AI

Từ bài toán tới mô hình chạy được: khung hoá vấn đề, chia dữ liệu đúng cách (train/val/test), baseline, pipeline scikit-learn, và tránh rò rỉ dữ liệu (data leakage) — nền tảng cho cả series.

Đặc trưng tốt quan trọng hơn thuật toán: xử lý thiếu & ngoại lai, mã hoá biến phân loại, chuẩn hoá/scaling, đặc trưng thời gian & tương tác, và chọn lọc đặc trưng — làm đúng trong pipeline để tránh rò rỉ.

Hai mô hình nền tảng, dễ giải thích: linear regression (dự đoán số) và logistic regression (phân loại/xác suất), hàm mất mát & gradient descent, regularization L1/L2, và cách diễn giải hệ số.

Nhóm mô hình mạnh nhất cho dữ liệu bảng: cây quyết định, bagging/Random Forest, boosting (XGBoost/LightGBM), cách chúng hoạt động, ưu nhược, và khi nào thắng linear/deep learning.

Đo đúng thì cải thiện đúng: train/validation/test & cross-validation, chỉ số phân loại (accuracy/precision/recall/F1/ROC-AUC/PR-AUC) và hồi quy (RMSE/MAE/R²), ma trận nhầm lẫn, ngưỡng quyết định và hiệu chỉnh xác suất.

Tìm cấu trúc khi không có nhãn: phân cụm (K-Means, hierarchical, DBSCAN), giảm chiều (PCA), phát hiện bất thường (Isolation Forest), cách chọn số cụm & đánh giá cụm, và ứng dụng phân khúc khách hàng.

Hai vấn đề thực chiến hay gặp: xử lý lớp mất cân bằng (resampling, class weight, điều chỉnh ngưỡng) và tinh chỉnh siêu tham số (grid/random/Bayesian) cùng chống overfitting bằng regularization & early stopping.

Đưa mô hình ra production và giữ nó khoẻ: đóng gói/serving (batch vs real-time), quản lý phiên bản model & dữ liệu, giám sát hiệu năng & data/concept drift, retraining, feature store, và governance mô hình.