Học Máy Cổ Điển
Chào mừng bạn đến với Bài 6 của môn Các Khái Niệm Trí Tuệ Nhân Tạo (COMP5511). Buổi học này đóng vai trò cầu nối từ nền tảng lý thuyết đến các triển khai thuật toán thực tiễn. Trong khi AI hiện đại thường chú trọng đến Học Sâu, Học Máy Cổ Điển vẫn là nền tảng cốt lõi của phân tích dữ liệu. Các thuật toán này mang lại khả năng diễn giải cao và hiệu quả tính toán cao, khiến chúng trở thành lựa chọn ưu tiên cho dữ liệu có cấu trúc và các phân tích theo chuẩn công nghiệp.
1. Học Có Giám Sát
Mô hình này liên quan đến việc huấn luyện một mô hình trên một tập dữ liệu có nhãn, trong đó thuật toán học mối quan hệ giữa các đặc trưng đầu vào và một đầu ra mục tiêu cụ thể. Điều này cho phép mô hình dự đoán kết quả cho dữ liệu mới, chưa từng thấy một cách chính xác.
- Cây Quyết Định: Các mô hình phân tách dữ liệu thành các nhánh để đi đến một quyết định phân loại hoặc số học.
- Máy Vector Hỗ Trợ (SVM): Các thuật toán tìm ra siêu phẳng tối ưu để tối đa hóa khoảng cách giữa các lớp dữ liệu khác nhau.
2. Học Không Giám Sát
Các thuật toán này phân tích dữ liệu không có nhãn để khám phá các mẫu, cấu trúc hoặc nhóm ẩn mà không cần bất kỳ hướng dẫn trước nào về đầu ra mong muốn. Các kỹ thuật chính bao gồm:
- Phân Cụm K-means: Nhóm các điểm dữ liệu thành K nhóm riêng biệt dựa trên sự tương đồng về đặc trưng.
- Phân Tích Thành Phần Chính (PCA): Một kỹ thuật giảm chiều dữ liệu được sử dụng để đơn giản hóa dữ liệu phức tạp trong khi vẫn giữ được phương sai thiết yếu.