Các thuật toán có thể được phân loại theo 4 cách học tùy thuộc vào loại dữ liệu đầu vào và kết quả kỳ vọng.
Máy học có giám sátMáy học không có giám sátMáy học nửa giám sátMáy học tăng cường1. Máy học có giám sát
Các nhà khoa học dữ liệu cung cấp cho thuật toán dữ liệu đào tạo được gắn nhãn và xác định để đánh giá mối tương quan. Dữ liệu mẫu chỉ định cả đầu vào và kết quả của thuật toán. Ví dụ: Hình ảnh những chữ số viết tay được chú thích để chỉ ra số tương ứng với hình ảnh đó. Một hệ thống học có giám sát có thể nhận ra các cụm điểm ảnh vàhình dạng liên quan tới mỗi số, nếu được cung cấp đủ ví dụ. Cuối cùng, hệ thống sẽ nhận ra các chữ số viết tay, có thể phân biệt giữa số 9 và 4hoặc 6và 8 một cách đáng tin cậy.
Ưu điểm của học có giám sát là tính đơn giản và thiết kế dễ dàng. Cách học này rất hữu ích khi dự đoán một số lượng kết quả có giới hạn,phân loại dữ liệu hoặc kết hợp các kết quả thu được từ 2 thuật toán máy học khác. Tuy nhiênxổ số thành phố 16 tháng 5,việc gắn nhãn hàng triệu tập dữ liệu không có nhãn lại là thách thức. Hãy cùng tìm hiểu kỹ hơn nội dung này:
Gắn nhãn dữ liệu là gì?
Gắn nhãn dữ liệu là quá trình phân loại dữ liệu đầu vào với giá trị kết quả được xác định tương ứng. Dữ liệu đào tạo được gắn nhãn là bắt buộc đối với cách học có giám sát. Ví dụ: hàng triệu hình ảnh táo và chuối sẽ cần được gắn thẻ bằng từ “táo” hoặc “chuối.” Sau đóxổ số miền bắc mùng 7 tháng 5, ứng dụng máy học có thể sử dụng dữ liệu đào tạo này để đoán tên loại hoa quả khi được cung cấp hình ảnh. Tuy nhiên,việc gắn nhãn hàng triệu dữ liệu mới có thể là một nhiệm vụ khó khăn và tốn nhiều thời gian. Các dịch vụ tìm kiếm nguồn lực từ đám đông như Turk có thể vượt qua giới hạn này của thuật toán học có giám sát ở một mức độ nào đó. Những dịch vụ này cung cấp khả năng tiếp cận nguồn lao động giá rẻ rải rác khắp toàn cầuxổ số đài bình phước ngày 9 tháng 1, giúp giảm bớt thách thức trong việc thu thập dữ liệu.
2. Máy học không có giám sát
Thuật toán học không có giám sát được đào tạo dựa trên dữ liệu không gắn nhãn. Các thuật toán này quét dữ liệu mới, cố gắng thiết lập kết nối có ý nghĩa giữa dữ liệu đầu vào và kết quả định sẵn. Chúng có thể phát hiện khuôn mẫu và phân loại dữ liệu. Ví dụ: thuật toán không có giám sát có thể nhóm các bài viết từ nhiều trang tin tức khác nhau theo các mục phổ biến như thể thao,hình sựxổ số đài bình phước ngày 9 tháng 1,v.v. Chúng có thể dùng phương thức xử lý ngôn ngữ tự nhiên để thấu hiểu ý nghĩa và cảm xúc trong bài viết. Trong ngành bán lẻxổ số đài bình phước ngày 9 tháng 1|Công nghệ máy học là gì?, học không có giám sát có thể tìm khuôn mẫu trong các đơn mua hàng của khách và cung cấp kết quả phân tích dữ liệu, chẳng hạn như khách hàng có khả năng cao sẽ mua bánh mì nếu đã mua bơ.
Học không có giám sát rất hữu ích trong việc phát hiện khuôn mẫu và sự bất thường, cũng như tự động nhóm dữ liệu theo các hạng mục. Vì dữ liệu đào tạo không cần gắn nhãn nên việc thiết lập học không giám sát rất dễ dàng. Các thuật toán này cũng có thể được sử dụng để làm sạch và xử lý dữ liệu nhằm tự động dựng mô hình chuyên sâu hơn. Giới hạn của phương pháp này là thuật toán không thể đưa ra dự đoán chính xác. Thêm vào đó, phương pháp này không thể tự tách biệt một số loại kết quả dữ liệu cụ thể.
3. Máy học nửa giám sát
Đúng như tên gọi của mình, phương pháp này kết hợp cả học có giám sát lẫn không có giám sát. Kỹ thuật này dựa vào một lượng nhỏ dữ liệu được gắn nhãn và một lượng lớn dữ liệu không gắn nhãn để đào tạo các hệ thống. Đầu tiên, dữ liệu được gắn nhãn được sử dụng để đào tạo một phần thuật toán máy học. Sau đó,thuật toán đã được đào tạo một phần sẽ tự mình gắn nhãn cho dữ liệu chưa được gắn nhãn. Quá trình này được gọi là giả gắn nhãn. Mô hình sau đó được đào tạo lại bằng hỗn hợp dữ liệu kết quả mà không được lập trình cụ thể.
Ưu điểm của phương pháp này là bạn không cần một lượng lớn dữ liệu được gắn nhãn. Phương pháp này rất hữu ích khi làm việc với loại dữ liệu như các tài liệu dài và tốn quá nhiều thời gian để có người đọc và gắn nhãn.
4. Học tăng cường
Học tăng cường là phương pháp có giá trị thưởng được gắn với các bước khác nhau mà thuật toán phải trải qua. Mục tiêu của mô hình là tích lũy nhiều điểm thưởng hết mức có thể và cuối cùng sẽ đạt được mục tiêu cuối. Hầu hết các ứng dụng thực tiễn của học tăng cường trong thập niên vừa qua nằm trong lĩnh vực trò chơi điện tử. Các thuật toán học tăng cường tiên tiến đã đạt được những kết quả ấn tượng trong các trò chơi cổ điển và hiện đạidự đoán xổ số miền nam ngày 27, thường có kết quả vượt xa đối thủ con người của chúng.
Mặc dù phương pháp này hoạt động tốt nhất trong môi trường dữ liệu không chắc chắn và phức tạp,nó hiếm khi được triển khai trong bối cảnh kinh doanh. Phương pháp này không hiệu quả trong các tác vụ được xác định rõ và thiên kiến của nhà phát triển có thể ảnh hưởng tới kết quả. Vì nhà khoa học dữ liệu là người thiết kế phần thưởngxổ số đài bình phước ngày 9 tháng 1, họ có thể tác động tới kết quả.
