Giải thích dễ hiểu về Hybrid Machine learning

Hybrid Machine learning (HML) là loại mô hình học máy lai, đã được sử dụng phổ biến trong thời gian gần đây. Chúng ta có thể đã ứng dụng nó đâu đó nhưng không nhận ra nó. Vì thế, việc hiểu về HML là cần thiết. Hôm nay, chúng ta sẽ đi tìm hiểu khái niệm cơ bản về mô hình học máy lai, phương pháp của nó thế nào và cách nó hoạt động ra làm sao.
Bài viết được lược dịch sang tiếng Việt từ bài gốc: "Hybrid Machine Learning Explained in Nontechnical Terms" của tác giả Fatai Anifowose, đăng trên Journal of Petroleum technology. Link gốc bài viết hãy xem ở đây: https://jpt.spe.org/hybrid-machine-learning-explained-nontechnical-terms
1. Giới thiệu tổng quan
Chúng ta đã khá quen thuộc với công nghệ trí tuệ nhân tạo (AI) và cách nó liên quan đến học máy (ML). Về cơ bản, AI là một lĩnh vực con của khoa học máy tính tập trung vào thiết kế và phát triển các hệ thống thông minh dưới dạng phần cứng, phần mềm hoặc cả hai. AI là công nghệ áp dụng cho nhiều lĩnh vực và tiên tiến như robot, xử lý ngôn ngữ tự nhiên, hệ thống chuyên gia và ML. ML là khía cạnh tính toán của AI sử dụng các quy trình khai thác kiến thức, nhận diện mẫu và khai thác dữ liệu để tự động học từ dữ liệu và phát triển các luồng công việc dự đoán. Phương pháp ML giám sát truyền thống bao gồm trình bày dữ liệu đầu vào (biến dự báo và biến mục tiêu) cho một mô hình được đào tạo. Quá trình đào tạo tìm kiếm để xác định thông qua một quy trình lặp lại một tập hợp các thông số mô hình tối đa hóa mối quan hệ giữa biến dự báo (đặc trưng đầu vào) và biến mục tiêu. Mô hình đã được đào tạo nhận dữ liệu đầu vào mới cho các biến dự báo và sử dụng mẫu được nhận dạng để ước tính biến mục tiêu. Hình 1 trình bày đơn giản hóa của phương pháp này.
- Nếu thuật toán Fuzzy ranking (FR) được sử dụng để xếp hạng và chọn trước các đặc trưng tối ưu trước khi áp dụng thuật toán SVM trên dữ liệu, điều này có thể được gọi là một mô hình kết hợp FR-SVM (Hình 5).
- Nếu một mô-đun PCA được sử dụng để trích xuất một phần ma trận dữ liệu đủ để giải thích dữ liệu gốc trước khi áp dụng mạng neural trên dữ liệu, chúng ta có thể gọi đó là một mô hình PCA-ANN kết hợp.
- Nếu một thuật toán Singular value decomposition (SVD) được sử dụng để giảm chiều dữ liệu trước khi áp dụng một mô hình Extreme learning machine (ELM), thì chúng ta có thể gọi đó là một mô hình SVD-ELM kết hợp.
- Phương pháp logic mờ có thể được xem như là một cách lai nếu các quy trình mờ hóa và giải mờ mà đứng trước và sau inference engine được xem như các nhiệm vụ tiền xử lý và sau xử lý được tích hợp một cách mượt mà với inference engine.
- Nếu thuật toán tối ưu hóa đàn hồi (PSO) được sử dụng để tối ưu hóa các thông số huấn luyện của một mô hình ANN, thì mô hình trở thành phương pháp kết hợp PSO-ANN.
- Khi thuật toán di truyền (GA) được sử dụng để tối ưu hóa các thông số huấn luyện của phương pháp ANFIS, thì phương pháp trở thành một mô hình kết hợp GANFIS.
- Tương tự, với các thuật toán tối ưu hóa tiến hóa khác như Bee, Ant, Bat và Fish Colony được kết hợp với các phương pháp truyền thống Học máy để tạo thành các mô hình kết hợp tương ứng của chúng.
Reviewed by VinhHD
on
14:47
Rating:


.jpg)
.jpg)
.jpg)
.jpg)






.gif)
.gif)
.gif)
.gif)


