<pre style="text-align: center;">"[___WARNING_Kh&oacute;a học đang trong qu&aacute; tr&igrave;nh cập nhật nội dung mỗi tuần n&ecirc;n kh&ocirc;ng thể tr&aacute;nh khỏi sai s&oacute;t. Rất mong bạn đọc th&ocirc;ng cảm. Nếu c&oacute; bất cứ thắc mắc n&agrave;o h&atilde;y ib cho page <a href="https://www.facebook.com/tek4.vn">TEK4.VN</a> hoặc thảo luận tại group <a href="https://www.facebook.com/groups/tek4.vn">TEK4.VN- Học Lập Tr&igrave;nh Miễn Ph&iacute;</a>_WARNING___]"</pre>
<h3 style="text-align: justify;">Giới thiệu kh&oacute;a học machine learning cơ bản với Python</h3>
Bạn nghe n&oacute;i về tr&iacute; tuệ nh&acirc;n tạo rồi machine learning v&agrave; muốn t&igrave;m hiểu về n&oacute;. Kh&oacute;a học n&agrave;y l&agrave; gi&agrave;nh cho bạn.
Kh&oacute;a học n&agrave;y được thiết kế một c&aacute;ch b&agrave;i bản với những kiến thức từ cơ bản đến n&acirc;ng cao gi&uacute;p bạn c&oacute; khả năng l&agrave;m quen một c&aacute;ch dễ d&agrave;ng nhất với lĩnh vực machine learning.
C&aacute;c chủ đề của kh&oacute;a học được thiết kế liền mạch với những giải th&iacute;ch dễ hiểu v&agrave; v&iacute; dụ minh họa thực tế. Với mỗi b&agrave;i học, bạn sẽ được l&agrave;m quen với c&aacute;c kỹ năng mới v&agrave; n&acirc;ng cao hiểu biết của m&igrave;nh về lĩnh vực học m&aacute;y đầy th&aacute;ch thức nhưng lại v&ocirc; c&ugrave;ng th&uacute; vị với nhiều ứng dụng thực tế n&agrave;y.
Một điều đặc biệt nữa của kh&oacute;a học l&agrave; n&oacute; được thiết kế sao cho mỗi phần l&agrave; tương đối độc lập. V&igrave; vậy, bạn c&oacute; thể học to&agrave;n bộ kh&oacute;a học từ đầu đến cuối hoặc bạn cũng c&oacute; thể nhảy ngay v&agrave;o bất kỳ phần cụ thể n&agrave;o v&agrave; t&igrave;m hiểu những g&igrave; bạn cần ngay lập tức.
Hơn nữa, kh&oacute;a học bao gồm nhiều b&agrave;i tập dựa tr&ecirc;n c&aacute;c nghi&ecirc;n cứu t&igrave;nh huống thực tế trong đời sống. V&igrave; vậy, bạn kh&ocirc;ng chỉ học l&yacute; thuyết m&agrave; c&ograve;n được thực h&agrave;nh rất nhiều v&iacute; dụ để x&acirc;y dựng c&aacute;c m&ocirc; h&igrave;nh của ri&ecirc;ng m&igrave;nh một c&aacute;ch thực thụ. Đặc biệt, bạn sẽ được luyện tập với c&aacute;c kh&aacute;i niệm NGAY LẬP TỨC với hệ thống b&agrave;i tập được hệ thống h&oacute;a v&agrave; đ&aacute;nh gi&aacute; trực tiếp tr&ecirc;n TEK4.VN.
<h3 style="text-align: justify;">Kh&oacute;a học machine learning cơ bản với Python n&agrave;y d&agrave;nh cho ai?</h3>
<ul>
<li style="text-align: justify;">Bất cứ ai quan t&acirc;m đến Machine Learning.</li>
<li style="text-align: justify;">Học vi&ecirc;n đ&atilde; c&oacute; những kiến thức trung học phổ th&ocirc;ng về to&aacute;n v&agrave; muốn bắt đầu học Machine Learning.</li>
<li style="text-align: justify;">Bất kỳ ai đ&atilde; c&oacute; những kiến thức cơ bản về học m&aacute;y, như c&aacute;c thuật to&aacute;n cổ điển như hồi quy tuyến t&iacute;nh hoặc hồi quy logistic, nhưng vẫn muốn t&igrave;m hiểu th&ecirc;m về học m&aacute;y v&agrave; kh&aacute;m ph&aacute; c&aacute;c kh&iacute;a cạnh kh&aacute;c của machine learning.</li>
<li style="text-align: justify;">Bất kỳ ai gặp kh&oacute; khăn trong việc lập tr&igrave;nh để &aacute;p dụng c&aacute;c thuật to&aacute;n học m&aacute;y v&agrave;o b&agrave;i to&aacute;n thực tế.</li>
<li style="text-align: justify;">Bất kỳ sinh vi&ecirc;n đại học n&agrave;o muốn bắt đầu sự nghiệp trong lĩnh vực machine learning.</li>
<li style="text-align: justify;">Bất kỳ ai muốn n&acirc;ng cao kiến thức của bản th&acirc;n trong lĩnh vực Machine Learning.</li>
<li style="text-align: justify;">Bất kỳ người n&agrave;o kh&ocirc;ng h&agrave;i l&ograve;ng với c&ocirc;ng việc của họ v&agrave; muốn trở th&agrave;nh Nh&agrave; khoa học dữ liệu.</li>
<li style="text-align: justify;">Bất kỳ người n&agrave;o muốn tạo gi&aacute; trị gia tăng cho doanh nghiệp của họ bằng c&aacute;ch sử dụng c&aacute;c c&ocirc;ng cụ Machine Learning mạnh mẽ.</li>
</ul>

Machine Learning cơ bản với Python

Lazy Learning l&agrave; những thuật to&aacute;n học với những đặc t&iacute;nh đặc biệt như sau:
<ul>
<li style="font-weight: 400;" aria-level="1">Những m&ocirc; h&igrave;nh học m&aacute;y Lazy Learning sẽ tr&igrave; ho&atilde;n qu&aacute; tr&igrave;nh xử l&yacute; th&ocirc;ng tin cho đến khi nhận được y&ecirc;u cầu học (th&ocirc;ng qua việc gửi dữ liệu mới để m&aacute;y học đo&aacute;n nhận). (Điều n&agrave;y đồng nghĩa với việc cứ mỗi lần ta gửi dữ liệu cho m&aacute;y để đo&aacute;n nhận, m&aacute;y học sẽ lại trải qua một lần học để trả về kết quả)</li>
<li style="font-weight: 400;" aria-level="1">C&aacute;c m&ocirc; h&igrave;nh học m&aacute;y loại n&agrave;y sẽ trả về th&ocirc;ng tin th&ocirc;ng qua qu&aacute; tr&igrave;nh kết hợp dữ liệu mới với c&aacute;c dữ liệu c&oacute; sẵn trong m&ocirc; h&igrave;nh. Dữ liệu c&oacute; sẵn trong m&ocirc; h&igrave;nh ở đ&acirc;y &aacute;m chỉ những dữ liệu trong qu&aacute; tr&igrave;nh huấn luyện.</li>
<li style="font-weight: 400;" aria-level="1">Những th&ocirc;ng tin học được từ dữ liệu kết hợp ở tr&ecirc;n sẽ kh&ocirc;ng được lưu lại sau qu&aacute; tr&igrave;nh học.</li>
<li style="font-weight: 400;" aria-level="1">H&agrave;m mục ti&ecirc;u $H(x)$ sẽ được xấp xỉ ở c&aacute;c l&acirc;n cận&nbsp;</li>
</ul>
Những điều n&agrave;y tr&aacute;i ngược ho&agrave;n to&agrave;n với c&aacute;c m&ocirc; h&igrave;nh Eager Learning, tức:
<ul>
<li style="font-weight: 400;" aria-level="1">Những m&ocirc; h&igrave;nh học m&aacute;y thuộc Eager Learning c&oacute; một giai đoạn ri&ecirc;ng để nhận dữ liệu huấn luyện v&agrave; sẽ t&igrave;m ra một h&agrave;m mục ti&ecirc;u tr&ecirc;n to&agrave;n cục của miền dữ liệu. (Điều n&agrave;y đồng nghĩa với việc c&aacute;c m&ocirc; h&igrave;nh Eager Learning sẽ d&agrave;nh thời gian để t&igrave;m ra h&agrave;m mục ti&ecirc;u khớp với dữ liệu nhất. Qu&aacute; tr&igrave;nh học n&agrave;y chỉ diễn ra khi lập tr&igrave;nh vi&ecirc;n y&ecirc;u cầu m&aacute;y học thực hiện việc học tr&ecirc;n dữ liệu)</li>
<li style="font-weight: 400;" aria-level="1">C&aacute;c m&ocirc; h&igrave;nh học m&aacute;y loại n&agrave;y sẽ trả về kết quả đo&aacute;n nhận dựa v&agrave;o những kiến thức được học kh&aacute;ch quan, v&agrave; kết quả kiến thức được lưu lại để c&oacute; thể sử dụng lại khi c&oacute; y&ecirc;u cầu đo&aacute;n nhận mới</li>
<li style="font-weight: 400;" aria-level="1">C&aacute;c m&ocirc; h&igrave;nh Eager Learning sau khi học xong sẽ kh&ocirc;ng c&ograve;n cần đến dữ liệu huấn luyện đầu v&agrave;o trong qu&aacute; tr&igrave;nh đo&aacute;n nhận.</li>
<li style="font-weight: 400;" aria-level="1">H&agrave;m mục ti&ecirc;u $H(x)$ sẽ l&agrave; h&agrave;m ở to&agrave;n cục.</li>
</ul>
Trong học m&aacute;y, học s&acirc;u n&oacute;i ri&ecirc;ng v&agrave; tr&iacute; tuệ nh&acirc;n tạo n&oacute;i chung, ta sẽ bắt gặp những m&ocirc; h&igrave;nh Eager Learning nhiều hơn. Những thuật to&aacute;n thuộc loại n&agrave;y l&agrave; Linear v&agrave; Logistic Regression, Decision Tree, Naive Bayes, Neural Network,...
Những m&ocirc; h&igrave;nh Lazy Learning được sử dụng ở trong những trường hợp c&oacute; dữ liệu được th&ecirc;m v&agrave;o, được cập nhật theo thời gian, những dữ liệu được sử dụng trong c&aacute;c hệ thống gợi &yacute;. Những thuật to&aacute;n thuộc loại n&agrave;y l&agrave; k-NN, Locally Weighted Regression, Case Based Reasoning&hellip;
Bảng so s&aacute;nh ưu - khuyết điểm giữa Eager Learning v&agrave; Lazy Learning:
<table>
<tbody>
<tr>
<td>&nbsp;</td>
<td>
Lazy Learning
</td>
<td>
Eager Learning
</td>
</tr>
<tr>
<td>
Ưu điểm
</td>
<td>
Kh&ocirc;ng c&oacute; thời gian huấn luyện, chỉ c&oacute; thời gian để thực hiện đo&aacute;n nhận
H&agrave;m mục ti&ecirc;u được xấp xỉ ở c&aacute;c l&acirc;n cận, tức kh&ocirc;ng gian lời giải được ph&acirc;n v&ugrave;ng để tối đa h&oacute;a độ ch&iacute;nh x&aacute;c trong qu&aacute; tr&igrave;nh đo&aacute;n nhận.
C&oacute; khả năng giải được nhiều b&agrave;i to&aacute;n kh&aacute;c nhau, xử l&yacute; được khi kh&ocirc;ng gian b&agrave;i to&aacute;n thay đổi.
C&oacute; thể cải thiện được thời gian t&iacute;nh to&aacute;n của m&ocirc; h&igrave;nh, v&iacute; dụ như lưu lại kết quả của y&ecirc;u cầu đo&aacute;n nhận, v&agrave; chỉ cập nhật kết quả đo&aacute;n nhận nếu dữ liệu li&ecirc;n quan đến kết quả n&agrave;y thay đổi.
Một số thuật to&aacute;n như kNN bền bỉ với nhiễu
</td>
<td>
Thời gian huấn luyện l&acirc;u, nhưng thời gian đo&aacute;n nhận nhanh.
H&agrave;m mục ti&ecirc;u được thực hiện tr&ecirc;n to&agrave;n miền dữ liệu, n&ecirc;n l&agrave; h&agrave;m to&agrave;n cục.
M&ocirc; h&igrave;nh học m&aacute;y sau khi huấn luyện sẽ giữ lại những kiến thức được học. Việc thực hiện đo&aacute;n nhận kh&ocirc;ng ảnh hưởng đến đến nội tại của m&ocirc; h&igrave;nh.
M&ocirc; h&igrave;nh Eager Learning c&oacute; khả năng được lưu lại, gửi đi v&agrave; cải thiện th&ocirc;ng qua việc học lại tr&ecirc;n bộ dữ liệu mới. M&ocirc; h&igrave;nh Eager Learning c&oacute; thể được đ&oacute;ng g&oacute;i v&agrave; gửi đi để c&oacute; thể cải thiện hiệu suất, mở ra tiềm năng cho Ensemble Learning v&agrave; Federated Learning.
</td>
</tr>
<tr>
<td>
Khuyết điểm
</td>
<td>
Cần bộ nhớ lớn để lưu dataset
Dữ liệu nhiễu khiến case base tăng l&ecirc;n đột biến
Chậm trong qu&aacute; tr&igrave;nh đo&aacute;n nhận (trong thực tiễn, y&ecirc;u cầu đo&aacute;n nhận được thực hiện lặp lại sau một khoảng thời gian v&agrave; được lưu kết quả lại. Sau n&agrave;y nếu được y&ecirc;u cầu, kết quả đo&aacute;n nhận sẽ được trả về m&agrave; kh&ocirc;ng cần t&iacute;nh to&aacute;n lại)
Lượng dữ liệu lớn tăng độ phức tạp t&iacute;nh to&aacute;n
</td>
<td>
H&agrave;m mục ti&ecirc;u được sinh ra tr&ecirc;n to&agrave;n cục dữ liệu, n&ecirc;n kh&ocirc;ng c&oacute; sự tối ưu tr&ecirc;n l&acirc;n cận&nbsp;
</td>
</tr>
</tbody>
</table>
<hr />
Fanpage Facebook:&nbsp;<a href="https://www.facebook.com/tek4.vn/">TEK4.VN</a>&nbsp;
Tham gia cộng đồng để chia sẻ, trao đổi v&agrave; thảo luận:&nbsp;<a href="https://www.facebook.com/groups/tek4.vn/">TEK4.VN - Học Lập Tr&igrave;nh Miễn Ph&iacute;</a>

Lazy Learners và Eager Learners