Ngày cập nhật 2024-07-13 10:27:16

Machine Learning là gì? Tìm hiểu về cách hoạt động và ứng dụng

Machine Learning là gì? Machine Learning hay còn gọi là máy học -  một vấn đề được quan rất hiện nay bên cạnh trí tuệ nhân tạo (AI). Mô hình học máy vận hành dựa trên các thuật toán để thu thập và phân tích dữ liệu. Vậy có bao nhiêu thuật toán được sử dụng trong Machine learning workflow? Cùng Tanca tìm hiểu chi tiết qua bài viết dưới đây.

Machine Learning là gì?

Machine Learning

Machine Learning là một lĩnh vực thuộc trí tuệ nhân tạo (AI - artificial intelligence) và khoa học máy tính. Machine Learning liên quan đến việc nghiên cứu và xây dựng các kỹ thuật cho phép các hệ thống tự động "học" từ các dữ liệu để giải quyết các vấn đề cụ thể.

Máy học tập trung vào việc sử dụng dữ liệu và thuật toán để bắt chước cách con người học, tiếp đến dần cải thiện tính chính xác. Thông qua các phương pháp thống kê, thuật toán để phân loại hoặc dự đoán, khám phá những chi tiết quan trọng trong các dự án khai thác dữ liệu.

Xem thêm: Applicant Tracking System là gì?

Machine learning workflow

Machine learning workflow

Quy trình công nghệ máy học sẽ chỉ cho bạn cách làm việc với máy học. Cụ thể, từng bước trong quy trình Machine learning như sau:

Data collection – thu thập dữ liệu: để máy tính học được bạn cần có một bộ dữ liệu, bạn có thể tự thu thập hoặc lấy các bộ dữ liệu đã công bố trước đó. Lưu ý là phải thu thập từ nguồn chính thức thì dữ liệu mới chính xác và máy học đúng cách, đạt hiệu quả cao hơn.

Preprocessing - tiền xử lý: bước này dùng để chuẩn hóa dữ liệu, loại bỏ các thuộc tính không cần thiết, gán nhãn dữ liệu, mã hóa một số đặc trưng, trích xuất, thu gọn dữ liệu nhưng vẫn đảm bảo kết quả…

Bước này chiếm nhiều thời gian nhất tỷ lệ thuận với lượng dữ liệu bạn có. Bước 1 và 2 thường chiếm hơn 70% tổng thời gian thực hiện.

Training model – huấn luyện mô hình: bước này là bước bạn huấn luyện mô hình hoặc để nó học trên dữ liệu bạn đã thu thập và xử lý ở hai bước đầu tiên.

Evaluating model – đánh giá mô hình: sau khi huấn luyện mô hình, chúng ta cần sử dụng các công cụ để đánh giá mô hình. Độ chính xác của mô hình trên 80% được coi là tốt.

Improve - Cải thiện: Sau khi đánh giá mô hình, những mô hình có độ chính xác kém cần đào tạo lại. Chúng ta sẽ lặp lại từ bước 3, cho đến khi đạt độ chính xác mong muốn. Tổng thời gian của 3 bước cuối chiếm khoảng 30% tổng thời gian thực hiện.

Xem thêm: Mô hình Software as a Service hoạt động như thế nào?

Một số khái niệm cần biết về Machine Learning

khai niem hoc may

Dataset - Tập dữ liệu: Tập dữ liệu nguyên thủy chưa được xử lý mà bạn đã thu thập trong bước thu thập dữ liệu. Một tập dữ liệu có thể chứa nhiều một hoặc nhiều data point.

Data point - Điểm dữ liệu: Là một đơn vị thông tin độc lập trong tập dữ liệu của bạn. Chẳng hạn như bạn có tập dữ liệu bao gồm thời gian xây dựng, diện tích nhà, giá nhà…. thì một Data point sẽ bao gồm các thông tin đó. Một tập hợp các điểm dữ liệu được gọi là Dataset.

Training data, test data: Tập dữ liệu thường được chia thành hai tập hợp. Theo đó dữ liệu huấn luyện có nhiệm vụ huấn luyện trong mô hình Machine Learning, dữ liệu thử nghiệm để dự đoán kết quả và đánh giá mô hình.

Features vector: Là một vectơ đặc trưng, mỗi vectơ chịu trách nhiệm biểu diễn một điểm dữ liệu trong tập dữ liệu. Mỗi vectơ có n chiều đại diện cho các tính năng của điểm dữ liệu, mỗi tính năng là một chiều và phải là số.

Các mô hình chỉ có thể được đào tạo từ các vectơ đặc trưng này. Vì vậy tập dữ liệu cần được chuyển đổi thành một tập hợp các vectơ đặc trưng.

Model - Mô hình: Đây là những mô hình thường được sử dụng để training các dữ liệu huấn luyện (training data) dựa trên thuật toán của mô hình. Và sau đó mô hình sẽ dự đoán hoặc đưa ra quyết định dựa trên những gì đã học được.

Xem thêm: Ưu điểm và cách triển khai hệ thống ERP

Các phương pháp Machine Learning cơ bản

cac phuong phap hoc may

Supervised Machine Learning

Supervised Machine Learning hay còn được gọi là máy học có giám sát. Phương pháp này sử dụng các tập dữ liệu (dataset) được gắn nhãn để tạo thuật toán phân loại dữ liệu hoặc dự đoán kết quả theo cách chính xác nhất.

Công nghệ máy học có giám sát giúp giải quyết nhiều vấn đề trong thực tế cuộc sống. Chẳng hạn như phân loại thư spam trong một thư mục tách biệt với hộp thư đến.

Unsupervised Machine Learning

Unsupervised Machine Learning - còn được gọi là máy học không giám sát. Nó sử dụng thuật toán để phân tích và chia cụm các tập dữ liệu không được gắn nhãn. Nhờ đó phát hiện ra các mẫu hoặc nhóm dữ liệu ẩn mà không cần đến bất cứ sự can thiệp nào từ con người.

Khả năng khám phá sự tương đồng, sự khác biệt của thông tin khiến Unsupervised Machine Learning trở thành phương pháp máy học lý tưởng nhất để phân tích data. Bên cạnh đó nó còn nhận dạng được hình ảnh, dữ liệu liên quan đến phân khúc khách hàng của bạn…

Máy học không giám sát cũng được sử dụng để giảm số lượng tính năng trong một mô hình thông qua thuật toán Dimensionality Reduction - giảm kích thước. Phân tích thành phần chính (PCA) và phân tích giá trị đơn lẻ (SVD) là hai cách tiếp cận phổ biến của phương pháp này.

Semi-supervised Machine Learning

Semi-supervised Machine Learning - máy học bán giám sát cung cấp giải pháp tối ưu giúp kết nối giữa Unsupervised Machine Learning và Supervised Machine Learning. Trong quá trình thực hiện, nó sử dụng dataset được gắn nhãn nhỏ hơn để phân loại và trích xuất tính năng từ dataset lớn hơn không được gắn nhãn.

Bên cạnh đó, máy học bán giám sát còn giúp giải quyết vấn đề khi không có đủ dữ liệu được gắn nhãn. Mục đích huấn luyện thuật toán học có giám sát một cách hiệu quả, nhanh chóng.

Xem thêm: Những ứng dụng của trí tuệ nhân tạo vào hoạt động kinh doanh

10 thuật toán Machine Learning phổ biến nhất

cac thuat toan Machine Learning

Linear Regression (Hồi quy tuyến tính)

Đây là một thuật toán phổ biến trong Machine Learning giúp thống kê để hồi quy dữ liệu với các biến phụ thuộc có giá trị liên tục. Trong khi các biến độc lập có thể có giá trị liên tục hoặc giá trị phân loại.

Để hiểu cách thức hoạt động của thuật toán này, hãy tưởng tượng bạn sắp xếp các khúc gỗ theo thứ tự trọng lượng tăng dần. Tuy nhiên, bạn không thể nào cân từng khúc gỗ vì rất mất thời gian. Do đó bạn phải dựa vào phân tích trực quan (nhìn vào chiều cao, chu vi của khúc gỗ) và sắp xếp chúng. Đây chính là hồi quy tuyến tính trong Machine Learning.

Logistic Regression (Hồi quy logistic)

Hồi quy logistic được ứng dụng để ước tính các giá trị nhị phân như 0/1 từ một tập hợp các biến độc lập. Thuật toán này khớp dữ liệu với hàm logit giúp dự đoán xác suất của một sự kiện.

Thuật toán hồi quy logistic sẽ hoạt động hiệu quả khi bỏ đi các thuộc tính không liên quan đến biến đầu ra. Đây là một mô hình có thể học một cách nhanh chóng với các bài toán phân loại nhị phân.

Decision Tree (Cây quyết định)

Decision Tree trong mô hình Machine Learning là một thuật toán học có giám sát được sử dụng để phân loại các vấn đề. Thuật toán hoạt động tốt khi phân loại cho cả biến phụ thuộc phân loại và liên tục.

Trong Decision Tree, bạn có thể chia tổng thể thành nhiều tập hợp đồng nhất dựa trên các thuộc tính và biến độc lập.

Thuật toán Support Vector Machine (Thuật toán SVM)

Thuật toán SVM là một phương pháp thuật toán phân loại. Trong đó bạn vẽ biểu đồ dữ liệu thô dưới dạng các điểm trong không gian N chiều (trong đó n là số đối tượng bạn có).

Giá trị của mỗi tính năng sau đó được gắn với một tọa độ cụ thể, giúp dễ dàng phân loại dữ liệu. Thuật toán SVM giải quyết nhiều vấn đề lớn như phân loại hình ảnh trên diện rộng, hiển thị quảng cáo và phát hiện hình ảnh.

Thuật toán Naive Bayes

Naive Bayes là một thuật toán đơn giản nhưng có mô hình dự đoán cực kỳ chính xác. Mô hình Naive Bayes giả định rằng sự hiện diện của một tính năng cụ thể trong một lớp không liên quan đến sự hiện diện của bất kỳ đối tượng địa lý nào.

Ngay cả khi các đối tượng này có liên quan với nhau, trình phân loại Naive Bayes sẽ xem xét tất cả chúng một cách độc lập khi tính toán xác suất. Sau đó đưa ra một kết quả chi tiết nhất. Các mô hình Naive Bayes rất dễ xây dựng và hữu ích cho các tập dữ liệu lớn với các vấn đề phức tạp.

Thuật toán K-Nearest Neighbors (KNN)

Thuật toán KNN được sử dụng rộng rãi hơn trong data science để giải quyết các vấn đề phân loại. Thuật toán này lưu trữ tất cả các trường hợp có sẵn và phân loại bất kỳ trường hợp mới nào bằng cách lấy phần lớn phiếu bầu của K Neighbors.

Sau đó, trường hợp được gán cho lớp mà nó có nhiều điểm tương đồng nhất. Một chức năng khoảng cách sẽ thực hiện phép đo này.

Để giúp bạn hiểu hơn về thuật toán KNN, lấy ví dụ đơn giản trong cuộc sống. Chẳng hạn như khi bạn muốn biết thông tin về ai đó, bạn có thể trò chuyện với bạn bè hay đồng nghiệp của họ.

Tuy nhiên, cần xem xét kỹ lưỡng khi chọn thuật toán KNN. Bởi thuật toán có thể bị sai lệch nếu các biến chưa được chuẩn hóa. Ngoài ra bạn cũng cần xử lý dữ liệu trước khi sử dụng thuật toán.

Thuật toán K-Means

K-Means là một thuật toán Unsupervised Machine Learning giúp giải quyết các vấn đề phân cụm. Các dataset được phân loại thành một số cụm cụ thể (hãy gọi số đó là K), theo cách sao cho tất cả các data point trong một cụm phải tương đồng hoặc không với dữ liệu trong các cụm khác.

Cách thuật toán K-means hình thành cụm dữ liệu:

  • Thuật toán K-mean chọn K số điểm cho mỗi cụm, gọi là centroid.
  • Mỗi data point tạo thành một cụm với các centroid gần nhất, tức là cụm K.
  • Tạo các trung tâm mới dựa trên các cụm thành viên hiện có.
  • Với các trung tâm mới này, khoảng cách gần nhất cho từng điểm dữ liệu được xác định. Quá trình này được lặp lại cho đến khi các trung tâm không thay đổi.

Thuật toán Random Forest hoạt

Một tập hợp các Decision Tree được gọi là Random Forest. Để phân loại một đối tượng mới dựa trên các thuộc tính của nó, mỗi cây được phân loại và “bỏ phiếu” cho lớp đó.

Random Forest hoạt động theo các bước sau:

  • Chọn các mẫu ngẫu nhiên từ bộ tài liệu đã cho.
  • Thiết lập Decision Tree cho từng mẫu và lấy kết quả của từng dự đoán dựa trên Decision Tree.
  • Bình chọn cho mỗi kết quả dự đoán.
  • Chọn kết quả được bình chọn nhiều nhất làm kết quả cuối cùng.

Thuật toán Dimensionality Reduction (giảm kích thước)

Luôn tồn tại một lượng dữ liệu khổng lồ đang được lưu trữ và phân tích bởi các doanh nghiệp, tổ chức chính phủ hay các viện nghiên cứu. Những dữ liệu thô này rất chứa rất nhiều thông tin, thách thức ở đây là xác định các mẫu và biến quan trọng.

Nói một cách đơn giản, Dimensionality Reduction là quá trình chuyển đổi dữ liệu từ không gian nhiều chiều sang không gian ít chiều. Từ đó biểu diễn ít chiều mà vẫn giữ lại một số thuộc tính có giá trị của dữ liệu gốc.

Thuật toán Gradient Boosting và thuật toán AdaBoosting

Thuật toán Gradient Boosting giúp xử lý một lượng lớn dữ liệu để đưa ra các dự đoán với độ chính xác tối ưu nhất. Thuật toán này kết hợp sức mạnh dự đoán của một số công cụ ước tính cơ sở để cải thiện độ chính xác của kết quả cuối cùng.

AdaBoost là một thuật toán học tập mạnh mẽ giúp đẩy nhanh quá trình tạo bộ phân loại mạnh. Đây là thuật toán tăng cường thành công đầu tiên được phát triển để phân loại nhị phân.

Ứng dụng của mô hình học máy Machine Learning

Machine learning được ứng dụng vô cùng nhiều trong cuộc sống hiện nay ở mọi lĩnh vực:

  • Tài chính - ngân hàng
  • Sinh học
  • Nông nghiệp
  • Tự động hóa
  • Hóa học
  • Internet
  • Khoa học vũ trụ
  • Quảng cáo
  • Xử lý ngôn ngữ tự nhiên

Và có rất nhiều lĩnh vực mà máy học có thể được áp dụng, Machine Learning đã được chứng minh là cực kỳ hiệu quả, vượt trội so với con người trong những lĩnh vực cụ thể. Ví dụ dự báo thời tiết, người ta sẽ sử dụng các tính toán và quan sát, ghi chép về thời tiết trong quá khứ để dự báo thời tiết của những ngày tiếp theo.

Tuy nhiên, nếu có cực kỳ nhiều quan sát được thực hiện, có thể lên đến hàng triệu, hàng tỷ quan sát thì con người không thể thực hiện các tính toán trên dữ liệu lớn như vậy. Hơn nữa, tính toán với dữ liệu lớn như vậy có thể dễ bị lỗi và dẫn đến dự đoán sai.

Tại thời điểm này, áp dụng Machine Learning để máy tính học hỏi từ các quan sát được ghi lại trong quá khứ. Chúng có thể dự đoán thời tiết trong tương lai với độ chính xác cao hơn nhiều so với dự đoán của con người.

Chính vì sự phổ biến và hiệu quả của machine learning, hiểu biết và tìm hiểu về machine learning chắc chắn là một lợi thế lớn trong thời đại công nghệ 4.0 hiện nay.

Như vậy qua bài viết trên Tanca đã giới thiệu đến bạn đọc khái niệm Machine Learning là gì cũng như tầm quan trọng của nó trong thời đại công nghệ. Ứng dụng Machine Learning trong phân tích dữ liệu với quy mô lớn sẽ mang đến độ chính xác cao hơn. Mong rằng những thông tin trên sẽ cung cấp cho bạn nhiều kiến thức bổ ích.

Lê Thị Thuỳ Vi
Bài viết mới
Bài viết liên quan