Please enable JavaScript.
Coggle requires JavaScript to display documents.
MACHINE LEARNING - Coggle Diagram
MACHINE LEARNING
2️⃣ Học không giám sát (Unsupervised Learning)
Khái niệm:
Trong học không giám sát, mô hình làm việc với dữ liệu không được gán nhãn. Không có "đáp án đúng" nào được cung cấp. Mục tiêu là khám phá các mẫu, cấu trúc hoặc mối quan hệ ẩn trong dữ liệu.
Cách hoạt động:
Thuật toán cố gắng xác định các nhóm nội tại, giảm số chiều hoặc tìm các phân phối tiềm ẩn mà không có bất kỳ kiến thức nào về đầu ra cần phải là gì.
Các tác vụ phổ biến:
Phân cụm (Clustering): Nhóm các điểm dữ liệu tương tự lại với nhau (ví dụ: phân khúc khách hàng, phân loại tài liệu).
Giảm số chiều (Dimensionality Reduction): Giảm số lượng đặc trưng hoặc biến trong khi vẫn giữ lại thông tin quan trọng (ví dụ: nén ảnh, trích xuất đặc trưng).
Khai thác luật kết hợp (Association Rule Mining): Khám phá các mối quan hệ giữa các biến trong tập dữ liệu lớn (ví dụ: "khách hàng mua X cũng có xu hướng mua Y").
Ví dụ về các thuật toán:
Phân cụm phân cấp (Hierarchical Clustering)
DBSCAN
Phân cụm K-Means (K-Means Clustering)
Phân tích thành phần chính (Principal Component Analysis - PCA)
Phân tích thành phần độc lập (Independent Component Analysis - ICA)
Bộ mã hóa tự động (Autoencoders - để giảm số chiều)
3️⃣ Học tăng cường (Reinforcement Learning)
Khái niệm:
Học tăng cường liên quan đến một "tác nhân" học cách đưa ra quyết định bằng cách tương tác với một "môi trường". Tác nhân thực hiện các hành động, và môi trường cung cấp "phần thưởng" hoặc "hình phạt" dựa trên các hành động đó. Mục tiêu là để tác nhân học một chính sách tối ưu nhằm tối đa hóa tổng phần thưởng tích lũy theo thời gian.
Cách hoạt động:
Không có tập dữ liệu rõ ràng về các cặp đầu vào-đầu ra đúng. Thay vào đó, tác nhân học thông qua thử và lỗi, khám phá môi trường và tinh chỉnh chiến lược của mình dựa trên phản hồi (phần thưởng/hình phạt) mà nó nhận được.
Các ứng dụng phổ biến:
1️⃣ Học có giám sát (Supervised Learning)