Trong bài “Machine learning, đơn giản dễ hiểu“, chúng ta đã tìm hiểu về Machine Learning cùng những tiềm năng và thách thức của Máy học. Trong bài viết này chúng ta hãy cùng tìm hiểu thêm về machine learning cơ bản qua hình ảnh. Bài của tác giả Markus Schmitt đăng trên Datarevenue
Để hiểu cơ bản về machine learning, từ ngữ thôi là chưa đủ. Bạn sẽ tìm hiểu về công nghệ máy học bằng những lời giải thích trực quan nhất.
1. Machine learning tìm các mẫu trong dữ liệu
Hiểu một cách đơn giản, học máy tìm các mẫu (patterns) trong dữ liệu và sử dụng chúng để đưa ra dự đoán.
Bất cứ khi nào bạn có một lượng lớn dữ liệu và muốn tự động hóa các dự đoán thông minh, học máy có thể là công cụ phù hợp để sử dụng.
2. AI so với Machine Learning và Deep Learning
Trước hết hãy xem sự khác biệt giữa Artificial intelligence (trí tuệ nhân tạo), machine learning (học máy) và deep learning (học sâu) là gì? Biểu đồ dưới đây của NVIDIA cho biết:
- Trí tuệ nhân tạo là một ngành học được ra đời vào đầu những năm 1950.
- Học máy là nghiên cứu các thuật toán học theo kinh nghiệm. Nó đã đạt được những động lực kể từ những năm 1980 và là một lĩnh vực phụ của AI.
- Học sâu là một lĩnh vực con mới hơn của học máy sử dụng mạng nơ-ron. Nó đã rất thành công trong một số lĩnh vực nhất định (xử lý hình ảnh, video, văn bản và âm thanh).
Vậy chúng ta nên sử dụng thuật ngữ nào? AI, machine learning hay deep learning?
- Câu trả lời ngắn gọn: Không quá quan trọng.
- Câu trả lời dài hơn: Thuật ngữ được những người hoạt động trong lĩnh vực này sử dụng nhiều nhất là “máy học” – nó cụ thể hơn AI.
3. Sự khác biệt giữa ML và phần mềm “bình thường”
Một thuật toán học máy về bản chất cũng chỉ là phần mềm. Vậy thì sự khác biệt lớn là gì?
3.1 Câu trả lời ngắn gọn
Với phần mềm “bình thường”, chúng ta sẽ yêu cầu máy tính phải làm gì. Với máy học, chúng ta cho máy tính biết cách tự tìm ra câu trả lời bằng cách sử dụng dữ liệu mà chúng ta cung cấp cho nó.
3.2 Câu trả lời dài hơn một chút
- Phần mềm thông thường về cơ bản là một tập hợp các quy tắc, được viết bởi con người, nhằm đạt được một đầu ra (output) cụ thể.
- Phần mềm học máy tự tìm các quy tắc (mẫu) và cố gắng tạo ra một đầu ra nhất định. Đó là phần mềm viết phần mềm.
Giải thích trực quan:
4. Các thuật toán Machine learning học như thế nào?
Nhưng làm cách nào để học máy tìm ra các mẫu phù hợp trong dữ liệu để đưa ra dự đoán?
Một nhóm các nhà khoa học trong một dự án có tên là R2D3 (R2D3 là một thử nghiệm trong việc thể hiện tư duy thống kê với thiết kế tương tác) đã tìm cách để trực quan hóa cách một mô hình học máy học. Nhiệm vụ cần thực hiện: “Sử dụng tập dữ liệu về các ngôi nhà, chúng ta sẽ tạo ra một mô hình máy học để phân biệt các ngôi nhà ở New York với những ngôi nhà ở San Francisco.“
Hãy cùng xem hình ảnh tương tác của họ về mô hình máy học tại link này. Rất chính xác về mặt kỹ thuật và đẹp mắt.
5. Học sâu thì sao?
Hãy quên “mạng đồ thị” nhàm chán đi và xem một ví dụ tương tác trực tiếp về cách mạng thần kinh hoạt động. Ảnh dưới đây chụp màn hình
Trong mô hình này bạn có thể sửa đổi:
- Tham số huấn luyện (Training parameters), nghĩa là cấu hình (nobs) của thuật toán;
- Các tế bào thần kinh và các lớp (Neurons and layers), xác định mức độ phức tạp của mô hình;
- Nhiệm vụ (Task), để mô hình học cách tách các chấm trong một hình tròn, một hình chữ nhật hoặc – nhiệm vụ khó nhất – một hình xoắn ốc.
Đối với mỗi mô hình, bạn có thể thấy cách nó trở nên tốt hơn theo thời gian (kiểm tra mất mát).
6. Nhưng mạng nơ-ron hoạt động như thế nào?
Mạng nơ-ron phức tạp hơn một chút – nhưng nếu bạn thực sự quan tâm, thì không có video nào giải thích điều đó tốt hơn video 3Blue1Brown – What is a neural network , nơi Grant cho bạn biết cách mạng nơ-ron nhận dạng các chữ số.
7. Làm cách nào để bạn biết đó có phải là học máy hay không?
Dưới đây là một sơ đồ để giúp bạn nhanh chóng và dễ dàng tìm ra liệu học máy có đằng sau những gì bạn đang thấy hay không:
8. Có gì trong một giải pháp Machine Learning?
Có môt sự thật là học máy chỉ là một phần nhỏ trong cả giải pháp. Hầu hết công việc và code nằm trong cơ sở hạ tầng xung quanh nó:
- Dữ liệu: thu thập, xác minh, phân tích và chuẩn bị dữ liệu cho thuật toán;
- Cơ sở hạ tầng: triển khai, lưu trữ và phục vụ mô hình học máy;
- Giám sát: sắp xếp các quy trình làm việc, giám sát và duy trì mô hình.
9. Có những thuật toán ML nào?
Chúng ta có nhiều thuật toán về machine learning và chúng thuộc các loại sau:
- Classical learning (Học cổ điển): chia nhỏ hơn thành học có giám sát (dự đoán một số hoặc danh mục bằng cách học từ các ví dụ) hoặc học không giám sát (tìm các cụm trong dữ liệu mà không cần bất kỳ hướng dẫn nào).
- Neural networks and deep learning (Mạng nơ-ron và học sâu): các thuật toán dựa trên nguyên tắc của các perceptron nhiều lớp, rất hữu ích trong việc đưa ra dự đoán với dữ liệu hình ảnh, văn bản, âm thanh, video và chuỗi thời gian.
- Reinforcement learning (Học tăng cường): các thuật toán hoạt động giống như tiến hóa tự nhiên, cải thiện hành vi của chúng trong các chu kỳ học tập để gặt hái phần thưởng tối đa.
- Ensemble learning (Học kết hợp): các thuật toán xây dựng nhiều mô hình yếu và kết hợp chúng để tạo thành một mô hình mạnh.
Tóm lược
Những hình ảnh trực quan này sẽ giúp bạn nắm bắt tốt các khái niệm cơ bản của machine learning. Có rất tài liệu về vấn đề này nhưng nó có thể làm bạn bối rối khi mới bắt đầu làm quen với lĩnh vực này. Bài viết này xóa bỏ điều đó
Xem bài viết gốc: What Is Machine Learning? – A Visual Explanation của Markus Schmitt
Bạn có biết?
tham gia cộng đồng ITguru trên Linkedin, Facebook và các kênh mạng xã hội khác có thể giúp bạn nhanh chóng tìm được những chủ đề phát triển nghề nghiệp và cập nhật thông tin về việc làm IT mới nhất
Linkedin Page:
Facebook Group:
cơ hội việc làm IT : ITguru.vn
