CHƯƠNG 1: TỔNG QUAN VỀ HỌC MÁY 1. Giới thiệu về học máy • Máy học là môn khoa học nhằm phát triển những thuật toán và mô hình thống kê mà các hệ thống máy tính sử dụng để thực hiện các tác vụ dựa vào khuôn mẫu và suy luận mà không cần hướng dẫn cụ thể. Các hệ thống máy tính sử dụng thuật toán máy học để xử lý khối lượng lớn dữ liệu trong quá khứ và xác định các khuôn mẫu dữ liệu. Việc này cho phép chúng dự đoán kết quả chính xác hơn từ cùng một tập dữ liệu đầu vào cho trước.
Ví dụ: các nhà khoa học dữ liệu có thể đào tạo một ứng dụng y tế chẩn đoán ung thư từ ảnh chụp X-quang bằng cách lưu trữ hàng triệu ảnh quét và chẩn đoán tương ứng. • Máy học giúp các doanh nghiệp thúc đẩy phát triển, tạo ra các dòng thu nhập mới và giải quyết những vấn đề mang tính thách thức. Dữ liệu là động lực thúc đẩy tối quan trọng đằng sau các quyết định của doanh nghiệp nhưng theo truyền thống, các công ty sử dụng dữ liệu từ nhiều nguồn như phản hồi của khách hàng, nhân viên và bộ phận tài chính. Nghiên cứu của máy học giúp tự động hóa và tối ưu hóa quá trình này.
Bằng cách sử dụng phần mềm phân tích khối lượng lớn dữ liệu ở tốc độ cao, các doanh nghiệp có thể đạt được kết quả nhanh hơn.1: Quá trình hình thành của một mô hình Machine Learning.1 mô tả quá trình hình thành của một mô hình Machine Learning trong đó bước 1 là chuẩn bị dữ liệu. Trong bước 1 gồm những công việc như thu thập dữ liệu và tiền xử lý dữ liệu. Tiếp theo đến bước 2 đó là xây dựng mô hình cho bài toán cũng như tập dữ liệu. Kế tiếp là đến huấn luyện nhiều mô hình từ đó chọn ra mô hình thích hợp nhất.
Cuối cùng là triển khai mô hình 3 • Công nghệ máy học được sử dụng trong lĩnh vực: o Sản xuất: Máy học có thể hỗ trợ bảo trì dự đoán, kiểm soát chất lượng và nghiên cứu đổi mới trong lĩnh vực sản xuất. Công nghệ máy học cũng giúp các công ty cải thiện giải pháp hậu cần, bao gồm quản lý tài sản, chuỗi cung ứng và kho hàng. Thuật toán máy học giúp các nhà nghiên cứu của 3M phân tích những thay đổi nhỏ về hình dạng, kích thước và định hướng có thể cải thiện khả năng mài mòn và độ bền ra sao. Những gợi ý này cung cấp thông tin cho quá trình sản xuất.
o Chăm sóc sức khỏe và khoa học đời sống: Sự phát triển như vũ bão của cảm biến và thiết bị có thể đeo được đã tạo ra một lượng lớn dữ liệu về sức khỏe. Các chương trình máy học có thể phân tích thông tin này và hỗ trợ bác sĩ chẩn đoán và điều trị trong thời gian thực. Các nhà nghiên cứu máy học đang phát triển giải pháp phát hiện khối u ung thư và chẩn đoán những bệnh về mắt, tác động đáng kể tới kết quả chăm sóc sức khỏe con người. o Dịch vụ tài chính: Các dự án máy học về tài chính giúp cải thiện khả năng phân tích rủi ro và quy định.
Công nghệ máy học có thể giúp các nhà đầu tư xác định cơ hội mới bằng cách phân tích hoạt động của thị trường chứng khoán, đánh giá các quỹ phòng hộ hoặc hiệu chỉnh danh mục tài chính. Thêm vào đó, công nghệ máy học có thể giúp xác định các khách hàng vay nợ có rủi ro cao và giảm bớt dấu hiệu của hành vi lừa đảo. o Bán lẻ: Nhà bán lẻ có thể sử dụng máy học để cải thiện dịch vụ khách hàng, quản lý hàng tồn kho, bán hàng gia tăng và tiếp thị đa kênh. o Truyền thông và giải trí: Các công ty giải trí tìm đến máy học để hiểu rõ hơn đối tượng mục tiêu của họ đồng thời cung cấp nội dung chân thực, được cá nhân hóa và theo nhu cầu của khách hàng.
Thuật toán máy học được triển khai để giúp thiết kế trailer và các dạng quảng cáo khác, từ đó đề xuất nội dung được cá nhân hóa cho người tiêu dùng và thậm chí là hợp lý hóa quy trình sản xuất. Các phương pháp học máy • Học có giám sát (supervised learning): Học có giám sát đã có thành công lớn trong các ứng dụng trong thực tế. Học có giám sát còn được gọi là học quy nạp 4 trong học máy. Quá trình học này giống như việc con người học hỏi từ những kiến thức trong quá khứ để có được kiến thức mới nhằm cải thiện khả năng của chúng tôi trong việc xử lý các công việc thực tế.
Tuy nhiên, vì máy móc không có “trải nghiệm”, buộc máy tính phải học những thông tin từ dữ liệu, dữ liệu được thu thập trong quá khứ và nó làm nhiệm vụ huấn luyện máy tính học các trải nghiệm này để áp dụng giải quyết các vấn đề trong thực tế [2]. • Học không giám sát (unsupervised learning): Học không giám sát là một nhánh trong học máy. Loại hình học này sử dụng dữ liệu không được gắn nhãn như học có giám sát mà thay vào đó tập trung vào các đặc trưng của dữ liệu. Khi sử dụng phương pháp học không giám sát, chúng tôi không quan tâm đến kết quả mục tiêu kết quả đầu ra, vì mục tiêu của thuật toán là tìm kiếm các mối quan hệ trong dữ liệu và thực hiện nhóm các điểm dữ liệu chỉ dựa trên dữ liệu đầu vào.
Học có giám sát liên quan đến dữ liệu được gắn nhãn để đưa ra dự đoán, nhưng học không giám sát thì không. Mục tiêu của học không giám sát là phân tích dữ liệu và tìm ra các đặc trưng quan trọng. Việc học không được giám sát thường sẽ tìm thấy các nhóm con hoặc các mẫu ẩn trong tập dữ liệu mà người quan sát là con người có thể không nhận ra. [2] • Học bán giám sát (semi-supervised learning): Học bán giám sát như tên gọi cho biết nằm ở giữa hai trạng thái (học có giám sát là toàn bộ tập dữ liệu được gắn nhãn và học không giám sát là tập dữ liệu không có nhãn) về tính khả dụng của dữ liệu được gắn nhãn.
Một nhiệm vụ học bán giám sát được đi kèm với một tập dữ liệu được gắn nhãn và không được gắn nhãn. Nó sử dụng dữ liệu không được gắn nhãn để hiểu thêm về cấu trúc dữ liệu. Học bán giám sát rất được quan tâm trong học máy và khai thác dữ liệu vì nó có thể sử dụng dữ liệu không gắn nhãn sẵn có để cải thiện các nhiệm vụ học có giám sát khi dữ liệu được gắn nhãn khan hiếm hoặc đắt tiền. Thông thường, học bán giám sát được thực hiện bằng cách sử dụng một tập dữ liệu có nhãn nhỏ và một tập dữ liệu không được gắn nhãn tương đối lớn hơn.
Mục đích là để tìm hiểu một dự đoán dữ liệu kiểm tra trong tương lai tốt hơn so với dự đoán được học từ dữ liệu đào tạo được gắn nhãn. Các vấn đề thường gặp trong học máy • Sử dụng dữ liệu chất lượng thấp: Dữ liệu chất lượng thấp có thể là một hạn 5 chế đáng kể khi đào tạo các mô hình AI, đặc biệt là trong Học máy. Chất lượng của dữ liệu có thể có tác động lớn đến hiệu suất của mô hình và dữ liệu chất lượng thấp có thể dẫn đến hiệu suất kém và kết quả không đáng tin cậy. Một số vấn đề phổ biến với dữ liệu chất lượng thấp bao gồm: o Dữ liệu bị thiếu hoặc không đầy đủ: Nếu một phần đáng kể dữ liệu bị thiếu hoặc không đầy đủ, có thể sẽ gây khó khăn cho việc đào tạo một mô hình chính xác và đáng tin cậy.
o Dữ liệu nhiễu: Dữ liệu chứa nhiều nhiễu, chẳng hạn như dữ liệu ngoại lai (outliers), lỗi hoặc thông tin không liên quan, có thể tác động tiêu cực đến hiệu suất của mô hình khi đưa ra sai lệch và giảm độ chính xác tổng thể. o Dữ liệu không đại diện: Nếu dữ liệu được sử dụng để đào tạo mô hình không đại diện cho vấn đề hoặc nhiệm vụ mà nó đang được sử dụng, thì có thể dẫn đến hiệu suất kém và kết quả chung chung. Điều cực kỳ quan trọng là phải đảm bảo rằng dữ liệu có chất lượng cao bằng cách đánh giá cẩn thận và xác định phạm vi dữ liệu thông qua quản trị dữ liệu, tích hợp dữ liệu và khám phá dữ liệu. Bằng cách thực hiện các bước này, chúng ta có thể đảm bảo dữ liệu rõ ràng, sẵn sàng để sử dụng.2: Giá trị outlier trong dữ liệu.2 mô tả một tập hợp các giá trị được phân bố đồng đều trong khoảng (50, 120).
Tuy nhiên, có giá trị là 190 vượt ngưỡng các giá trị còn lại, giá trị này được gọi là outlier hay giá trị ngoại biên và được thể hiện bằng khoanh tròn đỏ trên biểu đồ. • Bỏ qua dữ liệu ngoại lai cao hoặc thấp: Sai lầm Học máy phổ biến thứ hai 6 trong dữ liệu bao gồm việc không nhận ra và tính đến các dữ liệu ngoại lai trong các bộ dữ liệu. Điều quan trọng là không được bỏ qua những dữ liệu này vì chúng có thể có tác động đáng kể đến các mô hình Học máy, đặc biệt là các mạng nơ-ron nhân tạo. Chúng ta có thể nghĩ rằng sẽ giữ nó vì nó đại diện cho dữ liệu nhưng các dữ liệu ngoại lai thường là các trường hợp tại biên và để đào tạo một mô hình AI nhằm khái quát hóa một nhiệm vụ, những dữ liệu này có thể ảnh hưởng đến độ chính xác, tạo ra sai lệch và tăng phương sai.
Đôi khi, chúng chỉ là kết quả của nhiễu dữ liệu (có thể được làm sạch bằng cách tham khảo những gì chúng ta đã thảo luận trong phần trước), trong khi những lần khác, chúng có thể là dấu hiệu của một vấn đề nghiêm trọng hơn. Những dữ liệu ngoại lai này có thể ảnh hưởng mạnh mẽ đến kết quả và đưa ra những dự báo không chính xác trong các mô hình nếu chúng ta không chú ý cẩn thận đến các chúng trong dữ liệu chung. [3] • Sử dụng bộ dữ liệu quá lớn hoặc quá nhỏ: Kích thước của bộ dữ liệu có thể có tác động đáng kể đến việc đào tạo mô hình học máy. Nhìn chung, bộ dữ liệu càng lớn thì mô hình sẽ hoạt động tốt hơn.