Giới thiệu về Học Không Giám Sát

Học không giám sát, một dạng nền tảng của học máy, vẫn đang tiếp tục phát triển. Cách tiếp cận này tập trung vào các véc-tơ đầu vào không có giá trị mục tiêu tương ứng, và đã có những bước tiến đáng kể trong khả năng nhóm và diễn giải thông tin dựa trên điểm tương đồng, khuôn mẫu và khác biệt. Những tiến bộ mới nhất trong các mô hình học sâu không giám sát đã tăng cường năng lực này, cho phép hiểu tinh tế hơn về các tập dữ liệu phức tạp.

Đến năm 2024, các thuật toán học không giám sát, vốn truyền thống không dựa vào phép ánh xạ đầu vào–đầu ra, đã trở nên tự chủ và hiệu quả hơn trong việc khám phá các cấu trúc tiềm ẩn của dữ liệu không gán nhãn. Sự độc lập khỏi “người dạy” này được củng cố nhờ sự ra đời của các kỹ thuật tự giám sát tinh vi, giúp giảm đáng kể sự phụ thuộc vào dữ liệu gán nhãn.

Hơn nữa, lĩnh vực này đã đạt được tiến bộ trong việc tích hợp học không giám sát với các nhánh AI khác, như học tăng cường, dẫn đến các hệ thống thích ứng và thông minh hơn. Những hệ thống này vượt trội trong việc nhận diện khuôn mẫu và bất thường trong dữ liệu, mở đường cho các ứng dụng đổi mới trên nhiều lĩnh vực. Bài viết này đi sâu hơn vào học không giám sát, khám phá các loại khác nhau và mục đích sử dụng của chúng. 

Học Có Giám Sát và Học Không Giám Sát 

Trong bảng dưới đây, chúng tôi so sánh một số khác biệt chính giữa học không giám sát và học có giám sát: 

Các Loại Học Không Giám Sát

Ở phần mở đầu, chúng tôi đề cập rằng học không giám sát là phương pháp dùng để nhóm dữ liệu khi không có nhãn. Vì không có nhãn, các phương pháp học không giám sát thường được áp dụng để xây dựng biểu diễn cô đọng của dữ liệu, từ đó chúng ta có thể tạo ra nội dung mang tính gợi mở. 

Ví dụ, nếu chúng ta ra mắt một sản phẩm mới, có thể dùng phương pháp học không giám sát để xác định thị trường mục tiêu cho sản phẩm: bởi không có thông tin lịch sử về khách hàng mục tiêu và đặc điểm nhân khẩu học của họ. 

Học không giám sát có thể được chia thành ba nhiệm vụ chính: 

• Phân cụm
• Luật kết hợp
• Giảm chiều dữ liệu.  

Hãy tìm hiểu sâu hơn từng loại:

Phân cụm

Về mặt lý thuyết, các điểm dữ liệu trong cùng một nhóm có xu hướng có thuộc tính tương tự. Bạn có thể quan sát hiện tượng này trong bảng tuần hoàn. Các phần tử trong cùng một nhóm, cách nhau mười tám cột, có cùng số electron ở lớp vỏ ngoài cùng và tạo liên kết cùng kiểu. 

Đây là ý tưởng cốt lõi của các thuật toán phân cụm; Phương pháp phân cụm liên quan đến việc nhóm dữ liệu không gán nhãn dựa trên điểm tương đồng và khác biệt của chúng. Khi hai điểm dữ liệu thuộc các nhóm khác nhau, ta có thể suy ra chúng có các thuộc tính không giống nhau. 

Phân cụm là một dạng học không giám sát phổ biến. Thậm chí có thể chia nhỏ hơn thành các kiểu phân cụm khác nhau; chẳng hạn: 

• Phân cụm loại trừ: Dữ liệu được nhóm sao cho một điểm dữ liệu chỉ thuộc duy nhất một cụm. 
• Phân cụm chồng lặp: Phân cụm mềm, trong đó một điểm dữ liệu có thể thuộc nhiều cụm với các mức độ thành viên khác nhau. 
• Phân cụm phân cấp: Kiểu phân cụm tạo nhóm sao cho các điểm tương tự nằm cùng nhóm và các đối tượng khác biệt nằm ở nhóm khác. 
• Phân cụm xác suất: Các cụm được tạo dựa trên phân phối xác suất.

Khai phá Luật Kết hợp

Kiểu học không giám sát này sử dụng cách tiếp cận dựa trên luật để khám phá các mối quan hệ thú vị giữa các đặc trưng trong một tập dữ liệu. Nó hoạt động bằng cách dùng thước đo độ quan tâm để xác định các luật mạnh được tìm thấy trong dữ liệu. 

Chúng ta thường thấy khai phá luật kết hợp được dùng trong phân tích giỏ hàng: đây là kỹ thuật khai phá dữ liệu giúp nhà bán lẻ hiểu rõ hơn các mẫu hành vi mua sắm của khách hàng dựa trên mối quan hệ giữa các sản phẩm khác nhau. 

Thuật toán được dùng rộng rãi nhất cho học luật kết hợp là Apriori. Tuy vậy, còn có các thuật toán khác như Eclat và FP-growth cũng được sử dụng cho kiểu học không giám sát này. 

Giảm Chiều Dữ Liệu

Các thuật toán phổ biến dùng để giảm chiều dữ liệu gồm phân tích thành phần chính (PCA) và Phân rã Giá trị Kỳ dị (SVD). Các thuật toán này tìm cách biến đổi dữ liệu từ không gian chiều cao xuống không gian chiều thấp mà không làm mất đi các thuộc tính có ý nghĩa trong dữ liệu gốc. Các kỹ thuật này thường được triển khai trong giai đoạn phân tích dữ liệu khám phá (EDA) hoặc xử lý dữ liệu để chuẩn bị cho việc xây dựng mô hình.

Giảm chiều dữ liệu trong EDA giúp trực quan hóa dữ liệu: bởi việc trực quan hóa dữ liệu với hơn ba chiều là rất khó. Ở góc độ xử lý dữ liệu, giảm chiều giúp đơn giản hóa bài toán mô hình hóa.

Khi có nhiều đặc trưng đầu vào hơn được đưa vào mô hình, mô hình phải học một hàm xấp xỉ phức tạp hơn. Hiện tượng này thường được tóm gọn bằng cụm từ “lời nguyền chiều dữ liệu.” 

Ứng dụng của Học Không Giám Sát

Hầu hết các lãnh đạo doanh nghiệp sẽ không gặp khó khăn khi xác định các trường hợp sử dụng cho nhiệm vụ học máy có giám sát; nhưng điều này không hẳn đúng với học không giám sát. 

Một lý do có thể là do bản chất rủi ro. Học không giám sát mang lại nhiều rủi ro hơn so với học có giám sát vì không có cách rõ ràng để đo lường kết quả so với “sự thật nền” theo cách ngoại tuyến, và có thể quá rủi ro để đánh giá trực tuyến. 

Dẫu vậy, vẫn có nhiều trường hợp sử dụng học không giám sát có giá trị ở cấp độ doanh nghiệp. Ngoài việc dùng các kỹ thuật không giám sát để khám phá dữ liệu, một số trường hợp thực tiễn phổ biến gồm: 

• Xử lý ngôn ngữ tự nhiên (NLP). Google News được biết là tận dụng học không giám sát để phân loại các bài báo theo cùng một câu chuyện từ nhiều hãng tin khác nhau. Ví dụ, các bài về kỳ chuyển nhượng bóng đá có thể được gom dưới chuyên mục bóng đá.
• Phân tích hình ảnh và video. Các tác vụ Nhận thức Thị giác như nhận dạng đối tượng tận dụng học không giám sát.
• Phát hiện bất thường. Học không giám sát được dùng để nhận diện các điểm dữ liệu, sự kiện và/hoặc quan sát lệch khỏi hành vi bình thường của tập dữ liệu.
• Phân khúc khách hàng. Có thể tạo ra các chân dung người mua thú vị nhờ học không giám sát. Điều này giúp doanh nghiệp hiểu những đặc điểm chung và thói quen mua sắm của khách hàng, từ đó điều chỉnh sản phẩm phù hợp hơn.
• Hệ thống gợi ý. Hành vi mua sắm trong quá khứ kết hợp với học không giám sát có thể giúp doanh nghiệp khám phá các xu hướng dữ liệu để xây dựng chiến lược bán chéo hiệu quả.

Ví dụ Học Không Giám Sát bằng Python

Phân tích thành phần chính (PCA) là quá trình tính toán các thành phần chính rồi dùng chúng để thực hiện phép đổi cơ sở trên dữ liệu. Nói cách khác, PCA là một kỹ thuật giảm chiều dữ liệu trong học không giám sát. 

Việc giảm chiều dữ liệu hữu ích vì hai lý do chính: 

1. Khi có quá nhiều chiều để trực quan hóa trong một tập dữ liệu 
2. Để xác định n chiều dự báo tốt nhất phục vụ chọn đặc trưng khi xây dựng mô hình dự đoán. 

Trong phần này, chúng ta sẽ triển khai thuật toán PCA trong Python trên tập dữ liệu Iris và trực quan hóa bằng matplotlib. Xem sổ tay DataLab để làm theo mã nguồn dùng trong hướng dẫn này. 

Hãy bắt đầu bằng cách nhập các thư viện cần thiết và dữ liệu.

from sklearn.datasets import load_iris # Dataset
from sklearn.decomposition import PCA # Algorithm
import matplotlib.pyplot as plt # Visualization

# Load the data 
iris_data = load_iris(as_frame=True)

# Preview
iris_data.data.head()Được hỗ trợ bởi

Tập dữ liệu iris có bốn đặc trưng. Cố gắng trực quan hóa dữ liệu ở bốn chiều trở lên là bất khả thi vì chúng ta không hình dung được mọi thứ ở không gian chiều cao trông như thế nào. Lựa chọn tốt hơn là biểu diễn ở ba chiều, điều này không phải bất khả thi nhưng vẫn đầy thách thức. 

Ví dụ:

"""
Credit: Rishikesh Kumar Rishi
Link: https://www.tutorialspoint.com/how-to-make-a-4d-plot-with-matplotlib-using-arbitrary-data
"""
plt.rcParams["figure.figsize"] = [7.00, 3.50]
plt.rcParams["figure.autolayout"] = True

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
sepal_length = iris_data.data["sepal length (cm)"]
sepal_width = iris_data.data["sepal width (cm)"]
petal_length = iris_data.data["petal length (cm)"]
petal_width = iris_data.data["petal width (cm)"]

ax.scatter(sepal_length, sepal_width, petal_length, c=petal_width)
plt.show()Được hỗ trợ bởi

Rất khó để rút ra insight từ biểu đồ này vì tất cả các điểm bị trộn lẫn do chúng ta chỉ có một góc nhìn khi trực quan hóa dữ liệu ba chiều trong trường hợp này.  

Với PCA, chúng ta có thể giảm số chiều dữ liệu xuống còn hai, nhờ đó việc trực quan hóa và phân biệt các lớp trở nên dễ dàng hơn. 

Lưu ý: Tìm hiểu cách triển khai PCA trong R tại “Hướng dẫn Phân tích Thành phần Chính trong R.”

# Instantiate PCA with 2 components
pca = PCA(n_components=2)

# Train the model 
pca.fit(iris_data.data)
iris_data_reduced = pca.fit_transform(iris_data.data)

# Plot data
plt.scatter(
    iris_data_reduced[:,0],
    iris_data_reduced[:,1],
    c=iris_data.target
)
plt.show()Được hỗ trợ bởi

Trong đoạn mã trên, chúng ta biến đổi các đặc trưng của tập dữ liệu iris, chỉ giữ lại hai thành phần, rồi vẽ dữ liệu đã giảm chiều trên mặt phẳng hai chiều.  

Giờ đây, việc thu thập thông tin về dữ liệu và cách các lớp được tách biệt trở nên dễ dàng hơn nhiều. Ta có thể dùng insight này để quyết định các bước tiếp theo nếu muốn huấn luyện một mô hình học máy trên dữ liệu. 

Kết luận

Học không giám sát đề cập đến một lớp bài toán trong học máy, trong đó mô hình được dùng để đặc trưng hóa hoặc trích xuất các mối quan hệ trong dữ liệu. 

Trái ngược với học có giám sát, các thuật toán học không giám sát khám phá cấu trúc tiềm ẩn của tập dữ liệu chỉ từ các đặc trưng đầu vào. Điều này có nghĩa là mô hình học không giám sát không cần “người dạy” để sửa sai, khác với học có giám sát. 

Trong bài viết này, bạn đã học ba loại chính của học không giám sát, gồm khai phá luật kết hợp, phân cụm và giảm chiều dữ liệu. Bạn cũng đã biết một số ứng dụng của học không giám sát, và cách thực hiện giảm chiều bằng thuật toán PCA trong Python. 

Tại sao không khám phá thêm các tài nguyên sau để tiếp tục học tập: 

• Khóa học Học Không Giám Sát trong R 
• Hướng dẫn Nhập môn Phân cụm k-Means với Scikit-learn trong Python
• Khóa học Phân tích Cụm trong R
• DBSCAN: Khảo sát Vĩ mô trong Python hướng dẫn
• Hướng dẫn NLP với BERT