<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;">Để dễ hiểu hơn về Gradient Descent ch&uacute;ng ta sẽ quay lại v&iacute; dụ về dự đo&aacute;n hoạt lực thuốc theo thời gian từ <a href="../../../khoa-hoc/machine-learning-co-ban/thuoc-cang-de-lau-cang-mat-tac-dung-thuc-nghiem-tren-python" target="_blank" rel="noopener">b&agrave;i trước</a>. Trong v&iacute; dụ n&agrave;y, dữ liệu đầu v&agrave;o chỉ c&oacute; 1 thuộc t&iacute;nh (1 chiều) để thuận tiện cho việc minh hoạ trong mặt phẳng. Thuật to&aacute;n sẽ được viết bằng python.</p>
<h2 id="k&yacute;-hiệu" style="text-align: justify;">Tổng qu&aacute;t</h2>
<div class="cl-preview-section" style="text-align: justify;">
<p>Cho bảng dữ liệu thể hiện tỷ lệ hoạt lực của loại thuốc X sau mỗi năm bảo quản như sau:</p>
</div>
<div class="cl-preview-section" style="text-align: justify;">
<div class="table-wrapper">
<table style="height: 78px; width: 44.6486%;">
<thead>
<tr>
<th style="width: 21.7463%;" align="left">Năm</th>
<th style="width: 12.6537%;" align="center">1</th>
<th style="width: 12.6537%; text-align: center;" align="center">2</th>
<th style="width: 12.6537%;" align="center">3</th>
<th style="width: 12.6537%;" align="center">4</th>
<th style="width: 12.6677%;" align="right">5</th>
</tr>
</thead>
<tbody>
<tr>
<td style="width: 21.7463%;" align="left">Tỷ lệ</td>
<td style="width: 12.6537%;" align="center">96</td>
<td style="width: 12.6537%;" align="center">84</td>
<td style="width: 12.6537%;" align="center">70</td>
<td style="width: 12.6537%;" align="center">58</td>
<td style="width: 12.6677%;" align="right">52</td>
</tr>
</tbody>
</table>
</div>
</div>
<p style="text-align: justify;">Như vậy ta c&oacute; dữ liệu đầu v&agrave;o $\mathbf{X}$ v&agrave; c&aacute;c nh&atilde;n $\mathbf{y}$ lần lượt l&agrave;</p>
<p style="text-align: justify;">$\mathbf{X} = [1, 2, 3, 4, 5]$</p>
<p style="text-align: justify;">$\mathbf{y} = [96, 84, 70, 58, 52]$</p>
<p style="text-align: justify;">Ta c&oacute; h&agrave;m loss MSE: $L = \frac{1}{2}\sum_{i=1}^N{(y_i - (a\mathbf{x}_i +b))}$, trong đ&oacute; $a$ v&agrave; $b$ ch&iacute;nh l&agrave; c&aacute;c tham số cần t&igrave;m sao cho $\mathbf{L}$ đạt gi&aacute; trị nhỏ nhất, như vậy ta cần t&igrave;m đạo h&agrave;m của $a$ v&agrave; $b$ theo $\mathbf{L}$.</p>
<p style="text-align: justify;">Trung b&igrave;nh đạo h&agrave;m $a$ theo $\mathbf{L}$ : $\frac{\partial{\mathbf{L}}}{\partial{a} } = \frac{\sum_{i}^N{\mathbf{x}_i((a\mathbf{x}_i + b) - y_i)}}{N}$. C&ocirc;ng thức cập nhật gi&aacute; trị cho $a$: $a = a-\eta\frac{\partial{\mathbf{L}}}{\partial{a} }$</p>
<p style="text-align: justify;">Trung b&igrave;nh đạo h&agrave;m $b$ theo $\mathbf{L}$ : $\frac{\partial{\mathbf{L}}}{\partial{b} } = \frac{\sum_{i}^N{((a\mathbf{x}_i + b) - y_i)}}{N}$, C&ocirc;ng thức cập nhật gi&aacute; trị cho $b$: $b = b-\eta\frac{\partial{\mathbf{L}}}{\partial{b} }$</p>
<h2 id="x&acirc;y-dựng-code" style="text-align: justify;">X&acirc;y dựng code</h2>
<h3 id="import-thư-viện" style="text-align: justify;">Import thư viện</h3>
<pre class="language-python"><code>from matplotlib import pyplot as plt
import numpy as np</code></pre>
<h3 id="khởi-tạo-x-y-a-b" style="text-align: justify;">Khởi tạo X, y, a, b</h3>
<pre class="language-python"><code>X = np.array([1,2,3,4,5])
y = np.array([ 96,84,70,58,52])

a = np.random.rand(1)
b = np.random.rand(1)</code></pre>
<h3 id="x&acirc;y-dựng-h&agrave;m-đ&agrave;o-tạo" style="text-align: justify;">X&acirc;y dựng h&agrave;m đ&agrave;o tạo</h3>
<pre class="language-python"><code>def fit(X, Y, a, b, epoch = 20, lr = 0.00001):
    point = X.shape[0]
    for i in range(epoch):
        Y_pred = a*X + b
        loss = np.sum((Y_pred - Y)**2)/(2*point)
        a = a - lr*np.sum(X*((a*X + b) - Y))/point
        b = b - lr*np.sum((a*X + b) - Y)/point

        if (i%100==0):
            print("Epoch {}, loss = {}".format(i, loss))
    return a, b</code></pre>
<h3 id="chạy-thuật-to&aacute;n" style="text-align: justify;">Chạy thuật to&aacute;n</h3>
<pre class="language-python"><code>a, b = fit(X, y, a, b, epoch = 1000, lr = 0.1)
print("a: {}====b: {}".format(a,b))</code></pre>
<p style="text-align: justify;">Sau khi chạy ta sẽ hiển thị kết quả như sau:</p>
<pre class="language-python"><code>Epoch 0, loss = 2680.821845974633
Epoch 100, loss = 27.665116035482875
Epoch 200, loss = 2.67477474704999
Epoch 300, loss = 2.0557243767768543
Epoch 400, loss = 2.0403895177402207
Epoch 500, loss = 2.040009648971917
Epoch 600, loss = 2.0400002390203307
Epoch 700, loss = 2.0400000059209074
Epoch 800, loss = 2.0400000001466756
Epoch 900, loss = 2.0400000000036322
a: [-11.39999972]====b: [106.19999901]</code></pre>
<p style="text-align: justify;">Ta đ&atilde; t&igrave;m được $a$ v&agrave; $b$, giờ ta sẽ vẽ đường thẳng $a\mathbf{X} + b$ để xem kết quả nh&eacute;:</p>
<p><img style="width: 600px; display: block; margin-left: auto; margin-right: auto;" src="https://tek4.vn/public_files/ad7961a1-cd9e-4288-8a31-839f4ebc2247" alt="liner" /></p>
<p style="text-align: justify;">C&aacute;c điểm m&agrave;u xanh dương ch&iacute;nh l&agrave; c&aacute;c điểm dữ liệu ban đầu của ta, đường m&agrave;u đỏ ch&iacute;nh l&agrave; đường m&agrave; model đ&atilde; t&igrave;m ra th&ocirc;ng qua việc tối thiểu h&agrave;m loss.&nbsp;</p>
<p style="text-align: justify;">Vậy qua b&agrave;i n&agrave;y ta đ&atilde; biết c&aacute;ch x&acirc;y dựng thuật to&aacute;n hồi quy tuyến t&iacute;nh bằng python. C&oacute; thể n&oacute;i Gradient Descent l&agrave; thuật to&aacute;n cốt l&otilde;i của to&aacute;n tối ưu v&agrave; đặc biệt l&agrave; trọng học s&acirc;u, ta cần phải nắm chắc kĩ thuật n&agrave;y v&agrave; hiểu c&aacute;ch m&agrave; n&oacute; hoạt động để c&oacute; thể tối ưu c&aacute;c model v&agrave; hiểu một c&aacute;ch s&acirc;u sắc c&aacute;c model hoạt động.</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>

Quay Lại Bài Toán Dự Đoán Hoạt Lực Thuốc Theo Thời Gian Với Gradient Descent