Câu 1: Ứng dụng cơ sở dữ liệu của thư viện Uông Bí viên trong thư viện và còn những dữ liệu về người mượn đã mượn những quyển sách nào, bắt đầu từ ngày bao nhiêu.
Câu 2: Cơ sở dữ liệu : là một tập hợp các dữ liệu có liên quan với nhau, chứa thông tin của một tổ chức nào đó, được lưu trữ trên các thiết bị nhớ đề đáp ứng nhu cầ khai thác thông tin của nhiều người dùng với nhiều mục đích khác nhau.
Ví dụ: bảng “ Hồ sơ học sinh” là cơ sở dữ liệu được lưu dưới dạng bảng biểu.
Hệ quản trị cơ sở dữ liệu : Là phần mềm cung cấp một môi trường thuận lợi và hiệu quả để tạo lập, lưu trữ và khai thác thông tin của CSDL.
Ví dụ: Muốn biết những học sinh có “ điểm trung bình” các môn lớn hơn 8.0, ta phải dùng hệ quản trị cơ sở dữ liệu tìm kiếm trên bảng “ Hồ sơ học sinh”.
Vậy cơ sở dữ liệu là một tập hợp các dữ liệu liên quan đến nhau, còn hệ quản trị cơ sở dữ liệu là một phần mềm.
Câu 3: Để xây dựng một CSDL để quản lí mượn/ trả sách ở thư viện, ta phải lưu trữ các thông tin sau:
* Thông tin về bạn đọc: Mã bạn đọc, tên bạn đọc, số chứng minh thư, ngày sinh, quê quán, thông tin về vi phạm.
* Thông tin về sách: Mã sách, tên sách, thể loại, tác giả, nhà xuất bản, số lượng.
* Thông tin mượn, trả sách: Mã mượn trả, mã bạn đọc, mã sách, số sách mượn, ngày mượn, ngày hẹn trả, tình trạng sách…
* Vi phạm: Mã mượn trả, lí do vi phạm, số tiền phạt.
Những việc cần làm để đáp ứng được nhu cầu quản lí của thủ thư là :
* Quản lý thông tin bạn đọc: Thêm bạn đọc, xóa bạn đọc, thay đổi thông tin bạn đọc, cho phép bạn đọc đăng nhập hệ thống…
* Quản lí sách :
+ Nhập sách (thêm - loại bỏ - sửa thông tin sách…)
+ Tìm kiếm sách: Tìm kiếm theo tên sách, loại sách, theo tác giả, theo nhà xuất bản…
* Quản lí mượn – trả: Tạo phiếu mượn, phiếu trả, phiếu phạt…
* Chức năng thống kê – báo cáo:
+ Thống kê sách trong thư viện: sách mượn nhiều nhất, sách đã hết.
+ Thống kê sách được mượn, được trả.
* Bảo mật hệ thống: Phân quyền cho các nhân viên (thủ thư, độc giả…).
Câu 4: Ví dụ minh họa cho một vài yêu cầu cơ bản đối với hệ CSDL:
+ Tính cấu trúc: CSDL thư viện có bảng bandoc gồm nhiều hàng, nhiều cột. Một cột là một thuộc tính và mỗi hàng là một thông tin bạn đọc.
+ Tính toàn vẹn: Mỗi thư viện đề có quy định về số sách nhiều nhất mà người đọc được mượn trong một lần, chẳng hạn số sách một người mượn không vượt quá 6 cuốn.
+ Tính an toàn và bảo mật thông tin: Trong CSDL thư viện không phải ai cũng có thể xem thông tin về bạn đọc khác, chỉ có một số người đủ thẩm quyền như thủ thư mới có quyển truy cập để sửa đổi, xóa bạn đọc.
1. Xác định vấn đề
Mục tiêu: Phân tích và dự đoán sự biến động giá gạo theo từng năm.
Câu hỏi: Giá tăng hay giảm do yếu tố nào? Có xu hướng gì trong tương lai?
2. Thu thập dữ liệu
Thu thập dữ liệu giá gạo theo năm từ 2015–2025.
Thu thêm dữ liệu liên quan: thời tiết, sản lượng, xuất khẩu
3. Tiền xử lý dữ liệu
Làm sạch dữ liệu (loại bỏ thiếu, sai).
Chuẩn hóa đơn vị giá, sắp xếp theo thời gian.
4. Phân tích dữ liệu
Vẽ biểu đồ để thấy xu hướng giá tăng hay giảm.
Tìm mối liên hệ giữa giá và các yếu tố (mùa vụ, sản lượng…).
5. Xây dựng mô hình
Dùng mô hình dự báo (ví dụ: hồi quy, chuỗi thời gian) để dự đoán giá năm tiếp theo.
6. Đánh giá mô hình
So sánh giá dự đoán với giá thực tế để kiểm tra độ chính xác.
7. Triển khai và kết luận
Đưa ra nhận xét: ví dụ giá tăng khi sản lượng giảm.
Ứng dụng: hỗ trợ nông dân hoặc doanh nghiệp quyết định sản xuất, kinh doanh.
1. Xác định vấn đề Mục tiêu: Phân tích và dự đoán sự biến động giá gạo theo từng năm. Câu hỏi: Giá tăng hay giảm do yếu tố nào? Có xu hướng gì trong tương lai? 2. Thu thập dữ liệu Thu thập dữ liệu giá gạo theo năm từ 2015–2025. Thu thêm dữ liệu liên quan: thời tiết, sản lượng, xuất khẩu 3. Tiền xử lý dữ liệu Làm sạch dữ liệu (loại bỏ thiếu, sai). Chuẩn hóa đơn vị giá, sắp xếp theo thời gian. 4. Phân tích dữ liệu Vẽ biểu đồ để thấy xu hướng giá tăng hay giảm. Tìm mối liên hệ giữa giá và các yếu tố (mùa vụ, sản lượng…). 5. Xây dựng mô hình Dùng mô hình dự báo (ví dụ: hồi quy, chuỗi thời gian) để dự đoán giá năm tiếp theo. 6. Đánh giá mô hình So sánh giá dự đoán với giá thực tế để kiểm tra độ chính xác. 7. Triển khai và kết luận Đưa ra nhận xét: ví dụ giá tăng khi sản lượng giảm. Ứng dụng: hỗ trợ nông dân hoặc doanh nghiệp quyết định sản xuất, kinh doanh.
- Xác định mục tiêu
- Thu thập dữ liệu
- chuẩn bị dữ liệu
- khám phá và phân tích dữ liêu
- xây dựng mô hình dự báo
- đánh giá và triển khai
Thu thập dữ liệu: Lấy dữ liệu giá nông sản theo từng năm. Xử lí dữ liệu: Làm sạch, sắp xếp dữ liệu. Phân tích : Phân tích xu hướng biến động giá. Trực quan hóa & kết luận: Vẽ biểu đồ, rút ra nhận xét.
Dự án khoa học dữ liệu về biến động nông sản :
- xác định vấn đề: hiểu rõ mục tiêu
- thu thập dữ liệu: về giá lúa, thời tiết,...
- làm sạch và khám phá dữ liệu: xử lý dữ liệu bị thiếu, sai lệch; phân tích giá cả theo mùa hoặc sự kiện
- xây dựng mô hình: áp dụng thuật toán để dự đoán mức biến động
- đánh giá và triển khai: kiểm tra độ chính xác và đưa vào sử dụng
Dự án đi từ việc đặt câu hỏi, đi tìm con số, dọn dẹp chúng, dùng toán học/hình ảnh để tìm ra ý nghĩa và cuối cùng là đưa ra lời khuyên thực tế.
Ví dụ các giai đoạn của dự án Khoa học dữ liệu: 1. Xác định vấn đề: Phân tích biến động giá nông sản theo năm. 2. Thu thập dữ liệu: Lấy dữ liệu giá, sản lượng, thời tiết.
3. Xử lý dữ liệu: Làm sạch, chuẩn hóa dữ liệu.
4. Phân tích: Xem xu hướng tăng/giảm, mức biến động.
5. Mô hình: Dự đoán giá bằng mô hình thống kê.
6. Đánh giá: Kiểm tra độ chính xác dự đoán.
7. Trình bày: Báo cáo kết quả và đề xuất.
1.Giai đoạn 1:xác định mục tiêu
2.Giai đoạn 2:thu thập dữ liệu
3.Giai đoạn 3:tiền xử lý dữ liệu
4.Giai đoạn 4:phân tích và khám phá dữ liệu
5.Giai đoạn 5:diễn giải và trình bày kết quả
Ví dụ: Nghiên cứu sự biến động giá gạo, cà phê qua các năm. 1.Thu thập dữ liệu: Lấy dữ liệu giá gạo, cà phê từng năm từ chợ, siêu thị hoặc thống kê. 2.Tiền xử lý dữ liệu: Làm sạch dữ liệu, loại bỏ dữ liệu sai hoặc thiếu. 3.Phân tích dữ liệu: So sánh giá qua các năm để tìm xu hướng tăng/giảm. 4.Trực quan hóa: Vẽ biểu đồ thể hiện sự thay đổi giá theo từng năm
5.Kết luận: Đưa ra nhận xét về mức biến động giá và dự đoán xu hướng trong tương lai. .
.
-Xác định vấn đề: Phân tích mức biến động giá của một số nông sản qua từng năm. -Thu thập dữ liệu: Thu thập dữ liệu giá các mặt hàng như lúa, cà phê, hồ tiêu qua nhiều năm. -Xử lí và phân tích dữ liệu: Làm sạch dữ liệu, tính mức tăng giảm, vẽ biểu đồ so sánh qua các năm. -Xây dựng mô hình: Dùng mô hình để phân tích xu hướng biến động giá.
1. Xác định vấn đề (Problem Definition) Mục tiêu: Hiểu và dự báo sự biến động giá của các mặt hàng nông sản (ví dụ: lúa gạo, cà phê, hồ tiêu) để giúp nông dân và doanh nghiệp đưa ra quyết định sản xuất, kinh doanh phù hợp. Câu hỏi cần trả lời: Giá cà phê trong 5 năm tới có xu hướng tăng hay giảm? Những yếu tố nào (thời tiết, mùa vụ, thị trường thế giới) ảnh hưởng lớn nhất đến giá? 2. Thu thập dữ liệu (Data Collection) Nguồn dữ liệu: Dữ liệu lịch sử giá từ các sở giao dịch hàng hóa, website của Bộ Nông nghiệp & Phát triển Nông thôn. Dữ liệu về sản lượng, diện tích canh tác từng năm. Dữ liệu khí tượng thủy văn (lượng mưa, nhiệt độ) từ các trạm quan trắc. Dữ liệu kinh tế vĩ mô (tỷ giá hối đoái, giá xăng dầu vận chuyển). 3. Tiền xử lý dữ liệu (Data Preprocessing) Làm sạch: Loại bỏ các dữ liệu bị trùng lặp, xử lý các ngày thiếu dữ liệu giá (do ngày lễ hoặc cuối tuần) bằng cách lấy giá trung bình. Chuẩn hóa: Chuyển đổi đơn vị đo lường (ví dụ: từ "tấn" sang "kg", từ "USD" sang "VND") để đồng nhất bộ dữ liệu. Xử lý dữ liệu nhiễu: Loại bỏ những mức giá tăng/giảm đột biến quá mức do tin đồn thất thiệt không phản ánh đúng thị trường. 4. Phân tích và khám phá dữ liệu (Exploratory Data Analysis - EDA) Trực quan hóa: Vẽ biểu đồ đường để thấy xu hướng giá qua các năm (ví dụ: giá thường đạt đỉnh vào tháng mấy, chu kỳ tăng giá thường kéo dài bao lâu). Tìm mối liên hệ: Sử dụng biểu đồ nhiệt (Heatmap) để xem mối tương quan giữa lượng mưa và giá cả (ví dụ: hạn hán dẫn đến mất mùa thì giá tăng bao nhiêu %). 5. Xây dựng mô hình (Modeling) Lựa chọn thuật toán Khoa học dữ liệu phù hợp (như Hồi quy tuyến tính hoặc Mạng thần kinh nhân tạo) để huấn luyện máy tính dự đoán giá dựa trên dữ liệu quá khứ. Chia dữ liệu thành hai phần: một phần để "học" (huấn luyện) và một phần để "kiểm tra" độ chính xác của dự báo. 6. Đánh giá và diễn giải kết quả (Evaluation & Interpretation) Kiểm tra xem mô hình dự báo sai lệch bao nhiêu phần trăm so với thực tế. Nếu sai số quá lớn, cần quay lại bước 3 hoặc 5. Kết luận: Rút ra các thông tin giá trị (ví dụ: "Cứ sau mỗi 3 năm giá tiêu lại có một đợt biến động mạnh do chu kỳ tái canh tác"). 7. Triển khai và truyền thông (Deployment & Communication) Xây dựng một ứng dụng di động hoặc bảng điều khiển (Dashboard) để nông dân có thể theo dõi dự báo giá hàng ngày. Viết báo cáo khuyến nghị thời điểm nào nên bán nông sản ra, thời điểm nào nên tích trữ kho.
Xác định vấn đề
Mục tiêu: Phân tích và dự đoán sự biến động giá gạo theo từng năm.
Câu hỏi: Giá tăng hay giảm do yếu tố nào? Có xu hướng gì trong tương lai?
2. Thu thập dữ liệu
Thu thập dữ liệu giá gạo theo năm từ 2015–2025.
Thu thêm dữ liệu liên quan: thời tiết, sản lượng, xuất khẩu
3. Tiền xử lý dữ liệu
Làm sạch dữ liệu (loại bỏ thiếu, sai).
Chuẩn hóa đơn vị giá, sắp xếp theo thời gian.
4. Phân tích dữ liệu
Vẽ biểu đồ để thấy xu hướng giá tăng hay giảm.
Tìm mối liên hệ giữa giá và các yếu tố (mùa vụ, sản lượng…).
5. Xây dựng mô hình
Dùng mô hình dự báo (ví dụ: hồi quy, chuỗi thời gian) để dự đoán giá năm tiếp theo.
6. Đánh giá mô hình
So sánh giá dự đoán với giá thực tế để kiểm tra độ chính xác.
7. Triển khai và kết luận
Đưa ra nhận xét: ví dụ giá tăng khi sản lượng giảm.
Ứng dụng: hỗ trợ nông dân hoặc doanh nghiệp quyết định sản xuất, kinh doanh.
1. Xác định vấn đề
Mục tiêu: Phân tích và dự đoán sự biến động giá gạo theo từng năm.
Câu hỏi: Giá tăng hay giảm do yếu tố nào? Có xu hướng gì trong tương lai?
2. Thu thập dữ liệu
Thu thập dữ liệu giá gạo theo năm từ 2015–2025.
Thu thêm dữ liệu liên quan: thời tiết, sản lượng, xuất khẩu
3. Tiền xử lý dữ liệu
Làm sạch dữ liệu (loại bỏ thiếu, sai).
Chuẩn hóa đơn vị giá, sắp xếp theo thời gian.
4. Phân tích dữ liệu
Vẽ biểu đồ để thấy xu hướng giá tăng hay giảm.
Tìm mối liên hệ giữa giá và các yếu tố (mùa vụ, sản lượng…).
5. Xây dựng mô hình
Dùng mô hình dự báo (ví dụ: hồi quy, chuỗi thời gian) để dự đoán giá năm tiếp theo.
6. Đánh giá mô hình
So sánh giá dự đoán với giá thực tế để kiểm tra độ chính xác.
7. Triển khai và kết luận
Đưa ra nhận xét: ví dụ giá tăng khi sản lượng giảm.
Ứng dụng: hỗ trợ nông dân hoặc doanh nghiệp quyết định sản xuất, kinh doanh.
1. Xác định mục tiêu: Phân tích dữ liệu lịch sử để tìm ra quy luật biến động giá của một mặt hàng nông sản cụ thể (ví dụ: cà phê) qua từng năm và dự báo xu hướng giá trong tương lai.
2. Thu thập dữ liệu: Thu thập các số liệu về giá cả hàng tháng, sản lượng thu hoạch, tình hình thời tiết và nhu cầu thị trường từ các nguồn tin cậy như Tổng cục Thống kê hoặc các sàn giao dịch nông sản.
2. Chuẩn bị dữ liệu: * Làm sạch dữ liệu (loại bỏ các thông tin bị thiếu hoặc sai lệch).
• Thống nhất đơn vị đo lường và đưa dữ liệu về dạng bảng để máy tính có thể xử lý.
3. Phân tích và khai phá dữ liệu: * Sử dụng các biểu đồ để trực quan hóa sự tăng giảm của giá qua các năm.
• Áp dụng thuật toán học máy (Machine Learning) để tìm ra mối liên hệ giữa các yếu tố (như hạn hán làm giảm sản lượng dẫn đến tăng giá).
4. Giải thích và trình bày kết quả: * Rút ra tri thức chuyên ngành: "Giá cà phê thường đạt đỉnh vào các năm có hiện tượng El Nino".
• Đưa ra khuyến nghị cho nông dân về thời điểm xuống giống hoặc thu hoạch để tối ưu hóa lợi nhuận.
1. Xác định vấn đề: Tìm hiểu mức biến động giá lúa qua từng năm để dự đoán xu hướng. 2. Thu thập dữ liệu: Thu thập giá lúa từ các năm (ví dụ: 2018–2024) từ chợ, báo cáo nông nghiệp. 3. Tiền xử lí dữ liệu: Làm sạch dữ liệu, loại bỏ giá trị sai, chuẩn hóa đơn vị (đồng/kg). 4. Phân tích dữ liệu: Tính giá trung bình từng năm, vẽ biểu đồ để thấy xu hướng tăng/giảm. 5. Mô hình hóa (nếu có): Dùng mô hình đơn giản để dự đoán giá năm tiếp theo. 6. Đánh giá và trình bày kết quả: Nhận xét xu hướng biến động, đưa ra kết luận và báo cáo.
Dự án gồm 5 giai đoạn: (1) Xác định vấn đề: Dự báo giá lúa gạo để hỗ trợ nông dân; (2) Thu thập dữ liệu: Lấy dữ liệu giá lịch sử, thời tiết và sản lượng; (3) Xử lý dữ liệu: Làm sạch các số liệu sai sót hoặc bị thiếu; (4) Mô hình hóa: Dùng thuật toán học máy để tìm quy luật biến động giá theo mùa vụ; (5) Triển khai: Công bố dự báo giúp người dân điều chỉnh kế hoạch canh tác và tiêu thụ.
Ví dụ các giai đoạn của dự án Khoa học dữ liệu: 1. Xác định vấn đề: Phân tích biến động giá nông sản theo năm. 2. Thu thập dữ liệu: Lấy dữ liệu giá, sản lượng, thời tiết. 3. Xử lý dữ liệu: Làm sạch, chuẩn hóa dữ liệu. 4. Phân tích: Xem xu hướng tăng/giảm, mức biến động. 5. Mô hình: Dự đoán giá bằng mô hình thống kê. 6. Đánh giá: Kiểm tra độ chính xác dự đoán. 7. Trình bày: Báo cáo kết quả và đề xuất.
Ví dụ: Phân tích giá gạo qua các năm.
Các giai đoạn:
Ví dụ dự án khoa học dữ liệu về biến động giá lúa qua các năm:
Đề tài: Dự báo mức biến động giá lúa gạo qua từng năm.
Giai đoạn
Nội dung thực hiện ví dụ
1. Xác định mục tiêu
Xác định mục tiêu là dự báo giá lúa gạo trong năm tới để giúp nông dân quyết định diện tích gieo trồng.
2. Thu thập dữ liệu
Thu thập dữ liệu giá lúa gạo từ các chợ đầu mối, số liệu xuất khẩu, tình hình thời tiết, diện tích canh tác trong 10 năm qua.
3. Xử lý dữ liệu
Loại bỏ các số liệu bị sai lệch, xử lý các khoảng thời gian bị thiếu dữ liệu, đưa dữ liệu về cùng một đơn vị đo lường (VNĐ/kg).
4. Phân tích và Khám phá
Sử dụng biểu đồ để xem xu hướng tăng/giảm giá theo mùa vụ hoặc theo các năm có thiên tai (El Nino, La Nina).
5. Xây dựng mô hình
Sử dụng các thuật toán thống kê hoặc học máy để tìm ra mối liên hệ giữa các yếu tố (thời tiết, nhu cầu thị trường) và giá cả.
6. Triển khai và Thông báo
Đưa ra báo cáo dự báo: "Dự kiến giá lúa gạo năm tới tăng 10% do hạn hán" để các bên liên quan có phương án ứng phó.
"Dự án gồm 5 bước: 1. Xác định mục tiêu dự báo giá; 2. Thu thập giá lịch sử và dữ liệu thời tiết; 3. Làm sạch dữ liệu; 4. Vẽ biểu đồ tìm quy luật tăng/giảm theo mùa; 5. Xây dựng mô hình dự báo giá tương lai."
Để áp dụng quy trình học máy cho bài toán phân loại ảnh “Chó” hoặc “Mèo”, ta làm theo các bước sau: 1. Thu thập dữ liệu (Data Collection) Lấy nhiều ảnh chó và mèo (có nhãn rõ ràng: chó/mèo). 2. Tiền xử lý dữ liệu (Preprocessing) Resize ảnh về cùng kích thước. Chuẩn hóa dữ liệu (pixel). Có thể tăng dữ liệu (lật, xoay ảnh). 3. Trích xuất đặc trưng (Feature Extraction) Dùng mô hình như CNN để tự học đặc trưng từ ảnh (tai, mắt, hình dáng...). 4. Huấn luyện mô hình (Training) Cho mô hình học từ dữ liệu đã gắn nhãn (chó/mèo). 5. Đánh giá mô hình (Evaluation) Kiểm tra độ chính xác bằng tập test. 6. Dự đoán (Prediction) Đưa ảnh mới (x) vào mô hình → mô hình trả kết quả: 👉 “Chó” hoặc “Mèo”. 👉 Tóm lại: Dữ liệu → Xử lý → Huấn luyện → Đánh giá → Dự đoán ảnh x là chó hay mèo. Đã tải lên ảnh Người Quản trị mạng cần theo học ngành Mạng máy tính và truyền thông vì: Có kiến thức nền tảng vững chắc: Ngành này cung cấp hiểu biết về cấu trúc mạng, giao thức, truyền dữ liệu, giúp quản trị viên hiểu hệ thống hoạt động như thế nào. Quản lý và vận hành hệ thống hiệu quả: Biết cách cài đặt, cấu hình, giám sát và xử lý sự cố mạng. Đảm bảo an ninh mạng: Học về bảo mật giúp phát hiện và ngăn chặn các cuộc tấn công, bảo vệ dữ liệu. Theo kịp công nghệ mới: Mạng máy tính luôn phát triển (cloud, IoT…), cần kiến thức chuyên ngành để cập nhật. Đáp ứng nhu cầu nghề nghiệp: Doanh nghiệp nào cũng cần hệ thống mạng ổn định nên nhu cầu nhân lực cao. 👉 Tóm lại: Học ngành này giúp người Quản trị mạng có đủ kiến thức và kỹ năng để vận hành, bảo mật và phát triển hệ thống mạng một cách hiệu quả. Đã tải lên ảnh Ví dụ minh họa các giai đoạn của một dự án Khoa học dữ liệu về biến động giá nông sản: 1. Xác định vấn đề (Problem Definition) Mục tiêu: Phân tích và dự đoán sự biến động giá lúa, cà phê, hồ tiêu qua các năm. 2. Thu thập dữ liệu (Data Collection) Lấy dữ liệu giá nông sản từ các năm trước (ví dụ: 2015–2025) từ chợ, báo cáo, website. 3. Tiền xử lý dữ liệu (Data Cleaning & Preprocessing) Loại bỏ dữ liệu sai, thiếu. Chuẩn hóa đơn vị giá (đồng/kg). Sắp xếp theo thời gian. 4. Khám phá và phân tích dữ liệu (EDA) Vẽ biểu đồ để xem xu hướng tăng/giảm theo năm. Tìm yếu tố ảnh hưởng (thời tiết, xuất khẩu...). 5. Xây dựng mô hình (Modeling) Dùng mô hình dự đoán (ví dụ hồi quy) để dự báo giá trong tương lai. 6. Đánh giá mô hình (Evaluation) So sánh dự đoán với dữ liệu thực tế để kiểm tra độ chính xác. 7. Triển khai & ứng dụng (Deployment) Ứng dụng kết quả để giúp nông dân hoặc doanh nghiệp quyết định thời điểm bán/mua.
Ví dụ dự án phân tích giá lúa qua từng năm:
Sử dụng mô hình hồi quy để dự đoán giá lúa gạo năm tới dựa trên dữ liệu lịch sử và dự báo về tình hình hạn mặn