Bài giảng Trí tuệ nhân tạo: Chương 9 - Học máy có nội dung trình bày khái niệm học máy, cây quyết định, quy nạp cây quyết định từ các ví dụ, làm sao để học được cây quyết định, xây dựng cây quyết định, các khả năng có thể của nút con, đánh giá hiệu suất, sử dụng lý thuyết thông tin, khi nào nên sử dụng cây quyết định và các nội dung khác. | Chương 9 Học Máy Giáo viên: Trần Ngân Bình Chương 9. p. Học Máy (Machine Learning) Học (learning) là bất cứ sự thay đổi nào trong một hệ thống cho phép nó tiến hành tốt hơn trong lần thứ hai khi lặp lại cùng một nhiệm vụ hoặc với nhiệm vụ khác từ cùng một quần thể đó. (Herbert Simon) Học liên quan đến vấn đề khái quát hóa từ kinh nghiệm (dữ liệu rèn luyện) => bài toán quy nạp (induction) Vì dữ liệu rèn luyện thường hạn chế, nên thường khái quát hóa theo một số khía cạnh nào đó (heuristic) => tính thiên lệch quy nạp (inductive bias) Có ba tiếp cận học: Các phương pháp học dựa trên ký hiệu (symbol-based): ID3 Tiếp cận kết nối: Các mạng neuron sinh học Tiếp cận di truyền hay tiến hóa: giải thuật genetic Chương 9. p. Cây quyết định (ID3) Là một giải thuật học đơn giản nhưng thành công Cây quyết định (QĐ) là một cách biểu diễn cho phép chúng ta xác định phân loại của một đối tượng bằng cách kiểm tra giá trị của một số thuộc tính. Giải thuật có: Đầu vào: Một đối tượng hay một tập . | Chương 9 Học Máy Giáo viên: Trần Ngân Bình Chương 9. p. Học Máy (Machine Learning) Học (learning) là bất cứ sự thay đổi nào trong một hệ thống cho phép nó tiến hành tốt hơn trong lần thứ hai khi lặp lại cùng một nhiệm vụ hoặc với nhiệm vụ khác từ cùng một quần thể đó. (Herbert Simon) Học liên quan đến vấn đề khái quát hóa từ kinh nghiệm (dữ liệu rèn luyện) => bài toán quy nạp (induction) Vì dữ liệu rèn luyện thường hạn chế, nên thường khái quát hóa theo một số khía cạnh nào đó (heuristic) => tính thiên lệch quy nạp (inductive bias) Có ba tiếp cận học: Các phương pháp học dựa trên ký hiệu (symbol-based): ID3 Tiếp cận kết nối: Các mạng neuron sinh học Tiếp cận di truyền hay tiến hóa: giải thuật genetic Chương 9. p. Cây quyết định (ID3) Là một giải thuật học đơn giản nhưng thành công Cây quyết định (QĐ) là một cách biểu diễn cho phép chúng ta xác định phân loại của một đối tượng bằng cách kiểm tra giá trị của một số thuộc tính. Giải thuật có: Đầu vào: Một đối tượng hay một tập hợp các thuộc tính mô tả một tình huống Đầu ra: thường là quyết định yes/no, hoặc các phân loại. Trong cây quyết định: Mỗi nút trong biểu diễn một sự kiểm tra trên một thuộc tính nào đó, mỗi giá trị có thể của nó tương đương với một nhánh của cây Các nút lá thể hiện sự phân loại. Kích cỡ của cây QĐ tùy thuộc vào thứ tự của các kiểm tra trên các thuộc tính. Chương 9. p. Ví dụ Cây QĐ: Chơi Tennis Mục đích: học để xem có chơi Tennis không? Cây quyết định: Yes Quang cảnh nắng Âm u mưa Độ ẩm Yes Gió cao Trung bình mạnh nhẹ No Yes No Chương 9. p. Quy nạp cây QĐ từ các ví dụ Ví dụ (hay dữ liệu rèn luyện cho hệ thống) gồm: Giá trị của các thuộc tính + Phân loại của ví dụ Ngày Quang cảnh Nhiệt độ Độ ẩm Gió Chơi Tennis D1 Nắng Nóng Cao nhẹ Không D2 Nắng Nóng Cao Mạnh Không D3 Âm u Nóng Cao Nhẹ Có D4 Mưa ấm áp Cao nhẹ Có D5 Mưa Mát TB nhẹ Có D6 Mưa Mát TB Mạnh Không D7 Âm u Mát TB Mạnh Có D8 Nắng ấm áp Cao nhẹ Không D9 Nắng Mát TB nhẹ Có D10 Mưa ấm áp TB nhẹ Có D11 Nắng ấm áp TB Mạnh Có .
