Thuật ngữ Machine Learning

Mối quan hệ trong Machine Learning

Hệ thống Machine Learning sử dụng các mối quan hệ giữa những đầu vào để tạo ra các dự đoán.

Trong đại số, một mối quan hệ thường được viết là y = ax + b:

• y là nhãn mà chúng ta muốn dự đoán

• a là độ dốc của đường thẳng

• x là các giá trị đầu vào

• b là điểm cắt trục tung

Với Machine Learning, một mối quan hệ được viết là y = b + wx:

• y là nhãn mà chúng ta muốn dự đoán

• w là trọng số (độ dốc)

• x là các đặc trưng (giá trị đầu vào)

• b là điểm cắt trục tung

Nhãn trong Machine Learning

Trong thuật ngữ Machine Learning, nhãn là thứ mà chúng ta muốn dự đoán.

Nó giống như trục y trong đồ thị tuyến tính:

Các đặc trưng trong Machine Learning

Trong thuật ngữ Machine Learning, các đặc trưng chính là dữ liệu đầu vào.

Chúng giống như các giá trị x trong một đồ thị tuyến tính:

Đôi khi có thể có nhiều đặc trưng (giá trị đầu vào) với trọng số khác nhau:

y = b + w ₁x₁ + w ₂x₂ + w ₃x₃ + w ₄x₄

Mô hình Machine Learning

Một mô hình định nghĩa mối quan hệ giữa nhãn (y) và các đặc trưng (x).

Có ba giai đoạn trong vòng đời của một mô hình:

• Thu thập dữ liệu

• Đào tạo

• Suy luận

Đào tạo Machine Learning

Mục tiêu của đào tạo là tạo ra một mô hình có thể trả lời một câu hỏi. Ví dụ, giá nhà dự kiến ​​là bao nhiêu?

Suy luận trong Machine Learning

Suy luận là khi mô hình đã đào tạo được sử dụng để suy ra (dự đoán) các giá trị bằng cách sử dụng dữ liệu thực tế. Ví dụ, đưa mô hình vào sản xuất.

Các giai đoạn trong Machine Learning

Machine Learning có hai giai đoạn chính:

1. Đào tạo:

Dữ liệu đầu vào được sử dụng để tính toán các tham số của mô hình.

2. Suy luận:

Mô hình "đã được đào tạo" đưa ra dữ liệu chính xác từ bất kỳ đầu vào nào.

Học có giám sát

Machine Learning có giám sát sử dụng một tập hợp các biến đầu vào để dự đoán giá trị của một biến đầu ra.

Học có giám sát sử dụng dữ liệu được gắn nhãn (dữ liệu có câu trả lời đã biết) để huấn luyện các thuật toán nhằm:

• Phân loại dữ liệu

• Dự đoán kết quả

Học có giám sát có thể phân loại dữ liệu như "Thư rác là gì trong email?", dựa trên các ví dụ thư rác đã biết.

Học có giám sát có thể dự đoán kết quả như dự đoán loại video bạn thích, dựa trên các video bạn đã xem.

Học không giám sát

Machine Learning không giám sát sử dụng các mẫu từ bất kỳ tập dữ liệu nào chưa được gắn nhãn, cố gắng hiểu những mẫu (hoặc nhóm) trong dữ liệu.

Học không giám sát được sử dụng để dự đoán các mối quan hệ chưa được xác định như những mẫu có ý nghĩa trong dữ liệu.

Nó liên quan đến việc tạo ra các thuật toán máy tính có thể tự cải thiện.

Người ta kỳ vọng rằng Machine Learning sẽ chuyển sang học không giám sát để cho phép các lập trình viên giải quyết vấn đề mà không cần tạo ra những mô hình.

Học tăng cường

Học tăng cường dựa trên học không giám sát nhưng nhận phản hồi từ người dùng về việc quyết định đó tốt hay xấu. Phản hồi này góp phần cải thiện mô hình.

Học tự giám sát

Học tự giám sát tương tự như học không giám sát vì nó hoạt động với dữ liệu mà không có nhãn do con người thêm vào.

Sự khác biệt là học không giám sát sử dụng phân cụm, nhóm và giảm chiều dữ liệu, trong khi học tự giám sát tự đưa ra kết luận cho các nhiệm vụ hồi quy và phân loại.