Module 4 - Tuần 2: Tree Series Tiếp Tục – Gradient Boosting, XGBoost & FastAPI Deployment

🎉 Chào mừng đến với blog Tuần 2 của team Time Series – Module 4!

🌟 Giới thiệu

Sau khi “làm bạn” với Random Forest và AdaBoost ở tuần trước, tuần này series Tree-based models tiếp tục với hai cao thủ đình đám: Gradient Boosting và XGBoost.

Điểm đặc biệt của tuần này:

• Gradient Boosting: đi từ ví dụ tính tay từng bước để hiểu rõ cơ chế “fit residuals”, rồi code lại với scikit-learn, kèm phần Behind the Scenes (giải thích nội bộ: residual = negative gradient, leaf value từ minimization).
• XGBoost: đào sâu Behind the Scenes hơn nữa — công thức Taylor bậc 2, similarity score, regularization — và áp dụng cho regression, classification, time series.
• FastAPI: một ngày “MLOps nhẹ nhàng” để học cách biến model thành web API với CRUD, response model, và mini case study “Fashion Detection App”.

📅 Lịch trình tuần học

🗓️ Thứ Ba - 09/09/2025
🔍 Warm-up: Gradient Boosting cơ bản (Extra Class)
Giảng viên: TA Đình Thắng

• Ôn lại decision tree, supervised learning.
• Làm ví dụ tính tay step-by-step cho regression (MSE) và classification (logistic loss).
• Thấy rõ từng bước: khởi tạo F0 (mean/log-odds), tính pseudo-residuals, chọn split, tính leaf value, update model.

🗓️ Thứ Tư - 10/09/2025
🧠 Gradient Boosting – Lý thuyết & ứng dụng (Main Session)
Giảng viên: Dr. Đình Vinh

• Gradient Boosting cho regression & classification: loss, gradient, leaf output.
• Phần Behind the Scenes: tại sao residual = negative gradient, tại sao dùng Taylor approximation để xấp xỉ loss.
• Ứng dụng vào time series forecasting: walk-forward CV, rolling vs expanding window, đánh giá bằng MAE/MSE/MAPE.

🗓️ Thứ Năm - 11/09/2025
⚡ Triển khai ML model với FastAPI (Basic MLOps)
Giảng viên: TA Đăng Nhã

• Từ khái niệm API (request/response, client-server) → ASGI & Uvicorn.
• Hiểu async/await để code concurrent.
• CRUD với FastAPI: routing, Pydantic models, status codes, /docs & /redoc.
• Case study: Fashion Detection App – dựng endpoint cho mô hình object detection, gửi ảnh → trả bounding boxes.

🗓️ Thứ Sáu - 12/09/2025
🚀 XGBoost (1) (Main Session)
Giảng viên: Dr. Đình Vinh

• XGBoost cho regression & classification.
• Behind the Scenes: công thức Taylor bậc 2 (gradient + Hessian), similarity score để chọn split, leaf output.
• Regularization: λ (L2), γ (min split loss), shrinkage (learning rate).
• Handling missing values, ứng dụng cho time series.

🗓️ Thứ Bảy - 13/09/2025
📊 Project Time-series: PG&E Energy Analytics Challenge
Giảng viên: PhD-c Võ Nguyên

• Tìm hiểu data năng lượng, đặc trưng seasonal/winter-summer.
• Thử nghiệm Decision Tree, Random Forest, XGBoost.
• So sánh ưu/nhược điểm từng cách, chọn chiến lược tốt cho dự báo.

🗓️ Chủ Nhật - 14/09/2025
💪 Exercise Session: Gradient Boosting & XGBoost
Giảng viên: TA Quốc Thái

• Ôn tập trọng tâm tuần.
• Làm bài tập tổng hợp regression, classification, time series.
• Củng cố hiểu biết qua hands-on coding.

🎯 Mục tiêu học tập

📌 Gradient Boosting

• Hiểu cơ chế boosting stage-wise: mỗi cây fit pseudo-residuals.
• Làm ví dụ tay cho regression (MSE) & classification (logistic).
• Biết cách kiểm soát overfit bằng learning rate, depth nhỏ, subsample.
• Hiểu Behind the Scenes: residual = negative gradient, leaf value từ minimization/Taylor.
• Áp dụng cho time series với walk-forward CV.

📌 XGBoost

• Hiểu công thức Taylor bậc 2 (gradient + Hessian).
• Biết cách tính Similarity Score, leaf value.
• Nắm vai trò regularization (λ, γ).
• Xử lý missing values và ứng dụng cho dữ liệu time series.

📌 FastAPI Deployment

• Hiểu khái niệm API, ASGI, async/await.
• Viết CRUD endpoints, dùng Pydantic để validate input/output.
• Biết dựng response model, status code chuẩn.
• Triển khai mini-app cho mô hình ML.

📂 Tài liệu đi kèm:

🧠 Repository managed by Time Series Team Hub