#xgboost

Automating Model Training and Delivery from Amazon SageMaker AI to Amazon EKS

Bài viết hướng dẫn toàn diện về quy trình tự động hóa từ huấn luyện mô hình trên Amazon SageMaker AI đến triển khai trên Amazon EKS, bao gồm điều chỉnh mô hình, đánh giá, giải thích, đăng ký và quản lý bằng Kubernetes.

Lập trình viên chuyên về cloud và AI nên đọc bài này để hiểu cách tự động hóa chuỗi từ huấn luyện mô hình trên SageMaker đến triển khai trên Kubernetes với EKS, giúp tối ưu hóa quy trình phát triển mô hình và giảm thiểu thời gian triển khai trong môi trường sản phẩm.

Generating insight: training Machine Learning models with events

Bài viết trình bày cách sử dụng event log và master data để huấn luyện các mô hình Machine Learning nhằm tính toán giá theo nhu cầu trong sản xuất công cụ tùy chỉnh, thông qua các kỹ thuật tổng hợp, làm sạch dữ liệu thực tế và đào tạo mô hình.

Một lập trình viên cần đọc bài này để hiểu cách kết hợp dữ liệu sự kiện và dữ liệu cơ sở dữ liệu để xây dựng mô hình học máy chính xác cho việc tính giá theo yêu cầu trong sản xuất công cụ tùy chỉnh, từ đó tối ưu hóa hiệu suất và giảm chi phí trong quy trình sản xuất.

Issue #138 - A Field Guide to Tree Models

Bài viết giới thiệu các thuật toán tree model phổ biến trong xử lý dữ liệu bảng, giải thích đặc điểm riêng biệt của từng loại (cách hoạt động, cú pháp triển khai ngắn gọn 3 dòng) và nhấn mạnh sự khác biệt giữa chúng.

Những kiến trúc cây (Decision Trees, Random Forest, XGBoost, LightGBM…) thường là giải pháp tối ưu cho nhiều vấn đề phân loại/ dự đoán tabular mà bạn không biết chọn cái nào phù hợp, vì mỗi loại có cách hoạt động và ưu nhược điểm riêng mà không phải tên gọi đơn giản đã giải thích.

The Snowflake MLOps Series — Part 2: The Feature Store

The Snowflake MLOps Series — Part 2: The Feature Store Stop losing your best feature sets In the first part of this series, we covered one of the central components of any MLOps infrastructure: the …

AI Dynamic Pricing Without Losing Trust

AI dynamic pricing giúp tối đa hóa doanh thu và biên lợi nhuận nhờ các mô hình AI linh hoạt, đồng thời duy trì lòng tin khách hàng thông qua các biện pháp kiểm soát chặt chẽ.

Lập trình viên nên đọc bài này để hiểu cách xây dựng hệ thống định giá động dựa trên AI mà vẫn duy trì sự tin tưởng của khách hàng thông qua các mô hình hiệu quả và các biện pháp kiểm soát an toàn.

I Built a Heart Disease Predictor With 9 ML Models. Here’s Which One Actually Won.

I Built a Heart Disease Predictor With 9 ML Models. Here’s Which One Actually Won. A few weeks ago I sat down with the UCI Heart Disease dataset — the classic Cleveland/Hungary/Switzerland/VA …

My first experiment with gradient boosting

Tôi đã thay đổi cách hiểu về gradient boosting sau khi trực tiếp áp dụng nó trong thực tế, khi thấy các weak learners kết hợp tạo thành mô hình mạnh mẽ hơn.

Lập trình viên nên đọc bài này để hiểu rõ cách gradient boosting không chỉ là sự kết hợp đơn giản của các mô hình yếu mà còn là một kỹ thuật mạnh mẽ, thực tế và có thể tối ưu hóa hiệu suất dự đoán bằng cách học từ các sai số của các mô hình trước.

How to Build an Acquisition Credit Scorecard in Python (Step by Step) in 2026

Hướng dẫn từng bước xây dựng mô hình điểm tín dụng (acquisition credit scorecard) bằng Python năm 2026, sử dụng dữ liệu từ nguồn bên ngoài (off-us bureau scrub data) theo quy trình thực tế tại một tổ chức tài chính phi ngân hàng (NBFC).

Lập trình viên chuyên nghiệp cần đọc bài này để hiểu cách xây dựng mô hình điểm tín dụng cho khách hàng mới bằng Python, giúp áp dụng kiến thức về xử lý dữ liệu thực tế trong ngành NBFC (lãi suất vay không ngân hàng) và chuyển đổi lý thuyết thành giải pháp thực tế cho dự án công nghệ tài chính.

The Snowflake MLOps Series — Part 1: The Model Registry

The Snowflake MLOps Series — Part 1: The Model Registry Introduction: From Custom Abstractions to Native Execution Back in 2023, I wrote an article about an architectural blueprint for managing ML …

Building FinGuard AI: What “Almost Done” Actually Meant

Xây dựng FinGuard AI, ứng dụng dự đoán vỡ nợ khoản vay, mất nhiều công sức vào việc gỡ lỗi các bất cập trong tiền xử lý, xung đột schema FastAPI, lỗi trạng thái frontend và tích hợp SHAP lẫn Gemini, chứ không chỉ huấn luyện mô hình ML. Quá trình "sắp xong" thực tế đòi hỏi xử lý toàn bộ kết nối giữa các thành phần, chứ không đơn thuần là sản phẩm ML.

Lập trình viên nên đọc bài này để hiểu rõ rằng thành công của một dự án AI không phụ thuộc vào mô hình ML hoàn hảo mà là vào việc khắc phục những lỗi kỹ thuật nhỏ nhưng quan trọng trong việc kết nối, xử lý dữ liệu và tối ưu hóa toàn bộ hệ thống, chứ không chỉ là phần code mô hình.

From Alerts to Intelligence: Building a Production Self-Healing System for Port-Down Failures

A production self-healing system was built to automatically remediate port-down failures in distributed infrastructure, eliminating the need for on-call engineer intervention in routine incidents. The system analyzes 28 features per alert — including system metrics, log signatures, temporal context, and environmental correlation — to train an XGBoost classifier that predicts whether automated instance replacement will resolve an incident. At a conservative confidence threshold, the model achieves ~96% precision. Safety mechanisms include blast-radius limits, deduplication, maintenance-window awareness, and correlation analysis to detect global failures. After 14 months in production, the system handled over 1,100 port-down incidents with ~80% resolved automatically, significantly reducing mean time to recovery and freeing engineers from repetitive toil. Continuous retraining with labeled escalations keeps the model accurate over time.

Federated Learning on Snowflake: Training ML Models Across Accounts Without Sharing Data

Triển khai Horizontal Federated Learning (HFL) hoàn toàn trên Snowflake bằng các tính năng gốc, không cần máy chủ hay S3 bên ngoài, với 3 tài khoản Snowflake trên AWS và Azure. Hệ thống huấn luyện 10 client trên dữ liệu y tế CDC phân tán địa lý, sử dụng FedAvg cho Logistic Regression và Federated Forest cho XGBoost, kết hợp Differential Privacy bằng nhiễu Gaussian. Kết quả cho thấy mô hình federated vượt trội so với local baselines, đặc biệt XGBoost hưởng lợi gấp 4.5 lần so với LogReg, với mọi client đều cải thiện trên dữ liệu riêng. Snowflake sử dụng Private Listings, Python Stored Procedures, VARIANT columns và Model Registry cho trao đổi tham số, huấn luyện, lưu trữ JSON linh hoạt và quản lý phiên bản.

Nếu bạn đang phát triển hệ thống học máy phân phối trên cloud mà không muốn phụ thuộc vào hạ tầng bên ngoài, Snowflake là giải pháp tối ưu vì nó cho phép triển khai học tập liên hợp (federated learning) hoàn toàn trên nền tảng này, tiết kiệm chi phí và tăng tính bảo mật bằng cách không chia sẻ dữ liệu thực.

I Pitted XGBoost Against Logistic Regression on 358 Matches. The Boring Model Won.

A practical experiment comparing five classifiers (logistic regression, random forest, KNN, neural network, XGBoost) on 358 international football matches reveals that logistic regression wins on log-loss while XGBoost performs worse than random guessing. The explanation centers on the bias-variance tradeoff: with only 358 samples and three features, high-capacity models overfit and produce confidently wrong probabilities, which log-loss penalizes heavily. The post explains why logistic regression's inductive bias matches the near-linear relationship in the data, discusses how to rescue tree-based models via regularization, and offers learning curves as a diagnostic for when complex models become worth it. The key takeaway is to match model complexity to data size, not to hype.