1. Mở Đầu (Hook & Mục Tiêu)
Bạn đã bao giờ tự hỏi làm thế nào một chiếc xe tự lái có thể phân biệt được đâu là cột đèn giao thông và đâu là một người đi bộ? Hay làm thế nào mà con tàu vũ trụ Voyager có thể tự điều chỉnh hướng đi khi gặp những vật thể lạ không có trong bản đồ? Đó không phải là phép màu, mà là nhờ một Mô hình Học máy (Machine Learning Model) — một “bộ não nhân tạo” được huấn luyện để đưa ra quyết định dựa trên kinh nghiệm.
Trong bài học này, chúng ta sẽ không chỉ nói về lý thuyết nữa. Bạn sẽ chính thức trở thành một “Kỹ sư AI” thực thụ, sử dụng bộ công cụ Scikit-learn để xây dựng, huấn luyện và kiểm tra trí thông minh của chính mô hình mà bạn tạo ra.
Mục tiêu bài học:
• Làm quen với Scikit-learn — Thư viện học máy phổ biến và quyền năng nhất của Python.
• Nắm vững quy trình 4 bước tiêu chuẩn để tạo ra một “bộ não” AI.
• Hiểu tại sao chúng ta cần “chia để trị” dữ liệu thành tập Train và tập Test.
• Tự tay xây dựng mô hình dự đoán đầu tiên.
2. Lý Thuyết & Khái Niệm (HaivanStory’s Voice)
Scikit-learn: Chiếc “Hộp Công Cụ” Vạn Năng
Nếu Python là con tàu vũ trụ, thì Scikit-learn chính là khoang kỹ thuật chứa đầy những thiết bị tối tân nhất. Nó cung cấp hầu hết các thuật toán học máy từ đơn giản đến phức tạp một cách thống nhất và dễ sử dụng. Dù bạn muốn dự đoán giá nhà (Hồi quy) hay phân loại các loại thực vật trên hành tinh mới (Phân loại), Scikit-learn đều có sẵn “linh kiện” cho bạn.
Quy Trình Xây Dựng “Bộ Óc” Nhân Tạo (ML Workflow)
Hãy tưởng tượng bạn đang huấn luyện một chú robot thám hiểm. Quy trình sẽ diễn ra như sau:
1 Chuẩn bị “Quặng” Dữ liệu (Data Preparation): Dữ liệu thu về từ bài trước (Web, API) cần được làm sạch và chuyển về dạng số để máy tính hiểu được.
2 Chia Quân – Học và Thi (Train/Test Split): Đây là bước cực kỳ quan trọng. Bạn không thể dùng toàn bộ dữ liệu để dạy máy rồi lại lấy đúng dữ liệu đó ra để kiểm tra. Máy sẽ “học vẹt”!
◦ Tập Train (Huấn luyện): Chiếm khoảng 80%, dùng để máy tự rút ra quy luật.
◦ Tập Test (Kiểm tra): Chiếm 20% còn lại, đóng vai trò như một “bài thi cuối kỳ” với những câu hỏi mà máy chưa từng thấy trước đó.
3 Huấn Luyện (Model Training): Bạn chọn một thuật toán (ví dụ: Hồi quy tuyến tính) và nhấn nút “Fit”. Lúc này, máy tính đang miệt mài tìm kiếm những mối liên hệ ẩn sâu trong tập Train.
4 Dự Đoán & Đánh Giá (Prediction & Evaluation): Sau khi học xong, chúng ta đưa tập Test cho máy và yêu cầu: “Hãy đoán xem kết quả là gì?”. Chúng ta so sánh kết quả của máy với đáp án thật để xem mô hình thông minh đến mức nào.
Gợi ý từ Coursera: Để thực hành quy trình này một cách chuyên nghiệp, hãy tham khảo khóa học Applied Machine Learning in Python. Các bài giảng về “Model Evaluation” sẽ giúp bạn hiểu sâu hơn về cách chấm điểm một bộ não AI.
3. Thực Hành & Vận Dụng (Hands-on & Interactive)
Google Colab (Thực hành cốt lõi): Hôm nay chúng ta sẽ giải quyết một bài toán kinh điển: Phân loại 3 loài hoa “vũ trụ” (Iris Dataset) dựa trên kích thước cánh hoa.
• Link Notebook: Lab 19: Xây Dựng Mô Hình AI Đầu Tiên
◦ Nhiệm vụ 1: Import thư viện sklearn.
◦ Nhiệm vụ 2: Sử dụng hàm train_test_split để chia dữ liệu theo tỷ lệ 80/20.
◦ Nhiệm vụ 3: Khởi tạo mô hình KNeighborsClassifier và huấn luyện nó.
◦ Nhiệm vụ 4: Chấm điểm độ chính xác (Accuracy) của mô hình.
SoloLearn Quiz:
• Scikit-learn & Machine Learning Workflow Quiz – Kiểm tra hiểu biết của bạn về các bước xây dựng mô hình.
Lab trên CodeLearn (Thử thách nâng cao):
• Thử áp dụng thuật toán LinearRegression để dự đoán nồng độ Oxy trên một hành tinh dựa trên nhiệt độ và áp suất.
4. Câu Chuyện HaivanStory & Liên Hệ Thực Tế
Trong cuộc thi “Robot Thám Hiểm Thiên Hà” năm ngoái, đội của Haivan đã gặp một sự cố hy hữu. Robot của họ hoạt động hoàn hảo trong phòng thí nghiệm (đạt độ chính xác 100%) nhưng khi thả ra bề mặt Sao Hỏa thật, nó lại đi loạng choạng và đâm vào vách đá.
Sau khi kiểm tra, Haivan nhận ra họ đã quên mất bước Train/Test Split. Họ đã cho robot “học thuộc lòng” sơ đồ phòng thí nghiệm thay vì dạy nó “cách tư duy” để xử lý các tình huống mới. Ngay lập tức, cô đã dùng Scikit-learn để chia lại dữ liệu, huấn luyện lại mô hình với những tình huống chưa từng gặp. Kết quả là robot đã vượt qua bài thi thực địa một cách xuất sắc.
Thực tế ngày nay:
• Y tế: Các bác sĩ dùng Scikit-learn để huấn luyện mô hình dự đoán khả năng mắc bệnh dựa trên kết quả xét nghiệm máu (Phân loại).
• Tài chính: Ngân hàng dự đoán khả năng hoàn nợ của khách hàng để quyết định cho vay (Hồi quy/Phân loại).
• Thương mại điện tử: Shopee hay Amazon dự đoán sản phẩm nào bạn sẽ mua tiếp theo để hiển thị quảng cáo.
5. Tổng Kết & Hướng Đi Tiếp Theo
Chúc mừng bạn! Bạn không còn là một người quan sát nữa, bạn đã trở thành một Người tạo ra AI:
• Bạn biết sức mạnh của Scikit-learn.
• Bạn nắm lòng quy trình 4 bước: Chuẩn bị -> Chia quân -> Huấn luyện -> Dự đoán.
• Bạn hiểu giá trị của tập Test trong việc đánh giá sự thông minh thật sự của máy tính.
Hướng đi tiếp theo: Một mô hình AI không phải lúc nào cũng thông minh ngay từ đầu. Đôi khi nó bị “cận thị” hoặc “quá tự tin”. Trong bài sau, chúng ta sẽ học cách Đánh Giá & Tinh Chỉnh Mô Hình (Model Evaluation & Tuning) để biến một bộ não AI trung bình thành một thiên tài thực thụ.
6. Kêu Gọi Hành Động (Call to Action)
Độ chính xác (Accuracy) trong bài thực hành Colab của bạn là bao nhiêu? 90%, 95% hay 100%? Hãy chụp ảnh màn hình kết quả và khoe ở phần bình luận nhé! Nếu bạn gặp lỗi “Crash” phi thuyền, đừng lo, hãy để lại mã lỗi, Haivan và cộng đồng sẽ cùng bạn sửa chữa bộ não robot này!
