TH_DM_2_KhamPhaDLkhamphadulieupytho .pdf

Dù mang lại vô vàn lợi ích to lớn, công nghệ cũng không tránh khỏi việc đặt ra nhiều thách thức và hệ lụy nghiêm trọng đối với xã hội hiện đại. Một trong những vấn đề nổi cộm nhất chính là sự lệ thuộc quá mức vào công nghệ. Con người ngày càng phụ thuộc vào thiết bị điện tử, đặc biệt là điện thoại thông minh, đến mức ảnh hưởng tiêu cực đến các mối quan hệ xã hội và sức khỏe tâm thần. Thực tế cho thấy, tình trạng nghiện mạng xã hội, game online và các nền tảng giải trí số đang gia tăng, đặc biệt là trong giới trẻ. Thay vì gặp gỡ, trò chuyện trực tiếp, con người ngày càng cong song với đó là vấn đề mất an toàn thông tin cá nhân. Khi mọi hoạt động của con người đều để lại dấu vết kỹ thuật số, nguy cơ bị lộ, bị đánh cắp hoặc bị lợi dụng thông tin ngày càng cao. Các vụ rò rỉ dữ liệu, tấn công mạng, và xâm phạm quyền riêng tư cá nhân đang diễn ra với tần suất ngày càng nhiều, đòi hỏi xã hội phải có những giải pháp pháp lý và công nghệ phù hợp để bảo vệ người dùng. Bên cạnh đó, việc các tập đoàn công nghệ lớn kiểm soát một lượng dữ liệu khổng lồ về hành vi người dùng đã đặt ra những câu hỏi về đạo đức, minh bạch và quyền kiểm soát thông tin.

Một thách thức nghiêm trọng khác mà công nghệ đem lại là tình trạng mất cân bằng trong cơ hội tiếp cận, hay còn gọi là khoảng cách số (digital divide). Không phải ai cũng có điều kiện tiếp cận với các thiết bị hiện đại, Internet tốc độ cao hay được đào tạo kỹ năng số cần thiết. Điều này khiến một bộ phận không nhỏ trong xã hội, đặc biệt là ở vùng sâu vùng xa hoặc trong các nhóm dân cư yếu thế, bị bỏ lại phía sau trong cuộc đua chuyển đổi số. Khoảng cách số không chỉ ảnh hưởng đến khả năng tiếp cận thông tin, giáo dục, việc làm mà còn ảnh hưởng đến sự bình đẳng và công bằng xã hội nói chung.

Ngoài ra, sự phát triển quá nhanh của công nghệ cũng gây ra mất cân bằng thị trường lao động, dẫn đến thất nghiệp ở một số ngành nghề truyền thống. Khi máy móc và trí tuệ nhân tạo thay thế con người trong các công việc lặp đi lặp lại, một lực lượng lao động lớn cần phải tái đào tạo để thích n[Phần 4: Định hướng và giải pháp để ứng dụng công nghệ hiệu quả]

Để phát huy tối đa những mặt tích cực và giảm thiểu mặt tiêu cực của công nghệ, cần có một chiến lược toàn diện và sự phối hợp chặt chẽ giữa các cơ quan nhà nước, doanh nghiệp, trường học và người dân. Trước hết, cần tăng cường giáo dục số, không chỉ dừng lại ở kỹ năng sử dụng thiết bị mà còn bao gồm cả hiểu biết về an toàn thông tin, đạo đức số và tư duy phản biện. Việc đưa các môn học liên quan đến công nghệ và kỹ năng số vào chương trình giảng dạy từ sớm là điều cần thiết để thế hệ trẻ có nền tảng tốt hơn trong thế giới hiện đại.

Song song với đó, chính phủ cần đầu tư mạnh mẽ vào cơ sở hạ tầng số, đặc biệt là ở những vùng còn khó khăn, đảm bảo mọi người dân đều có quyền và cơ hội tiếp cận với Internet và công nghệ thông tin. Các doanh nghiệp cũng cần có trách nhiệm trong việc xây dựng hệ sinh thái công nghệ lành mạnh, minh bạch và vì con người, thay vì chỉ chạy theo

1. 4/18/2024
1
Nội dung 2: Khám phá dữ liệu với Python
8
1. python
Giới thiệu Python:
•https://youtu.be/HvVdgcLl9rc
•https://youtu.be/NZj6LI5a9vc
Hướng dẫn cài Python:
•https://www.youtube.com/watch?v=g5BdrxPhQU0&ab_channel=Cod
eXplore
•https://machinelearningcoban.com/faqs/
9

2. 4/18/2024
2
Cài đặt python và các thư viện trên Windows
•Cài đặt Python bằng Anaconda
•Anaconda hỗ trợ rất nhiều thư viện giúp lập trình Python.
•Để tải về Python và một số thư viện cần thiết, tải về Anaconda cho
windows và cài đặt
https://docs.continuum.io/anaconda/install/#anaconda-for-windows-install/
•Sau khi cài đặt xong, bạn vào thư mục Scripts trong thư mục Anaconda
vừa cài đặt, và khởi động Spyder.
10
Kiểm tra Libs
•Anaconda đã có sẵn khá là nhiều thư viện python
như:Numpy,Scipy,Matplotlib,sklearn
•Để kiểm tra python của Anaconda đã có thư viện nào đó, chúng ta
sẽ thử import nó trong Console.
•>>> import numpy
•>>> import sklearn
11

3. 4/18/2024
3
Cài đặt Libs bằng Anaconda
•Chúng ta sẽ bật cmd (Command Prompt) của windows gõ lệnh:
•conda install scikit-learn hoặc
•pip install -U scikit-learn
•Conda sẽ tự động tìm thư việnsklearnvà cài vào đường dẫn
Anaconda giúp chúng ta.
12
2. Khám phá dữ liệu với Python
•https://www.youtube.com/watch?v=HPGYTWYM13s
•https://kungfupandas.lhduc.com/gi%E1%BB%9Bi-thi%E1%BB%87u-
pandas.html
13

4. 4/18/2024
4
•Yêu cầu: thực hành trên python, sử dụng: numpy, pandas,…
•Đọc dữ liệu
•Xemđặc điểm của dữ liệu
•Thêm hàng/cột
•Xóa hàng/cột
•Gom nhóm
•Trích xuất dữ liệu
•Xử lý dữ liệu thiếu…
14
3. Chuẩn hóa dữ liệu
•Tham khảo:
•https://www.geeksforgeeks.org/data-pre-processing-wit-sklearn-using-standard-and-minmax-scaler/
•Yêu cầu:
•Thựchành biến đổi dữ liệu (vd chuyển đơn vị đo)
•Chuẩn hóa dữ liệu:
•Min-max
•Z-score
15

5. 4/18/2024
5
Chuẩn hóa min-max
•Sử dụng MinMaxScaler (thư viện scikit-learn)
#Ví dụ về scale sử dụng MinMaxScaler
from sklearn.preprocessing import MinMaxScaler
# Load dữ liệu
data = ...
# tạo bộ scaler, mặc định chuẩn hóa về [0,1]
scaler = MinMaxScaler()
#nếu muốn chuẩn hóa về miền bất kỳ, ví dụ [1,10]
scaler = MinMaxScaler(feature_range =(1,10))
# fit scaler vào data
model = scaler.fit(data)
# Thực hiện scale
normalized = model.transform(data)
# Nếu muốn quay lại miền giá trị cũ
inverse = model.inverse_transform(normalized)
16
Chuẩn hóa z-Score
•Chuẩn hóa dữ liệu bằng thư viện scikit-learn với StandardScaler
# ví dụ chuẩn hóa z-score với sklearn
from sklearn.preprocessing import StandardScaler
# load data
data = ...
# create scaler
scaler = StandardScaler()
# fit scaler on data
model=scaler.fit(data)
# apply transform
standardized = scaler.transform(data)
# Nếu muốn quay lại dữ liệu cũ
inverse = model.inverse_transform(standardized)
17

6. 4/18/2024
6
4. Trực quan hóa dữ liệu
•Tham khảo:
•https://phamdinhkhanh.github.io/deepai-book/ch_appendix/index_matplotlib.html
18