Xem mẫu
- CÁC HỆ THỐNG THÔNG MINH NHÂN TẠO & ỨNG DỤNG
Máy Học
THS. BÙI THỊ DANH
BM.KHMT, KHOA CNTT, ĐH.KHTN TP.HCM
- Nội dung chính
Máy học là gì?
Phương pháp Naïve Bayes
Phương pháp ID3
Phương pháp ILA
2
- Máy học là gì?
Arthur Samuel (1959): Máy học là một lĩnh vực nghiên cứu mang lại cho máy tính khả năng
học mà không phải lập trình một cách tường minh.
3
- Máy học là gì?
Tom Mitchell (1998): Một chương trình máy tính được nói
là “học” từ 𝑘𝑖𝑛ℎ 𝑛𝑔ℎ𝑖ệ𝑚 𝐸 tương ứng với 𝑐ô𝑛𝑔 𝑣𝑖ệ𝑐 𝑇 và
độ đo ℎ𝑖ệ𝑢 𝑠𝑢ấ𝑡 𝑃 nếu hiệu suất trên 𝑇, được đo bởi 𝑃, cải
thiện nhờ kinh nghiệm 𝐸
Ví dụ: một chương trình máy tính xem xét các emails mà
chúng ta đã đánh dấu và không đánh dấu là “spam”, từ đó
học được cách để lọc các email spam.
◦ 𝐶ô𝑛𝑔 𝑣𝑖ệ𝑐 𝑇: phân loại email là spam hay không phải spam
◦ 𝐾𝑖𝑛ℎ 𝑛𝑔ℎ𝑖ệ𝑚 𝐸: xem xét việc đánh dấu và không đánh dấu spam
của chúng ta
◦ 𝐻𝑖ệ𝑢 𝑠𝑢ấ𝑡 𝑃: số lượng email phân loại đúng là spam/không phải
spam
4
- Máy học là gì?
Máy học có thể được dùng để:
◦ Khai thác dữ liệu: nhiều tập dữ liệu lớn đến từ sự phát triển của tự động hóa/web
◦ Dữ liệu click web, hồ sơ bệnh án, mạng xã hội …
◦ Xây dựng các ứng dụng không thể lập trình thủ công
◦ Xe hơi tự lái, nhận dạng chữ viết tay, xử lý ngôn ngữ tự nhiên (NLP), thị giác máy tính…
◦ Các chương trình tự điều chỉnh
◦ Hệ thống đề cử sản phẩm của Amazon, Netflix…
◦ Hiểu về việc học của con người (bộ não)
5
- Máy học là gì?
Các thuật toán máy học có thể chia thể các nhóm:
◦ Supervised learning (học có giám sát)
◦ Unsupervised learning (học không có giám sát)
◦ Reinforcement learning (học tăng cường)
◦…
6
- Học có giám sát
Dữ liệu dùng để “học” (hay huấn luyện) cần có “câu
trả lời đúng” đi kèm.
Ví dụ - Phát hiện và lọc email spam
◦ Dữ liệu học: các email đã được đánh dấu là spam và không
được đánh dấu là spam.
◦ Dựa trên các thuộc tính(đặc trưng): chiều dài email, tỉ lệ kí
tự, số lượng url…
◦ Phân loại cho các email mới.
Ví dụ - Dự đoán giá nhà
◦ Dữ liệu học: các căn nhà và giá tương ứng
◦ Dựa trên các thuộc tính (đặc trưng): vị trí, diện tích, năm xây
dựng
◦ Dự đoán giá cho các ngôi nhà không có trong dữ liệu học
7
- Học có giám sát
Ví dụ - Chẩn đoán y khoa
◦ Học từ dữ liệu là những bệnh án của các bệnh nhân.
◦ Các thuộc tính: Sốt, nôn, tiêu chảy, rét run, …
◦ Dự đoán cho các ca mới
Mẫu Sốt Nôn Tiêu chảy Rét run Phân loại
d1 không không không không khỏe mạnh
d2 trung bình không không không cúm
d3 cao không không có cúm
d4 cao có có không ngộ độc salmonella
d5 trung bình không có không ngộ độc salmonella
d6 không có có không viêm ruột
d7 trung bình có có không viêm ruột
d8 không không có có ?
8
- Học không giám sát
Dữ liệu dùng để học không có “câu trả lời đúng” đi kèm
Cố gắng hiểu dữ liệu và phát hiện ra các cấu trúc hay các mẫu trong dữ liệu
9
- Học không có giám sát
10
- Học tăng cường
Tương tác với môi trường, nhận phản hồi và từ đó rút ra mô hình mà môi trường đang vận
hành.
Thực hiện tương tác
agent Môi trường
Nhận phản hồi (phần thưởng r)
11
- Học tăng cường
12
- Nội dung chính
Máy học là gì?
Phương pháp Naïve Bayes
Phương pháp ID3
Phương pháp ILA
13
- Chẩn đoán y khoa
Tính xác suất cho từng khả Mẫu Sốt Nôn Tiêu chảy Rét run Phân loại
năng:
d1 không không không không khỏe mạnh
◦ 𝑃 𝑘ℎỏ𝑒 𝑚ạ𝑛ℎ 𝑑8
d2 trung bình không không không cúm
◦ 𝑃(𝑐ú𝑚|𝑑8 ) d3 cao không không có cúm
◦ 𝑃 𝑛𝑔ộ độ𝑐 𝑑8 d4 cao có có không ngộ độc salmonella
◦ 𝑃(𝑣𝑖ê𝑚 𝑟𝑢ộ𝑡|𝑑8 ) d5 trung bình không có không ngộ độc salmonella
d6 không có có không viêm ruột
Chọn ra xác suất lớn nhất để
quyết định nhóm bệnh của 𝑑8 d7 trung bình có có không viêm ruột
d8 không không có có ?
Tính như thế
nào?
14
- Phương pháp Naïve Bayes
Gọi 𝑋1, 𝑋2, … , 𝑋𝑛 là các thuộc tính trong tập dữ liệu, 𝑌 là thuộc tính phân lớp.
Giả sử 𝑋1, 𝑋2, … , 𝑋𝑛 độc lập điều kiện với nhau khi cho 𝑌
Phương pháp dựa trên luật suy diễn xác suất Bayes:
𝑃 𝑋 𝑌 . 𝑃(𝑌)
𝑃 𝑌𝑋 =
𝑃(𝑋)
𝑃 𝑋 = 𝑑8 𝑌 = 𝑐ú𝑚 .𝑃(𝑌=𝑐ú𝑚)
Ví dụ: 𝑃 𝑌 = 𝑐ú𝑚 𝑋 = 𝑑8 =
𝑃(𝑋=𝑑8 )
Mẫu Sốt Nôn Tiêu chảy Rét run Phân loại
d1 không không không không khỏe mạnh
d2 trung bình không không không cúm
15
- Phương pháp Naïve Bayes
Ước lượng giá trị của 𝑃 𝑌 = 𝑐 :
𝑪𝒐𝒖𝒏𝒕(𝒄)
𝐏(𝐘 = 𝐜) =
𝑪𝒐𝒖𝒏𝒕(𝑫)
◦ 𝐶𝑜𝑢𝑛𝑡 𝑐 : số mẫu có 𝑌 = 𝑐
◦ 𝐶𝑜𝑢𝑛𝑡(𝐷): tổng số mẫu có trong dữ liệu học.
Ước lượng giá trị của 𝑃 𝑋 = d 𝑌 = 𝑐):
◦ 𝑋 được xác định bởi các thuộc tính 𝑋1, 𝑋2, … , 𝑋𝑛 và chúng độc lập nhau nên:
𝒏
𝑷 𝑿 = 𝒅 𝒀 = 𝒄 = 𝑷 𝑿𝟏 = 𝒙𝟏 , … , 𝑿𝒏 = 𝒙𝒏 𝒀 = 𝒄 = ෑ 𝑷(𝑿𝒊 = 𝒙𝒊 |𝒀 = 𝒄)
𝒊=𝟏
◦ Theo đó, chúng ta cần ước lượng 𝑃(𝑋𝑖 = 𝑥𝑖 |𝑌 = 𝑐):
𝑪𝒐𝒖𝒏𝒕(𝒙𝒊 , 𝒄)
𝑷 𝑿𝒊 = 𝒙𝒊 𝒀 = 𝒄 =
𝑪𝒐𝒖𝒏𝒕(𝒄)
◦ C𝑜𝑢𝑛𝑡(𝑥𝑖 , 𝑐): số mẫu có 𝑌 = 𝑐 và thuộc tính thứ 𝑖 có giá trị là 𝑥𝑖
◦ 𝐶𝑜𝑢𝑛𝑡(𝑐): số mẫu có 𝑌 = 𝑐
16
- Ví dụ 1
Mẫu Tuyết Thời tiết Mùa Sức khỏe Trượt tuyết?
1 ẩm sương mù vắng tốt không
2 khô nắng vắng bị thương không
3 khô nắng vắng tốt có
4 khô nắng cao điểm tốt có
5 khô nắng vừa phải tốt có
6 băng gió cao điểm mệt mỏi không
7 ẩm nắng vắng tốt có
8 băng sương mù vừa phải tốt không
9 khô gió vắng tốt có
10 khô gió vắng tốt có
11 khô sương mù vắng tốt có
12 khô sương mù vắng tốt có
13 ẩm nắng vừa phải tốt có
14 băng sương mù vắng bị thương không
17
- Ví dụ 1
Ước lượng 𝑃(𝑌 = 𝑐):
◦ 𝑃(𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑐ó) = 9/14
◦ 𝑃(𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑘ℎô𝑛𝑔) = 5/14
Ước lượng 𝑃 𝑋1 = 𝑥𝑖 𝑌 = 𝑐 , với 𝑋1 ≡ 𝑇𝑢𝑦ế𝑡
◦ 𝑃(𝑇𝑢𝑦ế𝑡 = ẩ𝑚 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑐ó) = 2/9
◦ 𝑃(𝑇𝑢𝑦ế𝑡 = 𝑘ℎô | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑐ó) = 7/9
◦ 𝑃(𝑇𝑢𝑦ế𝑡 = 𝑏ă𝑛𝑔 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑐ó) = 0/9
◦ 𝑃(𝑇𝑢𝑦ế𝑡 = 𝑏ă𝑛𝑔 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑘ℎô𝑛𝑔) = 3/5
◦ 𝑃(𝑇𝑢𝑦ế𝑡 = ẩ𝑚 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑘ℎô𝑛𝑔) = 1/5
◦ 𝑃(𝑇𝑢𝑦ế𝑡 = 𝑘ℎô | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑘ℎô𝑛𝑔) = 1/5
18
- Ví dụ 1
Ước lượng 𝑃 𝑋2 = 𝑥𝑖 𝑌 = 𝑐 , với 𝑋2 ≡ 𝑇ℎờ𝑖 𝑡𝑖ế𝑡
◦ 𝑃(𝑇ℎờ𝑖 𝑡𝑖ế𝑡 = 𝑔𝑖ó | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑐ó) = 2/9
◦ 𝑃(𝑇ℎờ𝑖 𝑡𝑖ế𝑡 = 𝑛ắ𝑛𝑔 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑐ó) = 5/9
◦ 𝑃(𝑇ℎờ𝑖 𝑡𝑖ế𝑡 = 𝑠ươ𝑛𝑔 𝑚ù | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑐ó) = 2/9
◦ 𝑃(𝑇ℎờ𝑖 𝑡𝑖ế𝑡 = 𝑔𝑖ó | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑘ℎô𝑛𝑔) = 1/5
◦ 𝑃(𝑇ℎờ𝑖 𝑡𝑖ế𝑡 = 𝑛ắ𝑛𝑔 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑘ℎô𝑛𝑔) = 1/5
◦ 𝑃(𝑇ℎờ𝑖 𝑡𝑖ế𝑡 = 𝑠ươ𝑛𝑔 𝑚ù | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑘ℎô𝑛𝑔) = 3/5
19
- Ví dụ 1
Ước lượng 𝑃 𝑋3 = 𝑥𝑖 𝑌 = 𝑐 , với 𝑋3 ≡ 𝑀ù𝑎
◦ 𝑃(𝑀ù𝑎 = 𝑐𝑎𝑜 đ𝑖ể𝑚 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑐ó) = 1/9
◦ 𝑃(𝑀ù𝑎 = 𝑣ắ𝑛𝑔 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑐ó) = 6/9
◦ 𝑃(𝑀ù𝑎 = 𝑣ừ𝑎 𝑝ℎả𝑖 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑐ó) = 2/9
◦ 𝑃(𝑀ù𝑎 = 𝑐𝑎𝑜 đ𝑖ể𝑚 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑘ℎô𝑛𝑔) = 1/5
◦ 𝑃(𝑀ù𝑎 = 𝑣ắ𝑛𝑔 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑘ℎô𝑛𝑔) = 3/5
◦ 𝑃(𝑀ù𝑎 = 𝑣ừ𝑎 𝑝ℎả𝑖 | 𝑇𝑟ượ𝑡 𝑡𝑢𝑦ế𝑡 = 𝑘ℎô𝑛𝑔) = 1/5
20
nguon tai.lieu . vn
