Các kỹ thuật Machine Learning tiên tiến trong các dự án thực tế

Nội dung video

Danh sách các kỹ thuật Machine Learning tiên tiến được đề cập: Trong lĩnh vực cá nhân hóa nội dung và hệ thống gợi ý (LinkedIn): • Large corpus sparse ID embeddings và Embedding lookup tables: Được sử dụng để biểu diễn các ID thưa thớt (như ID hashtag hoặc ID bài đăng/mục) trong không gian nhúng liên tục chiều thấp hơn, giúp nắm bắt các mối quan hệ và mẫu dữ liệu thiết yếu, giảm độ phức tạp tính toán và giải quyết vấn đề "khởi động lạnh" (cold start). • Deep learning: Nâng cấp đáng kể khả năng của mô hình, cho phép xử lý số lượng tham số lớn hơn và mang lại nội dung cá nhân hóa chất lượng cao hơn. • Mô hình hiệu ứng hỗn hợp (Mixed effect model - GDMix): Mô hình xếp hạng hiện tại, trong đó mô hình toàn cục nắm bắt xu hướng chung và mô hình hiệu ứng ngẫu nhiên tính đến sự không đồng nhất ở cấp độ từng mục/bài đăng. • Mô hình hiệu ứng ngẫu nhiên (Random effect model): Được đào tạo riêng biệt và thường xuyên hơn để thích ứng với hệ sinh thái đang phát triển nhanh chóng. • Lớp Multilayer Perceptron (MLP) dày đặc: Tương tác với các biểu diễn nhúng của các đặc trưng để nâng cao sức mạnh dự đoán của mô hình toàn cục. • Cơ chế cổng (Gating mechanism): Lấy cảm hứng từ Gate Net, điều hòa luồng thông tin đến giai đoạn tiếp theo trong mạng nơ-ron, nâng cao quá trình học. • Điểm thiên hướng nghịch đảo (Inverse propensity score - IPS) hay Trọng số xác suất nghịch đảo (Inverse probability weighting - IPW): Được sử dụng để giảm thiểu thách thức về độ thưa thớt dữ liệu và giảm thiểu tác động của việc thiên vị mô hình khi đào tạo trên dữ liệu được tạo bởi các mô hình khác. Trong lĩnh vực phòng chống gian lận (Stripe Radar): • Kiến trúc máy học (ML architecture) liên tục phát triển: Chuyển từ các mô hình ML đơn giản (ví dụ: logistic regression) sang các mô hình phức tạp hơn theo thời gian.