Các thuật toán phổ biến trong Trí tuệ Nhân tạo (AI)

Các thuật toán phổ biến trong Trí tuệ Nhân tạo (AI) được đề cập trong các nguồn tài liệu bao gồm nhiều loại hình, từ các thuật toán học máy truyền thống đến các kiến trúc học sâu phức tạp. Dưới đây là tổng hợp các thuật toán và mô hình nổi bật:

Các Thuật toán Hồi quy (Regression Algorithms)#

• Hồi quy tuyến tính (Linear Regression): Một mô hình đơn giản, dễ hiểu và dễ giải thích, thường được sử dụng trong nhiều ứng dụng để dự đoán một giá trị liên tục. Tuy nhiên, nó không thể tổng quát hóa tốt với dữ liệu phi tuyến tính và nhạy cảm với nhiễu.

• Hồi quy Logistic (Logistic Regression): Mặc dù tên gọi là "hồi quy", đây là một thuật toán phổ biến dùng cho các bài toán phân loại nhị phân.

• Thuật toán Học Perceptron (Perceptron Learning Algorithm - PLA): Một thuật toán học có giám sát đơn giản cho các bài toán phân loại nhị phân.

• Hồi quy Ridge (Ridge Regression): Một biến thể của hồi quy tuyến tính giúp tránh hiện tượng quá khớp (Overfitting).

• Hồi quy Đa thức (Polynomial Regression).

• Hồi quy K-nearest Neighbors (KNN regression).

Các Thuật toán Phân cụm (Clustering Algorithms)#

Các thuật toán này thuộc nhóm học không giám sát, giúp tìm kiếm các cấu trúc ẩn trong dữ liệu không được gán nhãn.

• K-means: Một thuật toán phân cụm chia dữ liệu thành K nhóm, trong đó các đối tượng trong cùng một cụm có sự giống nhau/tương tự, và khác biệt với các đối tượng ở các cụm khác.

• K-nearest Neighbors (KNN): Một thuật toán được sử dụng cho cả phân loại và hồi quy. KNN rất nhạy cảm với nhiễu khi K nhỏ và có độ phức tạp tính toán lớn khi dữ liệu và K lớn.

• Phân cụm phân vùng (Partitional Clustering): Bao gồm các thuật toán như CLARANS, K-Medoids.

• Phân cụm phân cấp (Hierarchical Clustering): Bao gồm các phương pháp như Agglomerative (AGNES), Divisive (DIANA), CURE, BIRCH, Chameleon.

• Phân cụm dựa trên mật độ (Density-Based Clustering): Bao gồm DBSCAN, OPTICS, DENCLUE, NBC.

Các Kiến trúc/Mô hình Học sâu (Deep Learning Architectures/Models)#

Học sâu là một nhánh của AI, sử dụng các mạng nơ-ron nhân tạo với nhiều lớp để học các biểu diễn phức tạp từ dữ liệu.

• Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) hay Mạng nơ-ron sâu (Deep Neural Network - DNN): Nền tảng của học sâu, là một nhóm các nút được kết nối với nhau, lấy cảm hứng từ các nơ-ron trong não bộ.

• Mạng nơ-ron tích chập (Convolutional Neural Network - CNN): Rất hiệu quả trong xử lý ảnh và video, nhận diện khuôn mặt và ký tự quang học. Các mô hình CNN tiêu biểu bao gồm: AlexNet

  • VGGNet

  • Inception/GoogLeNet

  • ResNet

  • MobileNet: Một kiến trúc CNN hiệu quả, tối ưu cho các thiết bị di động.

• Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN): Thích hợp cho dữ liệu chuỗi có quan hệ thời gian, như xử lý ngôn ngữ tự nhiên (NLP) và dự báo chuỗi thời gian. Mạng bộ nhớ dài-ngắn hạn (Long Short-Term Memory - LSTM): Một biến thể của RNN giải quyết vấn đề gradient biến mất, hiệu quả trong việc học các phụ thuộc dài hạn.

  • Mạng đơn vị hồi quy cổng (Gated Recurrent Unit - GRU): Một biến thể khác của RNN cũng giúp kiểm soát luồng thông tin và giảm thiểu vấn đề gradient biến mất.

• Mã hóa tự động (Autoencoder - AE): Một mạng nơ-ron được sử dụng để giảm chiều dữ liệu (phi tuyến tính).

• Mạng đối nghịch tạo sinh (Generative Adversarial Network - GAN): Có khả năng tạo ra dữ liệu mới như ảnh y tế hoặc dữ liệu tổng hợp, cũng được ứng dụng trong thử đồ ảo (Virtual-Try On).

• Transformer: Một kiến trúc mới, đặc biệt hiệu quả trong xử lý ngôn ngữ tự nhiên và giải quyết vấn đề phụ thuộc tầm xa tốt hơn RNN truyền thống.

• Mạng nơ-ron đồ thị (Graph Neural Networks).

• WAVENET: Một kiến trúc CNN được sử dụng trong dự báo chuỗi thời gian.

Các Thuật toán Tối ưu hóa (Optimization Algorithms)#

Các thuật toán này được sử dụng để cập nhật các tham số của mô hình (trọng số) nhằm giảm hàm mất mát.

• Hạ Gradient ngẫu nhiên (Stochastic Gradient Descent - SGD): Một thuật toán tối ưu hóa dùng để cập nhật trọng số của các mô hình học sâu.

• Adam Optimizer: Một thuật toán tối ưu hóa phổ biến, được coi là tốt nhất trong thực hành.

• SGD với Momentum (SGD with Momentum).

• Lan truyền ngược (Backpropagation): Một thuật toán tính toán gradient của hàm mất mát đối với trọng số mạng, giúp cập nhật trọng số để giảm hàm mất mát.

Các Thuật toán Giảm chiều dữ liệu (Dimensionality Reduction Algorithms)#

Giúp giảm số lượng thuộc tính trong dữ liệu mà vẫn giữ lại thông tin quan trọng.

• Phân tích thành phần chính (Principal Component Analysis - PCA): Một kỹ thuật học không giám sát tìm một không gian mới với số chiều nhỏ hơn, giữ lại thông tin tối đa từ dữ liệu gốc.

• Phân tích biệt thức tuyến tính (Linear Discriminant Analysis - LDA): Tìm một không gian mới sao cho các điểm cùng lớp gần nhau và các điểm khác lớp cách xa nhau. LDA cần nhãn dữ liệu (học có giám sát).

• Phân tích giá trị đơn (Singular Value Decomposition - SVD).

• Autoencoder (AE): Cũng được dùng cho giảm chiều dữ liệu phi tuyến tính.

Các Thuật toán/Kỹ thuật Quan trọng khác#

• Học tăng cường tài chính dựa trên dữ liệu (FINRL-META): Cung cấp môi trường thị trường và điểm chuẩn cho Học tăng cường tài chính.

• AI tạo sinh (Generative AI): Một xu thế AI nổi bật, có khả năng tạo ra nội dung mới như văn bản, hình ảnh, video, mã phần mềm, hoặc dữ liệu tổng hợp.

• Học chuyển giao (Transfer Learning): Kỹ thuật tái sử dụng một mô hình đã được huấn luyện trước trên một tập dữ liệu lớn. Điều này đòi hỏi thay đổi lớp cuối cùng của mô hình để phù hợp với số lớp trong tập dữ liệu mới.

• Phương pháp tổng hợp (Ensemble Methods): Kết hợp nhiều mô hình để cải thiện hiệu suất, ví dụ như Max Voting, Weighted Average.

• Word2vec: Một kỹ thuật được sử dụng trong Kỹ thuật đặc trưng (Feature Engineering) cho Xử lý ngôn ngữ tự nhiên (NLP).

• AutoML: Lĩnh vực tự động hóa quá trình học máy.