Trường Đại học Công Nghệ Thông Tin
Bài thu họach :
Máy học và ứng dụng
Máy học – mạng nơron
nhân tạo và ứng dụng auto
- routing car
[Type the document subtitle]
GVHD : PGS. TS Vũ Thanh Nguyên
Người thực hiện : Phù Khắc Anh
MSHV : CH1301079
Máy học và ứng dụng GVHD : PGS.TS Vũ Thanh Nguyên
LỜI MỞ ĐẦU 2
A.CHƯƠNG I : KHÁI NIỆM VỀ MÁY HỌC 3
I.Định nghĩa máy học : 6
II.Phân loại máy học 8
1)Học có giám sát (Supervised Learning) 8
2)Học không giám sát : ( Unsupervised Learning ) 10
3)Học nửa giám sát 11
4)Một số thuật toán máy học : 11
B.CHƯƠNG II : MÔ HÌNH HỆ THỐNG MẠNG NƠRON NHÂN TẠO 12
I.Mạng neural nhân tạo: cấu trúc, nguyên tắc hoạt động và các giải thuật huấn luyện 12
1.Cấu trúc của mạng nơron nhân tạo 12
2.Nguyên tắc họat động mạng neural nhân tạo 15
3.Huấn luyện mạng neural : 16
II.Ứng dụng demo auto – routing car 26
1.Mục đích chương trình 26
2.Mô tả chương trình và mô hình nơron nhân tạo 26
3.Kết luận: 32
Tài liệu tham khảo 33
LỜI MỞ ĐẦU
Xã hội ngày càng phát triển, nhu cầu của con người ngày càng tăng cao, đặc biệt

như khoa học máy tính, tâm lý học, động vật học và như vậy có nhiều vấn đề kỹ thuật
trong máy học xuất phát từ các cố gắng của các nhà tâm lý học, nhà nghiên cứu về
động vật để có thể mô phỏng chính xác hơn các lý thuyết về phương pháp học của con
người hay động vật ứng dụng vào các mô hình thuật toán trên máy tính.
Cũng cần nói thêm rằng các khái niệm và kỹ thuật được phát triển trong máy học
cũng soi sáng trở lại nhiều khía cạnh được ẩn dấu trong quá trình học của sinh vật.
Từ góc nhìn của khoa học máy tính, chúng ta có thể nói máy tính luôn luôn học ở
bất kỳ nơi nào khi mà có sự biến đổi về cấu trúc, có sự thay đổi trong chương trình hay
dữ liệu (các thay đổi dựa trên các dữ liệu vào hay dựa vào việc hồi đáp các thông tin từ
bên ngoài), máy tính học theo cách cải thiện công việc mà nó thực hiện trong tương lai.
Nhưng có những thay đổi như thêm một record vào cơ sở dữ liệu hay đơn giản là
xóa tập tin thì không gọi là học. Và ví dụ, sau khi nghe vài mẫu giọng nói của con
người máy tính tăng khả năng nhận dạng giọng nói, thì chúng ta hoàn toàn có thể nói là
máy tính đã học.
HVTH : CH1301079 – Phù Khắc Anh
Máy học và ứng dụng GVHD : PGS.TS Vũ Thanh Nguyên
Máy học thường dùng khi hệ thống có sự biến đổi kết hợp với việc cải tiến chức
năng nhờ vào áp dụng trí thông minh nhân tạo. Sự biến đổi hệ thống có thể hiểu một
cách mở rộng như hoàn thiện hệ thống hay khởi tạo hệ thống mới.
Mọi người có thể tự hỏi : “Tại sao máy tính cần phải học ? Tại sao không thiết kế
máy tính để nó thực hiện công việc mà chúng ta mong muốn ngay từ đầu ?” Có vài lý
do tại sao việc máy tính có thể học là quan trọng, nhất là về mặt kỹ thuật :
• Có vài công việc chúng ta không thể xác định một cách rỏ ràng khi thiết kế,
ví dụ : chúng ta có thể chỉ ra dữ liệu nhập hay dữ liệu xuất nhưng khó nắm bắt
được mối quan hệ giữa chúng với nhau. Chúng ta mong muốn máy tính có khả
năng thêm vào cấu trúc của nó chức năng điều chỉnh các dữ liệu xuất cho phù
hợp cả với các dữ liệu nhập khi nó rất lớn hay thể hiện được một cách gần đúng
ràng buộc trong các quan hệ ẩn giấu của dữ liệu.
• Máy học có khả năng lấy ra và thể hiện các quan hệ hay tương quan quan
trọng trong dữ liệu.

ngày nay chỉ phù hợp cho máy đọc (computer readable) tiềm tàng ngưồn kiến
HVTH : CH1301079 – Phù Khắc Anh
Máy học và ứng dụng GVHD : PGS.TS Vũ Thanh Nguyên
thức quan trọng. Máy học nghiên cứu cách thức để mô hình hóa bài toán cho
phép máy tính tự động hiểu, xử lý và học từ dữ liệu để thực thi nhiệm vụ được
giao cũng như cách đánh giá giúp tăng tính hiệu quả.
Tom Mitchell, giáo sư nổi tiếng của Đại học Carnegie Mellon University -
CMU định nghĩa cụ thể và chuẩn mực hơn như sau: "Một chương trình máy tính
CT được xem là học cách thực thi một lớp nhiệm vụ NV thông qua trải nghiệm
KN, đối với thang đo năng lực NL nếu như dùng NL ta đo thấy năng lực thực thi
của chuơng trình có tiến bộ sau khi trải qua KN" (máy đã học).
Lợi điểm của các phương pháp máy học là nó phát sinh ra các luật tường
minh, có thể được sửa đổi,hoặc được huấn luyện trong một giới hạn nhất định.
Các phương pháp máy học hoạt động trên các dữ liệu có đặc tả thông tin. Các
thông tin được trình bày theo một cấu trúc gồm 4 mức được gọi là tri thức kim
tự tháp (pyramid knowledge).
Máy học kiểm tra những ví dụ trước đó và kiểm tra luôn cả những kết quả
của chúng khi xuất và học làm cách nào để tái tạo lại những kết quả này và tạo nên
những sự tổng quát hóa cho những trường hợp mới.
HVTH : CH1301079 – Phù Khắc Anh
Máy học và ứng dụng GVHD : PGS.TS Vũ Thanh Nguyên
Nói chung, máy học sử dụng một tập hữu hạn dữ liệu được gọi là tập huấn
luyện. Tập này chứa những mẫu dữ liệu mà nó được viết bằng mã theo một cách
nào đó để máy có thể đọc và hiểu được. Tuy nhiên, tập huấn luyện bao giờ cũng
hữu hạn do đó không phải toàn bộ dữ liệu sẽ được học một cách chính xác.
II. Phân loại máy học
Một tiến trình máy học gồm 2 giai đoạn:
• Giai đoạn học (learning): hệ thống phân tích dữ liệu và nhận ra mối quan hệ (có
thể là phi tuyến hoặc tuyến tính) giữa các đối tượng dữ liệu. Kết quả của việc
học có thể là: nhóm các đối tượng vào trong các lớp, tạo ra các luật, tiên đoán

• Học vẹt (rote): hệ thống luôn được “dạy” những luật đúng, rồi có học hội tụ.
• Học bằng phép loại suy (analogy): hệ thống được dạy phản hồi đúng cho một
công việc tương tự, nhưng không xác định. Vì thế hệ thống phải hiệu chỉnh phản
hồi trước đó bằng cách tạo ra một luật mới có thể áp dụng cho trường hợp mới.
• Học dựa trên trường hợp (case-based learning): trong trường hợp này hệ thống
học lưu trữ tất cả các trường hợp, cùng với kết quả đầu ra của chúng. Khi bắt
gặp một trường hợp mới, nó sẽ cố gắng hiệu chỉnh đến trường hợp mới này cách
xử lý trước đó của nó đã được lưu trữ.
HVTH : CH1301079 – Phù Khắc Anh
Máy học và ứng dụng GVHD : PGS.TS Vũ Thanh Nguyên
• Học dựa trên sự giải thích (explanation-based learning): hệ thống sẽ phân tích
tập hợp những giải pháp nhằm chỉ ra tại sao mỗi phương pháp là thành công hay
không thành công. Sau khi những giải thích này được tạo ra, chúng sẽ được
dùng để giải quyết những vấn đề mới.
2) Học không giám sát : ( Unsupervised Learning )
Đây là việc học từ quan sát và khám phá. Hệ thống khai thác dữ liệu được
ứng dụng với những đối tượng nhưng không có lớp được định nghĩa trước, mà
để nó phải tự hệ thống quan sát những mẫu và nhận ra mẫu. Hệ thống này dẫn
đến một tập lớp, mỗi lớp có một tập mẫu được khám phá trong tập dữ liệu.
Học không giám sát còn gọi là học từ quan sát và khám phá.
Trong trường hợp chỉ có ít, hay gần như không có tri thức về dữ liệu đầu vào,
khi đó một hệ thống học không giám sát sẽ khám phá ra những phân lớp của dữ
liệu, bằng cách tìm ra những thuộc tính, đặc trưng chung của những mẫu hình
thành nên tập dữ liệu.
Một thuật toán máy học giám sát luôn có thể biến đổi thành một thuật toán
máy học không giám sát (Langley 1996).
Đối với một bài toán mà những mẫu dữ liệu được mô tả bởi n đặc trưng,
người ta có thể chạy thuật toán học giám sát n-lần, mỗi lần với một đặc trưng
khác nhau đóng vai trò thuộc tính lớp, mà chúng ta đang tiên đoán.
Kết quả sẽ là n tiêu chí phân lớp (n bộ phân lớp), với hy vọng là ít nhất một

liên quan về mặt chức năng trực thuộc hệ thần kinh ngoại biên (peripheral
nervous system) hay hệ thần kinh trung ương (central nervous system). Trong
ngành thần kinh học (neuroscience), nó thường được dùng để chỉ một nhóm nơ-
ron thuộc hệ thần kinh là đối tượng của một nghiên cứu khoa học nhất định.
• Mạng nơ-ron nhân tạo được thiết kế để mô hình một số tính chất của mạng nơ-
ron sinh học, tuy nhiên, khác với các mô hình nhận thức, phần lớn các ứng dụng
lại có bản chất kỹ thuật.
I. Mạng neural nhân tạo: cấu trúc, nguyên tắc hoạt động và các giải
thuật huấn luyện.
1. Cấu trúc của mạng nơron nhân tạo
Mạng neural nhân tạo là một mạng gồm một tập các node được kết nối với
nhau bằng các cạnh có trọng số, mỗi node là một đơn vị tính toán thường gọi là
perceptron.
Một perceptron (Hình 1) thực hiện một công việc rất đơn giản: nó nhận tín
hiệu vào từ các perceptron phía trước hay một nguồn bên ngoài và sử dụng chúng
để tính tín hiệu ra. Mỗi perceptron có thể có nhiều tín hiệu đầu vào nhưng chỉ có
một tín hiệu đầu ra duy nhất. Đôi khi các perceptron còn có một giá trị gọi là độ
lệch (bias) được gộp vào các tính hiệu đầu vào để tính tín hiệu ra.
HVTH : CH1301079 – Phù Khắc Anh
Máy học và ứng dụng GVHD : PGS.TS Vũ Thanh Nguyên
Trong một mạng nơron có ba kiểu perceptron:
1) Các perceptron đầu vào, nhận tín hiệu từ bên ngoài;
2) Các perceptron đầu ra, gửi dữ liệu ra bên ngoài;
3) Các perceptron ẩn, tín hiệu vào của nó được truyền từ các perceptron khác
và tín hiệu ra được truyền đến các perceptron khác trong mạng.
Khi nhận được các tín hiệu đầu vào, một perceptron sẽ nhân mỗi tín hiệu với
trọng số tương ứng rồi lấy tổng các giá trị vừa nhận được. Kết quả sẽ được đưa vào
một hàm số gọi là hàm kích hoạt mà đôi khi còn gọi là hàm chuyển để tính ra tín
hiệu đầu ra.
Có 4 loại hàm kích hoạt thường dùng:

j
là đầu ra của cá
perceptron này và cũng là đầu vào của I, w
ij
trọng số của cạnh nối từ perceptron j đến
perceptron i, là độ lệch (bias) của perceptron i. Đôi khi giá trị độ lệch được biểu diễn
bằng một trọng số của một cạnh kết nối từ một perceptron giả có giá trị đầu ra luôn là 1
đến perceptron i. Sau đó giá trị neti sẽ được truyền vào hàm kết hợp để tính giá trị đầu
ra của si của perceptron i. Nếu perceptron i là perceptron ở tầng suất của mạng thì s
i
chính là tín hiệu đầu ra của mạng neural, nếu không thì s
i
sẽ được truyền đến làm giá
trị đầu vào cho các perceptron ở lớp kế sau. Ví dụ nếu hàm kích hoạt là hàm sigmoid
thì s
i
được tính như sau :
Mạng neural nhân tạo có thể được xem như một hàm số từ một tập các giá trị
đầu vào đến một tập các giá trị đầu ra có các tham số là số lớp, số perceptron trên mỗi
lớp và các tập hợp các trọng số w
ij
. Bài toán trên mạng neural là làm sao xác định được
các thông số trên để mạng neural thực hiện được yêu cầu mong muốn. Điều này được
thực hiện qua một quá trình gọi là quá trình huấn luyện mạng.
3. Huấn luyện mạng neural :
Chức năng của một mạng nơron được quyết định bởi các nhân tố như: hình dạng
mạng (số lớp, số đơn vị trên mỗi lớp, cách mà các lớp được liên kết với nhau) và các
trọng số của các liên kết bên trong mạng. Hình dạng của mạng thường là cố định, và
các trọng số được quyết định bởi một thuật toán huấn luyện (training algorithm). Tiến
trình điều chỉnh các trọng số để mạng “nhận biết” được quan hệ giữa đầu vào và đích

neural truyền thẳng nhiều lớp. Nó áp dụng phương pháp giảm độ dốc (gradient
descent) để tối thiểu hóa bình phương sai số giữa kết quả xuất của mạng với kết quả
xuất mong muốn. Ý tưởng chính của giải thuật là giá trị lỗi sẽ được lan truyền
ngược từ tầng xuất về tầng nhập để tính (đạo hàm riêng phần của hàm mục tiêu E
theo từng trọng số wij).
Ta tính đạo hàm riêng phần này như sau:
Ở đây w
ij
là trọng số của cạnh nối perceptron j đến perceptron i, si là kết quả
xuất của perceptron i, f() là hàm kích hoạt của các perceptron
HVTH : CH1301079 – Phù Khắc Anh
Máy học và ứng dụng GVHD : PGS.TS Vũ Thanh Nguyên

Ở đây succ(i) là các perceptron ở lớp ngay sau perceptron i. Các công thức
này cho phép ta xây dựng một thủ tục tính đạo hàm riêng của hàm mục tiêu E theo
các trọng số w
ij
như sau: Bắt đầu tính toán từ perceptron ở tầng xuất, sau đó sử dụng
kết quả vừa tính được vào việc tính toán ở các perceptron ở tầng trước. Nói các
khác thông tin về độ dốc (gradient) được lan truyền từ tầng xuất đến tầng nhập. Do
đó giả thuật này được gọi là giải thuật lan truyền ngược.
Mỗi khi thông tin về đạo hàm riêng phần đã biết, bước tiếp theo trong giải
thuật lan truyền ngược là cập nhập các trọng số w
ij
.
Mặc dù giải thuật lan truyền ngược tương đối đơn giản nhưng trong thực tế
việc lựa chọn một hệ số học phù hợp là không hề đơn giản. Hệ số học quá nhỏ sẽ
dẫn đến thời gian hội tụ của giải thuật quá lâu, ngược lại hệ số học quá lớn sẽ dẫn
đến hiện tượng giao động (oscillation), ngăn không cho giá trị hàm mục tiêu hội tụ
HVTH : CH1301079 – Phù Khắc Anh

này một cách đúng đắn không phải là một việc dễ dàng cần nhiều công sức và kinh
nghiệm.
HVTH : CH1301079 – Phù Khắc Anh
Máy học và ứng dụng GVHD : PGS.TS Vũ Thanh Nguyên
3.2 Giải thuật RPROP
Giải thuật lan truyền ngược gặp một vấn đề ở chỗ giá trị cập nhập trọng số (
( )
ij
w t
∆
) không những phụ thuộc vào dấu của đạo hàm riêng phần mà còn bị ảnh
hưởng bởi độ lớn của nó, điều này làm cho quá trình học không được ổn định. Việc
thêm vào hệ số quán tính không giải quyết trọn vẹn vấn đề bởi vì ta không biết giá
trị tối ưu cho hệ số này là bao nhiêu. Để giải quyết vấn đề trên người ta đưa ra một
giải thuật mới gọi là RPROP.
RPROP là viết tắt của từ ‘resilient propagation’, nghĩa là lan truyền đàn hồi.
RPROP thực hiện cập nhập các trọng số w
ij
dựa vào thông tin về dấu của các đạo
hàm riêng phần điều này giúp nó tránh được sự ảnh hưởng của độ lớn của các đạo
hàm riêng phần này. Để thực hiện điều này các trọng số sẽ có một giá trị cập nhập
riêng
ij
∆
chỉ phụ thuộc vào dấu của
ij
E
w
∂
∂

+ −
−
− −
−

∂ ∂
∆ >

∂ ∂


∂ ∂

∆ = ∆ <

∂ ∂


∆



Ở đây
0 1
η η
− +
< < <
là các hệ số cố định của quá trình học dùng để hiệu chỉnh các
giá trị cập nhập cho từng trọng số tùy theo hình dạng của hàm lỗi.
Mỗi lần đạo hàm riêng phần theo trọng số w

t
ij
ij
t
t t
ij ij
ij
E
if
w
E
w if
w
else

∂
−∆ >

∂


∂

∆ = +∆ <

∂





tùy theo độ dốc (gradient) của hàm lỗi E, mà thông tin về tổng độ dốc của hàm lỗi cho
toàn bộ tập dữ liệu mẫu đáng tin hơn thông tin về độ dốc chỉ cho một mẫu trong tập mẫu
nên giải thuật RPROP thực hiện theo mô hình học theo bó (học theo epoch). Các thông tin
về đạo hàm riêng phần sẽ được cộng dồn qua từng mẫu trong tập huấn luyện và các trọng
số sẽ được cập nhập sau khi đã duyệt qua hết các mẫu.
HVTH : CH1301079 – Phù Khắc Anh
Máy học và ứng dụng GVHD : PGS.TS Vũ Thanh Nguyên
Giải thuật RPROP ban đầu cũng thực hiện các bước giống như giải thuật lan truyền
ngược, các thông tin về đạo hàm riêng phần của hàm lỗi theo các trọng số sẽ được lan
truyền ngược từ các lớp sau đến các lớp trước. Khi các thông tin về các đạo hàm riêng
phần này có đủ thì giải thuật sẽ thực hiện việc cập nhập các trọng số theo các quy tắc nêu
ở trên. Mã giả cho phần cập nhập trọng số của giải thuật RPROP như sau:
For all weights and biases {
if (
( 1) ( )
* 0
t t
ij ij
E E
w w
−
∂ ∂
>
∂ ∂
) then {

( )t
ij
∆
= minimum (

( )t
ij
w
+
( )t
ij
w∆
} else if (
( 1) ( )
* 0
t t
ij ij
E E
w w
−
∂ ∂
<
∂ ∂
) then {

( )t
ij
∆
= maximum (
( 1)
min
* ,
t
ij
η

else if (
( 1) ( )
* 0
t t
ij ij
E E
w w
−
∂ ∂
=
∂ ∂
) then {

( )t
ij
w∆
= - sign (
( )t
ij
E
w
∂
∂
)*
( )t
ij
∆

( 1)t
ij

∆
và
max
∆
để tránh vấn đề
tràn số của các biến thực. Giá trị
min
∆
được thiết lập thường là 1.0e-6, còn giá trị
max
∆
là
50.0. Thông thường độ hội tụ của giải thuật không bị ảnh hưởng bởi các thông số này
nhưng đôi khi thông số
max
∆
được chọn là một giá trị nhỏ (ví dụ 1.0) để ngăn giải thuật
không rơi quá nhanh vào một cực tiểu cục bộ. Hai thông số
η
+
và
η
−
được cố định ở hai
giá trị lần lược là 1.2 và 0.5, để việc lựa chọn các tham số cho giải thuật được đơn giản.
Trong thực tế, hai thông số cần được lưa chọn cho giải thuật RPROP là
0
∆
và
max