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

Chương 5 giúp người học hiểu về "Học máy". Nội dung trình bày cụ thể gồm có: Một số khái niệm, cây quyết định, học cây quyết định, thuật toán dựng cây, tập dữ liệu huấn luyện, cây phức tạp, gia lượng thông tin của tất cả các thuộc tính,...
Nội dung trích xuất từ tài liệu:
Bài giảng Trí tuệ nhân tạo: Chương 5 - Lý Anh TuấnHọc Máy– Cây quyết định– Mạng neural1Học Máy• Học (learning) là bất cứ sự thay đổi nào trong mộthệ thống cho phép nó thi hành tốt hơn ở lần thứ haikhi lặp lại cùng một nhiệm vụ hoặc với nhiệm vụkhác từ tập các nhiệm vụ.• Học liên quan đến vấn đề khái quát hóa từ kinhnghiệm (dữ liệu huấn luyện) => bài toán quy nạp• Nhiệm vụ học– Xác định người học cần học cái gì ?– Người học cần được cung cấp những gì ?– Đánh giá thành tích học2Một số khái niệm• Tập ví dụ huấn luyện (training set, training example): Là cácví dụ đã biết trước kết quả phân lớp cũng như các giá trị củacác thuộc tính, dùng để xây dựng nên cây quyết định.• Mẫu (instance): Là một trường hợp cụ thể cần phân lớp. Mộtmẫu là một ví dụ cụ thể, biết một số hay toàn bộ các giá trịcủa các thuộc tính song không biết giá trị của thuộc tính phânlớp.• Thuộc tính đích (target distribute): Là thuộc tính chỉ ra một vídụ thuộc một lớp nào đó, còn có tên gọi khác là thuộc tínhphân lớp.• Hàm học (target function/ learning function): VD cây quyếtđịnh cần xây dựng, có chức năng phân lớp các mẫu.3Một số khái niệm• Ví dụ: Phân loại ba loại quả Mơ, Mận, Đào:– Xác định hàm f: từ tập M là tập gồm 3 loại quả Mơ,Mận, Đào => Tên quả = {Mơ, Mận, Đào}.Hàm f gọi là hàm mục tiêu hay còn gọi là hàm họca  M: f(a) = Mơ hoặc Mận hoặc Đào– Tập các ví dụ huấn luyện: D={(a, b)| a  M, b là tênquả}– Đánh giá thành tích: Cho xác định tên quả, xác định tỉlệ đúng4Cây quyết định5