Machine Learning: Các mô hình machine learning thường sử dụng các phương pháp học máy có giám sát hoặc không giám sát, tùy thuộc vào việc có dữ liệu nhãn hay không. Việc huấn luyện thường đòi hỏi quá trình điều chỉnh thủ công các siêu tham số. Deep Learning: Deep learning thường sử dụng phương pháp học sâu (deep learning) với việc sử dụng backpropagation để tự động điều chỉnh trọng số trong mạng neural. Điều này giúp mô hình tự học được các đặc trưng phức tạp từ dữ liệu mà không cần nhiều sự can thiệp thủ công.
Machine Learning là một lĩnh vực quan trọng trong khoa học máy tính, nơi chúng ta xây dựng các mô hình máy học có khả năng học từ dữ liệu và thực hiện các nhiệm vụ mà không cần phải được lập trình cụ thể. Các thuật toán máy học có thể được chia thành hai loại chính: có giám sát và không giám sát.
Trong machine learning có giám sát, mô hình được huấn luyện trên một tập dữ liệu có nhãn, nơi mỗi điểm dữ liệu đi kèm với một nhãn tương ứng. Mục tiêu là học mối liên quan giữa đầu vào và đầu ra để sau đó có thể dự đoán đầu ra cho các dữ liệu mới.
Ngược lại, trong machine learning không giám sát, mô hình được huấn luyện trên dữ liệu không có nhãn. Mục tiêu là khám phá cấu trúc hay mô hình ẩn trong dữ liệu mà không cần sự hướng dẫn cụ thể.
Machine learning đóng một vai trò quan trọng trong nhiều lĩnh vực như dự đoán, phân loại, gợi ý, và quyết định tự động. Các ứng dụng của machine learning trải rộng từ ngành công nghiệp đến y tế, tài chính, và nhiều lĩnh vực khác.
Qua quá trình nghiên cứu và ứng dụng machine learning, mình mong muốn chia sẻ kiến thức cơ bản về lĩnh vực này để hỗ trợ những người mới bắt đầu có nguồn thông tin tham khảo và cập nhật kiến thức. Mọi ý kiến đóng góp và phản hồi từ cộng đồng đều quan trọng để cải thiện nội dung và mang lại giá trị hơn cho bài viết.
Trong quá trình đọc các bài viết, đôi lúc các bạn sẽ thấy machine learning và deep learning có một số kiến thức giống nhau, điều này không có gì bất thường. Việc mình chia ra thành hai mục deep learning và machine learning để các bạn có thể phân biệt được là tuy có một vài điểm giống nhau nhưng chúng vẫn có sự khác biệt nhất định. Điều khác biệt lớn nhất là đối với việc xây dựng model machine learning đòi hỏi một quá trình trích chọn tính năng trước nếu muốn đạt hiệu quả còn deep learning thì mô hình sẽ tự learn được các đặc trưng quan trọng tuy nhiên nhược điểm của deep learning là cần một lượng data đủ lớn để mô hình hoạt động tốt.
Học có giám sát (Supervised Learning):
- Logistic regression
- Linear regression
- KNN
- SVM
- Random forest
Học không giám sát (Unsupervised learning)
- K-means
- Hierarchical clustering
- DBSCAN
Giảm chiều dữ liệu (Reduce dimension)
- Principal component analysis
- Autoencoder
- Linear Discriminant Analysis
Ensemble Method:
- Bagging
- Stacking
- Boosting
Ensemble algorithms:
- Random forest
- Gradient Boosting
- AdaBoost
- LightGBM
- XGBoost
- CatBoost
