• Nội dung
• Thuật toán Quinlan (John Ross Quinlan) năm 1979
• Bài tập 1
  • Đổi sang bảng dữ liệu theo tiêu chí

Nội dung

Phép thử Turing (1950)

Khi nào máy tính gạt được giám khảo thì máy tính đó pass phép thử Turing.

flowchart
p1["Giám khảo"]
p2["1"]
p3["2"]
p1<-->p2
p1<-->p3

Đề tài nghiên cứu 2011: IBM Question-answering <=> Jeoparody (U.S.) Giá trị 6 tỷ USD

Vẫn là hệ thống thông minh giả

flowchart LR
p1["A.I."]
p2["NLP (Natural language processing)"]
p3["Machine learning"]
p1-->p2
p1-->p3

Flow trí tuệ nhân tạo

flowchart TD
p1["Training Data"]
p2["ML Model (Learning.Statistical)"]
p3["Result (Functions/rules) để giải quyết bài toán mới"]
p4["(New) Data"]
p5["Result"]
p1-->p2-->p3
p4-->p3
p3-->p5

Cây quyết định, đầu vào là bảng dữ liệu, kết quả là cây quyết định, rút ra được kết luận.

flowchart TD
p1["Training Data"]
p2["Learning (Decision tree model)"]
p3["Result (Decision tree)"]
p4["(New) Data"]
p5["Classification (1/0)"]
p1-->p2-->p3
p4-->p3
p3-->p5

Thuật toán Quinlan (John Ross Quinlan) năm 1979

Đưa vào trainning data dạng bảng

a. Từ mẫu 1 - 12, rút ra bộ luật quyết định mùa theo thuật toán Quinlan b. Áp dụng cho mẫu x, y, z

Chọn thuộc tính tốt (Càng nhiều vector đơn vị càng tốt), nếu bằng nhau thì lấy ngẫu nhiên

*CSDL ⇒ Bảng

Tập luật

Từ tập luật ⇒ Xác định được kết quả.

Slide tài liệu học tập

Bài tập 1

1. Hãy rút ra kết luận từ cây quyết định được xây dựng.
2. Dùng các luật rút ra từ cây quyết định để phân loại dữ liệu sau a. (33, 70, 18, 1) b. (25, 65, 10, 0) c. (35, 60, 15, 1)

Đổi sang bảng dữ liệu theo tiêu chí

Nhiệt độ:

• 15 - 19 (mát)
• 20 - 24 (bình thường - BT)
• 25 - 29 (nóng)
• 30 - … (rất nóng)

Độ ẩm

• 60 - 69 : thấp
• 70 - 79 : trung bình (TB)
• 80 - 89 : cao
• 90 - … : rất cao

Gió

• 1 - 4 : thấp
• 5 - 9 : trung bình (TB)
• 10 - 14 : cao
• 15 : rất cao

B0: Gọi vector độ đo v = {Có, Không} B1: Tính vector độ đo của các thuộc tính ở cơ sở dữ liệu ban đầu. Thuộc tính Nhiệt độ Nóng: v= {1/3, 2/3}