Module 5 - Tuần 3: Genetic Algorithms & XAI (SHAP)

🎓 All-in-One Course 2025 – aivietnam.edu.vn
📘 Study Guide: Module 5 – Week 3
🧬 Chủ đề: Genetic Algorithms & Explainable AI (SHAP)

💡 Tuần này, ta chính thức bước vào thế giới của các giải thuật tiến hóa — nơi quá trình “chọn lọc tự nhiên” được mô phỏng trong lập trình.
Bên cạnh đó, phần mở rộng XAI tuần này sẽ đi sâu vào SHAP — phương pháp giải thích mô hình bằng giá trị đóng góp từng feature.

📅 Lịch trình học và nội dung chính

🧩 Thứ 3 – Ngày 14/10/2025

(Buổi warm-up – TA Dương Thuận)

Chủ đề: Genetic Algorithm cơ bản
Nội dung:

• Thảo luận các bước trong giải thuật di truyền (khởi tạo quần thể, chọn lọc, lai ghép, đột biến, đánh giá).
• Cài đặt bằng Python cơ bản (dùng List).
• Thực hành minh họa tiến trình tiến hóa quần thể qua các thế hệ.

⚙️ Thứ 4 – Ngày 15/10/2025

(Buổi học chính – Dr. Quang Vinh)

Chủ đề: Randomness và Ứng dụng trong Tối ưu hóa
Nội dung:

• Phân tích quy luật và sự kiểm soát hệ thống ngẫu nhiên trong tối ưu hóa.
• Ứng dụng randomness trong bài toán tìm cực trị và tránh local minima.
• Cài đặt bằng List và Numpy, so sánh các hàm ngẫu nhiên random(), randint(), choice(), shuffle() trong GA.

☁️ Thứ 5 – Ngày 16/10/2025

(Buổi MLOps – TA Quang Tuấn)

Chủ đề: AWS trong MLOps
Nội dung:

• Tổng quan MLOps dùng Cloud.
• Thảo luận ví dụ thực tế với AWS EC2, S3, ECR và ECS.
• Giới thiệu cách container hóa quy trình huấn luyện GA và lưu trữ mô hình.

🧠 Thứ 6 – Ngày 17/10/2025

(Buổi học chính – Dr. Đình Vinh)

Chủ đề: Genetic Algorithms và Ứng dụng
Nội dung:

• Phân tích sâu các thành phần GA: biểu diễn gene, fitness function, selection, crossover, mutation.
• Ứng dụng GA cho các bài toán tối ưu hóa (tối đa hóa hàm, tìm tham số tốt nhất) và dự đoán (feature selection, hyperparameter tuning).
• Minh họa quy trình “tiến hóa hội tụ” qua đồ thị Fitness vs Generation.

🔍 Thứ 7 – Ngày 18/10/2025

(Buổi XAI – Dr. Đình Vinh)

Chủ đề: Giải thuật SHAP trong Explainable AI
Nội dung:

• Giới thiệu phương pháp SHAP (SHapley Additive exPlanations) trong XAI.
• Phân tích cách SHAP giúp giải thích dự đoán của mô hình dựa trên giá trị đóng góp từng feature.
• Làm ví dụ minh họa: SHAP cho mô hình Regression & Tree-based.
• Hướng dẫn cài đặt shap library và hiển thị biểu đồ đóng góp.

🎯 Chủ nhật – Ngày 19/10/2025

(Buổi ôn tập – TA Đình Thắng)

Chủ đề: Genetic Algorithms – Exercise
Nội dung:

• Ôn nhanh nội dung trọng tâm buổi thứ 4 và thứ 6.
• Giải bài tập lập trình GA (các phép chọn lọc, lai ghép, đột biến).
• Thảo luận chiến lược hội tụ và cải tiến hiệu năng GA.

📌 Điểm nhấn và kiến thức chính

✅ Genetic Algorithms – Tối ưu hóa qua tiến hóa

• Cấu trúc cơ bản của GA: Population → Selection → Crossover → Mutation → Next Generation
• Hiểu rõ cách xây dựng fitness function và các cơ chế chọn lọc (roulette wheel, tournament, rank).
• Ứng dụng trong tối ưu hóa tham số mô hình, bài toán tìm kiếm, và học máy.

✅ Randomness & Control

• Sự cân bằng giữa ngẫu nhiên và kiểm soát là chìa khóa trong tối ưu hóa tiến hóa.
• Randomness giúp khám phá không gian nghiệm; deterministic giúp hội tụ ổn định.

✅ MLOps với AWS

• Tích hợp MLOps trên Cloud: EC2 (Compute), S3 (Storage), ECR/ECS (Container & Deployment).
• Quản lý pipeline huấn luyện và deploy mô hình GA ở quy mô lớn.

✅ Explainable AI – SHAP

• Phân tích và giải thích kết quả mô hình bằng giá trị Shapley.
• So sánh SHAP với LIME và ANCHOR: SHAP mang tính nhất quán và có nền tảng lý thuyết từ game theory.
• Minh họa cách trực quan hóa SHAP summary plot và dependence plot.

📚 Tài liệu đi kèm

🧠 Repository managed by AI Vietnam Team Hub
📍 Blog thuộc series All-in-One Course 2025 – chương trình đào tạo toàn diện AI, Data Science, và MLOps tại aivietnam.edu.vn