Bài 26. Làm quen với Khoa học dữ liệu (CS)

1. Khoa học dữ liệu là gì?

Khoa học dữ liệu dùng các phương pháp thống kê, học máy và công cụ máy tính để rút ra thông tin, tri thức từ dữ liệu. Sản phẩm thường là báo cáo phân tích, biểu đồ minh họa hoặc mô hình dự đoán.

1.1 Dữ liệu lớn

Thời đại số tạo ra dòng dữ liệu rất lớn, thường được gọi là dữ liệu lớn (Big Data). Dữ liệu lớn thường được nhận diện qua các đặc trưng: khối lượng lớn (volume); sinh ra với tốc độ nhanh (velocity); đa dạng về định dạng, gồm cả dạng có cấu trúc và phi cấu trúc (variety); có thể chứa nhiễu nên độ tin cậy cần được kiểm chứng (veracity); và tiềm năng tạo ra giá trị lớn (value).

1.2 Một số thuật ngữ về bộ dữ liệu

Chẳng hạn, bảng điểm môn Tin của một lớp gồm nhiều bản ghi (mỗi học sinh một dòng) và các thuộc tính như mã học sinh, họ tên, điểm kiểm tra; số điểm ở từng ô chính là giá trị.

Theo cách tổ chức, dữ liệu chia làm hai dạng chính:

• Dữ liệu có cấu trúc: sắp xếp theo hàng, cột như bảng tính hoặc cơ sở dữ liệu quan hệ, dễ tra cứu và xử lý tự động.
• Dữ liệu phi cấu trúc: văn bản tự do, hình ảnh, âm thanh, video, bài đăng mạng xã hội, cần bước xử lý phức tạp hơn để rút ra thông tin.

2. Quy trình Khoa học dữ liệu

Để giải quyết vấn đề bằng Khoa học dữ liệu, người ta thường đi theo các bước tương tự nhau. Các bước không nhất thiết đi một chiều; có thể quay lại bước trước khi phát hiện dữ liệu chưa đủ hoặc chưa sạch.

2.1 Học máy ngắn gọn

Có hai hướng thường gặp ở bậc phổ thông:

• Học có giám sát: dữ liệu mẫu đã có nhãn hoặc đáp án (ví dụ: các email đã được đánh dấu là spam hoặc không spam), mục tiêu là dự đoán cho dữ liệu mới.
• Học không giám sát: dữ liệu không có nhãn, mục tiêu là tìm nhóm, phân cụm hoặc quy luật ẩn (ví dụ: nhóm khách hàng có hành vi mua sắm tương tự nhau).

3. Ví dụ minh họa

3.1 Ví dụ 1. Tạo và xem bộ dữ liệu nhỏ

import pandas as pd
import matplotlib.pyplot as plt

# Tạo bộ dữ liệu
data = {'Ten': ['An', 'Binh', 'Chi', 'Dung'],
        'Toan': [8, 7, 9, 6],
        'Van': [7, 8, 8, 9]}
df = pd.DataFrame(data)

# Tính điểm trung bình từng bạn
df['TB'] = (df['Toan'] + df['Van']) / 2
print(df)

# Vẽ biểu đồ cột thể hiện điểm trung bình
df.plot(kind='bar', x='Ten', y='TB')
plt.show()

3.2 Ví dụ 2. Bước làm sạch dữ liệu

4. Tóm tắt quy trình bằng bảng

5. Lưu ý và lỗi hay gặp