Học Máy Cổ Điển

Chào mừng bạn đến với Bài 6 của môn Khái niệm Trí tuệ Nhân tạo (COMP5511). Bài học này đóng vai trò là cầu nối từ những nền tảng lý thuyết đến các ứng dụng thực tế theo thuật toán. Trong khi AI hiện đại thường nhấn mạnh vào Học Sâu (Deep Learning), Học Máy Cổ Điển vẫn là nền tảng vững chắc của phân tích dữ liệu. Các thuật toán này mang lại khả năng diễn giải cao và hiệu quả tính toán, khiến chúng trở thành lựa chọn hàng đầu cho dữ liệu có cấu trúc và các phân tích chuẩn công nghiệp.

1. Học Có Giám Sát

Phương pháp này bao gồm việc huấn luyện mô hình trên 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 một cách chính xác cho dữ liệu mới chưa từng thấy.

• Cây Quyết Định: Mô hình chia dữ liệu thành các nhánh để đưa ra quyết định phân loại hoặc định lượng.
• Máy Véc-tơ Hỗ trợ (SVM): Thuật toán tìm siêu phẳng tối ưu để tối đa hóa lề giữa các lớp dữ liệu khác nhau.

2. Học Không Giám Sát

Các thuật toán này phân tích dữ liệu không nhãn để khám phá các mẫu, cấu trúc hoặc nhóm ẩn mà không cần bất kỳ định hướng trước nào về đầu ra. Các kỹ thuật chính bao gồm:

• Phân cụm K-means: Nhóm các điểm dữ liệu thành K cụm 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 cốt lõi.