Đang tải... (xem toàn văn)
Rượu từ lâu đã là một loại thức uống truyền thống và phổ biến trên khắp thế giới, đã trở thành một biểu tượng của nền văn hóa và ẩm thực độc đáo. Sự đa dạng về loại rượu, cùng với sự thay đổi các thành phần hóa học trong quá trình sản xuất và chế biến, tạo nên sự phức tạp trong việc phân loại và xác định nguồn gốc của chúng. Do đó việc nghiên cứu và phân loại rượu đã trở thành một lĩnh vực quan trọng, đặc biệt đối với nền công nghiệp thực phẩm, thương mại, y tế,.. ngày nay. Trong bài báo cáo đồ án này, chúng tôi tập trung vào việc phân loại rượu sử dụng mô hình KNearest Neighbors và PCA. Mô hình KNearest Neighbors (KNN): KNN là một thuật toán học máy đơn giản nhưng mạnh mẽ trong việc phân loại dữ liệu. Điểm mạnh của KNN nằm ở khả năng phân loại hiệu quả và độ linh hoạt khi không yêu cầu một mô hình toán học cụ thể. Phân tích thành phần chính (PCA): PCA là một phương pháp giảm chiều dữ liệu, giúp loại bỏ sự phức tạp và giảm số chiều của dữ liệu mà vẫn bảo toàn được thông tin quan trọng. Sự kết hợp giữa thuật toán KNN và phương pháp PCA cho phép chúng tôi nắm bắt các yếu tố quan trọng trong sự đa dạng các thành phần dữ liệu về rượu, đồng thời tối ưu hóa quá trình phân loại và cung cấp một cách tiếp cận hiệu quả để giải quyết vấn đề này. Nội dung báo cáo đồ án nà
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN ======* * * ====== ĐỒ ÁN CHUYÊN NGÀNH NGÀNH: KHOA HỌC MÁY TÍNH ĐỀ TÀI: PHÂN LOẠI RƯỢU SỬ DỤNG MƠ HÌNH K-NEAREST NEIGHBORS VÀ PCA GVHD : TS Nguyễn Mạnh Cường Lớp : 20231IT6052002 Nhóm : 12 Thành viên : Trần Việt Anh Đỗ Đức Phú Hà Long Vũ Hà Nội, Năm 2023 MỤC LỤC LỜI CẢM ƠN LỜI MỞ ĐẦU CHƯƠNG 1: TỔNG QUAN 1.1 Tìm hiểu Machine Learning (Học Máy) 1.1.1 Khái niệm 1.1.2 Vai trò Machine Learning 1.1.3 Một số kỹ thuật Machine Learning 10 1.1.4 Một số phương pháp Machine Learning 10 1.2 Tìm hiểu tốn phân loại rượu 13 1.2.1 Tổng quan toán phân loại rượu 13 1.2.2 Ứng dụng công nghệ phân loại rượu đời sống nay14 1.3 Mục tiêu phương pháp nghiên cứu 15 1.3.1 Mục tiêu nghiên cứu 15 1.3.2 Phạm vi nghiên cứu 16 CHƯƠNG 2: CÁC PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ 18 2.1 Một số kĩ thuật giải toán 18 2.1.1 Thuật toán K-Nearest Neighbor (KNN) 18 2.1.2 Logistic Regression 21 2.1.3 Convolutional Neural Network (CNN) 24 2.1.4 Support Vector Machine (SVM) 30 2.1.5 K-means 31 2.2 Đề xuất mơ hình để giải tốn 34 2.2.1 Mơ hình KNN (K-Nearest Neighbors) 34 2.2.2 Thuật toán hỗ trợ (PCA) 35 CHƯƠNG 3: XÂY DỰNG MƠ HÌNH 38 3.1 Giới thiệu liệu 38 3.2 Các thư viện sử dụng cho mơ hình phân loại 39 3.3 Tiền xử lý liệu 40 3.4 Xây dựng mơ hình KNN 45 KẾT LUẬN 49 TÀI LIỆU THAM KHẢO 50 MỤC LỤC HÌNH ẢNH Hình 1.1 Supervised learning 10 Hình 1.2 Unsupervised learning 11 Hình 1.3 Semi-supervised learning 12 Hình 1.4 Reinforcement learning 13 Hình 2.1 Ví dụ minh họa thuật toán KNN 18 Hình 2.2 KNN nhiễu 19 Hình 2.3: Mảng ma trận RGB 6x6x3 25 Hình 2.4: Mơ hình train mạng 25 Hình 2.5: Mơ hình lớp tích chập 26 Hình 2.6: Ma trận có lọc 3x3 26 Hình 2.7: Feature map 26 Hình 2.8: Khi áp dụng Kernel khác 27 Hình 2.9: Lớp tích chập hoạt động với stride 28 Hình 2.10 Chuyển giá trị tuyến tính 28 Hình 2.11: Max Pooling 2x2 29 Hình 2.12: Ví dụ mơ hình SVM 30 Hình 2.13: Ví dụ mơ hình SVM (2) 30 Hình 2.14: Ví dụ thuật toán K-means 33 Hình 3.1 Thư viện Numpy 39 Hình 3.2 Thư viện Matplotlib 39 Hình 3.3 Thư viện Pandas 40 Hình 3.4 Thư viện Scikit-learn 40 Hình 3.5 Một vài mẫu liệu 41 Hình 3.6 Thơng tin cột thuộc tính 41 Hình 3.7 Phân phối liệu 42 Hình 3.8 Số giác khuyết thiếu thuộc tính 43 Hình 3.9 Số lượng nhãn 43 Hình 3.10 Mối quan hệ thuộc tính tập liệu huấn luyện 44 Hình 3.11 Mối quan hệ thuộc tính tập liệu huấn luyện sau chuẩn hóa liệu 45 Hình 3.12 Kết mơ hình chưa áp dụng PCA 46 Hình 3.13.Ma trận hỗn loạn chưa áp dụng PCA 46 Hình 3.14 Kết mơ hình áp dụng PCA 47 Hình 3.15 Ma trận hỗn loạn mơ hình áp dụng PCA 47 LỜI CẢM ƠN Lời nhóm chúng em xin gửi lời cảm ơn sâu sắc đến giáo viên người trực tiếp hướng dẫn, giảng dạy chúng em suốt trình học tập, nghiên cứu hồn thành đề tài Trong tốn phân loại rượu có nhiều phương pháp áp dụng để giải vấn đề như: mơ hình SVM(Support Vector Machine), mơ hình CNN (Convolutional Neural Network) hay mơ hình KNN (K-Nearest Neighbor), Mỗi mơ hình có điểm mạnh riêng cho kết độ xác cao nhóm bọn em thực chọn mơ hình KNN (K-Nearest Neighbors) Trong trình nghiên cứu làm đề tài, lực, kiến thức, trình độ thân chúng em cịn hạn hẹp nên khơng tránh khỏi thiếu sót Vì chúng em mong mỏi nhận thơng cảm góp ý từ q thầy bạn lớp Chúng em xin chân thành cảm ơn LỜI MỞ ĐẦU Rượu từ lâu loại thức uống truyền thống phổ biến khắp giới, trở thành biểu tượng văn hóa ẩm thực độc đáo Sự đa dạng loại rượu, với thay đổi thành phần hóa học q trình sản xuất chế biến, tạo nên phức tạp việc phân loại xác định nguồn gốc chúng Do việc nghiên cứu phân loại rượu trở thành lĩnh vực quan trọng, đặc biệt công nghiệp thực phẩm, thương mại, y tế, ngày Trong báo cáo đồ án này, tập trung vào việc phân loại rượu sử dụng mơ hình K-Nearest Neighbors PCA Mơ hình K-Nearest Neighbors (KNN): KNN thuật toán học máy đơn giản mạnh mẽ việc phân loại liệu Điểm mạnh KNN nằm khả phân loại hiệu độ linh hoạt khơng u cầu mơ hình tốn học cụ thể Phân tích thành phần (PCA): PCA phương pháp giảm chiều liệu, giúp loại bỏ phức tạp giảm số chiều liệu mà bảo tồn thơng tin quan trọng Sự kết hợp thuật toán KNN phương pháp PCA cho phép nắm bắt yếu tố quan trọng đa dạng thành phần liệu rượu, đồng thời tối ưu hóa trình phân loại cung cấp cách tiếp cận hiệu để giải vấn đề Nội dung báo cáo đồ án bao gồm chương: Chương 1: TỔNG QUAN Trong chương nhóm bắt đầu việc trình bày tổng quan vấn đề phân loại rượu, mô tả sơ lược mục tiêu mơ hình phân loại ứng dụng thực tế toán Chương 2: CÁC PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ Sau nắm mục tiêu mơ phân loại nhóm em đề cập chi tiết mơ hình KNN phương pháp PCA số mơ hình học máy phân loại khác để từ đưa lý chọn phương pháp nêu, trình bày cách áp dụng mơ hình KNN phương pháp PCA cho trình thực phân loại rượu Chương 3: THỰC NGHIỆM Trong chương này, nhóm thực việc phân tích làm liệu để phù hợp với mơ hình phân loại từ có kết nhận xét hiệu suất mơ hình quan trọng việc sử dụng KNN PCA việc phân loại rượu CHƯƠNG 1: TỔNG QUAN 1.1 Tìm hiểu Machine Learning (Học Máy) 1.1.1 Khái niệm Là lĩnh vực trí tuệ nhân tạo liên quan đến việc nghiên cứu xây dựng kĩ thuật cho phép hệ thống học tự động từ liệu để giải vấn đề cụ thể Ví dụ mát học cách phân loại thư điện tử có phải thư rác hay khơng tự động xếp vào thư mục tương ứng Machine Learning có liên quan thống kê với hai lĩnh vực nghiên cứu việc phân tích liệu, khác với thống kê, học máy tập trung vào phức tạp giải thuật việc thực thi tính tốn.Machine Learning có áp dụng rộng rãi bao gồm truy tìm liệu, máy phân tích thị trường chứng khốn, phân loại tiếng nói chữ viết … 1.1.2 Vai trò Machine Learning Ngày nay, hầu hết ngành nghề phải làm việc với lượng liệu lớn dần nhận thấy quan trọng machine learning Nhiều ngành nghề áp dụng chúng vào thực tiễn o Dịch vụ tài chính: Có thể thấy ngành nghề liên quan đến số liệu cao, chúng sử dụng để xác định thông tin quan trọng liệu ngăn chặn gian lận Phân tích hội đầu tư tránh rủi ro o Chính phủ: Các quan an ninh cộng đồng đơn vị cơng ích sử dụng cho ứng dụng phân tích liệu cảm biến, phát gian lận hành vi trộm cắp danh tính o Chăm sóc sức khỏe: Các thiết bị đeo người ứng dụng dựa machine learning, chúng phân tích cảm biến để đánh giá sức khỏe bệnh nhân theo thời gian thực đưa cảnh báo kịp thời o Dầu khí: ngành dầu khí sử dụng để tìm kiếm nguồn lượng Phân tích chất khống phía lịng đất dự đoán lỗi cảm biến máy lọc dầu o Giao thơng vận tải: Phân tích mơ hình xu hướng cho địa hình cho ngành vận tải Đưa tuyến đường hiệu dự đoán vấn đề tiềm ẩn lợi nhuận 1.1.3 Một số kỹ thuật Machine Learning • Trợ lý cá nhân ảo (Virtual Personal Assistants) • Phân loại khn mặt , giọng nói , vân tay , chữ , số ,… • Chuyển đổi lời nói thành văn • Xử lý ngôn ngữ tự nhiên • Chuyển đổi văn thành giọng nói • Ứng dụng mạng xã hội • Tự động phân loại 1.1.4 Một số phương pháp Machine Learning - Học có giám sát (supervised learning): Hình 1.1 Supervised learning Học máy có giám sát yêu cầu thực huấn luyện thuật toán với liệu đầu vào gắn nhãn Các thuật tốn học tập có giám sát phù hợp với tác vụ sau: 10 Xử lý nhiễu: PCA giúp loại bỏ giá trị nhiễu giảm ảnh hưởng chúng đến mơ hình Khi giảm số chiều liệu, PCA giúp loại bỏ thơng tin khơng cần thiết khơng có ý nghĩa liệu, từ giảm thiểu nhiễu cải thiện độ xác mơ hình Tăng tốc độ tính tốn: Giảm số chiều liệu giúp giảm thời gian tính tốn tăng tốc độ xử lý liệu, đặc biệt số lượng mẫu liệu lớn Tăng độ xác: Khi kết hợp với thuật tốn KNN, PCA giúp tăng độ xác mơ hình cách giảm số chiều liệu loại bỏ thuộc tính khơng quan trọng tương quan với Tóm lại, kết hợp thuật tốn PCA với thuật tốn KNN giúp tăng tính hiệu độ xác mơ hình, đặc biệt xử lý tốn có số lượng thuộc tính lớn liệu nhiễu • Ví dụ PCA Giả sử ta có tập liệu gồm 100 điểm liệu, điểm có thuộc tính (features) Ta muốn giảm số chiều liệu từ xuống để hiển thị trực quan biểu đồ hai chiều Đầu tiên, ta chuẩn hóa liệu cách trừ trung bình chia cho độ lệch chuẩn thuộc tính Sau đó, ta sử dụng thuật tốn PCA để tìm hai thành phần (PC1 PC2) liệu Kết thu hiển thị biểu đồ hai chiều, với điểm liệu biểu diễn điểm biểu đồ Các điểm liệu phân tán mặt phẳng theo hướng PC1 PC2 Code: Để thực PCA Python, ta sử dụng module scikit-learn sau: 36 • Ưu điểm nhược điểm: - Ưu điểm: o Giúp giảm số chiều liệu, làm cho việc phân tích hiển thị liệu trở nên dễ dàng o Các thành phần xếp theo độ quan trọng, giúp ta hiểu yếu tố quan trọng liệu o PCA sử dụng để loại bỏ nhiễu liệu - Nhược điểm: o PCA gặp phải vấn đề khả diễn giải, thành phần khơng liên quan trực tiếp đến thuộc tính ban đầu o PCA áp dụng cho liệu có phân phối chuẩn có tương quan tuyến tính thuộc tính 37 CHƯƠNG 3: XÂY DỰNG MƠ HÌNH 3.1 Giới thiệu liệu Bộ liệu Wine: Những liệu kết phân tích hóa học rượu vang trồng vùng Ý có nguồn gốc từ ba giống trồng khác Phân tích xác định số lượng 13 thành phần tìm thấy loại rượu số ba loại rượu vang Tập liệu ban đầu có khoảng 30 biến, lý có phiên 13 chiều Mục tiêu tìm mơ hình dự đốn loại rượu dựa 13 thơng số đo tìm khác biệt ba loại khác Đặc điểm tập liệu: dạng bảng Lĩnh vực chủ đề: Vật lý hóa học Nhiệm vụ liên quan: Phân loại Loại tính năng: số nguyên, số thực Số mẫu: 178 Đặc trưng: 13 Mục tiêu: Sử dụng phân tích hóa học để xác định nguồn gốc rượu vang Mục tiêu dự đốn: Wine (1, 2, 3) Danh sách thuộc tính: Malic acid Ash Alcalinity of ash Magnesium Total phenols Flavanoids Nonflavanoid phenols Proanthocyanins Color intensity 10.Hue 11.OD280/OD315 of diluted wines 38 12.Proline 3.2 Các thư viện sử dụng cho mơ hình phân loại a, Thư viện Numpy: Là thư viện lõi phục vụ cho khoa học máy tính Python, hỗ trợ cho việc tính tốn mảng nhiều chiều, có kích thước lớn với hàm tối ưu áp dụng lên mảng nhiều chiều Numpy đặc biệt hữu ích thực hàm liên quan tới Đại Số Tuyến Tính NumPy giải vấn đề chậm phần cách cung cấp mảng hàm đa chiều toán tử hoạt động hiệu mảng, sử dụng điều yêu cầu viết lại số mã, chủ yếu vòng lặp bên trong, cách sử dụng NumPy Hình 3.1 Thư viện Numpy b, Thư viện Matplotlib: Là thư viện Python sử dụng rộng rãi để vẽ đồ thị biểu đồ khoa học liệu phân tích liệu Thư viện cung cấp công cụ vẽ đồ thị đơn giản linh hoạt, cho phép người dùng tạo đồ thị đẹp chuyên nghiệp Hình 3.2 Thư viện Matplotlib c, Thư viện Pandas: Là thư viện mã nguồn mở, hỗ trợ đắc lực thao tác liệu Đây cơng cụ phân tích xử lý liệu mạnh mẽ ngơn ngữ lập trình 39 python Thư viện sử dụng rộng rãi nghiên cứu lẫn phát triển ứng dụng khoa học liệu Thư viện sử dụng cấu trúc liệu riêng Dataframe Pandas cung cấp nhiều chức xử lý làm việc cấu trúc liệu Chính linh hoạt hiệu khiến cho pandas sử dụng rộng rãi Hình 3.3 Thư viện Pandas d, Thư viện Scikit-learn: Là thư viện mạnh mẽ dành cho thuật tốn học máy viết ngơn ngữ Python Thư viện cung cấp tập công cụ xử lý toán machine learning statistical modeling gồm: classification, regression, clustering, dimensionality reduction Scikit-learn hỗ trợ mạnh mẽ việc xây dựng sản phẩm Nghĩa thư viện tập trung sâu việc xây dựng yếu tố: dễ sử dụng, dễ code, dễ tham khảo, dễ làm việc, hiệu cao Dùng để tính tốn hỗ trợ nhiều ngơn ngữ Machine Learning ví dụ như: Decision Tree, K- Nearest Neighbor số thuật toán khác Hình 3.4 Thư viện Scikit-learn 3.3 Tiền xử lý liệu Đầu tiên xem trước vài mẫu liệu Mã nguồn: xem trước vài mẫu liệu: 40 df = pd.read_csv("D:\Wine.csv") print(df.head()) print(df.info()) Hình 3.5 Một vài mẫu liệu Xem thông tin loại liệu liệu: Hình 3.6 Thơng tin cột thuộc tính Xem trước phân phối liệu liệu: 41 Hình 3.7 Phân phối liệu Kiểm tra liệu khuyết thiếu: 42 Hình 3.8 Số giác khuyết thiếu thuộc tính Có thể thấy liệu khơng chứa mẫu có giá trị thuộc tính rỗng nên khơng cần xử lý bước Xem trước số lượng nhãn cần phân loại liệu: Hình 3.9 Số lượng nhãn Xem mối quan hệ thuộc tính tập liệu huấn luyện 43 Hình 3.10 Mối quan hệ thuộc tính tập liệu huấn luyện Việc chuẩn hóa liệu bước quan trọng xử lý liệu trước áp dụng thuật toán học máy, đặc biệt thuật tốn PCA (Phân tích thành phần chính) hay KNN Sử dụng StandardScaler, để chuẩn hóa liệu để có mean (trung bình) độ lệch chuẩn (standard deviation) Điều giúp đưa biến phạm vi giúp thuật toán học máy hiểu rõ cấu trúc liệu Mã nguồn chuẩn hóa liệu: from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # -X_train = pd.DataFrame(X_train) X_test = pd.DataFrame(X_test) 44 Hình 3.11 Mối quan hệ thuộc tính tập liệu huấn luyện sau chuẩn hóa liệu 3.4 Xây dựng mơ hình KNN Áp dụng thuật toán KNN vào tập liệu huấn luyện, nhiên chưa áp dụng PCA để giảm chiều liệu Mã nguồn xây dựng mơ hình KNN: from sklearn.neighbors import KNeighborsClassifier knn = KNeighborsClassifier(n_neighbors=3) knn.fit(X_train,y_train) from sklearn.metrics import classification_report print(classification_report(y_test,knn.predict(X_test))) Kết quả: 45 Hình 3.12 Kết mô hình chưa áp dụng PCA Hình 3.13.Ma trận hỗn loạn chưa áp dụng PCA Áp dụng PCA để giảm chiều liệu từ xuống chiều liệu Mã nguồn xây dựng mơ hình KNN áp dụng PCA: from sklearn.decomposition import PCA pca = PCA(n_components=3) tr_comp = pca.fit_transform(X_train) ts_comp = pca.transform(X_test) pc_knn = KNeighborsClassifier(n_neighbors=5) pc_knn.fit(tr_comp,y_train) from sklearn.metrics import classification_report 46 print(classification_report(y_test,pc_knn.predict(ts_comp))) Kết quả: Hình 3.14 Kết mô hình áp dụng PCA Hình 3.15 Ma trận hỗn loạn mơ hình áp dụng PCA Có thể thấy sau áp dụng giảm chiều liệu PCA Độ xác tồn cục tăng lên đáng kể, từ 94% lên 97% Điều việc sử dụng PCA để giảm chiều liệu giúp mơ hình có khả dự đốn xác tập kiểm tra Cả precision recall cho lớp cao, với điểm số lớn 0.89 cho precision recall lớp Điều mơ hình khơng 47 dự đốn xác điểm liệu mà cịn giữ cân việc tránh dự đoán sai bỏ sót điểm thực tế Điểm F1 lớp trung bình cao, đặc biệt điểm F1 lớp 1.00, cho thấy mô hình đạt cân tốt precision recall Macro avg weighted avg: Cả macro avg weighted avg số liệu đánh giá cao, đặc biệt weighted avg đạt 0.97, cho thấy mô hình hiệu tất lớp toàn tập liệu Tổng thể, việc sử dụng PCA để giảm chiều liệu cải thiện đáng kể hiệu suất mơ hình phân loại Mơ hình có khả dự đốn xác cân tốt lớp tập kiểm tra 48 KẾT LUẬN Thông qua việc thực đề tài gồm cơng việc tìm hiểu học máy (Machine Learning), tìm hiểu khái niệm, ưu nhược điểm, ứng dụng đặc biệt phương pháp mà học máy áp dụng để huấn luyện cho mô hình phân loại học tiến hành phân loại mẫu Bài toán phân loại rượu khơng q mới, tốn mang lại kinh nghiệm để giải toán tương tự Đồng thời sau trình nghiên cứu, đem lại cách giải vấn đề lĩnh vực Những điều tạo cho thành viên nhóm khả làm việc nhóm, khả thực tìm kiếm thơng tin từ nhiều nguồn internet Bên cạnh đó, thành viên nhóm cịn tự thúc đẩy thân cải thiện, phát triển khả lập trình, sử dụng ngơn ngữ lập trình thư viện hỗ trợ vào giải toán thực tế Sau xây dựng thành cơng mơ hình phân loại rượu dựa mơ hình K-Nearest Neighbors (KNN) – mơ hình phổ biến phương pháp giải toán phân loại Nhóm tiến hành tìm hiểu mơ hình đưa vào lập trình để sử dụng làm đề tài Đề tài đòi hỏi thành viên cần có kiến thức sâu rộng học máy (machine learning) nên thơng tin mà nhóm tìm hiểu chưa thực sâu bao quát hết kiến thức mà đề tài đòi hỏi đến Qua đây, nhóm mong muốn nghe ý kiến nhận xét từ giáo viên để tương lai nhóm thực hồn thiện thành viên cải thiện khả 49 TÀI LIỆU THAM KHẢO [1] Hướng dẫn thuật toán K-Nearest Neighbors (KNN) URL: https://machinelearningcoban.com/2017/01/08/knn Lần truy cập gần ngày: 22/12/2023 [2] Hướng dẫn phép đo khoảng cách liệu khoa học URL: https://ichi.pro/vi/9-phep-do-khoang-cach-trong-khoa-hoc-du-lieu159983401462266 Lần truy cập gần ngày: 15/12/2023 [3] Website tìm hiểu KNN URL: http://machinelearningmastery.com/tutorial-to-implement-knearest-neighbors-in-python-from-scratch/ Lần truy cập gần ngày: 22/12/2023 [4] Website tìm hiểu Logistic Regression URL: https://machinelearningcoban.com/2017/01/27/logisticregression/ Lần truy cập gần ngày: 22/12/2023 [5] Website tìm hiểu Convolutional Neural Network (CNN) URL: https://nttuan8.com/bai-6-convolutional-neural-network/ Lần truy cập gần 22/12/2023 [6] Website tìm hiểu SVM URL: https://machinelearningcoban.com/2017/04/09/smv/ Lần truy cập gần 22/12/2023 [7] Website tìm hiểu Kmean: URL: https://machinelearningcoban.com/2017/01/01/kmeans/ Lần truy cập gần 22/12/2023 [8] Website tìm hiểu PCA URL: https://machinelearningcoban.com/2017/06/15/pca/ Lần truy cập gần 22/12/2023 50