Bài 2: Các loại học trong Machine Learning - Supervised, Unsupervised và Reinforcement Learning

[atblue]

Sau khi đã hiểu rõ Machine Learning là gì và vai trò của nó trong AI, điều quan trọng tiếp theo là nắm được các hình thức học chính trong ML. Mỗi loại học sẽ phù hợp với một kiểu bài toán và loại dữ liệu khác nhau. Việc chọn đúng hình thức học là bước khởi đầu then chốt để xây dựng một mô hình hiệu quả.

1. Học có giám sát (Supervised Learning)​

Supervised Learning là hình thức học phổ biến và dễ tiếp cận nhất đối với người mới bắt đầu. Ở đây, dữ liệu huấn luyện đi kèm với “nhãn” – tức là đầu ra đúng cho mỗi đầu vào.


Ví dụ: Nếu bạn muốn dạy máy nhận diện ảnh con chó, bạn cần cung cấp hàng ngàn ảnh đã được gắn nhãn “chó” hoặc “không phải chó”. Máy học dựa vào mối quan hệ giữa ảnh (đầu vào) và nhãn (đầu ra) để dự đoán ảnh mới.


Supervised Learning được chia thành 2 nhóm chính:

• Bài toán phân loại (Classification): Dự đoán thuộc về một trong nhiều nhóm (ví dụ: phân loại email thành spam hoặc không).
• Bài toán hồi quy (Regression): Dự đoán giá trị liên tục (ví dụ: dự đoán giá nhà theo diện tích).

Thuật toán thường dùng: Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbors, Neural Networks.

2. Học không giám sát (Unsupervised Learning)​

Trong hình thức này, dữ liệu huấn luyện không có nhãn. Mục tiêu của máy là tự khám phá cấu trúc tiềm ẩn, nhóm hoặc mẫu từ dữ liệu.


Ví dụ: Một công ty bán lẻ muốn hiểu thói quen mua hàng của khách hàng. Họ không biết rõ ai là người mua sắm thường xuyên, ai mua một lần rồi nghỉ. Unsupervised Learning có thể giúp phân nhóm khách hàng dựa trên hành vi tiêu dùng mà không cần có nhãn cụ thể từ trước.


Unsupervised Learning thường dùng trong:

• Phân cụm khách hàng (Customer segmentation)
• Phát hiện bất thường (Anomaly detection)
• Giảm chiều dữ liệu (Dimensionality reduction)

Thuật toán thường dùng: K-Means, Hierarchical Clustering, DBSCAN, Principal Component Analysis (PCA), Autoencoders.

3. Học tăng cường (Reinforcement Learning – RL)​

Reinforcement Learning mô phỏng cách con người học qua thử - sai. Trong mô hình này, một “tác nhân” (agent) tương tác với môi trường và nhận phản hồi dưới dạng phần thưởng (reward) hoặc phạt (penalty). Mục tiêu của tác nhân là tối đa hóa tổng phần thưởng theo thời gian.


Ví dụ: Trong game cờ vua, mỗi nước đi là một hành động. Nếu hành động đó dẫn đến chiến thắng, mô hình sẽ học rằng hành động đó tốt. RL thường được dùng trong robot, xe tự hành, tự động hóa, trò chơi (game AI) và quản lý tài nguyên (ví dụ như phân bổ băng thông mạng).


Khác với supervised và unsupervised learning, RL không dựa vào một tập dữ liệu tĩnh mà học thông qua kinh nghiệm thực tế, theo kiểu “thử nghiệm và điều chỉnh”.


Thuật toán thường dùng: Q-Learning, Deep Q-Network (DQN), Policy Gradient, Proximal Policy Optimization (PPO), Actor-Critic.

4. Khi nào dùng loại học nào?​

• Nếu bạn có dữ liệu gắn nhãn: Sử dụng Supervised Learning để dự đoán hoặc phân loại.
• Nếu bạn không có nhãn và muốn khám phá mẫu ẩn: Chọn Unsupervised Learning.
• Nếu bài toán mang tính tương tác, ra quyết định theo thời gian: Áp dụng Reinforcement Learning.

5. Tổng kết​

Việc hiểu rõ các loại hình học trong Machine Learning là nền tảng để xây dựng và lựa chọn mô hình phù hợp. Dù bài toán có là dự đoán nhu cầu khách hàng, phát hiện gian lận, hay phát triển xe tự lái, thì khả năng xác định hình thức học đúng sẽ giúp bạn tiết kiệm thời gian và đạt hiệu quả cao hơn.