Chủ đề CS2: Học máy và Khoa học dữ liệu

Ôn thi THPTQG Tin

Học máy

• Lĩnh vực trong AI

• Nghiên cứu, phát triển algo và model → học từ dữ liệu → Giải quyết vấn đề

• Học sâu là lĩnh vực của học máy

Các bước học máy

• Thu thập, chuẩn bị data chứa mẫu cần thiết

• Algo → Trích xuất đặc trưng → Đầu vào cho model cụ thể

• Model phân tích, học → dự đoán, dự báo, tích lũy tri thức

• Triển khai, kiểm tra → điều chỉnh + cung cấp thêm data

Học có giám sát

• Sử dụng dữ liệu có nhãn

• Model dự đoán/phân loại đối tượng data mới dựa trên tri thức/dữ liệu đã được học/gán nhãn

Học không giám sát

• Dữ liệu 0 nhãn

• Mối quan hệ/tần suất,.. của dữ liệu → phát hiện thông tin ẩn chứa

Vai trò học máy trong ứng dụng

• Lọc thư rác

• Chẩn đoán bệnh

• Nhận dạng giọng nói

• Dịch tự động

• Phân tích thị trường

Lọc thư rác

Học, phân loại, nhận dạng email dựa trên đặc trưng

Chẩn đoán bệnh

• Nhận dạng hình ảnh, video, văn bản hồ sơ bệnh án → phát hiện, phân tích đặc điểm bệnh

Nhận dạng giọng nói

Phân tích dữ liệu → hiểu bối cảnh, nhận dạng phương ngữ/giọng điệu

Dịch tự động

Dữ liệu bản dịch/gốc → phát triển mô hình

Phân tích thị trường

• Dự đoán xu hướng, hành vi, phản ứng

• Phân tích hiệu suất chiến lược

Khoa học dữ liệu

Ứng dụng kĩ thuật đa lĩnh vực → khám phá tri thức, trích xuất data hữu ích

Mục tiêu khoa học dữ liệu

• Khám phá tri thức

• Phân tích dữ liệu

• Tối ưu hóa quyết định

• Trực quan hóa dữ liệu

Khám phá tri thức

Hiểu rõ hơn tính chất, đặc điểm, xu hướng, thông tin ẩn,…

Phân tích dữ liệu

Trích xuất thông tin + hiểu rõ dữ liệu → hành động, quyết định

Tối ưu hóa quyết định

→ Quyết định hiệu quả, tích cực

Trực quan hóa dữ liệu

Biểu diễn thông qua … → Hiểu rõ hơn

Thành tựu khoa học dữ liệu

• Khám phá tri thức + nâng cao năng lực đưa quyết định

• Tự động hóa

• Cá nhân hóa dịch vụ

• Dự đoán

Vai trò của máy tính với khoa học dữ liệu

• Lưu trữ + xử lí dữ liệu

• Tính toán

• Trực quan hóa

• Điện toán đám mây

Quy trình khoa học dữ liệu

• Xác định vấn đề: Đặt câu hỏi/xác định vấn đề

• Thu thập dữ liệu: Tìm kiếm, thu thập, tự tạo

• Chuẩn bị dữ liệu: Làm sạch, khám phá tri thức ẩn, trực quan hóa

• Xây dựng mô hình: Chọn, áp dụng phù hợp

• Đánh giá: Hiệu suất

• Triển khai: Sử dụng

5V Big Data

• Volume: Khối lượng lớn

• Velocity: Tốc độ tạo nhanh

• Variety: Đa dạng

• Veracity: Độ tin cậy

• Value: Giá trị

Ưu điểm sử dụng máy tính → Xử lí big data

• Triển khai mô hình học máy

• Mở rộng: Kết hợp → máy tính mạng → xử lí quy mô lớn

• Lưu trữ + bảo mật dữ liệu: Từ nhiều nguồn, định dạng → công cụ kiểm soát quyền truy cập

• Thời gian thực:

  • Xử lí song song: Thuật toán song song → chia nhỏ

  • Tự động hóa

Kĩ thuật mô phỏng

Phiên bản ảo của hệ thống dựa trên dữ liệu đầu vào → nghiên cứu, phân tích,…

Một số phần mềm mô phỏng

• PhET Interactive Simulations

• AnSYS

• Unity

• SolidWorks

• Cisco Packet Tracer

• Flowgorithm