4.0.1 Cùng xây dựng Model Machine Learning với Bêta và Bít: Phiên bản R

Th i được, tất cả c c model dự đo n (predictive models) đều tr ng c vẻ ổn, nhưng l m c ch n o ch ng ta c thể x y dựng c c model một c ch đ ng tin cậy hơn? Đ y ch nh l c u hỏi t i thường được hỏi bởi c c nh khoa học dữ liệu ở những mức độ kinh nghiệm kh c nhau. C u hỏi c vẻ đơn giản, nhưng đồng thời cũng rất th ch thức bởi v c rất nhiều luồng quan điểm v mối quan t m kh c nhau từ những người li n quan. Những người x y dựng model thường tập trung v o việc huấn luyện model (training model) một c ch tự động, kiểm so t hiệu năng, debug v những hoạt động duy tr cả hệ thống từ dữ liệu đến tối ưu hiệu năng phần cứng v cải tiến model (MLOps). Người sử dụng model phần nhiều thường hứng th hơn với những c u hỏi về từ đ u m model cho ra kết quả dự đo n như vậy (explainability) hoặc những đ i hỏi nhất định để hiểu được b n trong model hoạt động như thế n o (transparency) v mức độ "ph ng thủ" (security) của m h nh trước những tấn c ng, v dụ như từ dữ liệu k m chất lượng. Về ph a x hội, những mối quan t m thường l model c c ng bằng hay thi n vị (fairness hay bias), v dụ m h nh c ưu ti n cho một nh m người nhỏ trong x hội, hoặc thi n vị về giới t nh kh ng; hay kết quả dự đo n từ model c ph hợp chuẩn mực đạo đức hay kh ng (ethics). Quyển s ch n y tổng h a tất cả c c g c nh n tr n. Bạn đọc sẽ t m thấy những kĩ thuật machine learning chọn lọc v cả những c ch hiểu trực quan ngắn gọn. C c kĩ thuật đều được gắn liền với c c đoạn code trong ng n ngữ R. Bạn đọc sẽ c ng hai nh n vật B ta v B t đi dạo v o khu vườn, kh ng phải của k hoa dị thảo, m l của c c model ML th vị. Trong khu vườn c ngọn đ n được thắp l n bởi những g c nh n thấu đ o về model từ kinh nghiệm thực tế. Cuộc b n luận giữa B ta v B t cũng ch nh l những g diễn ra trong thực tế m c c nh khoa học dữ liệu thường gặp, c n n thử một model kh c kh ng, hoặc c n n thử một kĩ thuật kh c để khai ph dữ liệu, hoặc một tập dữ liệu kh c chăng? --- v ti tỉ c u hỏi như l m c ch n o để so s nh giữa những model hoặc l m thế n o để kiểm tra hiệu năng. Qu tr nh ph t triển model đ i hỏi sự cẩn thận v tr ch nhiệm, nhưng rất th vị. Th ng thường, nhiều quyển s ch chỉ ch t m v o mặt kiến thức m qu n mất đi niềm vui v sự th vị. Nhưng, hi vọng ở quyển s ch n y, ch ng ta sẽ c được cả hai.