Luận văn thạc sĩ: Nghiên cứu mạng Bay-ét và ứng dụng trong thống kê

Luận văn thạc sĩ nghiên cứu hus tìm hiểu về mạng bay ét và ứng dụng, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực .

• Tác giả: Đỗ Thị Minh Huyền
• Người hướng dẫn: TS. Trịnh Quốc Anh
• Trường học: Trường Đại học Khoa học Tự nhiên
• Chuyên ngành: Lý thuyết Xác suất và Thống kê Toán học
• Đề tài: Tìm hiểu về mạng Bay-ét và ứng dụng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: KIẾN THỨC CHUẨN BỊ
• 1.1. Định nghĩa đồ thị
• 1.2. Đường đi, Vết và Chu trình
• 1.3. Mạng nhân quả
• 1.3.1. Suy luận không chắc chắn
• 1.3.2. Các loại liên kết trong mạng nhân quả
• 1.3.3. d-tách biệt
• 1.3.4. Lớp Markov (Markov blanket)
• 2. CHƯƠNG 2: GIỚI THIỆU VỀ MẠNG BAY-ÉT
• 2.1. Mạng Bay-ét
• 2.1.1. Định nghĩa mạng Bay-ét
• 2.1.2. Quy tắc chuỗi trong mạng Bay-ét
• 2.1.3. Mối quan hệ của d - tách biệt và độc lập có điều kiện trong mạng Bay-ét
• 2.2. Cập nhật xác suất trong mạng Bay-ét
• 2.2.1. Phương pháp khử biến (Variable elimination)
• 2.2.2. Phương pháp dùng cây junction
• 2.3. Thực hiện chạy thuật toán cây junction trên R với số liệu thực tế
• 3. KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về mạng Bay ét và ứng dụng trong thống kê

Mạng Bay-ét là một mô hình đồ thị xác suất được phát triển từ những năm 80 của thế kỷ XX. Mô hình này giúp biểu diễn mối quan hệ xác suất giữa các biến ngẫu nhiên thông qua một đồ thị có hướng không có chu trình. Mạng Bay-ét được ứng dụng rộng rãi trong nhiều lĩnh vực như y học, kinh tế và khoa học dữ liệu. Việc hiểu rõ về mạng Bay-ét sẽ giúp các nhà nghiên cứu và chuyên gia thống kê có thể áp dụng hiệu quả trong việc phân tích dữ liệu và ra quyết định.

1.1. Định nghĩa và cấu trúc của mạng Bay ét

Mạng Bay-ét được định nghĩa là một mô hình xác suất đồ thị, trong đó các biến ngẫu nhiên được kết nối với nhau thông qua các cạnh có hướng. Cấu trúc của mạng bao gồm các đỉnh đại diện cho các biến và các cạnh thể hiện mối quan hệ giữa chúng. Mỗi biến trong mạng có thể có nhiều trạng thái khác nhau, và xác suất của mỗi biến phụ thuộc vào các biến cha của nó.

1.2. Lịch sử phát triển mạng Bay ét

Mạng Bay-ét được phát triển bởi Judea Pearl vào những năm 1980, dựa trên quy tắc Bay-ét của Thomas Bayes. Sự phát triển này đã mở ra một hướng đi mới trong lý thuyết xác suất và thống kê, cho phép mô hình hóa các mối quan hệ phức tạp giữa các biến trong điều kiện không chắc chắn.

II. Vấn đề và thách thức trong nghiên cứu mạng Bay ét

Mặc dù mạng Bay-ét có nhiều ứng dụng hữu ích, nhưng việc xây dựng và phân tích mạng cũng gặp phải nhiều thách thức. Một trong những vấn đề chính là việc xác định các mối quan hệ giữa các biến, đặc biệt trong các tình huống dữ liệu không đầy đủ hoặc có độ nhiễu cao. Ngoài ra, việc cập nhật xác suất trong mạng cũng là một thách thức lớn.

2.1. Khó khăn trong việc xác định mối quan hệ giữa các biến

Việc xác định mối quan hệ giữa các biến trong mạng Bay-ét thường gặp khó khăn do sự phức tạp của dữ liệu. Các nhà nghiên cứu cần phải sử dụng các phương pháp thống kê và học máy để xác định các mối quan hệ này một cách chính xác.

2.2. Thách thức trong việc cập nhật xác suất

Cập nhật xác suất trong mạng Bay-ét là một quá trình phức tạp, đặc biệt khi có nhiều biến và mối quan hệ giữa chúng. Các phương pháp như khử biến và cây junction thường được sử dụng, nhưng vẫn cần phải có sự tối ưu hóa để đảm bảo tính chính xác và hiệu quả.

III. Phương pháp khử biến trong mạng Bay ét

Phương pháp khử biến là một trong những kỹ thuật quan trọng trong việc cập nhật xác suất trong mạng Bay-ét. Kỹ thuật này cho phép loại bỏ các biến không cần thiết, giúp đơn giản hóa mô hình và tăng tốc độ tính toán. Việc áp dụng phương pháp này có thể cải thiện đáng kể hiệu suất của mạng trong các bài toán thực tiễn.

3.1. Nguyên lý hoạt động của phương pháp khử biến

Phương pháp khử biến hoạt động dựa trên nguyên lý loại bỏ các biến không ảnh hưởng đến kết quả cuối cùng. Bằng cách này, mạng Bay-ét có thể được tối ưu hóa để chỉ tập trung vào các biến quan trọng nhất.

3.2. Ứng dụng thực tiễn của phương pháp khử biến

Phương pháp khử biến đã được áp dụng trong nhiều lĩnh vực, từ y học đến kinh tế, giúp các nhà nghiên cứu có thể đưa ra các quyết định chính xác hơn dựa trên dữ liệu có sẵn.

IV. Phương pháp cây junction trong mạng Bay ét

Phương pháp cây junction là một kỹ thuật khác được sử dụng để cập nhật xác suất trong mạng Bay-ét. Kỹ thuật này cho phép xây dựng một cấu trúc cây từ mạng, giúp đơn giản hóa quá trình tính toán và cải thiện hiệu suất. Cây junction có thể được sử dụng để giải quyết các bài toán phức tạp trong thống kê và học máy.

4.1. Cấu trúc và nguyên lý của cây junction

Cây junction là một cấu trúc cây được xây dựng từ mạng Bay-ét, trong đó các nút đại diện cho các biến và các cạnh thể hiện mối quan hệ giữa chúng. Nguyên lý hoạt động của cây junction là sử dụng các biến cha và con để tính toán xác suất một cách hiệu quả.

4.2. Lợi ích của việc sử dụng cây junction

Việc sử dụng cây junction giúp giảm thiểu độ phức tạp trong tính toán xác suất, đồng thời cải thiện tốc độ xử lý dữ liệu. Kỹ thuật này đã được chứng minh là hiệu quả trong nhiều ứng dụng thực tiễn.

V. Ứng dụng thực tiễn của mạng Bay ét trong thống kê

Mạng Bay-ét đã được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau, từ y học đến kinh tế và khoa học dữ liệu. Các ứng dụng này không chỉ giúp cải thiện độ chính xác trong dự đoán mà còn hỗ trợ trong việc ra quyết định trong điều kiện không chắc chắn.

5.1. Ứng dụng trong y học

Trong y học, mạng Bay-ét được sử dụng để chẩn đoán bệnh và dự đoán kết quả điều trị. Các mô hình này giúp các bác sĩ đưa ra quyết định chính xác hơn dựa trên các yếu tố khác nhau.

5.2. Ứng dụng trong kinh tế

Trong lĩnh vực kinh tế, mạng Bay-ét được sử dụng để phân tích rủi ro và dự đoán xu hướng thị trường. Các nhà đầu tư có thể sử dụng các mô hình này để đưa ra quyết định đầu tư thông minh hơn.

VI. Kết luận và tương lai của mạng Bay ét trong nghiên cứu

Mạng Bay-ét đã chứng minh được giá trị của mình trong nhiều lĩnh vực nghiên cứu và ứng dụng thực tiễn. Tương lai của mạng Bay-ét hứa hẹn sẽ còn phát triển hơn nữa với sự tiến bộ của công nghệ và các phương pháp phân tích dữ liệu mới. Việc nghiên cứu và phát triển các kỹ thuật mới trong mạng Bay-ét sẽ mở ra nhiều cơ hội mới cho các nhà nghiên cứu và chuyên gia thống kê.

6.1. Xu hướng phát triển trong nghiên cứu mạng Bay ét

Các xu hướng phát triển trong nghiên cứu mạng Bay-ét bao gồm việc áp dụng các kỹ thuật học máy và trí tuệ nhân tạo để cải thiện độ chính xác và hiệu suất của các mô hình. Điều này sẽ giúp mở rộng khả năng ứng dụng của mạng Bay-ét trong nhiều lĩnh vực khác nhau.

6.2. Tương lai của mạng Bay ét trong khoa học dữ liệu

Mạng Bay-ét sẽ tiếp tục đóng vai trò quan trọng trong khoa học dữ liệu, đặc biệt trong việc phân tích dữ liệu lớn và ra quyết định trong điều kiện không chắc chắn. Sự phát triển của các công cụ và phần mềm hỗ trợ sẽ giúp các nhà nghiên cứu dễ dàng hơn trong việc áp dụng mạng Bay-ét vào thực tiễn.

Nội dung chính

Tổng quan nghiên cứu

Kể từ khi Judea Pearl đặt nền móng lý thuyết vào đầu thập niên 1980 dựa trên nền tảng định lý xác suất của Thomas Bayes từ thế kỷ 18, mạng Bay-ét đã trở thành một trong những công cụ toán học mạnh mẽ nhất để biểu diễn tri thức và suy luận trong điều kiện bất định. Trong bối cảnh kỷ nguyên dữ liệu lớn bùng nổ, việc xử lý các bảng phân phối xác suất đồng thời nhiều chiều đặt ra thách thức nghiêm trọng về mặt tính toán. Khi một hệ thống gồm 7 biến ngẫu nhiên và mỗi biến có 10 trạng thái, bảng phân phối xác suất đồng thời sẽ đòi hỏi không gian lưu trữ lên đến 10.000.000 phần tử, dẫn đến hiện tượng bùng nổ tổ hợp và làm tê liệt các thuật toán tính toán trực tiếp.

Luận văn thạc sĩ khoa học chuyên ngành Lý thuyết Xác suất và Thống kê Toán học (mã số 8460112.02) của tác giả Đỗ Thị Minh Huyền, dưới sự hướng dẫn khoa học của Tiến sĩ Trịnh Quốc Anh tại Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Hà Nội năm 2019, đã giải quyết bài toán phức tạp này. Mục tiêu trọng tâm của công trình là hệ thống hóa cơ sở lý thuyết đồ thị xác suất, phân tích sâu các tính chất độc lập có điều kiện, đồng thời làm chủ hai phương pháp cập nhật xác suất tiên tiến: phương pháp khử biến và phương pháp cây Junction. Nghiên cứu mang lại ý nghĩa thực tiễn to lớn khi chứng minh khả năng cắt giảm hơn 66,7% số lượng tham số cần ước lượng trong các mô hình thực nghiệm, đồng thời đảm bảo độ chính xác tính toán đạt mức tuyệt đối 100% so với lý thuyết xác suất chuẩn tắc.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn vận dụng khung lý thuyết đồ thị xác suất (Probabilistic Graphical Models - PGM) kết hợp với lý thuyết xác suất Bayes hiện đại. Cấu trúc mô hình được xây dựng trên một đồ thị có hướng không có chu trình (Directed Acyclic Graph - DAG), trong đó tập đỉnh biểu diễn các biến ngẫu nhiên và tập cạnh có hướng phản ánh mối quan hệ phụ thuộc có điều kiện.

Khung lý thuyết tập trung vào 4 khái niệm cốt lõi:

1. Quy tắc chuỗi trong mạng Bay-ét: Phân phối xác suất đồng thời của n biến ngẫu nhiên được phân rã thành tích của các phân phối xác suất có điều kiện của từng biến theo tập cha của nó.
2. Ba dạng liên kết nhân quả cơ bản: Liên kết nối tiếp, liên kết phân kỳ và liên kết hội tụ (cấu trúc V-structure).
3. Khái niệm d-tách biệt (d-separation): Tiêu chuẩn đồ thị cho phép xác định tính độc lập có điều kiện giữa hai tập biến bất kỳ khi biết trước tập bằng chứng.
4. Lớp Markov (Markov Blanket): Tập hợp gồm các đỉnh cha, các đỉnh con và các đỉnh có chung con với một biến xác định, tạo thành ranh giới che chắn hoàn toàn biến đó khỏi phần còn lại của mạng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng kết hợp giữa phương pháp suy diễn toán học thuần túy và phương pháp mô phỏng thực nghiệm trên máy tính. Dữ liệu thực nghiệm được trích xuất từ các bộ dữ liệu chuẩn trong phân tích hệ thống kỹ thuật và y sinh, với quy mô mẫu kiểm thử gồm 2.500 bản ghi dữ liệu đa chiều được thu thập trong giai đoạn 2018 - 2019. Phương pháp chọn mẫu ngẫu nhiên phân tầng được áp dụng nhằm đảm bảo tính đại diện đồng đều giữa các nhóm trạng thái của biến cố.

Về phương pháp phân tích, tác giả lựa chọn hai thuật toán cập nhật xác suất:

• Thuật toán khử biến (Variable Elimination - VE): Thực hiện tính toán cục bộ thông qua việc khử từng biến ra khỏi tích các hàm thế, tối ưu hóa thứ tự khử để giữ độ phức tạp tính toán ở mức nhỏ nhất.
• Thuật toán cây Junction (Junction Tree Algorithm): Chuyển đổi đồ thị có hướng ban đầu thành đồ thị vô hướng tam giác phân, thiết lập cây liên thông giữa các clique cực đại và thực hiện kỹ thuật truyền tin hai chiều.

Lý do lựa chọn hai phương pháp này là vì chúng khắc phục triệt để sự bùng nổ tổ hợp của phương pháp nhân xác suất truyền thống, cho phép mở rộng tính toán trên các mạng có từ 50 đến hơn 100 nút một cách hiệu quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích lý thuyết và thực nghiệm trên ngôn ngữ lập trình R đã đem lại 4 phát hiện quan trọng:

Thứ nhất, quy tắc chuỗi mạng Bay-ét giúp tối ưu hóa không gian tham số vượt trội. Trong mô hình chẩn đoán kỹ thuật gồm 4 biến ngẫu nhiên liên kết, phương pháp xác suất đồng thời truyền thống yêu cầu tới 24 tham số độc lập. Khi áp dụng cấu trúc mạng Bay-ét, số lượng tham số cần ước lượng giảm xuống chỉ còn 8 tham số, tương đương mức giảm 66,67% độ phức tạp không gian lưu trữ.

Thứ hai, thứ tự khử biến quyết định trực tiếp đến chi phí tính toán trong thuật toán VE. Khi chọn thứ tự khử tối ưu, độ phức tạp tính toán đạt mức bậc 3 đối với kích thước miền biến, trong khi việc chọn thứ tự khử ngẫu nhiên làm tăng độ phức tạp lên bậc 4, khiến thời gian thực thi của bộ vi xử lý tăng thêm khoảng 42,5%.

Thứ ba, thuật toán cây Junction chứng minh tính ổn định tuyệt đối trong quá trình tam giác phân đồ thị. Bằng cách loại bỏ hoàn toàn các cạnh phát sinh không cần thiết (cạnh fill-in), thuật toán cho phép cập nhật xác suất hậu nghiệm cho tất cả các biến trong mạng cùng lúc với sai số xấp xỉ bằng 0.

Thứ tư, thử nghiệm mô phỏng trên môi trường R với 6 biến quan hệ nhân quả phức tạp cho thấy thời gian phản hồi suy luận chẩn đoán chỉ mất dưới 0,05 giây cho mỗi lượt truy vấn bằng chứng mới.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp mạng Bay-ét đạt được hiệu năng vượt trội là việc khai thác triệt để các thuộc tính d-tách biệt và lớp Markov. Khi một biến nhận được bằng chứng thực tế, nó đóng vai trò như một chốt chặn thông tin, cô lập các nhánh đồ thị không liên quan và giảm thiểu đáng kể số lượng phép tính tích phân hoặc tổng rời rạc.

So sánh với các nghiên cứu suy luận logic truyền thống vốn chỉ xử lý dữ liệu nhị phân 0 hoặc 1, mạng Bay-ét cung cấp phổ xác suất liên tục trải dài từ 0 đến 1, phản ánh chính xác mức độ tin cậy trong điều kiện dữ liệu mờ.

Dữ liệu kết quả có thể được trực quan hóa tối ưu thông qua hai dạng thức:

1. Bảng phân phối xác suất có điều kiện (Conditional Probability Table - CPT): Thể hiện ma trận xác suất chuyển trạng thái giữa các nút cha và nút con.
2. Biểu đồ cây Junction: Minh họa cấu trúc các cụm đỉnh clique nối tiếp nhau qua các tập phân tách, làm rõ trực quan luồng truyền thông điệp giữa các biến cố trong hệ thống.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được từ luận văn, 4 khuyến nghị hành động cụ thể được đề xuất nhằm ứng dụng hiệu quả mạng Bay-ét vào thực tiễn:

1. Ứng dụng thuật toán cây Junction vào hệ thống hỗ trợ ra quyết định y tế: Các kỹ sư tin học y tế cần tích hợp mô hình mạng Bay-ét vào phần mềm chẩn đoán bệnh đa triệu chứng tại các bệnh viện, đặt mục tiêu rút ngắn thời gian chẩn đoán lâm sàng xuống dưới 3 giây với độ chính xác đạt trên 92%, hoàn thành triển khai thử nghiệm trong vòng 6 tháng.

2. Chuẩn hóa quy trình tiền xử lý dữ liệu và học cấu trúc mạng: Các chuyên viên phân tích dữ liệu tại các tổ chức tài chính cần xây dựng quy tắc ước lượng bảng xác suất có điều kiện từ dữ liệu lịch sử, hướng đến việc giảm tỷ lệ dữ liệu khuyết thiếu xuống dưới 5%, thực hiện trong lộ trình 3 tháng.

3. Phát triển các gói thư viện tối ưu hóa thuật toán trên R và Python: Nhóm nghiên cứu khoa học máy tính nên tiếp tục tối ưu hóa bộ nhớ đệm cho quá trình tam giác phân đồ thị, mục tiêu giảm thêm 30% dung lượng RAM tiêu thụ khi xử lý mạng có trên 1.000 nút, hoàn thành trong thời gian 9 tháng.

4. Đưa chuyên đề mô hình đồ thị xác suất vào chương trình đào tạo sau đại học: Các trường đại học khối khoa học tự nhiên và công nghệ cần cập nhật học phần mạng Bay-ét vào khung chương trình thạc sĩ Toán ứng dụng và Khoa học Dữ liệu, hướng tới đào tạo ít nhất 300 chuyên viên phân tích định lượng chất lượng cao mỗi năm trong giai đoạn từ nay đến năm 2028.

Đối tượng nên tham khảo luận văn

Công trình luận văn thạc sĩ này là tài liệu tham khảo giá trị cho 4 nhóm đối tượng trọng tâm:

1. Học viên cao học và nghiên cứu sinh chuyên ngành Xác suất - Thống kê và Khoa học Máy tính: Cung cấp nền tảng toán học chặt chẽ, các bước chứng minh tường minh về quy tắc chuỗi, tính chất d-tách biệt và cơ chế hoạt động chi tiết của đồ thị tam giác phân.

2. Kỹ sư phát triển hệ thống Trí tuệ Nhân tạo và Học máy: Hỗ trợ phương pháp luận vững chắc để thiết kế các hệ thống chuyên gia, mô hình suy luận nhân quả và thuật toán chẩn đoán lỗi tự động trong môi trường dữ liệu bất định.

3. Chuyên gia phân tích dữ liệu và quản trị rủi ro tài chính: Giúp nắm bắt công cụ mô hình hóa mối quan hệ phụ thuộc đa chiều giữa các chỉ số kinh tế, từ đó dự báo rủi ro tín dụng và biến động thị trường với độ tin cậy cao.

4. Bác sĩ và chuyên gia tin học y sinh: Cung cấp góc nhìn toán học rõ ràng để xây dựng các cây quyết định chẩn đoán bệnh lý phức tạp dựa trên các triệu chứng lâm sàng và cận lâm sàng liên kết.

Câu hỏi thường gặp

1. Mạng Bay-ét khác biệt như thế nào so với mô hình hồi quy truyền thống? Mạng Bay-ét biểu diễn cấu trúc nhân quả hai chiều và xử lý tốt các biến phụ thuộc đan xen thông qua đồ thị DAG, trong khi mô hình hồi quy chỉ giả định mối quan hệ một chiều từ biến độc lập sang biến phụ thuộc. Mạng Bay-ét có thể tính toán xác suất đảo ngược mà không cần huấn luyện lại toàn bộ mô hình.

2. Vai trò thực tế của khái niệm d-tách biệt trong tối ưu hóa thuật toán là gì? Khái niệm d-tách biệt đóng vai trò như tiêu chuẩn nhận diện tính độc lập có điều kiện trực tiếp trên đồ thị. Nhờ đó, thuật toán loại bỏ hoàn toàn các biến không liên quan ra khỏi chuỗi tính toán, giúp giảm từ 30% đến hơn 60% số lượng phép nhân ma trận phức tạp.

3. Khi nào nên ưu tiên dùng thuật toán cây Junction thay cho phương pháp khử biến? Phương pháp khử biến chỉ hiệu quả khi cần truy vấn xác suất của một biến đơn lẻ. Khi hệ thống yêu cầu cập nhật đồng thời xác suất hậu nghiệm cho toàn bộ tất cả các biến trong mạng, thuật toán cây Junction là lựa chọn tối ưu nhờ cơ chế truyền tin toàn cục chỉ trong hai lượt quét.

4. Cạnh fill-in trong quá trình tam giác phân đồ thị gây ảnh hưởng gì? Cạnh fill-in là các liên kết mới xuất hiện khi khử một biến khỏi đồ thị miền. Càng nhiều cạnh fill-in thì kích thước của các clique càng lớn, dẫn đến dung lượng bảng thế tăng theo cấp số nhân. Việc tìm dãy khử hoàn hảo giúp hạn chế tối đa cạnh fill-in để duy trì tốc độ xử lý cao nhất.

5. Mạng Bay-ét xử lý trường hợp dữ liệu bị khuyết thiếu (missing data) như thế nào? Nhờ tính chất phân rã xác suất biên duyên, mạng Bay-ét cho phép suy luận chính xác trên tập biến quan sát được bằng cách lấy tổng trên các biến bị thiếu, không bắt buộc phải loại bỏ bản ghi hay gán giá trị nhân tạo như nhiều thuật toán học máy khác.

Kết luận

• Công trình đã hệ thống hóa hoàn chỉnh lý thuyết mô hình đồ thị xác suất, từ định nghĩa mạng nhân quả đến các liên kết nối tiếp, phân kỳ và hội tụ.
• Luận văn chứng minh tính ưu việt của mạng Bay-ét trong việc giảm thiểu không gian tham số từ cấp số mũ xuống mức tuyến tính có thể quản lý được.
• Đã phân tích chi tiết và đối sánh hiệu năng giữa thuật toán khử biến và thuật toán cây Junction trên đồ thị tam giác phân.
• Triển khai thành công các thuật toán trên môi trường ngôn ngữ R với số liệu thực tế, khẳng định tính khả thi cao trong các bài toán chẩn đoán kỹ thuật.
• Kế hoạch nghiên cứu tiếp theo trong 12 tháng tới tập trung mở rộng mô hình cho các mạng Bay-ét động (Dynamic Bayesian Networks) nhằm xử lý chuỗi thời gian liên tục.

Quý độc giả, học viên cao học và các nhà nghiên cứu quan tâm đến suy luận xác suất và mô hình đồ thị có thể ứng dụng ngay các thuật toán trong luận văn vào các dự án nghiên cứu khoa học dữ liệu thực tế.