- Xuất bản vào
Các thuật toán học máy quan trọng nhất mà một nhà khoa học dữ liệu biết đến.
- Tác giả
- Tên
- AbnAsia.org
- @steven_n_t
Nó không dành cho tất cả mọi người.
Học máy điều khiển rất nhiều thứ xung quanh chúng ta - từ hệ thống đề xuất đến xe tự lái!
Tuy nhiên, việc hiểu các loại thuật toán khác nhau có thể khá phức tạp.
Đây là hướng dẫn nhanh và dễ hiểu về bốn loại chính: Học có giám sát, Học không giám sát, Học bán giám sát và Học tăng cường.
- Học có giám sát
Trong học có giám sát, mô hình học từ các ví dụ đã có câu trả lời (dữ liệu có nhãn). Mục tiêu là để mô hình dự đoán kết quả đúng khi được cung cấp dữ liệu mới.
Một số thuật toán học có giám sát phổ biến bao gồm:
➡️ Hồi quy tuyến tính - Để dự đoán các giá trị liên tục, như giá nhà.
➡️ Hồi quy logistic - Để dự đoán các danh mục, như thư rác hay không thư rác.
➡️ Cây quyết định - Để đưa ra quyết định theo từng bước.
➡️ K-Nearest Neighbors (KNN) - Để tìm các điểm dữ liệu tương tự.
➡️ Rừng ngẫu nhiên - Một tập hợp các cây quyết định để có độ chính xác tốt hơn.
➡️ Mạng nơ-ron - Nền tảng của học sâu, mô phỏng não người.
- Học không giám sát
Với học không giám sát, mô hình khám phá các mẫu trong dữ liệu không có nhãn. Nó tìm ra các cấu trúc hoặc nhóm ẩn.
Một số thuật toán học không giám sát phổ biến bao gồm:
➡️ K-Means Clustering - Để nhóm dữ liệu thành các cụm.
➡️ Hierarchical Clustering - Để xây dựng cây các cụm.
➡️ Phân tích thành phần chính (PCA) - Để giảm dữ liệu xuống các phần quan trọng nhất.
➡️ Autoencoders - Để tìm các biểu diễn đơn giản hơn của dữ liệu.
- Học bán giám sát
Đây là sự kết hợp giữa học có giám sát và không giám sát. Nó sử dụng một lượng nhỏ dữ liệu có nhãn cùng với một lượng lớn dữ liệu không có nhãn để cải thiện việc học.
Các thuật toán học bán giám sát phổ biến bao gồm:
➡️ Lan truyền nhãn - Để lan truyền nhãn qua các điểm dữ liệu kết nối.
➡️ Semi-Supervised SVM - Để kết hợp dữ liệu có nhãn và không có nhãn.
➡️ Phương pháp dựa trên đồ thị - Để sử dụng cấu trúc đồ thị cải thiện việc học.
- Học tăng cường
Trong học tăng cường, mô hình học qua thử và sai. Nó tương tác với môi trường của mình, nhận phản hồi (phần thưởng hoặc hình phạt), và học cách hành động để tối đa hóa phần thưởng.
Các thuật toán học tăng cường phổ biến bao gồm:
➡️ Q-Learning - Để học các hành động tốt nhất theo thời gian.
➡️ Deep Q-Networks (DQN) - Kết hợp Q-learning với học sâu.
➡️ Phương pháp chính sách gradient - Để học chính sách trực tiếp.
➡️ Tối ưu hóa chính sách gần (PPO) - Để học ổn định và hiệu quả.
TÁC GIẢ
Về ABN Asia: AiUTOMATING PEOPLE, ABN Asia được thành lập từ năm 2012, là một công ty xuất phát từ học thuật, do những giảng viên, cựu du học sinh Hungary, Hà Lan, Nga, Đức, và Nhật Bản sáng lập. Chúng tôi chia sẻ đam mê chung và tầm nhìn vững chắc về công nghệ, mang đến sự đổi mới và chất lượng đỉnh cao cho khách hàng. Phương châm của chúng tôi là: Tốt hơn. Nhanh hơn. An toàn hơn. Trong nhiều trường hợp: Rẻ hơn.
Hãy liên hệ với chúng tôi khi Quý doanh nghiệp có các nhu cầu về dịch vụ công nghệ thông tin, tư vấn chuyển đổi số, tìm kiếm các giải pháp phần mềm phù hợp, hoặc nếu Quý doanh nghiệp có đấu thầu CNTT (RFP) để chúng tôi tham dự. Quý doanh nghiệp có thể liên hệ với chúng tôi qua địa chỉ email [email protected]. Chúng tôi sẵn lòng hỗ trợ với mọi nhu cầu công nghệ của Quý doanh nghiệp.
© ABN ASIA