Giới thiệu

Trong bài trước, chúng ta đã tìm hiểu về khái niệm và ý nghĩa của Machine Learning cũng như các kiến thức cơ bản liên quan. Trong bài này, chúng ta sẽ đi sâu vào việc phân loại các thuật toán Machine Learning cơ bản để dễ dàng tiếp cận với các thuật toán và bài toán thực tế.

Phân loại thuật toán Machine learning theo cách học

Có ba loại cơ bản trong phân loại các thuật toán Machine Learning dựa trên cách học, bao gồm: Học có giám sát, Học không giám sát và Học bán giám sát.

1. Học có giám sát (Supervised Learning)

Học có giám sát là loại học mà máy tính được đào tạo trên một tập dữ liệu đã được gán nhãn. Nói cách khác, trong bài toán này, chúng ta cung cấp cho máy tính cả dữ liệu đầu vào và đầu ra mong muốn (nhãn). Mục đích của việc học có giám sát là dự đoán kết quả đầu ra cho dữ liệu mới chưa được gán nhãn.

Học có giám sát lại được chia thành hai nhóm chính:

Hồi quy (Regression): Khi kết quả đầu ra là một giá trị liên tục, chúng ta sử dụng thuật toán hồi quy. Ví dụ: dự đoán giá nhà, dự đoán doanh số.
Phân loại (Classification): Khi kết quả đầu ra là một giá trị rời rạc, chúng ta sử dụng thuật toán phân loại. Ví dụ: phân loại văn bản, nhận dạng khuôn mặt.

2. Học không giám sát (Unsupervised Learning)

Học không giám sát xử lý vấn đề khi chúng ta không biết kết quả đầu ra mong muốn và không có nhãn cho dữ liệu. Mục tiêu của học không giám sát là khám phá cấu trúc ẩn trong dữ liệu và tìm ra một cách biểu diễn dữ liệu phù hợp.

Học không giám sát chủ yếu được chia thành hai nhóm:

Phân cụm (Clustering): Nhóm các đối tượng tương tự lại với nhau. Ví dụ: phân loại khách hàng, phân loại tài liệu.
Giảm chiều dữ liệu (Dimensionality Reduction): Giảm số lượng biến trong dữ liệu, giữ lại các thông tin quan trọng nhất. Ví dụ: giảm chiều dữ liệu ảnh, tìm các yếu tố tiềm ẩn trong thông tin người dùng.

3. Học bán giám sát (Semi-supervised Learning)

Học bán giám sát kết hợp cả hai phương pháp học có giám sát và học không giám sát, trong đó một phần dữ liệu được gán nhãn và phần còn lại không. Mục tiêu của học bán giám sát là tận dụng lợi thế của cả hai phương pháp để cải thiện độ chính xác của mô hình.

Ghi chú về Học tăng cường (Reinforcement Learning)

Reinforcement Learning là một nhánh khác của Machine Learning, trong đó một hệ thống (hay được gọi là “agent”) được xây dựng để tự động học cách tương tác với môi trường của nó, thông qua quá trình áp dụng các hành động và nhận lại phản hồi từ chính môi trường. Mục tiêu của Reinforcement Learning là điều khiển một agent sao cho đạt được điểm thưởng tối đa từ môi trường dựa vào các hành động mà agent thực hiện.

Reinforcement Learning được ứng dụng rộng rãi trong các lĩnh vực như điều khiển robot, ứng dụng tài chính, hệ thống gợi ý, điều khiển tự động, trò chơi và nhiều ứng dụng khác nữa.

Phân loại thuật toán Machine learning dựa trên kỹ thuật

Ngoài phân loại các thuật toán Machine Learning theo cách học, chúng ta còn có thể phân loại dựa trên kỹ thuật sử dụng trong thuật toán. Một số kỹ thuật thông dụng trong Machine Learning bao gồm:

1. Hồi quy tuyến tính (Linear Regression)

Hồi quy tuyến tính là một trong những kỹ thuật đơn giản nhất trong Machine Learning. Nó giả định mối quan hệ giữa các biến đầu vào và đầu ra là tuyến tính, thông qua việc tìm ra một đường thẳng (hay mặt phẳng) ước lượng tốt nhất giữa các điểm trong dữ liệu.

2. Máy vector hỗ trợ (Support Vector Machine)

Máy vector hỗ trợ là một kĩ thuật phân loại trong Machine Learning có giám sát mà hoạt động bằng cách tìm ra một đường phân chia sao cho khoảng cách từ đường phân chia đến các điểm dữ liệu gần nhất là lớn nhất có thể.

3. Mạng Neuron Nhân tạo (Artificial Neural Network)

Mạng Neuron Nhân tạo là một kỹ thuật mô phỏng cách hoạt động của não người bằng cách kết nối nhiều đơn vị xử lý cơ bản (neuron nhân tạo) lại với nhau. Mạng Neuron Nhân tạo có khả năng tự học từ dữ liệu và được ứng dụng trong nhiều lĩnh vực của Machine Learning, đặc biệt là Deep Learning.

4. K-Means

K-Means là một kỹ thuật phân cụm trong học không giám sát. K-Means hoạt động bằng cách nhóm các điểm dữ liệu lại dựa trên khoảng cách của chúng và tìm ra K tâm cụm sao cho tổng khoảng cách từ các điểm đến tâm cụm tương ứng là nhỏ nhất có thể.

5. Phân tích thành phần chính (Principal Component Analysis)

Phân tích thành phần chính là một kỹ thuật giảm chiều dữ liệu trong học không giám sát. Nó hoạt động bằng cách tìm ra các trục tọa độ mới sao cho các biến đổi dữ liệu trên các trục mới này có giá trị phương sai lớn nhất và không tương quan với nhau.

Phân loại thuật toán Machine learning dựa trên ứng dụng

Các thuật toán Machine Learning còn có thể phân loại dựa trên các ứng dụng hoặc bài toán mà chúng được áp dụng. Dưới đây là một số ứng dụng thường gặp:

1. Nhận dạng hình ảnh và xử lý ảnh

Các thuật toán Machine Learning được sử dụng rộng rãi trong nhận dạng hình ảnh, như phân loại và nhận dạng đối tượng trong ảnh, chế tác ảnh, phân đoạn ảnh, phát hiện biển báo giao thông, gợi ý bộ lọc ảnh, và nhiều hơn nữa. Một số thuật toán phổ biến trong lĩnh vực này là các mạng Neuron tích chập (Convolutional Neural Network, CNN) và mô hình phân loại đa nhãn (Multi-label classification).

2. Xử lý ngôn ngữ tự nhiên

Các thuật toán Machine Learning cũng được ứng dụng trong lĩnh vực xử lý ngôn ngữ tự nhiên (Natural Language Processing, NLP), như phân loại văn bản, phân tích cảm xúc, gạch ý chính, dịch máy, tóm tắt văn bản và sinh văn bản tự động. Các mô hình như BERT và GPT là các kĩ thuật phổ biến được sử dụng trong xử lý ngôn ngữ tự nhiên.

3. Hệ thống đề xuất

Hệ thống đề xuất (Recommender System) là một ứng dụng phổ biến của Machine Learning trong việc dự đoán và gợi ý các sản phẩm, dịch vụ hoặc thông tin phù hợp với người dùng dựa trên lịch sử hoạt động của họ. Các thuật toán thông dụng trong hệ thống này bao gồm phân tích hệ số tương quan (Collaborative Filtering), Content-based Filtering và Matrix Factorization.

4. Âm nhạc và nghệ thuật

Machine Learning còn được sử dụng để tạo ra các tác phẩm âm nhạc, họa tiết nghệ thuật và kiến trúc tự động. Các thuật toán trong lĩnh vực này bao gồm các mạng Generative Adversarial (GAN), Autoencoder và mô hình Markov Hidden.

5. Khoa học, Y tế, Pháp luật và Giáo dục

Thuật toán Machine Learning có nhiều ứng dụng trong các lĩnh vực như Khoa học, Y tế và Pháp luật, nhằm giải quyết các bài toán phức tạp và tối ưu hóa quá trình ra quyết định. Một số ứng dụng phổ biến trong các lĩnh vực này là:

Dự đoán kết quả y tế của bệnh nhân, dựa trên nền tảng của các kỹ thuật phân loại như Random Forest hay mạng Neuron Nhân tạo.
Hiểu và phát hiện các bản án tương tự, hỗ trợ phán quyết của tòa án.
Phát hiện gian lận, bằng cách sử dụng các kỹ thuật như phân cụm K-Means hoặc phân loại Anomaly Detection (phát hiện bất thường).
Tối ưu hoá và nắm bắt xu hướng trong thị trường chứng khoán dựa trên kỹ thuật hồi quy và mô hình học tăng cường (Reinforcement Learning).
Phát hiện và dự đoán các tổn thất hoạt động, bảo trì và sửa chữa của các sản phẩm công nghiệp thông qua việc sử dụng các kỹ thuật dự báo như ARIMA.
Tối ưu hóa chất lượng giáo dục thông qua việc sử dụng mô hình học máy trong việc phát hiện các yếu tố ảnh hưởng đến độ linh hoạt của chương trình học tập, giúp nắm bắt nhu cầu của học viên và xây dựng chương trình học tập phù hợp với từng cá nhân.

Kết luận

Trong bài 2 này, chúng ta đã tìm hiểu về các tiêu chí phân loại các thuật toán Machine Learning dựa trên cách học, kỹ thuật sử dụng và ứng dụng của chúng trong thực tiễn. Những thông tin trong bài sẽ giúp bạn hiểu rõ hơn về các thuật toán Machine Learning cũng như cách lựa chọn phù hợp cho từng bài toán cụ thể mà bạn đang giải quyết.

Các bài tiếp theo trong chuỗi Machine Learning cơ bản của trituenhantao.io sẽ đi sâu vào các thuật toán và kỹ thuật được giới thiệu ở đây, giúp bạn nắm vững kiến thức và kỹ năng cần thiết khi tiếp cận các bài toán Machine Learning trong thực tế. Hãy tiếp tục theo dõi và học tập!