tranhung_hn3
Member
Toán trong AI nó có 1 cái mà nếu là dân toán thuần túy đi sâu vào sẽ thấy rất khó chịu , đó là tính không chính xác và không cần phải giải thích , trong khi giải thích và chứng minh là tối quan trọng trong toán học thuần túy
Tôi ví dụ phương pháp kiểm định k-fold cross validation trong AI. Để đánh giá một mô hình tốt hay không thì...ta chia dataset ra làm k phần , huấn luyện k lần mỗi lần trên k-1 phần tập traning , rồi chạy kết quả đối chiếu với phần còn lại đánh giá sai sót. Nếu thấy mô hình ít sai trên tập test thì kết luận là mô hình tốt. Giờ hỏi căn cứ vào đâu nói mô hình này tốt thì anh data chắc cũng chỉ biết gãi đầu: thấy chạy trên tập test ra kết quả tốt nên bảo là tốt thôi
Một mô hình machine learning khá phổ biến là Lasso L1 , mô hình này có hàm mất mát dựa trên cơ sở lý thuyết cực trị địa phương có điều kiện (phương pháp nhân tử Lagrange) , nhưng bên AI tối ưu hàm này bằng cách rất cảm tính , đó là mò hệ số tối ưu của hàm (thuật toán Coordinate Descent) , mức phạt alpha của hàm cũng hoàn toàn do người dùng tự lựa chọn theo cảm tính rồi dùng k-fold cross validation để đánh giá chất lượng hệ số. Nên đôi khi cùng 1 dataset , cùng dùng 1 thuật toán để chọn tham số tối ưu nhưng 2 lần chạy lại cho 2 kết quả... khác nhau. Trong toán học thì đây là điều tối kỵ luôn , nhưng trong AI là bình thường , miễn là mô hình chạy đúng nhiều trong thực tế là được
))
