Học không giám sát

Học không giám sát là một mô hình cơ bản trong học máy (ML), trong đó các thuật toán được huấn luyện trên dữ liệu chưa được gắn nhãn, phân loại hoặc sắp xếp. Không giống như các phương pháp khác, hệ thống cố gắng học các mẫu và cấu trúc trực tiếp từ chính dữ liệu mà không cần bất kỳ nhãn đầu ra tương ứng nào. Mục tiêu chính là khám phá dữ liệu và tìm ra các cấu trúc hoặc mẫu có ý nghĩa, khiến nó trở thành một công cụ quan trọng để khám phá và phân tích dữ liệu trong lĩnh vực Trí tuệ Nhân tạo (AI) .

Nhiệm vụ học tập không giám sát cốt lõi

Các thuật toán học không giám sát thường được sử dụng để phân tích dữ liệu khám phá và có thể được nhóm thành một số nhiệm vụ chính:

• Phân cụm : Đây là nhiệm vụ học không giám sát phổ biến nhất, bao gồm việc nhóm các điểm dữ liệu thành các cụm dựa trên sự tương đồng của chúng. Mục tiêu là làm cho các điểm dữ liệu trong một cụm duy nhất có độ tương đồng cao với nhau và khác biệt với các điểm trong các cụm khác. Các thuật toán phổ biến bao gồm Phân cụm K-Means và DBSCAN .
• Giảm chiều : Kỹ thuật này được sử dụng để giảm số lượng biến đầu vào trong một tập dữ liệu. Kỹ thuật này hữu ích khi xử lý dữ liệu có chiều cao, vì nó có thể đơn giản hóa mô hình, giảm thời gian tính toán và hỗ trợ trực quan hóa dữ liệu . Phân tích thành phần chính (PCA) là một phương pháp được sử dụng rộng rãi cho nhiệm vụ này.
• Khai phá luật kết hợp: Phương pháp này khám phá các mối quan hệ hoặc luật kết hợp thú vị giữa các biến trong cơ sở dữ liệu lớn. Một ví dụ điển hình là "phân tích giỏ hàng", phương pháp này tìm ra mối quan hệ giữa các mặt hàng thường được mua cùng nhau trong một cửa hàng.

Ứng dụng trong thế giới thực

Học không giám sát thúc đẩy sự đổi mới trong nhiều ngành công nghiệp. Dưới đây là một vài ví dụ cụ thể:

1. Phân khúc khách hàng: Các công ty bán lẻ và thương mại điện tử sử dụng thuật toán phân cụm để nhóm khách hàng có hành vi và sở thích tương tự. Bằng cách phân tích lịch sử mua hàng, hoạt động duyệt web và nhân khẩu học, doanh nghiệp có thể tạo các chiến dịch tiếp thị nhắm mục tiêu, đưa ra các đề xuất được cá nhân hóa và cải thiện trải nghiệm khách hàng, cuối cùng là thúc đẩy AI trong bán lẻ .
2. Phát hiện bất thường: Trong an ninh mạng, các mô hình học không giám sát có thể xác định lưu lượng mạng bất thường, dấu hiệu của vi phạm an ninh. Tương tự, trong sản xuất , các thuật toán này có thể phát hiện lỗi trong sản phẩm trên dây chuyền lắp ráp bằng cách xác định các sai lệch so với tiêu chuẩn, một thành phần quan trọng của kiểm tra chất lượng hiện đại.

So sánh với các mô hình học tập khác

Học không giám sát khác biệt đáng kể so với các phương pháp ML khác:

• Học có giám sát : Dựa vào dữ liệu được gắn nhãn (cặp đầu vào-đầu ra) để huấn luyện mô hình cho các tác vụ như phân loại hoặc hồi quy . Mục tiêu là ánh xạ đầu vào với đầu ra đã biết. Bạn có thể tìm hiểu thêm chi tiết trong phần so sánh giữa học có giám sát và học không giám sát .
• Học Tăng cường : Bao gồm việc một tác nhân học cách đưa ra quyết định bằng cách thực hiện các hành động trong một môi trường để tối đa hóa phần thưởng tích lũy. Nó học thông qua thử nghiệm và sai sót, được hướng dẫn bởi các tín hiệu phản hồi (phần thưởng hoặc hình phạt). Xem tổng quan về học tăng cường sâu .
• Học bán giám sát : Sử dụng kết hợp một lượng nhỏ dữ liệu có nhãn và một lượng lớn dữ liệu không có nhãn, thu hẹp khoảng cách giữa học có giám sát và học không giám sát.
• Học tự giám sát : Một tập hợp con của học không giám sát, trong đó các nhãn được tự động tạo từ chính dữ liệu đầu vào, thường được sử dụng để đào tạo trước các mô hình lớn như trong Xử lý ngôn ngữ tự nhiên (NLP) hoặc Thị giác máy tính (CV) .

Học không giám sát là một công cụ mạnh mẽ để khám phá dữ liệu, phát hiện các cấu trúc ẩn và trích xuất các đặc điểm có giá trị. Nó thường đóng vai trò là bước đầu tiên quan trọng trong các quy trình khoa học dữ liệu phức tạp, chẳng hạn như thực hiện tiền xử lý dữ liệu trước khi đưa dữ liệu vào mô hình có giám sát. Các nền tảng như Ultralytics HUB cung cấp môi trường cho phép phát triển và quản lý nhiều mô hình ML khác nhau, có khả năng tích hợp các kỹ thuật không giám sát để phân tích tập dữ liệu . Các nền tảng như PyTorch và TensorFlow cung cấp các thư viện mở rộng hỗ trợ việc triển khai các thuật toán không giám sát, và bạn có thể khám phá thêm với các tài nguyên như hướng dẫn học không giám sát của Scikit-learn .