giới thiệu về học máy
Tất cả các bài viết đều được viết với mục đích tự học và chia sẻ kiến thức về lĩnh vực học máy và trí tuệ nhân tạo

Trong chuỗi bài viết về Deep learning, bài đầu tiên này mình sẽ khái quát về các kiến thức về Machine learning hay còn gọi là học máy. Nghiên cứu Deep learning được coi là một phần nghiên cứu trong lĩnh vực học máy.

Các thuật toán trong machine learning thường được phân loại thành 4 loại chính như sau:

Học máy có giám sát

Supervise learning là một dạng chủ yếu trong nhiều bài toán về học máy. Nó bao gồm việc học những dữ liệu đầu vào mà ta đã biết mục tiêu hay còn gọi là nhãn (labels). Thông thường những ứng dụng của deep learning gần đầy thường hướng đến là: nhận dạng sự vật, nhận dạng giọng nói, phân lớp hình ảnh, dịch máy Học máy có giám sát hầu hết bao gồm 2 bài toán là: Bài toán phân lớp và bài toán hồi quy, nó cũng có thể được mở rộng ra một số vấn đề như: Sequence generation, syntax tree prediction, object detection, image sgmentation ( Từng vấn đề này mình sẽ giới thiệu ở một bài viết khác cụ thể hơn)

Học máy không giám sát

Với unsupervise learning bao gồm việc học những dữ liệu không có dữ nhãn hay còn gọi là labels target. Nó thường nhằm mục tiêu là visulize data hoặc làm giảm nhiễu dữ liệu,…Học máy không giám sát chủ yêuts ddeer phân tích dữ liệu và thường là buowcs cần thiết để hiểu dữ liệu hơn trước khi giải quyết các vấn đề của học máy giám sát. Giảm chiều hoặc phân cụm được biết đến là các giải thuật trong học máy không giám sát

Tự học có giám sát

self-supervised learning là một dạng học có giám sát mà không với sự gán nhãn của con người. Có nghĩa là dữ liệu vẫn có nhãn nhưng nó được sinh ra tự động bởi dữ liệu đầu vào. Autoencoders được biết đến là một dạng tự học có giám sát nơi mà các nhãn là dữ liệu đầu vào, không chỉnh sửa

Học củng cố

Từ lâu bị bỏ qua, nhưng nhánh học này gần đây được chú ý khi Google DeepMind áp dụng thành công nó vào việc học chơi trò chơ cờ vây. Trong học củng cố, một tác nhân nhận một thông tin về môi trường của nó và học cách chọn các hành động sẽ tối đa hoá phần thưởng. Ví dụ, Một mạng neural nhàn vào màn hình trò chơ điện từ và xuất ra các hành động trong trò chơi để tối đa hoá điểm số của nó có thể được đào tạo thông qua học củng cố. Hiện tại, học củng cố là một lĩnh vực nghiên cứu khá mới và chưa có những thành công thực tế đáng kể ngoài trò chơi. Tuy nhiên, theo thời gian, chúng ta mong đợi rằng việc học tập củng cố sẽ ứng dụng rộng lớn trong các lĩnh vực lớn trên thế giới như: ô tô tự lái, người máy, quản lý tài nguyên, giáo dục ….

Bài biết hôm nay mình sẽ tạm dừng ở đây, với việc khái quát về các dạng giải thuật trong học máy Bài viết dựa trên Chương 4 cuốn sách Deep learning với Python

LEAVE A REPLY

Please enter your comment!
Please enter your name here