Tuần 1: Giới thiệu Machine Learning

Sau bài này, bạn sẽ:

1.1 Phân biệt AI - Machine Learning - Deep Learning

1.2 Định nghĩa chính xác Machine Learning

Machine Learning (Học máy) là một nhánh của AI cho phép máy tính tự động cải thiện hiệu suất trên một tác vụ thông qua kinh nghiệm (dữ liệu), mà không cần lập trình tường minh từng trường hợp cụ thể.

"A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E."
— Tom Mitchell

1.3 So sánh với lập trình truyền thống

Công thức:

Lập trình truyền thống: $\text{Data} + \text{Rules (Code)} \rightarrow \text{Output}$

Machine Learning: $\text{Data} + \text{Output} \rightarrow \text{Rules (Model)}$

🏠 Case Study: Dự đoán Giá Nhà (Step-by-Step)

Bài toán thực tế: Bạn là Data Scientist tại công ty bất động sản. Nhiệm vụ: xây dựng hệ thống dự đoán giá nhà tự động.

Bước 1: Hiểu vấn đề

Input (Features - X):

• Diện tích (m²)
• Số phòng ngủ
• Tuổi nhà
• Khoảng cách đến trung tâm (km)

Output (Label - y):

• Giá nhà (triệu VND)

Mục tiêu: Tìm hàm $f$ sao cho: $\text{Giá nhà} = f(\text{Diện tích, Số phòng, Tuổi nhà, Khoảng cách})$

Bước 2: Thu thập dữ liệu

→ Tổng: 1000 ngôi nhà (dữ liệu training)

2.1 Supervised Learning (Học có giám sát)

💡 Dữ liệu có nhãn (label) - biết trước kết quả đúng.

Công thức tổng quát:

$y = f(X) + \epsilon$

Trong đó:

• $X$: Features (đặc trưng đầu vào)
• $y$: Labels (nhãn/kết quả)
• $f$: Hàm mà model cần học
• $\epsilon$: Nhiễu

Ví dụ:

• Regression: Dự đoán giá nhà (giá là số liên tục)
• Classification: Phân loại email spam/không spam

2.2 Unsupervised Learning (Học không giám sát)

Dữ liệu không có nhãn - model tự tìm pattern/cấu trúc.

Ví dụ:

• Clustering: Phân nhóm khách hàng
• Dimensionality Reduction: Giảm số features (PCA, t-SNE)

2.3 Reinforcement Learning (Học tăng cường)

Model học thông qua thử và sai, nhận reward/penalty.

Ví dụ: AlphaGo, xe tự lái, game AI

2.4 Bảng tóm tắt các loại ML

3.1 ML Pipeline Chi tiết

4.1 Features và Labels

$X = \begin{bmatrix} x_1^{(1)} & x_2^{(1)} & \cdots & x_n^{(1)} \\ x_1^{(2)} & x_2^{(2)} & \cdots & x_n^{(2)} \\ \vdots & \vdots & \ddots & \vdots \\ x_1^{(m)} & x_2^{(m)} & \cdots & x_n^{(m)} \end{bmatrix}, \quad y = \begin{bmatrix} y^{(1)} \\ y^{(2)} \\ \vdots \\ y^{(m)} \end{bmatrix}$

• m: Số samples (observations)
• n: Số features

4.2 Training vs Testing

1from sklearn.model_selection import train_test_split
2
3# Chia data
4X_train, X_test, y_train, y_test = train_test_split(
5    X, y, test_size=0.2, random_state=42
6)

4.3 Overfitting vs Underfitting

$\text{Total Error} = \text{Bias}^2 + \text{Variance} + \text{Irreducible Error}$

5.1 Cài đặt thư viện

Mô tả: Cài đặt các thư viện Python cần thiết cho Machine Learning.

1# Cài đặt các thư viện cần thiết
2pip install numpy pandas scikit-learn matplotlib seaborn

Giải thích:

• numpy: Thư viện tính toán số học, xử lý ma trận và arrays
• pandas: Xử lý và phân tích dữ liệu dạng bảng (DataFrame)
• scikit-learn: Thư viện ML chính, chứa các thuật toán chuẩn
• matplotlib: Trực quan hóa dữ liệu (vẽ biểu đồ)
• seaborn: Trực quan hóa đẹp hơn, dựa trên matplotlib

Import các thư viện:

1# Import thư viện
2import numpy as np
3import pandas as pd
4from sklearn.model_selection import train_test_split
5from sklearn.linear_model import LinearRegression
6import matplotlib.pyplot as plt
7import seaborn as sns

Giải thích import:

• numpy as np: Alias np để gọi ngắn gọn (np.array() thay vì numpy.array())
• train_test_split: Hàm chia data thành training và test set
• LinearRegression: Class chứa thuật toán Linear Regression
• plt: Alias cho matplotlib.pyplot để vẽ biểu đồ

Bước 3: Train model (Linear Regression)

Công thức Linear Regression:$\hat{y} = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \beta_3 x_3 + \beta_4 x_4$

Trong đó:

• $\hat{y}$: Giá dự đoán
• $x_1, x_2, x_3, x_4$: Diện tích, Số phòng, Tuổi, Khoảng cách
• $\beta_0, \beta_1, ..., \beta_4$: Hệ số mà model cần học

Bước 4: Code Python hoàn chỉnh

Mô tả: Xây dựng mô hình Linear Regression để dự đoán giá nhà California. Code bao gồm 6 bước: Import → Load data → Split → Train → Predict → Evaluate → Visualize.

1# Bước 4.1: Import libraries
2import numpy as np
3import pandas as pd
4from sklearn.datasets import fetch_california_housing
5from sklearn.model_selection import train_test_split
6from sklearn.linear_model import LinearRegression
7from sklearn.metrics import mean_squared_error, r2_score
8import numpy as np
9
10# 1. Load data
11housing = fetch_california_housing()
12X, y = housing.data, housing.target
13
14# Xem thông tin
15print(f"Số samples: {X.shape[0]}")
16print(f"Số features: {X.shape[1]}")
17print(f"Feature names: {housing.feature_names}")
18
19# 2. Train/Test split
20X_train, X_test, y_train, y_test = train_test_split(
21    X, y, test_size=0.2, random_state=42
22)
23
24print(f"Training set: {X_train.shape}")
25print(f"Test set: {X_test.shape}")
26
27# 3. Train model
28model = LinearRegression()
29model.fit(X_train, y_train)
30
31# 4. Predict
32y_pred = model.predict(X_test)
33
34# 5. Evaluate
35mse = mean_squared_error(y_test, y_pred)
36rmse = np.sqrt(mse)
37r2 = r2_score(y_test, y_pred)
38
39print(f"\n📊 Model Performance:")
40print(f"MSE: {mse:.4f}")
41print(f"RMSE: {rmse:.4f}")
42print(f"R² Score: {r2:.4f}")
43
44# 6. Visualize predictions
45import matplotlib.pyplot as plt
46
47plt.figure(figsize=(10, 6))
48plt.scatter(y_test, y_pred, alpha=0.5)
49plt.plot([y_test.min(), y_test.max()], 
50         [y_test.min(), y_test.max()], 
51         'r--', lw=2)
52plt.xlabel('Actual Price')
53plt.ylabel('Predicted Price')
54plt.title('Actual vs Predicted House Prices')
55plt.grid(alpha=0.3)
56plt.show()

Giải thích chi tiết từng bước:

Bước 1: Load data

1housing = fetch_california_housing()  # Tải dataset California housing
2X, y = housing.data, housing.target   # Tách features (X) và labels (y)

• X: Ma trận 20,640 x 8 (20,640 ngôi nhà, 8 features)
• y: Vector 20,640 giá trị (giá nhà từng ngôi)
• shape[0]: Số rows (samples), shape[1]: Số columns (features)

Bước 2: Train/Test split

1train_test_split(X, y, test_size=0.2, random_state=42)

• test_size=0.2: 20% data cho test, 80% cho training
• random_state=42: Seed để kết quả tái tạo được (reproducible)
• Output: X_train, X_test, y_train, y_test (4 arrays)

Bước 3: Train model

1model = LinearRegression()      # Khởi tạo model
2model.fit(X_train, y_train)     # Học từ training data

• fit(): Model tự tìm hệ số $\beta$ tối ưu
• Sau fit(), model đã học xong và sẵn sàng dự đoán

Bước 4: Predict

1y_pred = model.predict(X_test)  # Dự đoán trên test set

• Input: X_test (data chưa thấy)
• Output: y_pred (giá dự đoán)

Bước 5: Evaluate

1mse = mean_squared_error(y_test, y_pred)  # Trung bình bình phương sai số
2rmse = np.sqrt(mse)                       #Can bậc 2 của MSE
3r2 = r2_score(y_test, y_pred)             # Hệ số xác định

• MSE: Sai số bình phương trung bình (nhỏ hơn = tốt hơn)
• RMSE: Sai số trung bình cùng đơn vị với y (dễ hiểu hơn MSE)
• R²: % variance giải thích được (0-1, gần 1 = tốt)

Bước 6: Visualize

1plt.scatter(y_test, y_pred)  # Vẽ scatter plot: actual vs predicted
2plt.plot([min, max], [min, max], 'r--')  # Đường chéo (ideal line)

• Nếu điểm nằm gần đường chéo → Dự đoán tốt
• Nếu điểm phân tán xa → Dự đoán kém

Output mẫu:

1Số samples: 20640
2Số features: 8
3Feature names: ['MedInc', 'HouseAge', 'AveRooms', ...]
4 
5Training set: (16512, 8)
6Test set: (4128, 8)
7 
8📊 Model Performance:
9MSE: 0.5558
10RMSE: 0.7455  ← Sai số trung bình ±74,550 USD
11R² Score: 0.5757  ← Model giải thích 57.57% variance

Bước 5: Giải thích kết quả

✅ Model đã học được gì?

• Với R² = 0.5757 → Model giải thích được 57.57% sự thay đổi giá nhà
• RMSE = 0.7455 → Sai số trung bình khoảng ±$74,550
• Model đã tìm ra được mối quan hệ giữa 8 features với giá nhà 📈 Có thể cải thiện:- Thu thập thêm dữ liệu (hiện có 20,640 samples)
• Thêm features mới (ví dụ: số tầng, có sân vườn không)
• Thử models phức tạp hơn (Random Forest, XGBoost)
• Feature Engineering (tạo feature mới từ features cũ) 💡 Bài học:
• ML không phải "ma thuật" - chỉ là tìm pattern từ dữ liệu
• Model tốt hay không phụ thuộc vào: Chất lượng data > Algorithm
• Cần đánh giá model trên test set (không phải training set)

📊 Tóm tắt: Flow ML Project (9 bước)

Chi tiết từng bước:

Câu 1: Sự khác biệt chính giữa ML và lập trình truyền thống là gì?

Câu 2: Bài toán "Phân nhóm khách hàng theo hành vi mua sắm" thuộc loại ML nào?

Câu 3: Trong case study dự đoán giá nhà, R² = 0.5757 có nghĩa là gì?

Câu 4: Tại sao phải chia Train/Test set?

Câu 5: Trong 9 bước ML workflow, bước nào QUAN TRỌNG NHẤT?

Bài tập 1: Phân loại bài toán (5 phút)

Phân loại các bài toán sau là Supervised (Regression/Classification) hay Unsupervised:

Bài tập 2: Code thực hành (20 phút)

Yêu cầu: Chạy lại code dự đoán giá nhà California và trả lời:

1. Model predict giá nhà có diện tích trung bình 6.0 rooms là bao nhiêu?
2. Feature nào có hệ số (coefficient) lớn nhất?
3. Nếu tăng test_size từ 0.2 lên 0.3, R² thay đổi thế nào?

Bài tập 3: Tìm hiểu (10 phút)

Tìm hiểu thêm về Reinforcement Learning và cho 2 ví dụ thực tế:

• Gợi ý: AlphaGo, xe tự lái, game AI, robot
• Hiểu khái niệm: Agent, Environment, Reward, Policy

Bài tập 4: Case study thực tế (Nâng cao)

Tình huống: Bạn làm Data Scientist cho ngân hàng. Nhiệm vụ: dự đoán khách hàng có vay nợ không trả (default loan).

Câu hỏi:

1. Đây là bài toán gì? (Regression/Classification/Clustering)
2. Features nào bạn cần? (ít nhất 5 features)
3. Metric nào quan trọng nhất? (Accuracy? Precision? Recall? F1?)
4. Nếu model dự đoán sai → Hậu quả gì cho ngân hàng?

Tài liệu tham khảo

Câu hỏi tự kiểm tra

1. Machine Learning khác với lập trình truyền thống như thế nào? Hãy giải thích bằng công thức.
2. Phân biệt Supervised Learning, Unsupervised Learning và Reinforcement Learning — cho ví dụ mỗi loại.
3. Workflow chuẩn của một ML project gồm bao nhiêu bước? Bước nào quan trọng nhất và tại sao?
4. Trong case study dự đoán giá nhà, Feature và Label tương ứng là gì?