PHÂN TÍCH PHẢN HỒI BÌNH LUẬN SINH VIÊN SỬ DỤNG HỌC SÂU

Phân tích phản hồi sinh viên bằng học sâu giúp cải thiện chất lượng đào tạo. Nghiên cứu ứng dụng deep learning để phân tích ý kiến, đánh giá hiệu quả.

• Tác giả: Tran Ngoc Khanh Vinh
• Người hướng dẫn: Trọng Hợp
• Trường học: Trường Học Công Nghệ Thông Tin - Đại Học Quốc Gia Hcm
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phân Tích Phản Hồi Bình Luận Sinh Viên Sử Dụng Học Sâu
• Loại tài liệu: Luận Văn Thạc Sĩ
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Phản Hồi Sinh Viên Học Sâu Tổng Quan và Tiềm Năng

Phản hồi từ sinh viên đóng vai trò then chốt trong việc cải thiện chất lượng giáo dục và đào tạo. Thông qua phân tích phản hồi, giảng viên và nhà trường có thể nhận diện điểm mạnh, điểm yếu của chương trình học, phương pháp giảng dạy, và các yếu tố khác ảnh hưởng đến trải nghiệm học tập của sinh viên. Tuy nhiên, việc xử lý lượng lớn phản hồi thủ công tốn nhiều thời gian và công sức. Sự ra đời của học sâu mở ra hướng giải quyết mới, tự động hóa quá trình phân tích dữ liệu và trích xuất thông tin giá trị. Theo tài liệu nghiên cứu, học sâu có khả năng phân tích cảm xúc (sentiment analysis) và khai phá văn bản (mining text) từ phản hồi sinh viên một cách hiệu quả.

1.1. Tầm quan trọng của phản hồi sinh viên trong giáo dục

Phản hồi sinh viên không chỉ là nguồn thông tin để đánh giá chất lượng giảng dạy mà còn là công cụ để cải thiện trải nghiệm học tập. Nó cung cấp cái nhìn sâu sắc về nhu cầu, mong muốn và những khó khăn mà sinh viên gặp phải. Từ đó, nhà trường và giảng viên có thể điều chỉnh chương trình học, phương pháp giảng dạy và các dịch vụ hỗ trợ để đáp ứng tốt hơn nhu cầu của sinh viên. Chất lượng giáo dục trực tiếp được nâng cao khi nhà trường lắng nghe và hành động dựa trên những phản hồi này.

1.2. Giới thiệu về Học Sâu và ứng dụng trong xử lý văn bản

Học sâu (Deep Learning) là một nhánh của học máy (Machine Learning) sử dụng mạng nơ-ron sâu để phân tích dữ liệu phức tạp. Trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP), học sâu đã đạt được những tiến bộ vượt bậc trong các tác vụ như dịch máy, phân tích cảm xúc và tóm tắt văn bản. Khả năng tự động học các đặc trưng phức tạp từ dữ liệu văn bản giúp học sâu trở thành công cụ mạnh mẽ để phân tích phản hồi sinh viên. Các mô hình như BERT và PhoBERT đang được sử dụng rộng rãi.

II. Thách Thức Phân Tích Phản Hồi Sinh Viên Giải Pháp Học Sâu

Mặc dù phản hồi sinh viên chứa đựng thông tin giá trị, việc phân tích thủ công gặp nhiều khó khăn. Lượng dữ liệu lớn, ngôn ngữ không chính thức, và sự đa dạng trong cách diễn đạt là những thách thức chính. Ngoài ra, việc xác định chính xác cảm xúc và chủ đề quan trọng từ phản hồi đòi hỏi sự am hiểu sâu sắc về ngữ cảnh. Học sâu giải quyết những thách thức này bằng cách tự động hóa quá trình phân tích, trích xuất thông tin chính xác và hiệu quả hơn. Các nghiên cứu đã chứng minh khả năng của học sâu trong việc xử lý ngôn ngữ tự nhiên và phân tích cảm xúc từ dữ liệu văn bản.

2.1. Khó khăn trong phân tích phản hồi sinh viên thủ công

Phân tích thủ công phản hồi sinh viên tốn nhiều thời gian và công sức, đặc biệt khi lượng dữ liệu lớn. Tính chủ quan của người phân tích cũng có thể ảnh hưởng đến kết quả, dẫn đến sai lệch trong việc đánh giá cảm xúc và xác định các vấn đề quan trọng. Ngôn ngữ không chính thức, cách diễn đạt đa dạng và sự thiếu nhất quán trong phản hồi cũng gây khó khăn cho việc phân tích chính xác. Vì vậy, cần có phương pháp phân tích tự động, khách quan và hiệu quả hơn.

2.2. Học Sâu Giải pháp tự động hóa và nâng cao hiệu quả

Học sâu cung cấp giải pháp tự động hóa quá trình phân tích phản hồi sinh viên, giúp tiết kiệm thời gian và công sức. Các mô hình học sâu có khả năng tự động học các đặc trưng phức tạp từ dữ liệu văn bản, giúp nâng cao độ chính xác trong việc phân tích cảm xúc và xác định các chủ đề quan trọng. Học sâu cũng giúp giảm thiểu tính chủ quan của người phân tích, đảm bảo tính khách quan và nhất quán trong kết quả phân tích.

III. Cách Xây Dựng Mô Hình Học Sâu Phân Tích Phản Hồi

Để ứng dụng học sâu hiệu quả, cần xây dựng mô hình học sâu phù hợp với đặc thù của dữ liệu phản hồi sinh viên. Quá trình này bao gồm thu thập và tiền xử lý dữ liệu, lựa chọn kiến trúc mô hình, huấn luyện mô hình, và đánh giá hiệu suất. Các kiến trúc mô hình phổ biến bao gồm mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi quy (RNN), và Transformer (ví dụ: BERT, PhoBERT). Theo nghiên cứu của Trần Ngọc Khánh Vinh, việc sử dụng các mô hình tiền huấn luyện như PhoBERT giúp cải thiện đáng kể độ chính xác trong phân tích cảm xúc của phản hồi tiếng Việt.

3.1. Thu thập và Tiền xử lý dữ liệu phản hồi sinh viên

Bước đầu tiên là thu thập dữ liệu phản hồi sinh viên từ nhiều nguồn khác nhau, như khảo sát trực tuyến, email, hoặc diễn đàn trực tuyến. Sau đó, cần tiền xử lý dữ liệu để loại bỏ nhiễu, chuẩn hóa văn bản và chuyển đổi dữ liệu thành định dạng phù hợp cho học sâu. Các bước tiền xử lý thường bao gồm loại bỏ ký tự đặc biệt, chuyển đổi chữ thường, tách từ, và loại bỏ stop words. Việc tiền xử lý cẩn thận giúp cải thiện hiệu suất của mô hình học sâu.

3.2. Lựa chọn kiến trúc mô hình học sâu phù hợp

Việc lựa chọn kiến trúc mô hình học sâu phù hợp phụ thuộc vào đặc điểm của dữ liệu phản hồi và mục tiêu phân tích. Các mô hình như CNN và RNN phù hợp với việc phân tích chuỗi văn bản ngắn, trong khi Transformer, đặc biệt là BERT và PhoBERT, hiệu quả hơn trong việc xử lý các câu dài và phức tạp. PhoBERT, được huấn luyện trước trên dữ liệu tiếng Việt, đặc biệt phù hợp với phân tích phản hồi bằng tiếng Việt.

3.3. Huấn luyện và Đánh giá mô hình học sâu

Sau khi chọn được kiến trúc mô hình, cần huấn luyện mô hình trên dữ liệu phản hồi đã được tiền xử lý. Quá trình huấn luyện bao gồm điều chỉnh các tham số của mô hình để giảm thiểu sai số giữa dự đoán và giá trị thực tế. Sau khi huấn luyện, cần đánh giá hiệu suất của mô hình trên một tập dữ liệu kiểm tra độc lập để đảm bảo tính chính xác và khả năng khái quát hóa của mô hình. Các chỉ số đánh giá thường được sử dụng bao gồm accuracy, precision, recall, và F1-score.

IV. Ứng Dụng Thực Tiễn Cải Thiện Đào Tạo với Phân Tích Học Sâu

Việc phân tích phản hồi sinh viên bằng học sâu mang lại nhiều lợi ích thiết thực trong việc cải thiện chất lượng đào tạo. Thông tin thu được có thể được sử dụng để điều chỉnh nội dung chương trình học, cải tiến phương pháp giảng dạy, và cung cấp hỗ trợ cá nhân hóa cho sinh viên. Ngoài ra, phân tích cảm xúc có thể giúp xác định những vấn đề gây ảnh hưởng tiêu cực đến trải nghiệm học tập của sinh viên. Các ứng dụng học sâu trong giáo dục ngày càng trở nên phổ biến và hứa hẹn mang lại những thay đổi tích cực.

4.1. Điều chỉnh chương trình học và phương pháp giảng dạy

Phân tích phản hồi sinh viên bằng học sâu có thể giúp xác định những nội dung chương trình học khó hiểu hoặc không phù hợp với sinh viên. Dựa trên thông tin này, giảng viên có thể điều chỉnh nội dung, phương pháp giảng dạy và tài liệu học tập để đáp ứng tốt hơn nhu cầu của sinh viên. Ví dụ, nếu phân tích cho thấy sinh viên gặp khó khăn với một chủ đề cụ thể, giảng viên có thể cung cấp thêm bài tập, ví dụ minh họa hoặc tổ chức các buổi thảo luận nhóm.

4.2. Cung cấp hỗ trợ cá nhân hóa cho sinh viên

Học sâu có thể được sử dụng để xác định những sinh viên có nguy cơ gặp khó khăn trong học tập dựa trên phản hồi của họ. Dựa trên thông tin này, nhà trường có thể cung cấp hỗ trợ cá nhân hóa cho sinh viên, như tư vấn học tập, gia sư hoặc các chương trình hỗ trợ khác. Việc cung cấp hỗ trợ kịp thời giúp sinh viên vượt qua khó khăn và đạt kết quả học tập tốt hơn.

V. Nghiên Cứu và Kết Quả Hiệu Quả Phân Tích Phản Hồi Bằng Học Sâu

Nhiều nghiên cứu đã chứng minh hiệu quả của việc sử dụng học sâu trong phân tích phản hồi sinh viên. Các mô hình học sâu thường đạt độ chính xác cao hơn so với các phương pháp truyền thống trong việc phân tích cảm xúc và xác định chủ đề. Các nghiên cứu cũng chỉ ra rằng việc sử dụng các mô hình tiền huấn luyện như BERT và PhoBERT giúp cải thiện đáng kể hiệu suất phân tích trên dữ liệu phản hồi tiếng Việt. Kết quả nghiên cứu này mở ra những triển vọng lớn cho việc ứng dụng học sâu trong giáo dục.

5.1. So sánh độ chính xác giữa học sâu và phương pháp truyền thống

Các nghiên cứu đã chỉ ra rằng các mô hình học sâu thường đạt độ chính xác cao hơn so với các phương pháp phân tích truyền thống, như phân tích dựa trên từ điển hoặc các thuật toán học máy đơn giản. Khả năng tự động học các đặc trưng phức tạp từ dữ liệu văn bản giúp học sâu vượt trội hơn trong việc phân tích cảm xúc và xác định chủ đề. Sự khác biệt về độ chính xác có thể lên đến 10-20% trong một số trường hợp.

5.2. Ảnh hưởng của mô hình tiền huấn luyện BERT PhoBERT

Việc sử dụng các mô hình tiền huấn luyện như BERT và PhoBERT, đặc biệt là PhoBERT cho dữ liệu tiếng Việt, giúp cải thiện đáng kể hiệu suất phân tích phản hồi sinh viên. Các mô hình này được huấn luyện trước trên lượng lớn dữ liệu văn bản, giúp chúng hiểu rõ hơn về ngữ cảnh và cấu trúc ngôn ngữ. Nhờ đó, chúng có khả năng phân tích cảm xúc và xác định chủ đề chính xác hơn, ngay cả với dữ liệu có ít thông tin.

VI. Tương Lai Phân Tích Phản Hồi Hướng Phát Triển Học Sâu

Lĩnh vực phân tích phản hồi sinh viên sử dụng học sâu vẫn còn nhiều tiềm năng phát triển. Các hướng nghiên cứu trong tương lai có thể tập trung vào việc phát triển các mô hình học sâu mạnh mẽ hơn, xử lý các loại phản hồi đa phương tiện (ví dụ: video, âm thanh), và tích hợp phân tích với các hệ thống quản lý học tập. Việc kết hợp AI trong giáo dục sẽ mang lại những trải nghiệm học tập cá nhân hóa và hiệu quả hơn cho sinh viên.

6.1. Phát triển mô hình học sâu mạnh mẽ và linh hoạt hơn

Trong tương lai, cần phát triển các mô hình học sâu mạnh mẽ và linh hoạt hơn để đáp ứng nhu cầu phân tích phản hồi sinh viên ngày càng phức tạp. Các mô hình này cần có khả năng xử lý nhiều loại dữ liệu khác nhau, như văn bản, hình ảnh, và âm thanh. Ngoài ra, chúng cần có khả năng thích ứng với các ngữ cảnh khác nhau và cung cấp thông tin phân tích chi tiết và chính xác.

6.2. Tích hợp phân tích học sâu vào hệ thống quản lý học tập

Việc tích hợp phân tích học sâu vào các hệ thống quản lý học tập (LMS) sẽ giúp tự động hóa quá trình thu thập, phân tích và sử dụng phản hồi sinh viên. Thông tin phân tích có thể được cung cấp cho giảng viên và nhà trường để họ có thể đưa ra các quyết định dựa trên dữ liệu và cải thiện chất lượng giáo dục. Ngoài ra, hệ thống có thể tự động cung cấp phản hồi cho sinh viên dựa trên phản hồi của họ, giúp họ cải thiện trải nghiệm học tập.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan luận văn: o_ Giới thiệu luận văn, đề tài nghiên cứu, động lực, mục tiêu, phạm vi, cách thức nghiên cứu, ý nghĩa khoa học và thực tiễn của luận văn e Chương 2: Cơ sở lý luận và các nghiên cứu trước đó o Trinh bay co Sở lý thuyết về các kiến thức nèn táng ứng dụng vào nghiên cứu và khái quát các nghiên cứu liên quan tai trong va ngoai nước. e Chương 3: Đề xuất mô hình Deep Learning o_ Giới thiệu về phương pháp xây dựng mô hình đề xuất và phương pháp đánh giá mô hình đã xây dựng e© Chương 4: Tiến hành nghiên cứu thực nghiệm và đánh giá tổng quát 16 o_ Giới thiệu tông quan quá trình tiến hành thực nghiệm, chỉ tiết từng giai đoạn tiên hành, kết quả đánh giá và xây dựng ứng dụng. e Chương 5: Kết luận và hướng phát triển tương lai ©_ Khái quát lại một số thành tựu đạt được và hướng phát triển tương lai sau nay. e TAI LIEU THAM KHẢO 17 CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ CÁC NGHIÊN CỨU TRƯỚC ĐÓ Trong phần này, bài viết sẽ nêu lên cái nhìn tống quan cơ sở lý luận và các nội dung tương đồng săn có hiện nay liên quan đến luận văn nghiên cứu.

Natural Language Processing Nhu cầu được giao tiếp là điều tất yếu trong xã hội ngày nay, do đó tạo ra một Số lượng lớn nguồn dữ liệu văn bản mỗi ngày. Lượng thông tin này rất lớn không những từ mạng xã hội, các phương tiện truyền thông, các tài liệu nghiên cứu khoa học đến những đánh giá phản hồi hàng hóa tiêu dùng. Tuy nhiên nó chưa tận dụng hết giá trị tiềm năng, máy tính giúp con người có thể khai thác nhiều giá trị hơn từ những dữ liệu, vì vậy đề việc hỗ trợ máy tính hiểu được những thông tin đó là rat can thiệt. 1 Natural Language Processing -NLP Xử lý ngôn ngữ tự nhiên (NLP) là một hướng phát triển vô cùng quan trong của trí tuệ nhân tạo (Artificial Intelligence).

Từ sự thịnh hành của giao tiếp người và máy cũng như sự tiến bộ vượt trội, các giả pháp đám mây là động lực thúc đây các ứng 18 dụng NLP ra đời. NLP với nhiệm vụ tiếp nhận và phân tích một lượng lớn thông tin đề mô phỏng các tương tác giữa con người theo cách như con người. Word Embedding Word Embedding là một phương thức hữu hiệu trong việc biếu diễn từ, mà theo đó mỗi từ sẽ được đại diện bằng một vector só chứa về ý nghĩa của từ ngữ đó. Điều này cho phép việc xử lý từ vựng trở nên hiệu quả trên máy tính.

Có nhiều kỹ thuật Word Embedding đã được đề xuất như Word2vec, GloVe. Tuy nhiên, những phương thức này đều cần tuân thủ hai điều kiện sau: e Mai tt chỉ có một biểu diễn duy nhất, có nghĩa là hai từ khác nhau sẽ được biểu diễn băng hai vector khác nhau. © Hai tir co y nghĩa tương đương sẽ được biêu diễn bằng hai vector tương tự hoặc gần nhau trong không gian vector, có nghĩa là khoảng cách giữa chúng Sẽ nhỏ.1 Mã hóa one - hot Mã hóa one — hot (OH) được biêu diễn đưới dạng vector nhị phân. Mỗi giá trị hạng mục được mã hóa bằng một vector chỉ có một chiều duy nhất bang có giá trị bằng 1, còn các chiều còn lại bằng 0, vector này còn được gọi là “ OH vector”.

Số chiều của OH vector bằng số từ. Mã hoá one-hot là một phương pháp đề chuyên đôi từng từ ở một từ điển thành một vectơ số, và nó dùng nhiều trong NLP và DL., thường dùng cho trường hợp từ vựng có kích thước nhỏ. Kỹ thuật này đảm bảo rằng mỗi từ khác nhau sẽ có một vectơ khác nhau. Tuy nhiên, khi sử dụng one-hot vector cần chú ý các nội dung sau: e©_ Khi làm việc với từ vựng lớn, kỹ thuật này dẫn đến các vectơ thừa với số chiều lớn, và gần như tất cả các chiều của vectơ có giá trị 0.

e _ Kỹ thuật này không thê biểu diễn sự khác nhau về mặt ý nghĩa giữa các từ. Hai vectơ one-hot bắt kỳ luôn có khoảng cách.2 Word2Vec Năm 2013, một nhóm các nhà nghiên cứu do Tomas Mikolov dẫn đầu đã công bố công khai mô hình Word2vec. Đây là mô hình phố biến dùng đề biêu diễn từ thành những vector từ trong không gian vector với số chiéu thap hon trong tap dataset. Có 2 cách thức đề thiết lập mô hình trên: e Skip-gram: Thông qua các từ đích biết trước dự đoán những từ ngữ cảnh e Continuous Bags Words (CBOVWW: Dự đoán từ đích nếu biết trước những từ ngữ cảnh input projection output input projection output W› O W-: W-+ O W- PJ we wl by Ko W: W; We O We CBOW Skip-gram Hình 2.

2 Mô hình Skip-gram và CBOWV 2. Machine Learning Machine Learning (ML) la mot lĩnh vực của AI, trải qua các thời kỳ phát triển, ML tập trung vào việc phát triển thuật toán và mô hình giúp máy tính có thê học từ data và tự động cải thiện hiệu suất trong trình giải quyết các nhiệm vụ được giao 20 ARTIFICIAL INTELLIGENCE MACHINE LEARNING Daa LEARNING oats.A) DK) SK 1950's 1960's 1970's 1980's 1990's 2000's 2010's Hinh 2. 3 Cac thoi diém phat triém Al, ML, DL Một số ứng dụng hiện tại của ML duoc ding phé bién ngay nay nhw: © Đưa ra đề cử sản pham: o_ Các công ty như Amazon và Netflix sử dụng ML để phân tích dữ liệu về hành vi mua hàng và xem phim của người dùng. o_ Dựa trên thông tin này, hệ thống ML đề xuất những nội dung phù hop với Sở thích cá nhân của người dùng, tăng trải nghiệm và tăng khả năng tiếp thị.

e Dich may: o_ Công nghệ dich may str dung ML để tự động dịch văn bản từ một ngôn ngữ này sang ngôn ngữ khác. o_ Hệ thống ML học từ các bộ data đã được dịch trước đó và dùng các mô hình mục đích cho việc dự đoán và tạo ra các bản dịch chính xác. e Xe tự lái: 21 o_ Các công ty / tập đoàn lớn trên thế giới như Waymo, Tesla,. Ứng dụng Machine Learning sử dụng trong việc phát triển các thuật toán đề xe tự lái có thê nhận diện và phản ứng với môi trường xung quanh.

o_ Hệ thống ML dựa trên data huấn luyện có thẻ hiểu từ data cảm biến như radar, camera va lidar dé tu động lái xe, nhận biết biển báo giao thông, dự đoán hành vi người lái khác và đưa ra quyết định an toàn Self-Driving Car / Phanh khan cdo Nhận dạng người di bổ. Tránh dụng độ Quan sát Hồ trợ ddxe Canh bao va cham Long-Range Rodor Cảnh báo vạch kẻ LIDAR dường bộ Quan sát xung quanh Camera Short-Medium Range Rador Ultrasonic Sensor Hình 2. 4 Hình ảnh minh họa xe tự lái sử dụng hệ thống Machine Learnir Phân tích tín hiệu y té: o_ Được dùng cho phân tích, chân đoán các tín hiệu y tế như hình ảnh chụp X-quang, dữ liệu ECG hoặc dữ liệu gen. o_ Khả năng học từ thông tin y tế và cung cấp dự đoán những bệnh lý, hỗ trợ việc chuẩn đoán và điều trị.

Nhận dạng giọng nói: o_ Được dùng chủ yếu trong các ứng dụng nhận dạng giọng nói như virtual assistant: Siri, Cortana, Alexa, Google Assistant, Bixby. 22 o Hệ thống học từ dữ liệu giọng nói và nhận diện và hiểu các lệnh và yêu cầu từ người dùng. “Hey Siri” “Hey Cortana” “Alexa” “OK Google” “Hi Bixby” Oe Hình 2. 5 Top virtual assistant phô biến nhát hiện nay Bên cạnh đó, ML còn Sử dụng trên da dạng lĩnh vực khác ví dụ: Lĩnh vực quảng cáo, dự báo thời tiết, tài chính.

Dựa trên các cách thức xử lý vấn đề giải khác nhau của từng bài toán khác nhau có thê chia Machine Learning thành bốn loại chính: e Học có giam sat (Supervised Learning) e Hoc khéng giam sat (Unsupervised Learning) e Hoc ban giam sat (Semi-supervised Learning) se Học tang cuong (Reinforcement Learning) Supervised Unsupervised Semi-Supervised Reinforcement Machine Learning Machine Learning Learning Learning Hình 2. 6 Bốn phương pháp chính của Machine Learning Trong đó: se - Học có giám sát (Supervised Learning): 23 Supervised Machine Learning ¬ Labelled Data Output for 7 bà ® Strawberry 6 @ (Be) é Apple _ ® ®_S‹. 7 Ung dung Supervised Learning Vi o_ Mô hình học từ một tập dữ liệu huần luyện mà đã được gán nhãn trước, mỗi mẫu data trong tập huấn luyện sẽ có data đầu vào (input) và một nhãn (label) tương ứng. Supervised Learning hướng tới mục tiêu là đạt được nhiệm vụ dự đoán chính xác cho tập data mới có Input mà nó chưa gặp trước đó dựa vào mô hình được thiết lập sẵn.

Trong suốt quá trình huần luyện của học có giám sát sẽ tiền hành tìm hiểu mối quan hệ giữa các đặc trưng của dữ liệu mput và nhãn label tương ứng. Ví dụ khác như tập dữ liệu chứa các thông tin hình các ký tự số viết tay được gán nhãn rõ con số tương ứng. Sau khi hoàn tất quá trình huấn luyện, mô hình có khả năng nhận biết các hình đáng và cụm điểm ảnh tương ứng với các ký tự số như nhận biết chính xác các số dễ nhằm lẫn như cặp Số 9 và 4 hoặc là 8 va 6. Ở học có giảm sát có các thuật toán tiêu biểu như: Decision Trees, Support vector machines, linear regression,.

được dùng trong các lĩnh vực, phân loại (Classification), dự đoán (Prediction), nhận dạng mẫu (recognition) và nhiều lĩnh vực khác nữa. Hoc khéng giam sat (Unsupervised Learning): 24 ©_ Khác với học có giám sát, mô hình học không giám sát học từ một tập dữ liệu huấn luyện mà không được gán nhãn hoặc phân loại. Mô hình học không giám sát không được cung cấp thông tin về output đầu ra mong muốn mà chỉ có nhiệm vụ tìm ra các mô hình hoặc cấu trúc an trong dữ liệu. Unsupervised Learning Supervised Learning ® ®" e@ @ a ; l4 e @® se ® @ = @> 8 Hinh 2.

8 So sanh Unsupervised Learning voi Supervised Learnin o Muc tiéu cia học không giám sát phô biến là khám phá thông tin ân, phân nhom (clustering) hoac giam sé chiều dữ liệu (dimensinality reduction). ©_ Các thuật toán phố biến trong học không giám sát như: Phân cụm K- means (K-means clustering), (Agglomerative clustering), Gaussian Mixture Models (GMM), Principal Component Analysis (PCA), va t- SNE (t-Distributed Stochastic Neighbor Embedding). o Ung dụng của phương pháp: s*' Phân cụm: Nhóm các tài liệu tương tự nhau trong khai thác văn bản, phân loại khách hàng dựa trên Sở thích và nhu cầu mua hàng và tô chức bộ dữ liệu hình ảnh. % Giảm kích thước: Giảm số lượng tính năng trong dữ liệu nhiều chiều, trực quan hóa các bộ dữ liệu phức tạp và nén hình ảnh mà không làm mất thông tin quan trong.