Lý thuyết Tin 12 Bài 25: Làm quen với Học máy - Kết nối tri thức

Haylamdo biên soạn tóm tắt lý thuyết Tin học 12 Bài 25: Làm quen với Học máy sách Kết nối tri thức hay nhất, ngắn gọn sẽ giúp học sinh lớp 12 nắm vững kiến thức trọng tâm, ôn luyện để học tốt môn Tin 12.

Lý thuyết Tin 12 Bài 25: Làm quen với Học máy - Kết nối tri thức

1. Tìm hiểu sơ lược về học máy:

Học máy là lĩnh vực của trí tuệ nhân tạo (AI) phát triển thuật toán cho phép máy tính tự học từ dữ liệu để dự đoán hoặc quyết định mà không cần lập trình rõ ràng.

Máy tính tự học từ dữ liệu, không cần lập trình chi tiết, giúp giải quyết các bài toán phức tạp và cải thiện khả năng phân loại và nhận diện.

Học máy là một lĩnh vực của Al nghiên cứu và phát triển các thuật toán và mô hình đem lại khả năng học cho máy tính. Nó cho phép máy tính tự động tìm hiểu từ dữ liệu và tạo ra các mô hình dự đoán hoặc quyết định dựa trên dữ liệu mà không cần phải được lập trình cụ thể.

2. Phân loại và vai trò của học máy trong thực tế:

a) Phân loại học máy:

Trong Học máy, có hai loại dữ liệu đầu vào chính: dữ liệu có nhãn*và dữ liệu không có nhãn.

- Dữ liệu có nhãn: Dữ liệu đã được gán nhãn hoặc giá trị đích cụ thể. Ví dụ, hình ảnh đã được gán nhãn là "con ngựa" hoặc "không phải ngựa". Dữ liệu có nhãn quan trọng trong quá trình huấn luyện mô hình học máy vì nó giúp mô hình học và đưa ra dự đoán chính xác trên dữ liệu mới.

- Dữ liệu không có nhãn: Dữ liệu không có nhãn hoặc giá trị đích cụ thể.

Hai phương pháp học máy cơ bản tương ứng với hai loại dữ liệu đầu vào là:

1.Học có giám sát: Sử dụng dữ liệu có nhãn để huấn luyện mô hình. Mô hình học mối quan hệ giữa đầu vào và đầu ra để dự đoán nhãn cho dữ liệu mới. Ví dụ: lọc thư rác, nhận dạng hình ảnh, nhận dạng chữ viết tay.

Học có giám sát là phương pháp phổ biến nhất và có nhiều ứng dụng thực tế.

2.Học không giám sát: là phương pháp học máy sử dụng dữ liệu không có nhãn. Phương pháp này giúp mô hình hóa cấu trúc hoặc thông tin ẩn trong dữ liệu dựa trên mối quan hệ tương tự hoặc khác biệt và xác suất đồng xuất hiện của các đối tượng.

Ứng dụng của học không giám sát bao gồm:

- Phân chia dữ liệu thành các nhóm

- Xác định phân khúc khách hàng: Dựa trên lịch sử mua hàng để phân loại nhóm khách hàng.

- Phát hiện bất thường.

- Xác định chủ đề

Học không giám sát giúp khai thác thông tin ẩn và phân nhóm dữ liệu mà không cần nhãn trước.

b) Vai trò của học máy:

Học máy đóng vai trò quan trọng trong nhiều ứng dụng thực tế nhờ khả năng khai thác và phân tích dữ liệu lớn và đa dạng. Dưới đây là một số ví dụ tiêu biểu:

- Lọc thư rác: Học máy giúp phân loại thư điện tử thành thư rác hoặc thư thường dựa trên các đặc điểm của thư, cải thiện hiệu suất lọc qua việc học từ dữ liệu và cập nhật mô hình.

  - Chẩn đoán bệnh: Học máy phân tích dữ liệu sức khoẻ và xét nghiệm để xây dựng mô hình chẩn đoán và dự báo tình trạng sức khoẻ, hỗ trợ bác sĩ đưa ra quyết định nhanh chóng và chính xác.

- Phân tích thị trường**: Học máy phân tích dữ liệu thị trường để xác định xu hướng, dự báo biến động giá cả và hỗ trợ chiến lược kinh doanh, giúp nhà đầu tư đưa ra quyết định dựa trên thông tin và phân tích kỹ thuật.

- Nhận dạng tiếng nói: Học máy xây dựng mô hình âm thanh để nhận dạng và phân biệt âm thanh của các đơn vị tiếng, cải thiện khả năng nhận diện tiếng nói của người dùng khác nhau.

- Nhận dạng chữ viết: Học máy sử dụng mô hình hình học để nhận diện chữ viết tay, với sự phát triển của học sâu giúp cải thiện đáng kể khả năng nhận diện chữ viết.

-Dịch tự động: Học máy xây dựng mô hình dịch tự động từ dữ liệu bản dịch và bản gốc, giúp dịch văn bản và tiếng nói giữa các ngôn ngữ, giảm rào cản ngôn ngữ trong giao tiếp và phát triển hợp tác.

Học máy giúp xử lý và phân tích dữ liệu lớn, tự động hoá các nhiệm vụ phức tạp, và không ngừng cập nhật mô hình để phản ứng với sự thay đổi của dữ liệu.

->Hai phương pháp học máy cơ bản là học có giám sát và học không giám sát, tuỳ theo tập dữ liệu cung cấp cho mô hình học máy là dữ liệu có nhãn hay không có nhãn. Học máy giúp xử lí lượng lớn dữ liệu một cách nhanh chóng và hiệu quả, bao gồm cả các dữ liệu không ngừng thay đổi theo thời gian, trợ giúp các quá trình ra quyết định cũng như tự động hoá các nhiệm vụ phức tạp.