báo cáo thí nghiệm thực nghiệm học phần trí tuệ nhân tạo ứng dụng naive bayes trong nhận biết nấm độc hại

nhân tạo thM hiê .n tRnh thRch nghi và tRnh mBmdwo đ>i với các lớp bài toán thuộc nhiBu l9nh v:c khác nhau.- Khi máy tRnh đư2c trang bị các ph7n mBm trR tuê.. nhân tạo, viê .c sQ d5ngmạn

(Sinh viên chịu trách nhiệm chính thực hiện đề tài)

Hà Nội - Tháng 12, năm 2022Mục lục

1.6 Các ứng dụng nghiên cứu và ứng dụng cơ bản15

2.3.2 Phương pháp Naive Bayes trong trưCng hợp dữ liệu liên tục26

Chương 3 Ứng dụng Naive Bayes trong bài toán nhận biết nấm độc hại 32

LCi MD ĐEu

Ngày nay công nghê thông tin đư2c 3ng d5ng trong h7u hết các l9nh v:cc;a đ<i s>ng Bên cạnh nhAng cách làm truyBn th>ng cCng đD xuFt hiê n nhAngkH thuâ t mới đư2c áp d5ng và đem lại hiê u quL đáng kM Với lư2ng thông tinlớn, với nhAng bài toán có đô ph3c tạp cao vFn đB đă t ra là làm thế nào đM pháthiê n tri th3c, đưa ra l<i giLi mà th<i gian th:c hiê n có thM chFp nhâ n đư2c Mô ttrong s> các kH thuâ t đư2c sQ d5ng đó chRnh là trR tuê nhân tạo Cu>n báo cáonày sT giUp bạn độc nWm đư2c nhAng khái niê m cơ bLn, nhAng kH thuâ t cCngnhư triMn khai mô t s> 3ng d5ng c;a l9nh v:c này vào giLi quyết mô t s> bài toántrong th:c tế.

Nô i dung báo cáo gYm ba chương Chương mô t đưa ra mô t b3c tranhtZng quan vB trR tuê nhân tạo Chương hai tập trung vào kH thuâ t hiê n đại trongtrR tuê nhân tạo, c5 thM đó là các kH thuâ t học d:a trên thuật toán Naive Bayes.Chương cu>i c]ng là bài toán nhận biết nFm độc hại d:a vào kH thuật NaiveBayes ở chương 2.

Nhân đây nhóm em cCng bày t_ l`ng biết ơn đến khoa Công nghê thôngtin, c]ng cô Nguyễn Lan Anh đD đô ng viên giUp đa nhóm em hoàn thành báocáo này Do khuôn khZ th<i gian hạn hcp nên không tránh kh_i nhAng thiếu sót,nhóm em mong nhâ n đư2c nhAng d kiến đóng góp c;a cô đM báo cáo đư2c hoànthiê n hơn.

Chương 1 Tổng quan về trí tuệ nhân tạo1.1Khái niệm trí tuệ nhân tạo

Trong l9nh v:c Công nghê thông tin, TrR tuê nhân tạo (AI) cCng có thMhiMu là “thông minh nhân tạo”, t3c là s: thông minh c;a máy móc do con ngư<itạo ra, đă c biê t tạo ra cho máy tRnh, robot, hay các máy móc có các thành ph7ntRnh toán điê n tQ AI là một ngành mới, nhưng phát triMn rFt mạnh mT và đem lạinhiBu kết quL to lớn M]a hè 1956, tại hội thLo ở Darmouth John McCarthy đDđưa ra thuật ngA trR tuê nhân tạo (Artificial Intelligence - AI) M>c th<i gian nàyđư2c xem là th<i điMm ra đ<i th:c s: c;a l9nh v:c nghiên c3u AI.

AI là một l9nh v:c nghiên c3u c;a khoa học máy tRnh và khoa học tRnhtoán nói chung Có nhiBu quan điMm khác nhau vB AI Do đó có nhiBu địnhngh9a khác nhau vB l9nh v:c này Sau đây là một s> định ngh9a:

- S: nghiên c3u các năng l:c trR tuê thông qua viê c sQ d5ng các mô hìnhtRnh toán” (Charniak và McDormott, 1985).

- “Nghê thuật tạo ra các máy th:c hiê n các ch3c năng đ`i h_i s: thôngminh khi đư2c th:c hiê n bởi con ngư<i” (Kurzweil, 1990).

- “L9nh v:c nghiên c3u tìm cách giLi thRch và mô ph_ng các hành vi thôngminh trong thuật ngA các quá trình tRnh toán” (Schalkoff, 1990).- “S: nghiên c3u các tRnh toán đM có thM nhận th3c, lập luận và hành động”

TrR tuê nhân tạo là một nhánh c;a khoa học và công nghê liên quan đếnviê c làm cho máy tRnh có nhAng năng l:c c;a trR tuê cong ngư<i, tiêu biMu nhưcác khL năng biết suy ngh9 và lập luận đM giLi quyết vFn đB, biết giao tiếp dohiMu ngôn ngA và tiếng nói, biết học và t: thRch nghi

Mong mu>n làm cho máy có nhAng khL năng c;a trR thông minh conngư<i đD có tr nhiBu thế ks trước, tuy nhiên AI cht xuFt hiê n khi con ngư<isang tạo ra máy tRnh điê n tQ Alan Turing – nhà toán học lvi lạc ngư<i Anh,ngư<i đư2c xem là cha đw c;a Tin học do đưa ra cách hình th3c hóa các kháiniê m thuật toán và tRnh toán trên máy Turing – một mô hình máy trru tư2ng môtL bLn chFt viê c xQ ld các kd hiê u hình th3c - có đóng góp quan trọng và thU vịcho AI vào năm 1950, gọi là phxp thQ Turing Theo Turing: “TrR tuê là nhAng gìcó thM đánh giá đư2c thông qua các trWc nghiê m thông minh”.

Hnh 1.1 Phép thử Turing

Phxp thQ Turing là một cách đM trL l<i câu h_i “máy tRnh có biết ngh9không?” Alan Turing đB xuFt bộ kiMm thQ (Turing test): Trong trWc nghiê m này,một máy tRnh và một ngư<i tham gia trWc nghiê m đư2c đă t vào trong các cănph`ng cách biê t với một ngư<i th3 hai (ngư<i thẩm vFn) Ngư<i thẩm vFnkhông biết đư2c chRnh xác đ>i tư2ng nào là ngư<i hay máy tRnh, và cCng cht cóthM giao tiếp với hai đ>i tư2ng đó thông qua các phương tiê n kH thuật như mộtthiết bị soạn thLo văn bLn, hay thiết bị đ7u cu>i Ngư<i thẩm vFn có nhiê m v5phân biê t ngư<i với máy tRnh bằng cách cht d:a trên nhAng câu trL l<i c;a họ

đ>i với nhAng câu h_i đư2c truyBn qua thiết bị liên lạc này Trong trư<ng h2pnếu ngư<i thẩm vFn không thM phân biê t đư2c máy tRnh với ngư<i thì khi đótheo Turing máy tRnh này có thM đư2c xem là thông minh.

Khái niệm trí tuệ đưa ra trong từ điển bách khoa toàn thư:

Trí tuệ là khả năng :PhLn 3ng một cách thRch h2p nhAng tình hu>ng mới

thông qua hiê u chtnh hành vi một cách thRch đáng HiMu rõ nhAng m>i liên hê qua lại c;a các s: kiê n c;a thế giới bên ngoài nhằm đưa ra nhAng hành độngph] h2p đạt tới một m5c đRch nào đó.

Hiê n nay nhiBu nhà nghiên c3u quan niê m rằng, AI là l9nh v:c nghiênc3u s: thiết kế các tác nhân thông minh (intelligentagent) Tác nhân thông minhlà bFt c3 cái gì tYn tại trong môi trư<ng và hành động một cách thông minh

Hnh 1.2 Mô hnh tác nhân thông minh

Theo M Minsky: “TrR tuê nhân tạo mô ph_ng bằng máy tRnh đM thRnghiê m một mô hình nào đó “.

AI là một ngành c;a khoa học máy tRnh - nghiên c3u xQ ld thông tin bằngmáy tRnh, do đó AI đă t ra m5c tiêu nghiên c3u: làm thế nào thM hiê n đư2c cáchành vi thông minh bằng thuật toán, rYi nghiên c3u các phương pháp cài đă t cácchương trình có thM th:c hiê n đư2c các hành vi thông minh bằng thuật toán, tiếptheo chUng ta c7n cht ra tRnh hiê u quL, tRnh khL thi c;a thuật toán th:c hiê n mộtnhiê m v5, và đưa ra các phương pháp cài đă t.

M5c tiêu c;a ngành AI: Nhằm tạo ra các máy tRnh có khL năng nhận th3c,suy luận và phLn 3ng Xây d:ng AI là tìm cách biMu diễn tri th3c và phát hiê n

Môi trư<ng

Các thông tin Các hành độngđến tr môi trư<ng

Tác nhân thông minh

tri th3c tr các thông tin có sẵn đM đưa vào trong máy tRnh ĐM máy tRnh có cáckhái niê m nhận th3c, suy luận, phLn 3ng thì ta c7n phLi cung cFp tri th3c chonó.

Hnh 1.3 Người máy ASIMO đưa đồ uống cho khách theo yêu cầu

1.2Vai trò của AI

TrR tuê nhân tạo nghiên c3u kH thuật làm cho máy tRnh có thM “suy ngh9một cách thông minh” và mô ph_ng quá trình suy ngh9 c;a con ngư<i khi đưa ranhAng quyết định, l<i giLi Trên cơ sở đó, ta có thM thiết kế các chương trình chomáy tRnh đM giLi quyết bài toán.

S: ra đ<i và phát triMn c;a AI đD tạo ra một bước nhLy vọt vB chFt trongkH thuật và kH nghê xQ ld thông tin TrR tuê nhân tạo chRnh là cơ sở c;a côngnghê xQ ld thông tin mới, độc lập với công nghê xQ ld thông tin truyBn th>ngd:a trên văn bLn giFy t< ĐiBu này đư2c thM hiê n qua các mă t sau:

- Nh< nhAng công c5 hình th3c hoá (các mô hinh logic ngôn ngA, logicm<, ), các tri th3c th; t5c và tri th3c mô tL có thM biMu diễn đư2c trongmáy Do vậy quá trình giLi bài toán đư2c th:c hiê n hiê u quL hơn.

- Mô hình logic ngôn ngA đD mở rộng khL năng 3ng d5ng c;a máy tRnhtrong l9nh v:c đ`i h_i tri th3c chuyên gia ở trình độ cao, rFt khó như: yhọc, sinh học, địa ld, t: động hóa.

- Một s> ph7n mBm trR tuê nhân tạo thM hiê n tRnh thRch nghi và tRnh mBmdwo đ>i với các lớp bài toán thuộc nhiBu l9nh v:c khác nhau.

- Khi máy tRnh đư2c trang bị các ph7n mBm trR tuê nhân tạo, viê c sQ d5ngmạng sT cho phxp giLi quyết nhAng bài toán ca lớn và phân tán.

So sánh kH thuật lập trình truyBn th>ng và kH thuật xQ ld tri th3c trong AI-

Chương trwnh truyềnthống

Kỹ thuâ xt AI

XQ ld dA liê u XQ ld tri th3cBLn chFt chương trình là tRnh

toán, xQ ld theo các thuật toán

BLn chFt chương trình là lập luận, xQld theo các thuật giLi heuristicsXQ ld tu7n t: theo lô XQ ld theo chế độ tương tácXQ ld thông tin chRnh xác đ7y

AI = Tri th3c + Suy diễn

Không giLi thRch trong quátrình th:c hiê n

Có thM giLi thRch hành vi hê th>ngtrong quá trình th:c hiê n

1.3Các kỹ thuật cơ bản trong AI

Có nhiBu kH thuật nghiên c3u, phát triMn ngành khoa học AI Tuy vậy,các kH thuật AI thư<ng khá ph3c tạp khi cài đă t c5 thM, ld do là các kH thuật nàythiên vB xQ ld các kd hiê u tư2ng trưng và đ`i h_i phLi sQ d5ng nhAng tri th3cchuyên môn thuộc nhiBu l9nh v:c khác nhau Do vậy, các kH thuật AI hướng tớikhai thác nhAng tri th3c vB l9nh v:c đang quan tâm đư2c mD hoá trong máy saocho đạt đư2c m3c độ tZng quát, dễ hiMu, dễ diễn đạt thông qua ngôn ngA chuyênmôn g7n gCi với ngôn ngA t: nhiên, dễ khai thác nhằm thu hcp các khL năngc7n xxt đM đi tới l<i giLi cu>i c]ng.

Các kH thuật TrR tuê nhân tạo cơ bLn bao gYm:

- Lý thuyết giải bài toán và suy diễn thông minh: Ld thuyết giLi

bài toán cho phxp viết các chương trình giLi câu đ>, các tr` chơithông qua các suy luận mang tRnh ngư<i

- Lý thuyết twm kiếm may rủi: Ld thuyết này bao gYm các phương

pháp và kH thuật tìm kiếm với s: hv tr2 c;a thông tin ph5 đM giLibài toán một cách có hiê u quL.

- Các ngôn ngữ về AI: ĐM xQ ld các tri th3c ngư<i ta không cht sQ

d5ng các ngôn ngA lập trình d]ng cho các xQ ld dA liê u s>, mà c7ncó ngôn ngA khác Các ngôn ngA chuyên d5ng này cho phxp lưutrA và xQ ld thông tin kd hiê u Một s> ngôn ngA đư2c nhiBu ngư<ibiết đến là LISP, PROLOG,

- Lý thuyết thể hiện tri thức và hệ chuyên gia: TrR tuê nhân tạo là

khoa học vB thM hiê n và sQ d5ng tri th3c Mạng ngA ngh9a, logic vịtr, Frame, … là các phương pháp biMu diễn tri th3c thông d5ng.Viê c gWn liBn cách thM hiê n và sQ d5ng tri th3c là cơ sở hình thànhhê chuyên gia.

- Lý thuyết nhâ xn dạng và xử lý tiếng nói: Giai đoạn phát triMn đ7u

c;a AI gWn với ld thuyết nhận dạng †ng d5ng c;a phương phápnày trong viê c nhận dạng chA viết, âm thanh, …

- NgưCi máy: Cu>i nhAng năm 70, ngư<i máy trong công nghiê p đD

đạt đư2c nhiBu tiến bộ Ngư<i máy có bộ phận cLm nhận và các cơchế hoạt động đư2c n>i ghxp theo s: điBu khiMn thông minh Khoahọc vB cơ học và AI đư2c tRch h2p trong khoa học ngư<i máy.- Tâm lý học xử lý thông tin: Các kết quL nghiên c3u c;a tâm ld

học giUp TrR tuê nhân tạo xây d:ng các cơ chế trL l<i theo hành vi,có d th3c; nó giUp cho viê c th:c hiê n các suy diễn mang tRnhngư<i.

- Ngoài ra, xử lý danh sách, kỹ thuâ xt đệ quy, kỹ thuâ xt quay lui vàxử lý cú pháp hwnh thức là nhAng kH thuật cơ bLn c;a tin học

truyBn th>ng có liên quan tr:c tiếp đến AI.

1.4Lịch sử phát triển của AI

Lịch sQ c;a AI cho thFy ngành khoa học này có nhiBu kết quL đáng ghinhận Theo các m>c phát triMn, ngư<i ta thFy AI đư2c sinh ra tr nhAng năm 50với các s: kiê n sau:

- Turing đư2c coi là ngư<i khai sinh ngành AI bởi phát hiê n c;a ông vBmáy tRnh có thM lưu trA chương trình và dA liê u.

- Tháng 8/1956 J.Mc Carthy, M Minsky, A Newell, Shannon, Simon, …đưa ra khái niêm “trR tuê nhân tạo”.

- Vào khoLng năm 1960 tại Đại học MIT (Massachusetts Institute ofTechnology) ngôn ngA LISP ra đ<i, ph] h2p với các nhu c7u xQ ld đă ctrưng c;a trR tuê nhân tạo - đó là ngôn ngA lập trình đ7u tiên d]ng cho trRtuê nhân tạo.

- Thuật ngA AI đư2c d]ng đ7u tiên vào năm 1961 cCng tại MIT.

- NhAng năm 60 là giai đoạn lạc quan cao độ vB khL năng làm cho máytRnh biết suy ngh9 Trong giai đoạn này ngư<i ta đD đư2c ch3ng kiến máychơi c< đ7u tiên và các chương trình ch3ng minh định ld t: động C5 thM:

+ 1961: Chương trình tRnh tRch phân bFt định

+ 1963: Các chương trình heuristics: Chương trình ch3ng minh cácđịnh ld hình học không gian có tên là “tương t:”, chương trìnhchơi c< c;a Samuel.

+ 1964: Chương trình giLi phương trình đại s> sơ cFp, chương trìnhtr2 giUp ELIZA (có khL năng làm viê c gi>ng như một chuyên giaphân tRch tâm ld).

+ 1966: Chương trình phân tRch và tZng h2p tiếng nói

+ 1968: Chương trình điBu khiMn ngư<i máy (Robot) theo đY án “MWt– tay”, chương trình học nói.

- Vào nhAng năm 60, do giới hạn khL năng c;a các thiết bị, bộ nhớ và đă cbiê t là yếu t> th<i gian th:c hiê n nên có s: khó khăn trong viê c tZng quáthoá các kết quL c5 thM vào trong một chương trình mBm dwo thông minh.- Vào nhAng năm 70, máy tRnh với bộ nhớ lớn và t>c độ tRnh toán nhanh

nhưng các phương pháp tiếp cận AI cC vẫn thFt bại do s: b]ng nZ tZ h2ptrong quá trình tìm kiếm l<i giLi các bài toán đă t ra.

- Vào cu>i nhAng năm 70 một vài kết quL như xQ ld ngôn ngA t: nhiên,biMu diễn tri th3c và giLi quyết vFn đB NhAng kết quL đó đD tạo điBu kiê ncho sLn phẩm thương mại đ7u tiên c;a AI ra đ<i đó là Hê chuyên gia,đư2c đem áp d5ng trong các l9nh v:c khác nhau (Hê chuyên gia là mộtph7n mBm máy tRnh ch3a các thông tin và tri th3c vB một l9nh v:c c5 thMnào đó, có khL năng giLi quyết nhAng yêu c7u c;a ngư<i sQ d5ng trongmột m3c độ nào đó, ở một trình độ như một chuyên gia con ngư<i cókinh nghiê m khá lâu năm) Hê chuyên gia thay thế con ngư<i / tr2 giUpcon ngư<i ra quyết định.

(Tri th3c chuyên gia

và suy diễn) Hê chuyêngia (Cơ sở tri th3c+ Động cơ suyChu

yên gia conngư<i

(Công nghê tri th3c)

Hnh 1.4 Mô hnh hệ chuyên gia

- Một s: kiê n quan trọng vào nhAng năm 70 là s: ra đ<i ngôn ngA Prolog,tương t: LISP nhưng nó có cơ sở dA liê u đi kèm.

- Vào nhAng năm 80 ch3ng kiến s: hYi sinh, b]ng nZ và thi đua qu>c tếtrong ngành AI Œ tưởng cơ bLn đM phát triMn AI khi này là s: thông minhc;a máy tRnh không thM cht d:a trên viê c suy diễn logic mà phLi d:a cLvào tri th3c c;a con ngư<i, và d]ng khL năng suy diễn c;a máy đM khaithác tri th3c này C>t lõi c;a AI có thM diễn giLi bởi công th3c AI = Trith3c + Suy diễn Thành quL và nv l:c tiêu biMu trong giai đoạn này là s:phát triMn c;a các hê chuyên gia Mvi hê chuyên gia vB cơ bLn gYm haithành ph7n: Cơ sở tri th3c ch3a các tri th3c chuyên gia trong một l9nhv:c và một cơ chế suy diễn nhằm vận d5ng các hiMu biết này đM giLiquyết các vFn đB c5 thM với hiê u quL như chRnh chuyên gia giLi quyết Haihê chuyên gia tiêu biMu là DENDRAL và MYCIN Hê DENDRAL giUpcác nhà nghiên c3u hóa học hAu cơ xác định các ph7n tQ hAu cơ chưa biếtd:a trên phân tRch phZ c;a chUng và các tri th3c hóa học MYCIN là hê chuyên gia y học có cơ sở tri th3c khoLng 600 luật

- ĐB án máy tRnh thế hê th3 5 FGCS (Fifth Generation Computer Systems)c;a Nhật BLn do Bộ Ngoại thương và Công nghiê p phát động FGCS kxodài trong 10 năm (1982-1992) ĐB án FGCS nhằm làm ra các hê máy tRnh

H sư xQld tri

có khL năng suy diễn và giao tiếp bằng ngôn ngA t: nhiên trên nBn tRnhtoán song song Mă c d] cu>i c]ng đư2c đánh giá là thFt bại do không đạtđư2c m5c tiêu, nhưng đB án FGCS đD kRch thRch một cuộc thi đua qu>c tếtrong giai đoạn hYi sinh c;a AI ĐB án này cCng đă t ra và thách th3cnhiBu vFn đB cho giới nghiên c3u trên toàn thế giới.

- NhAng năm 90 cho đến nay, các nghiên c3u nhằm vào cài đă t thành ph7nthông minh trong các hê th>ng thông tin, gọi chung là cài đă t AI, làm rõhơn các ngành c;a khoa học AI và tiến hành các nghiên c3u mới, đă c biê tlà nghiên c3u vB cơ chế suy ld, vB các mô hình tương tác Các nghiên c3uvB AI phân tán, mạng nơron nhân tạo, logic m<, thuật giLi di truyBn, khaiphá dA liê u, web ngA ngh9a, tin sinh học, mạng xD hội, …

1.5Các thành phEn trong hệ thống AI

Hê th>ng trR tuê nhân tạo bao gYm hai thành ph7n cơ bLn đó là biMu diễntri th3c và tìm kiếm tri th3c trong miBn biMu diễn:

AI = Tri thức + Suy diễn

Tri th3c c;a bài toán có thM đư2c phân ra làm ba loại cơ bLn đó là trith3c mô tL, tri th3c th; t5c và tri th3c điBu khiMn.

ĐM biMu diễn tri th3c ngư<i ta sQ d5ng các phương pháp sau đây:- Phương pháp biMu diễn nh< luật

- Phương pháp biMu diễn nh< mạng ngA ngh9a Phương pháp biMu diễn nh<bộ ba liên h2p OAV Phương pháp biMu diễn nh< Frame

- Phương pháp biMu diễn nh< logic vị tr

Sau khi tri th3c c;a bài toán đD đư2c biMu diễn, kH thuật trong l9nh v:c trRtuê nhân tạo là các phương pháp tìm kiếm trong miBn đă c trưng tri th3c vB bàitoán đó Với mvi cách biMu diễn sT có các giLi pháp tương 3ng Các vFn đB nàysT đư2c đB cập trong chương 3.

1.6Các ứng dụng nghiên cứu và ứng dụng cơ bản

Có nhiBu nội dung nghiên c3u và phát triMn c;a AI, tr cách đM máy có thMsuy diễn logic và nhận th3c, cách ra quyết định và giLi quyết vFn đB, cách biMudiễn tri con ngư<i trong máy, cách lập kế hoạch hành động, hay biết cách t: họcđM tạo ra tri th3c mới, … đến dịch t: động các ngôn ngA, tìm kiếm thông tintrên Internet, robot thông minh Ta nói vB một vài l9nh v:c c;a AI trong nhAngnăm qua.

- XQ ld ngôn ngA t: nhiên (natural language processing):

Liê u máy c/ th0 n/i đư1c như người?

Đây là bài toán tZng h2p tiếng nói, t3c viê c làm cho máy biết đọc các vănbLn thành tiếng ngư<i Có thM hình dung nếu ta đưa cho máy các luật phát âmtiết, bài toán này sT là viê c áp d5ng các luật này vào các âm tiết trong một tr đMtạo ra cách đọc tr này ĐD có nhiBu hê th>ng tạo ra đư2c giọng đọc t: nhiên c;acon ngư<i hoă c đọc gi>ng giọng một ngư<i nào đFy, nhFt là cho các ngôn ngAđư2c nghiên c3u nhiBu như tiếng Anh.

Liê u máy c/ th0 nhâ n bi4t đư1c ti4ng người n/i?

Đây là bài toán nhận dạng tiếng nói, t3c viê c làm cho máy biết chuyMntiếng nói c;a ngư<i tr microphone thành dDy các tr Đây là bài toán rFt khó, vìâm thanh ngư<i nói là liên t5c và các âm quyê n n>i vào nhau, vì mvi ngư<i mvigiọng, … Với tiếng nói chuẩn, các hê hiê n đại cung mới nhận dạng đUng đư2ckhoLng 60%-70%.

Liê u máy c/ hi0u đư1c ti4ng n/i v6 văn b8n c9a con người?

HiMu ngôn ngA là một đă c trưng tiêu biMu c;a trR tuê và viê c làm cho máyhiMu đư2c ngôn ngA là một trong nhAng vFn đB khó nhFt c;a AI nói riêng và c;aCNTT nói chung ĐM làm viê c này, máy phLi tách câu thành các tr đong lw hayc5m tr, nhận viết chUng là các loại tr gì rYi xác định cFu trUc c;a câu, đoán

ngh9a c;a trng tr và giLi ngh9a c;a câu Ngôn ngA thư<ng này trở nên vô c]ngkhó đ>i với máy.

D;ch t< đô ng

Liên quan đến hiMu ngôn ngA là dịch t: động tr tiếng này sang tiếngkhác Viê c dịch này đ`i h_i máy không cht phLi hiMu đUng ngh9 a câu tiếng Viê tmà c`n phLi tạo ra đư2c câu tiếng Anh tương 3ng.

Tm ki4m thông tin trên m=ng

Đây là l9nh v:c có s: chia sw nhiBu nhFt giAa AI và Internet, và ngày càngtrở nên hết s3c quan trọng ST sớm đến một ngày, mọi sách bào c;a con ngư<iđư2c s> hóa và đM lên mạng hay các thư viê n s> c:c lớn Ch•ng hạn đM tìm các

tài liê u có liên quan đến “tr> tuê nhân t=o v6 ?ng dAng trong khoa hBc” Với bài

toán này có Rt nhFt hai cách đM AI đóng góp vào Một là hê tìm kiếm các văn

bLn trong thư viê n theo ngh9a này Hai là hê tìm kiếm sT mô hình các tr “tr> tuê nhân t=o”, “khoa hBc”, mvi mô hình là tập h2p các tr khác kèm theo phân b>xác suFt c;a chUng theo quy luật thông kê Thay vì tìm kiếm trên mạng haytrong thư viê n với hai tâp h2p tr khóa, hê sT tìm kiếm với ba tập h2p tr:

- Thị giác máy (computer vision): nghiên c3u vB viê c thu nhận, xQld, nhận dạng thông tin hình Lnh thành biMu biễn m3c cao hơn nhưcác đ>i tư2ng xung quanh đM máy tRnh có thM hiMu đư2c.

- Ld thuyết tìm kiếm heuristics: bao gYm các phương pháp và các kHthuật tìm kiếm, sQ d5ng các tri th3c đă c biê t nLy sinh tr bLn thânl9nh v:c c;a bài toán c7n giLi đM tr đó nhanh chóng đưa ra kết quLmong mu>n KH thuật cơ bLn d:a trên các tri th3c Heuristics hayđư2c sQ d5ng trong th:c tiễn là tạo các hàm đánh giá.

- Ld thuyết biMu diễn tri th3c và kH nghê xQ ld tri th3c: Logic mê nhđB, logic vị tr, các hê sLn xuFt, biMu diễn bằng Frame, mạng ngA

1.7Machine Learning và Deep Learning

Hnh 1.5 Machine Learning v6 Deep Learning

1.7.1 Machine Learning

TTNT bao gYm nhiBu l9nh v:c nghiên c3u, tr thuật toán di truyBn đếncác hệ th>ng chuyên gia và cung cFp phạm vi cho các lập luận vB nhAng gìcFu thành TTNT.

Trong l9nh v:c nghiên c3u TTNT, Machine Learning đD đạt đư2cthành công đáng kM trong nhAng năm g7n đây – cho phxp máy tRnh vư2t quahoặc tiến g7n đến việc kết h2p hiệu suFt c;a con ngư<i trong các l9nh v:c trnhận dạng khuôn mặt đến nhận dạng giọng nói và ngôn ngA.

Machine learning (ML) là một l9nh v:c nghiên c3u cho phxp máytRnh có khL năng cLi thiện chRnh bLn thân chUng d:a trên dA liệu mẫu(training data) hoặc d:a vào kinh nghiệm (nhAng gì đD đư2c học) Machinelearning có thM t: d: đoán hoặc đưa ra quyết định mà không c7n đư2c lậptrình c5 thM.

Bài toán machine learning thư<ng đư2c chia làm hai loại là d:đoán (prediction) và phân loại (classification) Các bài toán d: đoán như d:đoán giá nhà, giá xe… Các bài toán phân loại như nhận diện chA viết tay,nhận diện đY vật…

1.7.2 Deep Learning

Một vR d5 vB một nhiệm v5 Machine Learning đơn giLn, nông cạn cóthM d: đoán doanh s> bán kem sT thay đZi như thế nào d:a trên nhiệt độngoài tr<i Việc đưa ra d: đoán cht sQ d5ng một vài tRnh năng dA liệu theocách này là tương đ>i đơn giLn và có thM đư2c th:c hiện bằng cách sQ d5ngmột kH thuật Machine Learning gọi là hYi quy tuyến tRnh với độ d>c giLmd7n.

VFn đB là hàng loạt vFn đB trong thế giới th:c không ph] h2p vớinhAng mô hình đơn giLn như vậy Một vR d5 vB một trong nhAng vFn đBth:c tế ph3c tạp này là nhận ra các s> viết tay.ĐM giLi quyết vFn đB này, máytRnh c7n phLi có khL năng đ>i phó với s: đa dạng lớn trong cách th3c trìnhbày dA liệu Mvi chA s> tr 0 đến 9 có thM đư2c viết theo vô s> cách: kRchthước và hình dạng chRnh xác c;a mvi chA s> viết tay có thM rFt khác nhaut]y thuộc vào ngư<i viết và trong hoàn cLnh nào.

Đ>i phó với s: biến đZi c;a các tRnh năng này và s: lộn xộn tươngtác lớn hơn giAa chUng, là nơi Deep learning và mạng nơ ron trở nên hAuRch.

1.8Giới thiệu về mạng nơ-ron (Neural Network)

1.8.1 Mạng nơ-ron

Mạng nơ-ron nhân tạo, đây là một chuvi nhAng thuật toán đư2c đưara đM tìm kiếm các m>i quan hệ cơ bLn trong tập h2p các dA liệu Thông quaviệc bWt bước cách th3c hoạt động tr nDo bộ con ngư<i Nói cách khác,mạng nơ ron nhân tạo đư2c xem là hệ th>ng c;a các tế bào th7n kinh nhântạo Neural Network có khL năng thRch 3ng đư2c với mọi thay đZi tr đ7uvào Do vậy, nó có thM đưa ra đư2c mọi kết quL một cách t>t nhFt có thM màbạn không c7n phLi thiết kế lại nhAng tiêu chR đ7u ra.

1.8.2 Cấu trúc mạng nơ-ron

Hnh 1.6 Ki4n trúc m=ng nơ-ron

Mạng Neural Network là s: kết h2p c;a nhAng t7ng perceptron hay c`ngọi là perceptron đa t7ng Và mvi một mạng Neural Network thư<ng baogYm 3 kiMu t7ng là:

● T7ng input layer (t7ng vào): T7ng này nằm bên trái c]ng c;a mạng,thM hiện cho các đ7u vào c;a mạng

● T7ng output layer (t7ng ra): Là t7ng bên phLi c]ng và nó thM hiệncho nhAng đ7u ra c;a mạng.

● T7ng hidden layer (t7ng ẩn): T7ng này nằm giAa t7ng vào và t7ngra nó thM hiện cho quá trình suy luận logic c;a mạng

Lưu d: Mvi một Neural Network cht có duy nhFt một t7ng vào và 1 t7ngra nhưng lại có rFt nhiBu t7ng ẩn

Với mạng Neural Network thì mvi nUt mạng là một sigmoid nơronnhưng chUng lại có hàm kRch hoạt khác nhau Th:c tế, ngư<i ta thư<ng sQd5ng có c]ng loại với nhau đM việc tRnh toán thuận l2i hơn Tại mvi t7ng, s>lư2ng nUt mạng có thM khác nhau c`n t]y vào bài toán hoặc cách giLi quyết.Tuy nhiên, khi làm việc ngư<i ta sT đM các t7ng ẩn s> với s> lư2ng nơronkhác nhau Ngoài ra, nhAng nơron nằm ở t7ng thư<ng sT liên kết đôi vớinhau đM tạo thành mạng kết n>i đ7y đ; nhFt Khi đó, ngư<i d]ng có thM tRnhtoán đư2c kRch ca c;a mạng d:a vào t7ng và s> lư2ng nơ ron.

1.8.3 Ứng dụng của mạng nơ-ron

Mạng nơ ron nhân tạo đư2c 3ng d5ng cho rFt nhiBu l9nh v:c như: tàichRnh, giao dịch, phân tRch kinh doanh, lập kế hoạch cho doanh nghiệp vàbLo trì sLn phẩm Neural Network c`n đư2c sQ d5ng khá rộng rDi cho nhAnghoạt động kinh doanh khác như: d: báo th<i tiết, và tìm kiếm các giLi phápnhằm nghiên c3u tiếp thị, đánh giá r;i ro và phát hiện gian lận