<pre style="text-align: center;"><em>"[___WARNING_Kh&oacute;a học đang trong qu&aacute; tr&igrave;nh cập nhật nội dung mỗi tuần <br />n&ecirc;n kh&ocirc;ng thể tr&aacute;nh khỏi sai s&oacute;t. Rất mong bạn đọc th&ocirc;ng cảm. <br />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> <br />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___]"</em></pre>
<h3 style="text-align: justify;">Giới thiệu kh&oacute;a học machine learning cơ bản với Python</h3>
<p style="text-align: justify;">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.</p>
<p style="text-align: justify;">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.</p>
<p style="text-align: justify;">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.</p>
<p style="text-align: justify;">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.</p>
<p style="text-align: justify;">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.</p>
<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

<p style="text-align: justify;">C&aacute;c h&agrave;m mất m&aacute;t đ&oacute;ng một vai tr&ograve; quan trọng trong bất kỳ m&ocirc; h&igrave;nh thống k&ecirc; n&agrave;o - ch&uacute;ng x&aacute;c định một mục ti&ecirc;u m&agrave; hiệu suất của m&ocirc; h&igrave;nh được đ&aacute;nh gi&aacute; dựa tr&ecirc;n c&aacute;c tham số m&agrave; m&ocirc; h&igrave;nh học được, được x&aacute;c định bằng c&aacute;ch giảm thiểu một h&agrave;m mất m&aacute;t đ&atilde; chọn.</p>
<p style="text-align: justify;">C&aacute;c h&agrave;m mất m&aacute;t sẽ x&aacute;c định thế n&agrave;o l&agrave; một dự đo&aacute;n tốt v&agrave; kh&ocirc;ng tốt. T&oacute;m lại, việc chọn đ&uacute;ng h&agrave;m mất m&aacute;t sẽ quyết định mức độ hoạt động của c&ocirc;ng cụ dự đo&aacute;n của bạn. B&agrave;i n&agrave;y sẽ kh&aacute;m ph&aacute; c&aacute;c h&agrave;m mất m&aacute;t, vai tr&ograve; của ch&uacute;ng trong việc x&aacute;c nhận c&aacute;c dự đo&aacute;n v&agrave; c&aacute;c h&agrave;m mất m&aacute;t kh&aacute;c nhau được sử dụng.</p>
<h2 id="introduction" style="text-align: justify;">Giới thiệu</h2>
<p style="text-align: justify;">Một h&agrave;m mất m&aacute;t đưa một mệnh đề l&yacute; thuyết th&agrave;nh một mệnh đề thực tế. Việc x&acirc;y dựng một c&ocirc;ng cụ dự đo&aacute;n c&oacute; độ ch&iacute;nh x&aacute;c cao đ&ograve;i hỏi sự lặp lại li&ecirc;n tục của vấn đề th&ocirc;ng qua việc đặt c&acirc;u hỏi, m&ocirc; h&igrave;nh h&oacute;a vấn đề với c&aacute;ch tiếp cận v&agrave; thử nghiệm đ&atilde; chọn. Ti&ecirc;u ch&iacute; duy nhất m&agrave; m&ocirc; h&igrave;nh thống k&ecirc; được xem x&eacute;t kỹ lưỡng l&agrave; hiệu suất của n&oacute; - mức độ ch&iacute;nh x&aacute;c của c&aacute;c quyết định của m&ocirc; h&igrave;nh. Điều n&agrave;y đ&ograve;i hỏi một c&aacute;ch để đo lường mức độ dự đo&aacute;n cụ thể của m&ocirc; h&igrave;nh so với c&aacute;c gi&aacute; trị thực tế. Đ&acirc;y l&agrave; l&uacute;c c&aacute;c h&agrave;m mất m&aacute;t ph&aacute;t huy t&aacute;c dụng.</p>
<p style="text-align: justify;">C&aacute;c h&agrave;m mất m&aacute;t đo lường gi&aacute; trị dự đo&aacute;n c&aacute;ch gi&aacute; trị thực của n&oacute; bao xa. C&aacute;c h&agrave;m mất m&aacute;t kh&ocirc;ng cố định, ch&uacute;ng thay đổi t&ugrave;y thuộc v&agrave;o nhiệm vụ v&agrave; mục ti&ecirc;u cần đạt được.</p>
<h2 id="loss-functions-for-regression" style="text-align: justify;">H&agrave;m mất m&aacute;t cho hồi quy</h2>
<p style="text-align: justify;">Hồi quy li&ecirc;n quan đến việc dự đo&aacute;n một gi&aacute; trị cụ thể c&oacute; bản chất li&ecirc;n tục. Dự đo&aacute;n gi&aacute; nh&agrave; hoặc dự đo&aacute;n gi&aacute; cổ phiếu l&agrave; những v&iacute; dụ về hồi quy bởi v&igrave; người ta hướng tới việc x&acirc;y dựng một m&ocirc; h&igrave;nh dự đo&aacute;n một số lượng c&oacute; gi&aacute; trị thực. Ch&uacute;ng ta h&atilde;y xem x&eacute;t một số h&agrave;m mất m&aacute;t c&oacute; thể được sử dụng cho c&aacute;c vấn đề hồi quy v&agrave; cố gắng r&uacute;t ra c&aacute;c so s&aacute;nh giữa ch&uacute;ng.</p>
<h3 id="mean-absolute-error-mae" style="text-align: justify;">Mean Absolute Error (MAE)</h3>
<p style="text-align: justify;">Mean Absolute Error (C&ograve;n gọi l&agrave; L1 loss) l&agrave; một trong những h&agrave;m mất m&aacute;t đơn giản nhưng mạnh mẽ nhất được sử dụng cho c&aacute;c m&ocirc; h&igrave;nh hồi quy.&nbsp;</p>
<p style="text-align: justify;">C&aacute;c b&agrave;i to&aacute;n hồi quy c&oacute; thể c&oacute; c&aacute;c biến kh&ocirc;ng ho&agrave;n to&agrave;n về bản chất Gaussian do sự hiện diện của c&aacute;c gi&aacute; trị ngoại lai (c&aacute;c gi&aacute; trị rất kh&aacute;c với phần c&ograve;n lại của dữ liệu). MAE sẽ l&agrave; một lựa chọn l&yacute; tưởng trong những trường hợp như vậy v&igrave; n&oacute; kh&ocirc;ng t&iacute;nh đến hướng của c&aacute;c gi&aacute; trị ngoại lai (c&aacute;c gi&aacute; trị &acirc;m hoặc dương cao kh&ocirc;ng thực tế).</p>
<p style="text-align: justify;">Như t&ecirc;n cho thấy, MAE lấy tổng trung b&igrave;nh của sự kh&aacute;c biệt tuyệt đối giữa gi&aacute; trị thực tế v&agrave; gi&aacute; trị dự đo&aacute;n. Đối với một điểm dữ liệu $x_i$ v&agrave; gi&aacute; trị dự đo&aacute;n $y_i$, $n$ l&agrave; tổng số điểm dữ liệu trong tập dữ liệu, MAE được định nghĩa l&agrave;:</p>
<p style="text-align: center;">$\mathrm{MAE}=\frac{\sum_{i=1}^{n}\left|y_{i}-x_{i}\right|}{n}$</p>
<h3 id="mean-squared-error-mse" style="text-align: justify;">Mean Squared Error (MSE)</h3>
<p id="mean-squared-error-mse" style="text-align: justify;">Mean Squared Error (c&ograve;n gọi l&agrave; L2 loss) rất phổ biến với hầu hết c&aacute;c nh&agrave; khoa học dữ liệu khi n&oacute;i đến c&aacute;c h&agrave;m mất m&aacute;t cho hồi quy. &nbsp; Điều n&agrave;y l&agrave; do hầu hết c&aacute;c biến c&oacute; thể được m&ocirc; h&igrave;nh h&oacute;a th&agrave;nh ph&acirc;n phối Gaussian.</p>
<p style="text-align: justify;">Mean Squared Error l&agrave; gi&aacute; trị trung b&igrave;nh của sự kh&aacute;c biệt b&igrave;nh phương giữa gi&aacute; trị thực tế v&agrave; gi&aacute; trị dự đo&aacute;n. Đối với một điểm dữ liệu $Y_i$ v&agrave; gi&aacute; trị dự đo&aacute;n của n&oacute; $\hat{Y}_{i}$, trong đ&oacute; n l&agrave; tổng số điểm dữ liệu trong tập dữ liệu, MSE được x&aacute;c định l&agrave;:</p>
<p style="text-align: center;">$\mathrm{MSE}=\frac{1}{n} \sum_{i=1}^{n}\left(Y_{i}-\hat{Y}_{i}\right)^{2}$</p>
<h3 id="mean-bias-error-mbe" style="text-align: justify;">Mean Bias Error (MBE)</h3>
<p style="text-align: justify;">Mean Bias Error được sử dụng để t&iacute;nh to&aacute;n độ chệch trung b&igrave;nh trong m&ocirc; h&igrave;nh. T&oacute;m lại, Bias l&agrave; đ&aacute;nh gi&aacute; qu&aacute; cao hoặc đ&aacute;nh gi&aacute; thấp một tham số. C&aacute;c biện ph&aacute;p khắc phục c&oacute; thể được thực hiện để giảm sự sai lệch sau khi đ&aacute;nh gi&aacute; m&ocirc; h&igrave;nh bằng MBE.&nbsp;</p>
<p style="text-align: justify;">Mean Bias Error lấy ch&ecirc;nh lệch thực tế giữa mục ti&ecirc;u v&agrave; gi&aacute; trị dự đo&aacute;n chứ kh&ocirc;ng phải ch&ecirc;nh lệch tuyệt đối. Người ta phải thận trọng v&igrave; c&aacute;c lỗi t&iacute;ch cực v&agrave; ti&ecirc;u cực c&oacute; thể triệt ti&ecirc;u lẫn nhau, đ&oacute; l&agrave; l&yacute; do tại sao n&oacute; l&agrave; một trong những h&agrave;m mất m&aacute;t &iacute;t được sử dụng hơn.</p>
<p style="text-align: justify;">C&ocirc;ng thức của Mean Bias Error l&agrave;:</p>
<p style="text-align: center;">$M B E=\frac{\sum_{i=1}^{n}\left(y_{i}-\hat{y}_{i}\right)}{n}$</p>
<p style="text-align: justify;">Trong đ&oacute; $Y_i$ l&agrave; gi&aacute; trị thực, $\hat{Y}_{i}$ l&agrave; gi&aacute; trị dự đo&aacute;n v&agrave; &lsquo;n&rsquo; l&agrave; tổng số điểm dữ liệu trong tập dữ liệu.</p>
<h3 id="mean-squared-logarithmic-error-msle" style="text-align: justify;">Mean Squared Logarithmic Error (MSLE)</h3>
<p style="text-align: justify;">&nbsp;</p>
<p style="text-align: justify;">&nbsp;</p>
<hr />
<p style="text-align: center;"><em><strong>Fanpage Facebook:</strong>&nbsp;<a href="https://www.facebook.com/tek4.vn/">TEK4.VN</a></em>&nbsp;</p>
<p style="text-align: center;"><em><strong>Tham gia cộng đồng để chia sẻ, trao đổi v&agrave; thảo luận:</strong>&nbsp;<a href="https://www.facebook.com/groups/tek4.vn/">TEK4.VN - Học Lập Tr&igrave;nh Miễn Ph&iacute;</a></em></p>

Một số dạng hàm mất mát và hàm mục tiêu trong bài toán cụ thể