5 loại machine learning và ứng dụng của chúng

Machine learning (ML) là một nhánh của khoa học máy tính, khoa học dữ liệu và trí tuệ nhân tạo, cho phép hệ thống học và cải thiện từ dữ liệu mà không cần lập trình thêm.

Thay vì dùng các chỉ dẫn cố định, mô hình ML dùng thuật toán và thống kê để phát hiện mẫu trong dữ liệu, từ đó suy ra kết quả, liên tục cập nhật khi có dữ liệu mới.

Các thuật toán ML được chia thành 5 nhóm chính, mỗi loại có ưu điểm, năng lực và tình huống sử dụng khác nhau, từ thương mại điện tử, chăm sóc sức khỏe đến xe tự lái và nhận dạng giọng nói.

1/ Học có giám sát

• Học có giám sát dùng dữ liệu đã gán nhãn, nghĩa là biến mục tiêu/kết quả đã biết; ví dụ mô hình dự báo lốc xoáy với đầu vào là ngày, vị trí, nhiệt độ, gió… và đầu ra là hoạt động lốc xoáy thực tế.
• Thường dùng cho đánh giá rủi ro, nhận dạng hình ảnh, phân tích dự đoán và phát hiện gian lận; gồm các thuật toán hồi quy, phân loại, Naive Bayes, mạng nơ-ron và random forest.

2/ Học không giám sát

• Học không giám sát làm việc với dữ liệu không gán nhãn để khám phá cấu trúc ẩn, phục vụ phân tích khám phá, nhận dạng mẫu và mô hình dự đoán.
• Các kỹ thuật phổ biến: phân cụm K-means, phân cụm phân cấp, phân cụm xác suất; thường dùng cho TMĐT, phát hiện bất thường, hệ thống gợi ý kiểu “khách mua sản phẩm này cũng mua…”.

3/ Học tự giám sát

• Học tự giám sát cho phép mô hình tự huấn luyện trên dữ liệu không gán nhãn bằng cách dùng một phần dữ liệu để dự đoán phần còn lại, tự động tạo nhãn.
• Rất hữu ích trong thị giác máy tính, xử lý ngôn ngữ tự nhiên, nơi nguồn lực gán nhãn thủ công cho khối lượng dữ liệu khổng lồ là rất tốn kém hoặc gần như không khả thi.

4/ Học bán giám sát

• Học bán giám sát kết hợp học có giám sát & không giám sát: mô hình được huấn luyện trên lượng nhỏ dữ liệu gán nhãn và lượng lớn dữ liệu không gán nhãn.
• Một ví dụ là GAN (mạng đối sinh), một kỹ thuật deep learning có thể tạo dữ liệu mới và hỗ trợ các tác vụ bán giám sát.

5/ Học tăng cường

• Học tăng cường (reinforcement learning) sử dụng cơ chế thưởng – phạt để dạy một “tác nhân” chọn hành động tối ưu trong môi trường cụ thể nhằm đạt mục tiêu.
• Được dùng nhiều trong phát triển trò chơi, robot, xe tự lái, nơi tác nhân thử nghiệm lặp lại, nhận thưởng/phạt và dần học chiến lược xử lý tình huống tốt nhất.