Tổng quan về khoa học dữ liệu

NGHIÊN CỨU - TRAO ĐỔI
16 THÔNG TIN VÀ TƯ LIỆU - 6/2018
ThS Nguyễn Danh Minh Trí
Trường ĐHKHXH&NV - ĐHQG Tp. Hồ Chí Minh
Tóm tắt: Khoa học dữ liệu là một lĩnh vực nghiên cứu mới xuất hiện thời gian gần đây. Cùng 
với sự phát triển không ngừng của các kho dữ liệu lớn trên khắp thế giới, ngành rút trích và phân tích 
dữ liệu đang trở nên ngày càng quan trọng hơn. Thông tin và tri thức có được từ dữ liệu lớn đang giúp 
ích cho rất nhiều công ty và tổ chức trên thế giới. Bài viết giới thiệu những khái niệm cơ bản về Khoa 
học dữ liệu, các phương pháp được sử dụng và tương lai phát triển của lĩnh vực này.
Từ khóa: Khoa học dữ liệu; hồi quy; dữ liệu; khai thác dữ liệu; thống kê; mô hình thống kê.
Overview on data science
Abstract: Data science is an emerging research field. With the development of Big Data 
storages all over the world, data retrival and analysis is proved to play a more and more important 
role. Information and knowledge from Big Data is very helpful for many companies and organizations 
in the world. The article introduces definitions, methodologies and future of data science.
Keywords: Data science; regression; data utilization; statistics; statistical model.
TỔNG QUAN VỀ KHOA HỌC DỮ LIỆU 
Mở đầu
Dữ liệu đóng một vai trò rất quan trọng 
trong việc vận hành, ứng dụng cũng như 
lưu trữ thông tin của người dùng. Ngày nay, 
cùng với sự phát triển không ngừng của 
nhân loại, lượng dữ liệu được phát sinh là 
vô cùng lớn. Ý nghĩa của những tri thức có 
được từ dữ liệu là nền tảng cực kỳ hữu ích 
cho các hệ thống ra quyết định và hỗ trợ 
cuộc sống. Ngày nay, hầu hết các công ty 
và tập đoàn lớn đều đã có những đội ngũ, 
chuyên gia phân tích dữ liệu của riêng 
họ. Có thể kể đến trong danh sách này là 
Google, Facebook, Yahoo, Youtube,... Sự 
thành công của các công ty và tổ chức trên 
thế giới ngày nay đều ít nhiều có liên quan 
với ngành Khoa học dữ liệu (KHDL). KHDL 
đang lan rộng ảnh hưởng của nó và mang 
lại ý nghĩa ngày càng quan trọng hơn đối với 
đời sống con người.
1. Khái niệm về Khoa học dữ liệu
1.1. Lịch sử của Khoa học dữ liệu
Trong khoảng hơn 30 năm (1960-1996), 
thuật ngữ “Khoa học dữ liệu” (data science) 
đã được sử dụng trong nhiều tài liệu nói 
về các phương pháp tính toán. Đến tháng 
11/1997, thuật ngữ KHDL mới được dùng 
chính thức bởi một nhà nghiên cứu tên là 
Chien-Fu Jeff Wu. Trong bài thuyết trình 
mang tên “Statistics = Data Science?” tại 
Đại học Michigan, Chien-Fu Jeff Wu đã 
phổ biến thuật ngữ "Khoa học dữ liệu" và 
nói rằng thống kê nên được đổi tên thành 
KHDL và nhà thống kê thành nhà KHDL vì 
họ đã dành phần lớn thời gian của mình để 
thao tác và thử nghiệm với dữ liệu [4].
Năm 2001, William S. Cleveland đã 
NGHIÊN CỨU - TRAO ĐỔI
17THÔNG TIN VÀ TƯ LIỆU - 6/2018
giới thiệu KHDL như là một ngành độc lập. 
Đến tháng 4/2002, International Council 
for Science cho ra đời Tạp chí KHDL, một 
ấn phẩm tập trung vào các vấn đề như mô 
tả hệ thống dữ liệu, ấn phẩm của họ trên 
internet, các ứng dụng và các vấn đề pháp 
lý. Vào tháng 01/2003, Đại học Columbia 
bắt đầu xuất bản Tạp chí KHDL, nhằm 
cung cấp một công cụ cho tất cả nhân viên 
dữ liệu trình bày quan điểm của mình và 
trao đổi ý kiến. Đến năm 2008, DJ Patil và 
Jeff Hammerbacher mới sử dụng thuật ngữ 
“nhà KHDL” để xác định công việc của họ 
tại LinkedIn và Facebook. [4].
Năm 2013, Nhóm công tác của IEEE về 
KHDL và Phân tích nâng cao đã được đưa 
ra, và hội nghị quốc tế đầu tiên về KHDL 
và Phân tích nâng cao của IEEE đã được 
tổ chức vào năm 2014. Năm 2015, Tạp chí 
Quốc tế về KHDL và Phân tích đã được lập 
bởi Springer để xuất bản tác phẩm ban đầu 
về KHDL và phân tích dữ liệu lớn. KHDL 
vẫn còn được xem là một khái niệm mới, 
và nó chỉ mới thật sự xuất hiện vào những 
thập niên đầu thế kỷ 21.
1.2. Khoa học dữ liệu và các khái niệm 
liên quan
KHDL là một lĩnh vực nghiên cứu mới 
xuất hiện thời gian gần đây. Như tên gọi của 
nó, KHDL là một ngành khoa học nghiên 
cứu về dữ liệu. Điều này nhấn mạnh đối 
tượng nghiên cứu chính của ngành là dữ 
liệu. Dữ liệu rất đa dạng và có khối lượng, 
tốc độ phát sinh rất lớn do nhu cầu phát 
triển của các ứng dụng và cuộc sống con 
người. Dữ liệu có thể đến từ mọi nơi, mọi 
lĩnh vực trong cuộc sống chúng ta [8]. Do 
vậy, ở góc độ chuyên ngành, KHDL là một 
lĩnh vực nghiên cứu liên ngành vì nó khảo 
sát rất nhiều loại dữ liệu đến từ các lĩnh vực 
chuyên ngành khác nhau, về các quá trình 
và các hệ thống rút trích tri thức hoặc hiểu 
biết từ dữ liệu ở các dạng khác nhau (có 
cấu trúc hay phi cấu trúc) và nó là sự tiếp 
nối của một số lĩnh vực phân tích dữ liệu 
như khoa học thống kê, khai thác dữ liệu, 
tương tự như khám phá tri thức ở các cơ sở 
dữ liệu (KDD) [5].
Mục tiêu chính của ngành KHDL là để 
có được cái nhìn sâu hơn vào dữ liệu và tạo 
ra những điều hữu ích cho cuộc sống con 
người. Thông qua quá trình tiếp nhận, phân 
tích các đặc tính và rút được các kết quả từ 
dữ liệu sẽ hỗ trợ chúng ta trong việc đưa ra 
các quyết định, các dự đoán tốt hơn cho các 
hệ thống. Quá trình nghiên cứu KHDL cần 
sự hỗ trợ của các phương pháp tính toán, 
thống kê và trực quan hóa. Theo đó, chúng 
ta sẽ thường xuyên sử dụng các phương 
pháp tính toán để xây dựng các mô hình, 
áp dụng cách thức phân tích để thâm nhập 
tốt hơn vào dữ liệu. Bên cạnh đó, chúng ta 
cũng áp dụng các phương pháp thống kê 
để hỗ trợ đưa ra các dự đoán và cuối cùng 
là sử dụng phương pháp trực quan hóa để 
thể hiện tốt hơn các kết quả nghiên cứu lên 
các công cụ trực quan. Trực quan hóa có 
vai trò cực kỳ quan trọng trong việc giao 
tiếp với các kết quả có được từ quá trình 
nghiên cứu, phân tích dữ liệu. Nhưng nếu 
việc trực quan hóa thể hiện không rõ ràng 
hoặc không chuyển tải được thông tin thì 
kết quả đó coi như cũng không có giá trị gì. 
Điều này cho thấy vai trò quan trọng trong 
việc thể hiện các kết quả lên các công cụ 
trực quan hóa.
Khoa học thống kê (hỗ trợ cho KHDL) sử 
dụng các kỹ thuật và lý thuyết rút từ nhiều 
lĩnh vực với biên độ rộng bao gồm: toán 
học, khoa học thống kê, khoa học thông tin 
và khoa học máy tính. Các lĩnh vực chuyên 
ngành liên quan đến KHDL bao gồm: xử 
lý tín hiệu, lý thuyết xác suất, học máy, lý 
thuyết học thống kê, khai thác dữ liệu, cơ 
sở dữ liệu, kỹ thuật thông tin, nhận dạng 
mẫu, trực quan dữ liệu, các phân tích dự 
đoán, lý thuyết quyết định, kho dữ liệu, nén 
dữ liệu, lập trình máy tính, trí tuệ nhân tạo, 
và siêu máy tính [5]. Điều này giải thích 
cho lý do vì sao KHDL có tính liên ngành 
và có biên độ nghiên cứu rất rộng lớn. 
NGHIÊN CỨU - TRAO ĐỔI
18 THÔNG TIN VÀ TƯ LIỆU - 6/2018
Những người làm việc trong lĩnh vực 
KHDL thường được gọi với cái tên là: “nhà 
KHDL”. Theo Josh Blumenstock: “Nhà 
KHDL là người biết thống kê nhiều hơn 
nhà khoa học máy tính và biết khoa học 
máy tính nhiều hơn nhà thống kê”. Đây là 
một định nghĩa vui, nó ngụ ý KHDL là nơi 
hội tụ chủ yếu của 2 lĩnh vực là khoa học 
máy tính và thống kê. Ngoài ra, cũng có 
một định nghĩa khác của Shlomo Aragmon 
như sau: “Nhà KHDL = Nhà Khoa học + 
Lập trình viên + Huấn luyện viên + Người 
kể chuyện + Nghệ sĩ”. Định nghĩa này 
thể hiện công việc đa dạng của một nhà 
KHDL. Điều này cho thấy vai trò của họ 
là người hỗ trợ cho các khoa học chuyên 
ngành phát triển thông qua việc đi sâu hơn 
trong tương tác với dữ liệu.
Để trở thành một nhà KHDL thì chúng 
ta cần học thêm toán học, thống kê và học 
máy, học lập trình và hiểu biết về cơ sở dữ 
liệu. Bên cạnh đó, chúng ta cũng cần làm 
quen với các công nghệ dữ liệu lớn, tìm 
thêm các trải nghiệm từ thực tế thông qua 
các cuộc thi và các chương trình thực tập 
liên quan [7].
1.3. Vì sao cần nghiên cứu Khoa học 
dữ liệu
Thế giới đang bước vào kỷ nguyên dữ 
liệu lớn. Trong thời đại dữ liệu rất lớn thì 
nhu cầu xử lý và hiểu sâu hơn dữ liệu cũng 
sẽ tăng. Dữ liệu phát sinh không ngừng và 
rất lớn theo thời gian thực đòi hỏi sự khám 
phá và tìm hiểu để tận dụng tối đa giá trị 
hữu ích tiềm năng có được từ dữ liệu [8]. 
Điều này thôi thúc người ta nghĩ đến một 
hướng nghiên cứu mới nhằm phân tích và 
có được những tri thức hữu ích từ khối dữ 
liệu lớn và ngày càng đa dạng này.
Dữ liệu phát sinh rất lớn và mang bốn 
tính chất quan trọng, đó là khối lượng rất 
lớn (volume), tính đa dạng (variety), tốc độ 
thu thập dữ liệu (velocity) ngày càng nhanh 
hơn và mang tính xác thực hay còn gọi là 
tính chính xác (veracity) [2]. Đó cũng là 
bốn thách thức đến từ dữ liệu lớn đối với 
con người cũng như rất nhiều hệ thống khai 
thác và phân tích dữ liệu trên khắp thế giới. 
Và đây cũng chính là nhiệm vụ mà KHDL 
cần giải quyết trong nhiều thập kỷ tới.
Rất nhiều hệ thống rút trích tri thức có 
được từ dữ liệu đang được triển khai, rất 
nhiều tiềm năng của dữ liệu lớn chưa được 
khai thác hết. Vẫn còn nhiều nhiệm vụ đặt 
ra cho các nhà KHDL trong tương lai. Như 
giáo sư Hal Varian- một chuyên gia của 
Google đã nói: “Công việc hấp dẫn trong 
10 năm tới sẽ là: Nhà KHDL”. Điều này 
đề cập đến vai trò ngày càng quan trọng 
của lĩnh vực nghiên cứu mới này. Rất nhiều 
lĩnh vực cần các tri thức hỗ trợ có từ dữ 
liệu: y học, sinh – tin học, điều khiển học, 
thiết bị thông minh, chống tội phạm, đưa 
ra quyết định kinh doanh, dự đoán... Theo 
nghiên cứu của công ty tư vấn quản lý toàn 
cầu McKinsey, đến năm 2018, Mỹ sẽ cần 
140.000 đến 190.000 người có kỹ năng 
phân tích chuyên sâu cũng như 1,5 triệu 
nhà quản lý và phân tích trong lĩnh vực “dữ 
liệu lớn” (big data) [6]. Điều này cho thấy 
mức độ quan trọng và ngày càng hấp dẫn 
của ngành phân tích dữ liệu trong tương lai.
Khả năng hiểu, xử lý, trích xuất giá trị, 
trực quan hóa, giao tiếp với dữ liệu sẽ là 
một kỹ năng cực kỳ quan trọng trong những 
thập kỷ tiếp theo khi mà dữ liệu ngày càng 
lớn mà con người như đang chìm đắm trong 
biển dữ liệu nhưng lại thiếu thốn thông tin 
hữu ích. KHDL sẽ phần nào giúp cho con 
người giải quyết các vấn đề quan trọng trên.
NGHIÊN CỨU - TRAO ĐỔI
19THÔNG TIN VÀ TƯ LIỆU - 6/2018
1.4. Một số ví dụ tiêu biểu của Khoa 
học dữ liệu
Một ví dụ tiêu biểu là đội ngũ KHDL 
của các hãng công nghệ lớn như: Google, 
Amazon, Facebook, Microsoft, Youtube, 
LinkedIn, Instagram, Twitter... Họ không 
ngừng tham gia vào quá trình thu thập, 
phân tích, dự đoán các tri thức có từ dữ 
liệu để hỗ trợ cho doanh nghiệp của mình. 
Ngoài ra còn có các ứng dụng đã tạo nên ý 
nghĩa lớn của ngành KHDL hiện nay. Sau 
đây sẽ là một số ví dụ tiêu biểu nhất.
Ứng dụng KHDL tiêu biểu đầu tiên có thể 
kể đến là giải thưởng Netflix cho các thuật 
toán tốt nhất để dự đoán xếp hạng phim 
và sở thích xem phim của khách hàng. Ý 
tưởng chính là thông qua khảo sát dữ liệu 
có được từ các phim sắp chiếu, sở thích 
xem phim của khách hàng để đưa ra các 
thuật toán dự đoán tốt. Một ứng dụng khác 
cũng khá nổi tiếng đó là Google flu trends 
của Google giúp phân tích số lượng lớn các 
dữ liệu truy vấn tìm kiếm của khách hàng 
để cảnh báo bệnh cúm trong một quần thể. 
Ứng dụng này giúp ngăn ngừa dịch bệnh 
cúm một cách hiệu quả [3].
Một ví dụ khác là ứng dụng hỗ trợ tranh 
cử tổng của ông Obama. Các nhà KHDL 
đã tập trung để phát triển ứng dụng hỗ trợ 
chiến dịch tái tranh cử tổng thống Mỹ năm 
2012 của ông Barack Obama góp phần 
giúp ông đắc cử tổng thống nhiệm kỳ thứ 
2 liên tiếp [3]. Ngoài ra, Moneyball, một 
bộ phim về vai trò của phân tích hiệu suất 
trong bóng chày và bài học về định hướng 
dữ liệu (data-driven). Ứng dụng tìm hiểu lý 
do vì sao các cầu thủ trong đội bóng rời 
bỏ câu lạc bộ để đề xuất các biện pháp tốt 
nhất nhằm giữ họ ở lại. Một ứng dụng khác 
là Minard map, đây là bản đồ của Charles 
Joseph Minard trong lĩnh vực đồ họa thông 
tin về các công trình dân dụng và thống kê, 
địa lý, tiêu biểu cho việc tổ chức và phân 
tích dữ liệu.
1.5. Các nhược điểm của Khoa học 
dữ liệu 
Nhược điểm đầu tiên và dễ thấy nhất đó 
là sự cường điệu hóa (hype) hay còn gọi là 
cơn sốt KHDL. Hậu quả của cơn sốt này sẽ 
dẫn đến một tư duy sai lầm rằng KHDL có 
thể giải quyết được bất kỳ vấn đề nào trong 
thế giới thực. Tuy nhiên, trong thực tế thì 
không như vậy [1].
Một số nhược điểm khác có thể kể đến đó 
là Netflix prize failure và Google flu trends 
failure. Netflix không chạy thuật toán mới. 
Họ đã đánh giá offline và sử dụng lại hai 
thuật toán đã đoạt giải đầu tiên để xếp hạng 
phim và họ không có kế hoạch phát triển 
mới trong tương lai. Về Google flu trends 
failure thì các con số dự đoán bệnh cúm 
của Google đã bắt đầu sai lệch dần theo 
thời gian [2]. Khi dữ liệu lớn dần, những dự 
báo của Google đã bắt đầu sai lệch và đôi 
khi dẫn đến những dữ đoán thiếu chính xác 
khiến cho nhiều bệnh nhân phải mất thời 
gian hơn để thăm khám bác sĩ. 
Một số lỗi chung thường mắc phải khi 
bắt đầu nghiên cứu KHDL có thể kể đến 
như: bắt đầu phân tích mà không đặt câu 
hỏi, sử dụng dữ liệu chất lượng kém, chỉ 
tập trung vào công nghệ mà không quan 
tâm đến cơ sở lý thuyết và kiến thức 
chuyên môn, nhầm lẫn sự tương quan 
(correlation - same time) và quan hệ nhân 
quả (causation - trước sau), thất bại trong 
việc truyền đạt (communicate) các kết quả, 
làm phức tạp việc phân tích quá nhiều, thất 
bại để duy trì việc học kiến thức chuyên 
môn (failing to always keep learning). Dữ 
liệu rất lộn xộn và phức tạp, do vậy, KHDL 
là lĩnh vực không dễ dàng. Không quá khó 
để lập trình, nhưng điều đó sẽ dẫn đến sự 
thiếu chính xác. Cụm từ “nhà KHDL” ngụ ý 
chúng ta cần làm việc theo phương pháp 
khoa học như sơ đồ bên dưới, bắt đầu từ 
bước “Tạo các quan sát” [2].
NGHIÊN CỨU - TRAO ĐỔI
20 THÔNG TIN VÀ TƯ LIỆU - 6/2018
Hình 1. Mô phỏng quy trình làm việc một cách khoa học
Hình 2. Sơ đồ Venn về Khoa học dữ liệu (Drew Conway) [3]
2. Các chủ điểm chính trong Khoa 
học dữ liệu
Khoa học dữ liệu là nơi giao thoa của 
nhiều lĩnh vực khác nhau. Những trụ cột 
của KHDL bao gồm: tính toán, thống kê, 
toán học, các môn học định lượng và kiến 
thức khoa học chuyên ngành kết hợp để 
phân tích dữ liệu và cho ra quyết định tốt 
hơn. Theo sơ đồ Venn về KHDLcủa Drew 
Conway, chúng ta có thể thấy được ba 
nội dung chính của KHDL là: các kỹ năng 
thâm nhập (hacking skills), các kiến thức 
toán học và thống kê (math & statistics 
knowledge) và các khoa học chuyên ngành 
(domain science).
NGHIÊN CỨU - TRAO ĐỔI
21THÔNG TIN VÀ TƯ LIỆU - 6/2018
Trong sơ đồ Venn trên, phần giao thoa 
giữa ba nội dung chính là KHDL. Nếu chỉ 
có các kỹ năng thâm nhập và kiến thức 
toán thống kê, chúng ta đang thực hiện 
các phương pháp máy học, nếu chỉ có các 
kỹ năng thâm nhập và kiến thức chuyên 
ngành thì đó là khu vực nguy hiểm (danger 
zone!). Sở dĩ nói như vậy là bởi vì khi không 
có kiến thức thống kê và toán học thì chúng 
ta sẽ có xu hướng chỉ cần chọn các thuật 
toán từ một thư viện và sử dụng chúng mà 
không thực sự hiểu những gì chúng ta đang 
làm, đây là một sự nguy hiểm có thể dẫn 
đến việc vận hành ứng dụng sai. Nếu chỉ 
có các kiến thức chuyên môn kết hợp với 
kiến thức toán và thống kê thì đó chính là 
cách nghiên cứu khoa học truyền thống.
Các kỹ năng thâm nhập (hacking skills) 
bao gồm tập hợp những kỹ năng cần có để 
thâm nhập sâu hơn vào dữ liệu, trong đó có 
kỹ năng tính toán. Kỹ năng tính toán đề cập 
đến khả năng xây dựng và tìm giải pháp 
thông minh cho các vấn đề. Một nhà KHDL 
sẽ thường xuyên sử dụng kỹ thuật, công 
nghệ để truy cập, thu thập, làm sạch và lưu 
trữ dữ liệu. Bên cạnh đó, họ cũng cần có 
hiểu biết về các cơ sở dữ liệu thường được 
sử dụng phổ biến là MySQL, PostgreSQL, 
Cassandra, MongoDB và CouchDB. Kiến 
thức về cơ sở dữ liệu là rất quan trọng, đặc 
biệt là các công nghệ dữ liệu lớn. Các công 
nghệ dữ liệu lớn (Big Data) thường được 
dùng như Hadoop, MapReduce và Spark. 
Một nội dung khác khá quan trọng trong 
kỹ năng thâm nhập đó là trực quan hóa và 
báo cáo. Đây là quá trình hiển thị kết quả 
và kết luận của các phân tích một cách 
trực quan dễ hiểu. Một số công cụ trực 
quan hóa thường được sử dụng, như: D3, 
Tableau, Qlikview và R Markdown.
Kiến thức toán học và thống kê (math & 
statistics knowledge) là một nội dung rất 
quan trọng của KHDL. Bản chất KHDL là 
chủ yếu dựa trên nền tảng thống kê. Do 
vậy, có thể nói thống kê là cốt lõi. Đại số 
tuyến tính (linear algebra) và tính toán định 
lượng sẽ là nền tảng để hiểu và áp dụng 
các thuật toán máy học. Khi giỏi toán, bạn 
sẽ hiểu sâu hơn và biết khi nào sẽ cần sử 
dụng các thuật toán. Trong đó, được sử 
dụng nhiều nhất là ma trận đại số xuất 
hiện trong rất nhiều khái niệm máy học. 
Ngoài ra, các tính toán (calculus) bao gồm 
tính toán đa biến cũng thường được sử 
dụng trong một số khái niệm thống kê và 
các thuật toán máy học. Thống kê mô tả 
(descriptive statistics) cũng được sử dụng 
khá nhiều vì phương pháp tiếp cận đầu 
tiên đến một tập dữ liệu mới liên quan đến 
việc áp dụng phân tích mô tả. Trong khi đó, 
suy luận thống kê (statistical inference) là 
cần thiết trong kỹ thuật dự đoán để tạo ra 
kiến thức mới, không chỉ mô tả các dữ liệu 
thực tế.
Các kiến thức chuyên môn (domain 
science) cho phép bắt đầu dự án dữ liệu 
với mục tiêu rõ ràng. Nó cho phép nhà 
KHDL có thể định hướng rõ ràng hơn với 
các dạng dữ liệu sắp tiếp cận và lựa chọn 
phương pháp nghiên cứu tốt hơn. Khả 
năng đặt câu hỏi tốt cũng đòi hỏi sự hiểu 
biết chuyên ngành. Trong khi đó, kiến thức 
chuyên ngành thường rất rộng lớn, đến 
từ mọi lĩnh vực đời sống, từ khoa học tự 
nhiên đến khoa học xã hội. Đây cũng là 
một khó khăn đối với các nhà KHDL khi 
tiếp cận phân tích dữ liệu. Lĩnh vực chuyên 
ngành cũng bao gồm khả năng truyền đạt 
(communicate) rõ ràng và hiệu quả về các 
mẫu được tìm thấy trong dữ liệu. 
Theo Brandon Rohrer, chỉ có năm câu 
hỏi KHDL có thể trả lời: 
• Đây là A hay là B? (phân nhóm 2 
lớp) hoặc đây là A, hay B, hay C hay là D? 
(phân nhóm nhiều lớp).
• Đây có phải là điều kỳ lạ? (anomaly 
detection - phát hiện bất thường).
• Bao nhiêu? (regression - hồi quy).
• Nó được tổ chức như thế nào? 
(clustering - gom cụm).
• Tôi nên làm gì tiếp theo? (reinforcement 
learning - học tăng cường).
NGHIÊN CỨU - TRAO ĐỔI
22 THÔNG TIN VÀ TƯ LIỆU - 6/2018
Kiến thức về học máy là cần thiết và sẽ 
luôn là nền tảng cơ bản giúp cho quy trình 
KHDL được thực hiện tốt hơn và đạt được 
hiệu quả như mong muốn.
3. Các phương pháp nghiên cứu KHDL
KHDL là sự tổng hợp kinh nghiệm về tri 
thức thao tác từ dữ liệu thô thông qua quy 
trình vòng đời dữ liệu hoàn chỉnh. Quy trình 
KHDL có thể được mô phỏng thông qua sơ 
đồ dưới đây:
chỉnh. Quy trình KHDL có thể được mô 
phỏng thông qua sơ đồ bên dưới:
Hình 3. Quy trình KHDL (Hanspeter 
Pfister, tài liệu khóa học CS109, 2013)
Bước vào giai đoạn đầu, chúng ta chưa 
biết mình sẽ làm gì tiếp theo với bộ dữ liệu. 
Điều này tương tự bước đầu của quá trình 
khám phá tri thức trong cơ sở dữ liệu. Sau 
khi có dữ liệu, chúng ta nên đặt các câu 
hỏi thú vị và xem xét các mục tiêu có thể 
có. Sau đó là quá trình lấy mẫu (sampling, 
get the data). Tiếp theo, chúng ta bắt đầu 
quá trình thăm dò dữ liệu, phân tích và phát 
hiện. Sau khi có kết quả, chúng ta mô hình 
hóa chúng bằng việc xây dựng các mô hình, 
chỉnh sửa cho phù hợp và xác nhận các giá 
trị của mô hình. Cuối cùng là trực quan hóa 
kết quả nghiên cứu và giao tiếp với kết quả 
thông qua các công cụ trực quan, từ đó có 
được các hiểu biết từ dữ liệu. 
Các phương pháp nghiên cứu KHDL có 
thể bao gồm [2]:
• Thao tác với dữ liệu để có được thông 
tin của bộ dữ liệu quản lý (data munging/
scraping/sampling/cleaning).
• Lưu trữ và quản lý dữ liệu để có thể 
truy cập dữ liệu - đặc biệt là dữ liệu lớn - một 
cách nhanh chóng và đáng tin cậy trong 
quá trình phân tích tiếp theo.
• Phân tích dữ liệu thăm dò để tạo ra 
các giả thuyết và trực giác về dữ liệu.
• Dự đoán dựa trên các công cụ thống 
kê như hồi quy, phân lớp, và gom cụm.
• Truyền đạt kết quả (communication) 
thông qua trực quan hóa, những câu 
chuyện, và các tóm lược có thể phiên dịch 
được.
Nhóm các phương pháp này có thể 
được chia thành các nhóm hoạt động như 
sau [2]:
+ Dự đoán (sử dụng quy trình khoa học 
dữ liệu, các kiểu dữ liệu và data “munging”, 
các kiến thức xác suất thống kê (probability 
review), phân lớp & hồi quy và gom cụm 
(classification & regression & clustering), 
trực quan hóa và kể chuyện (visualization 
& story telling).
+ Các kiến thức cần thiết khác: Bayesian 
Thinking & Computation, Monte Carlo 
Methods, Machine Learning Methods, 
Databases. 
+ Các phân tích mạng: Network 
Visualization, Network Sampling, Network 
Models.
4. Ngôn ngữ và công cụ hỗ trợ nghiên 
cứu Khoa học dữ liệu
Ngôn ngữ được sử dụng phổ biến nhất 
là Python. Đây cũng là một ngôn ngữ mới 
xuất hiện trong thời gian gần đây. Python 
là một ngôn ngữ lập trình thông dịch, mã 
nguồn mở đa mục đích có hỗ trợ các phong 
cách lập trình cốt lõi khác nhau, được sử 
dụng tốt để phân tích dữ liệu. Python tạo 
kiểu động và dùng cơ chế cấp phát bộ nhớ 
tự động. Chúng ta có thể sử dụng Pandas 
NGHIÊN CỨU - TRAO ĐỔI
23THÔNG TIN VÀ TƯ LIỆU - 6/2018
để thao tác dữ liệu trong Python, NumPy 
để thao tác mảng dữ liệu, scikits learn để 
khai thác dữ liệu trong Python... 
Ngoài ra, R là một môi trường phần mềm 
dành cho tính toán và đồ họa thống kê. 
R hỗ trợ tốt cho lĩnh vực KHDL thông qua 
các tính toán và biểu đồ thống kê chuyên 
ngành. Môi trường ứng dụng R vẫn đang 
tiếp tục phát triển nhanh chóng và mạnh 
mẽ trong nhiều ngành và lĩnh vực khác 
nhau, trong đó có KHDL.
Kết luận
KHDL sẽ phát triển mạnh mẽ hơn nữa 
trong tương lai và giúp cho con người tận 
dụng được tối đa tiềm năng của các nguồn 
dữ liệu lớn. KHDL sẽ làm cho các hệ thống 
trở nên thông minh hơn và góp phần xây 
dựng nên một thế giới thông minh trong 
kỷ nguyên số. Trong đó, con người sẽ có 
nhiều cơ hội thâm nhập sâu hơn vào dữ 
liệu, hỗ trợ đưa ra các quyết định tốt hơn 
trong nhiều lĩnh vực của cuộc sống. Tương 
lai phát triển của KHDL sẽ hứa hẹn nhiều 
điều thú vị và có ý nghĩa lớn đối với cuộc 
sống con người.
TÀI LIỆU THAM KHẢO
1. Rachel Schutt, Cathy O’Neil,. (2013). 
Doing Data Science. O’Reilly Media, Inc. 405 
pages.
2. CS109 Data Science Course by Harvard 
University, 
Truy cập từ:  
ngày 4/11/2017
3. CS194-16 Introduction to Data Science 
Fall 2014, 
Truy cập từ: https://bcourses.berkeley.edu/
courses/1267848/wiki, ngày 4/11/2017
4. Data science, 
Truy cập từ: https://en.wikipedia.org/wiki/
Data_science, ngày 2/11/2017
5. KHDL, 
Truy cập từ: https://vi.wikipedia.org/wiki/
Khoa_học_dữ_liệu, ngày 2/11/2017
6. KHDL là ngành thu hút nhất thế kỷ 21, 
Truy cập từ: 
home/khoa-hoc-du-lieu-la-nganh-thu-hut-nhat-
the-ky-21, ngày 4/11/2017
7. Làm sao để trở thành một nhà KHDL, 
Truy cập từ: https://bigsonata.wordpress.
com/2014/11/15/lam-sao-de-tro-thanh-nha-
khoa-hoc-du-lieu, ngày 4/11/2017
8. Tổng quan về Dữ liệu lớn, 
Truy cập từ: 
attachments/article/2290/Bai4.So5.2016.pdf, 
ngày 4/11/2017.
(Ngày Tòa soạn nhận được bài: 6-5-2018; 
Ngày phản biện đánh giá: 15-9-2018; Ngày 
chấp nhận đăng: 15-10-2018).
Hình 4. Môi trường R hỗ trợ khoa học dữ liệu