Học có giám sát xuất hiện ở đâu?

• Ví dụ có nhãn
• Mô hình
• Dự đoán

Bạn sẽ học được gì

• Giải thích học có giám sát là gì và nhãn là gì.
• Kể tên những nơi ta gặp học có giám sát trong đời sống.
• Phân biệt phân loại với hồi quy và nói mô hình đã huấn luyện làm gì với dữ liệu mới.

Cần biết trước

Nên đọc bài đầu tiên về trí tuệ nhân tạo, nhưng bạn chỉ cần biết chương trình máy tính là gì.

Học có giám sát là gì?

Học có giám sát là học máy dùng dữ liệu có nhãn. Mô hình được huấn luyện trên các ví dụ có đáp án để học cách dự đoán nhãn; độ chính xác trên dữ liệu mới vẫn cần được kiểm tra.

Hãy hình dung những tấm thẻ học bài: mặt trước là một bức ảnh, mặt sau là đáp án. Đáp án đó chính là nhãn.

MIT Sloan nêu một ví dụ. Thuật toán được huấn luyện bằng ảnh chó và các vật khác, tất cả do con người gắn nhãn. Sau đó máy tự học cách nhận ra ảnh chó.

Mỗi ví dụ có hai phần. Đặc trưng là các giá trị mà mô hình có giám sát dùng để dự đoán nhãn. Nhãn là đáp án, tức giá trị ta muốn mô hình dự đoán.

• Đặc trưng
• Nhãn

Ta gặp học có giám sát ở đâu trong đời sống?

Một số ứng dụng học có giám sát gồm nhận biết thư rác và dự đoán lượng mưa, hai nhiệm vụ Google nêu làm ví dụ.

IBM bổ sung rằng học máy có giám sát giúp các tổ chức giải quyết nhiều bài toán thực tế ở quy mô lớn, chẳng hạn phân loại thư rác hoặc dự đoán giá cổ phiếu.

Hình ảnh là một nơi khác. IBM mô tả mô hình phân loại ảnh được tạo ra để nhận ra ảnh các phương tiện và xác định chúng thuộc loại nào.

Thời tiết cho thấy đặc trưng và nhãn khớp nhau ra sao. Trong mô hình thời tiết dự đoán lượng mưa, các đặc trưng có thể gồm vĩ độ, kinh độ, nhiệt độ và độ ẩm. Nhãn sẽ là lượng mưa.

• Lọc thư rác
• Nhận dạng ảnh
• Dự đoán lượng mưa

Học có giám sát giải những loại bài toán nào?

Các nhiệm vụ học có giám sát có thể chia thành hai nhóm lớn là bài toán phân loại và bài toán hồi quy.

Phân loại dùng một thuật toán để sắp xếp dữ liệu vào các nhóm. Xếp thư vào nhóm thư rác và thư thường là một trường hợp. Nhận ra loại phương tiện trong ảnh là một trường hợp khác.

Trong các bài toán hồi quy, đầu ra là một giá trị liên tục. Dự đoán lượng mưa là một ví dụ, vì đáp án là một đại lượng chứ không phải một nhóm.

• Phân loại: xếp vào nhóm
• Hồi quy: dự đoán giá trị liên tục

Mô hình đã huấn luyện làm gì với dữ liệu mới?

Mô hình được dùng để dự đoán đầu ra cho dữ liệu chưa từng thấy. IBM nêu mục tiêu của quá trình học là tạo ra mô hình dự đoán đúng trên dữ liệu thực tế mới; đó là mục tiêu cần kiểm tra, không phải lời bảo đảm cho mọi dự đoán.

Vì thế bộ lọc thư rác mới có ích. Các ví dụ huấn luyện đã có nhãn, còn những thư mới đến mỗi ngày thì chưa.

• Dữ liệu huấn luyện có nhãn
• Mô hình đã huấn luyện
• Dữ liệu mới chưa thấy
• Dự đoán

Ví dụ trong đời sống

Hãy thử cùng người lớn trên giấy. Viết các tin nhắn tưởng tượng, như lời hẹn gặp và lời quảng cáo không mong muốn, rồi gắn nhãn "thư thường" hoặc "thư rác" cho từng tin. Các nhãn là đáp án của ví dụ; không cần mở thư thật hay nhấp liên kết.

Hiểu lầm thường gặp

Học có giám sát là trường hợp hiếm. Trong bài tổng quan của mình, MIT Sloan mô tả học máy có giám sát là loại được dùng phổ biến nhất tại thời điểm bài được xuất bản.

Mô hình chỉ lặp lại các ví dụ đã học. Mục tiêu là một mô hình có thể dự đoán đúng đầu ra trên dữ liệu thực tế mới.

Nhãn luôn là một cái tên hay một nhóm. Trong các bài toán hồi quy, đầu ra là một giá trị liên tục.

Câu hỏi thường gặp

Ví dụ về học có giám sát là gì?

Nhận biết thư rác là một ví dụ. Google còn nêu dự đoán lượng mưa, và IBM nêu phân loại thư rác hoặc dự đoán giá cổ phiếu.

Nhãn trong học máy là gì?

Nhãn là đáp án, tức giá trị ta muốn mô hình dự đoán. Trong mô hình lượng mưa, nhãn sẽ là lượng mưa.

Học có giám sát có cần dữ liệu có nhãn không?

Có. Trong học có giám sát theo nghĩa thông thường, ví dụ huấn luyện có nhãn hoặc giá trị mục tiêu. Học tự giám sát là một cách tiếp cận có liên quan nhưng được gọi riêng, trong đó mô hình tự tạo tín hiệu huấn luyện từ dữ liệu.

Tóm tắt

• Học có giám sát huấn luyện mô hình bằng dữ liệu có nhãn để nó học dự đoán nhãn, và đặc trưng là các giá trị nó dùng để làm việc đó.
• Ta gặp nó khi nhận biết thư rác, nhận ra ảnh phương tiện và dự đoán lượng mưa.
• Bài toán chia thành phân loại, sắp xếp dữ liệu vào các nhóm, và hồi quy, cho đầu ra là giá trị liên tục. Mục tiêu là dự đoán đúng trên dữ liệu mới, nhưng kết quả cần được kiểm tra.