Chương 1: Tổng quan về đề tài văn bản: phương tiện xã hội, chú thích hình ảnh, tiêu đề tin tức, từ khóa, siêu dữ liệu, truy vấn, tệp, nhật ký, trang web, thư điện tử hoặc các công cụ, ứng dụng dịch thuật chưa thể xác định được ngôn ngữ. Giúp người dùng không cần phải lựa chọn ngôn ngữ đầu vào khi kết hợp với các ứng dụng, công cụ dịch thuật để trả về kết quả một cách thuận tiện, nhanh chóng, chính xác. Tạo ra một phần mềm có tính thực dụng cao, giúp cho các bạn trẻ hiện nay có điều kiện để tìm tòi học hỏi nhiều ngôn ngữ hơn thông qua ứng dụng này. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU CỦA ĐỀ TÀI Tìm hiểu và nghiên cứu về mạng nơ ron hồi quy RNN, mạng định trí nhớ ngắn hạn định hướng dài hạn LSTM, xử lí ngôn ngữ tự nhiên, máy học.
Tìm hiểu cách thức xây dựng ứng dụng web trong môi trường windows, sử dụng ngôn ngữ Python với Flask Framework. Giao diện tạo ra nhằm hướng đến các bạn trẻ, những người có nhu cầu tìm hiểu, học tập ngôn ngữ của các nước khác.Đề tài được thực hiện trong khoảng thời gian là 15 tuần kể từ khi nhận đề tài. PHÂN TÍCH ĐÁNH GIÁ HƯỚNG NGHIÊN CỨU Các phương pháp nghiên cứu cần có minh chứng vững chắc để đi đến quyết định xác đáng cho việc nghiên cứu cho lĩnh vực gì hoặc nhà khoa học nào. Đánh giá Khoa học đem lại công cụ để tìm kiếm những minh chứng ấy.
Hơn thế nữa, nó đặt nền tảng cho công việc quản lý, giám sát tiến trình nghiên cứu; giúp đánh giá tác động và ý nghĩa thiết yếu của hoạt động nghiên cứu, cũng như rút kinh nghiệm để điều chỉnh chính sách NCKH và gợi ý cho những hướng nghiên cứu trong tương lai. Chúng ta cần cân nhắc những điểm thuận lợi và bất lợi nêu trên khi lựa chọn phương pháp thích hợp để đánh giá nhằm phù hợp với mục tiêu và bối cảnh. Ví dụ, nghiên cứu điển hình có vẻ không mấy thích hợp khi thời gian cho việc đánh giá bị hạn chế, hay trắc lượng thư mục có thể không phù hợp lắm đối với những lĩnh vực có ít tập san được tính đến trong các cơ sở dữ liệu hiện nay. Vì mỗi phương pháp đều có giới hạn, chúng ta rất nên xem xét việc kết hợp các phương pháp khác nhau nếu nó khả thi, vì điều này có thể cải thiện chất lượng chung của việc đánh giá khoa học.
Có rất nhiều các phương pháp để giải quyết như: Các thuật toán máy học cơ bản thuộc lớp lazy learning và non-parametric như thuật toán học có giám sát đơn giản và thuật toán dựa trên biên phân chia độ rộng lớn nhất và các thuật toán DL sử dụng các kiến trúc mạng neural network dựa trên quá trình lan truyền thuận và lan truyền ngược để thực hiện một bài toán về xử lý ngôn ngữ tự nhiên. 2 Đồ án tốt nghiệp Chương 2. Cơ sở lý thuyết CHƯƠNG 2. NGHIÊN CỨU TỔNG QUAN 2.
Trí tuệ nhân tạo (Artificial Intelligence) Trong khoa học máy tính, trí tuệ nhân tạo hay AI, đôi khi được gọi là trí thông minh nhân tạo, là trí thông minh được thể hiện bằng máy móc, trái ngược với trí thông minh tự nhiên được con người thể hiện. Thông thường, thuật ngữ "trí tuệ nhân tạo" thường được sử dụng để mô tả các máy móc hoặc máy tính bắt chước các chức năng "nhận thức" mà con người liên kết với tâm trí con người, như "học tập" và "giải quyết vấn đề". Khi máy móc ngày càng tăng khả năng, các nhiệm vụ được coi là cần "trí thông minh" thường bị loại bỏ khỏi định nghĩa về AI, một hiện tượng được gọi là hiệu ứng AI. Một câu châm ngôn trong Định lý của Tesler nói rằng "AI là bất cứ điều gì chưa được thực hiện." Ví dụ, nhận dạng ký tự quang học thường bị loại trừ khỏi những thứ được coi là AI, đã trở thành một công nghệ thông thường.
khả năng máy hiện đại thường được phân loại như AI bao gồm thành công hiểu lời nói của con người, cạnh tranh ở mức cao nhất trong trò chơi chiến lược chẳng hạn như cờ vua và Go, xe hoạt động độc lập, định tuyến thông minh trong mạng phân phối nội dung, và mô phỏng quân sự. Trí tuệ nhân tạo có thể được phân thành ba loại hệ thống khác nhau: trí tuệ nhân tạo phân tích, lấy cảm hứng từ con người và nhân tạo. AI phân tích chỉ có các đặc điểm phù hợp với trí tuệ nhận thức; tạo ra một đại diện nhận thức về thế giới và sử dụng học tập dựa trên kinh nghiệm trong quá khứ để thông báo các quyết định trong tương lai. AI lấy cảm hứng từ con người có các yếu tố từ trí tuệ nhận thức và cảm xúc; hiểu cảm xúc của con người, ngoài các yếu tố nhận thức và xem xét chúng trong việc ra quyết định.
AI nhân cách hóa cho thấy các đặc điểm của tất cả các loại năng lực nghĩa là trí tuệ nhận thức, cảm xúc và xã hội, có khả năng tự ý thức và tự nhận thức được trong các tương tác. Trí tuệ nhân tạo bao gồm các cơ sở lý thuyết và việc lập trình xây dựng của các hệ thống máy tính có thể thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người như nhận thức thị giác, nhận dạng giọng nói, ra quyết định và dịch giữa các ngôn ngữ. Máy học (Machine Learning) Máy học là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải quyết 3 Đồ án tốt nghiệp Chương 2. Cơ sở lý thuyết những vấn đề cụ thể.
Ví dụ như các máy có thể "học" cách phân loại thư điện tử xem có phải thư rác (spam) hay không và tự động xếp thư vào thư mục tương ứng. Máy học rất gần với suy diễn thống kê tuy có khác nhau về thuật ngữ. Máy học có liên quan lớn đến thống kê, vì cả hai lĩnh vực đều nghiên cứu việc phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp của các giải thuật trong việc thực thi tính toán. Nhiều bài toán suy luận được xếp vào loại bài toán khó, vì thế một phần của học máy là nghiên cứu sự phát triển các giải thuật suy luận xấp xỉ mà có thể xử lý được.
Học máy có hiện nay được áp dụng rộng rãi bao gồm máy truy tìm dữ liệu, chẩn đoán y khoa, phát hiện thẻ tín dụng giả, phân tích thị trường chứng khoán, phân loại các chuỗi DNA, nhận dạng tiếng nói và chữ viết, dịch tự động, chơi trò chơi và cử động robot. Dưới góc nhìn của trí tuệ nhân tạo, động lực chính học máy bởi là nhu cầu thu nhận tri thức. Thật vậy, trong nhiều trường hợp ta cần kiến thức chuyên gia là khan hiếm (không đủ chuyên gia ngồi phân loại lừa đảo thẻ tín dụng của tất cả giao dịch hàng ngày) hoặc chậm vì một số nhiệm vụ cần đưa ra quyết định nhanh chóng dựa trên xử lý dữ liệu khổng lồ (trong mua bán chứng khoán phải quyết định trong vài khoảng khắc của giây chẳng hạn) và thiếu ổn định thì buộc phải cần đến máy tính. Ngoài ra, đại đa số dữ liệu sinh ra ngày nay chỉ phù hợp cho máy đọc tiềm tàng ngưồn kiến thức quan trọng.
Máy học nghiên cứu cách thức để mô hình hóa bài toán cho phép máy tính tự động hiểu, xử lý và học từ dữ liệu để thực thi nhiệm vụ được giao cũng như cách đánh giá giúp tăng tính hiệu quả. Một số hệ thống học máy nỗ lực loại bỏ nhu cầu trực giác của con người trong việc phân tích dữ liệu, trong khi các hệ thống khác hướng đến việc tăng sự cộng tác giữa người và máy. Không thể loại bỏ hoàn toàn tác động của con người vì các nhà thiết kế hệ thống phải chỉ định cách biểu diễn của dữ liệu và những cơ chế nào sẽ được dùng để tìm kiếm các đặc tính của dữ liệu. Học máy có thể được xem là một nỗ lực để tự động hóa một số phần của phương pháp khoa học.
Một số nhà nghiên cứu học máy tạo ra các phương pháp bên trong các khuôn khổ của thống kê Bayes. Học sâu (Deep Learning) Học sâu là một nhánh của ngành máy học dựa trên một tập hợp các thuật toán để cố gắng mô hình dữ liệu trừu tượng hóa ở mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, hoặc bằng cách khác bao gồm nhiều biến đổi phi tuyến. Học sâu là một phần của một họ các phương pháp học máy rộng hơn dựa trên đại diện học của dữ liệu. Quan sát một hình ảnh có thể được biểu diễn bằng nhiều cách như một vector của các giá trị cường độ cho mỗi điểm ảnh, hoặc một cách trừu 4 Đồ án tốt nghiệp Chương 2.
Cơ sở lý thuyết tượng hơn như là một tập hợp các cạnh, các khu vực hình dạng cụ thể, vv. Một vài đại diện làm khiến việc học các nhiệm vụ dễ dàng hơn (ví dụ, nhận dạng khuôn mặt hoặc biểu hiện cảm xúc trên khuôn mặt) từ các ví dụ. Một trong những hứa hẹn của học sâu là thay thế các tính năng thủ công bằng các thuật toán hiệu quả đối với học không có giám sát hoặc nửa giám sát và tính năng phân cấp. Các nghiên cứu trong lĩnh vực này cố gắng thực hiện các đại diện tốt hơn và tạo ra các mô hình để tìm hiểu các đại diện này từ dữ liệu không dán nhãn quy mô lớn.
Một số đại diện được lấy cảm hứng bởi những tiến bộ trong khoa học thần kinh và được dựa trên các giải thích của mô hình xử lý và truyền thông thông tin trong một hệ thống thần kinh, chẳng hạn như mã hóa thần kinh để cố gắng để xác định các mối quan hệ giữa các kích thích khác nhau và các phản ứng liên quan đến thần kinh trong não. Nhiều kiến trúc học sâu khác nhau như mạng neuron sâu, mã mạng neuron tích chập sâu, mạng niềm tin sâu và mạng neuron tái phát đã được áp dụng cho các lĩnh vực như thị giác máy tính, tự động nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, nhận dạng âm thanh ngôn ngữ và tin sinh học, chúng đã được chứng minh là tạo ra các kết quả rất tốt đối với nhiều nhiệm vụ khác nhau. Mạng neuron đã được sử dụng cho việc thực hiện các mô hình ngôn ngữ kể từ đầu những năm 2000. Các kỹ thuật quan trọng trong lĩnh vực này là lấy mẫu âm và nhúng chữ (word embedding).