Báo cáo hệ chuyên gia: Xây dựng hệ chuyên gia nhận diện khuôn mặt

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN - BÁO CÁO BÀI TẬP LỚN Đề tài: Xây dựng hệ chuyên gia nhận diện khuôn mặt Giáo viên hướng dẫn : Ths Trần Hùng Cường Nhóm Họ tên viên nhóm :Thepsombath Vathtana Louangkhoth Sinthasone Souphanethone Benchany Lớp : ĐH-HTTT2-K12 Hà Nội, tháng 11-2020 MỤC LỤC Chương I: Tổng quan hệ chuyên gia 1.1 Hệ chuyên gia gì? 1.2 Xây dựng hệ chuyên gia 1.3 Lịch sử phát triển hệ chuyên gia 1.4 Đặc trưng hệ chuyên gia 1.5 Lý xây dựng hệ chuyên gia 1.6 Các lĩnh vực ứng dụng Chương II: Biểu diễn suy luận tri thức 2.1 Biểu diễn tri thức hệ chuyên gia 2.2.Cập nhật sở tri thức 2.3 Mâu thuẫn sở tri thức 2.4 Bộ giải thích 2.5 Bộ giao diện Chương III: Hệ học 3.1 Học có giám sát 3.2 Học không giám sát 3.3 Học bán giám sát Chương IV: Xây dựng hệ chuyên gia ứng dụng 4.1 Phát biểu toán 4.2 Công cụ hỗ trợ 4.3 Ứng dụng thực tế 4.4 Hình ảnh minh họa Chương V: Tổng kết Chương I: TỔNG QUAN VỀ HỆ CHUYÊN GIA • Hệ chun gia gì? • Trí tuệ nhân tạo Trí tuệ nhân tạo phận khoa học máy tính liên quan đến việc thiết kế hệ thống thông minh, nghĩa hệ thống thể đặc trưng mà ta thấy gắn với hành vi người, hiểu ngôn ngữ, học, suy diễn, giải vấn đề,… Trí tuệ nhân tạo giải thuật có độ phức tạp cấp hàm đa thức ta viết chương trình bình thường, giải thuật giải có độ phức tạp cấp hàm mũ ta phải áp dụng giải gần đúng, áp dụng kỹ thuật trí tuệ nhân tạo nhằm làm nhỏ khơng gian tốn dẫn đến giảm đáng kể thời gian thực Các kĩ thuật trí tuệ nhân tạo: Xử lý ngôn ngữ tự nhiên, nhận dạng, hệ chuyên gia, thị giác máy tính, robot học,… Hình Các lĩnh vực trí tuệ nhân tạo • Hệ sở tri thức Hệ sở tri thức chương trình máy tính thiết kế để mơ hình hóa khả giải vấn đề chuyên gia người Hệ sở tri thức hệ thống dựa tri thức, cho phép dùng tri thức để giải vấn đề phức tạp thuộc lĩnh vực Sự khác biệt hệ sở tri thức chương tình truyền thống nằm cấu trúc.Trong chương trình truyền thống, cách xử lý hành vi chương trình ấn định sẵn qua dịng lệnh chương trình dựa thuật giải định sẵn Trong hệ sở tri thức, có hai chức khác biệt gọi sở tri thức khối điều khiển hay gọi động suy diễn Việc tách biệt tri thức khỏi chế điều khiển giúp ta dễ dàng thêm vào chi thức tiến trình phát triển chương trình • Hệ chun gia Hệ chuyên gia nhánh trí tuệ nhân tạo sử dụng tri thức riêng biệt để giải toán giai đoạn dùng chuyên gia người Hệ chuyên gia áp dụng vào năm 1970 áp dụng nhiều lĩnh vực Ngày nói đến hệ chuyên gia thực chất nói tới hệ thống sử dụng cơng nghệ Hệ chuyên gia bao gồm: ngôn ngữ hệ chuyên gia chuyên dụng, chương trình, phần cứng thiết kế nhằm phát triển vận hành hệ chuyên gia Hệ chuyên gia loại hệ sở tri thức thiết kế cho ứng dụng cụ thể Ví dụ hệ chun gia chẩn đốn bệnh y khoa, hệ chun gia dự đốn hỏng hóc đường dây điện thoại,… Hệ chuyên gia làm việc hệ chuyên gia thực thụ tự vấn cung cấp ý kiến dựa kinh nghiệm chuyên gia đưa vào hệ chuyên gia Các thành phần hệ chuyên gia: Bộ giao diện người - máy Mô tơ suy diễn Cơ sở tri thức Bộ giải thích Bộ tiếp nhận tri thức Bộ nhớ làm việc Bộ giao diện người máy (User Interface): thực giao tiếp hệ chuyên gia người sử dụng Bộ nhận thoong tin từ người sử dụng đưa câu trả lời, lời khuyên , giải thích vè lĩnh vực Mơ tơ suy diễn (Inference Engine): Hệ chun gia mơ hình hóa cách lập luận gười với mô đun động suy diễn Hệ chuyên gia chứa động suy diễn để tiến hành suy diễn nhằm tạo tri thức dựa kiện, tri thức động suy diễn suy diễn tiến suy diễn lùi Cơ sở tri thức (Knowledge Base): Lưu trữ biểu diễn tri thức mà hệ nhận, làm sở cho hoạt động hệ, sở tri thức bao gồm sỏ kiện (facts) sở luật (rules) Bộ giải thích (Explantion System): Trả lời hai câu hỏi (Why) cách (how) có yêu cầu từ người sử dụng Câu hỏi WHY nhằm mục đích cung cấp lí lẽ để thuyết phục người sử dụng theo đường suy diễn hệ chuyên gia Câu hỏi HOW nhằm cung cấp giải thích đường mà hệ chuyên gia sử dụng để mang lại kết Bộ phận tiếp nhận tri thức (Knowledge Editor): làm nhiệm vụ thu nhận tri thức từ chuyên gia người (human expert), từ kỹ sư xử lý tri thức người sử dụng thông qua yêu cầu lưu trữ vào sở tri thức Vùng nhớ làm việc (Working Memory): chứa kiện liên quan phát trình đưa kết luận Bộ nhớ làm việc tương đương với nhớ ngắn hạn (Short - Term Memory) mơ hình giải vấn đề người Hình Các thành phần hệ chuyên gia • Đặc trưng hệ chuyên gia Hệ chuyên gia có đặc trưng bản: Tách tri thức khỏi điều kiện: Thơng thường chương trình truyền thống khối điều kiện (giải thuật) tri thức (cấu trúc liệu) gắn liền với Điều gây khó khăn phát triển thay đổi chương trình Trong hệ chuyên gia, sở tri thức mô tơ suy diễn độc lập với Điều giúp việc phát triển bảo trì thuận lợi Nghĩa ta bổ sung loại kiện, loại thuật tốn khơng làm ảnh hưởng đến động suy diễn Và thay đổi điều kiện ta cần việc chỉnh sửa thuật toán động suy diễn Có tri thức chun gia: Một đặng tính quan trọng tri thức sử dụng hệ chuyên gia tri thức hệ chuyên gia Các tri thức đực thu nhận mã hóa hệ chuyên gia Đó tri thức lĩnh vực kỹ giải toán hệ chuyên gia Thuật ngữ chuyên gia để người có kĩ giỏi phát triển toán đạt hiệu cao Họ bác sĩ, nhà kinh tế, nhà chơi cờ vua,… Tập trung nguồn chuyên gia: Hầu hết chuyên gia giỏi giải toán thuộc lĩnh vực họ Tuy nhiên chuyên gia khơng giải tốn khơng thuộc lĩnh vực họ Hệ chuyên gia tương tự vậy, tinh thơng vấn đề huấn luyện, cịn vấn đề bên ngồi khó có khả giải Một khó khăn chung phát triển hệ chuyên gia thu nạp tri thức từ ác chuyên gia để giải toán khó Các dự án chun gia thành cơng trực tiếp hướng đến tri thức chuyên sâu biết Một phương án khác chia toán đầu thành toán nhỏ Tuy nhiên tốn giải lại gặp khó khăn khác phạm vi rộng lĩnh vực Lập luận dựa kí hiệu: Hệ chuyên gia biểu diễn tri thức dạng kí hiệu Ta sử dụng kí hiệu để biểu diễn nhiều loại tri thức khác Chẳng hạn kiện khái niệm hay luật,… Bên cạnh việc biểu diễn lệnh (chỉ thị) dạng kí hiệu, hệ chun gia cịn xử lý kí hiệu giải vấn đề Lập luận may rủi: Các chuyên gia tinh thông việc sử dụng kinh nghiệm họ để giải toán xét hiệu Bằng kinh nghiệm mà họ hiểu vấn đề qua thực tế giữ dạng may rủi Các dạng may rủi điển hình chuyên gia giải vấn đề số trường hợp: • Với vấn đề hỏng hóc xe tơ, ln kiểm tra hệ thống điện • Hiếm người ta mặc áo bơng mùa hè • Nếu gặp ung bướu ln kiểm tra lịch sử gia đình người bệnh Khả giải vấn đề bị hạn chế: Trước dự án hệ chuyên gia bắt đầu, ta phải xác định xem vấn đề giải hay khơng Điều gây ngạc nhiên cho người bắt đầu tiếp xúc với hệ chuyên gia họ thấy trí tuệ nhân tạo giải tốn Nếu khơng có chun gia đề giải vấn đề ta khó có hi vọng hệ chuyên gia giải tốt Nếu vấn đề thay đổi nhanh thực khơng có hệ chun gia giải Ta nên xây dựng toán mà hệ chuyên gia giải Độ phức tạp tốn: Các tốn nên có độ phức tạp lập luận không dễ không khó Nói chung nhiệm vụ dễ cần hệ chun gia giải phút khó đánh giá cơng sức hệ chuyên gia Vấn đề không phức tạp đến mức xảy tình trạng khơng quản lý tầm chuyên gia Nếu vấn đề có độ khó phức tạp lớn cố gắng chia thành tốn nhỏ hơn, tốn ta giải hệ chuyên gia Chấp nhận sai lầm: Người ta hệ chuyên gia giải vấn đề chuyên gia, tức chấp nhận hệ thống có sai lầm Do hệ chuyên gia mắc sai lầm, ta thấy chương trình truyền thống có ưu hệ chuyên gia Tuy nhiên so sánh tổng thể người ta thấy số trường hợp hệ chuyên gia có lời giải sai lầm mang tính người xử lý thơng tin khơng xác, chí mâu thuẫn Các chương trình truyền thống thường áp dụng cho tốn có thơng tin xác đầy đủ Tuy nhiên với tốn có liệu thiếu sai chương trình truyền thống đưa kết “tất khơng có gì” Ngược lại, với tốn có cấu trúc yếu, thơng tin khơng đầy đủ hệ chuyên gia cho kết luận có lý, chi tối ưu Lý xây dựng hệ chun gia • Có nhiều vấn đề xảy mà chuyên gia chương trình truyền thống khơng thể giải được, có giải tốn tiền bạc, thời gian sức lực Khi đó, người ta thường ý đến xây dựng hệ chuyên gia phục vụ cho mục đích khác Các nhà nghiên cứu xây dựng tập hợp dẫn cho việc xác định tốn thích hợp giải hệ chuyên gia Hệ chuyên gia hoạt động chuyên gia việc truy tìm thơng tin từ nhiều nguồn, từ nhiều chuyên gia Hệ chuyên gia giữ lâu dài tri thức chuyên gia chuyên gia Hệ chuyên gia cho kết bền vững, không bị cảm tính thất thường người Tốc độ hệ chuyên gia tối ưu hơn, xử lý nhiều vấn đề lúc Chi phí cho hệ chuyên gia có xu hướng tăng lên giá hệ chuyên gia giảm xuống Một số lí hệ chuyên gia phát triển thay cho chuyên gia: • Hiệu cao (high performance): khả trả lời với mức độ tinh thông cao so với chuyên gia lĩnh vực • Thời gian trả lời thỏa đáng (adequate response time): thời gian trả lời hợp lí nhanh so với chuyên gia để đến định Hệ chuyên gia hệ thống thời gian thực (real time system) • Độ tin cậy cao (high reliability): Khơng xảy cố hay giảm sút độ tin cậy sử dụng • Dễ hiểu (understandable): hệ chuyên gia giải bước suy luận cách dễ hiểu qn, khơng giống cách trả lời bí ẩn hộp đen Hệ chuyên gia thay chuyên gia nơi xa, nguy hiểm Việc tự động hóa cơng việc dây chuyền cần đến hệ chuyên gia mà người không đáp ứng Hệ chun gia khơng trợ giúp người bình thường mà hỗ trợ chuyên gia Dùng lại tri thức chun gia khơng cịn nhớ Tuy nhiên khơng phải trường hợp xây dựng hệ chuyên gia Khi hệ chuyên gia thất bại kéo theo hao tốn chi phí nhân lực người, thời gian tiền bạc Hơn sở tri thức cần phải đầy đủ, xác, cập nhật thường xuyên chuyên gia người hệ chun gia khơng mang tính chất nghiên cứu phát triển tiếp lên mức cao Con người có ưu điểm đặc biệt, khơng thể thay linh cảm trước vấn đề, điều giúp người linh hoạt giải vấn đề • Các lĩnh vực ứng dụng Cho đến nay, hàng trăm hệ chuyên gia xây dựng báo cáo thường xuyên tạp chí, sách báo hội thảo khoa học Ngoài hệ chuyên gia sử dụng công ty, tổ chức quân mà khơng cơng bố lý bảo mật Một số ứng dụng diện rộng hệ chuyên gia trình bày bảng phía dưới: Lĩnh vực Ứng dụng phát triển Cấu hình (Configuration) Tập hợp thích đáng thành phần hệ thống theo riêng Chuẩn đoán (Diagnosis) Lập luận dựa chứng quan sát Truyền đạt (Instruction) Dạy học kiểu thơng minh cho sinh viên hỏi (why), (how),và (what if?) giống hỏi thầy giáo Giải thích (Interpretation) Giải thích liệu thu Kiểm tra (Monitoring) So sánh liệu thu với liệu chuyên môn để đánh giá hiệu Lập kế hoạch (Planning) Lập kế hoạch sản xuất theo yêu cầu Dự đoán (Prognosis) Dự đốn kết từ tình xảy Chữa trị (Remedy) Chỉ định cách thụ lý vấn đề Điều khiển (Control) Điều khiển q trình, địi hỏi diễn giải, chuẩn đoán, kiểm tra, lập kế hoạch, dự đoán chữa trị Chương II: HỆ HỌC 2.1 Học có giám sát Một thuật tốn máy học gọi học có giám sát(supervised learning) việc xây dựng mơ hình dự đốn mối quan hệ đầu vào đầu thực dựa cặp (đầu vào, đầu ra) biết tập huấn luyện Đây nhóm thuật tốn phổ biến thuật toán học máy (machine learning) Các thuật tốn phân loại hồi quy hai ví dụ điển hình nhóm Trong tốn xác định xem ảnh có chứa xe máy hay không, ta cần chuẩn bị ảnh chứa không chứa xe máy với nhãn chúng Dữ liệu dùng liệu huấn luyện cho mô hình phần loại Một ví dụ khác, việc xây dựng mơ hình máy dịch Anh - Việt thực hàng triệu cặp văn Anh - Việt tương ứng, ta nói thuật tốn học có giám sát Cách huấn luyện mơ hình học máy tương tự với cách dạy học sau người Ban đầu cô giáo đưa ảnh chữ số cho đứa trẻ đâu chữ số không, đâu chữ số một,… Qua nhiều lần hướng dẫn, đứa trẻ nhận chữ số ảnh chúng chí chưa nhìn thấy Q trình giáo cho đứa trẻ tên số tương đương với việc cho mơ hình học máy đầu tương ứng diểm liệu đầu vào Tên gọi học có giám sát xuất phát từ Diễn giải theo tốn học, học có giám xảy việc dự đoán quan hệ gữa đầu y liệu đầu vào x thực dựa cặp {(x1, y1), (x2, y2), (x3, y3), } Trong tập huấn luyện Việc huấn luyện việc xây dựng hàm số f cho với i = 1, 2, 3, …,N, f(xi) gần với yi Hơn nữa, có điểm giữ liệu x nằm tập huấn luyện, đầu dự đoán f(x) gần với đầu thực y 2.2 Học khơng giám sát Trong nhóm thuật toán khác, liệu huấn luyện bao gồm liệu đầu vào x mà khơng có đầu tương ứng Các thuật tốn học máy khơng dự đốn đầu trích xuất thông tin quan trọng dựa mối liện quan điểm giữ liệu Các thuật tốn nhóm gọi là không giám sát (unsupervised learning) Các thuật toán giải toán phân cụm giảm chiều liệu ví dụ điển hình nhóm Trong tốn phân cụm, mơ hình khơng trực tiếp dự đốn đầu liệu có khả phân điểm liệu có dặc tính gần giống vào nhóm Quay lại ví dụ trên, giáo giao cho đứa trẻ ảnh chứa chữ số không nêu rõ tên gọi chúng, đứa trẻ tên gọi chữ số Tuy nhiên, đứa trẻ tự chia chữ số có nét giống vào nhóm xác định nhóm tương ứng ảnh Đứa trẻ tự thực cơng việc mà không cần bảo hay giám sát cô giáo Tên gọi học không giám sát xuất phát từ 2.3 Học bán giám sát Ranh giới học có giám sát học khơng giám sát đơi khoong rõ ràng Có thuật tốn mà tập huấn luyện bao gồm cặp (đầu vào , đầu ra) liệu khác có đầu vào Những thuật toán gọi học bán giám sát (semi-supervised learning) Xét toán phân loại mà tập huấn luyện bao gồm ảnh gán nhãn ‘chó’ ‘mèo’ nhiều ảnh thú cưng tải từ Internet chưa có nhãn Thực tế cho thấy ngày nhiefu thật ốn rơ vào nhóm việc thu thập nhãn cho liệu có chi phí cao tốn thời gian Chẳng hạn, phần nhỏ ảnh y học có nhãn trình gán nhãn tốn thời gian cần can thiệp chuyên gia Một ví dụ khác, thuật tốn dị tìm vật thểcho xe tự lái xây dựng lượng lớn video thu từ camera xe hơi; nhiên, lượng nhỏ vật thể video huấn luyện xác định cụ thể 2.4.Học củng cố Có nhóm thuật tốn học máy khác khơng u cầu liệu huấn luyện mà mơ hình học định cách giao tiếp với môi trường xung quanh Các thuật tốn thuộc nhóm liên tục định nhận phản hồi từ môi turofng để tự củng cố hành vi Nhóm thuật tốn có tên gọi học củng cố (reinforcement learning) Gần đây, AlphaGo trở nên tiếng với việc chơi cờ vây thằng người Cờ vây xem trò chơi có độ phức tạp cao với tổng số cờ xấp xỉ 10 761, số cờ vua 1072 tổng nguyên tử toàn vũ trụ 1080 Hệ thống phải chọn chiến thuật tối ưu số hàng nhiều tỉ tỉ lựa chọn, tất nhiên việc thử tất lựa chọn không khả thi Về bản, AlphaGo bao gồm thuật toán thuộc học có giám sát học củng cố Trong phần học có giám sát, liệu từ ván cờ người chơi với đưa vào để huấn luyện Tuy nhiên, mục đich cuối AlphaGo không dừng lại việc chơi với người mà chí phải thắn người Vì vậy, sau học xong ván cờ người, AlphaGo tự chơi với qua hàng triệu ván cờ để tìm nước tối ưu Thuật toán phần tự chơi xếp loại học củng cố Gần đây, Google DeepMind tiến thêm bước đáng kể với AlphaGo Zero Hệ thống chí khơng cần học từ ván cờ người Nó tự chơi với để tìm chiến thuật tối ưu Sau 40 ngày huấn luyện, thắng tất người hệ thống khác, bao gồm AlphaGo 2.5 Máy học (Machine Learning) Học máy (tiếng Anh: machine learning) lĩnh vực trí tuệ nhân tạo liên quan đến việc nghiên cứu xây dựng kĩ thuật cho phép hệ thống "học" tự động từ liệu để giải vấn đề cụ thể Ví dụ máy "học" cách phân loại thư điện tử xem có phải thư rác (spam) hay khơng tự động xếp thư vào thư mục tương ứng Học máy gần với suy diễn thống kê (statistical inference) có khác thuật ngữ Học máy có liên quan lớn đến thống kê, hai lĩnh vực nghiên cứu việc phân tích liệu, khác với thống kê, học máy tập trung vào phức tạp giải thuật việc thực thi tính tốn Nhiều toán suy luận xếp vào loại tốn NP-khó, phần học máy nghiên cứu phát triển giải thuật suy luận xấp xỉ mà xử lý Học máy có áp dụng rộng rãi bao gồm máy truy tìm liệu, chẩn đốn y khoa, phát thẻ tín dụng giả, phân tích thị trường chứng khốn, phân loại chuỗi DNA, nhận dạng tiếng nói chữ viết, dịch tự động, chơi trò chơi cử động rơ-bốt (robot locomotion) 2.6 Thuật tốn K - láng giềng gần (K-Nearest Neighbors Algorithm) K-nearest neighbor thuật toán supervised-learning đơn giản (mà hiệu vài trường hợp) Machine Learning Khi training, thuật tốn khơng học điều từ liệu training (đây lý thuật toán xếp vào loại lazy learning), tính tốn thực cần dự đốn kết liệu K-nearest neighbor áp dụng vào hai loại toán Supervised learning Classification Regression KNN gọi thuật toán Instance-based hay Memory-based learning Với KNN, toán Classification, label điểm liệu (hay kết câu hỏi thi) suy trực tiếp từ K điểm liệu gần training set Label test data định major voting (bầu chọn theo số phiếu) điểm gần nhất, suy cách đánh trọng số khác cho điểm gần suy label Trong toán Regresssion, đầu điểm liệu đầu điểm liệu biết gần (trong trường hợp K=1), trung bình có trọng số đầu điểm gần nhất, mối quan hệ dựa khoảng cách tới điểm gần Một cách ngắn gọn, KNN thuật tốn tìm đầu điểm liệu cách dựa thông tin K điểm liệu training set gần (K-lân cận), khơng quan tâm đến việc có vài điểm liệu điểm gần nhiễu Hình ví dụ KNN classification với K = Ví dụ tốn Classification với classes: Đỏ, Lam, Lục Mỗi điểm liệu (test data point) gán label theo màu điểm mà thuộc Trong hình này, có vài vùng nhỏ xem lẫn vào vùng lớn khác màu Ví dụ có điểm màu Lục gần góc 11 nằm hai vùng lớn với nhiều liệu màu Đỏ Lam Điểm nhiễu Dẫn đến liệu test rơi vào vùng có nhiều khả cho kết khơng xác Ví dụ thực thuật tốn KNN Bài tốn đặt ra: Bạn có điểm môn học bạn thuộc loại (Giỏi, khá, trung bình, yếu) Giả sử bạn khơng biết quy tắc để phân loại Có cách giải bạn phải khảo sát người xung quanh Để biết điểm thuộc loại bạn phải hỏi đứa có điểm gần số điểm Giả sử lớp 50 đứa, khảo sát đứa gần điểm liệu sau: Điểm tôi: Điểm bạn tôi: 7.1 => Khá • 7.2 => Khá • 6.7 => Khá • 6.6 => Khá • 6.4 => Trung bình Qua kết đốn loại khơng? Với cách phân loại liệu chiều (1 feature) cách làm đơn giản Và bạn có nhận thấy liệu khảo sát nhiều, rộng dự đốn đưa xác (Giả sử lớp bạn khơng có loại ngồi bạn cho dù bạn lấy người gần điểm bạn củng kết sai) • Ý tưởng KNN Thuật toán KNN cho liệu tương tự tồn gần không gian, từ cơng việc tìm k điểm gần với liệu cần kiểm tra Việc tìm khoảng cách điểm củng có nhiều cơng thức sử dụng, tùy trường hợp mà lựa chọn cho phù hợp Đây cách để tính khoảng cách điểm liệu x, y có k thuộc tính: Dữ liệu cần phân loại {age: 48, loan: 142000} Đây liệu chiều cần dự đoán người thuộc nguy nợ hay không Chúng ta dùng cách phổ biến để tính khoảng cách Euclidean Ví dụ hàng khoảng cách tính: Thực tương tự, ta tính khoảng cách cột Distance, từ chọn k = khoảng cách nhỏ (gần với liệu vào nhất) Với khoảng cách chúng nhận label (Yes, No, Yes) Trong label Yes xuất nhiều nên đưa dự đoán người có khả nợ Vì dử liệu chiều nên củng biểu diễn liệu hệ tọa độ hình: Trên hệ tọa độ thể dễ dàng nhận thấy cách chọn k điểm gần Nhưng với liệu lớn, nhiều chiều việc biểu diễn liệu không gian không dễ dàng Chương III: XÂY DỰNG HỆ CHUYÊN GIA ỨNG DỤNG 3.1 Giới thiệu toán Hiện nay, với bùng nổ công nghệ ứng dụng chuyên biệt để xử lý toán thực tế Hệ chuyên gia áp dụng ngày rộng rãi với mảng lĩnh vực toán nhận diện, chẩn đoán bệnh, dự đoán xu hướng phát triển Bài toán nhận diện toán ứng dụng sử dụng nhiều với nhiều lợi ích riêng biệt cho mục đích ngữ cảnh sử dụng Như tiêu đề báo cáo tốn nhận dạng khn mặt tìm hiểu phần Như nói tốn nhận diện khn mặt sử dụng rộng rãi xã hội ngày Quy trình nhận dạng khuôn mặt: Chúng ta sử dụng KNN để huấn luyện nhận diện cho hệ thống, hệ thống sử dụng lọc (detect) để lọc toàn hình để nhận diện vùng ảnh chứa khn mặt ảnh cắt tọa đọa khuôn mặt làm nhiệm vụ nhận diện đối tượng face cắt Tìm thao tác với đặc điểm khn mặt Lấy vị trí đường nét mắt, mũi, miệng cằm người Tìm kiếm đặc điểm khn mặt hữu ích cho nhiều thứ quan trọng Nhưng bạn sử dụng cho thứ thực ngu ngốc trang điểm kỹ thuật số (nghĩ ‘Meitu '): Định danh khn mặt hình ảnh sử dụng nhận dạng train trước đưa vào test Chương V: KẾT LUẬN Với kiến thức giảng dạy lớp thơng tin tìm hiểu q trình làm đề tài nhóm tìm hiểu nhiều kĩ thuật công nghệ để áp dụng vào đề tài Những kiến thức tìm hiểu trình làm đề tài Tìm hiểu hệ chuyên gia: Biết khái niệm hệ chuyên gia, hạ tầng hệ chuyên gia ứng dụng hệ chuyên gia vào đời sống Tìm hiểu hệ học: Là nhánh hệ chuyên gia, hệ học giúp chúng em hiểu máy tính học hỏi người ứng dụng to lớn chúng đời sống ngày Nhờ kiến thức chúng em tìm hiểu xây dựng ví dụ việc nhận dạng khuân mặt người + Kiến thức thuật toán máy học (Machine Learning) KNN + Kiến thức thư viện hỗ trợ việc phát khuôn mặt (dlib, opencv) Với kiến thức nhiều hạn chế nên việc xây dựng ứng dụng cịn nhiều thiết xót, chưa bám theo chuẩn Mong thầy xem xét đưa lời khuyên để chúng em hoàn thành đề tài cách chọn toàn diện Chúng em xin trân thành cảm ơn TÀI LIỆU THAM KHẢO Giáo trình “Hệ chuyên gia(Expert System)” - PGS.TS.Phan Huy Khánh Handbook of Face Recognition - Li, Stan Z., Jain, Anil K (Eds.) ... Tổng quan hệ chuyên gia 1.1 Hệ chuyên gia gì? 1.2 Xây dựng hệ chuyên gia 1.3 Lịch sử phát triển hệ chuyên gia 1.4 Đặc trưng hệ chuyên gia ... chun gia: Một đặng tính quan trọng tri thức sử dụng hệ chuyên gia tri thức hệ chuyên gia Các tri thức đực thu nhận mã hóa hệ chuyên gia Đó tri thức lĩnh vực kỹ giải toán hệ chuyên gia Thuật ngữ chuyên. .. giải hệ chuyên gia Chấp nhận sai lầm: Người ta hệ chuyên gia giải vấn đề chuyên gia, tức chấp nhận hệ thống có sai lầm Do hệ chuyên gia mắc sai lầm, ta thấy chương trình truyền thống có ưu hệ chuyên