Các Thuật toán học máy (Machine Learning Algorithms) | AI Cơ bản P6

Hiểu và áp dụng các thuật toán học máy (Machine Learning Algorithms) phổ biến này là điều cần thiết để xây dựng các mô hình dự đoán, phân cụm dữ liệu và rút ra hiểu biết từ dữ liệu trong nhiều lĩnh vực khác nhau. Bằng cách thành thạo các thuật toán này và các kỹ thuật liên quan, bạn có thể nâng cao kỹ năng của mình trong lĩnh vực học máy và khoa học dữ liệu.

1. Common algorithms

Các thuật toán học máy có thể được phân loại rộng rãi thành học có giám sát, học không giám sát và học tăng cường mà chúng ta đã nhắc đến ở những bài trước.

Thuật toán học có giám sát (Supervised Learning Algorithms): Ví dụ như Dự đoán giá nhà dựa trên các đặc điểm (như kích thước và vị trí), phân loại email là thư rác hay không phải thư rác, nhận dạng chữ số viết tay.

Thuật toán học không giám sát (Unsupervised Learning Algorithms) : Ví dụ như Phân cụm các phân khúc khách hàng dựa trên hành vi mua hàng, giảm kích thước trong dữ liệu bằng cách sử dụng phân tích thành phần chính, xác định chủ đề trong một bộ sưu tập tài liệu.

Thuật toán học tăng cường (Reinforcement Learning Algorithms): Ví dụ như Huấn luyện rô-bốt điều hướng qua mê cung, dạy chương trình máy tính chơi cờ vua hoặc cờ vây, tối ưu hóa mức tiêu thụ năng lượng trong tòa nhà.

2. Thuật toán K-nearest Neighbor (KNN)

Thuật toán K-nearest Neighbor (KNN) thuộc phân loại Học có giám sát (Supervised Learning Algorithms) theo phương pháp Phân loại và Hồi quy. KNN giống như việc hỏi những hàng xóm gần gũi và thân cận nhất của bạn lời khuyên. Nó phân loại hoặc dự đoán dựa trên phiếu bầu đa số (để phân loại) hoặc trung bình (để hồi quy) của K điểm dữ liệu gần nhất.

Hãy tưởng tượng bạn mới chuyển đến một khu phố và muốn xác định xem bạn có thích sống ở đó hay không dựa trên sở thích của những người hàng xóm.

Ví dụ 1: Chọn nhà hàng:

Bạn muốn thử một nhà hàng mới. Bạn hỏi ba người hàng xóm thân thiết nhất của mình để xin lời khuyên. Kết quả là nếu hai người hàng xóm gợi ý đồ ăn Ý và một người gợi ý đồ ăn Trung Quốc, bạn có thể quyết định thử nhà hàng Ý.

Ví dụ 2: Khuyến nghị phim:

Bạn không chắc nên xem phim nào. Bạn hỏi năm người bạn thân nhất của mình về những bộ phim yêu thích của họ. Dựa trên lựa chọn của họ, bạn quyết định xem bộ phim mà hầu hết bạn bè của bạn giới thiệu.

Ví dụ 3: Quyết định mua sắm:

Bạn đang mua một chiếc điện thoại mới. Bạn hỏi bạn bè về trải nghiệm của họ với các thương hiệu điện thoại khác nhau. Kết quả là Nếu hầu hết bạn bè của bạn thích một thương hiệu cụ thể, bạn có thể cân nhắc mua điện thoại của thương hiệu đó.

Trong những kịch bản này, KNN phản ánh ý tưởng tìm kiếm lời khuyên từ những người hàng xóm thân thiết nhất của bạn. Bằng cách xem xét ý kiến ​​hoặc sở thích của những người gần gũi nhất với bạn, bạn đưa ra quyết định dựa trên số phiếu bầu hoặc sự đồng thuận của đa số họ. Khái niệm đơn giản này là cốt lõi của cách thuật toán KNN hoạt động trong các tình huống thực tế, giúp bạn đưa ra lựa chọn dựa trên kinh nghiệm và sở thích của những người xung quanh bạn.

3. Thuật toán K-means Clustering

Thuật toán K-means Clustering thuộc phân loại Học không giám sát (Unsupervised Learning Algorithms). K-means giống như việc sắp xếp đồ đạc của bạn theo mức độ tương đồng. Nó nhóm các điểm dữ liệu thành K cụm dựa trên các tính năng của chúng.

Ví dụ ở một hoàn cảnh thực tế, Hãy tưởng tượng bạn đang sắp xếp bộ sưu tập sách của mình theo thể loại:

• Kịch bản: Bạn có một bộ sưu tập gồm tiểu thuyết trinh thám, khoa học viễn tưởng và tiểu thuyết lãng mạn.
• Ứng dụng: Bạn quyết định nhóm sách của mình thành ba loại.
• Kết quả: Sau khi nhóm, bạn có tất cả các cuốn sách trinh thám, sách khoa học viễn tưởng trong một nhóm khác và tiểu thuyết lãng mạn trong một mục riêng.

Trong bối cảnh sắp xếp sách của mình, nhóm K-means tương tự như việc sắp xếp chúng dựa trên điểm tương đồng của chúng. Bằng cách nhóm các cuốn sách có thể loại tương tự lại với nhau, bạn tạo ra các nhóm riêng biệt giúp dễ dàng định vị và truy cập các cuốn sách cùng loại. Ý tưởng cơ bản này củng cố cách thức hoạt động của thuật toán K-means, giúp bạn phân loại các mục dựa trên các đặc điểm chung trong các tình huống thực tế để tổ chức và hiểu rõ hơn.

4. Thuật toán Hồi quy (Regression)

Thuật toán Hồi quy (Regression) phân loại thuộc nhóm thuật toán Học có giám sát (Dự đoán – Supervised Learning Algorithms). Hồi quy giống như việc ghép một đường thẳng qua các điểm phân tán để đưa ra dự đoán.

Cách thức hoạt động: Nó mô hình hóa mối quan hệ giữa một biến phụ thuộc và một hoặc nhiều biến độc lập bằng cách ghép một đường thẳng hoặc đường cong vào dữ liệu. Mục tiêu là dự đoán kết quả liên tục dựa trên các tính năng đầu vào.

Các loại:

• Hồi quy tuyến tính: Giả định mối quan hệ tuyến tính giữa các biến.
• Hồi quy đa thức: Ghép một đường cong vào dữ liệu.
• Hồi quy logistic: Dự đoán xác suất cho các tác vụ phân loại.

Ứng dụng: Dự đoán giá nhà dựa trên các tính năng, ước tính doanh số dựa trên chi tiêu quảng cáo, dự báo giá cổ phiếu.

Ví dụ: Ứng dụng thực tế trong Ước tính thời gian di chuyển:

• Tình huống: Bạn cần đến thăm một người bạn sống cách xa một khoảng cách nhất định.
• Ứng dụng: Bạn thu thập dữ liệu về các chuyến đi trước đây, ghi lại khoảng cách đã đi và thời gian đã đi.
• Kết quả: Bằng cách phân tích dữ liệu này với phân tích hồi quy, bạn có thể dự đoán thời gian cần thiết để đến nhà bạn mình dựa trên khoảng cách bạn cần đi.

Giải thích đơn giản: Trong tình huống này, hồi quy giống như vẽ một đường thẳng qua các điểm dữ liệu biểu thị khoảng cách đã đi và thời gian cần thiết để đến nhà bạn mình. Đường thẳng này giúp bạn ước tính thời gian cần thiết cho các chuyến đi trong tương lai với các khoảng cách khác nhau. Bằng cách sử dụng phân tích hồi quy trong thực tế, bạn có thể đưa ra dự đoán sáng suốt dựa trên dữ liệu lịch sử, cho phép bạn lập kế hoạch cho các chuyến đi hiệu quả hơn và quản lý thời gian của mình một cách hiệu quả.

5. Trình phân loại Naive Bayes (Naive Bayes Classifier)

Trình phân loại Naive Bayes thuộc phân loại Học có giám sát (Phân loại). Naive Bayes dựa trên định lý Bayes (Tính xác suất của một giả thuyết dựa trên dữ liệu), giống như đưa ra quyết định dựa trên xác suất đơn giản và giả định các đặc điểm là độc lập.

Cách thức hoạt động: Nó tính toán xác suất của từng lớp dựa trên các đặc điểm đầu vào và chọn lớp có xác suất cao nhất. Giả định rằng các đặc điểm độc lập với nhau (giả định ngây thơ).

Ứng dụng: Phát hiện email rác, phân tích tình cảm, phân loại tài liệu.

Hãy nhìn vào ví dụ thực tế thông qua kịch bản sau: Hãy tưởng tượng bạn đang cố gắng quyết định xem có nên đi dạo hay không dựa trên điều kiện thời tiết.

• Kịch bản: Bạn muốn xác định xem mình có nên đi dạo hay không dựa trên thời tiết.
• Ứng dụng: Bạn thu thập dữ liệu về những lần đi dạo trước đây và ghi chú lại điều kiện thời tiết (ví dụ: nắng, mưa, nhiều mây) và liệu bạn có đi dạo hay không.
• Kết quả: Bằng cách sử dụng bộ phân loại Naive Bayes, bạn có thể dự đoán khả năng đi dạo dựa trên điều kiện thời tiết hiện tại.

Giải thích đơn giản: Trong kịch bản này, bộ phân loại Naive Bayes giống như việc đưa ra quyết định đi dạo dựa trên xác suất đơn giản và giả định rằng điều kiện thời tiết độc lập với nhau. Bằng cách phân tích dữ liệu thời tiết trước đây và quyết định đi dạo của bạn, bộ phân loại có thể giúp bạn dự đoán liệu bạn có khả năng đi dạo hôm nay hay không dựa trên điều kiện thời tiết hiện tại. Ứng dụng thực tế của Naive Bayes này cho thấy lý luận xác suất đơn giản có thể hỗ trợ ra quyết định trong các tình huống hàng ngày như thế nào.