Bài giảng Máy học ứng dụng - Chương 4: Học không giám sát

Trong bối cảnh dữ liệu ngày càng phong phú nhưng thường thiếu nhãn gắn kèm, học không giám sát (unsupervised learning) nổi lên như một lĩnh vực then chốt trong machine learning. Khác với học có giám sát, phương pháp này tập trung vào việc khám phá cấu trúc tiềm ẩn và các mối quan hệ nội tại trong dữ liệu đầu vào mà không cần đến thông tin về đầu ra. Tầm quan trọng của nó nằm ở khả năng trích xuất tri thức quý giá từ dữ liệu thô, giúp tự động hóa việc phân loại, tổ chức và hiểu sâu hơn về các tập dữ liệu phức tạp. Chương này sẽ giới thiệu các nguyên lý cơ bản và ứng dụng chính của học không giám sát, đặc biệt là các kỹ thuật phân nhóm (clustering) và giảm chiều dữ liệu.

Sinh viên, nhà nghiên cứu và kỹ sư trong lĩnh vực Khoa học Dữ liệu, Trí tuệ Nhân tạo và Machine Learning.

Học không giám sát (unsupervised learning) là một nhánh quan trọng của machine learning, được thiết kế để phân tích và tìm kiếm các mẫu, cấu trúc tiềm ẩn trong dữ liệu đầu vào mà không yêu cầu nhãn đầu ra được gán trước. Phương pháp này đặc biệt hữu ích khi dữ liệu có nhãn khan hiếm hoặc không tồn tại, cho phép hệ thống tự động học hỏi từ cấu trúc vốn có của dữ liệu. Các kỹ thuật chính trong học không giám sát bao gồm phân nhóm (clustering), giảm chiều dữ liệu (dimensionality reduction) và khám phá quy tắc kết hợp (association rule mining). Cụ thể, phân nhóm là quá trình tổ chức dữ liệu thành các nhóm (cụm) dựa trên mức độ tương tự giữa các điểm dữ liệu, đảm bảo rằng các phần tử trong cùng một nhóm có các tính chất tương tự nhau và khác biệt đáng kể so với các phần tử ở các nhóm khác. Các thuật toán phân nhóm phổ biến được thảo luận bao gồm K-Means, Dendrogram, SOM và EM, thường dựa trên việc tính toán các khoảng cách như Euclidean distance hoặc Manhattan distance giữa các điểm dữ liệu sau khi chuẩn hóa. Ngoài ra, học không giám sát còn áp dụng các phép biến đổi ma trận như PCA (Principal Component Analysis) và SVD để trích xuất đặc trưng và giảm số chiều dữ liệu, giúp đơn giản hóa mô hình và giảm nhiễu. Giá trị ứng dụng của học không giám sát rất lớn, từ phân đoạn khách hàng, phát hiện bất thường, phân tích hình ảnh đến xử lý ngôn ngữ tự nhiên, cung cấp các cái nhìn sâu sắc và hỗ trợ quyết định mà không cần sự can thiệp liên tục của con người.