📘 Study Guide – Module 6, Week 1

Chủ đề chính: Logistic Regression & Loss / Metrics cho Regression

Tuần này tập trung vào ba trục kiến thức chính:

1. Từ Linear Regression → Logistic Regression (mô hình hoá xác suất và phân loại).
2. Loss function cho Logistic/Regression (MSE, BCE) và cách cài đặt bằng vector/matrix + NumPy.
3. Metrics cho Regression và hướng nghiên cứu mở rộng (buổi thứ 7 – liên kết sang bài blog chi tiết).

🎯 Mục tiêu học tập

Sau tuần 1 của Module 6, học viên sẽ:

• Hiểu quy trình xây dựng mô hình Logistic Regression:
  • Từ trực giác của Linear Regression.
  • Cách chuyển sang bài toán phân loại khi label là category (0/1).
• Nắm được sự khác nhau giữa:
  • Loss function dùng để train mô hình (MSE, BCE).
  • Evaluation metrics dùng để đánh giá sau khi train (MAE, RMSE, \(R^2\), v.v. – với regression).
• Biết sử dụng vector/matrix và NumPy để cài đặt Logistic Regression cho nhiều sample.
• Có cái nhìn ban đầu về MLOps với Airflow: lập lịch và quản lý các tác vụ cho pipeline AI.
• Hiểu bức tranh lớn về metrics cho regression và những thách thức nghiên cứu hiện tại.

📅 Lịch học chi tiết

1️⃣ Thứ 3 (04/11/2025) – Warm-up Logistic cơ bản

Buổi: Warm-up Instructor: TA Quốc Thái

Nội dung:

• Ôn/nhắc lại các bước trong quy trình Logistic Regression:
  • Chuẩn bị dữ liệu, chia train/test.
  • Xây dựng mô hình logistic cho bài toán nhị phân.
  • Tối ưu tham số bằng gradient descent.
• Làm ví dụ tính tay đơn giản:
  • Tính logit, sigmoid, và cập nhật tham số trong 1–2 bước gradient.
  • Giúp học viên “cảm” được mô hình, không chỉ nhìn code.

2️⃣ Thứ 4 (05/11/2025) – From Linear Regression to Logistic Regression

Buổi: Học chính Instructor: Dr. Quang Vinh

Nội dung:

• Thảo luận câu hỏi:

  “Khi nhãn là category (0/1) thì linear regression gặp vấn đề gì?”

• So sánh:
  • Linear Regression vs Logistic Regression về:
    • Miền giá trị dự đoán (ℝ vs (0,1)).
    • Ý nghĩa dự đoán (giá trị liên tục vs xác suất).
• Giải bài toán logistic với:
  • Hàm loss MSE (Mean Squared Error) – trực giác dễ hiểu nhưng không phù hợp.
  • Hàm loss BCE (Binary Cross Entropy) – chuẩn hơn cho classification:
    • Liên quan đến maximum likelihood.
    • Gradient ổn định hơn, hội tụ tốt hơn.

3️⃣ Thứ 5 (06/11/2025) – MLOps với Airflow

Buổi: MLOps Instructor: TA Dương Thuận

Nội dung:

• Giới thiệu khái niệm MLOps:
  • Tự động hoá pipeline AI: ETL → Train → Evaluate → Deploy → Monitor.
• Làm quen với Apache Airflow:
  • DAG, task, scheduling.
• Thảo luận:
  • Cách lập lịch các tác vụ cho một chương trình AI đang chạy (training định kỳ, re-training, batch inference, báo cáo).
• Demo minh hoạ:
  • Xây một DAG nhỏ cho pipeline AI (ví dụ: tải dữ liệu → train logistic → log kết quả).

4️⃣ Thứ 6 (07/11/2025) – Advanced Logistic Regression

Buổi: Học chính Instructor: Dr. Quang Vinh

Nội dung:

• Mở rộng Logistic Regression lên nhiều sample:
  • Viết lại mô hình bằng vector/matrix, không còn tính từng điểm riêng lẻ.
• Cài đặt bằng NumPy:
  • Vector hoá forward pass: \( \hat{y} = \sigma(Xw + b) \).
  • Vector hoá gradient, cập nhật tham số.
• Kết nối với thực hành:
  • Từ công thức tay → code Python → kiểm tra lại bằng ví dụ nhỏ.

5️⃣ Thứ 7 (08/11/2025) – Metric for Regression

Buổi: Nâng cao Instructor: Dr. Đình Vinh

Nội dung:

• Thảo luận các cách đo lường độ chính xác cho mô hình regression:
  • Sai số tuyệt đối (MAE), sai số bình phương (MSE, RMSE).
  • Hệ số tương quan \(R\), \(R^2\), Adjusted \(R^2\), VAF.
  • Các metric chuẩn hoá (MAPE, MASE, RMSSE, v.v.).
• Làm ví dụ:
  • Tính tay MAE, RMSE cho bộ dữ liệu nhỏ.
  • Phân tích trường hợp có outlier: tại sao RMSE nhảy rất mạnh, MAE thì “hiền” hơn.
• Thảo luận các thách thức & hướng nghiên cứu:
  • Khi metric đánh lừa ta (benchmark quá tốt, dữ liệu nhiều số 0, dữ liệu đa chuỗi,…).
  • Chọn metric nào cho đúng với mục tiêu business.

🔗 Tài liệu đọc thêm / Pre-reading cho buổi thứ 7: 👉 Bài viết: Các Thước Đo Đánh Giá Mô Hình Hồi Quy (Evaluation Metrics for Regression) (thay đường dẫn trên bằng link thực tế trên website của bạn)

6️⃣ Chủ nhật (09/11/2025) – Logistic Regression Exercise

Buổi: Học chính (luyện tập) Instructor: TA Đình Thắng

Nội dung:

• Ôn nhanh:
  • Nội dung buổi thứ 4: From Linear → Logistic, MSE vs BCE.
  • Nội dung buổi thứ 6: Vector hoá Logistic Regression + NumPy.
• Giải bài tập:
  • Bài tập tính tay nhỏ để củng cố lý thuyết.
  • Bài tập code (Python/NumPy) cho logistic nhiều sample.
  • Thảo luận cách debug khi mô hình không hội tụ / accuracy thấp.

📚 Gợi ý học trước & sau mỗi buổi

• Trước Thứ 4 & Thứ 6:
  • Ôn lại kiến thức linear regression, đạo hàm cơ bản, vector/matrix.
• Trước Thứ 7:
  • Đọc lướt bài blog về metric cho regression: Các Thước Đo Đánh Giá Mô Hình Hồi Quy (đặc biệt phần MAE vs RMSE, MAPE, MASE/RMSSE).
• Sau Chủ nhật:
  • Tự cài lại logistic regression từ 0 (không dùng thư viện cao cấp),
  • Thử thay loss function và metric đánh giá, xem mô hình thay đổi như thế nào.

🧠 Lời nhắn cuối tuần

Tuần này là cầu nối giữa:

• Toán & trực giác (logistic, loss, vector/matrix),
• Kỹ thuật triển khai (MLOps với Airflow),
• Cách đánh giá mô hình (metrics cho regression).

Đừng chỉ “chạy code cho ra kết quả”, hãy tự hỏi:

“Mô hình của mình đang tối ưu cái gì? Và mình đang đánh giá nó bằng thước đo nào?”

Nếu hai thứ này lệch nhau, mô hình có thể “đẹp trên giấy, xấu trong thực tế”. Tuần 1 – Module 6 là lúc chúng ta học cách tránh bẫy đó. 🚀

📂 Tài liệu đi kèm: