Học máy (ML)

Học máy (ML) là một nhánh động của Trí tuệ nhân tạo (AI) , tập trung vào việc phát triển các hệ thống có khả năng học hỏi từ dữ liệu để cải thiện hiệu suất theo thời gian mà không cần được lập trình rõ ràng cho từng quy tắc cụ thể. Được đặt ra bởi nhà tiên phong Arthur Samuel vào năm 1959 , lĩnh vực này cho phép máy tính xác định các mẫu hình, đưa ra quyết định và dự đoán kết quả dựa trên thông tin lịch sử. Thay vì tuân theo một tập hợp các hướng dẫn tĩnh, các thuật toán ML xây dựng một mô hình toán học dựa trên dữ liệu đào tạo để đưa ra dự đoán hoặc quyết định mà không cần được lập trình rõ ràng để thực hiện nhiệm vụ.

Các mô hình học tập cốt lõi

Các thuật toán học máy thường được phân loại theo cách chúng học từ dữ liệu. Việc hiểu rõ các mô hình này là điều cần thiết để lựa chọn phương pháp tiếp cận phù hợp cho một vấn đề nhất định:

• Học có giám sát : Thuật toán được huấn luyện trên một tập dữ liệu được gắn nhãn, nghĩa là đầu vào sẽ cho ra kết quả đầu ra chính xác. Mô hình học cách ánh xạ đầu vào với đầu ra, thường được sử dụng cho các tác vụ như phân loại hình ảnh và lọc thư rác. Các tài nguyên như hướng dẫn học có giám sát của IBM cung cấp thêm thông tin chi tiết về các quy trình công việc này.
• Học không giám sát : Trong phương pháp này, thuật toán xử lý dữ liệu chưa được gắn nhãn để khám phá các cấu trúc hoặc mẫu ẩn, chẳng hạn như phân nhóm khách hàng theo hành vi mua sắm. Các kỹ thuật như phân cụm là nền tảng của mô hình này.
• Học tăng cường : Một tác nhân học cách đưa ra quyết định bằng cách thực hiện các hành động trong môi trường và nhận phản hồi dưới dạng phần thưởng hoặc hình phạt. Phương pháp này rất quan trọng trong việc đào tạo tác nhân cho các nhiệm vụ phức tạp, chẳng hạn như trong robot và trò chơi chiến lược.
• Học bán giám sát : Phương pháp kết hợp này sử dụng một lượng nhỏ dữ liệu có gắn nhãn kết hợp với một lượng lớn dữ liệu không có gắn nhãn, thường cải thiện độ chính xác của việc học khi việc gắn nhãn tốn kém.

Phân biệt ML với các khái niệm liên quan

Mặc dù thường được sử dụng thay thế cho nhau, nhưng điều quan trọng là phải phân biệt ML với các thuật ngữ liên quan trong hệ sinh thái khoa học dữ liệu:

• Học sâu (DL) : Một tập hợp con chuyên biệt của ML sử dụng mạng nơ-ron (NN) đa lớp để mô hình hóa các mẫu dữ liệu phức tạp. Học sâu thúc đẩy những đột phá hiện đại trong lĩnh vực Thị giác Máy tính (CV) và xử lý ngôn ngữ tự nhiên.
• Khai thác dữ liệu : Lĩnh vực này tập trung vào việc khám phá các mô hình hoặc mối quan hệ chưa từng biết đến trong các tập dữ liệu lớn. Trong khi ML tập trung vào dự đoán và ra quyết định, khai thác dữ liệu tập trung vào việc trích xuất những thông tin chi tiết có thể hành động, thường được mô tả bởi SAS Analytics .
• Trí tuệ nhân tạo (AI) : Lĩnh vực bao quát nhằm tạo ra các máy móc thông minh. ML là tập hợp con thực tế cung cấp các phương pháp thống kê để đạt được AI.

Các Ứng dụng Thực tế

Học máy là động lực đằng sau nhiều công nghệ mang tính chuyển đổi trong nhiều ngành công nghiệp khác nhau.

1. AI trong chăm sóc sức khỏe : Các mô hình ML đang cách mạng hóa chẩn đoán bằng cách thực hiện phân tích hình ảnh y tế . Các thuật toán có thể detect Các bất thường như khối u trong ảnh chụp MRI với độ chính xác cao, hỗ trợ các bác sĩ X quang phát hiện bệnh sớm. Nghiên cứu được công bố trên các tạp chí như Nature Medicine thường xuyên nêu bật những tiến bộ này.
2. Trí tuệ nhân tạo (AI) trong ô tô : Xe tự hành phụ thuộc rất nhiều vào công nghệ học máy (ML) để nhận biết môi trường xung quanh. Các hệ thống được đào tạo dựa trên lượng lớn cảnh quay lái xe sẽ sử dụng tính năng phát hiện vật thể để xác định người đi bộ, xe khác và biển báo giao thông theo thời gian thực, đảm bảo điều hướng an toàn. Các công ty như Waymo tận dụng các cụm nhận thức tiên tiến này.

Triển khai học máy

Việc phát triển một giải pháp ML bao gồm thu thập dữ liệu, đào tạo mô hình và triển khai nó để suy luận. Các nền tảng hiện đại như PyTorch và TensorFlow cung cấp các công cụ thiết yếu để xây dựng các hệ thống này.

Dưới đây là một ví dụ ngắn gọn về việc sử dụng ultralytics thư viện để thực hiện suy luận với mô hình ML được đào tạo trước. Điều này chứng minh các công cụ ML hiện đại có thể dễ dàng được áp dụng vào các tác vụ thị giác máy tính như thế nào.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model suitable for object detection
model = YOLO("yolo11n.pt")

# Run inference on a remote image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results with bounding boxes
results[0].show()

Việc triển khai thành công cũng đòi hỏi sự chú ý cẩn thận đến các chiến lược triển khai mô hình và giám sát để ngăn ngừa các vấn đề như quá khớp (overfitting ), khi mô hình học dữ liệu huấn luyện quá tốt và không thể khái quát hóa với các dữ liệu đầu vào mới. Các công cụ như Scikit-learn vẫn rất quan trọng đối với các tác vụ học máy (ML) truyền thống, trong khi kiến trúc Ultralytics YOLO11 đại diện cho công nghệ tiên tiến nhất cho các tác vụ học dựa trên tầm nhìn.