Học AI từ con số 0 năm 2026: Lộ trình chi tiết cho người Việt

# Đọc dữ liệu df = pd.read_csv('sales_data.csv')

# Xem tổng quan print(df.info()) print(df.describe())

# Xử lý missing values df['price'].fillna(df['price'].median(), inplace=True)

# Groupby analysis monthly_sales = df.groupby('month')['revenue'].sum()

# 1. Chuẩn bị dữ liệu X = df.drop('target', axis=1) y = df['target']

# 2. Chia train/test X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 )

# 3. Chuẩn hóa dữ liệu scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test)

# 4. Train model model = RandomForestClassifier(n_estimators=100, random_state=42) model.fit(X_train_scaled, y_train)

# Định nghĩa model class SimpleNN(nn.Module): def __init__(self, input_size, hidden_size, num_classes): super(SimpleNN, self).__init__() self.fc1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_size, num_classes) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out

# Khởi tạo model model = SimpleNN(input_size=784, hidden_size=128, num_classes=10)

# Loss và optimizer criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001)

# 1. Load documents loader = PyPDFLoader("company_docs.pdf") documents = loader.load()

# 2. Create embeddings & vector store embeddings = OpenAIEmbeddings() vectorstore = Chroma.from_documents(documents, embeddings)

# 3. Create RAG chain llm = ChatOpenAI(model="gpt-4") qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", retriever=vectorstore.as_retriever() )