Các loại machine learning chính là gì?

Question

Accepted Answer

Machine learning có ba loại chính — **supervised learning** (học từ ví dụ có nhãn), **unsupervised learning** (tìm mẫu trong dữ liệu không nhãn), và **reinforcement learning** (học thông qua thử nghiệm và phần thưởng). Hiểu chúng làm rõ cách ML tiếp cận các bài toán khác nhau.

## Ba loại chính

```text
SUPERVISED LEARNING → học từ dữ liệu CÓ NHÃN (input → output đúng đã biết):
  → được huấn luyện trên các ví dụ có đáp án → học cách dự đoán output cho input mới
  → dùng cho: classification (phân loại), regression (dự đoán số)
  → vd: phát hiện spam (gắn nhãn spam/không-spam), dự đoán giá
UNSUPERVISED LEARNING → tìm mẫu trong dữ liệu KHÔNG NHÃN (không có đáp án cho trước):
  → tự khám phá cấu trúc/nhóm
  → dùng cho: clustering (gom nhóm các mục tương tự), giảm chiều, phát hiện bất thường
  → vd: phân khúc khách hàng, tìm mẫu
REINFORCEMENT LEARNING → học thông qua THỬ và SAI với PHẦN THƯỞNG:
  → một agent thực hiện hành động, nhận phần thưởng/hình phạt, học cách tối đa hóa phần thưởng theo thời gian
  → dùng cho: chơi game, robotics, điều khiển, ra quyết định
```

## Chọn loại phù hợp

```text
→ có dữ liệu CÓ NHÃN + muốn dự đoán output → SUPERVISED (phổ biến nhất trong thực tế)
→ có dữ liệu không nhãn + muốn tìm cấu trúc → UNSUPERVISED
→ một agent học từ tương tác/phần thưởng → REINFORCEMENT
→ (ngoài ra: semi-supervised, self-supervised — kết hợp; LLM dùng self-supervised learning)
```

## Tại sao điều này quan trọng

Hiểu các loại machine learning chính là kiến thức nền tảng vì chúng đại diện cho **những cách cơ bản mà ML tiếp cận bài toán**, nên hiểu chúng là kiến thức cơ bản về ML.

Ba loại chính mỗi loại phù hợp với các bài toán và dữ liệu khác nhau.

Hiểu **supervised learning** (học từ dữ liệu có nhãn nơi input có output đúng đã biết, để dự đoán output cho input mới, dùng cho classification và regression — loại phổ biến nhất trong thực tế, vd phát hiện spam và dự đoán giá) là loại quan trọng nhất cần hiểu, vì nó là nền tảng của hầu hết các ứng dụng ML thực tế.

Hiểu **unsupervised learning** (tìm mẫu trong dữ liệu không nhãn không có đáp án cho trước, khám phá cấu trúc và nhóm, dùng cho clustering, giảm chiều và phát hiện bất thường, vd phân khúc khách hàng) làm rõ cách ML tìm mẫu mà không có nhãn.

Hiểu **reinforcement learning** (học thông qua thử và sai với phần thưởng, nơi một agent thực hiện hành động và học cách tối đa hóa phần thưởng, dùng cho chơi game, robotics và điều khiển) làm rõ cách tiếp cận học dựa trên tương tác.

Hiểu **cách chọn** — supervised khi bạn có dữ liệu có nhãn và muốn dự đoán, unsupervised để tìm cấu trúc trong dữ liệu không nhãn, reinforcement cho các agent học từ tương tác — và rằng có các dạng kết hợp (semi-supervised, self-supervised, với LLM dùng self-supervised learning) phản ánh sự hiểu biết thực tế về các cách tiếp cận ML.

Các loại này là những phạm trù cơ bản về cách ML học, và hiểu chúng là thiết yếu để thảo luận và áp dụng ML.

Vì các loại machine learning chính (supervised, unsupervised, reinforcement) đại diện cho những cách cơ bản mà ML tiếp cận bài toán và hiểu chúng cũng như khi nào áp dụng từng loại là kiến thức cơ bản về ML, nên hiểu các loại machine learning chính là kiến thức thiết yếu, nền tảng — những phạm trù cơ bản của ML (học từ nhãn, tìm mẫu, học từ phần thưởng), kiến thức cơ bản về ML để hiểu cách ML tiếp cận các bài toán khác nhau, và là nền tảng để làm việc với hoặc thảo luận về machine learning.