NHÓM 3 - MACHINE LEARNING.pptx (1) (1).pptx

7f7tfuugyg

1. Thành viên nhóm Nguyễn Nhật Huy 2205HTTA027 Lê Khả Tuấn Hùng 2205HTTA024 Nguyễn Ngọc Lợi 2205HTTA034 Lê Đức Khải 2205HTTA029 Nguyễn Minh Hiển 2205HTTA020

2. Khám phá Machine Learning: Từ Khái Niệm Đến Lịch Sử Chào mừng bạn đến với bài thuyết trình về Machine Learning (Học máy). Chúng ta sẽ cùng tìm hiểu về Machine Learning là gì và hành trình phát triển thú vị của nó qua các giai đoạn lịch sử quan trọng.

3. Machine Learning là gì? Học từ dữ liệu Machine Learning (ML) là một nhánh của Trí tuệ nhân tạo (AI), giúp máy tính học hỏi từ dữ liệu mà không cần lập trình rõ ràng từng bước. Phân tích và dự đoán Máy tính phân tích dữ liệu, tìm ra các mẫu (pattern) và dự đoán kết quả cho dữ liệu mới. Ví dụ, phân biệt mèo với chó từ hình ảnh.

4. Lịch sử hình thành của Machine Learning 1 1950s – Giai đoạn khởi đầu Alan Turing đưa ra khái niệm "Turing Test" (1950). Arthur Samuel phát triển trò chơi checkers tự học (1952) và là người đầu tiên dùng cụm từ "machine learning". 2 1960s–1980s – Phát triển nền tảng ML chủ yếu dựa vào logic, thuật toán tìm kiếm và cây quyết định. Giai đoạn này gặp khó khăn do thiếu dữ liệu và máy tính yếu, hạn chế ứng dụng rộng rãi. 3 1990s – ML bùng nổ Chuyển hướng sang mô hình học từ thống kê (Statistical Learning). Các thuật toán như Support Vector Machines (SVM), k-NN, Naive Bayes phát triển mạnh mẽ.

5. Thời đại Big Data và Deep Learning Bùng nổ nhờ dữ liệu lớn Từ những năm 2000 đến nay, Machine Learning phát triển bùng nổ nhờ sự xuất hiện của dữ liệu lớn (big data) và máy tính mạnh (GPU). Sự trỗi dậy của Deep Learning Deep Learning (học sâu) với mạng nơ-ron nhiều tầng (Neural Networks) đã cách mạng hóa ML. Các công ty lớn như Google, Facebook, Amazon sử dụng ML để dịch ngôn ngữ, nhận diện khuôn mặt và gợi ý sản phẩm.

6. Các thành phần trong Machine Learning

7. 1. Dữ liệu (Data) – “Nguyên liệu đầu vào” Loại dữ liệu Dữ liệu có nhãn (Labeled): Dữ liệu có cặp input-output. Ví dụ: ảnh mèo 🐱 và nhãn “mèo”. Dữ liệu không nhãn (Unlabeled): Dữ liệu không có output. Dùng để phân nhóm, tìm mẫu. Dữ liệu phản hồi (Reinforcement signal): Điểm thưởng hoặc hình phạt cho hành động. Dùng trong học tăng cường. Các yếu tố quan trọng Chất lượng dữ liệu : dữ liệu sai lệch → mô hình học sai. Tiền xử lý dữ liệu (Data preprocessing) : làm sạch, chuẩn hóa, mã hóa, chia tập train/test.

8. 2. Mô hình (Model) – “Cái khung trí tuệ” Khái niệm Mô hình là một công thức/hàm toán học để dự đoán kết quả từ đầu vào. Ví dụ đơn giản: y = wx + b (Hồi quy tuyến tính). Linear Regression Ứng dụng: Dự đoán giá nhà, doanh thu. Đặc điểm: Mô hình tuyến tính đơn giản. Decision Tree Ứng dụng: Phân loại khách hàng, kiểm tra gian lận. Đặc điểm: Dễ hiểu, biểu diễn dưới dạng cây. Support Vector Machine (SVM) Ứng dụng: Nhận diện khuôn mặt. Đặc điểm: Tốt với dữ liệu phức tạp. Neural Network Ứng dụng: Nhận dạng giọng nói, hình ảnh. Đặc điểm: Mô hình mạnh mẽ, nhiều lớp.

9. 3. Thuật toán học (Learning Algorithm) – “Cách học” Vai trò Giúp mô hình tối ưu hóa các tham số (như weight, bias) để giảm sai số giữa dự đoán và thực tế. Gradient Descent Tối ưu hàm mất mát bằng cách đi từng bước nhỏ xuống "dốc". K-means Clustering Nhóm dữ liệu lại thành từng cụm. Q-learning Thuật toán học tăng cường, chọn hành động có lợi nhất.

10. 4. Hàm mất mát (Loss Function) – “Đo sai lệch” Mean Squared Error (MSE) Hồi quy MSE = 1/n Σ(y - ŷ)² Cross-Entropy Phân loại -Σ y log(ŷ) Hàm mất mát đánh giá mức độ sai của mô hình. Thuật toán sẽ cố gắng giảm giá trị này để tối ưu hóa hiệu suất dự đoán.

11. 5. Huấn luyện (Training Process) Cung cấp dữ liệu Cung cấp tập train cho mô hình. Dự đoán Mô hình đưa ra dự đoán. Tính hàm mất mát Đánh giá mức độ sai lệch. Cập nhật tham số Sử dụng thuật toán tối ưu để cập nhật tham số. Lặp lại Lặp lại hàng ngàn lần đến khi hội tụ (converge), gọi là “Epochs”.

12. 6. Đánh giá mô hình (Evaluation) Accuracy Tỷ lệ dự đoán đúng của mô hình. Precision / Recall / F1-score Đánh giá chi tiết với bài toán phân loại mất cân bằng. Confusion Matrix Ma trận thể hiện dự đoán đúng/sai của mô hình. Tập kiểm thử (Test set) được dùng sau khi huấn luyện để đánh giá mô hình một cách khách quan và toàn diện.

13. Tóm tắt các thành phần chính của Machine Learning Đánh giá Đo lường hiệu suất Huấn luyện Tối ưu hóa mô hình Hàm mất mát Đánh giá sai lệch Thuật toán học Cách mô hình học Mô hình Khung trí tuệ Dữ liệu Nguyên liệu đầu vào

14. Ứng dụng thực tế của Machine Learning Machine Learning (ML) đang thay đổi cách chúng ta sống và làm việc, được áp dụng rộng rãi trong nhiều lĩnh vực từ công nghệ, y tế đến kinh doanh và giải trí. Đây là một công nghệ mạnh mẽ giúp máy tính học hỏi từ dữ liệu và đưa ra quyết định hoặc dự đoán mà không cần lập trình rõ ràng.

15. Trí tuệ nhân tạo và Trợ lý ảo Trợ lý ảo Google Assistant, Siri, Alexa sử dụng ML để nhận dạng giọng nói, hiểu ngôn ngữ tự nhiên, trả lời câu hỏi và đặt lịch hẹn. Chatbot hỗ trợ Chatbot trả lời tự động 24/7, học từ lịch sử hội thoại để cung cấp hỗ trợ khách hàng hiệu quả. Dịch ngôn ngữ Các công cụ như Google Dịch và DeepL dùng ML để cải thiện độ chính xác của từng câu dịch, giúp giao tiếp đa ngôn ngữ dễ dàng hơn.

16. An ninh mạng và An toàn thông tin Phát hiện tấn công mạng (IDS) ML học từ log hệ thống để phát hiện các cuộc tấn công bất thường, bảo vệ hệ thống khỏi các mối đe dọa. Phát hiện mã độc (Malware) Hệ thống ML học từ dữ liệu mẫu virus để nhận diện và ngăn chặn các phần mềm độc hại mới. Phân tích hành vi người dùng (UBA) ML giúp phát hiện các truy cập trái phép hoặc hành vi bất thường của người dùng, tăng cường an ninh.

17. Y tế và Chẩn đoán Chẩn đoán qua ảnh y tế ML phân tích ảnh X-quang, MRI để phát hiện sớm ung thư và các tổn thương, hỗ trợ bác sĩ đưa ra chẩn đoán chính xác. Dự đoán nguy cơ bệnh ML học từ hồ sơ bệnh án để dự đoán khả năng mắc bệnh tim và các bệnh khác, giúp phòng ngừa và điều trị kịp thời. Robot phẫu thuật thông minh Các mô hình học sâu (Deep Learning) tối ưu đường mổ và hỗ trợ bác sĩ trong các ca phẫu thuật phức tạp, nâng cao hiệu quả và an toàn.

18. Tài chính và Ngân hàng Phát hiện gian lận ML học từ lịch sử chi tiêu để phát hiện các giao dịch đáng ngờ, bảo vệ tài khoản khách hàng khỏi gian lận. Chấm điểm tín dụng ML đánh giá rủi ro của khách hàng vay tiền, giúp ngân hàng đưa ra quyết định cho vay chính xác và công bằng. Dự báo giá cổ phiếu ML phân tích chuỗi thời gian để dự đoán xu hướng thị trường chứng khoán, hỗ trợ nhà đầu tư đưa ra quyết định sáng suốt.

19. Thương mại điện tử và Quảng cáo Gợi ý sản phẩm Các nền tảng như Amazon, Shopee, Tiki sử dụng ML để dự đoán sản phẩm bạn sẽ thích, cá nhân hóa trải nghiệm mua sắm. Phân loại sản phẩm Ảnh sản phẩm được gán nhãn tự động (quần áo, giày dép, phụ kiện...) nhờ ML, giúp quản lý kho hàng hiệu quả. Tối ưu quảng cáo ML giúp chọn thời điểm, nội dung và đối tượng hiệu quả nhất cho các chiến dịch quảng cáo, tăng cường tỷ lệ chuyển đổi.

20. Game và Trí tuệ nhân tạo trong giải trí 1 Bot chơi game thông minh ML giúp bot học cách đánh bại người chơi trong các trò chơi phức tạp như Dota và StarCraft, mang lại trải nghiệm cạnh tranh hơn. 2 Gợi ý nội dung Netflix và Spotify sử dụng ML để học từ sở thích người dùng, cá nhân hóa gợi ý phim, nhạc và game, tăng cường sự hài lòng. 3 Tạo nhân vật AI (NPC) thông minh NPC có hành vi thực tế hơn nhờ ML học từ dữ liệu hành vi của game thủ thật, làm cho thế giới game sống động hơn.

21. Giáo dục và Học tập cá nhân hóa Phân tích hành vi học sinh ML phân tích cách học sinh tương tác với nội dung để gợi ý tài liệu và phương pháp học tập phù hợp nhất. Chấm điểm tự động ML có thể chấm điểm tự động các bài luận và bài thi, giúp giáo viên tiết kiệm thời gian và cung cấp phản hồi nhanh chóng. Chatbot hỗ trợ học tập Ứng dụng chatbot sử dụng ML để hỗ trợ học sinh học tiếng Anh, toán, lập trình và nhiều môn học khác, cung cấp sự trợ giúp 24/7.

22. Kết luận Machine Learning (Học máy) là một lĩnh vực then chốt trong ngành trí tuệ nhân tạo, cho phép máy tính tự động học hỏi và cải thiện hiệu suất dựa trên dữ liệu thay vì phải được lập trình tường minh từng bước. Qua quá trình phát triển hơn 70 năm, Machine Learning đã vượt qua nhiều thử thách về dữ liệu, thuật toán và công nghệ phần cứng để trở thành nền tảng cho nhiều ứng dụng thực tiễn trong cuộc sống hiện đại. Điều quan trọng là Machine Learning không chỉ dừng lại ở việc tự động hóa các tác vụ đơn giản, mà còn mở ra hướng phát triển các hệ thống thông minh có thể thích nghi và phản ứng với môi trường thay đổi. Tuy nhiên, nó cũng đặt ra những thách thức về đạo đức, quyền riêng tư và sự minh bạch trong cách thức hoạt động của các mô hình. Với sự phát triển không ngừng của công nghệ tính toán và sự bùng nổ dữ liệu lớn, Machine Learning sẽ tiếp tục giữ vai trò trung tâm trong cách mạng công nghiệp 4.0, góp phần thay đổi phương thức làm việc, học tập và sinh hoạt của con người trên toàn thế giới.