Machine learning (machine learning) là Machine learning (học máy) là một phân ngành của trí tuệ nhân tạo tập trung vào việc phát triển các thuật toán cho phép hệ thống máy tính tự động học hỏi, cải thiện hiệu suất thực hiện nhiệm vụ từ dữ liệu mà không cần phải lập trình tường minh từng quy tắc.
Machine learning là một lĩnh vực trong trí tuệ nhân tạo (AI) mà nghiên cứu và phát triển các thuật toán và mô hình để cho máy tính tự động học hỏi và cải thiện từ dữ liệu mà không cần được lập trình một cách cụ thể. Mục tiêu của machine learning là dự đoán, phân loại hoặc xử lý các tác vụ một cách tự động mà không cần phải được lập trình trực tiếp. Machine learning sử dụng các phương pháp và kỹ thuật thống kê, toán học và lập trình để xác định các mô hình và thuật toán mà máy tính có thể học từ dữ liệu và sử dụng kiến thức đã học để làm việc với các dữ liệu mới. Machine learning dựa trên việc máy tính học từ dữ liệu thông qua các thuật toán và mô hình. Quá trình học của máy tính trong machine learning thường diễn ra thông qua các bước sau:
1. Tiền xử lý dữ liệu: Dữ liệu đầu vào thường cần được tiền xử lý để làm sạch, chuẩn hóa và trích xuất đặc trưng.
2. Lựa chọn mô hình: Machine learning sử dụng nhiều loại mô hình như học có giám sát (supervised learning), học không giám sát (unsupervised learning), học bán giám sát (semi-supervised learning), và học sâu (deep learning). Lựa chọn mô hình phù hợp là quan trọng để đạt được kết quả tốt.
3. Huấn luyện (training) mô hình: Quá trình huấn luyện sử dụng tập dữ liệu đầu vào đã được gắn nhãn (dữ liệu đầu vào đã được gán nhãn với kết quả mong muốn) để máy tính học từ dữ liệu đó. Trong quá trình này, mô hình cập nhật các tham số của nó để tối ưu hóa hiệu suất dự đoán.
4. Đánh giá mô hình: Sau khi huấn luyện, mô hình được đánh giá bằng cách sử dụng tập dữ liệu thử nghiệm (test data) hoặc sử dụng các phương pháp đánh giá khác. Đánh giá mô hình giúp xác định độ chính xác và hiệu suất của mô hình.
5. Điều chỉnh và tinh chỉnh mô hình: Nếu mô hình không đạt hiệu suất mong muốn, ta có thể điều chỉnh tham số của mô hình, chọn các thuật toán khác hoặc thay đổi phương pháp tiền xử lý dữ liệu để tăng cường hiệu suất.
6. Dự đoán và ứng dụng: Sau khi mô hình đã được đào tạo và đánh giá, nó có thể được sử dụng để dự đoán các điểm dữ liệu mới và áp dụng vào các tác vụ thực tế.
Machine learning được áp dụng rộng rãi trong nhiều lĩnh vực như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, nhận biết giọng nói, khuyến nghị sản phẩm, phân loại email spam, tự động lái xe và nhiều ứng dụng khác.