Page 391 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL
P. 391
19.2.3 Trí tuệ nhân tạo
Máy học là một tập hợp con của trí tuệ nhân tạo cho phép máy tính tự
động học từ dữ liệu lịch sử để mô phỏng hành vi của con người. Trong hệ
thống do Phan et al. (2022) đề xuất, hai kỹ thuật máy học được sử dụng: cây
quyết định và học sâu.
19.2.3.1 Cây quyết định
Cây quyết định là một mô hình của thuật toán máy học có giám sát.
Nó bao gồm một cấu trúc cây phân cấp được sử dụng để phân loại các đối
tượng dựa trên chuỗi quy tắc (Gates, 2017) và có thể được áp dụng cho các
vấn đề phân loại hay hồi quy. Cây quyết định là một phương pháp khai thác
dữ liệu phổ biến sử dụng phân tích quyết định đa tiêu chí. Trong cây quyết
định, mỗi đường đi từ nút gốc tới nút lá là một quy tắc. Mỗi nút đại diện cho
một thuộc tính, mỗi nhánh đại diện cho một giá trị thử nghiệm của thuộc
tính tương ứng và mỗi lá là một nhãn được xác định bởi quy tắc. Một ví dụ
về cây quyết định được hiển thị trong Hình 19.5. Outlook là nút gốc và các
nút lá được gắn nhãn để dự đoán.
Hình 19.5. Ví dụ về cây quyết định
19.2.3.2 Các mạng học sâu
Faster-RCNN (Ren et al., 2015) là một mạng tích chập sâu được sử
dụng để phát hiện đối tượng. Mạng có thể dự đoán chính xác và nhanh
chóng vị trí và phân loại các đối tượng khác nhau. Đây là một cải tiến của
mô hình Fast R-CNN (Girshick, 2015) sử dụng mạng đề xuất khu vực
(RPN) thay vì thuật toán tìm kiếm chọn lọc. Faster R-CNN bao gồm hai giai
đoạn chính, đó là giai đoạn sử dụng RPN để tạo các vùng đề xuất và giai
đoạn phân chia và phân loại các đối tượng trong các vùng đề xuất. Đầu vào
có kích thước bất kỳ được chấp nhận bởi RPN và sau đó nó xuất ra các vùng
đề xuất với xác suất chứa các đối tượng.
377
