Artificial Intelligence & Machine Learning
ENG
What is the difference between AI - ML - DL
Artificial Intelligence (AI) encompasses Machine Learning (ML), which in turn encompasses Deep Learning (DL).
- Artificial Intelligence (AI): Relates to systems that can sense, perceive, and simulate human intelligence.
- Machine Learning (ML): Relates more to algorithms that learn patterns from huge datasets to make predictions without being explicitly programmed.
- Deep Learning (DL): A specialized subset of ML based on a maze of artificial neural networks, requiring massive amounts of data.
What features are and what a target is
Features seem like attributes of the data
| sepal length | sepal width | petal length | petal width | species |
|---|---|---|---|---|
| 6.7 | 3.0 | 5.2 | 2.3 | virginica |
| 6.4 | 2.8 | 5.6 | 2.1 | virginica |
- Features (attributes of the data):
sepal length,sepal width,petal length,petal width.
Target is a column we wanna predict
| sepal length | sepal width | petal length | petal width | species |
|---|---|---|---|---|
| 6.7 | 3.0 | 5.2 | 2.3 | virginica |
| 6.4 | 2.8 | 5.6 | 2.1 | virginica |
| 4.6 | 3.4 | 1.4 | 0.3 | setosa |
| 6.9 | 3.1 | 4.9 | 1.5 | versicolor |
| 4.4 | 2.9 | 1.4 | 0.2 | setosa |
- Features (attributes of the data): The first four columns.
- Target (column to be predicted): The
speciescolumn.
Summary: The idea is to use the four features (sepal length, sepal width, petal length, petal width) in order to predict the species.
Two types of Machine Learning
| Dataset | Goal | Example | |
|---|---|---|---|
| Supervised Learning | Has a Target Column | Make Predictions | Fraud Detection |
| Unsupervised Learning | Does not have a Target Column | Find Structure in the Data | Customer Segmentation |
Notes:
- In unsupervised learning, there is no absolute right or wrong answer.
- Example of Customer Segmentation: Suppose the bank has a dataset of 10,000 customers. Unsupervised learning algorithms will learn to identify customers who share similar attributes, and then group them into distinct categories.
VN
Sự khác biệt giữa AI - ML - DL là gì?
Trí tuệ nhân tạo (AI) bao trùm Học máy (ML), và Học máy bao trùm Học sâu (DL).
- AI (Trí tuệ nhân tạo): Liên quan đến các hệ thống có khả năng nhận thức, quan sát và mô phỏng trí thông minh của con người.
- ML (Học máy): Tập trung nhiều hơn vào các thuật toán. Máy tính tự học hỏi và tìm ra quy luật từ tập dữ liệu lớn (huge dataset) thay vì được lập trình cứng cho từng tình huống.
- DL (Học sâu): Là một nhánh chuyên sâu của ML, dựa trên mạng nơ-ron nhân tạo (neural networks) nhiều lớp, dùng để giải quyết các bài toán cực kỳ phức tạp trên lượng dữ liệu khổng lồ.
Feature và Target là gì?
Features (Đặc trưng) giống như các thuộc tính của dữ liệu
| sepal length | sepal width | petal length | petal width | species |
|---|---|---|---|---|
| 6.7 | 3.0 | 5.2 | 2.3 | virginica |
| 6.4 | 2.8 | 5.6 | 2.1 | virginica |
| 4.6 | 3.4 | 1.4 | 0.3 | setosa |
| 6.9 | 3.1 | 4.9 | 1.5 | versicolor |
| 4.4 | 2.9 | 1.4 | 0.2 | setosa |
- Features (Các thuộc tính của dữ liệu): Bao gồm
sepal length(chiều dài đài hoa),sepal width(chiều rộng đài hoa),petal length(chiều dài cánh hoa),petal width(chiều rộng cánh hoa).
Target (Mục tiêu) là cột mà chúng ta muốn dự đoán
- Target (Cột cần dự đoán): Cột
species(loài hoa).
Ý tưởng cốt lõi: Chúng ta sẽ sử dụng 4 đặc trưng (chiều dài đài hoa, chiều rộng đài hoa, chiều dài cánh hoa, chiều rộng cánh hoa) để dự đoán xem đó là loài hoa (species) nào.
Hai loại Machine Learning (Học máy)
| Tập dữ liệu (Dataset) | Mục tiêu (Goal) | Ví dụ (Example) | |
|---|---|---|---|
| Học có giám sát (Supervised Learning) | Có cột Mục tiêu (Has a Target Column) | Đưa ra dự đoán (Make Predictions) | Phát hiện gian lận (Fraud Detection) |
| Học không giám sát (Unsupervised Learning) | Không có cột Mục tiêu (Does not have a Target Column) | Tìm cấu trúc ẩn trong dữ liệu(Find Structure in the Data) | Phân khúc khách hàng (Customer Segmentation) |
Ghi chú:
- Trong học không giám sát, máy tính tự học nên không có đáp án đúng hay sai tuyệt đối từ trước.
- Ví dụ về Phân khúc khách hàng: Giả sử ngân hàng có một tập dữ liệu gồm 10.000 khách hàng. Thuật toán học không giám sát sẽ tự học cách nhận diện những khách hàng có chung các thuộc tính tương đồng, sau đó phân nhóm họ lại thành từng danh mục cụ thể.