Các Ứng Dụng Của Học Máy

Ngày cập nhật: 25/04/2023 | Số lần xem: 20.348 | Số từ: 809 | Phân loại: Trí tuệ nhân tạo

Tìm kiếm

Bài viết này ban đầu được viết vào năm 2019, nhưng thật bất ngờ là đến năm 2023, tôi mới có dịp áp dụng học máy – cụ thể hơn là học sâu – để hoàn thành hai dự án thực tế. Điều đó khiến tôi không khỏi cảm khái về tốc độ phát triển nhanh chóng của công nghệ:

• Tích hợp hỗ trợ tiếng Trung cho bot hội thoại Rasa
• Nhúng mô hình Yolov5 PyTorch di động vào ứng dụng Android để thực hiện phát hiện đối tượng trong ảnh

Đây là bài toán học giám sát, cần dữ liệu huấn luyện. Người dùng phải cung cấp tập dữ liệu đã được gán nhãn (labeled data) để hệ thống học cách phân biệt giữa thư quan trọng và thư rác.

Phân tích đặc điểm nhóm người truy cập blog

Đây là bài toán học không giám sát, không cần dữ liệu huấn luyện trước. Ví dụ, sau khi thu thập thông tin khách truy cập blog cá nhân, bạn có thể sử dụng các thuật toán clustering để tự động phân nhóm và tìm ra xu hướng như:

• Tỷ lệ nam/nữ
• Nam giới thường đọc những chủ đề nào nhiều nhất
• Phụ nữ vào cuối tuần thường quan tâm đến nội dung gì
• Những thời điểm nào trong đêm có lượng truy cập cao và theo dõi chủ đề gì

Phân tích mối liên kết sản phẩm tại siêu thị

Cũng là một ví dụ điển hình của học không giám sát. Bằng cách phân tích danh sách mua hàng của khách, bạn có thể xác định các cặp sản phẩm thường được mua cùng nhau, chẳng hạn như rượu vang và kềm mở nắp rượu. Thông tin này giúp quản lý cửa hàng sắp xếp lại vị trí trưng bày để tăng khả năng mua chéo.

Dự báo dữ liệu chu kỳ

Dự đoán xu hướng theo mùa, theo ngày, hoặc theo giờ – đây cũng là một dạng ứng dụng học máy phổ biến, có thể được xây dựng trên nền tảng hồi quy hoặc mạng nơ-ron.

Tính năng phân loại ảnh tự động của Google Photos

Đây là một ví dụ về học bán giám sát – tức là kết hợp cả dữ liệu có nhãn và không có nhãn. Khi người dùng tải lên ảnh chưa được đánh dấu, Google Photos sẽ sử dụng các kỹ thuật không giám sát để nhóm chúng theo khuôn mặt. Chỉ cần người dùng nhập tên, hệ thống sẽ ghi nhớ và từ đó tự động gắn nhãn cho các bức ảnh tương tự.

Hàng loạt thuật toán học máy “kì lạ”

Trên thực tế, còn rất nhiều thuật toán học máy với tên gọi nghe rất chuyên môn và phức tạp, dù có những ví dụ nổi bật như AlphaGo, nhưng bản thân tôi gần như không hiểu rõ nguyên lý hoạt động của chúng. Ngay cả khi mã nguồn được công khai, tôi cũng không thấy hứng thú để nghiên cứu sâu.

Hầu hết các trường hợp sử dụng học máy được trình bày trong cuốn sách Hands-On Machine Learning with Scikit-Learn and TensorFlow đều không hấp dẫn tôi. Vì sao? Đơn giản vì tôi thấy chúng thiếu tính ứng dụng thực tế.

Vậy nên, phương pháp học hiệu quả nhất vẫn là chọn một lĩnh vực cụ thể mình quan tâm, rồi thử nghiệm các lý thuyết học máy xem có thể tạo ra giá trị hay không.

Internet Công Nghiệp

Sáng nay, khi nghe tới việc chuyển đổi số của Tencent, tôi được biết đến một thuật ngữ mới: internet công nghiệp. Đây là một khái niệm tương đồng với industrial internet, đều nhằm mục tiêu tự động hóa và thông minh hóa quy trình sản xuất.

Trong lĩnh vực này, học máy có thể dễ dàng ứng dụng vào các công đoạn kiểm tra chất lượng, ví dụ như đếm số lỗ sâu trên táo, phát hiện vết xước trên bao bì, nhận diện cử chỉ qua camera… Tất cả những điều này đều là các ứng dụng cơ bản trong học máy, không đòi hỏi kiến thức quá cao, chỉ cần một chút đầu tư thời gian học hỏi.

Hiện tại, cả iOS lẫn Windows UWP đều đã tích hợp sẵn module học máy, cho phép bạn import mô hình đã huấn luyện để chạy ngoại tuyến. Đây là một xu thế đáng chú ý mà chúng ta nên theo đuổi.

Gợi Ý Sách Học Máy

• Học Máy
• Giải Thích Dễ Hiểu Về Học Máy Với Python