1 AI là gì, trình bày phạm vi và ứng dụng của AI,ML, DL?

AI (Artificial Intelligence - Trí tuệ nhân tạo) là một lĩnh vực khoa học máy tính mà mục tiêu chính
là tạo ra máy móc có khả năng học hỏi, suy luận và thực hiện các công việc thông minh mà
trước đây chỉ có con người mới có thể làm được. Dưới đây là một số khái niệm liên quan và
phạm vi ứng dụng của AI, Deep Learning và Machine Learning:

Machine Learning (Học máy):

Machine Learning là một phương pháp để dạy máy móc học từ dữ liệu mà không cần lập trình
cụ thể.
Phạm vi ứng dụng: Machine Learning được sử dụng rộng rãi trong các lĩnh vực như dự đoán,
phân loại, nhận diện, và tối ưu hóa. Ví dụ:
Dự đoán giá cổ phiếu, thị trường tài chính.
Nhận diện khuôn mặt, nhận dạng giọng nói.
Tối ưu hóa quảng cáo trực tuyến, khuyến mãi cá nhân hóa.

Deep Learning (Học Sâu):

Deep Learning là một lớp con của Machine Learning, nơi mà các mô hình học máy học được
dựa trên các mạng neural sâu, có nhiều lớp ẩn.
Phạm vi ứng dụng: Deep Learning đặc biệt mạnh mẽ trong việc xử lý dữ liệu không cấu trúc và
trích xuất đặc trưng phức tạp. Ví dụ:
Nhận diện vật thể trong ảnh và video.
Tạo ra mô hình ngôn ngữ tự nhiên.
Tạo ra ứng dụng tự lái, như xe tự lái.
Ứng dụng của AI:
-Công nghiệp và Sản xuất: Tự động hóa, dự đoán sự cố, tối ưu hóa quy trình sản xuất.
-Y tế: Chẩn đoán bệnh, dự đoán dịch bệnh, phân tích hình ảnh y khoa.
-Tài chính: Dự đoán thị trường, quản lý rủi ro, phân tích dữ liệu tài chính.
-Giao thông và Vận tải: Xe tự lái, tối ưu hóa tuyến đường, dự đoán giao thông.
-Ngành Dịch vụ: Hệ thống khuyến mãi cá nhân hóa, chăm sóc khách hàng tự động.
-Giải trí: Hệ thống gợi ý phim, âm nhạc, trò chơi.
Những ứng dụng này không chỉ tạo ra tiện ích cho xã hội mà còn mở ra nhiều cơ hội kinh doanh
mới và tiết kiệm chi phí cho các tổ chức và doanh nghiệp
2 Trình bày 3 giai đoạn phát triển của AI, cho ví dụ?
AI đã trải qua ba giai đoạn phát triển chính từ những năm đầu cho đến hiện nay. Dưới đây là ba
giai đoạn đó, cùng với ví dụ minh họa:

1. AI Cơ Bản (1950s - 1980s)

- Đặc điểm: Giai đoạn này chứng kiến sự phát triển của các khái niệm và mô hình cơ bản của AI.
Các nhà khoa học tập trung vào logic, ngôn ngữ tự nhiên và các giải thuật trí tuệ nhân tạo đầu
tiên.
- Ví dụ:
- ELIZA (1966): Chương trình chatbot đầu tiên, có khả năng "trò chuyện" với người dùng bằng
cách phân tích và đáp trả các câu hỏi đơn giản.
 - Expert Systems: Các hệ thống chuyên gia được thiết kế để giải quyết vấn đề trong lĩnh vực cụ
thể, như MYCIN (dùng để chẩn đoán bệnh).

2. AI Kinh Doanh (1980s - 2010s)

- Đặc điểm: Giai đoạn này chứng kiến sự phát triển của các ứng dụng AI trong lĩnh vực thương
mại và kinh doanh. Các công ty bắt đầu áp dụng AI để tối ưu hóa quá trình, dự đoán và quản lý
dữ liệu.
- Ví dụ:
- CRM (Customer Relationship Management): Hệ thống quản lý mối quan hệ khách hàng sử
dụng AI để tùy chỉnh dịch vụ và tiếp cận khách hàng.
- Google Search: Sử dụng các thuật toán Machine Learning để cải thiện kết quả tìm kiếm và gợi
ý.

3. AI Hiện Đại (2010s - Hiện Nay)

- Đặc điểm: Giai đoạn này chứng kiến sự bùng nổ của Deep Learning và một loạt các công nghệ
AI mới. Các ứng dụng AI trở nên phổ biến hơn và mạnh mẽ hơn, chú trọng vào trí tuệ nhân tạo
mở rộng và tương tác với con người.
- Ví dụ:
- AlphaGo (2016): Chương trình AI của Google DeepMind đã đánh bại các kỳ thủ hàng đầu thế
giới trong trò chơi cờ vây.
- Self-Driving Cars: Các công ty như Tesla, Waymo sử dụng Deep Learning để phát triển xe tự
lái.
- Voice Assistants: Siri của Apple, Alexa của Amazon, Google Assistant sử dụng AI để hiểu và
đáp trả các yêu cầu của người dùng.

Các giai đoạn này không chỉ thể hiện sự tiến bộ của công nghệ mà còn phản ánh sự tiến bộ
trong cách chúng ta nghĩ về và sử dụng trí tuệ nhân tạo.

3 Trình bày các ứng dụng của AI?

Công nghệ Trí tuệ Nhân tạo (AI - Artificial Intelligence) có rất nhiều ứng dụng đa
dạng và phong phú, từ các ứng dụng hàng ngày đến những lĩnh vực đặc biệt và
cần thiết cho xã hội. Dưới đây là một số ví dụ tiêu biểu về ứng dụng của AI:

1. Y tế và Dược phẩm:
- Chẩn đoán bệnh: Hệ thống AI có khả năng phân tích hình ảnh y khoa để nhận
diện các bệnh lý và dự đoán khả năng mắc bệnh của bệnh nhân.
- Tối ưu hóa điều trị: AI có thể dự đoán phản ứng của cơ thể với các loại thuốc và
đề xuất liệu pháp phù hợp.

2. Tài chính và Ngân hàng:

- Dự đoán thị trường: Công ty tài chính sử dụng AI để dự đoán biến động thị
trường và đưa ra các quyết định đầu tư thông minh.
- Phân tích rủi ro: AI giúp ngân hàng phát hiện và quản lý rủi ro tín dụng và gian lận
tài chính.

3. Giao thông và Vận tải:

- Xe tự lái: Công nghệ AI là cốt lõi của xe tự lái, giúp xe nhận diện biển báo, tránh
va chạm và tự định hướng.
- Tối ưu hóa tuyến đường: Hệ thống quản lý giao thông thông minh sử dụng AI để
tối ưu hóa luồng giao thông và giảm ùn tắc.

4. Giải trí:
- Hệ thống gợi ý: Các dịch vụ streaming như Netflix, Spotify sử dụng AI để gợi ý nội
dung phù hợp với sở thích của người dùng.
- Trò chơi: AI được sử dụng trong trò chơi video để tạo ra trải nghiệm chơi game
động và thông minh hơn.

5. Chăm sóc sức khỏe và Dinh dưỡng:

- Ứng dụng sức khỏe cá nhân: AI giúp theo dõi sức khỏe và đề xuất chế độ ăn, tập
luyện phù hợp.
- Dinh dưỡng: Công nghệ AI hỗ trợ trong việc xác định lượng calo cần thiết, chế độ
ăn phù hợp với mục tiêu của người dùng.

6. Ngành sản xuất và Công nghiệp:

- Tự động hóa: Robot và hệ thống tự động hoá trong nhà máy sản xuất sử dụng AI
để tối ưu hóa quy trình và giảm chi phí lao động.
- Dự đoán bảo trì: AI giúp dự đoán hỏng hóc và bảo trì thiết bị trong nhà máy, giúp
giảm thiểu thời gian ngừng hoạt động.

7. Quảng cáo và Tiếp thị:

- Personalization: AI được sử dụng để tạo ra quảng cáo và nội dung cá nhân hóa
dành cho từng đối tượng khách hàng.
- Phân tích dữ liệu: AI giúp phân tích dữ liệu khách hàng và thị trường để đưa ra
chiến lược tiếp thị hiệu quả.

8. An ninh và Quân sự:

- Nhận diện vật thể: Hệ thống giám sát và an ninh sử dụng AI để nhận diện khuôn
mặt, vật thể nghi ngờ.
- Dự đoán tình huống: AI được sử dụng để dự đoán hành vi đe dọa và nguy cơ an
ninh.

Những ứng dụng này chỉ là một phần nhỏ của những cách mà AI đang được áp
dụng và phát triển. Mỗi ngày, có nhiều ứng dụng mới được phát triển, giúp nâng
cao hiệu quả và sức mạnh của công nghệ trí tuệ nhân tạo.
4 Trình bày ảnh hưởng tác động của AI đến xã hội?
Công nghệ Trí tuệ Nhân tạo (AI - Artificial Intelligence) đang có ảnh hưởng rất lớn
đến xã hội ở nhiều khía cạnh khác nhau. Dưới đây là 4 tác động chính mà AI đang
mang lại:

1. Tạo ra Cơ Hội và Sự Phát Triển Kinh Tế:

- Tạo ra việc làm mới: AI tạo ra nhu cầu cho các chuyên gia AI, nhà phân tích dữ
liệu, và nhà phát triển ứng dụng AI, mở ra cơ hội việc làm mới.
- Tăng cường hiệu suất lao động: Các ứng dụng AI trong sản xuất và dịch vụ giúp
tăng hiệu suất, giảm chi phí, và cải thiện chất lượng, dẫn đến sự tăng trưởng kinh
tế.

2. Thách Thức Về Việc Mất Việc Làm và Tăng Cường Kỹ Năng:

- Mất việc làm do tự động hóa: Một số công việc có thể bị thay thế hoặc giảm bởi
AI và tự động hóa, đặc biệt là các công việc lặp lại và có tính dự đoán cao.
- Yêu cầu kỹ năng mới: Để sử dụng và làm việc cùng AI, người lao động cần phải có
kỹ năng cao hơn, như kỹ năng lập trình, phân tích dữ liệu, và tư duy sáng tạo.

3. Gây Ra Các Vấn Đề Về Quyền Riêng Tư và Đạo Đức:

- Bảo mật và Quyền riêng tư: Sự sử dụng dữ liệu lớn và AI có thể đặt ra vấn đề về
bảo mật thông tin cá nhân và quyền riêng tư.
- Công bằng và Đạo đức: AI có thể tạo ra các hệ thống không công bằng hoặc đối
xử kỳ thị nếu không được huấn luyện và kiểm soát đúng cách.

4. Thay Đổi Cách Thức Giao Tiếp và Tương Tác Xã Hội:

- Chatbot và Hệ thống gợi ý: AI đã thay đổi cách chúng ta tương tác với dịch vụ
khách hàng và thông tin, thông qua chatbot và hệ thống gợi ý cá nhân hóa.
- Trích xuất thông tin: AI giúp chúng ta trích xuất thông tin quan trọng từ dữ liệu
lớn, nhưng cũng có thể tạo ra tin đồn và thông tin sai lệch nếu không được kiểm
soát.

Những tác động này không chỉ ảnh hưởng đến cá nhân mà còn đến toàn bộ xã
hội. Do đó, việc phát triển và áp dụng AI đòi hỏi sự cân nhắc kỹ lưỡng, quản lý
đúng đắn, và quan tâm đến những vấn đề đạo đức và xã hội.

5 Trình bày định nghĩa về AI,ML, DL?

Dưới đây là định nghĩa cơ bản về AI (Trí tuệ Nhân tạo), ML (Machine Learning -
Học máy), và DL (Deep Learning - Học sâu):

1. AI (Artificial Intelligence - Trí tuệ Nhân tạo):

- Định nghĩa: AI là lĩnh vực trong khoa học máy tính mà mục tiêu là tạo ra máy móc
có khả năng học hỏi, suy luận, và thực hiện các nhiệm vụ thông minh mà trước
đây chỉ có con người mới có thể làm được.
- Ví dụ: Hệ thống nhận diện giọng nói, xe tự lái, trò chơi video với trí thông minh
nhân tạo.

2. ML (Machine Learning - Học Máy):

- Định nghĩa: ML là một lĩnh vực của AI, nơi máy móc học từ dữ liệu mà không cần
lập trình cụ thể. Mục tiêu của ML là phát triển các mô hình và thuật toán để máy
móc có khả năng tự học và cải thiện từ kinh nghiệm.
- Ví dụ:
- Dự đoán giá cổ phiếu dựa trên dữ liệu thị trường.
- Nhận diện khuôn mặt trong ảnh và video.
- Tạo ra hệ thống gợi ý phim trên các dịch vụ streaming.

3. DL (Deep Learning - Học Sâu):

- Định nghĩa: DL là một lớp con của ML, nơi mà các mô hình học máy dựa trên các
mạng neural sâu, có nhiều lớp ẩn giúp xử lý dữ liệu phức tạp và trích xuất đặc
trưng tự động.
- Ví dụ:
- Nhận diện vật thể trong ảnh và video.
- Tạo ra mô hình ngôn ngữ tự nhiên.
- Xe tự lái sử dụng DL để hiểu và phản ứng với môi trường lái xe.
 Tóm Lược:
- AI: Lĩnh vực nghiên cứu tạo ra máy móc có trí tuệ tương đương hoặc vượt qua trí
tuệ của con người.
- ML: Phần của AI tập trung vào việc máy móc tự học từ dữ liệu và làm dự đoán
hoặc phân loại.
- DL: Một lớp con của ML, sử dụng các mạng neural sâu để xử lý dữ liệu phức tạp
và tạo ra các mô hình mạnh mẽ trong các ứng dụng như nhận diện hình ảnh, ngôn
ngữ tự nhiên, và tự lái.

6 So sánh sự khác biệt và tương đồng giữa ML và Phương pháp phân

tích thống kê
Machine Learning (ML) và phương pháp phân tích thống kê là hai lĩnh vực quan
trọng trong xử lý dữ liệu và đưa ra kết luận từ dữ liệu. Dưới đây là so sánh về sự
khác biệt và tương đồng giữa ML và phân tích thống kê:
Sự Khác Biệt:
1. Tiếp Cận về Dữ Liệu:
- ML: Thường xuyên làm việc với dữ liệu lớn, không cấu trúc và phức tạp. ML tập
trung vào việc tự động hóa quá trình học hỏi từ dữ liệu mà không cần các giả định
về phân phối dữ liệu.
- Phân tích thống kê: Thường dùng cho dữ liệu nhỏ hơn, có cấu trúc, và tập trung
vào việc kiểm tra giả định và ràng buộc của dữ liệu.
2. Mục Tiêu:
- ML: Tìm ra mô hình dự đoán tốt nhất từ dữ liệu, thường dựa trên việc tối ưu
hóa các thuật toán để đạt được kết quả tốt nhất.
- Phân tích thống kê: Đánh giá mức độ ảnh hưởng của các biến đối với biến kết
quả và kiểm tra giả định.
3. Điểm Mạnh:
- ML: Tính tự động hóa cao, có khả năng xử lý dữ liệu lớn và phức tạp, tạo ra mô
hình dự đoán chính xác.
- Phân tích thống kê: Có khả năng kiểm tra giả định và ràng buộc dựa trên lý
thuyết thống kê, đưa ra những kết luận có tính đáng tin cậy.

4. Loại Mô Hình:
- ML: Sử dụng các mô hình như Support Vector Machines (SVM), Neural
Networks, Random Forests, và các phương pháp học sâu.
 - Phân tích thống kê: Sử dụng các mô hình như Linear Regression, ANOVA, t-
Tests, và logistic regression.
Tương Đồng:
1. Mục Tiêu Cuối Cùng:
- Cả hai đều nhằm mục tiêu rút ra những kết luận từ dữ liệu và đưa ra dự đoán
về tương lai dựa trên dữ liệu đã có.
2. Dựa vào Dữ Liệu:
- Cả ML và phân tích thống kê đều dựa vào dữ liệu để tạo ra mô hình và đưa ra
kết luận.
3. Đánh Giá và Kiểm Tra:
- Cả hai đều cần quá trình kiểm tra và đánh giá mô hình để đảm bảo tính chính
xác và đáng tin cậy.
4. Phức Tạp và Hiện Đại:
- Cả ML và phân tích thống kê đều phát triển liên tục với sự tiến bộ của công
nghệ và nhu cầu của xã hội.
5. Đóng Góp cho Xây Dựng Mô Hình:
- Cả hai lĩnh vực đều có thể được kết hợp để tạo ra các mô hình mạnh mẽ hơn,
ví dụ như sử dụng phân tích thống kê để kiểm tra giả định trước khi áp dụng ML.
Tóm lại, ML và phân tích thống kê đều là các phương pháp quan trọng trong xử lý
dữ liệu và đưa ra kết luận từ dữ liệu. Mặc dù có những khác biệt về tiếp cận và
mục tiêu, nhưng cả hai đều đóng góp vào việc hiểu và nắm bắt sự biến động của
thế giới thông qua dữ liệu.

7 Trình bày 4 thuật học cơ bản ML?

8 Trình bày quá trình của ML ( bao gồm huấn luyện và kiểm tra) và giải thích
từng bước trong các quá trình, cho ví dụ?
9 Giải thích quy trình 7 bước ứng dụng ML ( ML workflow) ? Get more data, Ask
sharp question, Add data to table, check quality of data, transform features,
answer the questions, use the answers?
10 Giải thích ý nghĩa của các tiêu chuẩn đánh giá chất lượng ML ( performance
metrics)?
11 Trình bày định nghĩa của thông số Accuracy và cho ví dụ?
12 Trình bày định nghĩa của thông số Precision và cho ví dụ?
13 Trình bày định nghĩa của thông số Recall và cho ví dụ?
14 Trình bày định nghĩa của thông số Specificity và cho ví dụ?
15 Trình bày định nghĩa của thông số F1 score và cho ví dụ?
16 Trình bày định nghĩa của Confusion matrix và cho ví dụ?
17 Trình bày định nghĩa của thông số và cho ví dụ
18 Trình bày thuật học có giám sát ( supervised learning), cho ví dụ?
19 Trình bày thuật học không giám sát ( unsupervised learning), cho ví dụ?
20 Trình bày thuật học bán giám sát ( supervised learning), cho ví dụ?
21 Trình bày thuật học củng cố ( renforcement learning), cho ví dụ?
22 Định nghĩa mạng neuron? Định nghĩa perceptron?
23 Trình bày định nghĩa của phân lớp (classification), hồi quy (regression)?
24 Trình bày định nghĩa của Machine learning Pipeline?
25 Trình bày định nghĩa của MLops, CI/CD, Automatic ML?
26 Liệt kê các thư viện python phổ biến hỗ trợ cho việc phát triển các ML model
va ứng dụng ? Giải thích ý nghĩa các thư viện trên?

7. Trình bày 4 thuật học cơ bản trong Machine Learning

- Linear Regression
- Logistic Regression
- Decision Trees
- k-Nearest Neighbors (k-NN)
8. Quá trình của Machine Learning và giải thích từng bước
Quá trình của Machine Learning:
- Huấn luyện (Training):
- Đưa dữ liệu vào mô hình để nó "học".
- Kiểm tra (Testing/Evaluation):
- Sử dụng dữ liệu mà mô hình chưa thấy để đánh giá hiệu suất của nó.
Bước trong quá trình huấn luyện và kiểm tra:
1. Chuẩn bị dữ liệu (Data Preparation):
- Loại bỏ dữ liệu nhiễu, xử lý dữ liệu thiếu, mã hóa biến phân loại.
2. Chọn mô hình (Model Selection):
- Chọn một mô hình phù hợp với bài toán (linear regression, decision tree,
neural network, etc.).
3. Huấn luyện mô hình (Model Training):
- Mô hình học từ dữ liệu huấn luyện.
4. Đánh giá mô hình (Model Evaluation):
- Sử dụng dữ liệu kiểm tra để đánh giá hiệu suất của mô hình.
5. Tinh chỉnh mô hình (Model Tuning):
- Điều chỉnh siêu tham số để cải thiện hiệu suất mô hình.
 6. Dự đoán (Prediction/Inference):
- Sử dụng mô hình đã huấn luyện để dự đoán trên dữ liệu mới.
9. Quy trình 7 bước ứng dụng Machine Learning (ML Workflow)
1. Get more data:
- Thu thập dữ liệu từ nguồn đáng tin cậy.
2. Ask sharp questions:
- Xác định mục tiêu và câu hỏi cụ thể mà bạn muốn mô hình ML giải quyết.
3. Add data to table:
- Tiền xử lý dữ liệu, chuyển dữ liệu về dạng bảng để phù hợp với các thuật toán
ML.
4. Check quality of data:
- Kiểm tra chất lượng dữ liệu để xác định và xử lý dữ liệu nhiễu, thiếu sót.
5. Transform features:
- Chọn và biến đổi các đặc trưng để cải thiện hiệu suất của mô hình.
6. Answer the questions:
- Huấn luyện mô hình để trả lời các câu hỏi được đặt ra.
7. Use the answers:
- Sử dụng kết quả từ mô hình để đưa ra quyết định hoặc dự đoán.
10. Ý nghĩa của các tiêu chuẩn đánh giá chất lượng ML (performance metrics)
- Các performance metrics giúp đánh giá hiệu suất của mô hình ML dựa trên dữ
liệu kiểm tra.
- Chúng giúp đo lường độ chính xác, độ tin cậy của mô hình, và xác định xem mô
hình có hiệu quả không.
11. Định nghĩa của thông số Accuracy và ví dụ
- Accuracy: Tỷ lệ dự đoán đúng trên tổng số dự đoán.
- Ví dụ: Một mô hình phân loại có accuracy là 85% có nghĩa là trong 100 dự
đoán, 85 dự đoán là đúng.

12. Định nghĩa của thông số Precision và ví dụ

- Precision: Tỷ lệ các dự đoán đúng tích cực so với tất cả các dự đoán tích cực.
- Ví dụ: Trong việc phân loại email spam, precision là tỷ lệ các email được phân
loại là spam đúng so với tất cả các email được phân loại là spam.
13. Định nghĩa của thông số Recall và ví dụ
- Recall: Tỷ lệ các dự đoán đúng tích cực so với tất cả các trường hợp thực sự
tích cực.
- Ví dụ: Trong việc phân loại bệnh nhân mắc bệnh hiếm, recall là tỷ lệ các bệnh
nhân mắc bệnh đúng được phát hiện so với tất cả các bệnh nhân mắc bệnh.
 14. Định nghĩa của thông số Specificity và ví dụ
- Specificity: Tỷ lệ các dự đoán đúng âm tính so với tất cả các trường hợp thực sự
âm tính.
- Ví dụ: Trong việc kiểm tra an toàn cho hành khách trên chuyến bay, specificity
là tỷ lệ các hành khách không mang hàng cấm mà được phát hiện đúng.
15. Định nghĩa của thông số F1 Score và ví dụ
- F1 Score: Trung bình điều hòa giữa Precision và Recall.
- Ví dụ: Một mô hình có precision là 0.8 và recall là 0.7, F1 Score sẽ là 0.74.
16. Định nghĩa của Confusion Matrix và ví dụ
- Confusion Matrix: Một bảng thể hiện kết quả của việc phân loại trên một dữ
liệu kiểm tra.
- Ví dụ:

```
Predicted Negative Predicted Positive
Actual Negative TN FP
Actual Positive FN TP
```
- Trong đó:
- TN (True Negative): Số lượng các dự đoán đúng âm tính.
- FP (False Positive): Số lượng các dự đoán sai dương tính.
- FN (False Negative): Số lượng các dự đoán sai âm tính.
- TP (True Positive): Số lượng các dự đoán đúng dương tính.
17. Định nghĩa của thông số và ví dụ
- Câu hỏi này chưa rõ ràng, vui lòng cung cấp thông tin cụ thể hơn.
18. Thuật học có giám sát (Supervised Learning) và ví dụ
- Supervised Learning: Mô hình học từ các cặp dữ liệu đầu vào và đầu ra.
- Ví dụ: Dự đoán giá nhà từ diện tích và số phòng.
19. Thuật học không giám sát (Unsupervised Learning) và ví dụ
- Unsupervised Learning: Mô hình học từ dữ liệu không có nhãn.
- Ví dụ: Phân nhóm khách hàng dựa trên hành vi mua hàng.
20. Thuật học bán giám sát (Semi-supervised Learning) và ví dụ
- Semi-supervised Learning: Kết hợp cả dữ liệu có nhãn và không nhãn để huấn
luyện.
- Ví dụ: Phân loại email với một số email được đánh nhãn là spam và số khác
không.
21. Thuật học củng cố (Reinforcement Learning) và ví dụ
 - Reinforcement Learning: Học từ việc thực hiện hành động và nhận phần
thưởng/tiêu cực.
- Ví dụ: Huấn luyện một robot để điều khiển trong môi trường không gian 3D.
22. Định nghĩa mạng neuron và perceptron
- Mạng neuron (Neural Network): Mô hình tính toán được lấy cảm hứng từ cấu
trúc não của con người.
- Perceptron: Một đơn vị cơ bản trong mạng neuron, nhận đầu vào, tính toán
trọng số và đưa ra kết quả.
23. Định nghĩa của phân lớp (Classification) và hồi quy (Regression)
- Phân lớp (Classification): Dự đoán lớp hoặc nhãn của một dữ liệu.
- Hồi quy (Regression): Dự đoán giá trị số của một dữ liệu.
24. Định nghĩa của Machine Learning Pipeline
- Machine Learning Pipeline: Chuỗi các bước xử lý dữ liệu, huấn luyện mô hình
và đánh giá hiệu suất, thường tự động hóa để triển khai mô hình ML.
25. Định nghĩa của MLOps, CI/CD, Automatic ML
- MLOps: Quy trình và công cụ để triển khai, quản lý và giám sát mô hình ML
trong môi trường sản xuất.
- CI/CD: Continuous Integration (CI) và Continuous Deployment (CD), quy trình
tự động hóa việc kiểm tra và triển khai phần mềm.
- Automatic ML: Cung cấp công cụ để tự động hóa quy trình huấn luyện và tinh
chỉnh mô hình ML.
26. Các thư viện Python phổ biến hỗ trợ cho việc phát triển các ML model và
ứng dụng
- NumPy: Thư viện hỗ trợ tính toán khoa học, đặc biệt là đại số tuyến tính.
- Pandas: Thư viện cung cấp cấu trúc dữ liệu và công cụ xử lý dữ liệu dễ sử dụng.
- Scikit-learn: Thư viện ML phổ biến cho các thuật toán học máy cơ bản như
phân loại, hồi quy, gom cụm.
- TensorFlow và PyTorch: Thư viện mạng neuron cho huấn luyện mô hình sâu và
các tác vụ liên quan đến Deep Learning.
- Matplotlib và Seaborn: Thư viện để tạo đồ thị và trực quan hóa dữ liệu.
- Keras: Giao diện cao cấp và dễ sử dụng cho TensorFlow và PyTorch để xây dựng
mô hình mạng neuron.