Unsupervised Learning

Học không giám sát là một loại học máy trong đó thuật toán tự học các mô hình từ dữ liệu không được gắn nhãn mà không cần sự can thiệp của con người. Không giống như học có giám sát, vốn dựa vào các cặp đầu vào-đầu ra được gắn nhãn để huấn luyện một model, học không giám sát xử lý dữ liệu không có nhãn lịch sử. Về cơ bản, hệ thống cố gắng tự dạy chính nó bằng cách khám phá các cấu trúc, mô hình hoặc mối quan hệ ẩn bên trong dữ liệu đầu vào. Cách tiếp cận này đặc biệt có giá trị vì phần lớn dữ liệu được tạo ra ngày nay—hình ảnh, video, văn bản và nhật ký cảm biến—đều không có cấu trúc và không được gắn nhãn.

Cách thức hoạt động của Học không giám sát#

Trong các kịch bản không giám sát, thuật toán được để tự xoay xở để khám phá các cấu trúc thú vị trong dữ liệu. Mục tiêu thường là để mô hình hóa phân phối cơ bản của dữ liệu hoặc tìm hiểu sâu hơn về chính dữ liệu đó. Vì không có "câu trả lời đúng" nào được cung cấp trong quá trình huấn luyện, model không thể được đánh giá dựa trên độ chính xác theo nghĩa truyền thống. Thay vào đó, hiệu suất thường được đo lường bằng mức độ model giảm số chiều hoặc phân cụm các điểm dữ liệu tương tự lại với nhau.

Phương pháp này phản ánh cách con người thường học các khái niệm mới. Ví dụ, một đứa trẻ có thể phân biệt giữa chó và mèo bằng cách quan sát hình dáng và hành vi khác nhau của chúng mà không nhất thiết phải biết trước các tên gọi "chó" và "mèo". Tương tự, các thuật toán không giám sát nhóm thông tin dựa trên các điểm tương đồng vốn có. Khả năng này là cơ sở cho sự phát triển của artificial general intelligence (AGI), vì nó cho phép các hệ thống thích ứng với môi trường mới mà không cần sự giám sát liên tục của con người.

Các kỹ thuật chính trong Học không giám sát#

Học không giám sát bao gồm một số kỹ thuật riêng biệt, mỗi kỹ thuật phù hợp với các loại vấn đề phân tích dữ liệu khác nhau:

• Phân cụm (Clustering): Đây là ứng dụng phổ biến nhất, trong đó thuật toán nhóm các điểm dữ liệu có nét tương đồng với nhau. Một phương pháp phổ biến là K-Means clustering, chia dữ liệu thành k nhóm riêng biệt dựa trên độ tương đồng về đặc trưng. Phương pháp này được sử dụng rộng rãi trong phân khúc thị trường để xác định các nhóm khách hàng có hành vi mua sắm tương tự nhau.
• Giảm chiều dữ liệu (Dimensionality Reduction): Dữ liệu có số chiều lớn có thể phức tạp và tốn kém tài nguyên tính toán khi xử lý. Các kỹ thuật như Principal Component Analysis (PCA) làm giảm số lượng biến trong tập dữ liệu nhưng vẫn bảo toàn được thông tin thiết yếu. Điều này đơn giản hóa data visualization và tăng tốc độ huấn luyện của các mô hình machine learning khác.
• Phát hiện bất thường (Anomaly Detection): Bằng cách tìm hiểu xem dữ liệu "bình thường" trông như thế nào, các mô hình không giám sát có thể xác định các điểm ngoại lai lệch khỏi mức chuẩn đáng kể. Điều này rất quan trọng đối với fraud detection in finance, nơi các mẫu giao dịch bất thường kích hoạt cảnh báo bảo mật.
• Học quy tắc kết hợp (Association Rule Learning): Kỹ thuật này khám phá các mối quan hệ thú vị giữa các biến trong cơ sở dữ liệu lớn. Nó được biết đến nhiều nhất trong phân tích giỏ hàng, giúp các nhà bán lẻ hiểu rằng khách hàng mua bánh mì cũng có khả năng sẽ mua bơ.

Học không giám sát so với Học có giám sát#

Điều quan trọng là phải phân biệt unsupervised learning với supervised learning. Sự khác biệt chính nằm ở dữ liệu được sử dụng. Supervised learning yêu cầu một labeled dataset, nghĩa là mỗi ví dụ huấn luyện được ghép nối với một đầu ra chính xác (ví dụ: hình ảnh một con mèo được gán nhãn "cat"). Mô hình học cách ánh xạ đầu ra từ đầu ra để thiểu hóa lỗi.

Ngược lại, unsupervised learning sử dụng dữ liệu không có nhãn. Không có vòng lặp phản hồi nào thông báo cho mô hình biết liệu đầu ra của nó có chính xác hay không. Tồn tại một khoảng giữa gọi là semi-supervised learning, kết hợp một lượng nhỏ dữ liệu được gán nhãn với lượng lớn dữ liệu chưa gán nhãn để cải thiện độ chính xác khi học, thường được tận dụng khi việc gán nhãn dữ liệu tốn kém hoặc mất nhiều thời gian.

Các ứng dụng trong thực tế#

Học không giám sát cung cấp sức mạnh cho nhiều công nghệ mà chúng ta gặp hàng ngày. Dưới đây là hai ví dụ cụ thể:

1. Phân khúc khách hàng trong bán lẻ (Customer Segmentation in Retail): Các nền tảng thương mại điện tử phân tích hàng triệu lượt tương tác của người dùng mà không cần danh mục định sẵn. Bằng cách sử dụng các thuật toán phân cụm, họ xác định các đối tượng người dùng rõ rệt—chẳng hạn như "người săn hàng giảm giá cuối tuần" hoặc "tín đồ công nghệ". Điều này cho phép thực hiện các chiến dịch tiếp thị mang tính cá nhân hóa cao và recommendation systems, qua đó cải thiện đáng kể trải nghiệm của khách hàng.

2. Phân tích trình tự bộ gen: Trong tin sinh học, các nhà nghiên cứu sử dụng học không giám sát để phân tích dữ liệu di truyền. Các thuật toán phân cụm các trình tự DNA để tìm ra các dấu hiệu di truyền hoặc đột biến tương tự trên các quần thể khác nhau. Điều này giúp hiểu được các mối quan hệ tiến hóa và xác định khuynh hướng di truyền đối với các bệnh mà không cần phải biết trước chức năng của từng gen cụ thể.

Ví dụ về mã: Phân cụm với Scikit-Learn#

Mặc dù Ultralytics YOLO26 chủ yếu là một framework phát hiện đối tượng có giám sát, các kỹ thuật không giám sát thường được sử dụng trong các bước tiền xử lý, chẳng hạn như phân tích phân phối anchor box hoặc gom nhóm các đặc trưng của tập dữ liệu. Dưới đây là một ví dụ đơn giản sử dụng sklearn để thực hiện phân cụm K-Means, một kỹ thuật không giám sát cơ bản.

import numpy as np
from sklearn.cluster import KMeans

# Generate synthetic data: 10 points with 2 features each
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

# Initialize KMeans with 2 clusters (k=2)
kmeans = KMeans(n_clusters=2, random_state=0, n_init="auto")

# Fit the model to the data (no labels provided!)
kmeans.fit(X)

# Predict which cluster each point belongs to
print(f"Labels: {kmeans.labels_}")
# Output will group the first 3 points together (0) and the last 3 together (1)

Vai trò của Học không giám sát trong Học sâu#

Deep learning (DL) hiện đại đang ngày càng tích hợp các nguyên tắc không giám sát. Các kỹ thuật như Self-Supervised Learning (SSL) cho phép các mô hình tự tạo tín hiệu giám sát của riêng chúng từ dữ liệu. Ví dụ, trong Natural Language Processing (NLP), các mô hình như GPT-4 được huấn luyện trước trên lượng lớn văn bản để dự đoán từ tiếp theo trong một câu, qua đó học cấu trúc ngôn ngữ một cách hiệu quả mà không cần nhãn tường minh.

Tương tự, trong computer vision (CV), các mạng autoencoder được sử dụng để học cách mã hóa dữ liệu hiệu quả. Các mạng neural này nén hình ảnh thành biểu diễn có số chiều thấp hơn và sau đó tái tạo lại chúng. Quá trình này dạy cho mạng các đặc trưng nổi bật nhất của dữ liệu thị giác, hữu ích cho các tác vụ như image denoising và tạo sinh mô hình.

Đối với những ai đang tìm kiếm cách quản lý các tập dữ liệu để huấn luyện, Ultralytics Platform cung cấp các công cụ để trực quan hóa phân phối dữ liệu, giúp xác định các cụm hoặc điểm bất thường trước khi quá trình huấn luyện có giám sát bắt đầu. Hiểu rõ cấu trúc dữ liệu của bạn thông qua việc khám phá không giám sát thường là bước đầu tiên để xây dựng các giải pháp AI mạnh mẽ.