Mục tiêu: Cho máy tính dữ liệu số giờ học → điểm thi, sau đó yêu cầu máy dự đoán điểm của một học sinh mới.

1. Bài toán

Chúng ta có Dataset:

Chúng ta muốn AI học được quy luật: Số giờ học tăng -> Điểm thường tăng

Sau đó hỏi: Nếu học 6 giờ, dự đoán điểm khoảng bao nhiêu?

2. Xác định Feature và Label

Feature: Số giờ học

Label: Điểm

Trong Python, chúng ta biểu diễn:

X = [1, 2, 3, 4, 5]
y = [45, 55, 65, 75, 85]

Ở đây:

X → Feature
y → Label

Bạn sẽ gặp cách đặt tên này rất thường xuyên trong Machine Learning.

3. Cài thư viện Machine Learning

Chúng ta sẽ sử dụng scikit-learn.

Nếu máy bạn đã cài Python, mở Terminal/CMD:

pip install scikit-learn

Sau đó kiểm tra:

python --version

Ví dụ:

Python 3.13.x

4. Model đầu tiên

Chúng ta sử dụng một thuật toán rất cơ bản:

Linear Regression – Hồi quy tuyến tính

Ý tưởng đơn giản:

X → Model → y

Model cố gắng tìm một đường phù hợp với dữ liệu.

Với dữ liệu của chúng ta:

1 giờ → 45
2 giờ → 55
3 giờ → 65
4 giờ → 75
5 giờ → 85

Có thể hình dung:

Model sẽ tìm ra mối quan hệ gần giống:

Điểm ≈ 10 × Số giờ + 35

5. Code Machine Learning đầu tiên

from sklearn.linear_model import LinearRegression

# 1. Feature
X = [[1], [2], [3], [4], [5]]

# 2. Label
y = [45, 55, 65, 75, 85]

# 3. Tạo model
model = LinearRegression()

# 4. Training
model.fit(X, y)

# 5. Dự đoán học 6 giờ
prediction = model.predict([[6]])

print("Dự đoán:", prediction[0])

Kết quả sẽ xấp xỉ:

Dự đoán: 95.0

Đây chính là Machine Learning.

Bạn vừa:

Dataset
  ↓
Feature + Label
   ↓
Model
   ↓
Training
   ↓
Prediction

6. Giải thích từng dòng

Dòng 1

from sklearn.linear_model import LinearRegression

Chúng ta lấy thuật toán Linear Regression từ Scikit-learn.

Dòng 2

X = [[1], [2], [3], [4], [5]]

Đây là Feature.

Tại sao lại viết:

[[1], [2], [3]]

mà không viết:

[1, 2, 3]

Vì Scikit-learn thường mong đợi dữ liệu Feature có dạng:

[sample, feature]

Ví dụ:

[[1],[2],[3],[4],[5]]

Có 5 mẫu, mỗi mẫu có 1 feature.

Dòng 3

y = [45, 55, 65, 75, 85]

Đây là Label.

Có 5 Feature thì có 5 Label tương ứng:

7. Tạo Model

model = LinearRegression()

Ở đây chúng ta tạo một Machine Learning Model.

Nhưng lúc này model chưa học gì cả.

Giống như một học sinh mới bắt đầu học.

8. Training

model.fit(X, y)

Đây là dòng quan trọng nhất.

.fit() nghĩa là:

Cho model học từ dữ liệu.

Model nhận:

X = Số giờ học

y = Điểm

và tìm ra mối quan hệ giữa chúng.

9. Prediction

Sau khi học xong:

prediction = model.predict([[6]])

Chúng ta đưa vào:

6 giờ

Model trả về:

≈ 95 điểm

Đây gọi là:

Prediction – dự đoán.

10. Model thực sự học được gì?

Đây là phần rất thú vị.

Linear Regression cố gắng tìm công thức:

y = ax + b

Trong đó:

x = số giờ học
y = điểm
a = hệ số
b = điểm bắt đầu

Bạn có thể xem model học được:

print("Hệ số:", model.coef_)

print("Intercept:", model.intercept_)

Kết quả gần như:

Hệ số: [10.]

Intercept: 35.0

Tức là model học được:

Điểm = 10 × Số giờ học + 35

Kiểm tra:

1 giờ → 10 × 1 + 35 = 45
2 giờ → 10 × 2 + 35 = 55
3 giờ → 10 × 3 + 35 = 65

Và:

6 giờ → 10 × 6 + 35 = 95

11. Nhưng đây có thật sự là AI không?

Có, đây là một ví dụ rất đơn giản của Machine Learning, và Machine Learning là một nhánh của AI.

Tuy nhiên, đừng nhầm:

Machine Learning không nhất thiết phải là những hệ thống cực kỳ phức tạp như ChatGPT.

Nó có thể bắt đầu từ một bài toán rất đơn giản:

rồi dần dần trở nên phức tạp hơn.

12. Từ ví dụ nhỏ đến AI thực tế

Ví dụ hôm nay:

1 Feature
    ↓
Linear Regression
    ↓
1 Prediction

Sau này có thể là:

100 Features
      ↓
Machine Learning
      ↓
Dự đoán doanh số

Hoặc:

Hàng triệu dữ liệu
     ↓
Deep Learning
      ↓
Nhận diện hình ảnh

Hoặc:

Hàng tỷ token
     ↓
Transformer
     ↓
Large Language Model
     ↓
ChatGPT

Bạn đang đi từ viên gạch đầu tiên.

🧠 Kiến thức cần nhớ sau Bài 4

Bạn cần thuộc 5 dòng này:

X = Feature
y = Label
model.fit(X, y)
        ↓
     Training
model.predict(...)
        ↓
    Prediction

Và quy trình:

Dataset
  ↓
Feature + Label
   ↓
Training
   ↓
Model
   ↓
Prediction

🎯 Bài tập Bài 4

Không cần dùng dữ liệu điểm thi nữa. Hãy thử tự xây một model dự đoán:

Số giờ học → điểm thi

Nhưng lần này Dataset là:

Giờ học: 1, 2, 3, 4, 5, 6

Điểm: 40, 50, 60, 70, 80, 90

Hãy sửa code để model dự đoán:

Học 8 giờ thì được bao nhiêu điểm?

Gợi ý

Bạn chỉ cần thay:

X = ...
y = ...

và:

model.predict([[8]])

Đừng lo nếu chưa tự viết được. Mục tiêu của Bài 4 là bạn bắt đầu hiểu rằng Machine Learning thực chất là:

Đưa dữ liệu vào → cho Model học → đưa dữ liệu mới vào → Model dự đoán.

Xây một mô hình Machine Learning đầu tiên bằng Python