Google Colaboratory (hay còn gọi là "Colab") là một nền tảng miễn phí của Google cho phép chúng ta có thể viết và thực thi Python trong trình duyệt một cách nhanh gọn và tiện lợi. Đặc biệt, Colab hỗ trợ liên kết với tài khoản Google và cung cấp quyền truy cập hoàn toàn miễn phí vào GPU và TPU mà không yêu cầu cấu hình phức tạp trên máy cá nhân cũng như dễ dàng chia sẻ mã nguồn với cộng đồng.

Dưới đây là 1 số mẹo để các bạn có thể tận dụng tối đa Colab bản miễn phí khi viết và thực thi đoạn mã Python thông qua trình duyệt phục vụ cho công việc phân tích dữ liệu, xây dựng mô hình và giáo dục. Để khởi tạo một notebook, các bạn truy cập vào đường link sau: colab.research.google.com.

Khi xây dựng 1 mô hình học máy (ML) chắc hẳn chúng ta đều quen thuộc với việc sử dụng chỉ số quan trọng của các đặc trưng (feature importance) để lựa chọn đặc trưng cho mô hình. Chỉ số này giúp chúng ta biết điều gì quan trọng với mô hình, tuy nhiên, các bạn đã bao giờ thắc mắc những đặc trưng này liên quan như thế nào đến các dự đoán của mô hình?

Ví dụ trong bài toán dự đoán giá nhà, kinh độ và vĩ độ có ảnh hưởng như thế nào đến giá nhà? Những ngôi nhà có cùng kích thước ở các vị trí khác nhau liệu có giá khác nhau? Hay những ngôi nhà khác kích thước trên cùng khu vực liệu giá sẽ thay đổi như thế nào?

Partial Dependence Plot (PDP) hay còn gọi là Biểu đồ Phụ thuộc Từng phần sẽ giúp chúng ta trả lời những câu hỏi trên.

Tiếp nối hành trình tìm hiểu về XAI cùng ZootoPi (tham khảo bài trước về XAI - Chiếc hộp đen phía sau AI), 1 phút hôm nay hãy cùng chúng mình phân loại các phương pháp diễn giải 1 mô hình học máy. Cấu trúc của việc giải thích 1 mô hình học máy có thể được xác định bằng nhiều cách khác nhau dựa vào mục đích, thời điểm, hay tính ứng dụng, nhưng phần lớn đều có thể được phân chia theo 3 nhóm chính:

• Nội tại (intrinsic) hay hậu tại (post-hoc)?
• Mô hình bất khả tri (model-agnostic) hay Mô hình cụ thể (model-specific)?
• Cục bộ (local) hay toàn cục (global)?

Sau 1 thời gian vắng bóng team ZootoPi chúng mình đã quay lại và hứa hẹn sẽ lợi hại hơn xưa. Mở đầu năm mới, hãy cùng chúng mình dành 1 phút để tìm hiểu về một trong những lĩnh vực không quá mới nhưng đang rất được quan tâm hiện nay - XAI (hay còn gọi là Explainable AI - Diễn giải AI).

Những năm gần đây, các thuật toán học máy (ML) và học sâu (DL) ngày càng được ứng dụng trong nhiều lĩnh vực từ y tế, kinh tế, đến tài chính. Các thuật toán liên tục được cải tiến phức tạp hơn để đạt được hiệu quả tối ưu trong hiệu suất cũng như độ chính xác. Tuy khả năng dự đoán mạnh mẽ hơn, các mô hình này vẫn được xem như các hộp đen (black boxes) với hàng loạt phân vân đến từ người dùng như: Làm sao để biết tại sao AI lại đưa ra quyết định này mà không phải quyết định khác? Khi nào thì mô hình dự đoán thành công? Khi nào thất bại? Khi nào có thể tin vào dự đoán của AI?

Nếu bạn hay theo dõi và cập nhật những tin tức về công nghệ và lập trình thì hẳn bạn đã biết về một công cụ lập trình AI mới mang tên Copilot vừa được GitHub chính thức trình làng trong thời gian vừa qua. Nếu bạn chưa biết thì đừng lo lắng vì trong blog này, ZootoPi sẽ giới thiệu cho các bạn về Copilot, người bạn đồng hành hứa hẹn sẽ hỗ trợ anh em code cực kì bá đạo.