Học máy bao gồm các loại mô hình học máy khác nhau, sử dụng các kỹ thuật thuật toán khác nhau. Tùy thuộc vào bản chất của dữ liệu và kết quả mong muốn, một trong bốn mô hình học tập có thể được sử dụng: có giám sát, không giám sát, bán giám sát hoặc tăng cường. Trong mỗi mô hình đó, một hoặc nhiều kỹ thuật thuật toán có thể được áp dụng – liên quan đến tập dữ liệu đang sử dụng và kết quả dự kiến. Các thuật toán học máy về cơ bản được thiết kế để phân loại mọi thứ, tìm các mẫu, dự đoán kết quả và đưa ra các quyết định sáng suốt. Các thuật toán có thể được sử dụng một lần hoặc kết hợp để đạt được độ chính xác tốt nhất có thể khi liên quan đến dữ liệu phức tạp và khó dự đoán hơn. 

Học có giám sát là gì?

Học có giám sát là mô hình đầu tiên trong bốn mô hình học máy. Trong các thuật toán học có giám sát, máy được dạy bằng ví dụ. Mô hình học tập có giám sát bao gồm các cặp dữ liệu “đầu vào” và “đầu ra”, trong đó đầu ra được gắn nhãn với giá trị mong muốn. Ví dụ: giả sử mục tiêu là để máy phân biệt sự khác biệt giữa cúc và pansies. Một cặp dữ liệu đầu vào nhị phân bao gồm cả hình ảnh của một bông cúc và một hình ảnh của một bông hoa cúc. Kết quả mong muốn cho cặp cụ thể đó là chọn chiếc cúc, vì vậy nó sẽ được xác định trước là kết quả chính xác.

Bằng một thuật toán, hệ thống biên dịch tất cả dữ liệu huấn luyện này theo thời gian và bắt đầu xác định các điểm tương đồng, khác biệt và các điểm logic khác – cho đến khi tự nó có thể dự đoán câu trả lời cho các câu hỏi daisy-or-pansy. Nó tương đương với việc đưa cho một đứa trẻ một tập hợp các vấn đề với một khóa trả lời, sau đó yêu cầu chúng trình bày công việc và giải thích logic của chúng. Mô hình học tập có giám sát được sử dụng trong nhiều ứng dụng mà chúng tôi tương tác hàng ngày, chẳng hạn như công cụ đề xuất cho các sản phẩm và ứng dụng phân tích lưu lượng như Waze, dự đoán tuyến đường nhanh nhất vào các thời điểm khác nhau trong ngày.

Học không giám sát là gì?

Học không giám sát là mô hình thứ hai trong bốn mô hình học máy. Trong các mô hình học tập không có giám sát, không có câu trả lời. Máy nghiên cứu dữ liệu đầu vào – phần lớn trong số đó không được gắn nhãn và không có cấu trúc – và bắt đầu xác định các mẫu và mối tương quan, sử dụng tất cả các dữ liệu có liên quan, có thể truy cập được. Theo nhiều cách, học tập không giám sát được mô hình hóa dựa trên cách con người quan sát thế giới. Chúng tôi sử dụng trực giác và kinh nghiệm để nhóm mọi thứ lại với nhau. Khi chúng ta trải nghiệm ngày càng nhiều ví dụ về điều gì đó, khả năng phân loại và xác định nó ngày càng chính xác của chúng ta. Đối với máy móc, “trải nghiệm” được xác định bằng lượng dữ liệu được đưa vào và cung cấp. Các ví dụ phổ biến về các ứng dụng học tập không giám sát bao gồm nhận dạng khuôn mặt, phân tích trình tự gen, nghiên cứu thị trường và an ninh mạng.

Học bán giám sát là gì?

Học bán giám sát là mô hình thứ ba trong số bốn mô hình học máy. Trong một thế giới hoàn hảo, tất cả dữ liệu sẽ được cấu trúc và dán nhãn trước khi được đưa vào hệ thống. Nhưng vì điều đó rõ ràng là không khả thi, học bán giám sát trở thành một giải pháp khả thi khi có một lượng lớn dữ liệu thô, không có cấu trúc. Mô hình này bao gồm việc nhập một lượng nhỏ dữ liệu được gắn nhãn để tăng cường các tập dữ liệu không được gắn nhãn. Về cơ bản, dữ liệu được gắn nhãn hoạt động để khởi động hệ thống và có thể cải thiện đáng kể tốc độ học và độ chính xác. Thuật toán học bán giám sát hướng dẫn máy phân tích dữ liệu được gắn nhãn để tìm các thuộc tính tương quan có thể được áp dụng cho dữ liệu không được gắn nhãn.

Tuy nhiên, như đã tìm hiểu sâu trong tài  liệu nghiên cứu của MIT Press này, có những rủi ro liên quan đến mô hình này, trong đó những sai sót trong dữ liệu được gắn nhãn sẽ được hệ thống học hỏi và nhân rộng. Các công ty sử dụng thành công nhất học tập bán giám sát đảm bảo rằng các giao thức thực hành tốt nhất được áp dụng. Học bán giám sát được sử dụng trong phân tích ngôn ngữ và giọng nói, nghiên cứu y tế phức tạp như phân loại protein và phát hiện gian lận cấp cao.

Học tăng cường là gì?

Học tăng cường là mô hình học máy thứ tư. Trong học tập có giám sát, máy sẽ được cung cấp câu trả lời và học bằng cách tìm ra mối tương quan giữa tất cả các kết quả chính xác. Mô hình học tăng cường không bao gồm khóa trả lời mà thay vào đó, nhập vào một tập hợp các hành động được phép, quy tắc và trạng thái kết thúc tiềm năng. Khi mục tiêu mong muốn của thuật toán là cố định hoặc nhị phân, máy móc có thể học theo ví dụ. Nhưng trong trường hợp kết quả mong muốn có thể thay đổi, hệ thống phải học hỏi bằng kinh nghiệm và phần thưởng. Trong các mô hình học tăng cường, “phần thưởng” là số và được lập trình trong thuật toán như một thứ mà hệ thống tìm cách thu thập.

Theo nhiều cách, mô hình này tương tự như việc dạy ai đó cách chơi cờ vua. Chắc chắn, sẽ là không thể nếu cố gắng cho họ thấy mọi động thái tiềm năng. Thay vào đó, bạn giải thích các quy tắc và họ xây dựng kỹ năng của mình thông qua thực hành. Phần thưởng không chỉ ở dạng chiến thắng trò chơi mà còn có được các quân cờ của đối thủ. Các ứng dụng của học tăng cường bao gồm đặt giá thầu tự động cho người mua quảng cáo trực tuyến, phát triển trò chơi máy tính và giao dịch thị trường chứng khoán có tỷ lệ cổ phần cao.