CÁC BÀI VIẾT VỀ CƠ SỞ DỮ LIỆU – BÀI GIỚI THIỆU 

Dữ liệu có vai trò quan trọng trong thời đại hiện nay hay trong mọi lĩnh vực đời sống là điều không phải bàn cãi. Một dự án công nghệ thông tin cũng vậy, mọi hoạt động đều quay quanh dữ liệu, nhưng ta cần biết tận dụng, thiết kế tốt nguồn dữ liệu đó, phương án tốt nhất không còn gì khác ngoài sử dụng Cơ sở dữ liệu. Một số bài viết sắp tới đây về Cơ sở dữ liệu hi vọng có thể giúp được phần cho các bạn đang tìm hiểu về nó. Khởi động là một bài giới thiệu về Cơ sở dữ liệu

A. Một số phương pháp lưu trữ thông tin, dữ liệu truyền thồng

1.Lưu trữ bằng giấy tờ:

• Trước khi máy tính xuất hiện, con người sử dụng giấy tờ để lưu trữ dữ liệu thông qua vẽ viết hoặc in trực tiếp trên giấy.
• Các hạn chế:
  •  Nếu muốn kiểm tra, nhập, xuất hay xóa thì sẽ cần phải biết chính xác vị trí của thông tin ấy. 
  • Việc này khá đơn giản với một lượng nhỏ thông tin nhưng với khối lượng lớn như về sinh viên của trường học hay bệnh nhân trong một bệnh viện… thì sẽ là nhiệm vụ gần như bất khả thi.

2. Lưu trữ bằng hệ thống tệp tin:

• Khi máy tính xuất hiện, ta có thêm một hình thức lưu trữ khác ra đời, đó là sử dụng hệ thống tệp tin. 
• Phương pháp này cũng tương tự như lưu trữ trên giấy tờ, nơi thông tin được lưu lại giờ là các tệp tin vì vậy nó vẫn tồn Các hạn chế:
  • Ta vẫn cần phải biết chính xác vị trí các tệp tin nếu muốn sửa đổi, kiểm tra, nhập xuất dữ liệu. 
  • Hơn nữa, trong một lượng lớn dữ liệu cần lưu trữ thì sẽ tồn tại rất nhiều kiểu dữ liệu của các tệp tin và với mỗi thao tác hay kiểu dữ liệu ta sẽ lại phải viết một chương trình (có thể là C, C++,…)  để thực hiện, nếu kiểu dữ liệu thay đổi thì đồng nghĩa với việc chương trình cũng phải được làm mới. 
  • Vì vậy mà phương pháp lưu trữ này tồn tại nhiều hạn chế như việc phải cô lập dữ liệu, các khó khăn trong truy nhập, dữ liệu có sự không nhất quán cũng như trùng lặp, các vấn đề bảo mật, tin cậy và toàn vẹn dữ liệu…

B. Cơ sở dữ liệu

Ta có thể thấy các phương pháp trên tuy đã có sự sắp xếp, bố trí các dữ liệu song vẫn còn tồn tại vô cùng nhiều nhược điểm. Vì vậy ta cần có một phương pháp tối ưu hơn, hiệu quả hơn với lượng dữ liệu khổng lồ chứ không đơn thuần chỉ một vài danh sách, đó là sử dụng Cơ sở dữ liệu. 

1. CSDL:

• Cơ sở dữ liệu (CSDL) được hiểu là tập hợp các dữ liệu về các khía cạnh của sự vật, có tính nhất quán và có mối liên kết nào đó với nhau, chúng được bố trí, sắp xếp theo một mục đích cụ thể của người sử dụng, thường được lưu trữ và truy cập điện tử từ hệ thống máy tính. 

2. Hệ Cơ sở dữ liệu:

• Hệ CSDL ngoài CSDL ra còn có Phần cứng, Phần mềm ứng dụng, Hệ quản trị CSDL, Người dùng. 
• Phân loại: tùy theo khía cạnh xét ta có thể chia thành các loại khác nhau:
  • Theo mức độ tập trung của dữ liệu: hệ CSDL tập trung và hệ CSDL phân tán.
  • Theo mô hình của dữ liệu: phân cấp (Hierarchical), mạng (Network), quan hệ (, hướng đối tượng
  • …

3. Hệ quản trị CSDL:

• Hệ quản trị CSDL chính là thứ giúp chúng ta có thể sử dụng CSDL, cụ thể thì đây là một hệ thống phần mềm dùng để định nghĩa (xác định kiểu, cấu trúc, ràng buộc dữ liệu), tạo lập (lưu trữ dữ liệu trên các thiết bị nhớ) và thao tác (truy vấn, cập nhật, kết xuất, …) các CSDL. Một số hệ quản trị dữ liệu phổ biến có thể kể tới như MySQL, Oracle, SQL Server… 
• Cấu trúc gồm 3 phần: 
  • Bộ xử lý câu hỏi với chức năng: tìm kiếm dữ liệu trả lời cho yêu cầu; đảm bảo chuyển đổi mọi truy vấn thành các yêu cầu ở mức có thể hiểu được bởi hệ CSDL; tạo phương án tốt cho yêu cầu của người dùng.
  • Bộ quản trị giao dịch: đảm bảo tính nhất quán, chính xác của dữ liệu; quản lý điều khiển các hoạt động diễn ra cùng lúc; phát hiện lỗi và phục hồi CSDL.
  • Bộ quản lý lưu trữ: lưu trữ và truy xuất dữ liệu từ thiết bị nhớ; tối ưu dữ liệu trên bộ nhớ; tạo tương tác hiệu quả với bộ quản lý tệp.

4. Nguời dùng

Tùy vào phân loại của hệ CSDL sẽ có các số lượng người dùng với các vai trò, quyền hành, giao thức thực hiện khác nhau, một số ví dụ như sau:

• Trong hệ CSDL cá nhân (phân tán): thì người dùng chỉ có một, thực hiện mọi thao tác từ tạo lập, chỉnh sửa, nhập xuất…
• Trong hệ CSDL khách – chủ (phân tán): chủ sẽ giữ tài nguyên CSDL, khi khách gửi yêu cầu về dữ liệu thì phía chủ sẽ gửi dữ liệu theo yêu cầu tới.
• …

5. Tại sao sử dụng Cơ sở dữ liệu lại là biện pháp tốt:

CSDL đã khắc phục được các hạn chế của các phương pháp lưu trữ truyền thống: 

• Dữ liệu có thể tồn tại lâu dài.
• Tạo điều kiện để lập các mối liên hệ giữa các bảng dữ liệu, giúp các thao tác nhập, chèn, tìm kiếm nhanh chóng.
• Tính nhất quán trong dữ liệu hạn chế được sự trùng lặp, dư thừa. 
• Thông qua hệ quản trị CSDL thì các chương trình ứng dụng và dữ liệu đã độc lập hơn, không còn phải thay đổi chương trình theo dữ liệu. 
• Trừu tượng hóa dữ liệu. 
• Những tính năng của hệ quản trị CSDL còn đem tới các hỗ trợ về bảo mật khi có thể giới hạn đối tượng người truy cập đồng thời cũng tạo điều kiện cho nhiều người cùng truy cập đồng thời, lưu trữ nhiều kiểu dữ liệu, định nghĩa thêm các cấu trúc và sử dụng dữ liệu, tạo dữ liệu dự phòng…

Trên đây là một vài nét về sử dụng CSDL trong việc lưu trữ, còn cụ thể thành phần trong CSDL, các thao tác, câu lệnh, thiết kế dữ liệu… sẽ có trong các số học thuật tiếp theo. Bài viết có thể vẫn còn thiếu sót nên rất mong mọi người đóng góp thêm và sẽ đón đọc các bài đăng sắp tới.

TỔNG QUAN VỀ NumPy

1.Giới thiệu về thư viện NumPy

a. NumPy là gì?

NumPy là một thư viện mã nguồn mở miễn phí được sử dụng phổ biến trong ngôn ngữ Python. Kể từ khi tác giả Travis Oliphant tạo ra vào năm 2005, NumPy luôn được các coder trên thế giới ưa chuộng nhờ sự tiện lợi và các tính năng vượt trội so với các kiểu dữ liệu tập hợp(collection) có sẵn.  

Là một thư viện đặc biệt mạnh về kiểu dữ liệu mảng, NumPy cung cấp các hàm và object để hỗ trợ làm việc với miền đại số tuyến tính, các ma trận và biến đổi Fourier.

NumPy là viết tắt của Numerical Python.

Các bạn có thể đọc thêm thông tin về NumPy tại: https://numpy.org/

b. Tại sao lại sử dụng NumPy

Ở Python, chúng ta đã có sẵn kiểu dữ liệu thông dụng khi làm việc với mảng, đó là list. Nhưng đôi khi, tốc độ xử lý của Python lại không đáp ứng được nhu cầu của chúng ta.

Với sự ưu việt trong tính toán của NumPy, chúng ta có thể làm việc nhanh gấp 50 lần so với kiểu dữ liệu list truyền thống, sự chênh lệch càng cao khi chúng ta phải làm với các bộ dữ liệu lớn và phức tạp.

Đối với các lập trình viên, sự quản lý về mặt bộ nhớ và tài nguyên là rất quan trọng. Thư viện NumPy cung cấp đối tượng mảng ndarray được lưu trữ liên tục trong bộ nhớ, khác hẳn với kiểu dữ liệu list thông thường, do đó quá trình tham chiếu và làm việc với mảng được giảm bớt thời gian xử lí. Ngoài ra, không chỉ viết bằng ngôn ngữ Python, một phần lớn các hàm của NumPy còn được viết bằng ngôn ngữ C và C++ – là các ngôn ngữ rất chặt chẽ về quản lý tài nguyên và tốc độ xử lí.

Mã nguồn của NumPy được đặt tại: https://github.com/numpy/numpy

2.Cài đặt NumPy

a. Cài đặt môi trường Python

NumPy là một thư viện được xử dụng trong môi trường Python, do đó, để sử dụng được NumPy, trước tiên các bạn cần phải cài đặt môi trường Python cho thiết bị của mình.

Truy cập: https://www.python.org/

Di chuột vào mục Downloads và chọn phiên bản mới nhất(ở thời điểm mình cài đặt là phiên bản 3.10.7).

Sau đó trang web sẽ tự động chọn cho bản phiên bản tương thích với thiết bị của bạn, như ví dụ trên là phiên bản của CPU AMD với hệ điều hành 64-bit.

Sau khi tải xuống hoàn thành, bạn khởi chạy file đã tải và thực hiện cài đặt Python.

Bạn có thể kiểm tra xem máy mình đã cài đặt thành công môi trường Python chưa bằng cách mở Command Prompt và gõ lệnh python –version, nếu kết quả trả về là phiên bản của bạn thì bạn đã cài đặt thành công.

b. Cài đặt thư viện NumPy

Chúng ta sẽ tiến hành cài đặt thư viện Numpy qua trình quản lý thư viện Python Preferred Installer Program(PIP).

Đối với các phiên bản Python từ 3.4 trở lên, trình quản lý thư viện PIP đã được cài đặt sẵn theo môi trường Python, do vậy, chúng ta có thể tiến hành cài đặt NumPy luôn. Tuy nhiên, đối với các phiên bản Python trước đó, chúng ta cần cài đặt PIP để tiếp tục thực hiện cài đặt NumPy.

Cách cài đặt PIP đối với phiên bản trước Python 3.4, các bạn xem tại : https://pip.pypa.io/en/stable/installation/

Để cài đặt thư viện NumPy qua trình quản lý thư viện PIP, rất đơn giản, bạn chỉ cần bật Command Prompt lên và gõ lệnh pip install numpy và chờ cho thư viện NumPy được cài đặt.

Để kiểm tra xem bạn đã cài đặt thành công chưa, hãy gõ lệnh pip show numpy và nếu thành công thì thông tin về vị trí, phiên bản,… của thư viện NumPy sẽ hiện ra.

3.Một số ứng dụng của NumPy

Để bắt đầu làm việc với NumPy, bạn cần import thư viện vào chương trình của bạn.

import numpy

Sau đây mình sẽ giới thiệu một số ứng dụng đơn giản của NumPy.

Khởi tạo mảng:

import numpy
arr=numpy.array([1,2,3,4,5])
print(type(arr))
print(arr)

Output:

<class 'numpy.ndarray'> 
[1 2 3 4 5]

Như chúng ta thấy, kiểu của biến arr được định nghĩa là đối tượng ndarray thuộc thư viện NumPy

Thực hiện các phép toán với mảng:

import numpy
arr1=numpy.array([14,2,3])
arr2=numpy.array([3,22,5])
print(arr1+arr2) # cộng các phần tử tương ứng của 2 mảng
print(arr1-arr2) # trừ các phần tử tương ứng của 2 mảng
arr=numpy.array([[1,2,3],
                 [4,5,6],
                 [7,8,9]]) # tạo mảng 2 chiều
print(arr)

Output:

[17 24 8]

[ 11 -20 -2]

[[1 2 3]

 [4 5 6]

 [7 8 9]]

Ngoài ra, chúng ta còn có thể làm việc với mảng như với vector và ma trận:

import numpy
vct=numpy.array([14,2,3]) # tạo vector
arr=numpy.array([[1,2,3],
                 [4,5,6],
                 [7,8,9]]) # tạo ma trận 3x3
print(arr.shape) # in kích thước ma trận
print(arr + vct) # cộng vector vào các hàng ma trận
print(numpy.dot(arr,vct)) # nhân ma trận với vector

Output:

(3, 3)

[[15  4  6]

 [18  7  9]

 [21 10 12]]

[ 27  84 141]

Tính giá trị trung bình, độ lệch chuẩn theo cột, hàng:

Tham số axis được truyền vào để tính theo cột với giá trị 0 và hàng với giá trị 1, giá trị mặc định của nó là None, tức là sẽ tính trên cả mảng. 

import numpy
arr=numpy.array([[1,2],
                 [4,5]]) # tạo ma trận 2x2
print(numpy.mean(arr)) # tính trung bình cộng cả mảng
print(numpy.mean(arr, axis=1)) # tính trung bình cộng theo hàng
print(numpy.std(arr, axis=0)) # tính độ lệch chuẩn theo cột
print(numpy.std(arr, axis=1)) # tính độ lệch chuẩn theo hàng

Output:

3.0

[1.5 4.5]

[1.5 1.5]

[0.5 0.5]

NumPy còn có khả năng broadcasting rất tốt, nói một cách đơn giản dễ hiểu thì đó là chức năng tự động điều chỉnh kích thước của các biến để chúng có thể tương tác với nhau.

import numpy 
A = numpy.array([[11, 22, 33], #mảng kích thước 2x3
                 [10, 20, 30]])
print(A)
b = 4
C = A + b
print(C)

Output:

[[11 22 33]

 [10 20 30]]

[[15 26 37]

 [14 24 34]]

Như các bạn biết, không hề tồn tại phép toán cộng một số với ma trận, tuy nhiên nhờ quá trình broadcasting của NumPy trong khi tính toán, biến b đã được biến đổi kích thước để có thể thực hiện phép toán cộng vào từng phần tử của ma trận A.

Hay dưới đây là ví dụ của cộng ma trận với vector:

import numpy 
a = numpy.array([[11, 22], #mảng kích thước 2x2
                 [10, 20]])
b = numpy.array([1,2])
C = a + b #cộng mảng với vector
print(C)

Output:

[[12 24]

[11 22]]

Vector b trong quá trình tính toán đã được biến đổi, cụ thể là thành một ma trận 2×2 để có thể thực hiện phép cộng ma trận.

Để hiểu rõ hơn về broadcasting, các bạn có thể xem tại: https://numpy.org/doc/stable/user/basics.broadcasting.html?highlight=broadcasting

Đặc biệt, trong Numpy còn có một module cực kì hữu ích cho các bạn khi học tập hay làm việc với đại số tuyến tính, đó chính là module Linear Algebra, hay còn được viết là numpy.linalg .

Module trên cung cấp các hàm rất hữu dụng như tính định thức, tìm hạng, tính nghịch đảo của ma trận, giải hệ phương trình tuyến tính,…

import numpy 
A = numpy.array([[1.0, 0, 1],
                 [0, 2, 0],
                 [0, 3, 7]])
B = numpy.array([2.0,2,10])
print("hạng của A:", numpy.linalg.matrix_rank(A))
print("định thức của A:{:.4f}".format(numpy.linalg.det(A)))
print("nghịch đảo A:", numpy.linalg.inv(A))
print("luỹ thừa bậc 3 của A:",numpy.linalg.matrix_power(A, 3))
print("giải phương trình AX=B",numpy.linalg.solve(A,B))

Output:

hạng của A: 3

định thức của A:14.0000

nghịch đảo A: [[ 1.          0.21428571 -0.14285714]

 [ 0.          0.5         0.        ]

 [-0.         -0.21428571  0.14285714]]

luỹ thừa bậc 3 của A: [[  1.  30.  57.]

 [  0.   8.   0.]

 [  0. 201. 343.]]

giải phương trình AX=B [1. 1. 1.]

Bạn có thể tìm hiểu thêm về module numpy.linalg tại: https://numpy.org/doc/stable/reference/routines.linalg.html

Trên đây là một số ví dụ đơn giản về các ứng dụng của thư viện NumPy, ngoài ra NumPy còn chứa rất nhiều điều lí thú đang chờ các bạn khai thác đấy!

Nhằm mục đích kết nối và hỗ trợ các ý tưởng mới của sinh viên với các nguồn lực về học thuật, kinh doanh, cơ sở vật chất, phòng thí nghiệm mà trường Công nghệ Thông tin và Truyền thông, câu lạc bộ SINNO thúc đẩy các hoạt động cầu nối và cung cấp những dịch vụ tốt nhất để các bạn sinh viên biến sáng tạo thành sản phẩm.

• Hạ tầng máy chủ với các cơ sở dữ liệu miễn phí. Ví dụ MySQL, MongoDB, SQL-Server…
  Như bạn biết đấy, để làm việc nhóm được với nhau thì phải chung cơ sở dữ liệu mới chung được cách xử lý và các tình huống.
• Tên miền sinno.soict.ai
  Nên miền an toàn, giúp khẳng định chủ sở hữu là sinh viên Trường CNTT&TT, sinh viên Bách Khoa.
• Máy chủ ảo vận hành 24/24.
  Để bạn yên tâm triển khai các dịch vụ, sẵn sàng bất cứ lúc nào, demo sản phẩm cho các nhà đầu tư bất cứ lúc nào
• Môi trường tuyển dụng
  Để bạn tìm kiếm người cùng chí hướng, xây dựng team của mình với rất nhiều bạn bè trang lứa sẵn sàng, thành thạo kỹ thuật, giỏi thiết kế đồ họa, lên kế hoạch toàn diện từ phát triển với bảo trì, từ quảng cáo tới truyền thông.
• Văn phòng co-working
  Không gian làm việc lịch sự, hiện đại, đạt chuẩn như các Hub, để bạn có không gian họp nhóm, đón tiếp khách hàng, tư vấn giải pháp.
• Sự hỗ trợ từ cộng đồng doanh nghiệp từ mạng lưới SOICT Consortium, kết nối bởi Trung tâm đổi mới sáng tạo Innovation Center)
  Giúp bạn không cô đơn, giúp bạn tự tin vào bản thân vì đằng sau mỗi nhóm khởi nghiệp là sự hỗ trợ kinh nghiệm và nếu ý tưởng tốt, cộng đồng doanh nghiệp sẽ cung cấp cả tài chính (hoàn toàn phi lợi nhuận)
• Sự hỗ trợ từ các phòng thí nghiệm
  Ý tưởng có thể dễ đánh cắp, nhưng học thuật là nền tảng cốt lõi mà chỉ có thể trải nghiệm chứ rất khó sao chép. Sự hỗ trợ về các thiết bị chuyên dụng, cách thức triển khai, cũng như giúp bạn định lượng, thẩm định thuật toán, ước lượng rủi ro. Có lẽ một chứng chỉ từ các phòng thí nghiệp này sẽ giúp các bạn có được niềm tin từ các nhà đầu tư, cũng như các khách hàng tiềm năng.