Ở những bài viết trước, chúng ta đã khám phá cách Machine Learning được ứng dụng trong Netflix, Spotify, TikTok hay Instagram.

Tuy nhiên, đằng sau các hệ thống đó là nhiều phương pháp học máy khác nhau.

Một trong số đó là Unsupervised Learning – phương pháp cho phép máy tính tìm ra quy luật trong dữ liệu mà không cần bất kỳ đáp án nào được cung cấp trước.

Đây là nền tảng của nhiều bài toán như phân nhóm khách hàng, phát hiện bất thường và trực quan hóa dữ liệu.

Nội dung

Dữ liệu có nhãn và dữ liệu không có nhãn

Để hiểu Unsupervised Learning, trước tiên hãy phân biệt hai loại dữ liệu.

Dữ liệu có nhãn (Labeled Data)

Ảnh	Nhãn
🐱	Mèo
🐶	Chó
🚗	Ô tô

Trong trường hợp này, mô hình biết trước đáp án đúng.

Đây là nền tảng của Supervised Learning.

Dữ liệu không có nhãn (Unlabeled Data)

Dữ liệu
🐱
🐶
🚗
🐦

Không có bất kỳ nhãn nào.

Máy tính chỉ nhìn thấy dữ liệu.

Nhiệm vụ của mô hình là:

Tự tìm ra cấu trúc hoặc quy luật ẩn bên trong dữ liệu.

Unsupervised Learning hoạt động như thế nào?

Thay vì học từ đáp án đúng, mô hình sẽ phân tích:

Điểm nào giống nhau.
Điểm nào khác nhau.
Mẫu dữ liệu nào thường xuất hiện cùng nhau.
Những nhóm nào có đặc điểm tương đồng.

Mục tiêu không phải là dự đoán đúng nhãn.

Mục tiêu là khám phá cấu trúc của dữ liệu.

Có thể hình dung quy trình như sau:

Dữ liệu chưa gắn nhãn
          ↓
Tiền xử lý dữ liệu
          ↓
Machine Learning
          ↓
Tìm mẫu (Pattern)
          ↓
Phân nhóm hoặc giảm chiều

Clustering – Phân nhóm dữ liệu

Ứng dụng nổi tiếng nhất của Unsupervised Learning là Clustering.

Giả sử một doanh nghiệp có dữ liệu của 100.000 khách hàng nhưng không biết họ thuộc nhóm nào.

Machine Learning có thể tự động phát hiện:

Nhóm khách hàng thường mua hàng cao cấp.
Nhóm chỉ mua khi có khuyến mãi.
Nhóm mua hàng theo mùa.
Nhóm khách hàng trung thành.

Không cần ai gắn nhãn trước.

Mô hình tự hình thành các nhóm dựa trên mức độ tương đồng.

Thuật toán K-Means

Một trong những thuật toán Clustering phổ biến nhất là K-Means.

Ý tưởng của K-Means khá đơn giản:

Chọn số cụm cần tạo (K).
Khởi tạo tâm cụm.
Gán từng điểm dữ liệu vào cụm gần nhất.
Cập nhật lại tâm cụm.
Lặp lại cho đến khi các cụm ổn định.

Kết quả là các điểm dữ liệu có đặc điểm giống nhau sẽ nằm trong cùng một cụm.

Dimensionality Reduction – Giảm chiều dữ liệu

Không phải lúc nào mục tiêu cũng là phân nhóm.

Nhiều bộ dữ liệu có hàng trăm hoặc hàng nghìn biến.

Ví dụ:

Một bài hát có thể có:

Tempo
Energy
Loudness
Danceability
Acousticness
Instrumentalness
Valence
Speechiness
…

Machine Learning có thể sử dụng Dimensionality Reduction để rút gọn số chiều nhưng vẫn giữ lại phần lớn thông tin quan trọng.

Điều này giúp:

Tăng tốc độ huấn luyện.
Trực quan hóa dữ liệu.
Giảm nhiễu.
Cải thiện hiệu quả của nhiều mô hình khác.

Các kỹ thuật phổ biến gồm:

PCA (Principal Component Analysis)
t-SNE
UMAP

Unsupervised Learning được sử dụng ở đâu?

Mặc dù người dùng ít khi nhìn thấy trực tiếp, nhưng phương pháp này xuất hiện trong rất nhiều hệ thống hiện đại.

Ví dụ:

Netflix

Phân nhóm người dùng có hành vi xem phim tương tự để hỗ trợ Recommendation System.

Spotify

Phân cụm các bài hát có đặc điểm âm thanh gần giống nhau nhằm cải thiện khả năng gợi ý.

Ngân hàng

Phát hiện các giao dịch có hành vi bất thường để hỗ trợ nhận diện gian lận.

Thương mại điện tử

Phân khúc khách hàng theo hành vi mua sắm nhằm tối ưu chiến lược marketing.

Y tế

Khám phá các nhóm bệnh nhân có đặc điểm lâm sàng tương tự để hỗ trợ nghiên cứu.

Ưu điểm và hạn chế

Ưu điểm	Hạn chế
Không cần dữ liệu gắn nhãn	Khó đánh giá kết quả
Khám phá quy luật tiềm ẩn	Kết quả phụ thuộc vào dữ liệu
Hữu ích với dữ liệu lớn	Có thể tạo nhóm không có ý nghĩa thực tế
Tiết kiệm chi phí gán nhãn	Cần chuyên gia diễn giải kết quả

Khi nào nên sử dụng Unsupervised Learning?

Unsupervised Learning phù hợp khi:

Không có dữ liệu gắn nhãn.
Muốn khám phá cấu trúc dữ liệu.
Cần phân khúc khách hàng.
Muốn phát hiện bất thường.
Muốn giảm số chiều dữ liệu trước khi xây dựng mô hình khác.

Nó thường được xem là bước đầu tiên trong nhiều quy trình phân tích dữ liệu và Machine Learning.

Kết luận

Unsupervised Learning là phương pháp giúp Machine Learning học từ dữ liệu không có nhãn bằng cách tự tìm kiếm các mẫu và mối quan hệ tiềm ẩn.

Các kỹ thuật như Clustering và Dimensionality Reduction đã trở thành nền tảng cho nhiều hệ thống hiện đại, từ Recommendation System cho đến phân tích khách hàng và phát hiện gian lận.

Hiểu được Unsupervised Learning không chỉ giúp chúng ta nắm vững kiến thức Machine Learning, mà còn hiểu cách AI có thể khai thác giá trị từ những tập dữ liệu khổng lồ trong thế giới thực.

Giải thích các khái niệm Machine Learning, trong đó có Unsupervised Learning và PCA.

Google Machine Learning Glossary

Bài tiếp theo

Ở bài viết tiếp theo, MCNA Technology School sẽ cùng bạn tìm hiểu:

K-Means Clustering hoạt động như thế nào? Giải thích trực quan bằng ví dụ và hình minh họa.

Đây sẽ là bài đi sâu vào thuật toán phân cụm phổ biến nhất trong Unsupervised Learning.

Tác giả: Bùi Đình Tuyển – Data Analyst tại MCNA Technology School

📞 Hotline: 0939.866.825 (Mr. Minh Khang)

🌐 Website: mcna.vn

📍 Hà Nội: 30 Trung Liệt, Đống Đa | Liền kề 44B TT2 Văn Quán, Hà Đông

📍 TP.HCM: 50B Phan Tây Hồ, Cầu Kiệu

Unsupervised Learning là gì? Khi dữ liệu không có nhãn, AI học bằng cách nào?