Vina Technology at AI time - Công nghệ Việt Nam thời AI
News:Business News
Episode 1735 - Apr 25 - Chương 2 - Phần 9 - Các khái niệm thực tế về học máy - Vina Technology at AI time
Chương 2 - Các khái niệm thực tế về học máy – Phần 9
(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.
Vật lý học
Đôi khi, vật lý xử lý các vấn đề phức tạp và với nhiều dữ liệu. Ví dụ, trong các thí nghiệm Máy va chạm Hadron Lớn (LHC) tại CERN, học máy trở nên rất hữu ích trong việc tìm hiểu tác động của va chạm. Nó phân tích mọi va chạm và cung cấp những hiểu biết hữu ích cho các nhà khoa học. Các thuật toán học máy đánh bại các nhà vật lý trong các nhiệm vụ liên quan đến hồi quy hoặc phân loại từ 25 đến 30%.
• Các thuật toán và mô hình học máy được sử dụng để xử lý dữ liệu vệ tinh. Cũng trong vật lý khí quyển, học máy được sử dụng để dự báo và dự báo thời tiết.
• Học máy thường được sử dụng trong vật lý thiên văn để phân loại và tổ chức lượng dữ liệu khổng lồ. Ví dụ, các thuật toán phân cụm được sử dụng trên dữ liệu Kepler để sắp xếp, định vị và xác định các hệ sao có môi trường xung quanh ổn định có thể phù hợp với việc sử dụng.
Sinh học
Các thuật toán và mô hình học máy như mô hình Markov, máy vectơ hỗ trợ, mạng thần kinh và mô hình đồ họa được sử dụng thường xuyên để xử lý và quản lý tính ngẫu nhiên và không chắc chắn của dữ liệu. Đây là những kỹ thuật chính để phân tích bộ gen người. Chúng được sử dụng đặc biệt để dự báo các khu vực mã hóa hoặc không mã hóa của bộ gen; các ứng dụng khác bao gồm dự đoán RNA. Có một số công ty mới và được thành lập trong lĩnh vực này.
Ví dụ, Khoa học sinh học công nghiệp DuPont đang thực hiện nhiều công việc trong kỹ thuật protein của enzyme và kỹ thuật trao đổi chất của vi khuẩn để bảo vệ môi trường của chúng ta. Họ đang phân tích các protein và enzyme và trích xuất cái nhìn sâu sắc với sự trợ giúp của các thuật toán và mô hình học máy. Một vài lĩnh vực khác mà cơ hội kinh doanh tồn tại bao gồm:
• Thuật toán tìm gen: Bằng cách sử dụng các mô hình Markov, mô hình Markov ẩn (HMM), thuật toán Viterbi và ước tính tham số, các công ty có thể cung cấp thông tin di truyền được cá nhân hóa và cá nhân hóa.
• Tìm các vị trí miRNA: Các công ty như dược phẩm Rose sử dụng các mô hình Hidden Markov để cho phép nghiên cứu trong các lĩnh vực như nghiên cứu viêm gan C.
• Phân loại và dự đoán: Điều này liên quan đến việc tích hợp các dữ liệu sinh học khác nhau và chọn mô hình tốt nhất để thực hiện phân loại dữ liệu và dự đoán.
Cơ hội kinh doanh không chỉ tồn tại trong các lĩnh vực này, mà còn mở rộng các ngành khác, bao gồm sinh học vũ trụ, khoa học môi trường, sinh học xã hội, tâm lý học, v.v. Vấn đề ở đây là làm nổi bật các cơ hội của học máy trong lĩnh vực khoa học.
Các loại máy học
Có nhiều loại thuật toán học máy trong thế giới khoa học dữ liệu. Chương này tập trung chủ yếu vào ba loại thuật toán — giám sát, không giám sát và củng cố. Chương 1 bao gồm các khái niệm và hoạt động cơ bản của học tập có giám sát và không giám sát. Ở đây, tôi trình bày chi tiết về học tăng cường.
Học tăng cường
Học tăng cường là một thể loại học máy đào tạo hệ thống bằng phần thưởng và hình phạt. Nói cách khác, nó huấn luyện một hệ thống giống như con người huấn luyện thú cưng. Ví dụ, nếu thú cưng của bạn vâng lời và hành động theo hướng dẫn của bạn, bạn khuyến khích chúng bằng cách thưởng cho chúng và có thể trừng phạt chúng khi chúng không vâng lời. Tương tự, nếu hệ thống làm tốt, huấn luyện viên sẽ cho nó phần thưởng tích cực (điểm tích cực). Khi hệ thống hoạt động không tốt, huấn luyện viên sẽ trừng phạt nó (điểm tiêu cực). Hệ thống học tập nhận được điểm tiêu cực phải tự cải thiện để được chính xác hơn.
Đây là một cơ chế / quy trình thử và sai. Các thuật toán học tăng cường giữ lại có chọn lọc các kết quả đầu ra khai thác phần thưởng được thừa nhận trong một khoảng thời gian. Nói chung, thuật toán học tăng cường cố gắng bắt chước cách bộ não con người hành động liên quan đến hình phạt và phần thưởng. Chúng chọn những hành động mang lại
Create your
podcast in
minutes
It is Free