| Kế hoạch | Tổng thời gian | Phù hợp với | Rủi ro lớn nhất |
|---|---|---|---|
| An toàn | 14–16 tuần | Đề tài có mô hình mới, dữ liệu chưa có sẵn, cần thử nhiều thuật toán | Thấp — đủ thời gian dự phòng cho việc huấn luyện lại mô hình |
| Tiêu chuẩn | 10–12 tuần | Đề tài có bộ dữ liệu công khai sẵn, áp dụng thuật toán đã biết | Trung bình — vẫn cần dự phòng nếu làm sạch dữ liệu phát sinh vấn đề |
| Gấp rút | 6–8 tuần | Chỉ khi dữ liệu đã sẵn sàng 100% và thuật toán đã quen thuộc | Cao — gần như không có thời gian dự phòng nếu mô hình không hội tụ |
Khuyến nghị dứt khoát: nếu đề tài của bạn có bất kỳ yếu tố nào chưa chắc chắn — dữ liệu chưa thu thập xong, chưa quyết định thuật toán, hoặc phải xin quyền truy cập dữ liệu từ bên thứ ba — chọn kế hoạch An toàn. Luận văn Khoa học dữ liệu khác các ngành khác ở một điểm quan trọng: thời gian huấn luyện và tinh chỉnh mô hình không tuyến tính — một lần chạy có thể mất vài giờ đến vài ngày, và bạn thường phải chạy lại nhiều lần. Khác với một luận văn khảo sát, nơi thời gian thu thập dữ liệu có thể ước tính khá chính xác theo số người tham gia, một luận văn Khoa học dữ liệu có thể «đứng yên» nhiều ngày ở bước huấn luyện mà không ai kiểm soát được chính xác khi nào mô hình hội tụ — đây là lý do kế hoạch tiến độ ngành này cần nhiều khoảng đệm hơn các ngành xã hội.
Kế hoạch An toàn (14–16 tuần) — chi tiết theo tuần
| Tuần | Công việc |
|---|---|
| 1–2 | Hoàn thiện đề cương, xác định nguồn dữ liệu, xin quyền truy cập nếu cần (API, dữ liệu nội bộ doanh nghiệp) |
| 3–4 | Thu thập dữ liệu, khảo sát sơ bộ chất lượng dữ liệu (missing values, outliers, phân bố) |
| 5–6 | Làm sạch và tiền xử lý dữ liệu (data cleaning, feature engineering) — bước tốn thời gian nhất, thường bị đánh giá thấp |
| 7–9 | Xây dựng và huấn luyện mô hình baseline, thử nghiệm 2–3 thuật toán khác nhau |
| 10–11 | Tinh chỉnh siêu tham số (hyperparameter tuning), đánh giá mô hình bằng nhiều chỉ số |
| 12–13 | Viết chương phương pháp và kết quả, tạo biểu đồ trực quan hóa |
| 14–15 | Viết bàn luận, kết luận, hoàn thiện toàn văn |
| 16 | Dự phòng: sửa theo góp ý người hướng dẫn, chuẩn bị bảo vệ |
Kế hoạch Tiêu chuẩn (10–12 tuần) — chi tiết theo tuần
| Tuần | Công việc |
|---|---|
| 1 | Xác nhận bộ dữ liệu công khai (Kaggle, UCI Machine Learning Repository, dữ liệu chính phủ mở) và đọc tài liệu mô tả dữ liệu |
| 2–3 | Khảo sát dữ liệu (EDA — exploratory data analysis), làm sạch cơ bản |
| 4–6 | Xây dựng mô hình theo thuật toán đã xác định từ đầu, không thử nghiệm quá nhiều hướng khác nhau |
| 7–8 | Đánh giá, so sánh với baseline hoặc nghiên cứu trước đó |
| 9–10 | Viết bản thảo đầy đủ |
| 11–12 | Chỉnh sửa, hoàn thiện, dự phòng |
Kế hoạch Gấp rút (6–8 tuần) — chỉ khi đủ điều kiện
Kế hoạch này chỉ an toàn khi cả ba điều kiện sau đều đúng: (1) dữ liệu đã sẵn sàng, đã kiểm tra chất lượng từ trước; (2) bạn đã quen thuộc với thuật toán dự định dùng, không cần học từ đầu; (3) tài nguyên tính toán (máy tính cá nhân hoặc Google Colab/Kaggle Notebooks miễn phí) đủ mạnh để chạy mô hình trong thời gian hợp lý. Nếu thiếu một trong ba, không nên chọn kế hoạch này — rủi ro cao nhất là mô hình không hội tụ ở tuần 5–6, không còn đủ thời gian thử hướng khác.
| Tuần | Công việc |
|---|---|
| 1 | Xác nhận dữ liệu, đề cương rút gọn |
| 2–3 | Tiền xử lý dữ liệu nhanh, xây dựng mô hình baseline ngay |
| 4 | Tinh chỉnh tối thiểu, đánh giá mô hình |
| 5–6 | Viết toàn văn song song với hoàn thiện mô hình (không chờ mô hình xong 100% mới viết) |
| 7–8 | Chỉnh sửa gấp, nộp |
Ngân sách dự kiến — phần nhiều sinh viên bỏ qua
Luận văn Khoa học dữ liệu thường được cho là «miễn phí» vì không cần thí nghiệm vật lý, nhưng có những khoản chi phí tiềm ẩn cần dự trù trong kế hoạch:
| Khoản mục | Chi phí ước tính | Khi nào cần |
|---|---|---|
| Tài nguyên tính toán trả phí (Google Colab Pro, cloud GPU) | 0–500.000₫/tháng | Chỉ khi mô hình học sâu lớn vượt giới hạn bản miễn phí |
| Truy cập API dữ liệu trả phí (một số API thương mại) | 0–1.000.000₫ tùy nhà cung cấp | Khi dữ liệu công khai miễn phí không đáp ứng đủ nhu cầu |
| Lưu trữ đám mây cho bộ dữ liệu lớn | 0–200.000₫/tháng | Khi bộ dữ liệu vượt dung lượng lưu trữ miễn phí (Google Drive, GitHub) |
| Công cụ trực quan hóa/thuyết trình chuyên nghiệp | Thường miễn phí (Tableau Public, Power BI free) | Không bắt buộc, chỉ nếu muốn trình bày kết quả chuyên nghiệp hơn |
Với phần lớn khóa luận đại học, toàn bộ quy trình có thể hoàn thành với công cụ miễn phí (Python, Google Colab bản miễn phí, bộ dữ liệu công khai) — chi phí phát sinh chỉ thực sự cần thiết khi đề tài đòi hỏi mô hình học sâu quy mô lớn hoặc dữ liệu đặc thù phải mua. Nên trao đổi với người hướng dẫn trước khi quyết định chi bất kỳ khoản nào — nhiều trường có gói tài khoản giáo dục miễn phí cho sinh viên (GitHub Education, Google Cloud for Education) mà sinh viên thường không biết đến. Nếu đề tài của bạn cần phần mềm thống kê chuyên dụng ngoài Python/R, bài so sánh phần mềm thống kê cho luận văn (jamovi, JASP, PSPP, SPSS, R) cũng áp dụng được cho phần phân tích thống kê mô tả trong luận văn Khoa học dữ liệu.
Ba điểm nghẽn thời gian đặc thù ngành Khoa học dữ liệu
- Làm sạch dữ liệu luôn tốn nhiều thời gian hơn dự kiến — trong thực tế, phần lớn thời gian của một dự án dữ liệu thường dành cho làm sạch và chuẩn bị dữ liệu chứ không phải xây mô hình. Đừng phân bổ thời gian theo tỷ lệ ngược lại.
- Huấn luyện mô hình không phải việc «chạy một lần là xong» — mỗi lần điều chỉnh tham số hoặc kiến trúc mô hình thường cần chạy lại toàn bộ, có thể mất từ vài phút đến nhiều giờ tùy độ phức tạp và tài nguyên máy.
- Giới hạn tài nguyên tính toán miễn phí — Google Colab bản miễn phí giới hạn thời gian phiên làm việc và có thể ngắt kết nối giữa chừng khi huấn luyện mô hình lớn; nên lưu checkpoint mô hình thường xuyên để không mất tiến độ khi bị ngắt.
Kế hoạch tiến độ này bổ sung cho lựa chọn hướng đề tài đã nói trong bài so sánh luận văn dự án phần mềm hay luận văn nghiên cứu truyền thống cho ngành Khoa học dữ liệu — luận văn dạng dự án phần mềm thường cần thêm thời gian cho việc triển khai (deployment) so với ba kế hoạch thuần mô hình hóa ở trên.
Cách chọn đúng kế hoạch cho tình huống của bạn
- Chưa có kinh nghiệm với thuật toán dự định dùng: chọn An toàn — bạn cần thời gian học và thử sai.
- Đã làm dự án tương tự trong khóa học/thực tập trước: Tiêu chuẩn phù hợp vì bạn không cần học lại từ đầu.
- Còn ít hơn 2 tháng đến hạn nộp và dữ liệu đã sẵn sàng: Gấp rút là lựa chọn duy nhất khả thi, nhưng cần trao đổi trước với người hướng dẫn về phạm vi rút gọn.
- Dữ liệu phụ thuộc bên thứ ba (doanh nghiệp, cơ quan nhà nước): luôn cộng thêm 2–3 tuần dự phòng vào bất kỳ kế hoạch nào — xin quyền truy cập dữ liệu là điểm nghẽn phổ biến nhất ngoài tầm kiểm soát của bạn.
Ba kế hoạch trên là lớp thời gian đặt trên lộ trình tổng thể của một luận văn — nếu bạn cần bức tranh toàn bộ sáu giai đoạn từ chọn đề tài đến bảo vệ áp dụng cho mọi ngành, lộ trình sáu giai đoạn viết luận văn tốt nghiệp là bài nền để đối chiếu.
Tesify giúp bạn dựng kế hoạch tiến độ chi tiết theo đúng phạm vi đề tài Khoa học dữ liệu của bạn, và nhắc các mốc dễ bị trễ nhất. Dựng kế hoạch tiến độ với Tesify.
Câu hỏi thường gặp
Nên dành bao nhiêu phần trăm thời gian cho viết văn bản so với làm mô hình?
Không nên để viết văn bản dồn hết vào cuối — nên viết song song, đặc biệt chương tổng quan và phương pháp có thể viết ngay khi đã xác định hướng, trước khi mô hình hoàn thiện 100%.
Có cần xin phép đạo đức nghiên cứu nếu dùng dữ liệu công khai không?
Thường không cần nếu dữ liệu đã công khai và ẩn danh hoàn toàn; nếu dữ liệu có thông tin cá nhân hoặc thu thập trực tiếp từ người dùng, cần xin phép như các ngành khác.
Mô hình không đạt độ chính xác mong muốn thì có phải làm lại từ đầu không?
Không nhất thiết — một khóa luận báo cáo trung thực kết quả mô hình chưa tối ưu kèm phân tích nguyên nhân vẫn có giá trị học thuật; đừng cố «làm đẹp» số liệu để đạt một ngưỡng tùy ý.
Có nên học thêm thuật toán mới trong lúc làm luận văn không?
Không khuyến khích nếu quỹ thời gian hạn hẹp — nên chọn thuật toán đã quen thuộc; việc vừa học vừa áp dụng vào luận văn cùng lúc là rủi ro tiến độ lớn.
Làm sao ước tính thời gian huấn luyện mô hình trước khi bắt đầu?
Chạy thử trên một tập dữ liệu con nhỏ (subset) trước để ước tính thời gian, rồi nhân tỷ lệ theo kích thước dữ liệu đầy đủ — tránh chạy thẳng trên toàn bộ dữ liệu lớn mà không biết trước thời gian cần thiết.
Có bắt buộc phải dùng GPU để huấn luyện mô hình cho khóa luận không?
Không bắt buộc với hầu hết mô hình học máy truyền thống; chỉ thực sự cần thiết với mô hình học sâu (deep learning) trên dữ liệu lớn — nhiều nền tảng miễn phí (Google Colab, Kaggle) đã cung cấp GPU miễn phí có giới hạn.
Nếu dữ liệu từ doanh nghiệp bị trì hoãn cấp quyền truy cập thì nên làm gì?
Chuẩn bị sẵn phương án dự phòng bằng bộ dữ liệu công khai tương tự để không phải dừng toàn bộ tiến độ trong lúc chờ — có thể chuyển hướng hoàn toàn nếu trì hoãn quá 2–3 tuần so với kế hoạch.
Có nên báo cáo tiến độ định kỳ với người hướng dẫn trong quá trình huấn luyện mô hình không?
Nên báo cáo mỗi 2 tuần thay vì chờ đến khi có kết quả cuối cùng — vì thời gian huấn luyện khó đoán, báo cáo sớm giúp người hướng dẫn góp ý điều chỉnh hướng đi kịp thời thay vì phát hiện vấn đề khi đã quá muộn để đổi hướng.
Ba kế hoạch này có áp dụng được cho cả luận văn đại học và thạc sĩ không?
Khung ba kế hoạch áp dụng được cho cả hai bậc, nhưng luận văn thạc sĩ thường cần kéo dài thêm 4–6 tuần ở giai đoạn đánh giá mô hình và so sánh với nhiều phương pháp cơ sở hơn để đạt độ sâu phân tích yêu cầu.