Học máy (Machine Learning)

Định nghĩa

Học máy (Machine Learning - ML) là một nhánh của Trí tuệ Nhân tạo (AI), tập trung vào việc phát triển các thuật toán (algorithms) cho phép máy tính “học” (learn) từ dữ liệu mà không cần được lập trình tường minh (explicitly programmed) cho từng trường hợp.

Thay vì viết code theo quy tắc “Nếu A thì B”, chúng ta “dạy” máy tính bằng cách cho nó xem rất nhiều ví dụ (dữ liệu), và nó sẽ tự tìm ra quy luật (mô hình - model) để dự đoán hoặc phân loại dữ liệu mới.

Học máy Hoạt động như thế nào?

1. Thu thập Dữ liệu (Data Collection): Càng nhiều, càng tốt.
2. Huấn luyện Mô hình (Model Training): Cho thuật toán “xem” dữ liệu huấn luyện (training data). Thuật toán sẽ điều chỉnh các tham số nội bộ của nó để tìm ra mối liên hệ giữa đầu vào (features) và đầu ra (label - nếu có).
3. Đánh giá Mô hình (Model Evaluation): Dùng một tập dữ liệu riêng (test data) để kiểm tra xem mô hình dự đoán tốt đến đâu.
4. Triển khai (Deployment): Sử dụng mô hình đã huấn luyện để dự đoán trên dữ liệu mới, thực tế.

2 Loại Hình Học máy Phổ biến

1. Học có giám sát (Supervised Learning):

   • Dữ liệu huấn luyện: Có “nhãn” (labeled) - tức là biết trước kết quả đúng (ví dụ: ảnh con mèo được gán nhãn “mèo”).
   • Mục tiêu: Học cách dự đoán nhãn cho dữ liệu mới.
   • Bài toán: Phân loại (Classification), Hồi quy (Regression).

2. Học không giám sát (Unsupervised Learning):

   • Dữ liệu huấn luyện: Không có nhãn.
   • Mục tiêu: Tự tìm ra cấu trúc hoặc mẫu tiềm ẩn trong dữ liệu.
   • Bài toán: Phân cụm (Clustering), Luật Kết hợp (Association Rules).