Trí Tuệ Nhân Tạo Trí Tuệ Nhân Tạo (Artificial Intelligence) Viện Công nghệ thông tin và Truyền thông Trường Đại Học Bách Khoa Hà Nội Lê Thanh Hương Nội dung môn học 2 ▪ Chương 1 Tổng quan ▪ Chương 2 T[.]
Trí Tuệ Nhân Tạo (Artificial Intelligence) Lê Thanh Hương Viện Công nghệ thông tin Truyền thông Trường Đại Học Bách Khoa Hà Nội Nội dung môn học ▪ ▪ ▪ ▪ ▪ ▪ Chương Tổng quan Chương Tác tử thông minh Chương Giải vấn đề Chương Tri thức suy diễn Chương Biểu diễn tri thức Chương Học máy ▪ ▪ ▪ ▪ ▪ Giới thiệu học máy K láng giềng gần Phân lớp Naïve Bayes Học định Mạng nơron Giới thiệu Học máy ◼ ◼ Học máy (ML - Machine Learning) lĩnh vực nghiên cứu Trí tuệ nhân tạo (Artificial Intelligence) Câu hỏi trung tâm ML: → “How can we build computer systems that automatically improve with experience, and what are the fundamental laws that govern all learning processes?” [Mitchell, 2006] ◼ Vài quan điểm học máy: → Một trình nhờ hệ thống cải thiện hiệu suất (hiệu hoạt động) [Simon, 1983] → Việc lập trình máy tính để tối ưu hóa tiêu chí hiệu suất dựa liệu kinh nghiệm khứ [Alpaydin, 2010] Một máy học ◼ ◼ Ta nói máy tính có khả học tự cải thiện hiệu suất hoạt động P cho công việc T cụ thể, dựa vào kinh nghiệm E Như tốn học máy biểu diễn (T, P, E) • T: cơng việc (nhiệm vụ) • P: tiêu chí đánh giá hiệu • E: kinh nghiệm Ví dụ tốn học máy (1) Lọc thư rác (email spam filtering) •T: Dự đốn (để lọc) thư điện tử thư rác (spam email) •P: số lượng thư điện tử gửi đến phân loại xác •E: Một tập thư điện tử (emails) mẫu, thư điện tử biểu diễn tập thuộc tính (vd: tập từ khóa) nhãn lớp (thư thường/thư rác) tương ứng Trí Tuệ Nhân Tạo Thư rác? Thư thường Thư rác Ví dụ tốn học máy (2) Nhận dạng chữ viết tay Nhận dạng phân loại từ ảnh chữ viết ◼T: Tỷ lệ (%) từ nhận dạng phân loại ◼P: Một tập ảnh chữ viết, ảnh gắn với định danh từ Từ nào? ◼E: Trí Tuệ Nhân Tạo we in the right way Ví dụ tốn học máy (3) Gán nhãn ảnh ◼ ◼ ◼ T: đưa vài mô tả ý nghĩa ảnh P: ? E: Một tập ảnh, ảnh gán tập từ mô tả ý nghĩa chúng Máy học (1) ◼ Học ánh xạ (hàm): • x: quan sát (dữ liệu), kinh nghiệm • y: phán đốn, tri thức mới, kinh nghiệm mới, … ◼ Hồi quy (regression): y số thực ◼ Phân loại (classification): y thuộc tập rời rạc (tập nhãn lớp) Máy học (2) ◼ Học từ đâu? ❑ Từ quan sát khứ (tập học) {x1, x2, …, xN}; {y1, y2,…, yM} ◼ Sau học: ❑ Thu mơ hình, kinh nghiệm, tri thức ❑ Dùng để suy diễn (phán đoán) cho quan sát tương lai Y = f(x) Hai toán học ◼ Học có giám sát (supervised learning): cần học hàm y = f(x) từ tập học {{x1, x2, …, xN}; {y1, y2,…, yN}} cho yi f(xi) ❑ ❑ ◼ Phân loại (phân lớp): y nhận giá trị từ tập rời rạc, chẳng hạn {cá, cây, quả, mèo} Hồi quy: y nhận giá trị số thực Học không giám sát (unsupervised learning): cần học hàm y = f(x) từ tập học cho trước {x1, x2, …, xN} ❑ Y cụm liệu ❑ Y cấu trúc ẩn ... P, E) • T: cơng việc (nhiệm vụ) • P: tiêu chí đánh giá hiệu • E: kinh nghiệm Ví dụ tốn học máy (1) Lọc thư rác (email spam filtering) •T: Dự đoán (để lọc) thư điện tử thư rác (spam email) •P:... ◼ T: đưa vài mô tả ý nghĩa ảnh P: ? E: Một tập ảnh, ảnh gán tập từ mô tả ý nghĩa chúng Máy học (1) ◼ Học ánh xạ (hàm): • x: quan sát (dữ liệu), kinh nghiệm • y: phán đoán, tri thức mới, kinh... đốn rủi ro tài ◼ Dự đoán biến động số chứng khoán ◼ Phát cơng mạng ◼ Học khơng giám sát: ví dụ (1) ◼ Phân cụm (clustering) ❑ ◼ Phát cụm liệu, cụm tính chất,… Community detection ◼ Phát cộng đồng