Học máy (ML)

Khái niệm cốt lõi

Ý tưởng cốt lõi đằng sau Machine Learning là việc tạo ra và sử dụng các thuật toán có thể xử lý dữ liệu đầu vào và học cách tạo ra đầu ra mong muốn. Quá trình học này thường bao gồm việc cung cấp các tập dữ liệu lớn cho thuật toán, sau đó thuật toán sẽ điều chỉnh các tham số bên trong (thường được gọi là trọng số mô hình ) để giảm thiểu lỗi, thường được đo bằng hàm mất mát hoặc tối đa hóa độ chính xác của các dự đoán hoặc phân loại của nó. ML hiệu quả thường phụ thuộc vào Xử lý dữ liệu trước kỹ lưỡng để làm sạch và cấu trúc dữ liệu đầu vào phù hợp cho thuật toán học. Mục tiêu cuối cùng là cho phép máy móc giải quyết các vấn đề phức tạp hoặc đưa ra dự báo chính xác một cách tự động, thường yêu cầu các kỹ thuật như kỹ thuật tính năng để chọn các đặc điểm dữ liệu có liên quan nhất.

Các loại máy học

Học máy thường được phân loại thành một số loại chính, mỗi loại phù hợp với các loại tác vụ và dữ liệu khác nhau:

• Học có giám sát : Thuật toán học từ một tập dữ liệu được gắn nhãn, nghĩa là mỗi điểm dữ liệu được gắn nhãn với đầu ra chính xác. Mục tiêu là học một hàm ánh xạ để dự đoán đầu ra cho các đầu vào mới, chưa từng thấy. Các nhiệm vụ phổ biến bao gồm hồi quy và phân loại hình ảnh . Khám phá sự so sánh giữa học có giám sát và học không giám sát .
• Học không giám sát : Thuật toán hoạt động với dữ liệu không có nhãn, nhằm tìm các mẫu ẩn hoặc cấu trúc nội tại trong chính dữ liệu. Các nhiệm vụ phổ biến bao gồm phân cụm (nhóm các điểm dữ liệu tương tự) như K-Means và giảm chiều (đơn giản hóa dữ liệu).
• Học tăng cường (RL) : Thuật toán học bằng cách tương tác với môi trường. Nó nhận được phần thưởng hoặc hình phạt cho các hành động của mình, học cách chọn các hành động tối đa hóa phần thưởng tích lũy theo thời gian. RL thường được sử dụng trong robot , chơi trò chơi và hệ thống dẫn đường. Đọc tổng quan về học tăng cường sâu .
• Học bán giám sát : Phương pháp này sử dụng kết hợp một lượng nhỏ dữ liệu có nhãn và một lượng lớn dữ liệu không có nhãn để đào tạo, thu hẹp khoảng cách giữa học có giám sát và học không giám sát.

Ứng dụng thực tế

Học máy thúc đẩy sự đổi mới trong vô số lĩnh vực. Sau đây là một vài ví dụ nổi bật:

• Phân tích hình ảnh y tế : Các mô hình ML phân tích các bản quét y tế (như X-quang, CT, MRI) để hỗ trợ các bác sĩ X quang phát hiện các bất thường, chẳng hạn như xác định khối u hoặc các bệnh lý khác, thường dẫn đến chẩn đoán sớm hơn và cải thiện kết quả cho bệnh nhân. Đây là một lĩnh vực quan trọng trong AI trong chăm sóc sức khỏe . Nghiên cứu về X quang: Trí tuệ nhân tạo làm nổi bật những tiến bộ đang diễn ra.
• Xe tự hành : Xe tự lái phụ thuộc rất nhiều vào ML cho các nhiệm vụ như nhận thức môi trường, phát hiện vật thể (xác định người đi bộ, phương tiện khác, biển báo giao thông), giữ làn đường và dẫn đường. Các công ty như Waymo giới thiệu công nghệ này. Khám phá thêm về AI trong các giải pháp ô tô .

Các ứng dụng khác bao gồm hệ thống đề xuất (như trên Netflix hoặc Amazon), phát hiện gian lận tài chính , xử lý ngôn ngữ tự nhiên (NLP) và tối ưu hóa quản lý hàng tồn kho bán lẻ .

ML so với các thuật ngữ liên quan

• AI so với ML: Trí tuệ nhân tạo (AI) là lĩnh vực rộng lớn trong việc tạo ra máy móc có thể thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người. ML là một tập hợp con của AI tập trung cụ thể vào các hệ thống học từ dữ liệu.
• ML so với Học sâu: Học sâu (DL) là một tập hợp con chuyên biệt của ML sử dụng mạng nơ-ron (NN) phức tạp, nhiều lớp để học các mẫu phức tạp từ các tập dữ liệu lớn. Trong khi ML sử dụng nhiều thuật toán khác nhau, DL đặc biệt vượt trội với dữ liệu không có cấu trúc như hình ảnh và văn bản.
• ML so với Khai thác dữ liệu: Khai thác dữ liệu liên quan đến việc khám phá các mẫu và thông tin chi tiết từ các tập dữ liệu lớn. ML thường sử dụng các mẫu này để xây dựng các mô hình dự đoán. Mặc dù có liên quan và sử dụng các kỹ thuật tương tự, khai thác dữ liệu nhấn mạnh vào việc khám phá mẫu, trong khi ML nhấn mạnh vào việc dự đoán hoặc ra quyết định dựa trên các mẫu đã học.

Sự liên quan trong AI và thị giác máy tính

Học máy là trụ cột nền tảng của AI hiện đại và đặc biệt có tính chuyển đổi trong lĩnh vực Thị giác máy tính (CV) . Các tác vụ như Phát hiện đối tượng , Phân đoạn hình ảnh và ước tính tư thế phụ thuộc rất nhiều vào các mô hình ML để diễn giải và hiểu thông tin trực quan. Các mô hình tiên tiến như Ultralytics YOLO tận dụng các kỹ thuật ML, đặc biệt là Học sâu , để đạt được độ chính xác và tốc độ cao trong các ứng dụng thời gian thực. Bạn có thể khám phá các so sánh mô hình Ultralytics YOLO để xem sự khác biệt về hiệu suất.

Các khuôn khổ như PyTorch (truy cập trang web chính thức PyTorch ) và TensorFlow cung cấp các công cụ cần thiết để phát triển và đào tạo các mô hình ML. Các nền tảng như Ultralytics HUB cung cấp các môi trường tích hợp giúp hợp lý hóa quy trình, từ quản lý tập dữ liệu và đào tạo các mô hình tùy chỉnh đến triển khai và giám sát mô hình ( MLOps ). Việc tạo mô hình hiệu quả thường liên quan đến việc điều chỉnh siêu tham số cẩn thận và hiểu các số liệu hiệu suất .