PT : CaCO3 --900°C--> CaO + CO2

Khối lượng CaCO3 trong 1,5 tấn đá vôi là: m CaCO3 = 1,5×10^6 × 96,5% = 1,4475×10^6 (kg)

Số mol của CaCO3 là: n CaCO3 = 1,4475×10^6 ÷ 100 = 14475 (mol)

Mà số mol CaCO3 bằng số mol CaO: n CaO = n CaCO3 = 14475 (mol)

Khối lượng CaO tạo thành là: m CaO = 14475 × 56 × 85% = 689010 (kg) = 0,68901 (tấn)

PT: Na + H2O -> NaOH + 1/2 H2. PT: 2NaOH + CuSO4 -> Na2SO4 + Cu(OH)2 Hiện tượng: có khí thoát ra (H2), xuất hiện kết tủa màu xanh, không tan (Cu(OH)2)

Đặc điểm tinh thể kim loại:

- Tinh thể kim loại có cấu trúc chặt chẽ, các nguyên tử sắp xếp theo một quy luật nhất định, tạo thành mạng tinh thể.

- Các nguyên tử trong tinh thể kim loại có thể di chuyển một chút, giúp kim loại dễ dàng uốn, kéo thành sợi.

Liên kết kim loại:

- Liên kết kim loại là liên kết giữa các ion kim loại dương và "làn sóng electron tự do" (các electron có thể di chuyển tự do trong mạng tinh thể).

- Liên kết này giúp kim loại có tính dẫn điện, dẫn nhiệt tốt và có độ dẻo, dễ uốn.

sau đây là ví dụ minh họa cho các giai đoạn của một dự án Khoa học dữ liệu, áp dụng vào bài toán phân tích mức biến động giá cả một số mặt hàng nông sản qua từng năm:

1. Xác định vấn đề (Problem Definition)

Mục tiêu: Phân tích và dự đoán mức biến động giá cả của một số mặt hàng nông sản (ví dụ: gạo, cà phê, hồ tiêu, cao su...) theo từng năm.

Câu hỏi đặt ra:

Giá mặt hàng nào biến động mạnh nhất?

Có xu hướng tăng/giảm đều không?

Yếu tố nào ảnh hưởng đến giá?

2. Thu thập dữ liệu (Data Collection)

Nguồn dữ liệu:

Tổng cục thống kê, Bộ Nông nghiệp, FAO, hoặc web nông sản.

Dữ liệu bao gồm:

Tên mặt hàng

Năm/tháng

Giá bán trung bình

Sản lượng, xuất khẩu, thời tiết, dịch bệnh (nếu có)

3. Tiền xử lý dữ liệu (Data Preprocessing)

Làm sạch dữ liệu: Xử lý dữ liệu thiếu, loại bỏ giá trị bất thường.

Chuyển đổi dữ liệu thời gian: Trích xuất năm/tháng.

Chuẩn hóa đơn vị giá (nếu mỗi nguồn dùng đơn vị khác nhau).

Biến đổi đặc trưng (feature engineering): Tạo cột “% thay đổi giá”, “giá trung bình theo năm”...

4. Phân tích dữ liệu (Exploratory Data Analysis)

Vẽ biểu đồ: đường (line chart), cột (bar chart), heatmap...

Phân tích xu hướng:

Ví dụ: Giá cà phê tăng đều từ 2019–2022, nhưng giảm mạnh năm 2023.

So sánh giữa các mặt hàng để tìm loại biến động mạnh nhất.

5. Mô hình hóa (Modeling)

Áp dụng mô hình học máy:

Dự báo giá năm sau dùng: Linear Regression, Random Forest, LSTM,...

Đánh giá mô hình: Dùng MAE, RMSE, R² để kiểm tra độ chính xác.

6. Trình bày kết quả (Communication)

Tạo báo cáo hoặc dashboard trực quan (bằng Power BI, Tableau, hoặc Python - Matplotlib/Seaborn).

Đưa ra khuyến nghị: Ví dụ, "Mặt hàng hồ tiêu có biến động giá cao, cần theo dõi kỹ yếu tố xuất khẩu."

7. Triển khai (Deployment - nếu có)

Xây dựng web/app cho nông dân, thương lái tra cứu giá dự báo.

Tự động cập nhật dữ liệu hằng tháng/năm.

Học nghành mạng máy tính và truyền thông giúp người quản trị mạng: hiểu rõ hệ thống mạng, cấu hình và quản lý thiết bị mạng, đảm bảo an toàn thông tin, khả năng phân tích và xử lý sự cố, cập nhật công nghệ mới

Để áp dụng quy trình học máy vào bài toán phân loại hình ảnh "Chó" hoặc "Mèo", ta sẽ đi qua các bước cơ bản như sau:

1. Thu thập dữ liệu

Nguồn dữ liệu: Có thể dùng tập dữ liệu công khai như Dogs vs. Cats Kaggle Dataset.

Dữ liệu gồm hình ảnh được gắn nhãn: "dog" hoặc "cat".

2. Tiền xử lý dữ liệu

Resize: Đưa các ảnh về cùng kích thước (ví dụ: 128x128).

Chuẩn hóa: Chia các giá trị pixel cho 255 để đưa về khoảng [0, 1].

Gắn nhãn: "dog" → 1, "cat" → 0 (hoặc ngược lại).

Chia dữ liệu:

Training set: 70-80%

Validation set: 10-15%

Test set: 10-15%

3. Chọn mô hình

Dùng mô hình học sâu CNN (Convolutional Neural Network).

Ví dụ mô hình đơn giản:

Conv2D → MaxPooling2D → Flatten → Dense → Sigmoid

4. Huấn luyện mô hình

Sử dụng thư viện như TensorFlow/Keras:

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

model.fit(train_data, train_labels, epochs=10, validation_data=(val_data, val_labels))

5. Đánh giá mô hình

Dùng tập test để đánh giá độ chính xác:

model.evaluate(test_data, test_labels)

Có thể tính thêm các chỉ số: Precision, Recall, F1-score.

6. Dự đoán

Dự đoán 1 hình ảnh bất kỳ:

prediction = model.predict(new_image)

if prediction > 0.5:

print("Chó")

else:

print("Mèo")

7. Triển khai

Đưa mô hình vào website, app, chatbot, hoặc dùng API để phân loại ảnh thực tế.