Tham dự Tech Lounge

Tham dự Tech Lounge


[Hỏi Tinh tế] Nên bắt đầu học machine learning và AI như thế nào?

Duy Luân
11/12/2017 23:2Phản hồi: 149
[Hỏi Tinh tế] Nên bắt đầu học machine learning và AI như thế nào?
Hôm qua có một loạt chủ đề về AI xuất hiện, trong đó nhiều anh em đang làm trong lĩnh vực IT có hỏi rằng làm sao để bắt đầu học và nghiên cứu về AI. Một số bạn sắp lên đại học cũng hứng thú với bộ môn này nên mình lập topic để anh em nào biết có thể chia sẻ cho những anh em đi sau về cách tiếp cận với machine learning và AI nói chung nhé. AI sẽ là một xu hướng mới, và rất nhiều công ty đang tuyển dụng nhân sự trong ngành này nhưng lại cực kì khó kiếm được người nên đây sẽ là cơ hội lớn cho các anh em thích công nghệ.

Riêng mình thì bắt đầu học bằng các khóa miễn phí trên Coursera hoặc các trang dạy học online. Những kiến thức nền tảng bạn cần có là một chút xíu về lập trình, một ít về toán cao cấp (ma trận, vector), và một ít "não" để suy nghĩ. Anh em nào hứng thú thì có thể bắt đầu với khóa học nổi tiếng của Andrew Ng, giáo sư Đại học Stanford ở đây. Trong khóa học này giáo sư có dạy cả về toán cao cấp nên nếu bạn chưa biết kiến thức đó thì cũng không sao, xem clip sẽ hiểu ngay. Sau khi học về cơ bản (mình chưa học hết 😁), mình bắt đầu tự đi kiếm các bài tập thực tế trên Google có rất nhiều, chủ yếu là các bài toán về phân loại và dự đoán.

Tiết lộ chút: machine learning sắp được áp dụng cho Tinh tế để gợi ý bài đọc cho anh em đó :D phần thuật toán và dữ liệu đã xong, đang chờ hiển thị lên thôi hihi.

149 bình luận
Chia sẻ

Xu hướng

Khuehm1511
ĐẠI BÀNG
6 năm
K biết tiếng anh
dp1415
ĐẠI BÀNG
6 năm
@emngheolam Mình mới phát hiện ra một site viết bằng tiếng Việt khá hay
https://machinelearningcoban.com/
Machine Learning cơ bản
machinelearningcoban.com
faraway93
TÍCH CỰC
6 năm
dạ em hàng. Ngày xưa toán cao cấp toạch mấy lần nên hốt rồi😁:D
nhà em có cái này thôi mà đã thấy hay lắm rồi
nếu nó có AI nữa thì hết sẩy
@tienthanht919 Con camera xiaofang này xài ổn không bạn ?
@Electric_Shock đang mò để xem lại clip đây nó lưu vào thẻ mà xem ko đc còn độ nét là chấp cả cam trên thị trường 2 triệu luôn
@tienthanht919 Giá nhiêu v b.
@Electric_Shock 500 hii
jackieTong
ĐẠI BÀNG
6 năm
Trước khi học máy học và trí tuệ nhân tạo thì:
B1: học về người học
B2: trí tuệ thật
B3: cứ thế mà xoã, nghiên cứu bộ môn nào cũng thế thôi cứ như hồi học toán, học triết, học lập trình mỗi người đều có cách riêng mà họ đến khi biết rồi sẽ chợt nhận ra chả cần phải hỏi ai cả
Tinh tế mà có người học được machine learning và AI mới tài, viết tiếng việt còn chưa xong bày đặt học sao nổi? Tác giả viết "AI sẽ là một xu hướng mới" ..kkk..nó thể hiện 1 nền học thức còn kém, AI đã được phát triển từ rất lâu rồi, ngày nay nó chẳng qua được ứng dụng nhiều hơn chứ không phải là xu hướng mới nhé tác giả. anh em được đạo tạo chính quy về CNTT sẽ biết nhiều chứ không lởm khởm cưỡi ngựa xem hoa như mấy ông tinh tế này, có khi còn không biết phân loại ý chứ, hàng năm đã có hàng ngàn bài báo khoa học quốc tế lĩnh vực này ra đời rồi nhé tác giả...chắc tác giả béo thôi chứ không biết bài báo khoa học là gì đâu nhỉ??? nó ko phải là bài đăng lên tinh tế này đâu...
kurt80
TÍCH CỰC
6 năm
@vietdevelop Chẩn đoán y học thì mình nghĩ AI sẽ vượt mặt bác sĩ vào một ngày không xa, nếu tất cả các chuyên gia hàng đầu kết hợp với nhau để xây dựng bộ dữ liệu thật tốt. Còn không dựa vào mấy ông bác sĩ phường thì AI còn ngu hơn thầy lang đó.
@kurt80 Thực tế là xe tự lái của Tesla hoạt động độc lập với server, đã có chip chuyên dụng cho Deep Nets, nên chỉ cần build model, đổ lên là nó chạy ầm ầm real time. Thực tế cho thấy phần cứng và giải thuật hỗ trợ cho nhau cùng phát triển, nếu giải thuật không phát triển ra Deep Nets thì Nvidia cũng chả phải nâng cấp card đồ hoạ lên khủng khiếp chỉ để giải quyết bài toán chơi game và đồ hoạ. AI đã có thời kì winter vì phần cứng không theo kịp, và giờ đang phát triển trở lại mạnh mẽ hơn và chưa cho thấy dấu hiệu sẽ lại đóng băng lần nữa (nhờ kết hợp với big data và internet). Về chẩn đoán y học thì đã có lĩnh vực vượt mặt bác sĩ rồi, và đã có bác sĩ AI được cấp phép hành nghề tại TQ (vượt qua kì thi khảo sát, thi viết chứ không phải trắc nghiệm).
@Duy Luân bác Duy Luân chịu chơi ghê . Em thấy mấy khoá học toàn trên 1 triệu thôi đành bỏ ... e cũng đọc hiểu tiếng anh đc chút nhưng tiền bỏ ra cuối năm còn lo cái tết đã ... chúc bác thành công
IMG_4409.PNG
@thichlangthang người ta học mất hàng bao nhiêu tiền đó bác , học thật tự trang bị cho bản thân. Đáng lẽ ủng hộ bác lại đi ngược lại ... uổng cho cái sự học của bác .
Tinh tế mà tích hợp AI thì sheeple lên ngôi. Bài nào có sam trong đó thì auto chữi. Mem này war vs sheeple thì tự động ra đão hoặc mem nào nói đúng quá thì delete cmt
@nguyen vanvannguyen Ý hay, mình phải học để viết 2 con để tụi nó tự cãi lộn với nhau mới được! 😁 Có lợi cho forum seeding nói riêng và digital marketing nói chung! 😆)
vuduytann
ĐẠI BÀNG
6 năm
Năm nay sẽ vào đại học, định hình trong đầu là theo ngành IT, nhưng vẫn chưa biết rõ cụ thể nên học chuyên ngành nào, các anh chị cho em hỏi là nếu theo xu hướng hiện nay và sau này là AI, machine learning thì bây giờ nên bắt đầu như thế nào?
shibaaa-
ĐẠI BÀNG
6 năm
@zutowa Tất cả chỉ tại bạn gà :p:p
maskofzorro
ĐẠI BÀNG
6 năm
@vuduytann Bạn nên bắt đầu với kĩ thuật ghost, cài lại win, kĩ năng dòng dây mạng, bấm đầu hạt mạng 😁
@maskofzorro Cài máy in, máy photo với thay mực nữa :D
trandaubac
TÍCH CỰC
6 năm
@maskofzorro cài được tất cả các đời pc ,driver,phần mềm ,phần cứng ,dt ,máy chiếu camera nữa
anh_comdr
ĐẠI BÀNG
6 năm
Hồi xưa học bách khoa, cứ những môn nào tên nghe có vẻ nguy hiểm là y như rằng học chả hiểu gì rồi vào thi cũng trong tình thế vô cùng nguy hiểm
ONE NO!
TÍCH CỰC
6 năm
@anh_comdr Em đang học Trí tuệ nhân tạo trong điều khiển cug bất đồng ngôn ngữ vs giảng viên, tuần nào về cug tìm tài liệu đọc rồi làm bt nộp sml
@anh_comdr =)) thế bây h đồng chí ntn rồi ạ 😁 :D
anh_comdr
ĐẠI BÀNG
6 năm
@ONE NO! Ko sao, thi xong la quen luon thoi
Lan sau rut kinh nghiem, kiem mon nao thay cho diem cao thi nhay vao ma hoc
Nero P
ĐẠI BÀNG
6 năm
Mình khởi đầu với việc tiếp cận Deep Learning
Quyển sách cho ae: http://www.deeplearningbook.org/
Deep Learning
deeplearningbook.org

Càng vào sâu trong AI thì mới biết xác suất nó quan trọng vãi cả loằn
hoanglamxung
ĐẠI BÀNG
6 năm
@Duy Luân Bạn làm thêm chủ đề Big Data đi? Học Big data ở đâu nhỉ?
@hoanglamxung Để suy nghĩ thử hihi
@hoanglamxung Học thì Google thoải mái bác ơi
@Nero P Khởi đầu mà đọc ông Goodfellow này mà hiểu thì là thiên tài. Ông này là tác giả của GAN đang nổi như cồn trong giới Deep Learning, nên có cách viết sách rất ư là khó hiểu vì mặc định mọi người hiểu hết rồi 😁
Huy Hào
TÍCH CỰC
6 năm
Các bác cho mình hỏi nếu lập trình viên cty Nhật có đạt nổi 30 triệu/tháng không? Thanks.
@Huy Hào có, giá đó thấp mà...
@Duy Luân Nó đang hỏi vào làm nhân viên cho cty của Nhật mà ông. o_O
@Huy Hào: có, nếu bạn cực kỳ xuất sắc nhé :p. Chứ mặt bằng chung thì 1/2 thôi nhé. :rolleyes:
@Huy Hào Nếu lập trình không thì ko dc. Nhưng nếu biết thêm tiếng Nhật thì có thể gấp đôi số đó, cơ hội sang nhật làm việc rất cao
@Huy Hào Cỡ best của best mới có giá đó 😁 Còn học kiểu làng nhàng thì thua 😃
Tưởng ko mất tiền vào đăng ký. Ra là mất tiền. Nếu ko thì cũng bị giới hạn nhiều
@bravewarriorvn Khóa đó free nhé bạn
ONE NO!
TÍCH CỰC
6 năm
Muốn tìm hiểu nên đọc qua page machine learning cơ bản của anh Vũ Hữu Tiệp song song đó có thể tham khảo khoá học của Andrew Ng. Khi có những khái niệm cơ babr và thuật ngữ thì rất dễ đọc tài liệu nghieen cứu sau này. Một số trường đại học ở Việt Nam cũng có dạy món này nhưng ở mức cơ bản, sinh viên muốn thì tự tìm hiểu thêm. Muốn bắt đầu vs ML phải có kiến thức cắn bản về Đại số tuyến tính, lập trình, Anh văn
https://www.facebook.com/groups/machinelearningcoban/

facebook.com

ចូលទៅក្នុង Facebook ដើម្បីចាប់ផ្ដើមការចែករំលែក និងការតភ្ជាប់ជាមួយមិត្តភក្ដិ គ្រួសាររបស់អ្នក ព្រមទាំងមនុស្សដែលអ្នកស្គាល់។
facebook.com
@ONE NO! Forum này không có cơ bản =)) mấy bác bàn các vấn đề khó hiểu chết được
ONE NO!
TÍCH CỰC
6 năm
@Duy Luân Mình đọc khúc nào không hiểu thì gg cái liên quan, youtube câc kiểu
@Duy Luân Page nằm ở chỗ này, căn bản ngang với bác Andrew Ng., dễ hiểu hơn chút
https://machinelearningcoban.com/2016/12/26/introduce/
Bài 1: Giới thiệu về Machine Learning
machinelearningcoban.com
duykienvp
ĐẠI BÀNG
6 năm
Vào Tinh tế cũng lâu nhưng có lẽ giờ mới comment 1 cái đầu tiên 😁 Chẳng qua thấy cái post thú vị.

Mình hiện đang học Phd ở University of Southern California, cũng làm về ML nên muốn chia sẽ đôi chút. Bắt đầu tự mày mò học AI và ML từ năm 2011, 2012 gì đó. Hồi đó chưa có hot như bây giờ. Tự học nên trải qua mớ hỗn độn nên cũng hiểu được 1 chút cái nào là đáng, cái nào ko.

AI thì rộng hơn nên mình nói chủ yếu về ML, và mọi ng có lẽ quan tâm đến cái này hơn. Đầu tiên để có cái nhìn căn bản về ML là cái j thì tốt nhất vẫn là course của Andrew Ng trên coursera (https://www.coursera.org/learn/machine-learning). Mình đến khoảng cuối 2013 mới biết đến cái course này. Sau khi học xong thì như khai sáng ra vậy. Bài học xúc tích, dễ hiểu, giới thiệu được những cái cơ bản nhất cần biết.

Supervised Machine Learning: Regression and Classification

In the first course of the Machine Learning ... Enroll for free.
coursera.org


Sau khi học xong có thể bắt đầu làm nhiều thứ, tùy sở thích, và thuường các thứ này được làm song song:
  • Thử sức với các competition, nổi bật là Kaggle (https://www.kaggle.com/), để biết được 1 bài toán ML thực tế hơn thì nó sẽ như thế nào. Trang này hình như cũng cho tích điểm thì phải. Nếu nhiều điểm thì hay được mấy công ty gạ về làm.
  • Chọn 1 bài toán thực tế và làm. Có thể làm lại mấy bài toán "hot" rồi xem mình làm thực tế nó sẽ ra sao. Ví dụ như dịch Anh-Việt tự động, nhận dạng khuân mặt, nhận dạng giọng nói, artify 1 bức ảnh, ... Đại khái là nhiều. Ai mà làm tốt, kiếm ối tiền.
  • Học căn bản: cái này quan trọng nhưng mình lại để thành 1 option kiểu này bởi có lẽ ít người chịu học căn bản. Học căn bản thì khó hơn, nhưng theo mình cái này mới đưa bạn lên 1 tầm khác được, thay vì bị cuốn theo nhưng cái hot. ML có ít nhất 4 trụ cột:
    • Linear Algebra (đại số tuyến tính): dùng để biểu diễn. Giống như ảnh biêủ diễn bằng matrix, words biểu diễn bằng vector. Ai đọc 1 tý sẽ thấy toàn biến đổi matrix với vector. 1 course rất tốt để học là course của MIT, dạy bởi Prof. Gilbert Strang(https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/). Có thể đọc thêm sách của chính ổng.
    • Probability and Statistics (Xác suất thống kê): dùng để duy diễn (inference). Giống như các bạn muốn predict hay suggestion ấy. 1 statistical model thường được dùng để biểu diễn bài toán của các bạn và mục tiêu sẽ là ước luượng các đại lượng của model đó. Statistics 110 của Harvard là 1 course rất hay, super hay thì đúng hơn (https://projects.iq.harvard.edu/stat110/home).
    • (Convex) Optimization (tối ưu): dùng để tìm ra giá trị của các đại lượng các bạn cần tìm trong statistical model của mình. Course của Stanford rất hay (http://stanford.edu/class/ee364a/).
    • Computer Science: hiểu biết về khoa học máy tính để code giải thuật, chạy xử lý data, đọc ghi database, nhiều hơn thì phải tính toán song song, phân tán, xử lý lỗi hệ thống....
Một bài toán ML thường sẽ trải qua các bước:

Kaggle: Your Machine Learning and Data Science Community

Kaggle is the world’s largest data science community with powerful tools and resources to help you achieve your data science goals.
kaggle.com

  • Xây dựng mô hình thống kê cho bài toán để xem mình có gì, mình cần tính gì.
  • Biểu diễn các đối tượng dưới dạng vector, matrix
  • Biến đổi về dạng 1 bài toán tối ưu để tính các giá trị của mô hình thống kê.
  • Code, test và lặp đi lặp lại
và còn nhiều nữa...
kurt80
TÍCH CỰC
6 năm
@Duy Luân Mình cũng chưa biết là ngoài Hadoop ra có framework nào đủ tốt để chạy không???
@kurt80 Mình chỉ mới làm với Hadoop nên không rõ. Nội trong Hadoop đã có nheieuf thứ để tìm hiểu rồi hihi
duykienvp
ĐẠI BÀNG
6 năm
@hoanglamxung Như Duy Luân đã nói, Big Data cơ bản là 1 từ ngữ dùng để marketing việc xử lý dữ liệu "lớn", và "lớn" được định nghĩa rất chung chung, chẳng có cái j phân định được rõ là lớn hay nhỏ cả.

Big data có lẽ được bắt nguồn từ Data Mining mà marketing lên: khi bạn khai thác mỏ vàng để tìm vàng, bạn phải xử lý khối lượng đất đá (data) lớn để được ít ít vàng (knowledge). Nếu bạn tạm quên đi cái từ Big data để nhìn vào Data mining thì sẽ rõ lớn nó có những gì. Mục tiêu là tìm knowledge từ data. Cái quan trọng là knowledge chứ ko phải data. Data có thể chứa knowledge nhưng ko phải cứ nhiều data rác mà oai được (mình có thể generate random dataset cho bạn vài chục TB mà chả có chút xíu knowledge nào cả). Nên nếu ai nói với bạn rằng họ xử lý đống data nhiều cỡ nào, bạn hỏi lại họ xem knowledge họ lấy ra được từ đó tốt cỡ nào.

Khi bạn ngồi vào làm data mining với mục tiêu là tìm knowledge rồi sẽ thấy mọi thứ đến như thế nào. Có rất là nhiều chữ V trong đó (http://www.ibmbigdatahub.com/infographic/four-vs-big-data).
  • Volume (lượng): nói đến độ lớn của thứ bạn cần xử lý. Đây là cái thường được nhắc đến mỗi khi nói đến chữ "Big", cũng giống như khi mình lấy ví dụ về sinh dữ liệu trên kia vậy. Những cái Vs khác ít được quan tâm hơn nhưng ko kém phần quan trọng. Hadoop tập trung vào cái này.
  • Velocity (tốc độ): data đến với tốc độ càng lớn, bạn càng cần phải xử lý nhanh. Đơn giản vây thôi nhưng thử nghĩ bạn count 1 cái table trong SQL mất 1s. Nó sẽ ko là gì nếu bạn phải trả lời sếp mỗi ngày 1 lần. Nhưng nếu bạn phải trả lời 10000 khách hàng 1 lúc thì cái 1s đó là ko thể chấp nhận được. Lúc đó thì dù cái table của bạn dù chỉ có 10GB nhưng bạn vẫn đang làm big data đấy. Real-time framework nhưng Storm, Spark tập trung vào cái này.
  • Variety (sự đa dạng): bạn thường phải tổng hợp thông tin từ nhiều nguồn để có được kết quả tốt, ko bị lệch lạc. Làm sao tổng hợp được là bài toán khó. Data integration, data cleaning ko đơn giản chút nào. Nếu bạn clean cái đống vài chục TB mình generate cho bạn, chắc sẽ còn lại được 1 chút chút copy vào USB 😆 Khổ nỗi chính vì cái variety thường rất lớn nên ít có framework nào support data cleaning được tốt. Bạn có thể thử Trifacta coi (https://www.trifacta.com/products/wrangler/)
  • Veracity (tính đúng đắn): cái này thường rất ít được để ý bởi xác đinh được data của mình đúng đắn đến đâu là chuyện khó, cần có đầu óc và tư tưởng chịu phân tích. Do đó nhiều người ko thích vì chỉ muốn ăn xổi, cứ nghĩ rằng có đống data trong tay thì sẽ làm ngon. Lấy ví dụ như bạn đi gợi ý bài viết trên trang Tinh tế mà 90% dữ liệu bạn có hóa ra lại từ mỗi 1 user Duy Luân thì có vẻ ko ổn lắm ha. Statistical thinking cực kì quan trọng ở đây. Ko đủ dữ liệu thì cái suy diễn của bạn ko đủ tính thuyết phục. Do đó cần thêm data. Do đó có big data. Cái này mình chưa thấy có framework nào làm 😃)
Tùy người có thể cho thêm vài cái Vs khác nào nhưng mình thấy mấy cái này là quan trọng nhất. Bạn làm với cái Vs nào cũng có thể coi là đang làm về big data. Pipeline của nó thường có các bước:

What Is Data Wrangling? Tools & Templates - Alteryx

Data wrangling is the process of transforming and structuring data and making it more consumable and useful for analytics or machine learning.
alteryx.com

  • Data collection (acquisition)
  • Data cleaning (preprocessing)
  • Data analytic
  • Data visualization
  • Decision making
Big data thường được nói đến cái analytic và decision making, nhưng các phần khác ko kém phần quan trọng.

Hope this help
@duykienvp Pipeline bạn đề cập thuộc về data analysis, data dù to dù bé thì cũng làm các bước như vậy, và thực tế là 7 bước thêm cả bước problem specification và communication nữa. Làm data analysis trên big data thì cần các tool mạnh hơn để xử lí 4V, velocity không phải là tốc độ xử lí data, mà là tốc độ tăng trưởng của data, data không dậm chân tại chỗ mà sẽ càng phình to (nhiều user hơn nhiều access log hơn). Tương tự cho variety đúng là tính đa dạng của data, đến từ rất nhiều nguồn với rất nhiều thể loại, nên không thể chỉ đơn thuần aggregate như cách xử lí thông thường được (không thể aggregate videos chẳng hạn). Giữa data analysis, machine learning, và big data có mối liên hệ mật thiết hỗ trợ lẫn nhau. Mình attach landscape để mọi người tham khảo.

https://www.google.co.jp/url?sa=i&r...aw2Jvc98GrLDZHs0NkwT0i_2&ust=1513223586028619
kkk...đọc mà cười hoài...trí tuệ của dân tinh tế thật toẹt vời ông mặt trời...kkkk
beconsg
ĐẠI BÀNG
6 năm
Đầu tiên dĩ nhiên là lý thuyết, các khóa học online là nơi lý tưởng để bắt đầu, có cả lý thuyết lẫn một số bài tập, mock project, ... để ta hiểu sâu hơn vấn đề. Ngoài ra còn có forum trên đó để dễ dàng tìm câu trả lời cho những gì mình thắc mắc.
Khoá của GS Andrew Ng có thể nói là kinh điển nhưng có khá nhiều khó khăn hơn cho các bạn mới bắt đầu (background toán như Đại số, Thống kê, Tích phân chưa tốt). Mình chọn khoá Learning From Data của GS Yaser trường Caltech. Thầy giảng rất dễ hiểu và gần gũi (giọng cũng dễ nghe hơn Andrew Ng 😁)
Trên coursere, edx, ... còn nhiều khóa nữa. Cái quan trọng là phải theo hết một khóa và làm hết các bài tập chứ đừng bỏ giữa chừng
------------------------------------------------
Có lý thuyết nắm trong tay rồi, chúng ta có thể học thêm một số công cụ, ngôn ngữ để thực hành thêm và ứng dụng vào thực tế như trên DataCamp chẳng hạn, rất dễ hiểu và thực tiễn.
-----------------------------------------------
Level cao hơn rồi, các bạn có thể thử sức với các bài toán ở các trang thi online với data thực tiễn như Kaggle chẳng hạn.
----------------------------------------------
Quen với các cuộc thi dữ liệu online thế này là bạn thừa sức tìm các jobs ML của các cty ở Vietnam rồi 🆒
tr4n
TÍCH CỰC
6 năm
giỏi toán thống kê thì ML, ko thì AI
ONE NO!
TÍCH CỰC
6 năm
@tr4n Mình lại thấy đại số tuyến tính nhiều hơn
@tr4n giỏi thống kê thì đi làm data scientist, mà ML cũng là một phần trong đó hihi
tuan 95
CAO CẤP
6 năm
@Duy Luân bác duy luân cho em hỏi cái không liên quan chút là, blockchain giờ muốn học thì học ở trang nào nhỉ, bác có link không. Thanks!
@tuan 95 Mình không hihi
zero2368
ĐẠI BÀNG
6 năm
@Duy Luân hệ thống gợi ý bài đọc của tinhte dùng content base hay là collaborative filtering à anh?
@zero2368 collaborative filtering bạn ơi
@zero2368 cái content-based đang làm chưa xong hihi

Xu hướng

Bài mới









  • Chịu trách nhiệm nội dung: Trần Mạnh Hiệp
  • © 2024 Công ty Cổ phần MXH Tinh Tế
  • Địa chỉ: Số 70 Bà Huyện Thanh Quan, P. Võ Thị Sáu, Quận 3, TPHCM
  • Số điện thoại: 02822460095
  • MST: 0313255119
  • Giấy phép thiết lập MXH số 11/GP-BTTTT, Ký ngày: 08/01/2019