Học máy - Danh mục
Học máy được phân loại rộng rãi theo các tiêu đề sau:
Máy học phát triển từ trái sang phải như trong sơ đồ trên.
Ban đầu, các nhà nghiên cứu bắt đầu với Học có giám sát. Đây là trường hợp dự đoán giá nhà ở đã thảo luận trước đó.
Tiếp theo là quá trình học không giám sát, nơi máy móc được tạo ra để tự học mà không cần bất kỳ sự giám sát nào.
Các nhà khoa học phát hiện thêm rằng có thể là một ý tưởng hay khi thưởng cho cỗ máy khi nó thực hiện công việc theo cách mong đợi và đã có Học tập tăng cường.
Rất nhanh chóng, dữ liệu có sẵn ngày nay đã trở nên khổng lồ đến mức các kỹ thuật thông thường được phát triển cho đến nay không thể phân tích dữ liệu lớn và cung cấp cho chúng ta dự đoán.
Do đó, nghiên cứu sâu đã xuất hiện trong đó bộ não con người được mô phỏng trong Mạng thần kinh nhân tạo (ANN) được tạo ra trong máy tính nhị phân của chúng ta.
Máy hiện có thể tự học bằng cách sử dụng sức mạnh tính toán cao và tài nguyên bộ nhớ khổng lồ hiện có.
Hiện tại có thể thấy rằng Học sâu đã giải quyết được nhiều vấn đề nan giải trước đây.
Kỹ thuật này hiện đã được nâng cao hơn nữa bằng cách tặng thưởng cho các mạng Deep Learning và cuối cùng là Deep Reinforcement Learning.
Bây giờ chúng ta hãy nghiên cứu chi tiết hơn từng loại này.
Học tập có giám sát
Học tập có giám sát tương tự như việc huấn luyện một đứa trẻ tập đi. Bạn sẽ nắm tay trẻ, hướng dẫn trẻ cách đưa chân về phía trước, tự mình đi bộ để trình diễn, v.v. cho đến khi trẻ học cách tự đi.
hồi quy
Tương tự, trong trường hợp học có giám sát, bạn đưa ra các ví dụ cụ thể đã biết cho máy tính. Bạn nói rằng đối với giá trị đặc trưng đã cho x1, đầu ra là y1, đối với x2 là y2, đối với x3 là y3, v.v. Dựa trên dữ liệu này, bạn cho phép máy tính tìm ra mối quan hệ thực nghiệm giữa x và y.
Sau khi máy được huấn luyện theo cách này với đủ số điểm dữ liệu, bây giờ bạn sẽ yêu cầu máy dự đoán Y cho một X. Giả sử rằng bạn biết giá trị thực của Y cho X đã cho này, bạn sẽ có thể suy ra dự đoán của máy có đúng không.
Do đó, bạn sẽ kiểm tra xem máy đã học hay chưa bằng cách sử dụng dữ liệu kiểm tra đã biết. Khi bạn hài lòng rằng máy có thể thực hiện các dự đoán với mức độ chính xác mong muốn (giả sử là 80 đến 90%), bạn có thể ngừng đào tạo thêm cho máy.
Bây giờ, bạn có thể sử dụng máy một cách an toàn để thực hiện các dự đoán trên các điểm dữ liệu chưa biết hoặc yêu cầu máy dự đoán Y cho một điểm X nhất định mà bạn không biết giá trị thực của Y. Bài tập này thuộc về hồi quy mà chúng ta đã nói về sớm hơn.
Phân loại
Bạn cũng có thể sử dụng các kỹ thuật học máy cho các vấn đề phân loại. Trong các bài toán phân loại, bạn phân loại các đối tượng có bản chất tương tự thành một nhóm duy nhất. Ví dụ, trong một nhóm 100 sinh viên nói, bạn có thể muốn nhóm họ thành ba nhóm dựa trên chiều cao của họ - ngắn, trung bình và dài. Đo chiều cao của từng học sinh, bạn sẽ xếp chúng vào một nhóm thích hợp.
Bây giờ, khi một học sinh mới đến, bạn sẽ xếp anh ta vào một nhóm thích hợp bằng cách đo chiều cao của anh ta. Bằng cách tuân theo các nguyên tắc trong đào tạo hồi quy, bạn sẽ huấn luyện máy phân loại học sinh dựa trên đặc điểm của anh ta - chiều cao. Khi máy học cách các nhóm được thành lập, nó sẽ có thể phân loại chính xác bất kỳ học sinh mới nào chưa biết. Một lần nữa, bạn sẽ sử dụng dữ liệu thử nghiệm để xác minh rằng máy đã học được kỹ thuật phân loại của bạn trước khi đưa mô hình đã phát triển vào sản xuất.
Học tập có giám sát là nơi AI thực sự bắt đầu hành trình của mình. Kỹ thuật này đã được áp dụng thành công trong một số trường hợp. Bạn đã sử dụng mô hình này trong khi thực hiện nhận dạng chữ viết tay trên máy của mình. Một số thuật toán đã được phát triển để học có giám sát. Bạn sẽ tìm hiểu về chúng trong các chương sau.
Học tập không giám sát
Trong học tập không giám sát, chúng tôi không chỉ định một biến mục tiêu cho máy, thay vào đó chúng tôi hỏi máy "Bạn có thể cho tôi biết gì về X?". Cụ thể hơn, chúng tôi có thể hỏi những câu hỏi chẳng hạn như đưa ra một tập dữ liệu khổng lồ X, "Năm nhóm tốt nhất mà chúng tôi có thể tạo ra từ X là gì?" hoặc "Những tính năng nào xuất hiện cùng nhau thường xuyên nhất trong X?". Để đi đến câu trả lời cho những câu hỏi như vậy, bạn có thể hiểu rằng số lượng điểm dữ liệu mà máy yêu cầu để suy ra một chiến lược sẽ rất lớn. Trong trường hợp học có giám sát, máy có thể được huấn luyện với thậm chí khoảng vài nghìn điểm dữ liệu. Tuy nhiên, trong trường hợp học tập không có giám sát, số lượng điểm dữ liệu được chấp nhận hợp lý cho việc học tập bắt đầu từ vài triệu. Ngày nay, dữ liệu thường có sẵn rất nhiều. Dữ liệu lý tưởng là yêu cầu quản lý. Tuy nhiên, lượng dữ liệu liên tục chảy trong mạng xã hội, trong hầu hết các trường hợp, việc quản lý dữ liệu là một nhiệm vụ bất khả thi.
Hình dưới đây cho thấy ranh giới giữa các chấm màu vàng và đỏ được xác định bởi học máy không giám sát. Bạn có thể thấy rõ rằng máy sẽ có thể xác định lớp của từng chấm đen với độ chính xác khá tốt.
Nguồn:
https://chrisjmccormick.files.wordpress.com/2013/08/approx_decision_boun dary.png
Việc học tập không giám sát đã cho thấy một thành công lớn trong nhiều ứng dụng AI hiện đại, chẳng hạn như nhận diện khuôn mặt, phát hiện đối tượng, v.v.
Học tăng cường
Hãy xem xét việc huấn luyện một chú chó cưng, chúng ta huấn luyện thú cưng của mình để mang quả bóng đến cho chúng ta. Chúng ta ném quả bóng ở một khoảng cách nhất định và yêu cầu con chó lấy nó trở lại cho chúng ta. Mỗi khi con chó làm đúng, chúng tôi thưởng cho con chó. Từ từ, con chó biết rằng làm công việc đúng sẽ mang lại cho nó phần thưởng và sau đó con chó bắt đầu thực hiện công việc đúng cách mọi lúc trong tương lai. Chính xác, khái niệm này được áp dụng trong kiểu học tập "Tăng cường". Kỹ thuật này ban đầu được phát triển cho các máy chơi game. Máy được đưa ra một thuật toán để phân tích tất cả các nước đi có thể xảy ra ở mỗi giai đoạn của trò chơi. Máy có thể chọn ngẫu nhiên một trong các bước di chuyển. Nếu nước đi đúng, máy được thưởng, nếu không có thể bị phạt. Từ từ, máy sẽ bắt đầu phân biệt các bước đi đúng và sai và sau nhiều lần lặp lại sẽ học cách giải câu đố trò chơi với độ chính xác cao hơn. Độ chính xác của việc giành chiến thắng trong trò chơi sẽ cải thiện khi máy chơi ngày càng nhiều trò chơi.
Toàn bộ quá trình có thể được mô tả trong sơ đồ sau:
Kỹ thuật học máy này khác với kỹ thuật học có giám sát ở chỗ bạn không cần cung cấp các cặp đầu vào / đầu ra được gắn nhãn. Trọng tâm là tìm sự cân bằng giữa việc khám phá các giải pháp mới với việc khai thác các giải pháp đã học.
Học kĩ càng
Học sâu là một mô hình dựa trên Mạng thần kinh nhân tạo (ANN), cụ thể hơn là Mạng thần kinh hợp pháp (CNN). Có một số kiến trúc được sử dụng trong học sâu như mạng nơ-ron sâu, mạng niềm tin sâu, mạng nơ-ron tuần hoàn và mạng nơ-ron tích tụ.
Các mạng này đã được ứng dụng thành công trong việc giải quyết các vấn đề về thị giác máy tính, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, tin sinh học, thiết kế thuốc, phân tích hình ảnh y tế và trò chơi. Có một số lĩnh vực khác mà học sâu được chủ động áp dụng. Học sâu đòi hỏi sức mạnh xử lý khổng lồ và dữ liệu khổng lồ, ngày nay thường dễ dàng có được.
Chúng ta sẽ nói chi tiết hơn về học sâu trong các chương tới.
Học tập củng cố sâu
Học tăng cường sâu (DRL) kết hợp các kỹ thuật của cả học sâu và tăng cường. Các thuật toán học tăng cường như Q-learning hiện được kết hợp với học sâu để tạo ra một mô hình DRL mạnh mẽ. Kỹ thuật này đã đạt được thành công lớn trong các lĩnh vực robot, trò chơi điện tử, tài chính và chăm sóc sức khỏe. Nhiều vấn đề nan giải trước đây đã được giải quyết bằng cách tạo các mô hình DRL. Có rất nhiều nghiên cứu đang diễn ra trong lĩnh vực này và điều này đang được các ngành theo đuổi rất tích cực.
Cho đến nay, bạn đã được giới thiệu ngắn gọn về các mô hình học máy khác nhau, bây giờ chúng ta hãy khám phá sâu hơn một chút về các thuật toán khác nhau có sẵn trong các mô hình này.