Giáo án Khoa học máy tính 12 chân trời Bài F14: Học máy

HOẠT ĐỘNG CỦA GV VÀ HS

SẢN PHẨM DỰ KIẾN

Bước 1: GV chuyển giao nhiệm vụ:

- GV chia lớp thành các nhóm 3 – 4 HS, yêu cầu các nhóm thảo luận và trả lời các câu hỏi:

+ Lịch sử học máy bắt đầu như thế nào?

+ Em hãy trình bày ý tưởng do Alan Turing đưa ra về việc kiểm tra khả năng trí tuệ của máy tính. Ý tưởng này có ý nghĩa như thế nào đối với lĩnh vực Học máy?

+ Học máy là gì?

+ Học máy có vai trò như thế nào đối với máy tính?

+ Khả năng suy luận của mô hình học máy được cập nhật, bổ sung như thế nào?

+ Quá trình “học” của mô hình học máy để giải quyết bài toán cụ thể diễn ra như thế nào?

+ Dữ liệu đầu vào của mô hình học máy thường có dạng như thế nào?

+ Thế nào là dữ liệu có nhãn?

+ Có những phương pháp học máy nào? Em hãy trình bày về bộ dữ liệu, mục tiêu và ứng dụng của mỗi phương pháp.

+ Học máy có những ứng dụng gì?

- GV yêu cầu HS vận dụng kiến thức vừa tìm hiểu, thực hiệnhoạt động Làm tr.145 SGK:

Câu 1. Học máy đóng vai trò như thế nào trong các lĩnh vực y tế, giải trí, sản xuất kinh doanh? Hãy giới thiệu với các bạn một ứng dụng của học máy trong lĩnh vực giải trí mà em biết.

Câu 2. Hãy trình bày các bước cơ bản của quá trình học của mô hình học máy.

Bước 2: HS thực hiện nhiệm vụ học tập: 

- HS tìm hiểu nội dung mục 1 SGK tr.144 – 145 và trả lời các câu hỏi mà GV đưa ra.  

- GV quan sát, theo dõi và hỗ trợ HS khi cần thiết.

Bước 3: Báo cáo kết quả hoạt động, thảo luận: 

-  HS trả lời các câu hỏi và nhận xét lẫn nhau.

Hướng dẫn thực hiện hoạt động Làm tr.145 SGK:

Câu 1. 

+ Trong lĩnh vực y tế, các mô hình học máy có thể phân tích dữ liệu y tế từ các bệnh án, hình ảnh y khoa và các phương tiện chẩn đoán khác để hỗ trợ các chuyên gia y tế trong việc chẩn đoán bệnh.

+ Trong lĩnh vực giải trí, hệ thống gợi ý dựa trên học máy có thể dự đoán sở thích của người dùng và gợi ý nội dung phù hợp như phim, âm nhạc, sách.

+ Trong lĩnh vực sản xuất kinh doanh, mô hình học máy có thể phân tích thị trường để dự đoán nhu cầu của khách hàng và xu hướng thị trường, từ đó giúp doanh nghiệp quyết định về sản phẩm và dịch vụ phù hợp.

Câu 2. Các bước cơ bản của quá trình “học” của mô hình học máy:

Thu thập và chuẩn bị dữ liệu chứa các mẫu cần thiết cho bài toán cần giải quyết.

Sử dụng các thuật toán để trích xuất các đặc trưng từ dữ liệu ở Bước  để làm đầu vào cho mô hình học máy cụ thể.

Mô hình học máy sẽ học các tri thức từ các mẫu dữ liệu ở Bước  nhằm có thể dự báo, dự đoán, gom cụm,… Sau quá trình này, mô hình học máy đã tích luỹ tri thức để giải quyết bài toán đã cho.

Sử dụng phần dữ liệu kiểm tra để đánh giá hiệu suất của mô hình. Nếu hiệu suất của mô hình chưa đạt, thì cần điều chỉnh mô hình để đạt kết quả tốt hơn.

Triển khai mô hình học máy.

Bước 4: Đánh giá kết quả thực hiện: 

- GV nêu nhận xét, chính xác hoá lại các nội dung trả lời của HS.

- GV chốt kiến thức như nội dung ở hoạt động Ghi nhớ:

1. Sơ lược về học máy

- Lịch sử học máy: Bắt nguồn từ công trình Máy tính và thông minh¹ của Alan Turing, nhà khoa học đã đề xuất ý tưởng về việc máy tính có thể mô phỏng các nhiệm vụ trí tuệ của con người. Trong công trình này, Turing giới thiệu ý tưởng về việc kiểm tra khả năng trí tuệ của máy tính: nếu máy tính có thể trò chuyện một cách tự nhiên với con người mà không bị con người phát hiện là đang trò chuyện với máy tính thì máy tính đã thể hiện được trí thông minh như con người. Ý tưởng này về sau được gọi tên là phép thử Turing, đặt nền móng cho sự phát triển của Trí tuệ nhân tạo và Học máy.

- Khái niệm: Học máy là một lĩnh vực trong Trí tuệ nhân tạo nhằm nghiên cứu, phát triển các thuật toán và mô hình cho phép máy tính có khả năng học từ dữ liệu để giải quyết vấn đề. 

- Vai trò: Học máy giúp máy tính thực hiện được các nhiệm vụ như: 

• Dự đoán kết quả dựa trên dữ liệu hiện tại.

• Phân loại các đối tượng vào các lớp khác nhau.

• Phân tích xu hướng tiêu dùng, diễn biến thị trường,…

• Tư vấn hay gợi ý sản phẩm dựa trên thói quen tìm kiếm.

• Nhận dạng văn bản, hình ảnh, âm thanh,…

• Xử lí ngôn ngữ tự nhiên trong các chatbot, dịch thuật, phần mềm trợ lí ảo.

• Tự động hoá quy trình sản xuất.

• Hỗ trợ bác sĩ trong chẩn đoán dựa trên việc phân tích hồ sơ bệnh án.

…

Hình 1. Mối quan hệ giữa

Trí tuệ nhân tạo, Học máy và Học sâu

- Thông qua quá trình “học” từ dữ liệu mà tri thức, khả năng suy luận của mô hình học máy được cập nhật, bổ sung.

- Quá trình “học” của mô hình học máy để giải quyết bài toán cụ thể thường bao gồm các bước sau:

Thu thập và chuẩn bị dữ liệu chứa các mẫu cần thiết cho bài toán cần giải quyết. 

Ví dụ: Bài toán lọc thư rác: 

• Thu thập các email rác và email thường. 

• Dữ liệu thu thập cần đủ lớn và được chia làm hai phần. 

• Phần thứ nhất dành cho mô hình học máy học.

• Phần còn lại dùng để kiểm tra hiệu suất của mô hình.

Sử dụng các thuật toán để trích xuất các đặc trưng từ dữ liệu ở Bước  để làm đầu vào cho mô hình học máy cụ thể. 

Ví dụ: Trích xuất các đoạn văn bản, từ khoá, chủ đề,… chứa các đặc điểm của thư rác hay thư thường trong các email.

Mô hình học máy sẽ học các tri thức từ các mẫu dữ liệu ở Bước  nhằm có thể dự báo, dự đoán, gom cụm,… Sau quá trình này, mô hình học máy đã tích luỹ tri thức để giải quyết bài toán đã cho.

Sử dụng phần dữ liệu kiểm tra để đánh giá hiệu suất của mô hình. Nếu hiệu suất của mô hình chưa đạt, thì cần điều chỉnh mô hình để đạt kết quả tốt hơn.

Triển khai mô hình học máy.

- Trong mô hình học máy, dữ liệu đầu vào thường gồm hai loại chính: 

• Dữ liệu có nhãn.

• Dữ liệu không có nhãn. 

- Mỗi mẫu dữ liệu trong tập dữ liệu đầu vào được gán một nhãn hay nhận một giá trị đầu ra cụ thể được gọi là dữ liệu có nhãn. 

Ví dụ: Mỗi email được gán một nhãn là Rác hay Bình thường trong bài toán lọc thư rác là dữ liệu có nhãn. Ngược lại, mỗi mẫu dữ liệu không kèm theo nhãn hay giá trị đầu ra được gọi là dữ liệu không có nhãn. 

- Tương ứng với hai loại dữ liệu là hai phương pháp học máy cơ bản: 

• Học có giám sát.

• Học không giám sát.

- Học có giám sát:

• Là phương pháp học máy sử dụng dữ liệu có nhãn. Trong đó, các mẫu dữ liệu được gán nhãn hoặc đầu ra xác định. 

• Mục tiêu là xây dựng một mô hình có khả năng dự đoán hay phân loại đối tượng dữ liệu mới dựa trên tri thức đã được học từ các mẫu dữ liệu đã được gán nhãn. 

• Thường được ứng dụng trong lọc thư rác, nhận dạng đối tượng trong hình ảnh hay video, nhận dạng tiếng nói, chẩn đoán bệnh trong y tế,…

Ví dụ: Hình 2 minh hoạ mô hình học có giám sát với dữ liệu học (Hình 2a) là các hình ảnh được gán nhãn, sau đó khi đưa hình ảnh mới (Hình 2b) thì mô hình sẽ phân loại được là con thỏ.

Hình 2a. Mô hình học hình ảnh các con vật được gán nhãn

Hình 2b. Phân loại hình ảnh 
con vật mới là con thỏ 

Hình 2. Minh hoạ mô hình học có giám sát

- Học không giám sát: 

• Là phương pháp học máy sử dụng dữ liệu không có nhãn.  

• Các mô hình trong phương pháp này phân tích mối quan hệ (tương tự hay khác biệt), tần suất cùng xuất hiện,… của dữ liệu đầu vào nhằm khám phá các thông tin ẩn chứa trong dữ liệu. 

• Các kĩ thuật học không giám sát bao gồm gom cụm, giảm chiều dữ liệu,… Trong đó, kĩ thuật gom cụm thường được ứng dụng để chia dữ liệu thành các nhóm dựa trên sự tương đồng của dữ liệu.

Ví dụ: Hình 3 minh hoạ mô hình học không giám sát nhằm gom cụm hình ảnh các con vật.

Hình 3. Minh hoa mô hình 

học không giám sát

- Sự đa dạng của các mô hình học máy, sự phổ biến của học sâu đã góp phần mang lại nhiều thành tựu to lớn trong lĩnh vực Trí tuệ nhân tạo. Một số ứng dụng của lĩnh vực học máy có thể kể đến như: 

• Trợ lí ảo Siri của Apple hay Google Assistant của Google trên thiết bị di động sử dụng các mô hình học máy để nhận dạng giọng nói và chuyển thành văn bản, hiểu ngôn ngữ tự nhiên và cung cấp phản hồi được cá nhân hoá cho người dùng.

• Hệ thống gợi ý sản phẩm của Amazon sử dụng các mô hình học máy để đề xuất sản phẩm hoặc dịch vụ cho người dùng dựa trên hành vi hoặc sở thích trong quá khứ của họ.

______________

¹ A. M. Turing, Computing Machinery and Intelligence, Mind, 1950.