Học máy

Vật lý học

Kinh tế học

Sinh học phân tử

Lập kế hoạch và tìm kiếm

Học máy

Kinh tế học

Sinh học phân tử

Đánh dấu sự khởi đầu của nghiên cứu AI hiện đại.

Là thời điểm AI đạt được thành công lớn trong việc chơi cờ vua.

Là khi IBM giới thiệu Watson, một hệ thống AI có khả năng trả lời câu hỏi.

Là lúc DeepMind phát triển AlphaGo, đánh bại các cao thủ Go hàng đầu thế giới.

Thời kỳ vàng son, thời kỳ trầm lắng, và thời kỳ phục hưng.

Thời kỳ cổ đại, thời kỳ trung cổ, và thời kỳ hiện đại.

Thời kỳ chiến tranh, thời kỳ hòa bình, và thời kỳ cách mạng.

Thời kỳ analog, thời kỳ digital, và thời kỳ quantum.

Robot hút bụi nhận dạng vật cản, lập bản đồ

Máy giặt thông thường

Máy tính cơ bản chỉ thực hiện phép tính

Đèn tự động bật tắt theo cảm biến ánh sáng

Thiên vị dữ liệu và bảo mật thông tin

Tốc độ xử lý chậm

Thiết kế giao diện phức tạp

Khả năng lưu trữ thấp

Viết mã nguồn cho ứng dụng web

Lọc thư rác

Nhận dạng khuôn mặt

Dự đoán giá chứng khoán

5

4

3

2

Tác tử dựa trên mô hình

Tác tử phản xạ đơn giản

Tác tử mục tiêu

Tác tử học tập

Một trò chơi cờ vua, nơi người chơi có thể thấy toàn bộ bàn cờ.

Một trò chơi poker, nơi người chơi không biết bài của đối thủ.

Một robot di chuyển trong mê cung với một số khu vực bị che khuất.

Một hệ thống dự báo thời tiết, nơi dữ liệu có thể không đầy đủ.

Tất định (Deterministic)

Ngẫu nhiên (Stochastic)

Tĩnh (Static)

Cảm tính (Emotional)

Kết quả của một hành động trong môi trường là hoàn toàn dự đoán được.

Môi trường thay đổi ngẫu nhiên bất kể hành động của tác tử.

Tác tử có thể quan sát toàn bộ trạng thái của môi trường.

Môi trường không thay đổi trong khi tác tử đang suy nghĩ.

Môi trường không thay đổi trong khi tác tử đang ra quyết định.

Môi trường có thay đổi.

Môi trường thay đổi liên tục bất kể hành động của tác tử.

Tác tử có thể dự đoán được kết quả của hành động.

Tác tử dựa trên mô hình duy trì một mô hình nội tại về cách môi trường hoạt động.

Tác tử dựa trên mô hình chỉ phản ứng với thông tin hiện tại mà không cần lịch sử.

Tác tử dựa trên mô hình không cần cảm biến để nhận biết môi trường.

Tác tử dựa trên mô hình chỉ hoạt động trong môi trường ngẫu nhiên.

Sử dụng thông tin lịch sử và suy luận để đưa ra quyết định.

Chỉ dựa vào thông tin hiện tại từ cảm biến.

Tắt cảm biến để giảm độ phức tạp của vấn đề.

Tăng số lượng hành động ngẫu nhiên để thử nghiệm môi trường.

Tác tử bộ nhớ

Tác tử phản xạ có điều kiện

Tác tử dựa trên mô hình

Tác tử phản xạ đơn giản

Có nhiều tác tử tương tác với nhau, ảnh hưởng đến kết quả hành động.

Có nhiều tác tử cùng hoạt động và tương tác

Không có quan sát

Không có mục tiêu cụ thể

Cảm biến để nhận biết môi trường và cơ cấu chấp hành để thực hiện hành động.

Một bộ xử lý để tính toán dữ liệu đầu vào mà không cần hành động.

Một cơ chế ngẫu nhiên để chọn hành động mà không cần cảm biến.

Một giao diện người dùng để nhận lệnh từ con người.

Khả năng chọn hành động tối ưu dựa trên mục tiêu và thông tin hiện có.

Số lượng hành động mà tác tử có thể thực hiện trong một khoảng thời gian.

Khả năng thay đổi mục tiêu của tác tử theo thời gian.

Độ phức tạp của thuật toán được sử dụng trong tác tử.

Tác tử dựa trên mô hình

Tác tử dựa trên mục tiêu

Tác tử phản xạ đơn giản

Tác tử học tập

Động (dynamic)

Tĩnh (static)

Tất định (deterministic)

Đơn tác tử (single-agent)

Tìm kiếm theo chiều sâu (DFS)

Tìm kiếm theo chiều rộng (BFS)

Tìm kiếm tham lam (Greedy Search)

Tìm kiếm A*

DFS

BFS

IDS (Iterative Deepening Search)

A* với heuristic admissible

Tìm kiếm không thông tin không sử dụng heuristic để hướng dẫn quá trình tìm kiếm.

Tìm kiếm không thông tin luôn nhanh hơn tìm kiếm có thông tin.

Tìm kiếm không thông tin chỉ áp dụng cho các bài toán có không gian trạng thái nhỏ.

Tìm kiếm không thông tin yêu cầu thông tin đầy đủ về mục tiêu.

A*

Breadth-First Search (BFS)

Hill-Climbing Search

Greedy Best-First Search

O(|E|^2)

O(|V| + |E|)

O(|V|^2)

O(|V| * |E|)

9! / 2

9!

8!

8!/2

Iterative Deepening Search (IDS)

Uniform Cost Search (UCS)

Depth-Limited Search (DLS)

Chỉ áp dụng cho các bài toán không có trọng số.

A. Uniform Cost Search (UCS).

B. Depth-First Search (DFS).

C. Breadth-First Search (BFS).

D. Greedy Best-First Search.

A. Không bao giờ đánh giá quá cao chi phí thực tế đến mục tiêu.

B. Đảm bảo thuật toán A* tìm được đường đi tối ưu.

C. Luôn đánh giá thấp chi phí thực tế đến mục tiêu.

D. Chỉ áp dụng cho các bài toán không có trọng số.

A. Khoảng cách Euclidean giữa hai điểm trong không gian 2D.

B. Tổng khoảng cách từ tất cả các điểm qua điểm hiện tại đến mục tiêu.

C. Số bước tối đa cần thiết để đến mục tiêu.

D. Khoảng cách ngẫu nhiên giữa hai điểm.

A. f(n) = g(n) + h(n)

B. f(n) = g(n) * h(n)

C. f(n) = g(n) - h(n)

D. f(n) = h(n) / g(n)

A. Tìm kiếm cục bộ không duy trì danh sách các trạng thái đã thăm mà chỉ tập trung vào trạng thái hiện tại.

B. Tìm kiếm cục bộ luôn đảm bảo tìm được giải pháp tối ưu.

C. Tìm kiếm cục bộ yêu cầu heuristic admissible để hoạt động.

D. Tìm kiếm cục bộ khám phá toàn bộ không gian trạng thái.

A. Chọn trạng thái lân cận có giá trị heuristic tốt nhất từ trạng thái hiện tại.

B. Khám phá tất cả các trạng thái lân cận trước khi chọn một trạng thái ngẫu nhiên.

C. Quay lại trạng thái trước đó nếu không tìm thấy trạng thái tốt hơn.

D. Duy trì một hàng đợi ưu tiên để chọn trạng thái tiếp theo.

Có thể bị kẹt ở cực đại cục bộ (local maximum) và không đảm bảo tối ưu

Đảm bảo tìm được giải pháp tối ưu toàn cục.

Yêu cầu không gian bộ nhớ lớn như BFS.

Luôn tìm được đường đi ngắn nhất trong đồ thị.

Simulated Annealing cho phép chọn trạng thái xấu hơn với xác suất nhất định để thoát khỏi cực đại cục bộ.

Simulated Annealing luôn chọn trạng thái lân cận tốt nhất.

Simulated Annealing không sử dụng heuristic trong quá trình tìm kiếm.

Simulated Annealing yêu cầu không gian trạng thái hoàn toàn quan sát được.

Simulated Annealing

Genetic Algorithm

Hill Climbing

A*search

Nút có giá trị heuristic thấp nhất từ vị trí hiện tại đến mục tiêu.

Nút có chi phí đường đi thấp nhất từ điểm bắt đầu.

Nút có tổng chi phí đường đi và heuristic cao nhất.

Nút được chọn ngẫu nhiên từ danh sách các nút lân cận.

A* Search

BFS

Uniform-cost search

Depth-First Search

Đặt 8 quân hậu lên bàn cờ sao cho không quân nào tấn công quân khác.

Tìm đường đi ngắn nhất từ góc trái trên cùng đến góc phải dưới cùng.

Tính số cách đặt 8 quân hậu lên bàn cờ.

Xác định vị trí tối ưu cho một quân hậu duy nhất.

Số ô không đúng vị trí (Hamming distance).

Tổng khoảng cách từ điểm bắt đầu đến mục tiêu.

Số bước tối đa cần thiết để hoàn thành bài toán.

Số ô trống trên bàn cờ.

O(|V|^2)

O(|V|)

O(|V| + |E|)

O(|E|)

Ưu tiên mở rộng nút có giá trị heuristic thấp nhất từ điểm hiện tại đến mục tiêu.

Tìm kiếm từ điểm bắt đầu đến tất cả các điểm khác trong đồ thị mà không dùng heuristic.

Tìm kiếm ngẫu nhiên từ nhiều điểm trong không gian trạng thái.

Tìm kiếm đồng thời từ điểm bắt đầu và điểm mục tiêu cho đến khi gặp nhau.

h(n) ≤ h(m) + c(n, m) cho mọi n, m (bất đẳng thức tam giác). h(n) ≤ h(m) + c(n, m) cho mọi n, m (bất đẳng thức tam giác).

h(n) ≤ 0.

h(n) luôn lớn hơn chi phí thực tế.

h(n) bằng 0 tại mọi nút không phải mục tiêu.

Lai ghép (crossover) và đột biến (mutation).

Tăng độ sâu tìm kiếm qua mỗi vòng lặp.

Giảm chi phí đường đi bằng cách loại bỏ các nút không tối ưu.

Sử dụng heuristic để chọn trạng thái lân cận.

Hill Climbing

Breadth-First Search

Uniform Cost Search

Iterative Deepening Search

Đánh giá chất lượng của trạng thái hiện tại để hướng dẫn tìm kiếm.

Tính toán chi phí đường đi từ điểm bắt đầu đến trạng thái hiện tại.

Xác định số lượng trạng thái trong không gian tìm kiếm.

Đo lường độ phức tạp thời gian của thuật toán.

BFS

DFS

Hill Climbing

A*

Hàng đợi LIFO (ngăn xếp)

Hàng đợi FIFO

Hàng đợi ưu tiên

Ngăn xếp

Hàng đợi LIFO (stack)

Hàng đợi FIFO

Hàng đợi ưu tiên

Từ điển (dictionary)

Hàng đợi ưu tiên (priority queue)

Hàng đợi FIFO

Hàng đợi LIFO (stack)

Từ điển (dictionary)

O(bd)

O(bd/2)

O(b^d)

O(b+d)

O(bd)

O(bd/2)

O(b^d)

O(b+d)

DLS

Tìm kiếm theo chiều sâu (DFS)

Tìm kiếm theo chiều rộng (BFS)

IDS

f(n) = g(n) * h(n)

f(n) = g(n) - h(n)

f(n) = h(n)

f(n) = g(n) / h(n)

f(n) = g(n) * h(n)

f(n) = g(n) + h(n)

f(n) = h(n)

f(n) = g(n) / h(n)

h2 trội hơn h1

h1 trội hơn h2

h1 và h2 bằng nhau

không thỏa mãn

Là trạng thái tốt nhất toàn bộ

Mọi trạng thái lân cận không tốt hơn nó

Thuật toán không thoát ra được

Không phải trạng thái tốt nhất

Một hệ thống biểu diễn tri thức sử dụng các biểu thức đúng hoặc sai.

Một phương pháp suy diễn dựa trên các quy tắc if-then.

Một cách tiếp cận cho việc biểu diễn tri thức sử dụng các biến số.

Một thuật toán tìm kiếm dùng để giải quyết các vấn đề phức tạp.

∀x (P(x) ⇒ Q(x)) ≡ ¬∃x (P(x) ∧ ¬Q(x)) và ¬∀x P(x) ≡ ∃x ¬P(x)

∃x (∃x (P(x) ∧ Q(x)) ≡ ∀x (P(x) ⇒ Q(x))P(x) ∧ Q(x)) ≡ ∀x (P(x) ⇒ Q(x))

∀x (P(x) ∨ Q(x)) ≡ ∀x P(x) ∨ ∀x Q(x)

∀x (P(x) ⇒ Q(x))

Tác tử logic sử dụng tri thức biểu diễn dưới dạng logic để suy diễn và đưa ra quyết định.

Tác tử logic chỉ phản ứng với thông tin hiện tại từ cảm biến.

Tác tử logic không cần cảm biến để hoạt động.

Tác tử logic luôn chọn hành động ngẫu nhiên dựa trên môi trường.

Từ P và P=> Q, suy ra Q.

Từ P và Q, suy ra P ∧ Q.

Từ ¬P và P ∨ Q, suy ra Q.

Từ P ⇒ Q và ¬Q, suy ra ¬P.

Các câu logic biểu diễn tri thức

Danh sách hành động ngẫu nhiên

Tập hợp giá trị số

Câu logic

(P ∧ Q) ∨ (P ∧ R)

(P ∨ Q) ∧ (P ∨ R)

P ∨ (Q ∧ R)

(P ∧ Q) ∧ (P ∧ R)

Sử dụng các biến số, quan hệ, và định lượng (∀, ∃).

Sử dụng các câu chỉ có giá trị đúng hoặc sai mà không có biến số.

Sử dụng các phép toán số học để tính toán tri thức.

Sử dụng các quy tắc ngẫu nhiên để suy diễn.

Modus tollens

Modus ponens

Disjunctive syllogism

Conjunction elimination

Chỉ biểu diễn câu đúng/ sai và không biểu diễn quan hệ

Sử dụng định lượng ∀ và ∃

Yêu cầu mọi câu có biến số

Chỉ biểu diễn câu đúng/sai

Mọi con mèo đều là động vật có vú.

Một số con mèo là động vật có vú.

Nếu một thứ là động vật có vú thì nó là mèo.

Không có con mèo nào là động vật có vú.

Tồn tại ít nhất một x sao cho P(x) đúng và Q(x) sai.

Với mọi x, P(x) đúng và Q(x) sai.

Không tồn tại x nào mà P(x) đúng.

P(x) và Q(x) cùng đúng cho mọi x.

Từ P ∨ Q và ¬P ∨ R, suy ra Q ∨ R.

Từ P ∧ Q và ¬P, suy ra Q.

Từ P ⇒ Q và Q ⇒ R, suy ra P ∧ R.

Từ P ∨ Q và P ∧ R, suy ra Q ∧ R.

Quan hệ và định lượng

Phép toán số học

Câu không chứa biến số

Quan hệ

Kiểm tra xem có thể suy ra cả một câu và phủ định của nó hay không.

Đếm số lượng câu trong cơ sở tri thức.

Tính toán giá trị trung bình của các câu.

So sánh số lượng biến số trong mỗi câu.

Thay ∀x P(x) bằng P(c) cho một hằng số c cụ thể.

Thay ∃x P(x) bằng P(x) cho mọi x.

Thay P(x) bằng ∀x P(x) cho mọi trường hợp.

Thay P(c) bằng ¬P(c) cho một hằng số c.

P ⇒ R

P ∧ R

¬P ∨ R

Q ∧ R

Lỗi khẳng định hậu quả

Lỗi phủ định tiền đề

Lỗi phủ định hậu quả

Lỗi khẳng định tiền đề

A. Một phương pháp mà mô hình học từ dữ liệu có nhãn.

B. Một phương pháp mà mô hình tự khám phá cấu trúc trong dữ liệu không có nhãn.

C. Một phương pháp mà mô hình học qua việc tương tác với môi trường.

D. Một phương pháp mà mô hình được huấn luyện bằng cách sao chép hành vi của con người.

A. K-means

B. Linear Regression

C. PCA (Principal Component Analysis)

D. Decision Tree

A. Dự đoán giá trị liên tục dựa trên các biến đầu vào.

B. Phân loại dữ liệu thành các nhóm riêng biệt.

C. Tìm các cụm dữ liệu không có nhãn.

D. Tối ưu hóa một hàm mục tiêu không tuyến tính.

A. Mean Squared Error (MSE)

B. Cross-Entropy Loss

C. Hinge Loss

D. Absolute Error

Độ phức tạp mô hình và số lượng dữ liệu ít

Sử dụng nhiều lần tập kiểm tra

Số đặc trưng ít hơn mẫu

Độ phức tạp mô hình

Tối thiểu hóa tổng bình phương khoảng cách từ mỗi điểm đến tâm cụm gần nhất.

Tối đa hóa khoảng cách giữa các tâm cụm khác nhau.

Phân loại dữ liệu dựa trên nhãn có sẵn.

Giảm số lượng đặc trưng trong dữ liệu.

Một thuật toán tối ưu hóa tìm giá trị nhỏ nhất của hàm mất mát bằng cách cập nhật tham số theo gradient.

Một phương pháp phân loại dữ liệu dựa trên khoảng cách.

Một thuật toán tìm kiếm cục bộ không sử dụng đạo hàm.

Một cách biểu diễn tri thức bằng logic.

Quyết định bước nhảy lớn hay nhỏ khi cập nhật tham số.

Xác định số lượng vòng lặp tối đa của thuật toán.

Đo lường mức độ chính xác của mô hình trên tập kiểm tra.

Điều chỉnh số lượng đặc trưng trong dữ liệu đầu vào.

Phân loại nhị phân tuyến tính.

Dự đoán giá trị liên tục.

Phân cụm dữ liệu không có nhãn.

Tối ưu hóa hàm phi tuyến tính.

Phân biệt tuyến tính và cập nhật trọng số dựa trên sai số

Phân loại phi tuyến tính

Sử dụng sigmoid

Phân biệt tuyến tính

Hồi quy logistic dự đoán xác suất cho bài toán phân loại, sử dụng hàm sigmoid.

Hồi quy logistic dự đoán giá trị liên tục thay vì phân loại.

Hồi quy logistic không sử dụng hàm mất mát.

Hồi quy logistic chỉ áp dụng cho dữ liệu không có nhãn.

Cross-Entropy Loss

Mean Squared Error (MSE)

Hinge Loss

Absolute Error

Các nơ ron được tổ chức thành lớp đầu vào, lớp ẩn, và lớp đầu ra.

Một tập hợp các quy tắc logic để suy diễn.

Một danh sách các hành động ngẫu nhiên để thử nghiệm.

Một cây quyết định để phân loại dữ liệu.

Điều chuẩn (Regularization) và tăng kích thước dữ liệu

Tăng số tham số

Giảm số lần lặp

Điều chuẩn (Regularization)

Chia dữ liệu thành các nhánh dựa trên giá trị đặc trưng để tối ưu hóa độ tinh khiết (purity).

Tính toán khoảng cách từ mỗi điểm đến tâm cụm gần nhất.

Dự đoán xác suất bằng cách áp dụng hàm sigmoid.

Tối ưu hóa một hàm mất mát tuyến tính.

Kết hợp dự đoán từ nhiều cây quyết định được huấn luyện trên các tập dữ liệu con khác nhau.

Tăng độ sâu tối đa của mỗi cây quyết định.

Giảm số lượng đặc trưng trong dữ liệu đầu vào.

Sử dụng một cây duy nhất với trọng số điều chỉnh.

Khi bậc của đa thức quá cao so với dữ liệu huấn luyện.

Khi số lượng dữ liệu huấn luyện lớn hơn số lượng đặc trưng.

Khi mô hình chỉ sử dụng một đặc trưng duy nhất.

Khi hàm mất mát đạt giá trị bằng 0.

Số cụm xác định trước và phân phối hình cầu

Dữ liệu có nhãn

Điểm thuộc nhiều cụm

Số cụm xác định trước

Điểm tối ưu cục bộ (local minimum) trong hàm mất mát không lồi (non-convex).

Điểm tối ưu toàn cục (global minimum) trong mọi trường hợp.

Điểm ngẫu nhiên không liên quan đến hàm mất mát.

Điểm có gradient bằng vô cực.

Bài toán XOR (hoặc độc quyền).

Phân loại hai lớp phân biệt tuyến tính.

Dự đoán giá trị liên tục đơn giản.

Phân loại dữ liệu một chiều.

Accuracy (độ chính xác)

Mean Squared Error (MSE)

R-squared

Gini index

Có nhiều lớp ẩn (hidden layers) hơn để học các đặc trưng phức tạp.

Chỉ sử dụng một lớp ẩn duy nhất với số lượng nơ ron lớn.

Không sử dụng hàm kích hoạt trong các lớp ẩn.

Chỉ áp dụng cho dữ liệu có nhãn đơn giản.

ReLU (Rectified Linear Unit)

Sigmoid

Tanh

Step Function

Giảm phương sai và tăng độ chính xác

Giảm dữ liệu cần thiết

Tăng tốc độ huấn luyện

Giảm phương sai

Entropy hoặc Gini index

Mean Squared Error

Cross-Entropy Loss

Euclidean Distance

Bootstrap sampling (lấy mẫu ngẫu nhiên có hoàn lại).

Tăng độ sâu tối đa của mỗi cây.

Sử dụng cùng một tập dữ liệu cho mọi cây.

Loại bỏ tất cả các đặc trưng không quan trọng trước khi huấn luyện.

Cập nhật trọng số dựa trên gradient của hàm mất mát theo từng tham số.

Tính toán giá trị đầu ra của mạng mà không thay đổi trọng số.

Loại bỏ các nơ ron không quan trọng trong lớp ẩn.

Chọn ngẫu nhiên các trọng số để thử nghiệm.

Xử lý ngôn ngữ tự nhiên (NLP) và Computer Vision

Phân loại dữ liệu một chiều

Phân loại dữ liệu một chiều đơn giản.

Tìm kiếm đường đi ngắn nhất trong đồ thị.

Tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi mô hình.

Tổng bình phương sai số giữa giá trị thực tế và dự đoán.

Độ dốc của đường hồi quy tuyến tính.

Số lượng đặc trưng trong mô hình.

Kết quả phụ thuộc vào việc chọn tâm cụm ban đầu.

Chỉ hoạt động với dữ liệu có nhãn.

Không thể xử lý dữ liệu có nhiều hơn hai chiều.

Luôn tìm được số cụm tối ưu mà không cần chỉ định K.

Dữ liệu thiếu tính đa dạng

Thuật toán quá phức tạp

Mô hình ít lớp ẩn

Dữ liệu quá lớn

Rò rỉ thông tin cá nhân

Tăng độ chính xác dự đoán

Giảm chi phí vận hành

Cải thiện trải nghiệm người dùng

Thu thập dữ liệu cân bằng và đa dạng

Tăng tốc độ xử lý

Giảm kích thước mô hình

Giảm số lượng dữ liệu huấn luyện

Thiên kiến về giới tính hoặc sắc tộc

Mô hình dự đoán chậm

Giao diện người dùng kém

Dữ liệu lưu trữ tốn kém

Ngăn chặn rò rỉ và lạm dụng thông tin cá nhân

Tăng khả năng lưu trữ dữ liệu

Giảm tốc độ xử lý mô hình

Làm tăng độ phức tạp của thuật toán

Dữ liệu huấn luyện không đầy đủ và có định kiến

Quá nhiều dữ liệu trong mô hình

Thuật toán đơn giản

Mô hình thiếu thông tin thời gian thực

Học không giám sát

Học có giám sát

Học bán giám sát

Học tăng cường

Học không giám sát

Học có giám sát

Học bán giám sát

Học tăng cường

Học có giám sát (Supervised Learning)

Học không giám sát

Học bán giám sát

Học tăng cường

Cân nặng

Tóc

Chiều cao

Dùng kem

Giá trị số

Nhãn lớp

Số lượng không quá lớn

Tất cả đều đúng

Nhãn lớp

Giá trị số

Số lượng rất lớn

Tất cả đều đúng

Chỉ dùng cho phân hai lớp

Dùng cho phân nhiều lớp

Dùng cho bài toán giá trị số

Tất cả đều đúng