Bảng thuật ngữ Khoa học Dữ liệu: Định nghĩa các thuật ngữ phổ biến trong Khoa học Dữ liệu

Hàm kích hoạt được sử dụng trong mạng nơ-ron nhân tạo (ANN), quyết định việc một nơ-ron có được kích hoạt hay không bằng cách tính đầu ra chuyển sang tầng ẩn tiếp theo (hoặc tầng đầu ra) dựa trên đầu vào từ tầng trước đó (hoặc tầng đầu vào). Hàm kích hoạt chịu trách nhiệm cho phép mạng nơ-ron thực hiện biến đổi phi tuyến.

Algorithm

Thuật toán là một chuỗi các bước có thể lặp lại, thường được biểu diễn bằng toán học, do con người viết và máy tính thực thi, để giải một kiểu bài toán khoa học dữ liệu nhất định. Thuật toán có thể từ rất đơn giản đến cực kỳ phức tạp. Các thuật toán khác nhau phù hợp với những tác vụ và công nghệ khác nhau. Khái niệm cốt lõi là một thuật toán nhận một số đầu vào và tạo ra đầu ra, và cùng một đầu vào sẽ luôn tạo ra cùng một đầu ra. Trong học máy, thuật toán nhận đầu vào dưới dạng dữ liệu và siêu tham số, nhận diện và học các mẫu chung từ dữ liệu, rồi tạo đầu ra dưới dạng dự đoán.

Apache Spark

Apache Spark là một khung xử lý song song đa năng mã nguồn mở để phân tích và mô hình hóa dữ liệu lớn. Spark cho phép bạn phân tán dữ liệu và phép tính trên các cụm có nhiều nút (hãy coi mỗi nút như một máy tính riêng). Việc chia nhỏ dữ liệu giúp làm việc dễ hơn với các bộ dữ liệu rất lớn vì mỗi nút chỉ xử lý một lượng dữ liệu nhỏ. Khi mỗi nút làm việc trên phần dữ liệu của riêng mình, nó cũng thực hiện một phần phép tính tổng thể cần có, nhờ đó cả xử lý dữ liệu và tính toán diễn ra song song trên các nút trong cụm. Tính toán song song có thể khiến một số loại tác vụ lập trình nhanh hơn đáng kể.

API

API là viết tắt của Application Programming Interface (Giao diện Lập trình Ứng dụng), một phần mềm trung gian đảm bảo kết nối giữa các ứng dụng hoặc máy tính. Ví dụ về API là nhúng Google Maps vào một ứng dụng gọi xe. Các nhà khoa học dữ liệu thường làm việc với API để truy cập dữ liệu (ví dụ, Twitter API để tải tweet), hoặc để đóng gói giải pháp họ tạo ra (ví dụ, một API gọi mô hình học máy chạy trong môi trường sản xuất).

Artificial Intelligence (AI)

Trí tuệ nhân tạo là một nhánh của khoa học máy tính liên quan đến việc sử dụng học máy, lập trình và các kỹ thuật khoa học dữ liệu giúp máy tính hành xử một cách thông minh. Hệ thống AI rất rộng và có mức độ phức tạp khác nhau. Chúng có thể từ hệ thống dựa trên luật đến hệ thống dựa trên học máy, và có thể thực hiện các năng lực như phát hiện gian lận, nhận dạng đối tượng, dịch ngôn ngữ, dự đoán giá cổ phiếu, và còn nhiều hơn nữa.

Artificial Neural Networks (ANN)

Mạng nơ-ron nhân tạo là một mô hình học máy được lấy cảm hứng lỏng lẻo từ mạng nơ-ron sinh học trong não người. Mạng nơ-ron bao gồm tới hàng trăm tầng các đơn vị kết nối gọi là nơ-ron. Về mặt khái niệm, một mạng nơ-ron nhân tạo có các loại tầng sau: tầng đầu vào, tầng đầu ra và các tầng ẩn dùng để lọc dữ liệu, xử lý với hàm kích hoạt, và đưa ra dự đoán ở đầu ra. ANN là khối xây dựng của một phân nhánh học máy gọi là học sâu, giúp tạo ra các đầu ra phức tạp như nhận dạng hình ảnh hoặc âm thanh, phát hiện đối tượng, dịch ngôn ngữ, và hơn thế nữa.

B

Backpropagation (BP)

Lan truyền ngược là một kỹ thuật dùng trong huấn luyện mạng học sâu dựa trên việc triển khai gradient descent để tinh chỉnh lặp đi lặp lại các trọng số và độ chệch nhằm nâng cao độ chính xác của mạng. Thuật toán tính sai số của đầu ra ở mỗi vòng huấn luyện, sau đó lan truyền ngược sai số vào mạng, nhờ đó giúp giảm thiểu sai số ở các vòng huấn luyện tiếp theo.

Bayesian Network

Mạng Bayes là một đồ thị xác suất thể hiện mối quan hệ giữa các biến ngẫu nhiên trong một miền không chắc chắn, trong đó các nút của đồ thị biểu diễn các biến, và các liên kết giữa từng cặp nút (các cạnh) biểu diễn xác suất có điều kiện cho các biến tương ứng. Một ví dụ về Mạng Bayes là trong chẩn đoán y khoa, nơi các nhà nghiên cứu dự đoán kết quả sức khỏe đồng thời tính đến tất cả các yếu tố có thể ảnh hưởng đến kết quả.

Bayes' Theorem

Định lý Bayes là một phương trình toán học để tính xác suất có điều kiện, tức là xác suất sự kiện B xảy ra khi biết rằng sự kiện liên quan A đã xảy ra. Một trong những ứng dụng của định lý này trong khoa học dữ liệu là xây dựng mạng Bayes cho các bộ dữ liệu lớn.

Bias

Thiên lệch (bias) đề cập đến xu hướng mô hình khớp thiếu dữ liệu, dẫn đến dự đoán thiếu chính xác trong học máy và khoa học dữ liệu. Đây là định nghĩa về thiên lệch thường được thảo luận trong đánh đổi giữa thiên lệch và phương sai. Ngoài ra, bias cũng có thể mang nghĩa thiên lệch thuật toán — chỉ xu hướng các mô hình học máy tái tạo những thiên lệch xã hội gây hại bằng cách đối xử khác nhau với các nhóm cá nhân dựa trên thuộc tính được bảo vệ như chủng tộc, xu hướng tính dục, bản dạng giới, tuổi, thai sản, tình trạng cựu binh, v.v.

Bias-Variance Tradeoff

Đánh đổi giữa thiên lệch và phương sai là sự đánh đổi giữa thiên lệch và phương sai khi xây dựng mô hình học máy. Thiên lệch và phương sai là hai loại sai số dự đoán khi tạo mô hình học máy — nơi thiên lệch cao cho thấy mô hình khớp thiếu, và phương sai cao cho thấy mô hình khớp quá mức. Giảm thiểu cả hai yếu tố này đến mức tối ưu sẽ làm giảm tổng sai số của dự đoán.

Big Data

Dữ liệu lớn là lĩnh vực xoay quanh việc xử lý, xử trí và trích xuất thông tin từ các bộ dữ liệu quá lớn hoặc phức tạp đối với các công cụ xử lý dữ liệu truyền thống. Dữ liệu lớn được đặc trưng bởi năm chữ V: velocity — tốc độ tạo dữ liệu; volume — khối lượng dữ liệu tạo ra; variety — sự đa dạng loại dữ liệu, ví dụ văn bản, hình ảnh, dữ liệu dạng bảng, v.v.; veracity — chất lượng và tính xác thực của dữ liệu; và value — khả năng dữ liệu được chuyển hóa thành thông tin kinh doanh có giá trị.

Binomial Distribution

Phân phối nhị thức là phân phối xác suất rời rạc của kết quả các phép thử độc lập, với hai khả năng loại trừ lẫn nhau (thành công và thất bại), số lần thử hữu hạn, và xác suất thành công không đổi. Nói đơn giản, phân phối nhị thức có thể được coi là xác suất của một kết quả cụ thể (thành công hoặc thất bại) trong một sự kiện được lặp lại nhiều lần (ví dụ, xác suất gieo xúc xắc 5 lần mà được số 3 đúng 3 lần).

Business Analyst

Chuyên viên phân tích kinh doanh chịu trách nhiệm gắn kết hiểu biết từ dữ liệu với các hành động cụ thể nhằm tăng lợi nhuận hoặc hiệu suất. Họ am hiểu sâu lĩnh vực kinh doanh và thường sử dụng SQL cùng các công cụ không cần mã để truyền đạt insight rút ra từ dữ liệu.

Business Analytics (BA)

Phân tích kinh doanh là một phân nhánh của phân tích tập trung vào việc sử dụng dữ liệu lịch sử và hiện tại để khám phá insight vận hành có giá trị, dự đoán xu hướng tương lai có thể xảy ra, và đưa ra quyết định kinh doanh dựa trên dữ liệu. Bộ công cụ của phân tích kinh doanh thường gồm phân tích thống kê, phân tích mô tả và trực quan hóa dữ liệu, và có thể lấn sang phân tích dự đoán và học máy.

Business Intelligence (BI)

Business intelligence là một phân nhánh của phân tích kết hợp phân tích mô tả, phân tích kinh doanh, trực quan hóa dữ liệu, phân tích thống kê, báo cáo, và nhiều hơn nữa. Mục tiêu là giúp tổ chức đưa ra quyết định dựa trên dữ liệu. BI thường tận dụng các công cụ không cần mã như Tableau và Power BI để khám phá xu hướng trong dữ liệu lịch sử và hiện tại. Không giống phân tích kinh doanh, trọng tâm chính của BI là phân tích mô tả.

C

Categorical Variable

Biến phân loại là biến chỉ có thể nhận một trong số các giá trị khả dĩ hữu hạn (các nhóm) mà không có thứ tự nội tại. Ví dụ về biến phân loại là tình trạng hôn nhân (kết hôn, độc thân, ly hôn). Nó còn được gọi là biến danh nghĩa hoặc biến định tính.

Classification

Phân loại là một bài toán học có giám sát khi cần dự đoán kết quả thuộc nhóm dựa trên các đặc trưng đầu vào. Ví dụ về bài toán phân loại là phát hiện gian lận (giao dịch này có gian lận không dựa trên tập đặc trưng?) và bộ lọc thư rác (email này có phải spam không?). Thuật toán phân loại thường dùng gồm k-láng giềng gần nhất, cây quyết định, rừng ngẫu nhiên, v.v.

Clustering

Phân cụm là một bài toán học không giám sát liên quan đến việc nhóm tất cả quan sát của một bộ dữ liệu theo mức độ tương đồng dựa trên một số đặc điểm chung. Khác với bài toán phân loại, các nhóm này (gọi là cụm) không do con người định nghĩa trước mà do thuật toán học máy nhận diện trong quá trình học dữ liệu đầu vào. Các phần tử trong mỗi cụm thì giống nhau với nhau và khác với phần tử ở các cụm khác. Thuật toán phân cụm phổ biến gồm k-means, phân cụm phân cấp, phân cụm phổ, v.v.

Computer Science

Khoa học máy tính là một lĩnh vực học đa diện tập trung vào các khía cạnh lý thuyết và thực tiễn của xử lý thông tin trong máy tính số, thiết kế phần cứng và phần mềm máy tính, và các ứng dụng của máy tính. Đặc biệt, khoa học máy tính xử lý các chủ đề như trí tuệ nhân tạo, hệ thống tính toán, thuật toán, cấu trúc dữ liệu, mô hình dữ liệu, bảo mật, thiết kế máy tính và mạng, v.v.

Computer Vision

Thị giác máy tính là một lĩnh vực của khoa học máy tính quan tâm đến việc giúp máy tính đạt khả năng hiểu ở mức cao từ hình ảnh hoặc video số, gần giống cách con người nhìn. Thị giác máy tính đặc biệt phổ biến cùng với sự phát triển của học sâu và sự tích lũy dữ liệu lớn. Một số ứng dụng gồm nhận dạng đối tượng và khuôn mặt, phân tích chuyển động, xe tự lái, và nhận dạng ký tự quang học.

Confusion Matrix

Ma trận nhầm lẫn là một bảng minh họa hiệu suất dự đoán của mô hình phân loại. Thông thường, ma trận nhầm lẫn được tạo cho đầu ra nhị phân (tức là vấn đề dự đoán với chỉ hai loại dự đoán — ví dụ giao dịch có gian lận hay không), nên bảng kết quả là bảng hai nhân hai. Ma trận nhầm lẫn biểu diễn mối quan hệ giữa dự đoán và nhãn thực cho cả hai lớp. Nó giúp thấy rõ số dự đoán đúng (dương tính thật và âm tính thật), và số dương tính giả (lỗi loại I) và âm tính giả (lỗi loại II).

Continuous Variable

Biến liên tục là biến có thể nhận vô số giá trị trong một khoảng nhất định. Ví dụ về biến liên tục là chiều cao và cân nặng.

Correlation

Tương quan là độ mạnh và hướng của mối quan hệ giữa hai hay nhiều biến, được đo bằng hệ số tương quan, hay hệ số Pearson. Về mặt thống kê, hệ số tương quan là tỷ số giữa hiệp phương sai của hai biến và tích độ lệch chuẩn của chúng. Nó có thể nhận giá trị từ -1 (tương quan âm hoàn hảo) đến 1 (tương quan dương hoàn hảo). Sự tồn tại tương quan giữa hai biến không ngụ ý quan hệ nhân quả.

Cost Function

Hàm mất mát là một hàm trong học máy dùng để đo trung bình chênh lệch giữa giá trị dự đoán và giá trị thực trên tập huấn luyện, và cần được cực tiểu hóa.

Covariance

Hiệp phương sai là thước đo mối quan hệ giữa hai biến. Khác với phương sai đo độ biến thiên trong cùng một biến, hiệp phương sai cho thấy biến thiên của một biến ảnh hưởng thế nào đến thay đổi của biến thứ hai. Hiệp phương sai được dùng để tính hệ số tương quan.

Cross-Validation (not validated)

Cross-validation (xác thực chéo) là một phương pháp lấy mẫu lại khi huấn luyện mô hình học máy, chia dữ liệu có nhãn thành tập huấn luyện và tập kiểm tra. Ở mỗi vòng xác thực chéo, các phần khác nhau của dữ liệu được dùng để huấn luyện và kiểm tra mô hình. Tập huấn luyện dùng để huấn luyện, và tập kiểm tra dùng để tạo dự đoán và so sánh với nhãn thực của những mục đó. Sau đó, một chỉ số độ chính xác tổng thể được tính để ước lượng hiệu suất dự đoán của mô hình tạo ra.

D

Dashboard

Bảng điều khiển là giao diện người dùng đồ họa, tương tác dùng để trực quan hóa, tóm tắt và báo cáo các chỉ số hiệu suất cốt lõi (KPI), chỉ số tiến độ và thông tin về quy trình kinh doanh, giúp đối tượng mục tiêu dễ dàng nắm bắt insight quan trọng ở nhiều cấp độ. Bảng điều khiển được xây bằng các công cụ không cần mã như Excel, Tableau, hoặc PowerBI, hoặc cả công cụ có mã như Python và R. Một bảng điều khiển thường kết nối với cơ sở dữ liệu và dịch vụ được cập nhật định kỳ.

Data Analysis (DA)

Phân tích dữ liệu là một lĩnh vực tập trung vào làm sạch, biến đổi, trực quan hóa và khám phá dữ liệu nhằm trích xuất các mẫu và insight có ý nghĩa, và truyền đạt kết quả tới các bên liên quan. Phân tích dữ liệu thường là cột mốc đầu tiên trong mọi dự án khoa học dữ liệu, nhưng cũng có thể là một dự án độc lập. Khác với khoa học dữ liệu, nó thiên về phân tích mô tả hơn là phân tích dự đoán.

Data Analyst

Chuyên viên phân tích dữ liệu tương tự chuyên viên phân tích kinh doanh; họ chịu trách nhiệm phân tích dữ liệu và báo cáo insight từ phân tích. Họ hiểu sâu quy trình phân tích dữ liệu và rút trích, báo cáo insight bằng sự kết hợp giữa công cụ có mã và không cần mã.

Database

Cơ sở dữ liệu là không gian lưu trữ có cấu trúc, nơi dữ liệu được tổ chức trong nhiều bảng khác nhau sao cho thông tin cần thiết có thể được truy cập và tóm tắt dễ dàng. Cơ sở dữ liệu chủ yếu được dùng với hệ quản trị cơ sở dữ liệu (RDBMS) quan hệ như Oracle hoặc PostgreSQL. Ngôn ngữ lập trình phổ biến nhất để tương tác với dữ liệu từ cơ sở dữ liệu là SQL.

Database Management System (DBMS)

Hệ quản trị cơ sở dữ liệu là gói phần mềm dùng để dễ dàng thực hiện các thao tác khác nhau trên dữ liệu: truy cập, thao tác, truy xuất, quản lý và lưu trữ dữ liệu trong cơ sở dữ liệu. Dựa trên cách dữ liệu được tổ chức và cấu trúc, có các loại DBMS khác nhau: quan hệ, đồ thị, phân cấp, v.v. Một số ví dụ về DBMS: Oracle, MySQL, PostgreSQL, Microsoft SQL Server, MongoDB.

Data Consumer

Người tiêu thụ dữ liệu thường ở các vai trò không kỹ thuật, nhưng sử dụng insight và phân tích do các chuyên gia dữ liệu cung cấp để đưa ra quyết định dựa trên dữ liệu. Người tiêu thụ dữ liệu thường cần trao đổi với chuyên gia dữ liệu và nên có khả năng phân biệt khi nào dữ liệu có thể hoặc không thể dùng để trả lời câu hỏi kinh doanh.

Data Engineer

Kỹ sư dữ liệu là chuyên gia chịu trách nhiệm đưa đúng dữ liệu đến tay nhà khoa học dữ liệu và chuyên viên phân tích dữ liệu. Họ thiết kế và duy trì hạ tầng lưu trữ và đường ống dữ liệu để đưa lượng lớn dữ liệu thô đến từ nhiều nguồn về một nơi tập trung với dữ liệu sạch, định dạng đúng và phù hợp với tổ chức.

Data Engineering (DE)

Kỹ thuật dữ liệu là một chuyên môn tập trung vào việc mở rộng khả năng truy cập dữ liệu trong tổ chức. Kỹ sư dữ liệu làm về thu thập, gom, quản lý và lưu trữ dữ liệu — cũng như thiết lập đường ống dữ liệu và biến đổi dữ liệu thành dữ liệu chất lượng cao, có thể sử dụng bởi phần còn lại của tổ chức.

Data Enrichment

Làm giàu dữ liệu là các quy trình tăng cường, tinh chỉnh và bổ sung dữ liệu thô để dữ liệu hữu ích hơn cho tổ chức, từ đó thu được insight kinh doanh ý nghĩa hơn và tối ưu hóa phân tích dự đoán.

Dataframe

Dataframe là cấu trúc dữ liệu dạng bảng với trục có nhãn (hàng và cột) và có thể chứa các kiểu dữ liệu khác nhau.

Data Governance

DAMA định nghĩa Quản trị dữ liệu là “Lập kế hoạch, giám sát và kiểm soát việc quản lý dữ liệu và các nguồn liên quan đến dữ liệu”. Quản trị dữ liệu đặt ra vai trò, trách nhiệm và quy trình để đảm bảo dữ liệu luôn sẵn có, phù hợp, chất lượng, dễ sử dụng, toàn vẹn và an toàn. Quản trị dữ liệu bao gồm một cơ quan quản trị, một khung quy tắc và thực hành để đáp ứng nhu cầu thông tin của công ty, và một chương trình để thực thi các thực hành này.

Data Journalism

Báo chí dữ liệu là loại hình báo chí quan tâm đến việc xử lý và phân tích lượng lớn dữ liệu số, với mục tiêu tạo ra một câu chuyện về dữ liệu, hoặc thông tin rút ra từ dữ liệu đó. Vai trò này xuất hiện do dòng thông tin ngày càng tăng và sự tương tác ngày càng lớn của báo chí hiện đại với các lĩnh vực như thống kê, công nghệ thông tin và khoa học dữ liệu.

Data Lake

Hồ dữ liệu là kho lưu trữ duy nhất chứa lượng lớn dữ liệu thô, chưa qua xử lý thuộc mọi loại từ nhiều nguồn khác nhau, và chưa có mục đích xác định. Hồ dữ liệu bao gồm cả dữ liệu có cấu trúc với nhiều cấu trúc khác nhau không có mối quan hệ với nhau và, thường hơn, dữ liệu phi cấu trúc như tài liệu và tệp văn bản. Dữ liệu thô được giữ lại như nguồn thông tin gốc, không cần cấu trúc hóa và xử lý trừ khi dữ liệu được cần đến.

Data Literacy

Hiểu biết về dữ liệu là khả năng đọc, viết, phân tích, truyền đạt và lập luận với dữ liệu để đưa ra quyết định tốt hơn dựa trên dữ liệu. Ở góc độ tổ chức, đó là một phổ kỹ năng dữ liệu từ ra quyết định dựa trên dữ liệu đến kỹ năng kỹ thuật nâng cao trong khoa học dữ liệu, kỹ thuật dữ liệu và học máy, nhằm giúp mọi người trong tổ chức có năng lực phù hợp và tạo ra giá trị từ dữ liệu ở quy mô lớn.

Data Mining

Khai phá dữ liệu là quá trình thu thập dữ liệu liên quan từ nhiều nguồn, làm sạch và biến đổi về định dạng phù hợp, phát hiện và trích xuất các xu hướng, mẫu và mối liên hệ ẩn có ý nghĩa giữa dữ liệu, và truyền đạt insight có thể hành động để giúp tổ chức đưa ra quyết định dựa trên dữ liệu và xây dựng chiến lược tốt hơn. Cho mục đích này, sử dụng nhiều kỹ thuật phân tích và mô hình hóa như phân tích thống kê, trực quan hóa dữ liệu, hồi quy và phân loại.

Data Modeling

Mô hình hóa dữ liệu là quá trình phát triển biểu diễn trực quan của toàn bộ hệ thống CNTT hoặc một phần của nó để truyền đạt các kết nối giữa các điểm dữ liệu và cấu trúc. Mô hình dữ liệu thể hiện các loại dữ liệu được sử dụng và lưu trữ trong hệ thống, các mối quan hệ giữa những nguồn dữ liệu khác nhau, và cách dữ liệu được nhóm theo các thuộc tính và đặc điểm. Một định nghĩa điều chỉnh đôi chút mà bạn có thể gặp trong khoa học dữ liệu cho mô hình hóa dữ liệu là: xây dựng các mô hình đáng tin cậy biến dữ liệu thô thành insight dự đoán, nhất quán và có thể hành động. Mục đích chính là hiểu rõ nhu cầu kinh doanh cốt yếu, nguồn dữ liệu sẵn có và thời hạn, và cung cấp một khung dựa trên dữ liệu, định dạng đúng để đáp ứng các nhu cầu đó.

Data Pipeline

Đường ống dữ liệu là tập các script xử lý dữ liệu được liên kết với nhau, tự động hóa luồng dữ liệu qua tổ chức nơi dữ liệu được trích xuất, biến đổi và nạp để sẵn sàng sử dụng.

Data Science (DS)

Khoa học dữ liệu là một lĩnh vực liên ngành đa diện sử dụng nhiều phương pháp khoa học, kỹ thuật phân tích nâng cao và thuật toán mô hình dự đoán để trích xuất insight có ý nghĩa từ dữ liệu, giúp trả lời các câu hỏi chiến lược về kinh doanh hoặc khoa học trong nhiều lĩnh vực. Nó kết hợp nhiều kỹ năng kỹ thuật và phi kỹ thuật, và thường đòi hỏi hiểu biết miền vững chắc trong ngành áp dụng để có thể diễn giải đúng dữ liệu sẵn có và kết quả thu được.

Data Scientist

Nhà khoa học dữ liệu tìm hiểu, trích xuất và báo cáo insight có ý nghĩa trong dữ liệu của tổ chức. Họ truyền đạt những insight này tới các bên không kỹ thuật, và hiểu rõ quy trình học máy cũng như cách gắn nó với ứng dụng kinh doanh. Họ hầu như làm việc hoàn toàn với công cụ có mã, thực hiện phân tích và thường dùng công cụ dữ liệu lớn.

Dataset

Bộ dữ liệu là tập hợp dữ liệu thuộc một hoặc nhiều loại đại diện cho các quan sát đời thực hoặc được tạo tổng hợp, và dùng cho phân tích thống kê hoặc mô hình dữ liệu. Dữ liệu của một bộ dữ liệu có thể thu thập từ nhiều nguồn và thường được lưu trong một cấu trúc dữ liệu nào đó, phổ biến nhất là bảng, nơi các cột tương ứng với các biến khác nhau, và các hàng là các bản ghi dữ liệu khác nhau.

Data Structure

Cấu trúc dữ liệu là cách tổ chức và lưu trữ dữ liệu để có thể truy cập và làm việc hiệu quả. Cấu trúc dữ liệu xác định mối quan hệ giữa dữ liệu và các thao tác có thể thực hiện trên đó. Cấu trúc dữ liệu thường gặp trong khoa học dữ liệu gồm dataframe, danh sách, mảng, v.v.

Data Visualization

Trực quan hóa dữ liệu là một lĩnh vực liên ngành xử lý việc cô đọng và biểu diễn thông tin dưới dạng trực quan. Dữ liệu có thể được trực quan hóa theo nhiều loại biểu đồ như bản đồ, biểu đồ tần suất, biểu đồ cột và biểu đồ đường, và có thể phối hợp thành infographic, bảng điều khiển, v.v. Trực quan hóa dữ liệu thường được dùng để giúp đối tượng mục tiêu hiểu rõ hơn dữ liệu nền và kết quả thu được.

Data Warehouse

Kho dữ liệu là kho lưu trữ trung tâm cho dữ liệu có cấu trúc, đã làm sạch và biến đổi, được thu thập từ nhiều nguồn thông qua quy trình ETL (trích xuất, biến đổi, nạp). Chuyên gia dữ liệu có thể dễ dàng truy cập thông tin cần thiết từ kho dữ liệu thông qua công cụ BI, câu lệnh SQL, v.v., và sử dụng cho phân tích và mô hình hóa tiếp theo để trả lời câu hỏi kinh doanh.

Data Wrangling

Xử lý dữ liệu (data wrangling, hay data munging) là các tác vụ liên quan đến làm sạch, cấu trúc lại, gộp, tổng hợp và biến đổi dữ liệu sang định dạng phù hợp cho một mục đích cụ thể. Tóm lại, đó là quá trình chuẩn bị dữ liệu để dễ truy cập và phân tích sau này.

Decision Tree

Cây quyết định là thuật toán học máy có giám sát chủ yếu dùng cho phân loại, nhưng cũng cho hồi quy. Cây quyết định đặt ra chuỗi câu hỏi if-else về từng đặc trưng, với mục tiêu suy ra nhãn lớp. Cây quyết định có ưu điểm là có thể biểu diễn dạng đồ thị giống cây, mô phỏng khả năng ra quyết định của con người và logic trực quan, nhưng kiểu mô hình này có xu hướng khớp quá mức.

Deep Learning (DL)

Học sâu là một phân nhánh của thuật toán học máy dựa trên mạng nơ-ron nhân tạo (ANN) nhiều tầng, lấy cảm hứng lớn từ cấu trúc của não bộ. ANN rất linh hoạt và có thể học từ lượng dữ liệu khổng lồ để tạo ra đầu ra có độ chính xác cao. Chúng thường đứng sau các bài toán khoa học dữ liệu và học máy như nhận dạng hình ảnh hoặc âm thanh, dịch ngôn ngữ và các vấn đề nâng cao khác.

Dimensionality Reduction

Giảm chiều dữ liệu là quá trình giảm số lượng đặc trưng của tập huấn luyện, chỉ giữ lại các đặc trưng liên quan nhất nắm bắt phần lớn biến thiên, nhằm nâng cao hiệu suất mô hình. Giảm chiều đặc biệt hữu ích cho bộ dữ liệu lớn với rất nhiều biến. Nó giúp tối ưu không gian lưu trữ và thời gian tính toán, đồng thời khắc phục vấn đề đa cộng tuyến. Kỹ thuật giảm chiều phổ biến nhất là PCA (phân tích thành phần chính).

E

EDA

EDA là viết tắt của exploratory data analysis (phân tích dữ liệu khám phá) và chỉ giai đoạn đầu tiên của phân tích dữ liệu, tập trung vào khám phá cơ bản dữ liệu sẵn có; tóm tắt các đặc điểm chính, tìm mẫu và xu hướng ban đầu, vấn đề cần khắc phục và câu hỏi cần điều tra thêm. Ở giai đoạn này, chuyên viên phân tích hoặc nhà khoa học dữ liệu hình thành hiểu biết tổng quan về dữ liệu làm nền tảng cho phân tích chi tiết sau đó.

ELT

ELT (extract, load, transform) là hệ thống đường ống dữ liệu do kỹ sư dữ liệu thiết kế, là phương án thay thế cho cách tiếp cận phổ biến hơn là ETL (extract, transform, load). Trước khi áp dụng bất kỳ biến đổi nào, dữ liệu thô được nạp vào hồ dữ liệu rồi mới được biến đổi tại chỗ. Ưu điểm của ELT so với ETL là mất ít thời gian hơn, phù hợp xử lý bộ dữ liệu lớn và tiết kiệm chi phí hơn.

ETL

ETL (extract, transform, load) là hệ thống đường ống dữ liệu do kỹ sư dữ liệu thiết kế. Dữ liệu được trích xuất từ nhiều nguồn, biến đổi từ dạng thô sang định dạng phù hợp để nhất quán với dữ liệu từ nguồn khác, và nạp vào kho dữ liệu đích. Từ đây, dữ liệu có thể được dùng cho phân tích và mô hình hóa tiếp theo để giải quyết các vấn đề kinh doanh.

Evaluation Metrics

Chỉ số đánh giá là tập hợp các thước đo dùng để ước tính hiệu suất của mô hình thống kê hoặc học máy. Một số ví dụ gồm độ chính xác, f-score, recall và RMSE.

F

False Negative (FN, Type II Error)

Âm tính giả là kết quả khi mô hình phân loại dự đoán sai lớp âm cho biến mục tiêu nhị phân (ví dụ, nếu dự đoán rời bỏ của khách hàng, âm tính giả là tạo ra dự đoán “không rời bỏ” trong khi nhãn thực là “sẽ rời bỏ”).

False Positive (FP, Type I Error)

Dương tính giả là kết quả khi mô hình phân loại dự đoán sai lớp dương cho biến mục tiêu nhị phân. Ví dụ, nếu dự đoán rời bỏ khách hàng, dương tính giả tạo ra dự đoán “sẽ rời bỏ” trong khi nhãn thực là “không rời bỏ”.

Feature

Đặc trưng là biến độc lập được dùng làm đầu vào cho mô hình học máy. Ví dụ, nếu dự đoán khả năng mắc tiểu đường bằng chiều cao, cân nặng và lượng đường nạp — thì chiều cao, cân nặng và lượng đường nạp là các đặc trưng.

Feature Engineering

Kỹ thuật đặc trưng là quá trình sử dụng kiến thức miền và chuyên môn để biến đổi các đặc trưng thô thành các đặc trưng phản ánh tốt hơn vấn đề cơ bản, và phù hợp hơn với thuật toán học máy. Nó bao gồm trích xuất đặc trưng mới từ dữ liệu sẵn có, hoặc thao tác các đặc trưng hiện có. Ví dụ, nếu cố gắng dự đoán một kết quả sức khỏe như khả năng mắc tiểu đường, tính chỉ số BMI từ các đặc trưng chiều cao và cân nặng là một dạng kỹ thuật đặc trưng.

Feature Selection

Lựa chọn đặc trưng là quá trình chọn một tập con các đặc trưng từ bộ dữ liệu có liên quan nhất để dự đoán biến mục tiêu. Quy trình lựa chọn đặc trưng khéo léo đặc biệt quan trọng với các bộ dữ liệu lớn vì nó giảm độ phức tạp mô hình, hiện tượng khớp quá mức và thời gian tính toán, đồng thời tăng độ chính xác mô hình.

F-Score

F-Score là chỉ số đánh giá hiệu suất mô hình kết hợp cả precision và recall. Thường dùng F1-score, là trung bình điều hòa giữa precision và recall. Trường hợp tổng quát hơn là Fβ khi áp trọng số bổ sung cho precision hoặc recall.

G

Gradient Descent

Gradient descent là một quá trình tối ưu lặp dùng trong học máy để cực tiểu hóa hàm mất mát bằng cách tìm các giá trị tối ưu cho tham số của hàm.

H

Hadoop

Hadoop là một khung phần mềm mã nguồn mở dựa trên Java cho phép xử lý song song và lưu trữ phân tán dữ liệu lớn trên các cụm gồm nhiều máy tính. Hadoop cho phép tiết kiệm thời gian và xử lý lượng dữ liệu lớn hơn nhiều so với khi chỉ dùng một máy tính.

Hyperparameter

Siêu tham số là các thuộc tính liên quan đến mô hình học máy có giá trị được thiết lập thủ công trước khi bắt đầu huấn luyện. Khác với các tham số khác, siêu tham số không thể ước lượng hay học trực tiếp từ dữ liệu. Bằng cách tinh chỉnh siêu tham số và ước lượng hiệu suất mô hình thu được, ta có thể xác định giá trị tối ưu để đạt mô hình chính xác nhất. Nói một cách trực quan, tinh chỉnh siêu tham số giống như vặn núm radio để đạt tín hiệu hoàn hảo. Ví dụ về siêu tham số là số cây trong thuật toán rừng ngẫu nhiên.

Hypothesis

Giả thuyết là một giả định về một vấn đề hoặc sự kiện cần được kiểm định, và tùy thuộc kết quả thí nghiệm mà được chứng minh hoặc bác bỏ.

I

Imputation

Bù khuyết dữ liệu là quá trình điền các giá trị thiếu trong một bộ dữ liệu. Kỹ thuật bù khuyết có thể là thống kê (bù trung bình/chế độ) hoặc kỹ thuật học máy (bù bằng KNN).

K

K-Means

K-Means là thuật toán phân cụm phổ biến nhất, xác định K tâm cụm (gọi là centroids) với tọa độ tạm thời trong dữ liệu và lặp lại việc gán mỗi quan sát vào một trong các tâm cụm dựa trên đặc trưng của nó cho đến khi các tâm hội tụ. Các điểm dữ liệu tương tự nhau trong cùng cụm và khác với điểm ở các cụm khác.

K-Nearest Neighbors (KNN)

K-láng giềng gần nhất là các thuật toán học có giám sát phân loại quan sát dựa trên mức độ tương đồng với các láng giềng gần nhất. Các tham số quan trọng của KNN có thể tinh chỉnh là số láng giềng gần nhất và độ đo khoảng cách (Minkowski, Euclid, Manhattan, v.v.).

L

Linear Algebra

Đại số tuyến tính là một nhánh toán học quan tâm đến hệ tuyến tính: đường thẳng, mặt phẳng, không gian vectơ, ma trận và các phép toán trên chúng như cộng hoặc nhân. Đại số tuyến tính rất hữu ích trong khoa học dữ liệu và học máy, vì các bộ dữ liệu và nhiều mô hình học máy có thể biểu diễn dưới dạng ma trận.

Linear Regression

Hồi quy tuyến tính là thuật toán hồi quy xử lý việc mô hình hóa mối quan hệ tuyến tính giữa biến mục tiêu liên tục và một hoặc một vài đặc trưng liên tục. Ví dụ điển hình trong khoa học dữ liệu dùng hồi quy tuyến tính là dự đoán giá dựa trên nhiều thuộc tính đầu vào.

Logistic Regression

Hồi quy logistic là thuật toán hồi quy dùng hàm logistic trên các đặc trưng đầu vào để dự đoán xác suất lớp hoặc trực tiếp nhãn lớp cho biến mục tiêu. Ở trường hợp thứ hai, đầu ra biểu diễn một tập các nhóm thay vì giá trị liên tục, nghĩa là hồi quy logistic lúc này đóng vai trò là kỹ thuật phân loại. Ví dụ điển hình là dự đoán khả năng rời bỏ của khách hàng.

M

Machine Learning (ML)

Học máy là một nhánh của trí tuệ nhân tạo (AI) cung cấp tập thuật toán được thiết kế để học các mẫu và xu hướng từ dữ liệu lịch sử. Mục đích của ML là dự đoán kết quả tương lai, và khái quát hóa vượt ra ngoài các điểm dữ liệu của tập huấn luyện mà không được lập trình tường minh. Có hai loại chính của thuật toán học máy: có giám sát và không giám sát, mỗi loại gồm nhiều kỹ thuật áp dụng cho các tình huống khác nhau.

Mean

Trung bình (mean) là giá trị trung bình cộng của một tập số, tức tổng tất cả giá trị chia cho số lượng giá trị. Thường dùng cùng các thống kê khác để có cái nhìn tổng quan về toàn bộ bộ dữ liệu.

Mean Absolute Error (MAE)

Lỗi tuyệt đối trung bình (MAE) là trung bình cộng của tất cả sai số tuyệt đối giữa giá trị dự đoán và giá trị thực.

Mean Squared Error (MSE)

Lỗi bình phương trung bình (MSE) là trung bình cộng của bình phương tất cả sai số giữa giá trị dự đoán và giá trị thực.

Median

Trung vị là giá trị đứng giữa trong một tập số đã sắp xếp theo thứ tự tăng hoặc giảm. Nếu số lượng giá trị là chẵn, trung vị là trung bình cộng của hai giá trị ở giữa. Trung vị thường dùng cùng các thống kê khác để hiểu tổng quan về toàn bộ bộ dữ liệu, và đặc biệt hữu ích để phát hiện ngoại lệ tiềm ẩn.

Mode

Mode (mốt) là giá trị xuất hiện thường xuyên nhất (hoặc các giá trị) trong một tập dữ liệu.

Model Tuning

Tinh chỉnh mô hình là quá trình điều chỉnh siêu tham số nhằm tối đa hóa độ chính xác của mô hình mà không gây khớp quá mức.

Multivariate Modeling

Mô hình hóa đa biến là quá trình mô hình hóa mối quan hệ giữa nhiều biến (biến dự báo) được xác định ở bước lựa chọn đặc trưng và biến mục tiêu.

N

Naive Bayes

Naive Bayes là nhóm các thuật toán phân loại dựa trên định lý Bayes và giả định độc lập giữa các đặc trưng dùng trong bộ phân loại. Dù trên thực tế các đặc trưng không phải lúc nào cũng độc lập, thuật toán Naive Bayes vẫn có thể áp dụng thành công cho nhiều bài toán khoa học dữ liệu như lọc thư rác hoặc phân tích cảm xúc.

Natural Language Processing (NLP)

Xử lý ngôn ngữ tự nhiên (NLP) là một nhánh của khoa học máy tính xử lý việc giúp ứng dụng máy tính hiểu và phân tích ngôn ngữ tự nhiên dạng viết hoặc nói của con người. Các kỹ thuật NLP nhận dữ liệu văn bản đầu vào, thường là phi cấu trúc, chuyển đổi thành dạng có cấu trúc, tìm kiếm các mẫu ngôn ngữ và ngữ cảnh, phân loại chúng và trích xuất insight giá trị từ dữ liệu này. NLP cũng liên quan đến tận dụng học máy và học sâu để sinh ngôn ngữ, phân loại và hoàn thành các tác vụ nhận thức khác dùng ngôn ngữ. Ví dụ ứng dụng gồm chatbot, chuyển giọng nói thành văn bản, phân tích cảm xúc và dịch tự động.

Normalization

Chuẩn hóa là quá trình co giãn lại dữ liệu để tất cả thuộc tính có cùng thang đo. Chuẩn hóa cần thiết để so sánh có ý nghĩa giữa các thuộc tính và cũng là yêu cầu của một số thuật toán học máy.

NoSQL

NoSQL viết tắt của "not only SQL". Đây là hệ quản trị cơ sở dữ liệu dùng để lưu trữ và truy xuất các cơ sở dữ liệu phi quan hệ (tức không dạng bảng). Một số mô hình dữ liệu phi quan hệ là cơ sở dữ liệu đồ thị, tài liệu và khóa-giá trị. Hệ thống NoSQL có lợi thế về tính linh hoạt cao và tốc độ vận hành, cũng như khả năng mở rộng trên nhiều máy chủ.

Null Hypothesis

Giả thuyết không là loại giả thuyết phát biểu điều ngược lại với giả thuyết thay thế cần kiểm tra, tức không tồn tại mối quan hệ thống kê có ý nghĩa giữa hai biến và các quan sát đều do ngẫu nhiên. Giả thuyết không có thể bị bác bỏ hoặc được chấp nhận trong một thí nghiệm thống kê.

O

Open Source

Mã nguồn mở đề cập đến phần mềm và tài nguyên được cấp phép tự do, sẵn sàng cho việc sửa đổi và chia sẻ. Công cụ mã nguồn mở thúc đẩy cộng tác giữa người dùng và thường ổn định hơn vì các nhà nghiên cứu có thể thêm tính năng hữu ích mới hoặc sửa vấn đề kỹ thuật và lỗi do cộng đồng báo cáo.

Ordinal Variable

Biến thứ bậc là biến có thể nhận một trong số các giá trị hữu hạn với thứ tự nội tại. Ví dụ là cột phản hồi khảo sát nơi câu trả lời được sắp theo cường độ (ví dụ “Hoàn toàn không đồng ý”, “Không đồng ý”, “Trung lập”, “Đồng ý” hoặc “Hoàn toàn đồng ý”).

Outlier

Ngoại lệ là giá trị bất thường trong bộ dữ liệu chệch đáng kể so với phần còn lại của các quan sát. Ngoại lệ có thể là bằng chứng của lỗi đo đạc hoặc sự kiện bất thường.

Overfitting

Khớp quá mức đề cập đến khi một mô hình học quá nhiều thông tin từ tập huấn luyện bao gồm cả nhiễu và ngoại lệ. Kết quả là nó trở nên quá phức tạp, phụ thuộc quá nhiều vào tập huấn luyện cụ thể và không hoạt động tốt trên dữ liệu chưa thấy. Khớp quá mức dẫn đến phương sai cao trong đánh đổi giữa thiên lệch và phương sai.

P

Parameter

Tham số là biến có tên được truyền vào một hàm trong lập trình và khoa học dữ liệu. Trong học máy, tham số là thành phần nội tại của thuật toán cần học từ dữ liệu. Một số thuật toán học máy là tham số với tập tham số cố định (ví dụ hồi quy tuyến tính và logistic), trong khi số khác là phi tham số (ví dụ k-láng giềng gần nhất).

Precision

Precision là chỉ số đánh giá dùng để ước tính hiệu suất mô hình học máy, thể hiện tỷ lệ giữa số trường hợp dương tính được dự đoán đúng trên tổng số trường hợp được dự đoán là dương tính.

Predictive Analytics

Phân tích dự đoán là quá trình phân tích dữ liệu lịch sử bằng nhiều công cụ như phân tích thống kê, khai phá dữ liệu, trực quan hóa dữ liệu và học máy, để đưa ra dự đoán về các sự kiện tương lai trong một lĩnh vực kinh doanh cụ thể.

Principal Component Analysis (PCA)

Phân tích thành phần chính (PCA) là kỹ thuật thống kê thuộc phân tích nhân tố và giảm chiều nhằm biến đổi một tập các đặc trưng ban đầu có thể tương quan thành một tập nhỏ hơn các đặc trưng tuyến tính không tương quan gọi là thành phần chính. Theo cách này, PCA bảo toàn càng nhiều phương sai trong bộ dữ liệu càng tốt, đồng thời tối thiểu hóa số lượng đặc trưng.

Python

Python là ngôn ngữ lập trình hướng đối tượng, cấp cao, mã nguồn mở. Python rất phổ biến trong lĩnh vực khoa học dữ liệu, nhưng cũng được dùng rộng rãi cho lập trình mục đích chung trong khoa học máy tính. Nó trực quan, dễ học và dễ dùng, đồng thời vẫn rất mạnh để giải các bài toán phức tạp. Python cung cấp thư viện chuẩn phong phú và nhiều mô-đun hữu ích bổ sung, và liên tục được phát triển, cải tiến và mở rộng.

R

R là ngôn ngữ lập trình phổ biến và phần mềm miễn phí được dùng rộng rãi để giải quyết các bài toán khoa học dữ liệu và học máy, đặc biệt nổi tiếng với sức mạnh tính toán thống kê và giải pháp trực quan hóa dữ liệu tuyệt vời. Nó bao gồm nhiều công cụ và gói khoa học dữ liệu, có thể dùng trên nhiều hệ điều hành, và có cộng đồng trực tuyến mạnh mẽ.

Random Forest

Random Forest là thuật toán học có giám sát dùng cho bài toán hồi quy hoặc phân loại, kết hợp đầu ra của nhiều cây quyết định trong một mô hình. Các dự đoán của rừng ngẫu nhiên về bản chất là trung bình của kết quả từ tất cả cây quyết định, do đó thuật toán này cho kết quả chính xác hơn so với chỉ một cây quyết định đơn lẻ.

Recall

Recall là chỉ số đánh giá dùng để ước tính hiệu suất mô hình học máy, thể hiện tỷ lệ giữa số trường hợp dương tính được dự đoán đúng trên tổng số trường hợp dương tính thực tế.

Regression

Hồi quy là bài toán học có giám sát khi cần dự đoán kết quả liên tục dựa trên đặc trưng đầu vào. Mô hình hồi quy học mối quan hệ giữa một hoặc vài đặc trưng độc lập và biến mục tiêu, rồi dùng hàm đã thiết lập để dự đoán dữ liệu chưa thấy. Ví dụ về thuật toán hồi quy gồm hồi quy tuyến tính và hồi quy Ridge. Một bài toán hồi quy điển hình là dự đoán giá.

Reinforcement Learning (RL)

Học tăng cường (RL) là một nhánh độc lập của học máy (không phải có giám sát cũng không phải không giám sát) trong đó thuật toán dần học bằng cách tương tác với môi trường. RL ra quyết định dựa trên kinh nghiệm quá khứ về những hành động nào có thể đưa nó đến gần mục tiêu đã đặt hơn. Bằng cách nhận thưởng cho hành động đúng và phạt cho hành động sai, thuật toán tìm ra chiến lược tối ưu để tối đa hóa hiệu suất. Ví dụ về thuật toán RL gồm các hệ thống học máy chơi game như động cơ cờ vua và tác tử trò chơi điện tử.

Relational Database

Cơ sở dữ liệu quan hệ là loại cơ sở dữ liệu lưu dữ liệu trong nhiều bảng có liên hệ với nhau thông qua các ID (khóa) duy nhất, từ đó dữ liệu có thể được truy cập, trích xuất, tóm tắt hoặc lắp ghép lại theo nhiều cách.

Root Mean Squared Error (RMSE)

Lỗi bình phương trung bình căn (RMSE) là căn bậc hai của lỗi bình phương trung bình. Chỉ số đánh giá này trực quan hơn MSE vì kết quả dùng cùng đơn vị đo với dữ liệu gốc, nên dễ hiểu hơn.

S

Sampling Error

Sai số lấy mẫu là khác biệt thống kê giữa toàn bộ quần thể dữ liệu và tập con của nó (mẫu), do mẫu không bao gồm tất cả phần tử của toàn bộ quần thể.

SQL

SQL (structured query language) là ngôn ngữ lập trình được thiết kế để tương tác với hệ quản trị cơ sở dữ liệu quan hệ (RDBMS). SQL có nhiều biến thể, gồm SQLite, PostgreSQL và MySQL. Một số là miễn phí và mã nguồn mở. Tất cả biến thể có cú pháp khá giống nhau, chỉ khác nhỏ ở chức năng bổ sung.

Standard Deviation

Độ lệch chuẩn là căn bậc hai của phương sai của một quần thể. Độ lệch chuẩn cho thấy mức độ phân tán của các giá trị và trực quan hơn phương sai vì cùng đơn vị đo với dữ liệu.

Supervised Learning

Học có giám sát là nhánh của học máy quan tâm đến việc huấn luyện mô hình trên tập huấn luyện có nhãn của dữ liệu lịch sử. Học có giám sát học mối quan hệ giữa đầu vào và đầu ra rồi đo mức độ chính xác khi dự đoán đầu ra cho tập kiểm tra có đầu ra thực đã biết. Bằng cách này, nó có thể được dùng sau đó để dự đoán trên dữ liệu hoàn toàn mới. Thuật toán học có giám sát gồm hồi quy tuyến tính và logistic, cây quyết định và SVM. Ví dụ nhiệm vụ phổ biến gồm dự đoán giá nhà và phân loại tin nhắn là spam hay không.

SVM

SVM (Support Vector Machine) là thuật toán học có giám sát chủ yếu dùng cho phân loại, nhưng cũng cho hồi quy. Trong bài toán phân loại, SVM cung cấp siêu phẳng tối ưu tách các quan sát của cả hai lớp (trong trường hợp phân loại đa lớp, thuật toán chia vấn đề thành tập các bài toán nhị phân). Trong bài toán hồi quy, SVM cung cấp siêu phẳng khớp tốt nhất trong một ngưỡng xác định.

Synthetic Data

Dữ liệu tổng hợp là dữ liệu được tạo nhân tạo. Dữ liệu tổng hợp thường phản ánh các thuộc tính thống kê của bộ dữ liệu ban đầu, do đó có thể dùng trong các lĩnh vực yêu cầu bảo mật cao như ngân hàng và chăm sóc sức khỏe, hoặc để bổ sung một bộ dữ liệu hiện có bằng các quan sát dữ liệu bổ sung mang tính đại diện thống kê.

T

Target Variable

Biến mục tiêu (còn gọi là biến phụ thuộc) là biến cần được dự đoán trong một thuật toán học máy bằng cách sử dụng các đặc trưng; ví dụ nếu dự đoán khả năng mắc tiểu đường bằng chiều cao, cân nặng và lượng đường nạp, thì trạng thái tiểu đường là biến mục tiêu ta muốn dự đoán.

Test Set

Tập kiểm tra là tập con của dữ liệu sẵn có được tách ra trước khi xây dựng mô hình, thường chiếm từ 20 đến 30% toàn bộ bộ dữ liệu. Tập kiểm tra được dùng để đánh giá độ chính xác của các mô hình được huấn luyện trên tập huấn luyện.

Time Series

Dãy thời gian là chuỗi các quan sát của một biến được lấy ở các thời điểm khác nhau và sắp theo thứ tự thời gian. Thông thường, phép đo dãy thời gian được lấy tại các điểm thời gian liên tiếp, cách đều nhau. Ví dụ về dãy thời gian là giá thị trường chứng khoán hoặc nhiệt độ trong một khoảng thời gian nhất định.

Training Set

Tập huấn luyện là tập con của dữ liệu sẵn có được tách ra trước khi xây dựng mô hình, thường chiếm từ 70 đến 80% toàn bộ bộ dữ liệu. Tập huấn luyện dùng để khớp mô hình, mô hình này sau đó sẽ được kiểm tra trên tập kiểm tra.

True Negative (TN)

Âm tính thật (TN) là kết quả khi mô hình dự đoán đúng lớp âm cho biến mục tiêu nhị phân (tức dự đoán “Sai” cho nhãn thực là Sai).

True Positive (TP)

Dương tính thật (TP) là kết quả khi mô hình dự đoán đúng lớp dương cho biến mục tiêu nhị phân (tức dự đoán “Đúng” cho nhãn thực là Đúng).

U

Underfitting

Khớp thiếu là khi mô hình không thể nhận ra các mẫu từ tập huấn luyện vì được xây dựng trên thông tin không đủ. Kết quả là mô hình quá đơn giản và không hoạt động tốt trên dữ liệu chưa thấy, cũng như trên chính tập huấn luyện. Mô hình khớp thiếu có thiên lệch cao.

Univariate Modeling

Mô hình hóa đơn biến là quá trình mô hình hóa mối quan hệ giữa một biến duy nhất (biến dự báo) và biến mục tiêu. Mô hình hóa đơn biến thường được dùng với dãy thời gian.

Unstructured Data

Dữ liệu phi cấu trúc là bất kỳ dữ liệu nào không phù hợp với cấu trúc được xác định trước như cấu trúc hàng-cột điển hình của cơ sở dữ liệu. Ví dụ về dữ liệu như vậy là hình ảnh, email, tài liệu văn bản, video và âm thanh.

Unsupervised Learning

Học không giám sát là lớp thuật toán học máy học cấu trúc ẩn của bộ dữ liệu mà không được cung cấp biến mục tiêu. Học không giám sát được dùng để khám phá các mẫu chung trong dữ liệu, nhóm các giá trị dựa trên thuộc tính của chúng, rồi sau đó dự đoán trên dữ liệu chưa thấy. Thuật toán học không giám sát phổ biến nhất là k-means. Ví dụ nhiệm vụ phổ biến là phát hiện bất thường và phân khúc khách hàng dựa trên đặc điểm chung.

V

Variance

Phương sai là trung bình bình phương độ lệch giữa các giá trị riêng lẻ và trung bình của toàn bộ tập giá trị trong toán học và thống kê. Nói cách khác, phương sai cho thấy mức độ phân tán của các giá trị. Trong học máy, phương sai là sai số gây ra bởi sự nhạy cảm của mô hình với biến thiên nhỏ trong tập huấn luyện. Phương sai cao phản ánh xu hướng mô hình học nhiễu ngẫu nhiên từ đặc trưng đầu vào dẫn đến khớp quá mức.

W

Web Scraping

Web scraping là quá trình trích xuất dữ liệu cụ thể từ các trang web để sử dụng tiếp theo. Web scraping có thể được thực hiện tự động bằng cách viết chương trình thu thập thông tin cần thiết từ website.

Z

Z-Score

Z-Score (còn gọi là điểm chuẩn hóa, điểm tiêu chuẩn, hoặc điểm chuẩn thường) là số đơn vị độ lệch chuẩn mà giá trị của một quan sát dữ liệu nằm cao hơn hoặc thấp hơn giá trị trung bình của toàn bộ tập giá trị. Z-score bằng 0 nghĩa là quan sát dữ liệu gần với trung bình.

Chủ đề

Khoa học Dữ liệu Năng lực Dữ liệu