Machine Learning Basics

A subset of AI that involves training algorithms to learn from data and make predictions or decisions
Types:
- Supervised learning: labeled data, algorithm learns to map inputs to outputs
- Unsupervised learning: unlabeled data, algorithm discovers patterns or structure
- Reinforcement learning: algorithm learns through trial and error, receives rewards or penalties
Applications:
- Image and speech recognition
- Recommendation systems
- Predictive modeling

A subfield of AI that deals with the interaction between computers and human language
Goals:
- Language understanding: computers comprehend human language
- Language generation: computers produce human-like language
Techniques:
- Tokenization: breaking down language into individual words or tokens
- Sentiment analysis: determining the emotional tone of text
- Named entity recognition: identifying specific entities in text (e.g. people, places, organizations)
Applications:
- Chatbots and virtual assistants
- Sentiment analysis and opinion mining
- Language translation and localization

A subfield of AI that deals with enabling computers to interpret and understand visual data from the world
Goals:
- Image recognition: identifying objects, people, and scenes in images
- Object detection: locating specific objects within images
- Image segmentation: dividing images into regions of interest
Techniques:
- Convolutional neural networks (CNNs): using neural networks to process image data
- Edge detection: identifying boundaries and contours in images
- Optical character recognition (OCR): extracting text from images
Applications:
- Image and video analysis
- Autonomous vehicles and robotics
- Surveillance and security systems

A subfield of machine learning that involves the use of neural networks with multiple layers
Characteristics:
- Ability to learn complex patterns and relationships in data
- Can be used for both supervised and unsupervised learning
Techniques:
- Convolutional neural networks (CNNs): using neural networks to process image data
- Recurrent neural networks (RNNs): using neural networks to process sequential data
- Generative adversarial networks (GANs): using neural networks to generate new data
Applications:
- Image and speech recognition
- Natural language processing and language translation
- Game playing and decision making

A machine learning model inspired by the structure and function of the human brain
Components:
- Artificial neurons: processing units that receive and transmit information
- Connections: links between neurons that allow them to communicate
Types:
- Feedforward networks: information flows only in one direction
- Recurrent networks: information can flow in a loop
Applications:
- Pattern recognition and classification
- Function approximation and optimization
- Game playing and decision making

Là một phần của Trí Tuệ Nhân Tạo, Máy Học Máy liên quan đến việc đào tạo thuật toán để học từ dữ liệu và đưa ra dự đoán hoặc quyết định
Có các loại:
- Học có giám sát: dữ liệu có nhãn, thuật toán học để ánh xạ đầu vào đến đầu ra
- Học không giám sát: dữ liệu không có nhãn, thuật toán phát hiện mẫu hoặc cấu trúc
- Học tăng cường: thuật toán học qua thử và sai, nhận thưởng hoặc phạt

Là một lĩnh vực của Trí Tuệ Nhân Tạo, Xử lý Ngôn ngữ Tự nhiên liên quan đến tương tác giữa máy tính và ngôn ngữ người
Mục tiêu:
- Hiểu ngôn ngữ: máy tính hiểu ngôn ngữ người
- Phát triển ngôn ngữ: máy tính sản xuất ngôn ngữ giống người
Kỹ thuật:
- Phân tích token: chia ngôn ngữ thành các từ riêng lẻ
- Phân tích cảm xúc: xác định tông cảm xúc của văn bản
- Nhận dạng thực thể có tên: xác định thực thể cụ thể trong văn bản (ví dụ: người, địa điểm, tổ chức)
Ứng dụng:
- Chatbot và trợ lý ảo
- Phân tích cảm xúc và khai thác ý kiến
- Dịch ngôn ngữ và địa phương hóa

Là một lĩnh vực của Trí Tuệ Nhân Tạo, Thị giác Máy Tính liên quan đến khả năng của máy tính để giải thích và hiểu dữ liệu hình ảnh từ thế giới
Mục tiêu:
- Nhận dạng hình ảnh: xác định đối tượng, người, và cảnh trong hình ảnh
- Phát hiện đối tượng: xác định vị trí của đối tượng trong hình ảnh
- Phân chia hình ảnh: chia hình ảnh thành các khu vực quan tâm
Kỹ thuật:
- Mạng thần kinh Convolutional (CNN): sử dụng mạng thần kinh để xử lý dữ liệu hình ảnh
- Phát hiện cạnh: xác định biên và đường nét trong hình ảnh
- Nhận dạng ký tự quang học (OCR): trích xuất văn bản từ hình ảnh
Ứng dụng:
- Phân tích hình ảnh và video
- Phương tiện giao thông tự lái và robot
- Hệ thống giám sát và an ninh

Là một lĩnh vực của Máy Học Máy, Học sâu liên quan đến việc sử dụng mạng thần kinh với nhiều lớp
Điểm đặc biệt:
- Khả năng học các mẫu và mối quan hệ phức tạp trong dữ liệu
- Có thể được sử dụng cho cả học có giám sát và học không giám sát
Kỹ thuật:
- Mạng thần kinh Convolutional (CNN): sử dụng mạng thần kinh để xử lý dữ liệu hình ảnh
- Mạng thần kinh tuần hoàn (RNN): sử dụng mạng thần kinh để xử lý dữ liệu tuần tự
- Mạng thần kinh đối kháng sinh (GAN): sử dụng mạng thần kinh để sinh dữ liệu mới
Ứng dụng:
- Nhận dạng hình ảnh và giọng nói
- Xử lý ngôn ngữ và dịch ngôn ngữ
- Đánh giá và quyết định

Là một mô hình Máy Học Máy được lấy cảm hứng từ cấu trúc và chức năng của não người
Thành phần:
- Neuron nhân tạo: đơn vị xử lý nhận và truyền tin
- Kết nối: liên kết giữa neuron cho phép chúng giao tiếp
Loại:
- Mạng thần kinh feedforward: tin chỉ chảy theo một hướng
- Mạng thần kinh tuần hoàn: tin có thể chảy theo vòng
Ứng dụng:
- Nhận dạng mẫu và phân lớp
- Xấp xỉ hàm và tối ưu hóa
- Đánh giá và quyết định