Bạn sẽ học được gì
- Phân biệt học có giám sát, không giám sát; chọn đúng loại bài toán cho dữ liệu thực tế
- Cài đặt và huấn luyện hồi quy tuyến tính, hồi quy logistic bằng gradient descent
- Áp dụng cây quyết định, k-NN, SVM cho bài toán phân loại và hồi quy
- Nhận diện overfitting/underfitting; dùng regularization và cross-validation để kiểm soát
- Xây dựng pipeline học máy hoàn chỉnh trên dữ liệu thật bằng scikit-learn
- Diễn giải và trình bày kết quả mô hình bằng các độ đo phù hợp (accuracy, F1, RMSE...)
Nên học trước
Giới thiệu
Học máy (machine learning) dạy máy tính tìm ra một hàm dự đoán từ dữ liệu, thay vì lập trình luật cứng cho từng trường hợp. Cốt lõi của môn này không phải là thuộc lòng thật nhiều thuật toán, mà là hiểu một quy trình lặp lại: chọn mô hình, huấn luyện, đánh giá trên dữ liệu chưa thấy, rồi sửa sai.
Ba trụ cột
- Biểu diễn: dữ liệu thành vector đặc trưng (feature); mô hình là một hàm có tham số ánh xạ đặc trưng sang dự đoán.
- Mục tiêu: hàm mất mát đo mô hình sai bao nhiêu trên dữ liệu huấn luyện.
- Tối ưu: gradient descent và các biến thể tìm tham số làm hàm mất mát nhỏ nhất.
Cái bẫy lớn nhất: overfitting
Mô hình khớp hoàn hảo dữ liệu huấn luyện nhưng dự đoán tệ trên dữ liệu mới — vì nó học luôn cả nhiễu. Luôn tách tập train/validation/test, theo dõi đường cong học (learning curve), và dùng regularization để phạt mô hình quá phức tạp. Đây là kỹ năng quan trọng hơn việc biết thêm một thuật toán mới.
Lộ trình
Hồi quy tuyến tính/logistic trước (đơn giản, dễ diễn giải) → các mô hình phân loại phi tuyến (cây, k-NN, SVM) → học không giám sát (clustering, giảm chiều) → một dự án hoàn chỉnh trên dữ liệu thật. Ở mỗi bước, luôn tự hỏi: mô hình này giả định gì về dữ liệu, và giả định đó có hợp lý không?
Công cụ nên dùng
Python với scikit-learn, pandas, NumPy và matplotlib. Đừng tự cài lại mọi thuật toán từ đầu — chỉ tự cài gradient descent một lần để hiểu cơ chế, sau đó dùng thư viện chuẩn cho phần còn lại.
Giáo trình & sách tham khảo
Xem tất cả trong tab SáchGiáo trình chính
An Introduction to Statistical Learning: with Applications in R
Gareth James, Daniela Witten và 2 tác giả khác · 2021 · Bản thứ 2
Vì sao chọn: Sách nhập môn học máy thống kê dễ tiếp cận nhất, miễn phí hợp pháp từ chính tác giả, có bài thực hành bằng R hoặc Python (bản ISLP). Bám sát gần như toàn bộ lộ trình của môn này nên dùng làm sách chính.
Nên đọc: Regression, Classification, Resampling methods, Linear model selection and regularization, Tree-based methods, Support vector machines, Unsupervised learning
The Elements of Statistical Learning: Data Mining, Inference, and Prediction
Trevor Hastie, Robert Tibshirani, Jerome Friedman · 2009 · Bản thứ 2
Bản 'nặng đô' hơn của cùng nhóm tác giả, miễn phí, dùng khi muốn hiểu chứng minh và nền tảng toán học đằng sau các thuật toán ở ISL. Không bắt buộc, đọc thêm khi đã quen với ISL.
Nên đọc: phần lý thuyết sâu hơn về hồi quy, lựa chọn mô hình và các phương pháp tổ hợp (ensemble)
Pattern Recognition and Machine Learning
Christopher M. Bishop · 2006
Sách kinh điển miễn phí, trình bày học máy nhất quán theo hướng xác suất/Bayes. Phù hợp đọc bổ sung ở giai đoạn hồi quy/phân loại nếu muốn quen dần với tư duy xác suất trước khi học Mô hình đồ họa xác suất.
Nên đọc: phần mô hình tuyến tính cho hồi quy và phân loại theo góc nhìn xác suất
Các bước học
Đăng nhập để đánh dấu các bước đã hoàn thành.
Bước 1: Nền tảng: bài toán học có giám sát và quy trình đánh giá
khoảng 6 giờPhân biệt hồi quy và phân loại; hiểu tại sao phải tách tập train/validation/test; các độ đo cơ bản (accuracy, precision/recall, RMSE). Bài tập: tải một bộ dữ liệu bảng đơn giản (vd. giá nhà hoặc Titanic), tự chia train/test và tính vài độ đo cơ bản trước khi huấn luyện mô hình nào.
- Đọc: Chương mở đầu 'What Is Statistical Learning?' — An Introduction to Statistical Learning: with Applications in R
Bước 2: Hồi quy tuyến tính và hồi quy logistic
khoảng 8 giờXây dựng hồi quy tuyến tính bằng bình phương tối thiểu, hồi quy logistic cho phân loại nhị phân; tự cài đặt gradient descent một lần để hiểu cơ chế cập nhật tham số. Bài tập: tự lập trình gradient descent cho hồi quy tuyến tính từ đầu bằng NumPy, so sánh kết quả với scikit-learn.
- Đọc: Regression và Classification — An Introduction to Statistical Learning: with Applications in R
Bước 3: Overfitting, regularization và lựa chọn mô hình
khoảng 8 giờĐường cong học, đánh đổi bias–variance, Ridge/Lasso, k-fold cross-validation để chọn siêu tham số. Bài tập: huấn luyện cùng một mô hình với vài mức độ regularization khác nhau, vẽ đường cong train/validation error để thấy rõ overfitting.
- Đọc: Resampling methods và Linear model selection and regularization — An Introduction to Statistical Learning: with Applications in R
Bước 4: Mô hình phân loại phi tuyến: cây quyết định, k-NN, SVM
khoảng 9 giờSo sánh cách cây quyết định, k-NN và SVM vẽ ranh giới quyết định; Random Forest và Gradient Boosting như ví dụ về ensemble. Bài tập: trên cùng một bộ dữ liệu phân loại, huấn luyện cây quyết định, Random Forest và SVM, so sánh độ chính xác và thời gian huấn luyện.
- Đọc: Tree-based methods và Support vector machines — An Introduction to Statistical Learning: with Applications in R
Bước 5: Học không giám sát: phân cụm và giảm chiều
khoảng 6 giờK-means, phân cụm phân cấp; PCA để giảm chiều và trực quan hóa dữ liệu nhiều biến. Bài tập: dùng PCA giảm một bộ dữ liệu nhiều đặc trưng xuống 2 chiều rồi phân cụm bằng k-means, so sánh cụm tìm được với nhãn thật (nếu có).
- Đọc: Unsupervised learning — An Introduction to Statistical Learning: with Applications in R
Bước 6: Dự án: pipeline học máy hoàn chỉnh trên dữ liệu thật
khoảng 8 giờGhép toàn bộ quy trình — làm sạch dữ liệu, feature engineering, chọn và tinh chỉnh mô hình, đánh giá, diễn giải kết quả. Bài tập lớn: chọn một bộ dữ liệu thật (Kaggle hoặc UCI), xây một pipeline scikit-learn hoàn chỉnh và viết báo cáo ngắn giải thích lựa chọn mô hình.
Khái niệm chính
- Hàm mất mát (loss function)
- Hàm đo mức độ sai của dự đoán so với nhãn thật; huấn luyện mô hình chính là tìm tham số làm hàm mất mát trung bình trên tập dữ liệu nhỏ nhất.
- Gradient descent
- Thuật toán tối ưu lặp: cập nhật tham số ngược hướng đạo hàm của hàm mất mát để giảm dần giá trị của nó; biến thể phổ biến nhất là mini-batch/stochastic gradient descent.
- Overfitting và Underfitting
- Overfitting: mô hình quá phức tạp, khớp cả nhiễu, kém trên dữ liệu mới. Underfitting: mô hình quá đơn giản, không nắm được cấu trúc thật của dữ liệu.
- Regularization (L1/L2)
- Thêm số hạng phạt độ lớn tham số vào hàm mất mát để giảm overfitting; L1 (Lasso) có xu hướng đưa một số hệ số về 0, L2 (Ridge) co đều các hệ số.
- Cross-validation
- Chia dữ liệu thành nhiều fold, luân phiên dùng một fold để kiểm tra và các fold còn lại để huấn luyện, nhằm ước lượng hiệu năng mô hình đáng tin cậy hơn một lần chia train/test.
- Đánh đổi bias–variance
- Mô hình đơn giản có bias cao (dự đoán lệch hệ thống), mô hình phức tạp có variance cao (dự đoán dao động mạnh theo dữ liệu huấn luyện); mục tiêu là cân bằng cả hai.
- Feature engineering
- Quá trình biến đổi, tạo mới các đặc trưng đầu vào từ dữ liệu thô để mô hình học tốt hơn; thường ảnh hưởng tới kết quả nhiều hơn cả việc đổi thuật toán.
- Học tổ hợp (ensemble)
- Kết hợp nhiều mô hình yếu để được một mô hình mạnh hơn; bagging (như Random Forest) giảm variance, boosting (như Gradient Boosting) giảm bias.
Học xong để làm gì
- Lọc thư rác và phát hiện gian lận giao dịch
- Chấm điểm tín dụng và đánh giá rủi ro cho vay
- Hệ gợi ý sản phẩm, phim, bài hát
- Dự đoán khách hàng rời bỏ dịch vụ (churn prediction)
- Hỗ trợ chẩn đoán y tế từ dữ liệu xét nghiệm, hình ảnh
Câu hỏi thường gặp
Cần code giỏi tới mức nào để học môn này?
Biết Python cơ bản (biến, vòng lặp, hàm, một chút NumPy/pandas) là đủ để bắt đầu. Kỹ năng code sẽ tăng dần qua các bài tập thực hành trên dữ liệu thật.
Có cần hiểu toán đằng sau mỗi thuật toán không?
Nên hiểu trực giác và công thức cơ bản (đủ để biết mô hình giả định gì, khi nào nó thất bại), nhưng không cần chứng minh lại mọi định lý. Elements of Statistical Learning dành cho ai muốn đào sâu toán học.
Học máy cổ điển có còn cần thiết khi đã có deep learning?
Rất cần. Với dữ liệu dạng bảng, ít mẫu, hồi quy/cây quyết định/SVM thường nhanh hơn, dễ diễn giải hơn và đủ tốt so với mạng nơ-ron. Deep learning chỉ thật sự vượt trội với ảnh, văn bản, âm thanh và dữ liệu rất lớn.
Học xong nên đi theo hướng nào tiếp theo?
Muốn làm việc với ảnh/văn bản/âm thanh thì học Học sâu; muốn huấn luyện tác nhân ra quyết định tuần tự (robot, game) thì học Học tăng cường; muốn suy luận trên các biến phụ thuộc lẫn nhau (như trong y tế, ngôn ngữ) thì học Mô hình đồ họa xác suất.


