1. Kiến thức trọng tâm
Học máy (Machine Learning) là một lĩnh vực của trí tuệ nhân tạo, trong đó máy tính học từ dữ liệu để thực hiện nhiệm vụ mà không cần được lập trình chi tiết cho từng trường hợp. Thay vì con người viết ra mọi quy tắc, người ta đưa cho máy nhiều ví dụ, máy tự rút ra quy luật và dùng quy luật đó để dự đoán với dữ liệu mới.
Quy trình học máy gồm bốn bước cơ bản: thu thập dữ liệu, huấn luyện mô hình, đánh giá mô hình và sử dụng mô hình để dự đoán. Dữ liệu càng nhiều và càng chất lượng, mô hình càng chính xác. Có ba kiểu học máy phổ biến: học có giám sát, học không giám sát và học tăng cường. Học có giám sát dùng dữ liệu đã gắn nhãn, ví dụ ảnh có ghi rõ là mèo hay chó. Học không giám sát tìm nhóm trong dữ liệu chưa gắn nhãn, ví dụ phân nhóm khách hàng. Học tăng cường cho máy thử và nhận thưởng, phạt để cải thiện dần.
Học máy xuất hiện trong nhiều ứng dụng quen thuộc: gợi ý phim, nhận diện khuôn mặt, dịch máy, trợ lí ảo và xe tự lái.
2. Ví dụ minh họa
Tình huống: Xây dựng mô hình phân loại email rác.
Giải pháp:
- Thu thập hàng nghìn email đã biết là thư rác hoặc thư thường.
- Trích xuất đặc trưng: từ ngữ trong tiêu đề, địa chỉ người gửi, có chứa liên kết lạ hay không.
- Huấn luyện mô hình học có giám sát trên tập dữ liệu đó.
- Đánh giá: cho mô hình phân loại các email mới, kiểm tra tỉ lệ đúng.
- Đưa mô hình vào sử dụng, tiếp tục cập nhật khi có email mới.
Kết luận: Mô hình học từ ví dụ cũ để phân loại email mới, và càng được bổ sung dữ liệu thì càng chính xác.
3. Ghi nhớ
- Học máy: máy học quy luật từ dữ liệu để dự đoán dữ liệu mới.
- Quy trình: thu thập dữ liệu, huấn luyện, đánh giá, sử dụng mô hình.
- Ba kiểu học: có giám sát, không giám sát, tăng cường.
- Chất lượng dữ liệu quyết định chất lượng mô hình.