Microsoft PowerPoint TTNT LearningIntro ppt [Compatibility Mode] Giới thiệu Học Giới thiệu Học máymáy Mô Mô hình Naïve Bayeshình Naïve BayesMô Mô hình Naïve Bayeshình Naïve Bayes Tô Hoài Việt Khoa Côn[.]
Giới thiệu Học máy Mơ hình Nạve Bayes Tơ Hồi Việt Khoa Công nghệ Thông tin Đại học Khoa học Tự nhiên TPHCM thviet@fit.hcmuns.edu.vn Nội dung • • • • Giới thiệu Học máy Học gì? Các vấn đề ví dụ học Mơ hình Nạve Bayes Tại Học Máy? • • • • Những tiến gần thuật toán lý thuyết “Dòng lũ” lên liệu trực tuyến Sức mạnh tính tốn sẵn sàng Ngành cơng nghiệp nở rộ Ba lĩnh vực thích hợp cho học máy • Khai thác liệu: sử dụng liệu cũ để cải thiện định • Các ứng dụng phần mềm khơng thể làm tay • Các chương trình tự tối ưu hố Học gì? • ghi nhớ điều • học kiện qua quan sát thăm dị • cải thiện kỹ vận động và/hay nhận thức qua việc luyện tập • tổ chức tri thức thành biểu diễn tổng quát, hiệu Các loại học • Học có giám sát: cho trước tập mẫu cặp input/output, tìm luật thực việc dự đốn kết xuất gắn với input • Gom cụm: cho trước tập mẫu, chưa gán nhãn, gom nhóm mẫu thành cụm “tự nhiên” • Học tăng cường: agent tương tác với giới thực quan sát, hành động, thưởng hay phạt; học để chọn hành động theo cách để nhận nhiều phần thưởng Học Hàm Cho trước tập mẫu cặp input/output, tìm hàm làm tốt cơng việc biểu diễn mối quan hệ • Phát âm: hàm ánh xạ từ ký tự sang âm • Ném bóng: hàm ánh xạ từ vị trí đích thành quỹ đạo cánh tay • Đọc chữ viết tay: hàm ánh xạ từ tập điểm ảnh thành ký tự • Chẩn đốn bệnh: hàm ánh xạ từ kết xét nghiệm thành loại bệnh tật Các vấn đề để học hàm • ghi nhớ • lấy trung bình • tổng qt hố Bài tốn ví dụ Khi lái xe (drive or walk) ? Phụ thuộc vào: • • • • nhiệt độ (temperature) mưa tuyết dự kiến (expected precipitation) ngày tuần (day of the week) có cần mua sắm đường hay không (whether she needs to shop on the way home) • mặc (what’s she wearing) Ghi nhớ temp precip day shop clothes 80 none sat no casual walk 19 snow mon yes casual drive 65 none tues no casual walk 19 snow mon yes casual Ghi nhớ temp precip day shop clothes 80 none sat no casual walk 19 snow mon yes casual drive 65 none tues no casual walk 19 snow mon yes casual drive 10 Một ví dụ khác f1 f2 f3 f4 y f1 f2 f3 f4 y 1 1 1 1 0 1 1 1 1 1 1 0 1 1 1 1 1 0 0 1 1 0 0 1 1 0 0 0 1 0 1 1 0 1 = = = = 17 Một ví dụ khác (tt) f1 f2 f3 f4 y 1 0 1 1 1 0 1 1 1 0 1 0 1 0 0 1 1 = ? = ? 18 Nạve Bayes • Dựa luật suy diễn xác suất Bayes • Cập nhật xác suất giả thiết (hàm phân lớp) dựa chứng • Chọn giả thiết có xác suất lớn sau tích hợp chứng • Thuật tốn đặc biệt hữu ích cho lĩnh vực có nhiều đặc trưng 19 Ví dụ f1 f2 f3 f4 y 1 0 1 1 1 0 1 0 0 1 0 1 1 0 0 1 1 1 • R1(1,1) = 1/5: tỷ lệ tất mẫu dương (y=1) có đặc trưng = • R1(0,1) = 4/5: tỷ lệ tất mẫu dương có đặc trưng = 20 ...Nội dung • • • • Giới thiệu Học máy Học gì? Các vấn đề ví dụ học Mơ hình Nạve Bayes Tại Học Máy? • • • • Những tiến gần thuật tốn lý thuyết “Dịng lũ”... lĩnh vực thích hợp cho học máy • Khai thác liệu: sử dụng liệu cũ để cải thiện định • Các ứng dụng phần mềm làm tay • Các chương trình tự tối ưu hố Học gì? • ghi nhớ điều • học kiện qua quan sát... học • Học có giám sát: cho trước tập mẫu cặp input/output, tìm luật thực việc dự đoán kết xuất gắn với input • Gom cụm: cho trước tập mẫu, chưa gán nhãn, gom nhóm mẫu thành cụm “tự nhiên” • Học