- Bài 1: Giới thiệu về Machine Learning
- Bài 2: Machine Learning - AI ngày nay có thể làm gì?
- Bài 3: Machine Learning - AI truyền thống
- Bài 4: Machine Learning - Machine Learning là gì?
- Bài 5: Machine Learning - Phân loại
- Bài 6: Machine Learning - Phân loại (p2)
- Bài 7: Machine Learning - Supervised Learning
- Bài 8: Machine Learning - Thư viện Scikit learn
- Bài 9: Machine Learning - Unsupervised learning
- Bài 10: Machine Learning - Artificial Neural Networks
- Bài 11: Machine Learning - Deep Learning
- Bài 12: Machine Learning - Skills
- Bài 13: Machine Learning - Implementing
- Bài 14: Khởi đầu với neural network
- Bài 15: Xử lý ảnh sử dụng Neural Network
- Bài 16: Mạng neuron tích chập
- Bài 17: Machine Learning - Kết luận
- Bài 18: Rút gọn : Phần 1
- Bài 19: Rút gọn - phần 2
- Bài 20: Rút gọn - phần 3
Bài 4: Machine Learning - Machine Learning là gì? - AI - Machine Learning cơ bản
Đăng bởi: Admin | Lượt xem: 1818 | Chuyên mục: Machine Learning
Hãy cùng xem xét biểu đồ ở dưới, biểu đồ thể hiện hình dạng giá nhà so với kích thước của nó :
Sau khi vẽ các điểm dữ liệu trên biểu đồ mặt phẳng xy, ta sẽ tiến hành vẽ một đường phù hợp nhất để thực hiện dự đoán cho bất kì ngôi nhà nào có kích thước khác nhau.Ta sẽ cung cấp dữ liệu đã biết cho máy và yêu cầu máy tìm ra giá phù hợp nhất. Sau khi máy tìm được đường thẳng vừa vặn nhất, ta sẽ kiểm tra độ phù hợp của nó bằng cách cho ăn theo kích thước ngôi nhà đã biết, tức là giá trị Y trong đường thẳng trên. Sau đó, máy sẽ trả về giá trị X ước tính, tức là giá nhà dự kiến của ngôi nhà. Thuật toán có thể dễ dàng tìm được giá của một ngôi nhà có diện tích 3000 mét vuông hoặc thậm chí là lớn hơn. Đây được gọi là thuật toán hồi quy. Đặc biệt, thuật toán này được gọi là hồi quy tuyến tính vì mối quan hệ giữa các điểm dữ liệu X và Y là tuyến tính
Trong nhiều trường hợp, mối quan hệ giữa các điểm dữ liệu X và Y có thể không phải là một đường thẳng và nó có thể là một đường cong với một phương trình phức tạp. Nhiệm vụ của bạn bây giờ là tìm ra đường cong phù hợp nhất có thể để suy đoán các giá trị trong tương lai. Ta hãy xem hình ảnh sau :
Xem thêm ở đây
Bạn sẽ sử dụng các kỹ thuật tối ưu hoá thuật toán để tìm ra phương trình cho đường cong phù hợp nhất. Và đây chính xác được gọi là máy học (machine learning)/ Bạn sử dụng các kỹ thuật tối ưu hoá đã biết để tìm ra giải pháp tốt nhất cho vấn đề của mình.
Ở bài tiếp theo, chúng ta sẽ tìm hiểu sâu hơn về machine learning nhé .
Theo dõi VnCoder trên Facebook, để cập nhật những bài viết, tin tức và khoá học mới nhất!
- Bài 1: Giới thiệu về Machine Learning
- Bài 2: Machine Learning - AI ngày nay có thể làm gì?
- Bài 3: Machine Learning - AI truyền thống
- Bài 4: Machine Learning - Machine Learning là gì?
- Bài 5: Machine Learning - Phân loại
- Bài 6: Machine Learning - Phân loại (p2)
- Bài 7: Machine Learning - Supervised Learning
- Bài 8: Machine Learning - Thư viện Scikit learn
- Bài 9: Machine Learning - Unsupervised learning
- Bài 10: Machine Learning - Artificial Neural Networks
- Bài 11: Machine Learning - Deep Learning
- Bài 12: Machine Learning - Skills
- Bài 13: Machine Learning - Implementing
- Bài 14: Khởi đầu với neural network
- Bài 15: Xử lý ảnh sử dụng Neural Network
- Bài 16: Mạng neuron tích chập
- Bài 17: Machine Learning - Kết luận
- Bài 18: Rút gọn : Phần 1
- Bài 19: Rút gọn - phần 2
- Bài 20: Rút gọn - phần 3