ thống nào mà có thể nạp và sử dụng phần mềm để thực hiện trên nó. Trong lĩnh vực học máy hiện nay có ba phương pháp học cơ bản bao gồm: học có giám sát, học nửa giám sát và học không giám sát. - Ý tưởng cơ bản của học có giám sát có thể hiểu như chúng ta cung cấp một số mẫu (ví dụ dữ liệu, hình ảnh, đồ vật đã gán nhãn) cho hệ thống học và sau đó thiết kế phát triển các hệ thống có thể suy diễn hay nhận biết mẫu mới nằm trong phạm vi nó đã được học. - Học nửa giám sát khác với học có giám sát là các thuật toán dạng này chỉ sử dụng một lượng nhỏ các mẫu (các dữ liệu đã gán nhãn) để học và suy luận ra các dữ liệu chưa gán nhãn. Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 9 - Học không giám sát không dùng bất kỳ dữ liệu gán nhãn nào mà chỉ sử dụng các dữ liệu không có nhãn để thực hiện yêu cầu nào đó chẳng hạn như phân cụm các dữ liệu hay phát hiện các dị thường trong dữ liệu hay ngoại suy. (a) – học có giám sát (b) – học nửa giám sát ( c)- học nửa giám sát (d)- học không giám sát Hình 1.1 Các mô hình của học máy Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.2 Ứng dụng của lĩnh vực học máy - Xử lí ngôn ngữ tự nhiên (Natural Language Processing): xử lí văn bản, giao tiếp người - máy.