Có nhiều cách khác nhau mà thuật toán có thể mô hình hóa một vấn đề vì nó liên quan đến sự tương tác với trải nghiệm. Nói cách khác, bạn sẽ cần phải xác định được phong cách học tập của một thuật toán. Thật may là chỉ có một vài kiểu học tập chính mà thuật toán Machine Learning có thể có. Do đó mà bạn phải suy nghĩ kĩ về vai trò của dữ liệu input và quá trình chuẩn bị môi trường cho thuật toán học tập để có được kết quả tốt nhất.

Thuật toán ML thường được chia nhóm tùy theo sự giống nhau về chức năng của chúng. Ví dụ, phương pháp cây quyết định (decision tree) và phương pháp lấy cảm hứng từ mạng thần kinh. Tôi nghĩ đây là cách hữu ích nhất để phân chia nhóm các thuật toán machine learning và đó cũng là cách tiếp cận chúng ta sẽ sử dụng ở đây.

Thuật toán Bayesian – Bayesian Algorithms

Những phương pháp áp dụng Định lý Bayes để giải quyết các vấn đề được đưa ra. Chẳng hạn như phân loại và hồi quy. Một số những thuật toán Bayes phổ biến nhất bao gồm:

• Naive Bayes
• Gaussian Naive Bayes
• Multinomial Naive Bayes
• Averaged One-Dependence Estimators (AODE)
• Bayesian Belief Network (BBN)
• Bayesian Network (BN)

Thuật toán phân cụm – Clustering Algorithms

Clustering, giống như hồi quy, mô tả class của vấn đề và class của các phương thức. Các thuật toán Clustering được tổ chức theo các phương thức mô hình hóa như dựa trên centroid và phân cấp. Mặt khác, tất cả các thuật toán này đều chú trọng đến việc sử dụng cấu trúc inherent trong dữ liệu. Các thuật toán phân cụm phổ biến nhất là:

• k-Means
• k-Medians
• Expectation Maximisation (EM)
• Hierarchical Clustering

Qui tắc trong thuật toán machine learning – Association Rule Learning Algorithms

Phương pháp này trích xuất các quy tắc. Những quy tắc này có thể khám phá các mối quan hệ hữu ích và quan trọng trong các tập dữ liệu đa chiều lớn. Nhờ đó có thể được khai thác và phân tích bởi một tổ chức. Các thuật toán phổ biến nhất là:

• Thuật toán Apriori
• Thuật toán Eclat

Thuật toán mạng nơron nhân tạo – Artificial Neural Network Algorithms

Đây là những mô hình được lấy cảm hứng từ cấu trúc của mạng nơron thần kinh của con người. Có thể gọi chúng là một class các mẫu hợp nhau được sử dụng cho các vấn đề hồi quy và phân loại. Tuy vậy, nó cũng có một subfield vô cùng lớn đến từ sự kết hợp hàng trăm thuật toán và biến thể. Những thuật toán mạng nơron nhân tạo phổ biến nhất bao gồm:

• Perceptron
• Back-Propagation
• Hopfield Network
• Radial Basis Function Network (RBFN)

Thuật toán Deep Learning – Deep Learning Algorithms

Deep learning có thể xem là phiên bản cập nhật hiện đại cho Artificial Neural Network với hướng tập trung khai thác vào các thuật toán tính toán đơn giản và dồi dào. Nhờ đó mà có thể xây dựng được những mạng thần kinh lớn và phức tạp hơn nhiều. Các thuật toán Deep Learning phổ biến nhất bao gồm:

• Deep Boltzmann Machine (DBM)
• Deep Belief Networks (DBN)
• Convolutional Neural Network (CNN)
• Stacked Auto-Encoders

Thuật toán giảm kích thước – Dimensionality Reduction Algorithms

Giống như các phương pháp phân cụm, việc giảm kích thước tìm kiếm một cấu trúc inherent trong dữ liệu. Mặc dù, trong trường hợp này, là để rút gọn lại.

Nói chung, nó có thể hữu ích để hình dung dữ liệu đa chiều. Ngoài ra, chúng ta có thể sử dụng nó trong một phương pháp học được giám sát (supervised learning). Một số thuật toán tiêu biểu mà bạn có thể áp dụng để sử dụng trong phân loại và hồi quy.

• Principal Component Analysis (PCA)
• Principal Component Regression (PCR)
• Partial Least Squares Regression (PLSR)
• Sammon Mapping
• Multidimensional Scaling (MDS)
• Projection Pursuit
• Linear Discriminant Analysis (LDA)
• Mixture Discriminant Analysis (MDA)
• Quadratic Discriminant Analysis (QDA)
• Flexible Discriminant Analysis (FDA)

Thuật toán Ensemble – Ensemble Algorithms

Về cơ bản, các thuật toán này là các mô hình bao gồm các mô hình yếu hơn. Ngoài ra, khi chúng được đào tạo thì sẽ kết hợp lại theo một cách nào đó để đưa ra dự đoán. Do đó, đây là một class kỹ thuật rất mạnh và phổ biến.

• Boosting
• Bootstrapped Aggregation (Bagging)
• AdaBoost
• Stacked Generalization (blending)
• Gradient Boosting Machines (GBM)
• Gradient Boosted Regression Trees (GBRT)
• Random Forest

Danh sách các thuật toán machine learning phổ biến

Phương thức phân loại thuật toán machine learning của Naïve Bayes

Nói chung, sẽ rất khó và gần như là không thể để phân loại trang web, tài liệu, email hay các ghi chú văn bản dài khác theo cách thủ công. Vì vậy, chúng ta sẽ cần tới thuật toán Naïve Bayes Classifier Machine Learning.

Ngoài ra, trình phân loại là hàm phân bổ giá trị phần tử của một tập hợp. Ví dụ, Spam Filtering là một ứng dụng phổ biến của thuật toán Naïve Bayes. Do đó, bộ lọc spam ở đây là một trình phân loại và gán nhãn “Spam” hoặc “Not Spam” cho tất cả các email. Về cơ bản, nó là một trong những phương pháp machine learning phổ biến nhất được nhóm lại theo những điểm giống nhau và hoạt động dựa trên định lý Bayes về Xác suất.

Thuật toán machine learning K Means Clustering

Nói chung, K-means là một thuật toán machine learning không giám sát để phân tích cụm. Ngoài ra, K-Means là một phương pháp không xác định và lặp lại. Bên cạnh đó, thuật toán hoạt động trên một tập dữ liệu đã cho thông qua một số cụm được xác định trước, k. Do đó, đầu ra của thuật toán K Means là cụm k với dữ liệu đầu vào được phân tách giữa các cụm.

Thuật toán machine learning Support Vector

Về cơ bản, nó là một thuật toán machine learning được giám sát để phân loại hoặc giải quyết các vấn đề hồi quy. Nói cách khác, SVM có thể phân loại bất kỳ dữ liệu mới nào. Ngoài ra, nó hoạt động bằng cách phân loại dữ liệu vào các class khác nhau vì vậy mà còn được sử dụng để tách các dataset thành class. Hơn nữa, SVM còn cố gắng tối đa hóa khoảng cách giữa các class khác nhau. SVM được phân thành hai loại:

• SVM tuyến tính – Về cơ bản, trong dữ liệu đào tạo phải được phân loại riêng bằng hyperplane.
• SVM phi tuyến tính- Về cơ bản, bạn sẽ không thể tách dữ liệu đào tạo bằng hyperplane

Thuật toán Machine Learning Apriori

Về cơ bản, nó là một thuật toán machine learning không giám sát được sử dụng để tạo ra các quy tắc kết hợp từ một tập dữ liệu đã cho. Ngoài ra, quy tắc kết hợp ngụ ý rằng nếu một mục A xảy ra, thì mục B cũng xảy ra với một xác suất nhất định.

Hơn nữa, hầu hết các quy tắc kết hợp được tạo ra đều ở định dạng IF_THEN.

Ví dụ: NẾU mọi người mua một iPad THÌ họ cũng mua một chiếc iPad Case để bảo vệ nó.

Cách thức mà thuật toán machine learning Apriori hoạt động: Nếu một tập hợp mục (item set) xảy ra thường xuyên thì tất cả các tập hợp con của tập hợp mục (item set) đó cũng xuất hiện thường xuyên và ngược lại.

Thuật toán machine learning hồi quy tuyến tính (Linear Regression Machine Learning Algorithm)

Nó cho thấy mối quan hệ giữa 2 biến. Ngoài ra, cho thấy sự thay đổi trong một biến sẽ có tác động như thế nào đến biến khác. Về cơ bản, thuật toán cho thấy những tác động lên biến bị phụ thuộc vào biến độc lập. Do đó, các biến độc lập có thể được xem như là các biến giải thích vì chúng cho biết các yếu tố tác động đến biến bị phụ thuộc.

Thuật toán machine learning cây quyết định (Decision Tree Machine Learning Algorithm)

Về cơ bản, thuật toán sử dụng phương pháp phân nhánh để minh họa tất cả các kết quả có thể có của một quyết định. Với phần thân chính là đại diện cho một test lên các thuộc tính, cành là kết quả và lá chính là một class label.

Thuật toán Machine Learning rừng ngẫu nhiên (Random Forest Machine Learning Algorithm)

Đây là thuật toán sử dụng phương pháp đóng gói để tạo ra một loạt các cây quyết định với một subset dữ liệu ngẫu nhiên. Vì vậy nên chúng ta phải đào tạo một mô hình nhiều lần trên mẫu ngẫu nhiên của tập dữ liệu. Tuy nhiên, bạn sẽ cần đạt được hiệu suất dự báo tốt từ thuật toán rừng ngẫu nhiên. Ngoài ra, trong phương pháp học tập toàn bộ này, chúng ta phải kết hợp đầu ra của tất cả các cây quyết định để đưa ra dự đoán cuối cùng.

Thuật toán học tập hồi quy logistic (Logistic Regression Machine Learning Algorithm)

Nói chung, tên của thuật toán này có thể hơi dễ nhầm lẫn vì nó chỉ tập trung vào nhiệm vụ phân loại và các vấn đề không phải là hồi quy. Hơn nữa, thuật toán này áp dụng một hàm hậu cần (logistic function) cho một sự kết hợp các tính năng tuyến tính với khả năng cần phải phân loại được một biến bị phụ thuộc.

Nguồn: Sưu tầm từ internet via dzone