Ứng dụng của học máy trong cuộc sống - soi keo truc tiep

Bài viết này được viết lần đầu tiên vào năm 2019, và thật bất ngờ đến năm 2023 tôi mới có thể áp dụng công nghệ học sâu (deep learning), một nhánh quan trọng của học máy, để triển khai thành công hai dự án. Thật sự phải thán phục tốc độ phát triển nhanh chóng của công nghệ:

• Khiến robot trò chuyện Rasa hỗ trợ tiếng Trung Quốc
• Nhập mô hình yolov5 pytorch mobile vào hệ điều hành Android để thực hiện nhận diện mục tiêu trong ảnh

Bộ lọc thư rác

Học có giám keo truc tiep sát đòi hỏi cần dữ liệu huấn luyện.

Trích xuất đặc trưng đám đông khách truy cập

Học không giám sát không yêu cầu dữ liệu huấn luyện. Ví dụ, khi thu thập thông tin về khách truy cập blog cá nhân, mà không cần dữ liệu huấn luyện trước, hệ thống có thể tự động phân tích các đặc điểm như:

• Tỷ lệ nam nữ
• Các danh mục bài viết mà nam giới thích hơn
• Các danh mục bài viết mà phụ nữ ưa chuộng vào cuối tuần
• Những loại bài viết nào được chú ý nhiều nhất vào thời điểm nửa đêm

Độ tương quan giữa sản phẩm tại siêu thị

Học không giám sát không yêu cầu dữ liệu huấn luyện. Dựa trên danh sách mua sắm của khách hàng lúc thanh toán, hệ thống có thể tính toán được những sản phẩm có mối liên hệ cao với nhau, ví dụ như rượu vang và kẹp mở chai. Điều này giúp nhân viên vận hành siêu thị sắp xếp lại kệ hàng để đưa những mặt hàng có độ tương quan cao đặt gần nhau hơn.

Dự đoán dữ liệu chu kỳ

...

Chức năng tự động phân loại ảnh của ứng dụng Google Photos

Học bán giám sát, cung cấp phần lớn dữ liệu đã được gắn nhãn (labeled) và một phần nhỏ dữ liệu chưa được gắn nhãn (unlabeled). Khi người dùng tải lên ảnh là dữ liệu chưa được gắn nhãn, dịch vụ Google Photos sử dụng phương pháp học không giám sát để tự động phân loại ảnh theo khuôn mặt xuất hiện trong ảnh. Người dùng chỉ cần nhập nhãn để xác định tên của từng người trong ảnh cụ thể nào đó. (Quá trình nhập nhãn chính là quá trình huấn luyện.)

Đa dạng các thuật toán học máy

Cũng còn rất nhiều thuật toán học máy mang tên gọi hoành tráng, mặc dù có rất nhiều ví dụ nổi tiếng như AlphaGo, nhưng tôi hoàn toàn không hiểu rõ cách thức hoạt động bên trong của chúng. Ngay cả khi mã nguồn được công khai, tôi cũng chẳng mấy hứng thú để tìm hiểu. Trong cuốn sách "Hands-on Machine Learning with Scikit-Learn & TensorFlow", phần lớn các trường hợp ứng dụng học máy được đề cập đều không làm tôi cảm thấy hứng thú... bởi vì chúng dường như không có giá trị ứng dụng thực tế. Do đó, cách học tốt nhất là tìm một lĩnh vực kinh doanh mà bạn thực sự quan tâm, sau đó thử áp dụng lý thuyết học máy xem liệu có tạo ra kết quả hữu ích hay không.

Internet công nghiệp

Sáng nay, Tencent đã nhắc đến việc chuyển đổi sang khái niệm "Internet công nghiệp". Đây là một khái niệm tương tự như "Internet công nghiệp" khác, tập trung vào tự động hóa và trí tuệ hóa. Mà học máy trong lĩnh vực nhận diện hình ảnh hoàn toàn có thể liên hệ trực tiếp với các ngành nghề xung quanh chúng ta, ví dụ như: đếm số vết sâu trên quả táo và tự động phân loại; kiểm tra xem bao bì có bị trầy xước hay không; kiểm soát cử chỉ trước camera; v.v. Đây đều là những ứng dụng khá đơn giản trong lĩnh vực học máy. Việc triển khai những ứng dụng này hầu như không có khó khăn gì đáng kể, chỉ cần bỏ ra một chút chi phí học hỏi. Hiện nay cả iOS và Windows UWP đều đã tích hợp sẵn các mô-đun học máy, cho phép nhập mô hình đã được huấn luyện và thực hiện phân tích ngoại tuyến. Chúng ta nên cố ti le cuoc gắng bắt kịp xu hướng này.

Đề xuất sách học máy

• "Học Máy"
• "Nhập Môn Học Máy Python Dễ Hiểu"