1 MỘT SỐ VÍ DỤ VỀ MÁY HỌC NHẬP MÔN TRÍ TUỆ NHÂN TẠO 2 1. GIỚI THIỆU Một số phương pháp máy học để tiếp thu tri thức hay tạo ra tri thức  Học vẹt  Học cách đề xuất  Học bằng cách thu thập các trường hợp  Học bằng cách xây dựng cây định danh  Học không giám giám sát và bài tóm gom nhóm dữ liệu  Học giám sát và bài toán phân lớp dữ liệu 3 1. GIỚI THIỆU (tt) Học vẹt  Hệ tiếp nhận các khẳng định của các quyết định đúng. Khi hệ tạo ra một quyết định không đúng, hệ sẽ đưa ra các luật hay quan hệ đúng mà hệ đã sử dụng. Hình thức học vẹt nhằm cho phép chuyên gia cung cấp tri thức theo kiểu tương tác. Học bằng cách chỉ dẫn  Thay vì đưa ra một luật cụ thể cần áp dụng vào tình huống cho trước, hệ thống sẽ được cung cấp bằng các chỉ dẫn tổng quát.  Ví dụ: "gas hầu như bị thoát ra từ van thay vì thoát ra từ ống dẫn". Hệ thống phải tự mình đề ra cách biến đổi từ trừu tượng đến các luật khả dụng. 4 1. GIỚI THIỆU (tt) Học bằng qui nạp  Hệ thống được cung cấp một tập các ví dụ và kết luận được rút ra từ từng ví dụ. Hệ liên tục lọc các luật và quan hệ nhằm xử lý từng ví dụ mới. Học bằng tương tự  Hệ thống được cung cấp đáp ứng đúng cho các tác vụ tương tự nhưng không giống nhau. Hệ thống cần làm thích ứng đáp ứng trước đó nhằm tạo ra một luật mới có khả năng áp dụng cho tình huống mới. 5 1. GIỚI THIỆU (tt) Học dựa trên giải thích  Hệ thống phân tích tập các lời giải ví dụ ( và kết quả) nhằm ấn định khả năng đúng hoặc sai và tạo ra các giải thích dùng để hướng dẫn cách giải bài toán trong tương lai. Học dựa trên tình huống  Bấy kỳ tính huống nào được hệ thống lập luận đều được lưu trữ cùng với kết quả cho dù đúng hay sai. Khi gằp tình hướng mới, hệ thống sẽ làm thích nghi hành vi đã lưu trữ với tình huống mới. Khám phá hay học không giám sát  Thay vì có mục tiêu tường minh, hệ khám phá liên tục tìm kiếm các mẫu và quan hệ trong dữ liệu nhập. Các ví dụ về học không giám sát bao gồm gom cụm dữ liệu, học để nhận dạng các đặc tính cơ bản như cạnh từ các điểm ảnh. 6 2. Một số ví dụ: Học qua logic: Bongard (1970) là người đầu tiên ứng dụng các toán tử logic để học và nhận dạng các đối tượng hình ảnh. Ý tưởng: Tìm quan hệ đơn giản nhất trong số các quan hệ có thể sử dụng để học và nhận dạng các hình ảnh. 7 2. Một số ví dụ (tt) Lôùp A Lôùp B Chúng ta có thể quan sát thấy các hình vẽ thuộc lớp A có 3 vòng trắng luôn luôn nằm trên một đường thẳng. 8 2. Một số ví dụ (tt) Vấn đề đặt ra: - Tìm quan hệ đơn giản nhất có thể phân biệt được các hình ảnh. Bongard đã dùng bảng logic “mô tả – quan hệ” để dẫn xuất ra các mệnh đề logic: φ có thể dùng để phân biệt 2 lớp E và E’ nếu φ(E) và φ(E’) đối ngẫu nhau. ) 21 (φ n ϕϕϕ ∧∧∧∨= 9 2. Một số ví dụ (tt) P 1 P 2 P 3 P 4 P 5 1 2 3 4 5 6 7 8 9 10 10 2. Một số ví dụ (tt) Các đối tượng trong mẫu: 54321 54321 54321 54321 54321 54321 54321 54321 54321 54321 54321 0001110 010009 010018 000117 010116 010105 100104 100103 010012 011111 PPPPP PPPPP PPPPP PPPPP PPPPP PPPPP PPPPP PPPPP PPPPP PPPPP PPPPP ⇒ [...]...2 Một số ví dụ (tt) Sau khi tính tổng và rút gọn lại được: P1 P2 + P1 (P2 P3 + P2 P3 )  P1 P2 Không có thì phải có hình (3,4,5)  (1) x ∈ ϕ( A )  P1 P2 P3 Có thì phải có hình và hình  (1)  P1 P2 P3Có thì không có hình và hình 11 3 HỌC BẰNG CÁCH XÂY DỰNG CÂY ĐỊNH DANH Bảng dữ liệu Thử Cây đònh danh Xây dựng Luật Cây định danh: Là một dạng của cây quyết định, trong... Cây đònh danh Xây dựng Luật Cây định danh: Là một dạng của cây quyết định, trong đó mỗi tập các kết luận có thể xảy ra được thiết lập một cách ngầm định bởi một danh sách các mẫu mà chúng được phân vào một lớp đã biết 12 3 HỌC BẰNG CÁCH XÂY DỰNG CÂY ĐỊNH DANH (tt) Ví dụ có bảng dữ liệu quan sát Tên Tóc Ch.Cao Cân Nặng Dùng kem? Kết quả Sarah Vàng T.Bình Nhẹ Khơng Cháy Dana Vàng Cao T.Bình Có Khơng Alex... (2)   Vector đơn vị là vector có duy nhất một thành phần có giá trị 1 và những thành phần khác có giá trị 0 Thuộc tính được chọn để phân hoạch là thuộc tính có nhiều vector đơn vị nhất 19 3.2.1 Thuật tốn Quinlan Cháy nắng = Tổng số quan sát cháy nắng có tóc vàng Tổng số quan sát có tóc vàng Khơng cháy nắng = Tổng số quan sát khôn g cháy nắng có tóc vàng Tổng số quan sát có tóc vàng 20 3.2.1 Thuật tốn... lựa chọn thuộc tính nào có độ đo hỗn loạn là thấp nhất Cơng thức tính như sau : trong đó : • bt là tổng số phần tử có trong phân hoạch • bj là tổng số phần tử có thuộc tính dẫn xuất A có giá trị j • bri : tổng số phần tử có thuộc tính dẫn xuất A có giá trị j và thuộc tính mục tiêu có giá trị i 26 Ví dụ: STT Kích cỡ Màu sắc Hình dáng Quyết định 1 Trung bình Đỏ Cầu Mua 2 Lớn Vàng Hộp Mua 3 Trung bình Xanh... Quinlan(tt) VTóc (vàng) = (T(vàng,cháy nắng),T(vàng, khơng cháy nắng)) Số người tóc vàng là : 4 Số người tóc vàng và cháy nắng là : 2 Số người tóc vàng và khơng cháy nắng là : 2 Do đó VTóc(vàng) = (2/4 , 2/4) = (0.5, 0.5) Tương tự VTóc(nâu) = (0/3, 3/3) = (0,1) (vector đơn vị) VTóc(đỏ) = (1/1, 0/1) = (1,0) (vector đơn vị) Tổng số vector đơn vị của thuộc tính tóc là 2 21 3.2.1 Thuật tốn Quinlan (tt)... Trung bình Xanh Trụ Khơng mua 4 Nhỏ Xanh Cầu Mua 5 Trung bình Xanh Nón Khơng mua 6 Nhỏ Xanh Nón Khơng mua 7 Trung bình Đỏ Trụ Mua 27 Ví dụ (tt) Kích cỡ Màu sắc Lớn Nhỏ √1 3 5 √7 Xanh Đỏ Cầu Vàng Trung bình √4 6 Hình dáng √2 √1 √7 √2 3 √4 5 6 √1 √4 Hộp √2 Trụ 3 √7 Nón 5 6 28 Ví dụ (tt) Độ hỗn loạn TB kích cỡ: 2 1 1 1 =  − × log 2 − × log 2 7 2 2 2 1 4 2 2 2 +  − × log 2 − × log 2  2 7 4 4 4 2 1... × log 2 − × log 2 7 4 4 4 3  ≈ 0.46 4 Độ hỗn loạn TB hình dáng: 2 1 1 1 = 0 + 0 +  − × log 2 − × log 2 7 2 2 2 1 2 +0 = 2 7 29 Ví dụ (tt) Chọn thuộc tính hình dáng vì có độ hỗn loạn trung bình nhỏ nhất: Hình dáng Nón Cầu Hộp Mua Mua Trụ ? Khơng mua 30 Ví dụ (tt) Sau khi test lần 1 xong, ta đã loại ra 5 mẫu ổn định => có 1 bảng nhỏ hơn: STT Kích cỡ Màu sắc Quyết định 3 Trung bình Xanh Khơng... và thuộc tính mục tiêu •Cách tính vectơ đặc trưng: Với mỗi thuộc tính dẫn xuất A còn có thể sử dụng để phân hoạch, tính : VA(j) = ( T(j , r1), T(j , r2) , …, T(j , rn) ) *T(j, ri) = (tổng số phần tử trong phân hoạch có giá trị thuộc tính dẫn xuất A là j và có giá trị thuộc tính mục tiêu là ri ) / ( tổng số phần tử trong phân hoạch có giá trị thuộc tính dẫn xuất A là j ) 18 * r , r , … , r là các giá... hơn: STT Kích cỡ Màu sắc Quyết định 3 Trung bình Xanh Khơng mua 7 Trung bình Đỏ Mua Kích cỡ Trung bình 3 √7 Màu Xanh sắc Đỏ 3 √7 Độ hỗn loạn trung bình kích cỡ:=1 Độ hỗn loạn trung bình màu sắc:=0 31 Ví dụ (tt) Chọn thuộc tính màu sắc vì có độ hỗn loạn TB nhỏ nhất:Màu sắc Xanh Đỏ Khơng mua Mua Cây quyết định: Hình dáng Cầu Mua Nón Hộp Trụ Mua Màu sắc Đỏ Mua Khơng mua Xanh Khơng mua 32 ... Khơng Alex Nâu Thấp T.Bình Có Khơng Annie Vàng Thấp T.Bình Khơng Cháy Emilie Đỏ T.Bình Nặng Khơng Cháy Peter Nâu Cao Nặng Khơng Khơng John Nâu T.Bình Nặng Khơng Khơng Kartie Vàng Thấp Nhẹ Có Khơng 13 3 HỌC BẰNG CÁCH XÂY DỰNG CÂY ĐỊNH DANH (tt) •Thuộc tính mục tiêu: là thuộc tính quan tâm (tính chất cháy nắng hay khơng cháy nắng) R = {"cháy nắng", "bình thường"} •Thuộc tính dẫn xuất: Chúng ta quan sát . 1 MỘT SỐ VÍ DỤ VỀ MÁY HỌC NHẬP MÔN TRÍ TUỆ NHÂN TẠO 2 1. GIỚI THIỆU Một số phương pháp máy học để tiếp thu tri thức hay tạo ra tri thức  Học vẹt  Học cách đề xuất  Học bằng cách. khả dụng. 4 1. GIỚI THIỆU (tt) Học bằng qui nạp  Hệ thống được cung cấp một tập các ví dụ và kết luận được rút ra từ từng ví dụ. Hệ liên tục lọc các luật và quan hệ nhằm xử lý từng ví dụ. ảnh. 6 2. Một số ví dụ: Học qua logic: Bongard (1970) là người đầu tiên ứng dụng các toán tử logic để học và nhận dạng các đối tượng hình ảnh. Ý tưởng: Tìm quan hệ đơn giản nhất trong số các