Tổng quan cơ sở ngành khoa học máy tính - Viện CNTT&TT (Phần 3)
Chào các bạn, sau khoảng 2 tuần mình trầm cảm, rồi ốm, rồi lại trầm cảm thì nay mình lại tiếp tục lên đây xàm xí với các bạn chút. Ở bài viết này, mình sẽ nói về khối cơ bản về trí tuệ nhân tạo, là một xu hướng lớn hiện nay. Sắp tới mình sẽ có một số bài viết thêm, chi tiết về mảng này, hy vọng tạo động lực, hướng đi cho các bạn mới học( trong đó có mình :v ). Vì cũng chỉ là một newbie, mình sẽ cố hết sức viết đúng kiến thức trong tầm hiểu biết :D, mong nhận được ý kiến góp ý của mọi người.
Sau đây là hình minh họa cho 3 môn học tương ứng với mức độ bao quát trí tuệ nhân tạo(artificial intelligence ) > học máy(machine learning) > học sâu (deep learning)
1. Trí tuệ nhân tạo
Ở mức độ khái quát nhất, môn học cung cấp kiến thức nền tảng, thế nào là một trí tuệ nhân tạo, cần những yêu cầu như nào thì được gọi là một trí tuệ nhân tạo. Theo mình khái quát được, một trí tuệ nhân tạo sẽ cần đảm bảo được Hành động một cách hợp lý, tức là bên ngoài tác động vào chương trình trí tuệ nhân tạo (gửi request chẳng hạn, tác động làm thay đổi trạng thái bất kì ) thì nó phải tác động lại(gửi lại thông tin, hoặc hành động gì đó ), và quan trọng tác động đó phải hợp lí(đúng mục tiêu, đúng lợi ích...)
Trong một phần môn học bạn sẽ được học về các chiến luwcocj tìm kiếm. tại một thời điểm , ứng với một môi trường bên ngoài bất kì, trí tuệ nhân tạo (AI) có thể có nhiều lựa chọn hành động, và sau khi lựa chon theo một/rất nhiều hành động đó, môi trường ngoài lại có thể thay đổi, rồi lại hành động, rồi thay đổi,... tạo nên một đồ thị (từ trạng thái này sang trạng thái kia ). vì vậy, ta cần hcoj cách tìm kiếm để sao cho có thể đạt được mục tiêu (ít nhất là đạt được mục tiêu, rộng hơn thì có thể là thỏa mãn ràng buộc, chi phí tối ưu,...)
Ví dụ về bài toán hút bụi trong slide của thầy Khoát:
Phần còn lại các bạn sẽ được học về Logic, suy diễn , biểu diễn tri thức và cuối cùng là giới thiệu qua một số phần nhỏ của học máy (Bayes, KNN )
2. Học máy
Thay vì đi đưa ra quyết định hành động thì ở đây mình thấy thông thường là có tập data rồi tiến hành dự đoán.
Điều thực sự mà máy cần làm là từ tập x là tập data đã có, y là dự đoán cho từng data/ data đã có, tìm một cách nào đó tổng quan quy luật thành hàm f (model ) để khi cho vào một data mới ta có thể output được dự đoán từ data đó sao cho chính xác nhất .
Trong môn học bạn sẽ đi lần lượt về các khái niệm cơ bản, các vấn đề của học máy , các thành phần của học máy, về tiền xử lý dữ liệu, đánh giá hiệu năng hệ thống. Sau đó sẽ được đi sâu dần vào các thuật toán:
Hồi quy (hồi quy tuyến tính,.. )
Phân lớp (KNN - cái mà đã từng được học phần cuối môn AI , Naive-Bayes, cây quyết định )
Ví dụ về KNN:
Học về ANN (nền tảng cho học sâu )
Phân cụm (Kmean )
Trong môn này mình nghĩ cái bạn lãi nhất đó là những tiết học bảo vệ bài tập lớn vì khi đó các thầy sẽ chỉ ra vấn đề tồn đọng trong mô hình mà các bạn sử dụng, cách thức xử lí với data…
3. Học sâu
Như đã nói ở trên thì ANN là cơ sở cho các mô hình trong Deep learning, trong môn này các bạn sẽ được học cơ bản về các mô hình, tuy không phải là cập nhật mới nhất và chi tiết nhưng sẽ cho bạn nền tảng phát triển theo định hướng học sâu.
Đây là môn học không bắt buộc, không có trong các môn cơ sở cốt lõi ngành, thuộc module phân tích ứng dụng thông minh.