Chương I: Giới thiệu tông quan về khoá luận và các nghiên cứu liên quan. Chương 2: Trình bày cơ sở lý thuyết và các kiến thức nền tảng có liên quan. Chương 3: Đề xuất phương pháp nghiên cứu dé giải quyết bài toán. Chương 4: Trình bày môi trường và kịch bản thực nghiệm, mô tả tập dữ liệu cũng như phương pháp đánh giá và kết quả thực nghiệm.
Chương 5: Kết luận và đề xuất hướng phát triển của khoá luận. Chương 6: Tài liệu tham khảo. CƠ SỞ LÝ THUYET Tóm tắt Trong chương này, nhóm xin trình bày về cơ sở lý thuyết và các kiến thức nên tảng có liên quan đên đê tài nghiên cứu. Cả ba khái niệm trí tuệ nhân tao, học máy và học sâu có một mối quan hệ mật thiết với nhau và thường bị nhằm lẫn là một, mặc dù bản thân chúng đều ám chỉ những khái niệm riêng biệt.
Dé dễ hình dung hơn, có thể xem học sâu là một tập hợp con của học máy, trong khi trí tuệ nhân tạo là một siêu tập hợp của học máy và học sâu. Artificial Intelligence Deep Learning Hinh 2.1: Méi quan hệ giữa trí tuệ nhân tao, học máy va học sâu 10 2. Tri tuệ nhân tạo Trí tuệ nhân tạo là thuật ngữ phổ biến đề cập đến việc mô phỏng quá trình suy nghĩ và học tập của con người trên máy móc, đặc biệt là hệ thống máy tính. Năm 1997, nhân loại đã chứng kiến một bước ngoặt lịch sử trong lĩnh vực trí tuệ nhân tạo khi mà siêu máy tính DeepBlue của IBM (sau nhiều lần thất bại) đã đánh bại siêu đại kiện tướng cờ vua Garry Kasparov — người được mệnh danh là một trong những kỳ thủ cờ vua vĩ đại nhất mọi thời đại [12].
Ké từ đó, việc đánh bai một máy tính ở bộ môn cờ vua dường như là một thách thức mà con người chưa thể vượt qua. Tiếp nối thành công đó, sự ra đời của Alpha Go — chương trình của DeepMind (công ty chuyên về trí tuệ nhân tạo của Google) đã cho thấy khả năng đáng kinh ngạc mà một máy tính có thê làm được. Nó có thể tự học các thế trận cờ vua của con người qua hàng trăm năm chỉ trong vòng bốn giờ đồng hồ. Không chỉ dừng lại ở đó, AlphaGo còn tự mình đưa ra những chiến thuật mới giúp nó chiến thắng các đối thủ (là con người).
Điều đặc biệt ở đây là AlphaGo tự học cách chơi cờ vua từ con số 0, tức là nó chỉ được lập trình với luật chơi cờ vua và phải tự tìm ra cách chiến thắng nhờ vào cách tự chơi với mình đề “huấn luyện” bản thân [13]. Ngày nay, trí tuệ nhân tạo được sử dụng trong hau hết tat cả các ngành công nghiệp. Thật khó dé có thể phủ nhận sự hiện diện của nó trong đời sống của con người, từ việc mua sản phâm trên Amazon hoặc đọc các tin tức trên Google, nghe nhạc hoặc xem phim trên Netflix,. Trí tuệ nhân tao đã và đang len lỏi vào từng mang của đời sống thường ngày và cải thiện trải nghiệm của con người một cách tốt hơn bao giờ hết.
Với trí tuệ nhân tạo, sẽ thật không sai khi nói rang con người có thé mơ ước về một thế giới mà ở đó, máy móc có thể giúp con người hiện thức hoá những điều mà trước nay tưởng chừng như không thể thực hiện. Học máy Được định nghĩa bởi Arthur Samuel vào năm 1959, học máy là thuật ngữ đề cập đến một tập hợp các phương pháp cung cấp cho máy tính “khả năng học mà không cần được lập trình một cách rõ ràng” [14]. Học máy là một nhánh của lĩnh vực trí tuệ nhân tạo và khoa học máy tính, nó chủ yếu tập trung vào việc sử dụng dir liệu và thuật toán dé bắt chước cách mà con người học, từ đó dần dần cải thiện độ chính xác của mình. Dựa trên phương pháp tiếp cận, có thể chia học máy thành bốn nhóm cơ bản là học có giám sát (Supervised Learning), học không giám sát (Unsupervised Learning), học bán giám sát (Semi — supervised Learning) và học tăng cường (Reinforcement Learning).
Sự khác biệt giữa các phương pháp tiếp cận học máy này năm ở các thuật toán được sử dụng, dữ liệu dau vào và loại vân dé mà chúng giải quyết. Cu thê như sau: Học có giám sát: là thuật toán dự đoán đầu ra (còn được gọi là outcome) của một dữ liệu mới (new, input) dựa trên các cặp (input, outcome) đã biết từ trước. Cặp dữ liệu nay còn được gọi là dữ liệu và nhãn (data, label). Tuy thuộc vào loại đầu ra mong muốn, học có giám sát lại được chia làm hai nhóm nhỏ là phân lớp (Classification) và hồi quy (Regression).
e Phân lớp: được sử dụng khi đầu ra mong muốn là một tập hữu hạn và rời rạc. Ví dụ trong bài toán phát hiện xâm nhập mạng, sỐ lượng các lớp (class) có thê là: nhị phân (tức là chỉ cần phân loại tất cả các hành vi mạng thành bình thường hoặc bất thường) và đa lớp (tức là ngoài việc phân loại hành vi mạng thành bình thường hoặc bất thường thì sau đó các hành vi bất thường còn phải được phân loại cụ thé hình thức tấn công như SYN Flood, TCP Flood, UDP Flood hay Ping of Death,. e Hồi quy: được sử dụng khi đầu ra mong muốn là một dai giá trị liên tục. Ví dụ trong bài toán tính giá trị xác suất, giả sử bài toán cần giải quyết là điểm đáng tin cậy của người dùng dé thực hiện cho vay tín dụng.
Điểm tin cậy dai diện cho khả năng mà người đó có thê chi trả cho khoản vay của mình và 12 nằm trong khoảng từ 0 đến 1, và nó thể hiện xác suất một người sẽ trả các khoản vay của mình. Khi đó, dit liệu sẽ giống như trong bảng 2.1: Ví dụ về bài toán hồi quy trong học có giám sát Nghề nghiệp Thu nhập Tuổi Điểm tin cậy Lập trình viên < 1000$ 25 0.3 Học có giám sát là một trong những phương pháp tiếp cận phô biến nhất của học máy. Tuy nhiên, hạn chế của phương pháp này là cần phải có một lượng lớn tập dit liệu có gán nhãn. Và dé có được lượng lớn tập dữ liệu có gán nhãn thật sự tiêu tốn rat nhiêu công sức cũng như chi phí dé thuê người đọc va gan nhãn thủ công.
Hoc không giám sát: là thuật toán dựa vào cấu trúc của dit liệu đầu vào dé khai phá những quy luật ẩn bên trong các tập dữ liệu đầu vào, ví dụ như phân nhóm hoặc giảm số chiều của dữ liệu dé thuận tiện cho việc lưu trữ và tính toán. Lưu ý, đối với học không có giám sát thì không có dữ liệu đầu ra (nhãn) mà chỉ có dữ liệu đầu vào (tập dữ liệu chưa được gán nhãn). Học không giám sát lại được chia làm hai nhóm nhỏ là phân nhóm (Clustering) và kết hợp (Association). e Phan nhóm: được sử dụng khi muốn phân toàn bộ dữ liệu bất kỳ thành các nhóm nhỏ dựa trên sự kiện liên quan giữa các dữ liệu trong mỗi nhóm, chang hạn như phân nhóm khách hàng dựa trên hành vi mua hàng.
e Kết hợp: được sử dụng khi muốn khai phá các quy luật của cấu trúc dữ liệu, chăng hạn như người mua món hàng A cũng có xu hướng mua món hàng B. Học bán giám sát: là thuật toán kết hợp giữa học có giám sát và không giám sát. Học tăng cường: là thuật toán giúp cho một hệ thống tự động xác định hành vi dựa trên ngữ cảnh để đạt được mục đích cao nhất. Học tăng cường thường được ứng dụng trong lý thuyết trò chơi (Game Theory), trong đó, học tăng cường cần xác định nước di tiép theo đê đạt được điêm sô cao nhat qua mỗi lần chơi.
13 Ngày nay, học máy được ứng dụng rộng rãi trong các lĩnh vực khác nhau, nổi bật nhất có thé kế đến học máy truy tim dit liệu, chân đoán y khoa, phát hiện thẻ tín dụng giả, phân tích thị trường chứng khoán, phân loại các chuỗi DNA, nhận dạng giọng nói và chữ viết, dịch tự động, chơi trò chơi và điều khiến tự động robot,. Học sâu Như đã đề cập ở phần trên, học sâu là một nhánh nhỏ của lĩnh vực học máy và sự khác biệt giữa chúng được thé hiện rõ ràng ở cách mà chúng “học”. Cụ thể, học sâu tự động hoá phần lớn quy trình trích xuất thuộc tính và cho phép sử dụng các tập dữ liệu lớn hơn rất nhiều so với học máy. Học sâu có thể nhận đầu vào là các tập dữ liệu phi cau trúc ở dạng thô như văn bản, hình ảnh,.
và tự động xác định tập hợp các thuộc tính giúp phân biệt các dữ liệu với nhau. Chính vì lý do đó mà học sâu chủ yếu được ứng dụng trong lĩnh vực thị giác máy tính, xử lý ngôn ngữ tự nhiên và nhận dạng giọng nói. Trong học sâu, việc học các biểu diễn phân lớp thường được dựa trên các mô hình mang neural nhân tạo, hàm kích hoạt (Activation Function), hàm mất mát (Loss Function) và thuật toán suy giảm độ dốc (Gradient Descent). Cu thé nhu sau: Mang neural: là một mô hình được lấy cảm hứng từ cấu trúc va chức năng của não bộ con người, đúng hơn là sự kết nối giữa các tế bào thần kinh trong sinh học.
Như trong hình 2.2 bên dưới, mỗi ô tròn đại diện cho một neural (còn được gọi là một nút), mỗi neural có một giá trị riêng. Giá trị của neural được tính toán thông qua giá trị của các neural trước đó và giá trị này cũng là đầu vào cho các neural phía sau. Nói cách khác, mỗi neural có thể nhận một hoặc nhiều giá tri làm giá tri đầu vào và thực hiện các phép tính toán dựa trên giá trị đó. Kết quả của phép tính chính là giá trị của neural.
Giá trị của các neural đầu tiên (còn được gọi là input layer) được lay từ đầu vào mà không cần phải thông qua bước tính toán, trong khi đó giá trị của neural cuối cùng (còn được gọi là output layer) sẽ là kết quả cuối cùng của toàn bộ quá trình tính toán. 14 Hidden layers Input layer © « Output layer GP SA @ 31 @®---.2: Mạng neural Các giá trị của neural được tính bang cách nhân mỗi giá tri đầu vào với trọng số của nó roi cộng tat cả giá trị lại với nhau. Tổng đó có thé là giá trị của neural hoặc phải được thực hiện thông qua một hàm số trên tông đó. Vi dụ mô hình hồi quy tuyến tính (Linear Regression) có thé được biéu diễn bằng mạng neural như hình 2.3: W3 ⁄ Y = Wo †+Wxq + W2X2 + WaXz (a) (b) Hình 2.