Luận văn mô hình học sâu trong xử lý ngôn ngữ tự nhiên và bài toán khuyến nghị

Trong luận văn này tác giả xin giới thiệu mô hình NILM8 là một mô hình khuyến nghị tin tức và thử nghiệm mô hình trên tập dữ liệu được thu thập từ một trang tin tức trực tuyến thực tế,

TRƯỜNG DẠI HỌC BÁCH KHOA HÀ NỘI

LUẬN VĂN THẠC SĨ

MMồ hình học sâu trong xứ lý ngôn ngữ

tự nhiên và bài toán khuyến nghị

ĐOÀN NGỌC HOÀNG

doanngochoanghy gmail.com

Ngành: Toán Tìn

Giảng viên hướng dẫn: T8 Lẻ ChíNgOC — cwadviB

Viện: ‘Yodan tng dung va ‘Lin hoc

HA NOI, 12/2021

L61 CAM GN

Lai dầu tiên, tác giã xin bày tô lòng biét on chan thanh va sau sắc nhất tới T8

Lé Chi Ngoc, nguéi da tan tình hướng dẫn, hỗ trợ tác giả trong suốt quá trình

thực hiện luận văn này Tác giã xin trân trọng cám ơn Viện Toán ứng dụng và Tin hoc, Dai hoc Bach khoa 1Ià Nội đã tạo mọi điều kiện thuận lợi cho tác giả

trong quá trình học tập và nghiên cứu tại đây Xin cảm ơn các thầy cô, các bạn

sinh viên, học viên cao học của Viện bán ứng dụng và in học đã trao đổi cing

tác giá những kiến thức và kinh nghiệm quý báu để giúp cho luận văn này được hoán thiện hơn.Tác giá cũng xin gửi lời chân thành cẩm ơn tới các đồng nghiệp

1

the

những người Uhdin yén what eta mind lời

luôn bân cạnh động viên, chia sẽ về mặt tinh thần trang những lúc tác giả sặp khó khăn

TÓM TẮT NỘI DŨNG LUẬN VĂN

Bài toán khuyến nghi (Recommendation) là một trong những bài toán quan

trọng trong lĩnh vực điện toán xã hội (8ocial Computing) Bài toán khuyến nghị

có ý nghĩa to lớn trong việc tăng mức độ tương tấc, nãng cao trải nghiệm người đùng trên các nền tầng truyền thông xã hội trực tuyến Trong luận văn này tác

giả xin giới thiệu mô hình NILM8 là một mô hình khuyến nghị tin tức và thử

nghiệm mô hình trên tập dữ liệu được thu thập từ một trang tin tức trực tuyến

thực tế, Qua day có thể thấy được ứng dụng của các mô hình học sãu trong xử

lý ngôn ngữ tự nhiên giúp giải quyết các bài toán có thể áp dụng vào thực tế

Tw khéa: Social Computing, Recommendation, News Recommendation, NRMS

Hà Nội ngày tháng năm 2021

LỜI NÓI DẦU

Nhờ su phát triển bùng nỗ của Internet hiện nay con người ngày càng có cơ

hội tiếp xúc với nhiều nguồn thống lin trên các nên tảng truyều không xã hội ví

đụ như mạng xã hội trực tuyến, mna sắm rực tuyến, tín tc trực tuyên, dian

dan, Vi vay sự ra đời của điện toán xã hội (Social eomnnting) để trả lời các

căn hỏi và giải quyết các vẫn đã, thách thức về hành vi của người đìng thöng

qua các nên tảng truyền thông xã hội trực tuyến Một trong ba bài toán quan

đó là bài toán khuyén nghj (Recommendation) Bai

trọng của điện toán xã

toán khuyến nghị có ý nghĩa to lớn trong vide nang cao trai nghiệm người dùng

trên các nền tảng truyền thông xã hội trực tuyến

'I*ong nội dựng luận văn, tác gi sẽ trình bày những nghiên cứu của mình về

mỗ hình học gân trong xử lý ngôn ngữ trí nhiền vã bài loán khuyến nghỉ ứng

« Chương 9: Trình bày va bai ton khuyến nghị và thuật toán NRMS

ø Chương ä: 1Yình bày về kết quả thực nghiệm của mỡ hình đề xuất trên dữ

liệu thủ Lhập tif mot trang web tin tite thiực Lễ

Luận văn được hoàn thành trong chương trình 'Lhạc sĩ Khoa học ngành loán tin tại Viện Ioán ứng dụng và in học, Đại học Hách Khoa Hà Nội dưới sự

hướng dẫn của T8 Tê Chí Ngọ

Mặc dù được hoàn Lhành với nhiều cỗ gắng nhưng do những hạn chế về thời

gian và kinh nghiệm, luận văn này không thể tránh khỏi những sai sói Táo giá

rất mong nhận dược những ý kiến đóng góp quý báu tt thầy eö và các bạn học

viên để luận văn được hoàn thiện hơn nữa.

LỜI NÓI DẦU

Nhờ su phát triển bùng nỗ của Internet hiện nay con người ngày càng có cơ

hội tiếp xúc với nhiều nguồn thống lin trên các nên tảng truyều không xã hội ví

đụ như mạng xã hội trực tuyến, mna sắm rực tuyến, tín tc trực tuyên, dian

dan, Vi vay sự ra đời của điện toán xã hội (Social eomnnting) để trả lời các

căn hỏi và giải quyết các vẫn đã, thách thức về hành vi của người đìng thöng

qua các nên tảng truyền thông xã hội trực tuyến Một trong ba bài toán quan

đó là bài toán khuyén nghj (Recommendation) Bai

trọng của điện toán xã

toán khuyến nghị có ý nghĩa to lớn trong vide nang cao trai nghiệm người dùng

trên các nền tảng truyền thông xã hội trực tuyến

'I*ong nội dựng luận văn, tác gi sẽ trình bày những nghiên cứu của mình về

mỗ hình học gân trong xử lý ngôn ngữ trí nhiền vã bài loán khuyến nghỉ ứng

« Chương 9: Trình bày va bai ton khuyến nghị và thuật toán NRMS

ø Chương ä: 1Yình bày về kết quả thực nghiệm của mỡ hình đề xuất trên dữ

liệu thủ Lhập tif mot trang web tin tite thiực Lễ

Luận văn được hoàn thành trong chương trình 'Lhạc sĩ Khoa học ngành loán tin tại Viện Ioán ứng dụng và in học, Đại học Hách Khoa Hà Nội dưới sự

hướng dẫn của T8 Tê Chí Ngọ

Mặc dù được hoàn Lhành với nhiều cỗ gắng nhưng do những hạn chế về thời

gian và kinh nghiệm, luận văn này không thể tránh khỏi những sai sói Táo giá

rất mong nhận dược những ý kiến đóng góp quý báu tt thầy eö và các bạn học

viên để luận văn được hoàn thiện hơn nữa.

b_ THỨ NGHIÊM VÀ ĐÁNH GIÁ KẾT QUA

gi LỜI NÓI DẦU

Nhờ su phát triển bùng nỗ của Internet hiện nay con người ngày càng có cơ

hội tiếp xúc với nhiều nguồn thống lin trên các nên tảng truyều không xã hội ví

đụ như mạng xã hội trực tuyến, mna sắm rực tuyến, tín tc trực tuyên, dian

dan, Vi vay sự ra đời của điện toán xã hội (Social eomnnting) để trả lời các

căn hỏi và giải quyết các vẫn đã, thách thức về hành vi của người đìng thöng

qua các nên tảng truyền thông xã hội trực tuyến Một trong ba bài toán quan

đó là bài toán khuyén nghj (Recommendation) Bai

trọng của điện toán xã

toán khuyến nghị có ý nghĩa to lớn trong vide nang cao trai nghiệm người dùng

trên các nền tảng truyền thông xã hội trực tuyến

'I*ong nội dựng luận văn, tác gi sẽ trình bày những nghiên cứu của mình về

mỗ hình học gân trong xử lý ngôn ngữ trí nhiền vã bài loán khuyến nghỉ ứng

« Chương 9: Trình bày va bai ton khuyến nghị và thuật toán NRMS

ø Chương ä: 1Yình bày về kết quả thực nghiệm của mỡ hình đề xuất trên dữ

liệu thủ Lhập tif mot trang web tin tite thiực Lễ

Luận văn được hoàn thành trong chương trình 'Lhạc sĩ Khoa học ngành loán tin tại Viện Ioán ứng dụng và in học, Đại học Hách Khoa Hà Nội dưới sự

hướng dẫn của T8 Tê Chí Ngọ

Mặc dù được hoàn Lhành với nhiều cỗ gắng nhưng do những hạn chế về thời

gian và kinh nghiệm, luận văn này không thể tránh khỏi những sai sói Táo giá

rất mong nhận dược những ý kiến đóng góp quý báu tt thầy eö và các bạn học

viên để luận văn được hoàn thiện hơn nữa.

1.3.2 Ky thuat nhing ta} 0 eee ee ee 16

2_ỨNG DỤNG MÔ HÌNH HỌC SÂU VÀO

2.2 Mo hình khuyén nghi tin tite[NRMS] 35

BOGUS | NECA đ R4/42808)8/69E4 & 3 29

3.4 Ví dụ về đường cong RÓC và chỉ số AUC|

2.2 Minh họa phương phấp

2.3 Hệ thống khuyên nghị tin tức của Google News 23 2.4 Mo hinh hé thong khuyến nghị tin tức| - 24

2.5 Mo hinh khuyén nghi tin tức NRMS|] - 26

Hình ảnh hiển thị tin tức trên trang báo điện tử VnExpresl 31

j3.2_ Ví dụ về dữ liệu được thu thập và lưu trữ bằng công cụ Apache

3.3 Khung bình luận của một bài viết trên trang báo điện tử VnExpress| 33

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT

1.1 Máy học

Máy học [T[ là một thuật ngữ được khai sinh vào cuối những năm 50 bởi Arthur Samuel Nó là một lĩnh vu

của trí tuệ nhân tạo liên quan đến việc nghiên cứu

và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải

quyết những vấn đề cụ thể Ví dụ như các máy có thể "hoc" cach phan loai thư điện tử xem có phải thư rác (spam) hay khõng và tự động xếp thư vào thư mục

tương ứng,

Học máy có liên quan lớn đến thống kẽ, vì cả hai lĩnh vực đều nghiên cứu việc

phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp

của các giải thuật trong việc thực thi tính toán Nhiều bài toán suy luận được

át (supervised learning), học không giám sát (unsupervised learning)

Phương pháp học có giám sát đòi hỏi dữ liệu huấn luyện phải được gán nhãn

Một loạt các thuật toán máy học dựa trên phương pháp này bao gồm: Hồi quy

tuyến tính, Hồi quy logistie Phân lớp Bayes (naive bayes), Cây quyết định, K

- láng giềng gần nhất và Máy veetor hỗ trợ (support vector machine), Những phương pháp này chủ yếu là các phương pháp hồi quy và phân loại Nguyên tắc

hoạt động của các thuật toán này là việ

Với mỗi đầu vào z xác định một đầu ra tương ứng Cá

à tối ưu hóa

3.4 Ví dụ về đường cong RÓC và chỉ số AUC|

2.2 Minh họa phương phấp

2.3 Hệ thống khuyên nghị tin tức của Google News 23 2.4 Mo hinh hé thong khuyến nghị tin tức| - 24

2.5 Mo hinh khuyén nghi tin tức NRMS|] - 26

Hình ảnh hiển thị tin tức trên trang báo điện tử VnExpresl 31

j3.2_ Ví dụ về dữ liệu được thu thập và lưu trữ bằng công cụ Apache

3.3 Khung bình luận của một bài viết trên trang báo điện tử VnExpress| 33

1.3.2 Ky thuat nhing ta} 0 eee ee ee 16

2_ỨNG DỤNG MÔ HÌNH HỌC SÂU VÀO

2.2 Mo hình khuyén nghi tin tite[NRMS] 35

BOGUS | NECA đ R4/42808)8/69E4 & 3 29

b_ THỨ NGHIÊM VÀ ĐÁNH GIÁ KẾT QUA

1.3.2 Ky thuat nhing ta} 0 eee ee ee 16

2_ỨNG DỤNG MÔ HÌNH HỌC SÂU VÀO

2.2 Mo hình khuyén nghi tin tite[NRMS] 35

BOGUS | NECA đ R4/42808)8/69E4 & 3 29

3.4 Ví dụ về đường cong RÓC và chỉ số AUC|

2.2 Minh họa phương phấp

2.3 Hệ thống khuyên nghị tin tức của Google News 23 2.4 Mo hinh hé thong khuyến nghị tin tức| - 24

2.5 Mo hinh khuyén nghi tin tức NRMS|] - 26

Hình ảnh hiển thị tin tức trên trang báo điện tử VnExpresl 31

j3.2_ Ví dụ về dữ liệu được thu thập và lưu trữ bằng công cụ Apache

3.3 Khung bình luận của một bài viết trên trang báo điện tử VnExpress| 33

LỜI NÓI DẦU

Nhờ su phát triển bùng nỗ của Internet hiện nay con người ngày càng có cơ

hội tiếp xúc với nhiều nguồn thống lin trên các nên tảng truyều không xã hội ví

đụ như mạng xã hội trực tuyến, mna sắm rực tuyến, tín tc trực tuyên, dian

dan, Vi vay sự ra đời của điện toán xã hội (Social eomnnting) để trả lời các

căn hỏi và giải quyết các vẫn đã, thách thức về hành vi của người đìng thöng

qua các nên tảng truyền thông xã hội trực tuyến Một trong ba bài toán quan

đó là bài toán khuyén nghj (Recommendation) Bai

trọng của điện toán xã

toán khuyến nghị có ý nghĩa to lớn trong vide nang cao trai nghiệm người dùng

trên các nền tảng truyền thông xã hội trực tuyến

'I*ong nội dựng luận văn, tác gi sẽ trình bày những nghiên cứu của mình về

mỗ hình học gân trong xử lý ngôn ngữ trí nhiền vã bài loán khuyến nghỉ ứng

« Chương 9: Trình bày va bai ton khuyến nghị và thuật toán NRMS

ø Chương ä: 1Yình bày về kết quả thực nghiệm của mỡ hình đề xuất trên dữ

liệu thủ Lhập tif mot trang web tin tite thiực Lễ

Luận văn được hoàn thành trong chương trình 'Lhạc sĩ Khoa học ngành loán tin tại Viện Ioán ứng dụng và in học, Đại học Hách Khoa Hà Nội dưới sự

hướng dẫn của T8 Tê Chí Ngọ

Mặc dù được hoàn Lhành với nhiều cỗ gắng nhưng do những hạn chế về thời

gian và kinh nghiệm, luận văn này không thể tránh khỏi những sai sói Táo giá

rất mong nhận dược những ý kiến đóng góp quý báu tt thầy eö và các bạn học

viên để luận văn được hoàn thiện hơn nữa.

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT

1.1 Máy học

Máy học [T[ là một thuật ngữ được khai sinh vào cuối những năm 50 bởi Arthur Samuel Nó là một lĩnh vu

của trí tuệ nhân tạo liên quan đến việc nghiên cứu

và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải

quyết những vấn đề cụ thể Ví dụ như các máy có thể "hoc" cach phan loai thư điện tử xem có phải thư rác (spam) hay khõng và tự động xếp thư vào thư mục

tương ứng,

Học máy có liên quan lớn đến thống kẽ, vì cả hai lĩnh vực đều nghiên cứu việc

phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp

của các giải thuật trong việc thực thi tính toán Nhiều bài toán suy luận được

át (supervised learning), học không giám sát (unsupervised learning)

Phương pháp học có giám sát đòi hỏi dữ liệu huấn luyện phải được gán nhãn

Một loạt các thuật toán máy học dựa trên phương pháp này bao gồm: Hồi quy

tuyến tính, Hồi quy logistie Phân lớp Bayes (naive bayes), Cây quyết định, K

- láng giềng gần nhất và Máy veetor hỗ trợ (support vector machine), Những phương pháp này chủ yếu là các phương pháp hồi quy và phân loại Nguyên tắc

hoạt động của các thuật toán này là việ

Với mỗi đầu vào z xác định một đầu ra tương ứng Cá

à tối ưu hóa

b_ THỨ NGHIÊM VÀ ĐÁNH GIÁ KẾT QUA

1.3.2 Ky thuat nhing ta} 0 eee ee ee 16

2_ỨNG DỤNG MÔ HÌNH HỌC SÂU VÀO

2.2 Mo hình khuyén nghi tin tite[NRMS] 35

BOGUS | NECA đ R4/42808)8/69E4 & 3 29

LỜI NÓI DẦU

Nhờ su phát triển bùng nỗ của Internet hiện nay con người ngày càng có cơ

hội tiếp xúc với nhiều nguồn thống lin trên các nên tảng truyều không xã hội ví

đụ như mạng xã hội trực tuyến, mna sắm rực tuyến, tín tc trực tuyên, dian

dan, Vi vay sự ra đời của điện toán xã hội (Social eomnnting) để trả lời các

căn hỏi và giải quyết các vẫn đã, thách thức về hành vi của người đìng thöng

qua các nên tảng truyền thông xã hội trực tuyến Một trong ba bài toán quan

đó là bài toán khuyén nghj (Recommendation) Bai

trọng của điện toán xã

toán khuyến nghị có ý nghĩa to lớn trong vide nang cao trai nghiệm người dùng

trên các nền tảng truyền thông xã hội trực tuyến

'I*ong nội dựng luận văn, tác gi sẽ trình bày những nghiên cứu của mình về

mỗ hình học gân trong xử lý ngôn ngữ trí nhiền vã bài loán khuyến nghỉ ứng

« Chương 9: Trình bày va bai ton khuyến nghị và thuật toán NRMS

ø Chương ä: 1Yình bày về kết quả thực nghiệm của mỡ hình đề xuất trên dữ

liệu thủ Lhập tif mot trang web tin tite thiực Lễ

Luận văn được hoàn thành trong chương trình 'Lhạc sĩ Khoa học ngành loán tin tại Viện Ioán ứng dụng và in học, Đại học Hách Khoa Hà Nội dưới sự

hướng dẫn của T8 Tê Chí Ngọ

Mặc dù được hoàn Lhành với nhiều cỗ gắng nhưng do những hạn chế về thời

gian và kinh nghiệm, luận văn này không thể tránh khỏi những sai sói Táo giá

rất mong nhận dược những ý kiến đóng góp quý báu tt thầy eö và các bạn học

viên để luận văn được hoàn thiện hơn nữa.

3.4 Ví dụ về đường cong RÓC và chỉ số AUC|

2.2 Minh họa phương phấp

2.3 Hệ thống khuyên nghị tin tức của Google News 23 2.4 Mo hinh hé thong khuyến nghị tin tức| - 24

2.5 Mo hinh khuyén nghi tin tức NRMS|] - 26

Hình ảnh hiển thị tin tức trên trang báo điện tử VnExpresl 31

j3.2_ Ví dụ về dữ liệu được thu thập và lưu trữ bằng công cụ Apache

3.3 Khung bình luận của một bài viết trên trang báo điện tử VnExpress| 33

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT

1.1 Máy học

Máy học [T[ là một thuật ngữ được khai sinh vào cuối những năm 50 bởi Arthur Samuel Nó là một lĩnh vu

của trí tuệ nhân tạo liên quan đến việc nghiên cứu

và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải

quyết những vấn đề cụ thể Ví dụ như các máy có thể "hoc" cach phan loai thư điện tử xem có phải thư rác (spam) hay khõng và tự động xếp thư vào thư mục

tương ứng,

Học máy có liên quan lớn đến thống kẽ, vì cả hai lĩnh vực đều nghiên cứu việc

phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp

của các giải thuật trong việc thực thi tính toán Nhiều bài toán suy luận được

át (supervised learning), học không giám sát (unsupervised learning)

Phương pháp học có giám sát đòi hỏi dữ liệu huấn luyện phải được gán nhãn

Một loạt các thuật toán máy học dựa trên phương pháp này bao gồm: Hồi quy

tuyến tính, Hồi quy logistie Phân lớp Bayes (naive bayes), Cây quyết định, K

- láng giềng gần nhất và Máy veetor hỗ trợ (support vector machine), Những phương pháp này chủ yếu là các phương pháp hồi quy và phân loại Nguyên tắc

hoạt động của các thuật toán này là việ

Với mỗi đầu vào z xác định một đầu ra tương ứng Cá

à tối ưu hóa

LỜI NÓI DẦU

Nhờ su phát triển bùng nỗ của Internet hiện nay con người ngày càng có cơ

hội tiếp xúc với nhiều nguồn thống lin trên các nên tảng truyều không xã hội ví

đụ như mạng xã hội trực tuyến, mna sắm rực tuyến, tín tc trực tuyên, dian

dan, Vi vay sự ra đời của điện toán xã hội (Social eomnnting) để trả lời các

căn hỏi và giải quyết các vẫn đã, thách thức về hành vi của người đìng thöng

qua các nên tảng truyền thông xã hội trực tuyến Một trong ba bài toán quan

đó là bài toán khuyén nghj (Recommendation) Bai

trọng của điện toán xã

toán khuyến nghị có ý nghĩa to lớn trong vide nang cao trai nghiệm người dùng

trên các nền tảng truyền thông xã hội trực tuyến

'I*ong nội dựng luận văn, tác gi sẽ trình bày những nghiên cứu của mình về

mỗ hình học gân trong xử lý ngôn ngữ trí nhiền vã bài loán khuyến nghỉ ứng

« Chương 9: Trình bày va bai ton khuyến nghị và thuật toán NRMS

ø Chương ä: 1Yình bày về kết quả thực nghiệm của mỡ hình đề xuất trên dữ

liệu thủ Lhập tif mot trang web tin tite thiực Lễ

Luận văn được hoàn thành trong chương trình 'Lhạc sĩ Khoa học ngành loán tin tại Viện Ioán ứng dụng và in học, Đại học Hách Khoa Hà Nội dưới sự

hướng dẫn của T8 Tê Chí Ngọ

Mặc dù được hoàn Lhành với nhiều cỗ gắng nhưng do những hạn chế về thời

gian và kinh nghiệm, luận văn này không thể tránh khỏi những sai sói Táo giá

rất mong nhận dược những ý kiến đóng góp quý báu tt thầy eö và các bạn học

viên để luận văn được hoàn thiện hơn nữa.

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT

1.1 Máy học

Máy học [T[ là một thuật ngữ được khai sinh vào cuối những năm 50 bởi Arthur Samuel Nó là một lĩnh vu

của trí tuệ nhân tạo liên quan đến việc nghiên cứu

và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải

quyết những vấn đề cụ thể Ví dụ như các máy có thể "hoc" cach phan loai thư điện tử xem có phải thư rác (spam) hay khõng và tự động xếp thư vào thư mục

tương ứng,

Học máy có liên quan lớn đến thống kẽ, vì cả hai lĩnh vực đều nghiên cứu việc

phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp

của các giải thuật trong việc thực thi tính toán Nhiều bài toán suy luận được

át (supervised learning), học không giám sát (unsupervised learning)

Phương pháp học có giám sát đòi hỏi dữ liệu huấn luyện phải được gán nhãn

Một loạt các thuật toán máy học dựa trên phương pháp này bao gồm: Hồi quy

tuyến tính, Hồi quy logistie Phân lớp Bayes (naive bayes), Cây quyết định, K

- láng giềng gần nhất và Máy veetor hỗ trợ (support vector machine), Những phương pháp này chủ yếu là các phương pháp hồi quy và phân loại Nguyên tắc

hoạt động của các thuật toán này là việ

Với mỗi đầu vào z xác định một đầu ra tương ứng Cá

à tối ưu hóa

b_ THỨ NGHIÊM VÀ ĐÁNH GIÁ KẾT QUA

gi CHƯƠNG 1 CƠ SỞ LÝ THUYẾT

1.1 Máy học

Máy học [T[ là một thuật ngữ được khai sinh vào cuối những năm 50 bởi Arthur Samuel Nó là một lĩnh vu

của trí tuệ nhân tạo liên quan đến việc nghiên cứu

và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải

quyết những vấn đề cụ thể Ví dụ như các máy có thể "hoc" cach phan loai thư điện tử xem có phải thư rác (spam) hay khõng và tự động xếp thư vào thư mục

tương ứng,

Học máy có liên quan lớn đến thống kẽ, vì cả hai lĩnh vực đều nghiên cứu việc

phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp

của các giải thuật trong việc thực thi tính toán Nhiều bài toán suy luận được

át (supervised learning), học không giám sát (unsupervised learning)

Phương pháp học có giám sát đòi hỏi dữ liệu huấn luyện phải được gán nhãn

Một loạt các thuật toán máy học dựa trên phương pháp này bao gồm: Hồi quy

tuyến tính, Hồi quy logistie Phân lớp Bayes (naive bayes), Cây quyết định, K

- láng giềng gần nhất và Máy veetor hỗ trợ (support vector machine), Những phương pháp này chủ yếu là các phương pháp hồi quy và phân loại Nguyên tắc

hoạt động của các thuật toán này là việ

Với mỗi đầu vào z xác định một đầu ra tương ứng Cá

à tối ưu hóa