Bài giảng Trí tuệ nhân tạo: Chương 5 - Lý Anh Tuấn

Học Máy<br /> – Cây quyết định<br /> – Mạng neural<br /> <br /> 1<br /> <br /> Học Máy<br /> • Học (learning) là bất cứ sự thay đổi nào trong một<br /> hệ thống cho phép nó thi hành tốt hơn ở lần thứ hai<br /> khi lặp lại cùng một nhiệm vụ hoặc với nhiệm vụ<br /> khác từ tập các nhiệm vụ.<br /> • Học liên quan đến vấn đề khái quát hóa từ kinh<br /> nghiệm (dữ liệu huấn luyện) => bài toán quy nạp<br /> • Nhiệm vụ học<br /> – Xác định người học cần học cái gì ?<br /> – Người học cần được cung cấp những gì ?<br /> – Đánh giá thành tích học<br /> 2<br /> <br /> Một số khái niệm<br /> • Tập ví dụ huấn luyện (training set, training example): Là các<br /> ví dụ đã biết trước kết quả phân lớp cũng như các giá trị của<br /> các thuộc tính, dùng để xây dựng nên cây quyết định.<br /> • Mẫu (instance): Là một trường hợp cụ thể cần phân lớp. Một<br /> mẫu là một ví dụ cụ thể, biết một số hay toàn bộ các giá trị<br /> của các thuộc tính song không biết giá trị của thuộc tính phân<br /> lớp.<br /> • Thuộc tính đích (target distribute): Là thuộc tính chỉ ra một ví<br /> dụ thuộc một lớp nào đó, còn có tên gọi khác là thuộc tính<br /> phân lớp.<br /> • Hàm học (target function/ learning function): VD cây quyết<br /> định cần xây dựng, có chức năng phân lớp các mẫu.<br /> 3<br /> <br /> Một số khái niệm<br /> • Ví dụ: Phân loại ba loại quả Mơ, Mận, Đào:<br /> – Xác định hàm f: từ tập M là tập gồm 3 loại quả Mơ,<br /> Mận, Đào => Tên quả = {Mơ, Mận, Đào}.<br /> Hàm f gọi là hàm mục tiêu hay còn gọi là hàm học<br /> a  M: f(a) = Mơ hoặc Mận hoặc Đào<br /> – Tập các ví dụ huấn luyện: D={(a, b)| a  M, b là tên<br /> quả}<br /> – Đánh giá thành tích: Cho xác định tên quả, xác định tỉ<br /> lệ đúng<br /> <br /> 4<br /> <br /> Cây quyết định<br /> <br /> 5<br /> <br />