Giáo trình Máy học - TS. Nguyễn Mạnh Hùng (ĐH Sư phạm Kỹ thuật TP.HCM)

Tải trọn bộ Giáo trình Máy học của TS. Nguyễn Mạnh Hùng. Tài liệu dành cho người mới bắt đầu, hướng dẫn từ Python, Sklearn đến mô hình CNN, SVM.

• Tác giả: Nguyễn Mạnh Hùng
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật - Điện Tử Y Sinh
• Đề tài: Giáo Trình Máy Học Toàn Tập
• Loại tài liệu: Giáo Trình
• Năm xuất bản: 2025
• Địa điểm: Thành Phố Hồ Chí Minh

Tóm tắt

I. Giới thiệu về Giáo trình Máy học Toàn tập

Giáo trình Máy học Toàn tập của TS. Nguyễn Mạnh Hùng là tài liệu học tập toàn diện dành cho người mới bắt đầu trong lĩnh vực máy học. Giáo trình này được biên soạn bởi Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh và xuất bản bởi Nhà xuất bản Đại học Quốc gia TP. Hồ Chí Minh. Tài liệu cung cấp những kiến thức nền tảng về các kỹ thuật máy học kinh điển, từ lý thuyết cơ bản đến ứng dụng thực tiễn. Giáo trình được thiết kế để giúp sinh viên và những người yêu thích công nghệ dễ dàng tiếp cận các khái niệm trí tuệ nhân tạo và máy học một cách có hệ thống. Với cấu trúc rõ ràng và nhiều ví dụ thực hành, đây là nguồn tài liệu quý báu cho bất kỳ ai muốn bắt đầu hành trình học máy học từ con số không.

1.1. Mục tiêu và phạm vi của giáo trình

Giáo trình tập trung vào việc cung cấp kiến thức toàn tập về máy học cho những người mới bắt đầu. Phạm vi bao gồm các khái niệm cơ bản, quy trình phát triển mô hình, xử lý dữ liệu, và các thuật toán máy học phổ biến. Mục tiêu chính là giúp học viên hiểu rõ các bước từ khám phá dữ liệu đến xây dựng và đánh giá mô hình máy học thành công.

1.2. Lợi ích khi học từ giáo trình này

Người học sẽ nắm vững các kỹ thuật máy học kinh điển và các công cụ Python hiện đại. Giáo trình cung cấp kiến thức thực hành với các thư viện như NumPy, Pandas, Sklearn và Keras. Điều này giúp học viên không chỉ hiểu lý thuyết mà còn có thể triển khai các dự án máy học thực tế ngay sau khi hoàn thành khóa học.

II. Cấu trúc nội dung chính của Giáo trình

Giáo trình Máy học Toàn tập được chia thành nhiều chương chuyên sâu, mỗi chương đều có tính hệ thống cao. Nội dung bắt đầu từ những khái niệm cơ bản về máy học, các bài toán phổ biến trong lĩnh vực này, rồi tiến đến các kỹ thuật nâng cao như mạng nơron nhân tạo và mạng nơron nhân chập. Giáo trình cũng bao gồm phần xử lý dữ liệu chi tiết, hướng dẫn cài đặt công cụ phần mềm, và các kỹ thuật đánh giá mô hình. Mỗi chương được thiết kế theo logic tiến triển, từ đơn giản đến phức tạp, giúp người mới bắt đầu có thể theo dõi dễ dàng mà không bị choáng ngợp bởi kiến thức quá sâu.

2.1. Các chương về xử lý dữ liệu và công cụ Python

Giáo trình dành nhiều chương để hướng dẫn xử lý dữ liệu bằng Python. Phần này bao gồm làm quen với thư viện NumPy cho tính toán mảng, Pandas cho quản lý dữ liệu, và các công cụ khác. Nội dung chi tiết cách nhập dữ liệu, làm sạch dữ liệu, xử lý giá trị thiếu, và chuẩn hóa dữ liệu. Đây là kỹ năng thiết yếu trước khi xây dựng bất kỳ mô hình máy học nào.

2.2. Các thuật toán máy học cơ bản và nâng cao

Giáo trình giới thiệu các thuật toán máy học như hồi quy tuyến tính, hồi quy nhị phân, vector hỗ trợ (SVM), mạng nơron nhân tạo, và mạng nơron nhân chập (CNN). Mỗi thuật toán đều có phần lý thuyết và phần thực hành với mã Python. Giáo trình cũng bao gồm các kỹ thuật học không giám sát như phân tích thành phần cơ bản (PCA) và phân cụm K-means.

III. Những tính năng nổi bật của PDF Giáo trình

PDF Giáo trình Máy học Toàn tập là một tài liệu học tập hoàn chỉnh với nhiều tính năng giáo dục ưu việt. Tài liệu được trình bày với định dạng rõ ràng, dễ đọc, và có mục lục chi tiết giúp người mới bắt đầu dễ dàng tìm kiếm nội dung cần thiết. Mỗi chương đều kết thúc với các ví dụ thực tiễn và bài tập thực hành, giúp học viên áp dụng lý thuyết vào thực tế. Giáo trình cũng cung cấp các danh mục từ viết tắt để giúp người học hiểu rõ các thuật ngữ chuyên ngành trong lĩnh vực máy học và trí tuệ nhân tạo. Format PDF cho phép người học dễ dàng lưu trữ, tìm kiếm, và học tập mọi lúc mọi nơi.

3.1. Cấu trúc tổ chức và mục lục chi tiết

Giáo trình có mục lục chi tiết với các heading và sub-heading rõ ràng. Người học có thể dễ dàng theo dõi tiến độ và quay lại các phần cần ôn tập. Danh mục từ viết tắt (acronyms) được liệt kê đầy đủ, bao gồm các thuật ngữ như CNN, PCA, SVM, LLE, KDD, SEMMA, và CRISP. Điều này giúp người mới bắt đầu hiểu đúng các khái niệm kỹ thuật.

3.2. Ví dụ thực hành và hướng dẫn code Python

Mỗi phần lý thuyết đều kèm theo ví dụ thực hành cụ thể với mã Python hoàn chỉnh. Giáo trình hướng dẫn cách sử dụng các thư viện như Sklearn, Keras, Jupyter Notebook. Các ví dụ bao gồm từ chuẩn bị dữ liệu, xây dựng mô hình, cho đến đánh giá hiệu suất mô hình. Điều này giúp học viên không chỉ hiểu lý thuyết mà còn có kỹ năng lập trình thực tế.

IV. Hướng dẫn sử dụng Giáo trình Máy học Toàn tập hiệu quả

Để tận dụng tối đa Giáo trình Máy học Toàn tập, người mới bắt đầu nên tuân theo một chiến lược học tập có hệ thống. Trước tiên, hãy bắt đầu từ các chương giới thiệu để hiểu rõ các khái niệm cơ bản về máy học và các quy trình phát triển mô hình. Tiếp theo, hãy cài đặt các công cụ cần thiết như Python, NumPy, Pandas, và Sklearn theo hướng dẫn chi tiết trong giáo trình. Sau đó, thực hành từng ví dụ code một cách cẩn thận, không nên bỏ qua bất kỳ bước nào. Cuối cùng, hãy thử xây dựng các dự án nhỏ của riêng bạn để áp dụng những kiến thức đã học. Đây là cách tốt nhất để nắm vững máy học và trở thành một lập trình viên máy học thành công.

4.1. Lộ trình học tập từng bước cho người mới bắt đầu

Bắt đầu với chương Giới thiệu về Máy học để hiểu các khái niệm cơ bản. Sau đó, học Quy trình Phát triển Mô hình và cài đặt công cụ theo hướng dẫn. Tiếp tục với các chương Xử lý Dữ liệu, rồi Hồi quy Tuyến tính và Hồi quy Nhị phân. Cuối cùng, học các thuật toán nâng cao như SVM, Mạng Nơron, và CNN. Hãy dành đủ thời gian cho mỗi phần thay vì vội vàng.

4.2. Các gợi ý để giải quyết vấn đề khi học

Khi gặp khó khăn, hãy quay lại các phần lý thuyết liên quan để làm rõ khái niệm. Thực hành viết code và chạy ví dụ trong Jupyter Notebook để hiểu rõ hơn. Tham gia các cộng đồng học tập online, thảo luận với bạn bè, và không ngần ngại tìm kiếm tài liệu bổ sung. Hãy nhớ rằng máy học là một lĩnh vực thực hành, nên luyện tập thường xuyên là chìa khóa thành công.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 GIỚI THIỆU VỀ MÁY HỌC Trong chương này, người học sẽ được giới thiệu định nghĩa về máy học cũng như các bài toán cơ bản của máy học. Bên cạnh đó, quy trình phát triển của một mô hình máy học sẽ được trình bày cùng với những phần mềm, thư viện cho môn máy học. Cuối cùng, một ví dụ cơ bản về huấn luyện một mô hình máy học sẽ được giải thích. Những nội dung chính của chương này bao gồm: 1.

Ba bài toán cơ bản trong môn máy học và những kỹ thuật cơ bản. Quy trình phát triển một mô hình máy học. Giới thiệu các thư viện cần thiết hỗ trợ cho các bài toán máy học. Ví dụ về huấn luyện một mô hình.

Quy ước: - Tên riêng của các gói thư viện, các thuộc tính, phương thức và các hàm sẽ được in đậm. - Tên biến/đối tượng sẽ được in nghiêng.1 Các bài toán trong máy học Hình 1.1: Vị trí của máy học trong lĩnh vực AI Trong nền kinh tế mới, có một lượng lớn các dữ liệu có cấu trúc và không có cấu trúc, nếu được sử dụng tốt, có thể sẽ đem lại nhiều lợi ích cho nền kinh tế. Vào nửa cuối của thế kỷ 20, máy học (một nhánh nhỏ của 11 trí tuệ nhân tạo) đã ra đời với mục tiêu phát triển với những thuật toán có khả năng tự thay đổi bằng cách học từ dữ liệu. Thay vì yêu cầu con người phải thiết kế những luật để ra quyết định, máy học cung cấp một công cụ hữu hiệu hơn để sử dụng kiến thức được ẩn trong lượng lớn dữ liệu.

Theo thời gian, máy học đã trở thành một phần quan trọng của ngành khoa máy học tính nói riêng và trong cuộc sống hằng ngày nói chung. Vào đầu thế kỷ 21, máy học đã có một bước phát triển mới với sự ra đời của công nghệ học sâu như trong Hình 1. Nhờ vào học sâu, quá trình học tập đã được dẫn dắt từ đầu tới cuối (end-to-end) bởi dữ liệu. Vì vậy nhiều công nghệ đã được ra đời như: lọc thư rác, tìm kiếm trên web, xe tự hành, nhận diện ảnh và giọng nói.

Ở mức tổng quát, có ba dạng bài toán mà máy học có thể giải quyết như trong Hình 1.2: Các bài toán máy học 1.1 Học có giám sát Học có giám sát là thuật toán máy học được cung cấp một tập dữ liệu bao gồm các thông tin đầu vào (được gọi là các đặc trưng) và các thông tin đầu ra tương ứng (được gọi là nhãn). Các nhãn được cung cấp bởi các chuyên gia. Mục tiêu của thuật toán là tìm hiểu các mẫu trong bộ dữ liệu và xây dựng một mô hình ánh xạ thông tin đầu vào và đầu ra. Thông thường, có hai bài toán học có giám sát bao gồm: Hồi quy.

Đây là bài toán mà các giá trị cần ánh xạ là một biến liên tục có liên quan với một nhóm các đặc trưng nhất định. Một số ví dụ về bài toán hồi quy như là dự đoán về doanh số bán lẻ, dự đoán số lượng nhân viên cần thiết cho mỗi ca làm việc, số lượng chỗ đậu xe ô tô cần thiết cho một cửa hàng bán lẻ, điểm tín dụng của một khách hàng, v. Đây là bài toán mà các giá trị cần dự đoán là một biến độc lập (không có tính liên tục), hoặc xác suất của một sự kiện. Thuật toán sẽ tìm hiểu mối liên quan giữa các đặc trưng của mẫu đối với các nhãn (các lớp) từ dữ liệu lịch sử và có thể dự đoán lớp hoặc sự kiện chưa thấy trong 12 tương lai khi dựa vào các đặc trưng của một mẫu mới.

Một số ví dụ điển hình của bài toán phân loại là lọc thư rác; trong đó đầu ra của mô hình là kết luận một thư điện tử có phải là thư rác hay không. Tổng quát hóa, việc xây dụng mô hình máy học học có giám sát có ba giai đoạn: Huấn luyện. Thuật toán sẽ dựa vào dữ liệu được cung cấp (bao gồm đặc trưng và nhãn) để học một mô hình dự đoán có thể ánh xạ từ miền đặc trưng sang miền của nhãn. Trong giai đoạn này, một tập dữ liệu đánh giá sẽ được dùng để đánh giá hiệu suất của mô hình được huấn luyện.

Tập dữ liệu đánh giá có các đặc trưng giống với đặc trưng và nhãn của tập huấn luyện; nhưng các mẫu được sử dụng ở tập dữ liệu mới này phải khác với các mẫu được sử dụng ở tập dữ liệu huấn luyện (không được sử dụng trong quá trình huấn luyện) để dự đoán lớp hoặc sự kiện. Thông thường, tập đánh giá được sử dụng để tinh chỉnh các tham số điều khiển của thuật toán nhằm tránh các hiện tượng quá phù hợp hay kém phù hợp. Trong quá trình này, mô hình đã được huấn luyện sẽ được áp dụng cho tập dữ liệu kiểm tra. Đây là một tập hợp các mẫu không phải là một phần của quá trình huấn luyện hoặc đánh giá trước đó.2 Học không giám sát Có những tình huống mà các lớp hoặc kết quả của quá trình suy luận không có sẵn trong dữ liệu ban đầu.

Trong trường hợp này, mục tiêu của các thuật toán máy học sẽ nghiên cứu mối liên hệ giữa các mẫu trong tập dữ liệu đầu vào để hiểu rõ hơn dữ liệu hoặc để xác định những mẫu có chung đặc tính. Vì các thuật toán này không yêu cầu bất kỳ sự can thiệp nào từ các chuyên gia về các chủ đề cho trước nên chúng được gọi là học không giám sát. Một số Phân cụm. Giả sử rằng có một tập dữ liệu chỉ bao gồm các đặc trưng cho các mẫu chứ không bao gồm các nhãn (các lớp).

Mục tiêu của thuật toán phân cụm là chia tập dữ liệu đầu vào thành các nhóm dựa vào sự tương đồng của các đặc trưng và sự liên kết giữa các mẫu trong cấu trúc dữ liệu. Một số ứng dụng tiêu biểu cho bài toán phân nhóm là nhóm các bài báo tương tự thành một chủ đề, nhóm các khách hàng tương tự dựa trên hồ sơ của họ, v. Giảm chiều dữ liệu. Một mẫu trong một tập dữ liệu được mô tả bằng bộ vectơ có N thành phần.

Bài toán giảm chiều dữ liệu nhằm mục tiêu tìm ra cách thức để mô tả các mẫu trong bộ dữ liệu bằng một vector D thành phần (D<N). Việc giảm chiều dữ liệu này có thể nhằm giảm dung lượng 13 lưu trữ của mẫu hoặc để hiển thị cấu trúc dữ liệu. Một số ví dụ có thể được kể đến bao gồm Principal Component Analysis (PCA) hoặc Local Linear Embedding (LLE). Phát hiện bất thường.

Bài toán phát hiện bất thường (hay còn thường được gọi là phát hiện ngoại lệ) là việc xác định các mẫu, hoặc các sự kiện khác biệt với các mẫu hoặc các sự kiện trong một tập dữ liệu nhất định. Nó có khả năng ứng dụng trong nhiều lĩnh vực, chẳng hạn như theo dõi tình trạng của máy móc hoặc hệ thống, phát hiện gian lận/xâm nhập, v. Trong những năm gần đây, phát hiện bất thường đã trở thành một lĩnh vực được quan tâm trong khi công nghệ Internet of Things (IoT) cho phép thu nhận dữ liệu của mọi thiết bị theo thời gian thực. Một điểm dữ liệu được gọi là điểm bất thường nếu nó ở xa các điểm dữ liệu khác; do đó, tính toán độ lệch chuẩn hoặc phân cụm là các kỹ thuật được sử dụng phổ biến nhất để phát hiện điểm bất thường.3 Học tăng cường Mục tiêu cơ bản của thuật toán học tăng cường là tìm ra cách để đưa ra các hành động/quyết định để có thể tối đa hóa kết quả thu được.

Trong khi lập kế hoạch hành động, thuật toán không nên chỉ xem xét kết quả trước mắt mà còn xem xét các kết quả tiếp theo. Một hành động tốt sẽ làm cho tổng số kết quả/phần thưởng nhận được là lớn nhất sau một số chuỗi hành động. Ví dụ, một chương trình để chơi một trò chơi hoặc lái một chiếc ô tô sẽ phải liên tục tương tác với một môi trường năng động để có thể đạt được một mục tiêu nhất định.2 Quy trình phát triển mô hình máy học Theo thời gian, lĩnh vực khai thác dữ liệu đã có nhiều bước phát triển vượt bậc. Đã có rất nhiều nỗ lực thực hiện bởi các chuyên gia để chuẩn hóa các quy trình xử lý dữ liệu.

Các quy trình này nhằm đáp ứng sự phát triển thường xuyên, đa dạng hóa và liên tục của hệ thống máy học. Hiện nay, tồn tại ba quy trình khai thác dữ liệu phổ biến được công nhận bởi các chuyên gia khai thác dữ liệu cũng như các nhà nghiên cứu trong việc xây dựng và vận hành các hệ thống máy học. Các quy trình đó bao gồm: ● Quy trình KDD (Knowledge Discovery Databases). ● Quy trình CRISP (Cross Industrial Standard Process) ● Quy trình SEMMA (Sample, Explore, Modify, Model, and Assess) 1.1 Quy trình KDD: Khám phá kiến trúc cơ sở dữ liệu Quy trình này mô tả toàn bộ quá trình khám phá kiến thức hữu ích từ dữ liệu, được trình bày trong cuốn sách của Fayyad et al, 1996.

Quy trình KDD 14 tích hợp nhiều công nghệ để quản lý dữ liệu như lưu trữ dữ liệu, máy học, thống kê, hỗ trợ, dự đoán và tính toán song song. Mô hình này tập trung vào việc khám phá kiến thức từ dữ liệu trong suốt vòng đời tồn tại của chúng. Để thực hiện quy trình này, các câu hỏi chính cần phải trả lời bao gồm làm thế nào để lưu trữ dữ liệu, làm thế nào để truy cập dữ liệu, làm thế nào để các thuật toán có thể làm việc với dữ liệu lớn tốt hơn, làm thế nào diễn giải và hiển thị kết quả.3 hiển thị 5 bước của quá trình KDD.3: Quá trình khai thác luồng dữ liệu của KDD Lựa chọn dữ liệu (Selection) Trong bước này, các thông tin quan trọng sẽ được lựa chọn và rút trích từ cơ sở dữ liệu thô. Tiền xử lý (Preprocessing) Các bộ dữ liệu trong thực tế thường không đầy đủ.

Do đó, một số thuộc tính sẽ bị thiếu, nhiễu (sai sót và ngoại lệ) và không nhất quán. Điều này có nghĩa là có sự không đồng nhất giữa các dữ liệu thu thập được. Dữ liệu nhiễu có thể gây nhầm lẫn cho các quá trình thực thi và dẫn đến các kết quả không đáng tin cậy hoặc không hợp lệ. Ngoài ra, các phép toán phân tích phức tạp khi được thực thi trên một số lượng dữ liệu bị sai lệch như vậy sẽ tốn một thời gian xử lý rất dài.

Do đó, việc tiền xử lý và loại bỏ nhiễu trong dữ liệu sẽ nâng cao chất lượng dữ liệu và tăng hiệu suất quá trình thực thi trong thực tế.