Ứng dụng học máy trong nhận dạng công văn các cơ quan đảng tỉnh quảng bình

ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA

---------------------------------

TRẦN TRUNG THÔNG

ỨNG DỤNG HỌC MÁY TRONG NHẬN DẠNG
CÔNG VĂN CÁC CƠ QUAN ĐẢNG TỈNH
QUẢNG BÌNH

LUẬN VĂN THẠC SĨ
KHOA HỌC MÁY TÍNH

Đà Nẵng - Năm 2019


ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA

---------------------------------

TRẦN TRUNG THÔNG

ỨNG DỤNG HỌC MÁY TRONG NHẬN DẠNG
CÔNG VĂN CÁC CƠ QUAN ĐẢNG TỈNH
QUẢNG BÌNH

Chuyên ngành : Khoa học máy tính
Mã số
: 8480101

LUẬN VĂN THẠC SĨ

NGƯỜI HƯỚNG DẪN KHOA HỌC:
TS. PHẠM MINH TUẤN

Đà Nẵng - Năm 2019


i
LỜI CAM ĐOAN
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi.
- Những nội dung trong luận văn này là do tôi thực hiện dưới sự hướng dẫn trực
tiếp của Thầy TS. Phạm Minh Tuấn.
- Các số liệu, kết quả nêu trong luận văn là trung thực.
- Mọi tham khảo dùng trong luận văn đều được trích dẫn rõ ràng và trung thực
tên tác giả, tên công trình, thời gian, địa điểm công bố.
- Mọi sao chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, tôi xin chịu
hoàn toàn trách nhiệm.
Tác giả

Trần Trung Thông


ii
LỜI CẢM ƠN

Trước tiên, tôi xin gởi lời cảm ơn chân thành sâu sắc nhất tới Thầy giáo TS.
Phạm Minh Tuấn, người Thầy đã tận tình hướng dẫn, động viên và giúp đỡ tôi trong
suốt thời gian nghiên cứu và thực hiện luận văn này.
Tôi xin gửi lời cảm ơn tới Ban giám hiệu Trường Đại Học Bách Khoa - Đà

Nẵng, Ban chủ nhiệm khoa Công nghệ thông tin, Phòng Đào tạo sau đại học của hai
trường đã tạo điều kiện thuận lợi trong quá trình học tập, nghiên cứu và hoàn thành
luận văn. Tôi xin cảm ơn quí Thầy giáo, Cô giáo những người đã tận tình hướng dẫn
và truyền đạt cho tôi những kiến thức quí báu trong những năm nghiên cứu và học tập.
Tôi xin gởi lời cảm ơn đến Văn phòng Tỉnh ủy Quảng Bình đã giúp đỡ tạo mọi điều
kiện tốt nhất để tôi hoàn thành luận văn.
Và để có được kết quả như ngày hôm nay, tôi rất biết ơn Gia đình đã động viên,
khích lệ, tạo mọi điều kiện thuận lợi nhất trong suốt quá trình nghiên cứu, học tập cũng
như quá trình thực hiện đề tài luận văn tốt nghiệp này.
Mặc dù có rất nhiều cố gắng, nhưng chắc chắn luận văn không tránh khỏi
những thiếu sót nhất định. Tôi rất mong nhận được ý kiến đóng góp quý báu của các
Thầy Cô giáo và các bạn để luận văn ngày càng được hoàn thiện hơn.
Một lần nữa tôi xin chân thành cám ơn!
Đà Nẵng, tháng 9 năm 2019
Tác giả luận văn

Trần Trung Thông


iii
MỤC LỤC

MỞ ĐẦU ............................................................................................................... 1
1. Lý do chọn đề tài ........................................................................................... 1
2. Mục đích nghiên cứu ..................................................................................... 1
3. Ý nghĩa khoa học và thực tiễn của đề tài ...................................................... 1
4. Mục tiêu và nhiệm vụ .................................................................................... 2
5. Bố cục của luận văn ...................................................................................... 2
Chương 1- CƠ SỞ LÝ THUYẾT ......................................................................... 3
1. 1. Học máy .................................................................................................... 3

1.1.1. Tổng quan về học máy......................................................................... 3
1.1.2. Các phương pháp học máy.................................................................. 4
1.1.3. Các ứng dụng của học máy ................................................................. 8
1.2. Các phương pháp nhận dạng ...................................................................... 8
1.2.1. Mô hình Markov ẩn (HMM – Hidden Markov Model) ....................... 8
1.2.2. Máy véc-tơ hỗ trợ (SVM) .................................................................. 10
1.2.3. Phương pháp tiếp cận cấu trúc ......................................................... 12
1.2.4. Đối sánh mẫu .................................................................................... 13
1.2.5. Mạng nơ ron ...................................................................................... 14
1.2.6. Nhận dạng ký tự quang học – OCR .................................................. 16
1.3. Thư viện nhận dạng Tessract ................................................................... 17
1.3.1 . Chức năng của Tesseract ................................................................. 17
1.3.2. Kiến trúc giải thuật nhận dạng chữ in .............................................. 18
1.3.3. Huấn luyện dữ liệu nhận dạng với Tesseract ................................... 20
1.4. Thách thức đối với hệ thống nhận dạng ................................................... 25
1.5. Kết chương ............................................................................................... 25
Chương 2- XÂY DỰNG ỨNG DỤNG NHẬN DẠNG CÔNG VĂN ............... 26
TRONG CÁC CƠ QUAN ĐẢNG TỈNH QUẢNG BÌNH ................................. 26
2.1. Xây dựng hệ thống ................................................................................... 26
2.1.1. Giới thiệu bài toán ............................................................................ 26
2.1.2. Phương pháp đề xuất ........................................................................ 26
2.2. Quy trình xử lý nhận dạng ....................................................................... 26
2.2.1. Tiền xử lý ........................................................................................... 26
2.2.2. Khối tách chữ .................................................................................... 27
2.2.3. Trích chọn đặc trưng ......................................................................... 28
2.2.4. Huấn luyện và nhận dạng ................................................................. 28
2.2.5. Hậu xử lý ........................................................................................... 28
2.3. Bố cục văn bản thực tế tại các cơ quan Đảng tỉnh Quảng Bình .............. 28
2.4. Hệ thống văn bản tại các cơ quan Đảng tỉnh Quảng Bình ....................... 31
2.4.1. Thể loại Nghị quyết ........................................................................... 31

2.4.2. Thể loại Công văn ............................................................................. 31
2.4.3. Thể loại Chương trình ....................................................................... 31
2.4.4. Thể loại Chỉ thị.................................................................................. 32


iv
2.4.5. Thể loại Báo cáo ............................................................................... 32
2.4.6. Thể loại Kết luận ............................................................................... 32
2.4.7. Thể loại Kế hoạch ............................................................................. 32
2.4.8. Thể loại Quyết định ........................................................................... 33
2.4.9. Thể loại Quy định .............................................................................. 33
2.4.10. Thể loại Thông báo ......................................................................... 33
2.4.11. Thể loại Tờ trình ............................................................................. 34
2.4.12. Thể loại Hướng dẫn ........................................................................ 34
Chương 3- TRIỂN KHAI VÀ ĐÁNH GIÁ ........................................................ 35
3.1. Mô tả bài toán ........................................................................................... 35
3.1.1. Nhận văn bản đầu vào....................................................................... 36
3.1.2. Tiền xử lý ........................................................................................... 36
3.1.3. Nhận dạng ......................................................................................... 36
3.2. Môi trường thực nghiệm .......................................................................... 37
3.2.1. Dữ liệu sử dụng ................................................................................. 37
3.2.2. Giao diện chương trình ..................................................................... 37
3.3. Đánh giá về kết quả .................................................................................. 38
3.3.1. Về cài đặt........................................................................................... 38
3.3.2. Về thực nghiệm .................................................................................. 39
KẾT LUẬN ......................................................................................................... 40
1. Đã làm được ................................................................................................ 40
2. Hướng phát triển ......................................................................................... 40
TÀI LIỆU THAM KHẢO ................................................................................... 41
PHỤ LỤC ............................................................................................................ 42

A.1. Chuyển đổi các file ảnh, PDF về một định dạng và crop ảnh theo tỉ lệ .. 42
A.2. Cấu hình Maven được định nghĩa trong file pom.xml ............................ 43
A.3. Modul nhận dạng thể loại văn bản .......................................................... 43


v
TÓM TẮT LUẬN VĂN
ỨNG DỤNG HỌC MÁY TRONG NHẬN DẠNG CÔNG VĂN CÁC CƠ QUAN
ĐẢNG TỈNH QUẢNG BÌNH
Học viên: Trần Trung Thông;

Chuyên ngành: Khoa học máy tính.

Mã số: 8480101;

Khóa: 35; Trường Đại học Bách khoa - ĐHĐN

Tóm tắt: Ngày nay phương thức sử dụng văn bản giấy truyền thống đã dần được
số hóa, chuyển sang dạng các văn bản điện tử lưu trữ trên máy tính và được chia sẻ,
truyền tải trên mạng. Cùng với sự phát triển của các giải pháp nhận dạng ký tự quang
học OCR đã đặt ra cho người dùng trước lựa chọn tìm ra phương thức lưu trữ, khai
thác thông tin văn bản sẳn có một cách hiệu quả. Với mong muốn tìm hiểu về lĩnh vực
học máy áp dụng trong nhận dạng, đặc biệt là nhận dạng ký tự quang học OCR, luận
văn tập trung nghiên cứu kỹ thuật học máy dựa trên hệ thống nhận dạng ký tự quang
học OCR, hiểu được các thuật toán nhận dạng ký tự quang học, nắm được những điểm
chính cần quan tâm giải quyết và đề xuất phần mềm ứng dụng để nhận dạng công văn
trong các cơ quan Đảng tỉnh Quảng Bình.
Từ khóa: Hệ thống nhận dạng, nhận dạng ký tự quang học, nhận dạng công văn,
học máy trong nhận dạng, OCR
APPLICATION OF MACHINE LEARNING IN RECOGNITION

OF OFFICIAL DOCUMENTS PARTY’S AGENCIES OF QUANG BINH
PROVINCE
Abstract: Today, the method of using traditional paper documents has gradually
been digitized. These documents have converted into electronic ones, stored on
computers, shared and transmitted in the network. Due to having many preeminent
features, the number of electronic documents used in agencies has increased rapidly.
Therefore, the problem is how to find and exploit information from this abundant
source of data. Along with the development of technology, optical character
recognition has created new technical solutions with a breakthrough in building
electronic databases. With a desire to learn about machine learning in recognition,
especially OCR optical character recognition, the thesis focuses on studying machine
learning methods, understanding the methods of recognition, studying about Tessract
open source code tools to perform extraction of Vietnamese text from image files and
propose application of software to recognise official documents in Party’s agencies of
Quang Binh province.
Keywords: recognition method, optical character recognition, text filtering,
machine learning in recognition, OCR


vi
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT

AI

Artificial Intelligence

HAC

Hierarchial Agglomerative Clustering

HMM

Hidden Markov Model

ICR

Intelligent Character Recognition

ML

Machine learning

OCR

Optical Character Recognition

PDA

thiết bị nhập cho những thiết bị hỗ trợ cá nhân

SOM

Self-Organizing Map

SV

Support Vector

SVM

Support Vector Machines

VLSI

Very-large-scale-intergrated


vii
DANH MỤC CÁC HÌNH

Số hiệu
hình vẽ

Tên hình vẽ

Trang

1.1

Supervised Learning Algorithms

4

1.2

Ảnh minh hoạ cho tập dữ liệu chữ số viết tay

6

1.3

Unsupervised Learning Algorithms

6

1.4

Semi-Supervised Learning Algorithms

7

1.5

Mô hình Markov ẩn

10

1.6

Biểu đồ chuyển tiếp trạng thái mô hình Markov

10

1.7

Mô hình máy véc-tơ hỗ trợ

12

1.8

Kiến trúc nhận dạng văn bản chữ in trong Tesseract

20

1.9

Đường cơ sở hình cong

21

1.10

Cắt các ký tự liền nhau

21

1.11

Sơ đồ nhận dạng từ

22

1.12

Các đặc trưng ký tự được nhận dạng

22

1.13

Sơ đồ đào tạo dữ liệu của Tesseract

23

1.14

Các chức năng chính của bộ biên tập văn bản mẫu

24

1.15

Nhận dạng phác thảo ký tự

25

1.16

Thuộc tính phông chữ

26

1.17

Kết quả huấn luyện dữ liệu

27

2.1

Quy trình xử lý của một ứng dụng nhận dạng ký tự quang học

29

2.2

Ví dụ về các vùng văn bản tại các cơ quan Đảng tỉnh

32


viii
2.3

Thể loại Nghị quyết

33

2.4

Thể loại Công văn

33

2.5

Thể loại Chương trình

34

2.6

Thể loại Chỉ thị

34

2.7

Thể loại Báo cáo

34

2.8

Thể loại Kết luận

34

2.9

Thể loại Kế hoạch

35

2.10

Thể loại Quyết định

35

2.11

Thể loại Quy định

35

2.12

Thể loại Thông báo

36

2.13

Thể loại Tờ trình

36

2.14

Thể loại Hướng dẫn

36

2.15

Thể loại Quy chế

37

3.1

Mô hình hoạt động

38

3.2

Giao diện chương trình nhận dạng

40

3.3

Giao diện các chức năng chính

40

3.4

Giao diện chức năng kiểm tra kết quả nhận dạng

41


1
MỞ ĐẦU
1. Lý do chọn đề tài
Hiện nay, nhu cầu về việc rút trích từ ngữ từ hình ảnh đang ngày càng phát triển,

bên cạnh sự gia tăng về nhu cầu là sự phát triển của công nghệ nhận dạng ký tự quang
học (Optical Character Recognition) hay còn được gọi tắt là OCR. Đây là một công
nghệ giúp chuyển đổi hình ảnh của chữ viết tay hoặc đánh máy thành các ký tự đã
được mã hóa trong máy tính. Công nghệ OCR đã tạo ra giải pháp kỹ thuật mới, mang
tính đột phá trong việc xây dựng cơ sở dữ liệu điện tử. Cùng với sự phát triển ứng
dụng công nghệ thông tin trên các lĩnh vực đời sống xã hội, trong các hoạt động công
tác, nhu cầu phân loại các tài liệu có ký hiệu để lưu trữ, khai thác các thông tin trên hệ
thống máy tính là một bài toán đang được đặt ra. Trên thực tế, cách duy nhất để sử
dụng thông tin ký hiệu và phân loại thì phải gõ lại văn bản trên bàn phím để có thể
thêm nó vào hệ thống máy tính hay sử dụng làm đầu vào. Với mong muốn tìm hiểu về
ứng dụng học máy trong nhận dạng, lĩnh vực nhận dạng kí tự quang học (Optical
character recognition – OCR) và đóng góp thêm vào kho ứng dụng về nhận dạng một
hệ thống nhận dạng thiết thực, hữu ích.
Vì vậy trong luận văn sẽ tập trung tìm hiểu các kỹ thuật, các công nghệ cần thiết
để xây dựng hệ thống Ứng dụng học máy trong nhận dạng công văn các cơ quan
Đảng tỉnh Quảng Bình làm đề tài luận văn thạc sỹ của mình.
Nội dung luận văn gồm phần mở đầu, 3 chương nội dung, phần kết luận, tài liệu
tham khảo.
Chương 1: Cơ sở lý thuyết
Chương 2: Xây dựng ứng dụng nhận dạng công văn trong các cơ quan Đảng tỉnh
Quảng Bình
Chương 3: Triển khai hệ thống và đánh giá kết quả
2. Mục đích nghiên cứu
- Nghiên cứu lý thuyết nhận dạng, xử lý ảnh.
- Hệ thống OCR
- Công nghệ mã nguồn mở Tesseract OCR
- Tạo ra một ứng dụng nhận dạng ký hiệu văn bản dựa trên mã nguồn mở
Tesseract OCR.
3. Ý nghĩa khoa học và thực tiễn của đề tài
3.1. Ý nghĩa khoa học

- Nghiên cứu lý thuyết nhận dạng và xử lý ảnh dựa trên mã nguồn mở Tesseract
OCR và hệ thống OCR.


2
3.2. Ý nghĩa thực tiễn
- Đề xuất giải pháp góp phần tăng hiệu quả việc quản lý văn bản tại các cơ quan
Đảng tỉnh Quảng Bình
4. Mục tiêu và nhiệm vụ
4.1. Mục tiêu
- Hỗ trợ cán bộ văn thư trong việc sao lưu văn bản, quản lý văn bản phát hành và
văn bản đến.
- Tự động hóa việc lưu trữ để giúp cán bộ văn thư dễ dàng tìm kiếm văn bản khi
cần.
4.2 Nhiệm vụ
- Tìm hiểu tổng quan về các phương pháp dạy máy học
- Nghiên cứu lý thuyết nhận dạng, xử lý ảnh.
- Tạo ra một ứng dụng nhận dạng ký hiệu văn bản rời rạc dựa trên mã nguồn mở
Tesseract OCR.
- Xây dựng chương trình, cài đặt, kiểm thử và đánh giá.
5. Bố cục của luận văn
Cấu trúc của luận văn được trình bày bao gồm các phần chính sau:
MỞ ĐẦU: Giới thiệu sơ bộ về lý do chọn đề tài, mục đích nghiên cứu, đối tượng
và phạm vi nghiên cứu, phương pháp nghiên cứu, ý nghĩa khoa học và thực tiễn của đề
tài.
CHƯƠNG 1: CƠ SỞ Ý THUYẾT
Giới thiệu tổng quan các phương pháp học máy, các phương pháp nhận dạng văn
bản, nhận dạng ký tự quang học OCR.
CHƯƠNG 2: XÂY DỰNG ỨNG DỤNG NHẬN DẠNG CÔNG VĂN TẠI
CÁC CƠ QUAN ĐẢNG TỈNH QUẢNG BÌNH

Trong chương này tác giả nghiên cứu bộ thư viện mã nguồn mở tessract, đề xuất
phương pháp xây dựng hệ thống nhận dạng công văn trong các cơ quan Đảng tỉnh
Quảng Bình và trình bày các khối chức năng của phương pháp nhận dạng văn bản theo
từng loại tại cơ quan.
CHƯƠNG 3: TRIỂN KHAI HỆ THỐNG VÀ ĐÁNH GIÁ KẾT QUẢ
Trong chương này, tác giả xin được trình bày ứng dụng học máy trong nhận dạng
công văn trong các cơ quan Đảng tỉnh Quảng Bình và xây dựng quá trình thực nghiệm
và đánh giá kết quả.


3
Chương 1- CƠ SỞ LÝ THUYẾT
1. 1. Học máy
1.1.1. Tổng quan về học máy
Học máy là một phần của khoa học máy tính đã dần được cải tiến từ các nghiên
cứu về nhận dạng mẫu và trí tuệ nhân tạo. Năm 1959, Arthur Samuel định nghĩa máy
học như là một lĩnh vực nghiên cứu cung cấp cho máy tính khả năng học mà không
được lập trình một cách rõ ràng. Máy học tìm hiểu nghiên cứu và xây dựng các thuật
toán có thể học hỏi và đưa ra dự đoán về dữ liệu. Thuật toán này hoạt động bằng cách
xây dựng một mô hình từ ví dụ đầu vào để đưa ra dự đoán dựa trên dữ liệu hoặc quyết
định.
Học máy là một tập con của AI. Theo định nghĩa của Wikipedia, Machine
learning is the subfield of computer science that “gives computers the ability to learn
without being explicitly programmed”. Nói đơn giản, Ta có thể hiểu: Học máy là một
lĩnh vực của trí thông minh nhân tạo (AI) cung cấp cho máy tính khả năng học hỏi mà
không được lập trình một cách rõ ràng. Máy học tập trung vào sự phát triển của các
chương trình máy tính để có thể tự mình phát triển và thay đổi khi tiếp xúc với dữ liệu
mới.
Quá trình học máy cũng tương tự như khai thác dữ liệu. Cả hai hệ thống đều
thông qua dữ liệu để tìm kiếm các mẫu. Tuy nhiên, thay vì giải nén dữ liệu để hiểu con

người như các ứng dụng khai thác dữ liệu thì học máy sử dụng dữ liệu đó để phát hiện
các mẫu trong dữ liệu và điều chỉnh chương trình hành động phù hợp.
Học máy được tổ chức lại thành một lĩnh vực riêng biệt và bắt đầu phát triển
mạnh những năm 1990. Các lĩnh vực thay đổi mục tiêu của mình từ việc đạt được trí
thông minh nhân tạo thành giải quyết các vấn đề có tính chất thực tế. Chuyển trọng
tâm từ cách tiếp cận mang tính biểu tượng thừa hưởng từ trí tuệ nhân tạo, và hướng tới
các phương pháp, mô hình từ thống kê và lý thuyết xác suất.
Máy học, khai thác dữ liệu thường sử dụng cùng phương pháp và lồng ghép lên
nhau. Có thể chia thành các giai đoạn như sau:
- Máy học tập trung vào dự đoán, dựa trên dữ liệu học được từ dữ liệu huấn
luyện.
- Khai thác dữ liệu tập trung vào việc phát hiện thuộc tính chưa biết trước trong
dữ liệu. Đây là bước phân tích kiến thức, khai phá trong cơ sở dữ liệu.


4
- Máy học và khai thác dữ liệu được lồng ghép lên nhau theo cách: khai thác dữ
liệu sử dụng nhiều phương pháp học máy, nhưng mỗi phương pháp thường có mục
đích khác nhau. Mặt khác, học máy cũng sử dụng phương pháp khai thác dữ liệu là
"học không giám sát" như là một bước tiền xử lý để cải thiện độ chính xác của việc
học.
Học máy cũng có quan hệ mật thiết với tối ưu hóa: nhiều vấn đề học được xây
dựng nhằm giảm thiểu một số chức năng bị mất trên một tập huấn luyện. Chức năng
mất thể hiện sự khác biệt giữa các tiên đoán của mô hình được đào tạo và những
trường hợp thực tế. Sự khác biệt giữa hai trường phát sinh từ mục tiêu tổng quát.
Trong khi các thuật toán tối ưu hóa có thể giảm thiểu sai số trên một tập huấn luyện thì
học máy liên quan với việc giảm thiểu sự mất mát trên các mẫu ẩn.
1.1.2. Các phương pháp học máy
1.1.2.1. Học có giám sát
Học có giám sát (Supervised Learning) là thuật toán dự đoán đầu ra (outcome)

của một dữ liệu mới (new input) dựa trên các cặp (input, outcome) đã biết từ trước.
Cặp dữ liệu này còn được gọi là (data, label), tức (dữ liệu, nhãn). Học có giám sát là
nhóm phổ biến nhất trong các thuật toán Machine Learning.

Hình 1. 1: Supervised Learning Algorithms [2]
Một cách toán học, học có giám sát là khi chúng ta có một tập hợp biến đầu
vào X={x1,x2,…,xN} và một tập hợp nhãn tương ứng Y={y1,y2,…,yN}, trong đó xi,yi là
các vector. Các cặp dữ liệu biết trước (xi,yi)  X×Y được gọi là tập training data (dữ
liệu huấn luyện). Từ tập traing data này, chúng ta cần tạo ra một hàm số ánh xạ mỗi
phần tử từ tập X sang một phần tử (xấp xỉ) tương ứng của tập Y:
yi ≈ f(xi), ∀i=1,2,…,N Mục đích là xấp xỉ hàm số f thật tốt để khi có một dữ
liệu x mới, chúng ta có thể tính được nhãn tương ứng của nó y=f(x).
Thuật toán Học có giám sát còn được tiếp tục chia nhỏ ra thành hai loại chính:


5
Phân loại (Classification)
Một bài toán được gọi là classification nếu các label của input data được chia
thành một số hữu hạn nhóm. Ví dụ: Gmail xác định xem một email có phải là spam
hay không; các hãng tín dụng xác định xem một khách hàng có khả năng thanh toán nợ
hay không.
Hồi quy (Regression)
Nếu label không được chia thành các nhóm mà là một giá trị thực cụ thể. Ví dụ:
một căn nhà rộng xm2, có y phòng ngủ và cách trung tâm thành phố z km sẽ có giá là
bao nhiêu?
Có rất nhiều thuật toán học không giám sát được ra đời và phát triển nhằm giải
quyết bài toán phân cụm phục vụ khai thác hiệu quả nguồn dữ liệu chưa gán nhãn
nhiều và rất đa dạng. Việc lựa chọn sử dụng thuật toán nào tuỳ thuộc vào dữ liệu và
mục đích của từng bài toán. Trong đó các thuật toán thường được sử dụng như:
Kmean, HAC (Hierarchial Agglomerative Clustering), SOM (Self-Organizing Map),

DBSCAN…
Phân lớp: k-Nearest Neighbors, mạng nơron nhân tạo, SVM, …
Hồi quy: Linear Regression, Logistic Regression, …
Ví dụ: Trong nhận dạng chữ số viết tay, ta có ảnh của hàng nghìn trường hợp ứng
với mỗi chữ số được viết bởi nhiều người khác nhau. Ta đưa các bức ảnh này vào một
thuật toán học và chỉ cho nó biết “mỗi bức ảnh tương ứng với chữ số nào”. Sau khi
thuật toán tạo ra một mô hình, tức là một hàm số nhận đầu vào là một bức ảnh và cho
ra kết quả là một chữ số. Khi nhận được một bức ảnh mới mà mô hình “chưa từng gặp
qua” và nó sẽ dự đoán xem bức ảnh đó tương ứng với chữ số nào.

Hình 1. 2: Ảnh minh hoạ cho tập dữ liệu chữ số viết tay – MNIST [1]


6
1.1.2.2. Học không giám sát (Unsupervised Learning)
Học không giám sát là thuật toán dự đoán nhãn của một dữ liệu mới dựa trên tập
dữ liệu huấn luyện mà trong đó tất cả các mẫu dữ liệu đều chưa được gán nhãn hay nói
cách khác là ta không biết câu trả lời chính xác cho mỗi dữ liệu đầu.

Hình 1. 3: Unsupervised Learning Algorithms [2]
Khi đó, mục tiêu của thuật toán học không giám sát không phải là tìm đầu ra
chính xác mà sẽ hướng tới việc tìm ra cấu trúc hoặc sự liên hệ trong dữ liệu để thực
hiện một công việc nào đó, ví như gom cụm (clustering) hoặc giảm số chiều của dữ
liệu (dimension reduction) để thuận tiện trong việc lưu trữ và tính toán.
Các bài toán học không giám sát tiếp tục được chia nhỏ thành hai loại là phân
cụm (Clustering) và luật kết hợp (Association Rule).
*Phân cụm
Một bài toán phân cụm / phân nhóm toàn bộ dữ liệu X thành các nhóm/cụm nhỏ
dựa trên sự liên quan giữa các dữ liệu trong mỗi nhóm. Chẳng hạn như phân nhóm
khách hàng dựa vào độ tuổi, giới tính.

*Luật kết hợp
Là bài toán mà khi chúng ta muốn khám phá ra một quy luật dựa trên nhiều dữ
liệu cho trước. Ví như những khách hàng mua mặt hàng này sẽ mua thêm mặt hàng
kia; hoặc khan giả xem phim này sẽ có xu hướng thích xem phim kia, dựa vào đó ta có
thể xây dựng những hệ thống gợi ý khách hàng (Recommendation System) nhằm thúc
đẩy nhu cầu mua sắm hoặc xem phim….
Một số thuật toán thuộc nhóm học không giám sát như Apriori (Association
Rule), k-Means (Clustering), …
1.1.2.3. Học bán giám sát (Semi-Supervised Learning)
Là bài toán mà khi tập dữ liệu đầu vào X là hỗn hợp các mẫu có nhãn và không
có nhãn, trong đó số lượng có nhãn chỉ chiếm một phần nhỏ.


7
Phần lớn các bài toán thực tế của ML thuộc nhóm này vì việc thu thập dữ liệu có
nhãn tốn rất nhiều thời gian và có chi phí cao. Rất nhiều loại dữ liệu thậm chí cần phải
có chuyên gia mới gán nhãn được, chẳng hạn như ảnh y học hoặc các cặp câu song
ngữ. Ngược lại, dữ liệu chưa có nhãn có thể được thu thập với chi phí thấp từ internet.

Hình 1. 4: Semi-Supervised Learning Algorithms [2]
Với bài toán này, mô hình phải tìm hiểu các cấu trúc để tổ chức dữ liệu cũng như
đưa ra dự đoán. Vì đặc điểm trung gian nên ta có thể sử dụng học không giám sát để
khám phá và tìm hiểu cấu trúc trong dữ liệu đầu vào, đồng thời sử dụng học có giám
sát để dự đoán cho dữ liệu không được gán nhãn. Sau đó đưa dữ liệu vừa dự đoán trở
lại làm dữ liệu huấn luyện cho học có giám sát và sử dụng mô hình sau khi huấn luyện
để đưa ra dự đoán về dữ liệu mới.
1.1.2.4. Học tăng cường(Reinforcement learning)
Học tăng cường hay học củng cố là bài toán giúp cho một hệ thống tự động xác
định hành vi dựa trên hoàn cảnh để đạt được lợi ích cao nhất. Hiện tại, học tăng cường
chủ yếu được áp dụng vào lý thuyết trò chơi (Game Theory), các thuật toán cần xác

định nước đi tiếp theo để đạt được điểm số cao nhất.
AlphaGo - một phần mềm chơi cờ vây trên máy tính được xây dựng bởi Google
DeepMind hay chương trình dạy máy tính chơi game Mario là những ứng dụng sử
dụng học tăng cường.
Cờ vậy được xem là trò chơi có độ phức tạp cực kỳ cao với tổng số nước đi là
xấp xỉ 1076110761, so với cờ vua là 1012010120, vì vậy thuật toán phải chọn ra một
nước đi tối ưu trong số hàng tỉ tỉ lựa chọn. Về cơ bản, AlphaGo bao gồm các thuật
toán thuộc cả Supervised learning và Reinforcement learning. Trong phần Supervised
learning, dữ liệu từ các ván cờ do con người chơi với nhau được đưa vào để huấn
luyện. Tuy nhiên, mục tiêu cuối cùng của AlphaGo không phải là chơi như con người
mà phải thắng được con người. Vì vậy, sau khi học xong các ván cờ của con người,
AlphaGo tự chơi với chính nó thông qua hàng triệu ván cờ để tìm ra các nước đi mới


8
tối ưu hơn. Thuật toán trong phần tự chơi này được xếp vào loại Reinforcement
learning.
Một số thuật toán học tăng cường như: Self Training, Generative models,
S3VMs, Graph-Based Algorithms, Multiview Algorithms, …
1.1.3. Các ứng dụng của học máy
Học máy có ứng dụng rộng khắp trong các khoa học/sản xuất, đặc biệt là những
ngành cần phân tích dữ liệu lớn. Một số ứng dụng thường thấy:
Xử lý ngôn ngữ tự nhiên (Natural language Processing): Xử lý văn bản, giao tiếp
người...máy,...
Nhận dạng (Pattern Recognition): nhận dạng tiếng nói, chữ viết tay, vân tay, thị
giác máy (computer Vision)...
Tìm kiếm (Search Engine).
Chẩn đoán trong y tế: phân tích X quang, các hệ chuyên gia chẩn đoàn tự động.
Tin sinh học: phân loại chuổi gene, quá trình hình thành gene/protein.
Vật lý: phân tích ảnh thiên văn, tác động giữa các hạt...

Phát hiện giai lận tài chính (tinancial fraud): gian lận thể tín dụng.
Phân tích thị trường chứng khoán (stock merket analysis).
Chơi trò chơi: tự động chơi cờ, hành động của các nhân vật ảo
1.2. Các phương pháp nhận dạng
1.2.1. Mô hình Markov ẩn (HMM – Hidden Markov Model)
Mô hình Markov ẩn (tiếng Anh là Hidden Markov Model - HMM) là mô hình
thống kê trong đó hệ thống được mô hình hóa được cho là một quá trình Markov với
các tham số không biết trước và nhiệm vụ là xác định các tham số ẩn từ các tham
số quan sát được, dựa trên sự thừa nhận này. Các tham số của mô hình được rút ra sau
đó có thể sử dụng để thực hiện các phân tích kế tiếp, ví dụ cho các ứng dụng nhận
dạng mẫu.
Trong một mô hình Markov điển hình, trạng thái được quan sát trực tiếp bởi
người quan sát, và vì vậy các xác suất chuyển tiếp trạng thái là các tham số duy
nhất. Mô hình Markov ẩn thêm vào các đầu ra: mỗi trạng thái có xác suất phân bổ trên
các biểu hiện đầu ra có thể. Vì vậy, nhìn vào dãy của các biểu hiện được sinh ra
bởi HMM không trực tiếp chỉ ra dãy các trạng thái.


9
Đây là một mô hình toán thống kê có ứng dụng rộng rãi trong Tin sinh học.

Hình 1. 5: Mô hình Markov ẩn [3]
Các chuyển tiếp trạng thái trong mô hình Markov ẩn
- x — Các trạng thái trong mô hình Markov
- a — Các xác suất chuyển tiếp
- b — Các xác suất đầu ra
- y — Các dữ liệu quan sát
Sự tiến hóa của mô hình Markov
Biểu đồ trên đây làm nổi bật các chuyển tiếp trạng thái của mô hình Markov ẩn.
Nó cũng có ích để biểu diễn rõ ràng sự tiến hóa của mô hình theo thời gian, với các

trạng thái tại các thời điểm khác nhau t1 và t2 được biểu diễn bằng các tham biến khác
nhau, x(t1) và x(t2).

Hình 1. 6: Biểu đồ chuyển tiếp trạng thái mô hình Markov [3]
Trong biểu đồ này, nó được hiểu rằng thời gian chia cắt ra (x(t), y(t)) mở rộng tới
các thời gian trước và sau đó như một sự cần thiết. Thông thường lát cắt sớm nhất là
thời gian t=0 hay t=1.
Sử dụng các mô hình Markov
Có ba vấn đề cơ bản để giải quyết bằng HMM:
Cung cấp cho mô hình các tham số, tính xác suất của dãy đầu ra cụ thể. Giải
bằng thuật toán tiến trước (thuật toán tham lam).


10
Cung cấp cho mô hình các tham số, tìm dãy các trạng thái (ẩn) có khả năng lớn
nhất mà có thể sinh ra dãy đầu ra đã cung cấp. Giải bằng thuật toán Viterbi.
Cung cấp dãy đầu ra, tìm tập hợp có khả năng nhất của chuyển tiếp trạng thái và
các xác suất đầu ra. Giải bằng thuật toán Baum-Welch.
Các ứng dụng
Sự nhận biết lời nói hay sự nhận biết ký tự quang học.
Quy trình ngôn ngữ tự nhiên.
Tin sinh học và hệ gen học:
Dự đoán các vùng mang mã (khung đọc mở) trên một trình từ gene.
Xác định các họ gene hoặc họ protein liên quan.
Mô phỏng cấu trúc không gian của protein từ trình tự amino acid.
và còn nhiều nữa...
1.2.2. Máy véc-tơ hỗ trợ (SVM)
Máy vectơ hỗ trợ (SVM – viết tắt tên tiếng Anh support vector machine) là một
khái niệm trong thống kê và khoa học máy tính cho một tập hợp các phương pháp học
có giám sát liên quan đến nhau để phân loại và phân tích hồi quy. SVM dạng chuẩn

nhận dữ liệu vào và phân loại chúng vào hai lớp khác nhau. Do đó SVM là một thuật
toán phân loại nhị phân. Với một bộ các ví dụ luyện tập thuộc hai thể loại cho trước,
thuật toán luyện tập SVM xây dựng một mô hình SVM để phân loại các ví dụ khác
vào hai thể loại đó. Một mô hình SVM là một cách biểu diễn các điểm trong không
gian và lựa chọn ranh giới giữa hai thể loại sao cho khoảng cách từ các ví dụ luyện tập
tới ranh giới là xa nhất có thể. Các ví dụ mới cũng được biểu diễn trong cùng một
không gian và được thuật toán dự đoán thuộc một trong hai thể loại tùy vào ví dụ đó
nằm ở phía nào của ranh giới.


11
Hình 1. 7: Mô hình máy véc-tơ hỗ trợ [4]
Một máy vectơ hỗ trợ xây dựng một siêu phẳng hoặc một tập hợp các siêu phẳng
trong một không gian nhiều chiều hoặc vô hạn chiều, có thể được sử dụng cho phân
loại, hồi quy, hoặc các nhiệm vụ khác. Một cách trực giác, để phân loại tốt nhất thì các
siêu phẳng nằm ở càng xa các điểm dữ liệu của tất cả các lớp (gọi là hàm lề) càng tốt,
vì nói chung lề càng lớn thì sai số tổng quát hóa của thuật toán phân loại càng bé.
Trong nhiều trường hợp, không thể phân chia các lớp dữ liệu một cách tuyến tính
trong một không gian ban đầu được dùng để mô tả một vấn đề. Vì vậy, nhiều khi cần
phải ánh xạ các điểm dữ liệu trong không gian ban đầu vào một không gian mới nhiều
chiều hơn, để việc phân tách chúng trở nên dễ dàng hơn trong không gian mới. Để việc
tính toán được hiệu quả, ánh xạ sử dụng trong thuật toán SVM chỉ đòi hỏi tích vô
hướng của các vectơ dữ liệu trong không gian mới có thể được tính dễ dàng từ các tọa
độ trong không gian cũ. Tích vô hướng này được xác định bằng một hàm hạt nhân
K(x,y) phù hợp. Một siêu phẳng trong không gian mới được định nghĩa là tập hợp các
điểm có tích vô hướng với một vectơ cố định trong không gian đó là một hằng số.
Vectơ xác định một siêu phẳng sử dụng trong SVM là một tổ hợp tuyến tính của các
vectơ dữ liệu luyện tập trong không gian mới với các hệ số αi. Với siêu phẳng lựa
chọn như trên, các điểm x trong không gian đặc trưng được ánh xạ vào một siêu mặt
phẳng là các điểm thỏa mãn:

 a K ( X , X )  hằng số
i

i

i

Ghi chú rằng nếu K(x,y) nhận giá trị ngày càng nhỏ khi y xa dần khỏi x thì mỗi
số hạng của tổng trên được dùng để đo độ tương tự giữa x với điểm x i tương ứng trong
dữ liệu luyện tập. Như vậy, tác dụng của tổng trên chính là so sánh khoảng cách giữa
điểm cần dự đoán với các điểm dữ liệu đã biết. Lưu ý là tập hợp các điểm x được ánh
xạ vào một siêu phẳng có thể có độ phức tạp tùy ý trong không gian ban đầu, nên có
thể phân tách các tập hợp thậm chí không lồi trong không gian ban đầu.
Ưu điểm của SVM
- Cho kết quả nhận dạng với độ chính xác cao
- Bài toán huấn luyện SVM thực chất là bài toán quy hoạch toàn phương trên một
tập lồi, do đó SVM luôn có nghiệm toàn cục và duy nhất, đây chính là điểm khác biệt
rõ nhất giữa SVM so với phương pháp mạng Neural, vì mạng Neural vốn tồn tại nhiều
điểm cực trị địa phương.


12
Nhược điểm của SVM
- Hạn chế lớn nhất của SVM là tốc độ phân lớp rất chậm, tùy thuộc vào số lượng
các véc tơ hỗ trợ.
- Giai đoạn huấn luyện SVM đòi hỏi bộ nhớ rất lớn, do đó các bài toán huấn
luyện với số lượng mẫu lớn sẽ gặp trở ngại trong vấn đề lưu trữ. Hiệu quả phân lớp
của SVM phụ thuộc vào hai yếu tố: giải bài toán quy hoạch toàn phương và lựa chọn
hàm nhân.

1.2.3. Phương pháp tiếp cận cấu trúc
Cách tiếp cận của phương pháp này dựa vào việc mô tả đối tượng nhờ một số
khái niệm biểu diễn đối tượng cơ sở trong ngôn ngữ tự nhiên. Để mô tả đối tượng
người ta dùng một số dạng nguyên thủy như đoạn thẳng, cung,… Mỗi đối tượng được
mô tả như một sự kết hợp của các dạng nguyên thủy.
Các quy tắc kết hợp các dạng nguyên thủy được xây dựng giống như việc nghiên
cứu văn phạm trong một ngôn ngữ, do đó quá trình quyết định nhận dạng là quá trình
phân tích cú pháp. Phương pháp này đặt vấn đề để giải quyết bài toán nhận dạng chữ
tổng quát. Tuy vậy, cho đến nay còn nhiều vấn đề liên quan đến hệ nhận dạng cú pháp
chưa được giải quyết độc lập và xây dụng được các thuật toán phổ dụng. Hiện nay,
nhận dạng theo cấu trúc phổ biến là trích trọn các đặc trung của mẫu học, phân hoạch
bảng ký tự dựa trên các đặc trưng này, sau đó ảnh cần nhận dạng sẽ được trích chọn
đặc trưng, sau đó so sánh bảng phân hoạch để tìm ra ký tự có các đặc trưng phù hợp.
Các phương pháp cấu trúc áp dụng cho các bài toán nhận dạng chữ được phát
triển theo hai hướng sau:
1.2.3.1. Phương pháp đồ thị (Graphical Methods)
Các đơn vị chữ viết được mô tả bởi các cây hoặc các đồ thị. Các dạng nguyên
thủy của ký tự (các nét) được lựa chọn bởi một hướng tiếp cận cấu trúc. Đối với mỗi
lớp, một đồ thị hoặc cây được thành lập trong giai đoạn huấn luyện để mô tả các nét,
các ký tự hoặc các từ. Giai đoạn nhận dạng gán một đồ thị chưa biết vào một trong các
lớp bằng cách sử dụng một độ đo để so sánh các đặc điểm giống nhau giữa các đồ thị.
1.2.3.2. Phương pháp ngữ pháp (Grammatical Methods)
Giữa thập niên 1960, các nhà nghiên cứu bắt đầu xét các luật của ngôn ngữ học
để phân tích tiếng nói và chữ viết. Sau đó, các luật đa dạng của chính tả, từ vựng và
ngôn ngữ học đã được áp dụng cho các chiến lược nhận dạng. Phương pháp ngữ pháp


13
khởi tạo một số luật sinh để hình thành các ký tự từ một tập các công thức ngữ pháp
nguyên thủy. Các luật sinh này có thể kết nối bất kỳ kiểu đặc trưng thống kê và đặc

trưng hình thái nào dưới một số cú pháp hoặc các luật ngữ nghĩa. Giống như lý thuyết
ngôn ngữ, các luật sinh cho phép mô tả các cấu trúc câu có thể chấp nhận được các
trích chọn thông tin theo ngữ cảnh về chữ viết bằng cách sử dụng các kiêu ngữ pháp
khác nhau.
Trong phương pháp này, việc huấn luyện được thực hiện bằng cách mô tả mỗi ký
tự bằng một văn phạm Gi. Còn trong pha nhận dạng thì chuỗi, cây hoặc đồ thị của một
đơn vị viết bất kỳ (ký tự, từ hoặc câu) được phân tích để quyết định văn phạm của mẫu
đó thuộc lớp nào. Các phương pháp ngữ pháo hầu hết được sử dụng trong giai đoạn
hậu xử lý để sửa các lỗi mà khối nhận dạng đã thực hiện sai.
1.2.4. Đối sánh mẫu
Kỹ thuật nhận dạng chữ đơn giản nhất dựa trên cơ sở đối sánh các nguyên mẫu
(prototype) với nhau để nhận dạng ký tự hoặc từ. Nói chung, toán tử đối sánh xác định
mức độ giống nhau giữa hai véc tơ (nhóm các điểm, hình dạng, độ cong...) trong một
không gian đặc trưng. Các kỹ thuật đối sánh có thể nghiên cứu theo ba hướng sau:
Đối sánh trực tiếp: Một ký tự đầu vào là ảnh đa cấp xám hoặc ảnh nhị phân được
so sánh trực tiếp với một tập mẫu chuẩn đã được lưu trữ. Việc so sánh dựa theo một độ
đo về sự tương đồng nào đó (chẳng hạn như độ đo Euclide) để nhận dạng. Các kỹ
thuật đối sánh này có thể đơn giản như việc so sánh một – một hoặc phức tạp hơn như
cây quyết định. Mặc dù phương pháp đối sánh trực tiếp đơn giản và có một cơ sở toán
học vững chắc nhưng kết quả nhận dạng của nó cũng rất nhạy cảm với nhiễu.
Các mẫu biến dạng và đối sánh mềm: Một phương pháp đối sánh khác là sử dụng
các mẫu biến dạng, trong đó một phép biến dạng ảnh được dùng để đối sánh một ảnh
chưa biết với một cơ sở dữ liệu ảnh đã biết.
Ý tưởng cơ bản của đối sánh mềm là đối sánh một cách tối ưu mẫu chưa biết với
tất cả các mẫu có thể mà các mẫu này có thế kéo giãn ra hoặc co lại. Chỉ một không
gian đặc trung được thành lập, các véc tơ chưa biết được đối sánh bằng cách sử dụng
quy hoạch động và một hàm biến dạng.
Đối sánh giảm nhẹ: Đây là một kỹ thuật đối sánh ảnh ở mức độ tượng trưng, kỹ
thuật này sử dụng hình dáng đặc trưng cơ bản của ảnh ký tự. Thứ nhất, các vùng đối
sánh đã được nhận biết. Sau đó, trên cơ sở với các vùng đối sánh này. Công việc này

14
đòi hỏi một kỹ thuật tìm kiếm trong một không guan đa chiều để tìm cực đại toàn cục
của số hàm.
Các kỹ thuật đối sánh mẫu chỉ áp dụng với nhận dạng chữ in, còn đối với chữ
viết tay thì các kỹ thuật này tỏ ra kém hiệu quả.
1.2.5. Mạng nơ ron
Một mạng nơ ron được định nghĩa như một cấu trúc tính toán bao gồm nhiều bộ
xử lý “nơron” được kết nối song song chằng chịt với nhau. Do bản chất song song của
các nơ ron nên nó có thể thực hiện các tính toán với tốc độ cao hơn so với các kỹ thuật
phân lớp khác. Một mạng nơron chứa nhiều nút, đầu ra của một nút được sử dụng cho
một nút khác ở trong mạng và hàm quyết định cuối cùng phụ thuộc vào sự tương tác
phức tạp giữa các nút. Mặc dù nguyên lý khác nhau, nhưng hầu hết các kiến trúc mạng
nơron đều tương đương với các phương pháp nhận dạng mẫu thống kê.
Các kiến trúc mạng nơron có thể được phân thành hai nhóm chính: mạng truyền
thẳng và mạng lan truyền ngược. Trong các hệ thống nhận dạng chữ, các mạng nơron
sử dụng phổ biến nhất là mạng perceptron đa lớp thuộc nhóm mạng truyền thẳng và
mạng SOM (Self Origanizing Map) của Kohonen thuộc nhóm mạng lan truyền ngược.
Mạng perceptron đa lớp được đề xuất bởi Rosenblatt được nhiều tác giả sử dụng
trong hệ thống nhận dạng. Hầu hết các nghiên cứu phát triển nhận dạng chữ viết hiện
nay đều tập trung vào mạng SOM. SOM kết hợp trích chọn đặc trưng và nhận dạng
trên một tập lớn các ký tự huấn luyện. Mạng này chứng tỏ rằng nó tương đương với
thuật toán phân cụm k-means.
1.2.5.1. Đặc trưng của mạng nơ ron.
1.2.5.1.1. Tính phi tuyến
Một nơ ron có thể tính toán một cách tuyến tính hay phi tuyến. Một mạng nơron,
cấu thành bởi sự kết nối các nơ ron phi tuyến thì tự nó sẽ có tính phi tuyến. Hơn nữa,
điều đặc biệt là tính phi tuyến này được phân tán trên toàn mạng. Tính phi tuyến là
một thuộc tính rất quan trọng, nhất là khi các cơ chế vật lý sinh ra các tín hiệu đầu vào

(ví dụ tín hiệu tiếng nói) vốn là phi tuyến.
1.2.5.1.2. Tính chất tương ứng đầu vào đầu ra.
Mặc dù khái niệm “học” hay “huấn luyện” chưa được bàn đến nhưng để hiểu
được mối quan hệ đầu vào-đầu ra của mạng nơron, chúng ta sẽ đề cập sơ qua về khái
niệm này. Một mô hình học phổ biến được gọi là học với một người dạy hay học có


15
giám sát liên quan đến việc thay đổi các trọng số liên kết của mạng nơron bằng việc áp
dụng một tập hợp các mẫu tích luỹ hay các ví dụ tích luỹ. Mỗi một ví dụ bao gồm một
tín hiệu đầu vào và một đầu ra mong muốn tương ứng. Mạng nơron nhận một ví dụ lấy
một cách ngẫu nhiên từ tập hợp nói trên tại đầu vào của nó, và các trọng số liên kết của
mạng được biến đổi sao cho có thể cực tiểu hoá sự sai khác giữa đầu ra mong muốn và
đầu ra thực sự của mạng theo một tiêu chuẩn thống kê thích hợp. Sự tích luỹ của mạng
được lặp lại với nhiều ví dụ trong tập hợp cho tới khi mạng đạt tới một trạng thái ổn
định mà ở đó không có một sự thay đổi đáng kể nào của các trọng số liên kết. Các ví
dụ tích luỹ được áp dụng trước có thể được áp dụng lại trong thời gian của phiên tích
luỹ nhưng theo một thứ tự khác. Như vậy mạng nơron học từ các ví dụ bằng cách xây
dựng nên một tương ứng đầu vào-đầu ra cho vấn đề cần giải quyết.
1.2.5.1.3. Tính chất thích nghi.
Các mạng nơron có một khả năng mặc định là biến đổi các trọng số liên kết tuỳ
theo sự thay đổi của môi trường xung quanh. Đặc biệt, một mạng nơron đã được tích
luỹ để hoạt động trong một môi trường xác định có thể được tích luỹ lại một cách dễ
dàng khi có những thay đổi nhỏ của các điều kiện môi trường hoạt động.
1.2.5.1.4. Tính chất đưa ra lời giải có bằng chứng.
Trong ngữ cảnh phân loại mẫu, một mạng nơron có thể được thiết kế để đưa ra
thông tin không chỉ về mẫu được phân loại, mà còn về sự tin cậy của quyết định đã
được thực hiện. Thông tin này có thể được sử dụng để loại bỏ các mẫu mơ hồ hay
nhập nhằng.
1.2.5.1.5. Tính chất chấp nhận sai sót.

Một mạng nơron, được cài đặt dưới dạng phần cứng, vốn có khả năng chấp nhận
lỗi, hay khả năng tính toán thô, với ý nghĩa là tính năng của nó chỉ thoái hoá khi có
những điều kiện hoạt động bất lợi. Ví dụ, nếu một nơron hay các liên kết kết nối của
nó bị hỏng, việc nhận dạng lại một mẫu được lưu trữ sẽ suy giảm về chất lượng.
1.2.5.1.6. Khả năng cài đặt VLSI(Very-large-scale-intergrated).
Bản chất song song đồ sộ của một mạng nơron làm cho nó rất nhanh trong tính
toán đối với một số công việc. Đặc tính này cũng tạo ra cho một mạng nơron khả năng
phù hợp cho việc cài đặt sử dụng kỹ thuật Very-large-scale-intergrated (VLSI). Kỹ
thuật này cho phép xây dựng những mạch cứng tính toán song song quy mô lớn. Chính
vì vậy mà ưu điểm nổi bật của VLSI là mang lại những phương tiện hữu hiệu để có thể
xử lý được những hành vi có độ phức tạp cao.