HackMD - Collaborative Markdown Knowledge Base

AI (Artificial Intelligent) 1. Trí tuệ tự nhiên (ở động vật và con người) * Khả năng quan sát Sự sáng tạo Thích nghi với môi trường Nhận biết vật Kĩ năng giải quyết vấn đề khả năng lên kế hoạch Biết sử dụng/Phát minh công cụ Khả năng ghi nhớ Năng lực về thể chất Các năng lực trên có được từ qua trình học hỏi, quan sát, rút kinh nghiệm, sử dụng kiến thức và kĩ năng. > 2 > . Trí tuệ nhân tạo (AI) Định nghĩa : Là máy tính với khả năng học và áp dụng kiến thức, kĩ năng. Lập trình AI tập trung vào ba kỹ năng nhận thức: học tập, lý luận và tự điều chỉnh Quá trình học tập (Knowledge) : tập trung vào việc thu thập dữ liệu và tạo ra các quy tắc về cách biến dữ liệu thành thông tin có thể thực hiện được. * *Quá trình suy luận (Ideas) * : giúp chọn đúng thuật toán để đạt được kết quả mong muốn. *Quá trình tự điều chỉnh (Solutions, product, services) * : được thiết kế để liên tục tinh chỉnh các thuật toán và đảm bảo chúng cung cấp kết quả chính xác nhất có thể. "Tại sao công nghệ AI ngày càng phát triển ở khắp nơi trên thế giới ?" Các thuật toán và công nghệ AI mang lại nhiều ưu thế. Công nghệ AI đã ảnh hưởng tốt đến cuộc sống của con người và dự kiến sẽ tiếp tục phát triển ở tỷ lệ cao trong tương lai, với điều kiện là các biện pháp phòng ngừa cần thiết được thực hiện. (VD: phần mềm dạy kèm học sinh tự động, giúp giải đáp các thắc mắc của từng cá nhân và chấm điểm bài thi) Giải quyết nhiều vấn đề đồng thời có tỉ lệ rủi ro thấp. (VD: xe không người lái) Công nghệ AI hiện tại có thể hỗ trợ y tế và chẩn đoán chính xác hơn so với bác sỹ nhờ các suy luận thống kê vượt trội so với đánh giá lâm sàng của các chuyên gia con người trong hầu hết các trường hợp. (VD: thiết bị lái tự động)7 "Vậy máy tính hơn con người ở điểm nào ?" Sự ổn định : có thể hoạt động liên tục mà không cần nghỉ ngơi ở một mức độ nhất định. Sự chính xác : số liệu luôn đúng trừ khi gặp những trục trặc nhỏ về phần mềm hay tác động từ bên ngoài,… Sự khách quan : ý kiến chủ quan, cảm xúc của cá nhân không ảnh hưởng đến kết quả có được. Các lĩnh vực áp dụng công nghệ AI: Chăm sóc sức khỏe Kinh doanh Giáo dục Tài chính Pháp luật Sản xuất AI Where do skills and knowledge come from? Quá trình học hỏi, tìm tòi cái mới, lặp đi lặp lại nhiều lần, khái quát hoá vấn đề tìm lỗi sai từ đó khắc phục sữa chữa. don't memorization do generalization How do they give us power? Khả năng dự báo - Prediction Ability (tưởng tượng, phán đoán và phân tích thành phẩm có thể xảy ra) CURIOUS LEARNING OF PREDICTIONS "I think, therefore I am!" - René Descartes. predictions -> anticipate the future predictions -> intention understanding & help predictions -> visual question answering (VQA) predictions -> planning (create & use tools, control environment) predictions -> commonsense (or lack thereof) : action-contigency / causality predictions -> change / event detection predictions -> adaption / learning How are predictions aquired? - Learn from education, under teacher supervision. Early, foundation knowledge and skills are acquired mainly through self-supervised learning : curious exploration and play; continually, progressively, for a long period of time - Learn from motor (goal) babbling. - Learn from imaginary play. - Learn from demonstrations (imitation). - Learn from dreams (experience replay). "Research is formalized curiosity." - Zora Hurston. Scientific Method : 1. Make an observation (Quan sát) 2. Form a hypothesis (Làm thí nghiệm) 3. Perform the experiment 4. Analyze the data 5. Report your findings 6. Invite others to reproduce the results How to learn to collaborate? 1. Observe. 2. In doubt (assists/requests & guides; asks for help). 3. Find way to help the person in need. HÀM SỐ TRÍ TUỆ Hàm số như một cỗ máy (function machines) Đầu vào -> Máy xử lí -> Đầu ra. Hàm số khuếch đại (Analog vs Digital machines): Đầu vào - truyền âm thanh -> Máy xử lí khuếch đại âm thanh -> Đầu ra - âm thanh được khuếch đại. Hàm hợp (Function composition) Đầu vào : Hàm số h = f(x) - cho kết quả y -> Cho vào máy g(y) - cho kết quả z -> Đầu ra : kết quả y của hàm h = f(g(x)) Hàm khả nghịch (Invertible functions) - Mã hóa và giải mã. Đầu vào : cái thấy/nghe được -> Cho vào máy chiết xuất thông tin -> Đầu ra : hình ảnh/âm thanh đã xử lí (giống với đầu vào) Hàm đa biến (Multi-Input) Đầu vào : một hay nhiều thông tin -> Xử lí thông tin -> Đầu ra : một hay nhiều kết quả Hàm hồi quy (Recurrent functions) - Dùng để dự báo về chuỗi thời gian (thời tiết, nhiệt độ, giá cả của khoảng thời gian trước để đưa ra dự đoán về tương lai gần) Đầu ra của lần trước là đầu vào của hàm số ở bước tiếp theo. Đầu vào : 1 từ -> Máy xử lí thông tin (từ dữ liệu cũ chiết xuất thông tin mà người nhập muốn biểu đạt) -> Đầu ra : từ có khả năng là từ tiếp theo. VD: chatbox, EasyOCR (bóc tách văn bản - số hoá, chuyển đổi từ hình ảnh sang chữ), Tesseract,... Hàm & tham số (Parametric functions) Đầu vào : biến số x -> Biến đổi các tham số a,b phù hợp với mục đích -> Đầu ra : kết quả hàm số y = f(x) Hàm tuyến tính (Linear functions) Đồ thị có đầu vào, đầu ra có dạng phẳng Hàm phi tuyến (Nonlinear functions) Đồ thị đầu vào, đầu ra có dạng cong. Ứng dụng vào đời sống. - Quét hình ảnh món ăn để tính tiền. - Lightbot : Xây dựng hàm số, luyện lập trình. - Thực Hành : Làm sao để dạy máy tính có được trí tuệ nhân tạo ?[](https://)Z đại diện cho toạ độ, tối đa là 1 (100%) Mỗi Z là đại diện cho toạ độ của đặc điểm x là đầu vào (hình, tiếng, số liệu, đặc trưng,...) : -nếu x là số dương ⇒ có đặc điểm đó -nếu x = 0 ⇒ không có đặc điểm đó -nếu x<0 ⇒ khác hoàn toàn y đầu ra Z là scatter (phân tán, khuếch tán) Mô hình hàm trí tuệ Từ input x→vùng khái niệm Z → I mũ Làm sao từ input x → Z ? - x là âm thanh, hình ảnh, thông tin,.... - Phải lấy mẫu và so khớp vd: từ vân tay ⇒ đặc trưng (keypoints) → so với mẫu + giống nhau ⇒ cùng một người + khác nhau ⇒ không cùng một người Z khác P ⇒ Z = 09 2•8 + 7•2 + 8•1=38 ⇒ dùng tích chấm để so sanh sự giống nhau - Khi chiết xuất được Z đem so với mẫu khác thì Z càng lớn thì mẫu càng giống. VD: cầu thủ đá banh nào có tố chức giống các cầu thủ tài năng thì sẽ dễ lựa chọn. - So khớp: đo sự giống nhau B1 Z: 2 8 :Z’ B2 Z: 7 x 2 :Z’ B3 Z: 1 8 :Z’ Tích chấm(Dot product): 2.8+7.2+1.8=38 Nếu tích Z và Z’rất dương thì 2 cá thể rất giống nhau về đặc điểm nào đó. Tính khoảng cách thẳng Tích chập Bài 9: TỪ Z ĐƯA RA DỰ BÁO ⇒ GOM NHÓM Chọn 1 vật trung tâm → so sánh các vật khac với vật trung tâm để gom nhóm. Gom K cụm (K-means clustering) - Chọn K điểm bất kì làm các centroid ban đầu - Gán mỗi input vào cluster có centroid gần nó nhất Ví dụ xét x1: d^2(x1,m1) = ? d^2(x1,m2) = ? d^2(x1,m3) = ? - rồi gán vào cluster c có d^2(x1,mc) nhỏ nhất - Nếu việc gán dữ liệu vào từng cluster ở bước 2 không thay đổi so với vòng lặp trước đó thì dừng - Cập nhật centroid cho từng cluster (trung bình cộng của tất cả điểm dữ liệu đã được gán vào cluster) - Quay lại bước 2 BÀI TOÁN PHÂN LOẠI-classification Phương pháp kNN (chọn khoảng cách gần nhất) 1. Quy trình - Đặc trưng B2; B1 * Có X1 → tương ứng Y1 * Có X2 → tương ứng Y2 Ví dụ:X1 → Y1: “đỏ” X2 → Y2: “đỏ” X3 → Y3: “xanh Xn → Yn : “xanh” - Phải vẽ hình tròn vì cần xác định khoảng cách bằng bán kính - E={(Xt;Y^t)}^n (với t bằng 1 → n) QUY TRÌNH 1. B1: so khoảng cách của vật cần tìm đến ví dụ 2. B2: chọn k điểm gần nhất, khoanh vùng 3. B3: tính số lượng từng nhãn dán và gán vào vật cần tìm XÁC SUẤT Xác suất là niềm tin, dự báo của chúng ta Normalize Vd: d1=0,5 d2=2,5 d3=1,5 . → 0 =< d1/tổng d =< 1 PERCEPTION-ACTION LOOP VÒNG LẶP TRI GIÁC- HÀNH ĐỘNG [](https://)