(Bài 2) Machine Learning là gì?

Machine Learning là gì?

Machine Learning (ML) – hay Học máy – là một nhánh của Trí tuệ nhân tạo (AI) cho phép máy tính tự học từ dữ liệu, tự rút ra quy luật và tự đưa ra quyết định mà không cần lập trình thủ công từng bước.

Trong ML, con người chỉ cần cung cấp:

• Dữ liệu (data)

• Mục tiêu (task)

• Phương pháp học (algorithm)

Phần còn lại: máy tự học → tự tối ưu → tự cải thiện khi có nhiều dữ liệu hơn.

Không phải ngẫu nhiên mà Machine Learning trở thành “bộ não” cho các sản phẩm công nghệ hiện nay như chatbot, hệ thống đề xuất, xe tự lái và nhận diện hình ảnh.

---

Vì sao Machine Learning quan trọng?

Chúng ta sống trong thời đại dữ liệu tăng theo cấp số nhân. Mỗi ngày:

• 500 triệu tweet được gửi đi

• Hàng tỉ lượt truy cập website được ghi lại

• Hàng trăm triệu hình ảnh được tải lên mạng xã hội

• Hệ thống camera tạo ra hàng petabyte video

• Ngân hàng tạo ra hàng chục triệu giao dịch

Dung lượng lớn như vậy khiến con người không thể tự phân tích thủ công.

Machine Learning giúp:

• Xử lý dữ liệu lớn

• Tìm ra quy luật mà con người không thấy

• Dự đoán tương lai

• Ra quyết định tự động

• Tối ưu hệ thống theo thời gian

ML quan trọng đến mức gần như mọi công ty lớn đều có đội ngũ Machine Learning riêng.

---

Machine Learning hoạt động như thế nào?

Machine Learning hoạt động theo 6 bước chính – quy trình này giúp máy tính học từ dữ liệu và cải thiện liên tục.

1. Thu thập dữ liệu

Dữ liệu có thể là:

• Văn bản

• Ảnh

• Video

• Âm thanh

• Log website

• Dữ liệu y tế

• Giao dịch ngân hàng

• Lịch sử người dùng

Dữ liệu chính là “nhiên liệu” của ML.

2. Làm sạch dữ liệu

Dữ liệu thô chứa rất nhiều lỗi:

• Trùng lặp

• Giá trị thiếu

• Ảnh mờ

• Số liệu bất thường

Nếu dữ liệu kém → mô hình học sai.

3. Chọn đặc trưng (Feature Engineering)

Feature là thông tin quan trọng mà mô hình dùng để học.
Ví dụ: Dự đoán giá nhà → diện tích, vị trí, số phòng, vật liệu xây dựng.

Chọn feature tốt = mô hình mạnh.

4. Chọn thuật toán phù hợp

Mỗi bài toán cần thuật toán riêng:

• Dự đoán → Regression

• Phân loại → Classification

• Nhận diện ảnh → CNN

• Dự đoán chuỗi thời gian → LSTM

5. Huấn luyện mô hình

Mô hình học từ dữ liệu và điều chỉnh trọng số (weights) để giảm sai số.

6. Đánh giá và triển khai

Sau khi đạt độ chính xác mong muốn, mô hình sẽ được:

• Tích hợp vào website

• Đưa lên API

• Tích hợp vào app

• Sử dụng trong doanh nghiệp

---

Các nhóm Machine Learning cơ bản

Machine Learning được chia thành 3 nhóm chính dưới đây.

---

Học có giám sát (Supervised Learning)

Đây là dạng phổ biến nhất. Máy học từ dữ liệu đã được gán nhãn.

Ví dụ:

• Ảnh → “Dog”

• Ảnh → “Cat”

• Email → “Spam” hoặc “Not spam”

Máy học dựa vào các cặp dữ liệu (Input – Output) và tự tìm quy luật.

Ví dụ thực tế

• Facebook tự nhận diện khuôn mặt

• Gmail lọc thư rác

• Bệnh viện dự đoán nguy cơ bệnh

• Sàn thương mại điện tử gợi ý sản phẩm

• Ngân hàng dự đoán khả năng vỡ nợ

Loại bài toán trong Supervised Learning

• Classification (Phân loại)

• Regression (Dự đoán giá trị liên tục)

---

Học không giám sát (Unsupervised Learning)

Dùng khi dữ liệu không có nhãn. Máy tự tìm cấu trúc ẩn trong dữ liệu.

Ví dụ thực tế

• TikTok phân nhóm người xem để cá nhân hóa nội dung

• Phát hiện giao dịch bất thường (fraud detection)

• Marketing phân nhóm khách hàng (customer segmentation)

• Tìm điểm tương đồng trong dữ liệu lớn

Các thuật toán phổ biến

• K-means clustering

• PCA (giảm chiều dữ liệu)

• AutoEncoder

---

Học tăng cường (Reinforcement Learning)

Máy học bằng cách thử – sai – nhận thưởng.

Quy trình:

1. AI thực hiện hành động

2. Nhận điểm thưởng (reward) hoặc phạt

3. Điều chỉnh hành vi để tối ưu kết quả

Ví dụ thực tế

• Xe tự lái học cách giữ làn

• Robot tối ưu đường đi trong kho hàng

• AI chơi game như Go, Dota 2

• Tối ưu quảng cáo theo thời gian thực

---

Một số thuật toán Machine Learning phổ biến

Linear Regression

Dự đoán giá trị liên tục (giá nhà, điểm thi, doanh thu).

Logistic Regression

Dùng cho phân loại (spam/not spam, bệnh/không bệnh).

Decision Trees & Random Forest

Tập hợp nhiều cây quyết định → mô hình mạnh và khó bị overfitting.

SVM (Support Vector Machine)

Tạo ranh giới tối ưu phân chia dữ liệu.

KNN (K-nearest neighbors)

Dùng “hàng xóm gần nhất” để dự đoán.

Neural Networks

Mạng neuron mô phỏng não bộ, dùng cho:

• Ảnh

• Video

• Âm thanh

• Ngôn ngữ tự nhiên (NLP)

---

Ứng dụng Machine Learning trong đời sống

Machine Learning đã len lỏi vào mọi lĩnh vực.

1. Điện thoại thông minh

• Camera tự nhận diện cảnh vật

• Mở khóa bằng Face ID

• Gợi ý từ khóa thông minh

2. Mạng xã hội

• TikTok đề xuất video cực chính xác

• Facebook gợi ý bạn bè

• YouTube đề xuất video dựa trên lịch sử xem

3. Kinh doanh – Marketing

• Dự đoán hành vi mua hàng

• Cá nhân hóa trải nghiệm

• Chăm sóc khách hàng tự động bằng chatbot

4. Y tế

• Phân tích X-ray, MRI bằng AI

• Dự đoán ung thư

• Hỗ trợ bác sĩ đọc phim nhanh

5. Tài chính

• Chấm điểm tín dụng

• Phát hiện gian lận

• Tự động phê duyệt hồ sơ

---

Machine Learning khác gì Deep Learning?

Điểm khác nhau

Deep Learning là “bản nâng cấp” của Machine Learning.

---

Ưu điểm và hạn chế của Machine Learning

Ưu điểm

• Tự học từ dữ liệu

• Càng nhiều dữ liệu → càng chính xác

• Tự động hóa quy trình

• Ứng dụng rộng rãi

Hạn chế

• Cần dữ liệu chất lượng cao

• Có thể học nhầm nếu dữ liệu sai

• Khó giải thích (black-box)

• Tốn chi phí tính toán

---

Lộ trình học Machine Learning cho người mới

1. Học kiến thức nền tảng

• Toán: Đại số tuyến tính – xác suất

• Python: Numpy, Pandas

2. Học các thuật toán cơ bản

• Regression

• Classification

• Tree-based models

• SVM

• KNN

3. Thực hành dự án

• Dự đoán giá nhà

• Phân loại ảnh

• Phân nhóm khách hàng

4. Triển khai mô hình

• API

• Web

• Mobile app

---

Tổng kết

Machine Learning là nền tảng của AI hiện đại. Nhờ khả năng tự học, tự tối ưu, dự đoán chính xác và xử lý dữ liệu lớn, ML trở thành công nghệ cốt lõi trong mọi lĩnh vực: tài chính, y tế, marketing, giao thông, thương mại điện tử…

Để học AI đúng chuẩn, bạn cần nắm vững Machine Learning trước khi chuyển sang Deep Learning, NLP, Computer Vision hoặc LLM.

Series 5 bài viết tổng quan về AI cho người mới hoàn toàn

(Bài 1) Trí Tuệ Nhân Tạo (AI) Là Gì? – Kiến thức dành cho người mới

(Bài 2) Machine Learning là gì?

(Bài 3) Deep Learning là gì?

(Bài 4) Neural Network hoạt động ra sao?

(Bài 5) Các mô hình Deep Learning quan trọng