Về cơ bản, khai thác dữ liệu là về xử lý tài liệu và nhận ra các mẫu mã và các xu thế trong tin tức đó để chúng ta cũng có thể quyết định hoặc đánh giá. Các nguyên tắc khai phá dữ liệu đã được dùng nhiều năm rồi, tuy vậy với sự thành lập của big data (dữ liệu lớn), nó lại càng phổ biến hơn.

Bạn đang xem: Khai phá dữ liệu là gì

Big data gây ra một sự nở rộ về áp dụng nhiều kỹ thuật khai phá dữ liệu hơn, 1 phần vì kích thước thông tin béo hơn tương đối nhiều và vì thông tin có xu hướng phong phú và không ngừng mở rộng hơn về chính bản chất và nội dung của nó. Với những tập hợp tài liệu lớn, để nhận thấy số liệu thống kê lại tương đối dễ dàng và tiện lợi trong khối hệ thống vẫn không đủ. Cùng với 30 hoặc 40 triệu phiên bản ghi thông tin người sử dụng chi tiết, vấn đề biết rằng 2 triệu quý khách hàng trong số đó sinh sống trong một địa điểm vẫn không đủ. Bạn muốn biết liệu 2 triệu quý khách hàng đó có thuộc về một đội tuổi rõ ràng không với bạn cũng muốn biết các khoản thu nhập trung bình của họ để chúng ta cũng có thể tập trung vào các yêu cầu của khách hàng hàng của mình tốt hơn.

Những nhu cầu hướng sale này đã thay đổi cách lấy ra và những thống kê dữ liệu dễ dàng sang việc khai thác dữ liệu tinh vi hơn. Sự việc kinh doanh hướng tới việc để ý dữ liệu để giúp xây dựng một quy mô để tế bào tả những thông tin mà lại cuối cuộc đang dẫn tới sự việc tạo ra report kết quả. Hình sau đây phác thảo quá trình này.

Quá trình so sánh dữ liệu, tìm hiểu dữ liệu với xây dựng mô hình dữ liệu thường lặp lại khi bạn tập trung vào và nhận thấy các thông tin không giống nhau để chúng ta cũng có thể trích ra. Chúng ta cũng phải hiểu cách tùy chỉnh thiết lập quan hệ, ánh xạ, phối hợp và phân cụm thông tin đó với dữ liệu khác để tạo thành kết quả. Thừa trình nhận ra dữ liệu nguồn và những định dạng nguồn, rồi ánh xạ thông tin đó tới kết quả đã mang lại của chúng tôi có thể biến đổi sau khi chúng ta phát hiện tại ra những yếu tố và các khía cạnh khác biệt của dữ liệu.

Các công cụ khai thác dữ liệu

Khai phá dữ liệu không phải là tất cả về những công nạm hay ứng dụng cơ sở dữ liệu mà ai đang sử dụng. Chúng ta có thể thực hiện khai thác dữ liệu bởi các hệ thống cơ sở dữ liệu thông thường và những công cụ 1-1 giản, bao hàm việc tạo ra và viết phần mềm riêng của công ty hoặc sử dụng những gói ứng dụng bán ngoại trừ cửa hàng. Khai thác dữ liệu phức hợp được thụ hưởng từ tay nghề trong thừa khứ và những thuật toán đã có mang với phần mềm và những gói ứng dụng hiện có, với các công cụ nhất định để thu được một mối quan hệ hoặc uy tín lớn hơn bằng các kỹ thuật khác nhau.

Gần đây các tập hợp dữ liệu không nhỏ và vấn đề xử lý tài liệu theo nhiều và bài bản lớn gồm thể có thể chấp nhận được khai phá tài liệu để bố trí và lập báo cáo về các nhóm và những mối tương quan của dữ liệu tinh vi hơn. Hiện nay đã bao gồm sẵn không ít công cố kỉnh và khối hệ thống hoàn toàn mới, có các hệ thống lưu trữ và xử lý dữ liệu kết hợp.Bạn có thể khai phá dữ liệu với rất nhiều tập hợp tài liệu khác nhau, gồm những cơ sở tài liệu SQL truyền thống, tài liệu văn phiên bản thô, các kho khóa/giá trị và những cơ sở dữ liệu tài liệu. Những cơ sở tài liệu có phân cụm, như Hadoop, Cassandra, Couch
DB và Couchbase Server, tàng trữ và hỗ trợ quyền truy vấn vào dữ liệu theo phương pháp không tương xứng với cấu tạo bảng truyền thống.

Đặc biệt, định dạng lưu trữ cơ sở tài liệu tài liệu linh hoạt rộng lại gây ra một trọng tâm và sự phức tạp khác về giải pháp xử lý thông tin. Những cơ sở dữ liệu SQL áp để các cấu trúc chặt chẽ và cứng ngắc vào lược đồ, tạo cho việc tầm nã vấn chúng và phân tích tài liệu trở nên đơn giản và dễ dàng theo quan lại điểm nắm rõ định dạng và kết cấu thông tin.

Các cơ sở tài liệu tài liệu, bao gồm một tiêu chuẩn chỉnh chẳng hạn như cấu trúc thực thi JSON hoặc các tệp có cấu tạo đọc được bằng máy tính xách tay nào đó, cũng dễ xử trí hơn, tuy vậy chúng rất có thể làm tăng lên sự phức hợp do cấu tạo khác nhau với hay rứa đổi. Ví dụ, với việc xử lý dữ liệu trọn vẹn thô của Hadoop, rất có thể phức tạp để nhận biết và trích ra nội dung trước khi bạn bước đầu xử lý và tương quan với nó.

Các chuyên môn chính

Một số kỹ thuật cốt lõi, được áp dụng trong khai thác dữ liệu, biểu đạt kiểu vận động khai phá và vận động phục hồi dữ liệu. Thật không may là những công ty với các chiến thuật khác nhau chưa phải lúc nào cũng dùng chung các thuật ngữ. Chính những thuật ngữ này rất có thể làm tăng lên sự mơ hồ và sự phức tạp.

Hãy xem xét một vài kỹ thuật chủ yếu và ví dụ về cách sử dụng những công cụ khác biệt để dựng lên việc khai thác dữ liệu.

Sự kết hợp

Sự phối hợp (hay côn trùng quan hệ) có lẽ là kỹ thuật khai thác dữ liệu được nghe biết nhiều hơn, số đông quen thuộc và 1-1 giản. Ở đây, bạn triển khai một sự tương quan dễ dàng giữa nhì hoặc nhiều mục, thường cùng kiểu để nhận ra các mẫu. Ví dụ, khi theo dõi thói quen mua sắm của người dân, chúng ta cũng có thể nhận hiểu được một quý khách hàng luôn tải kem khi họ thiết lập dâu tây, nên chúng ta có thể đề xuất rằng lần tới lúc họ cài dâu tây, bọn họ cũng có thể muốn cài đặt kem.

Việc xây dựng những công cụ khai phá dữ liệu dựa trên sự phối hợp hay mọt quan hệ rất có thể thực hiện dễ dàng và đơn giản bằng những công cầm khác nhau. Ví dụ, vào Info
Sphere Warehouse một trình hướng dẫn chỉ dẫn các cấu hình của một luồng tin tức được thực hiện kết hợp bằng phương pháp xem xét tin tức nguồn đầu vào của cơ sở dữ liệu, thông tin về cơ sở ra ra quyết định và tin tức đầu ra của bạn. Hình 2 cho thấy thêm một lấy ví dụ của cơ sở tài liệu ví dụ mẫu.

Sự phân loại

Bạn hoàn toàn có thể sử dụng sự phân một số loại để gây ra một ý tưởng về mẫu mã khách hàng, kiểu món đồ hoặc giao diện đối tượng bằng phương pháp mô tả các thuộc tính để nhận ra một lớp nuốm thể. Ví dụ, chúng ta có thể dễ dàng phân loại các xe xe hơi thành những kiểu xe không giống nhau (xe mui kín, 4x4, xe có thể bỏ mui) bằng phương pháp xác định các thuộc tính không giống nhau (số chỗ ngồi, ngoài mặt xe, những bánh xe điều khiển). Với một dòng xe mới, chúng ta có thể đặt nó vào một lớp núm thể bằng cách so sánh các thuộc tính với có mang đã biết của bọn chúng tôi. Bạn cũng có thể áp dụng các nguyên tắc giống như ấy cho những khách hàng, ví dụ bằng phương pháp phân loại quý khách theo độ tuổi và nhóm thôn hội.

Hơn nữa, chúng ta cũng có thể sử dụng việc phân nhiều loại như một nguồn cấp, hay như là hiệu quả của những kỹ thuật khác. Ví dụ, chúng ta có thể sử dụng các cây đưa ra quyết định để xác minh một phương pháp phân loại. Bài toán phân nhiều sẽ được cho phép bạn sử dụng những thuộc tính chung theo những cách phân loại khác biệt để nhận biết các cụm.

Việc phân các (Clustering)

Bằng cách xem xét một hay các thuộc tính hoặc những lớp, bạn có thể nhóm những phần dữ liệu riêng lẻ với nhau để sinh sản thành một ý kiến cấu trúc. Ở mức đối chọi giản, bài toán phân cụm đang sử dụng một hoặc những thuộc tính làm cơ sở cho chính mình để nhận biết một đội các kết quả tương quan. Câu hỏi phân nhiều giúp để nhận ra các thông tin không giống nhau vì nó tương quan với các ví dụ khác, nên bạn có thể thấy ở đâu có phần lớn điểm tương đồng và các phạm vi phù hợp.

Việc phân cụm có thể làm theo hai cách. Chúng ta có thể giả sử rằng tất cả một cụm ở một điểm cố định và sau đó sử dụng các tiêu chuẩn nhận dạng của chúng tôi để coi liệu chúng ta có đúng không. Đồ thị trong Hình 3 là 1 ví dụ hay. Trong lấy một ví dụ này, một ví dụ mẫu mã về dữ liệu marketing so sánh tuổi của người tiêu dùng với quy mô cung cấp hàng. Thật hợp lí khi thấy rằng những người dân ở giới hạn tuổi hai mươi (trước lúc kết hôn với còn nhỏ), ở giới hạn tuổi năm mươi với sáu mươi (khi không hề con cái ở nhà), có nhiều tiền tiêu hơn.

Trong lấy ví dụ này, bạn cũng có thể nhận ra nhì cụm, một cụm xung quanh nhóm 2 ngàn Đô la Mỹ/ 20-30 tuổi cùng một nhiều ở đội 7.000-8.000 Đô la Mỹ/ 50-65 tuổi. Trong trường phù hợp này, cửa hàng chúng tôi đã mang thuyết hai cụm và đã chứng tỏ giả thuyết của công ty chúng tôi bằng một trang bị thị đơn giản dễ dàng mà cửa hàng chúng tôi có thể tạo thành ra bằng cách sử dụng ngẫu nhiên phần mềm trang bị họa phù hợp nào để có được tầm nhìn nhanh chóng. Các quyết định phức tạp hơn cần được có một gói phần mềm phân tích đầy đủ, đặc biệt là nếu bạn muốn các quyết định tự động dựa vào thông tin kề bên gần nhất.

Việc vẽ vật dụng thị phân cụm theo cách này là một ví dụ đơn giản dễ dàng về loại gọi là phân biệt sự bên cạnh gần nhất. Bạn có thể nhận ra các người tiêu dùng riêng lẻ bằng sự gần gũi theo nghĩa đen của mình với nhau trên đồ dùng thị. Có không ít khả năng là các quý khách trong thuộc một nhiều cũng cần sử dụng chung các thuộc tính khác và chúng ta có thể sử dụng sự mong mỏi đợi đó để giúp đỡ hướng dẫn, phân một số loại và còn nếu như không thì phân tích những người dân khác trong tập hợp tài liệu của bạn.

Bạn cũng rất có thể áp dụng vấn đề phân cụm theo cách nhìn ngược lại; nhờ vào một số ở trong tính đầu vào, bạn cũng có thể nhận ra những tạo phẩm không giống nhau. Ví dụ, một nghiên cứu vừa mới đây về những số sạc 4-chữ số vẫn tìm ra những cụm giữa những chữ số trong phạm vi 1-12 với 1-31 cho những cặp đầu tiên và trang bị hai. Bằng phương pháp vẽ các cặp này, chúng ta cũng có thể nhận ra và xác định các cụm tương quan đến ngày tháng (các ngày sinh nhật, những ngày kỷ niệm).

Dự báo

Dự báo là 1 trong chủ đề rộng cùng đi từ dự đoán về lỗi của những thành phần hay thiết bị móc đến việc nhận biết sự ăn lận và thậm chí còn là cả đoán trước về lợi nhuận của người tiêu dùng nữa. Được sử dụng kết hợp với các kỹ thuật khai thác dữ liệu khác, dự báo có có việc phân tích các xu hướng, phân loại, so khớp mẫu và mối quan hệ. Bằng phương pháp phân tích các sự khiếu nại hoặc các cá thể trong vượt khứ, bạn có thể đưa ra một dự báo về một sự kiện.

Khi sử dụng quyền lợi thẻ tín dụng, chẳng hạn, bạn có thể kết hợp so với cây quyết định của những giao dịch hiếm hoi trong thừa khứ với vấn đề phân một số loại và những sự so khớp mẫu lịch sử để phân biệt liệu một thanh toán giao dịch có gian lậu hay không. Rất rất có thể là việc triển khai một sự so khớp giữa các việc mua vé những chuyến bay đến Mỹ và những giao dịch trên Mỹ cho biết thêm giao chất dịch này hợp lệ.

Các mẫu tuần tự

Thường được áp dụng trên các dữ liệu lâu năm hạn, các mẫu tuần tự là 1 trong phương pháp hữu dụng để nhận thấy các xu hướng hay những sự lộ diện thường xuyên của những sự kiện tương tự. Ví dụ, với dữ liệu khách hàng, chúng ta cũng có thể nhận ra rằng các người tiêu dùng cùng nhau cài đặt một bộ sưu tập riêng lẻ về các thành phầm tại nhiều thời điểm khác biệt trong năm. Vào một ứng dụng giỏ hàng, chúng ta cũng có thể sử dụng tin tức này để tự động hóa đề xuất rằng một số món đồ nào đó được thêm vào trong 1 giỏ mặt hàng dựa trên gia tốc và lịch sử vẻ vang mua mặt hàng trong quá khứ của những khách hàng.

Các cây quyết định

Liên quan đến số đông các kỹ thuật không giống (chủ yếu đuối là phân các loại và dự báo), cây quyết định rất có thể được sử dụng hoặc như là 1 phần trong các tiêu chuẩn lựa lựa chọn hoặc để cung cấp việc thực hiện và lựa chọn dữ liệu cụ thể bên trong cấu trúc tổng thể. Vào cây quyết định, bạn bước đầu bằng một thắc mắc đơn giản bao gồm hai câu trả lời (hoặc song khi có rất nhiều câu vấn đáp hơn). Mỗi câu vấn đáp lại dẫn cho thêm một thắc mắc nữa sẽ giúp phân một số loại hay nhận thấy dữ liệu sao cho có thể phân loại dữ liệu hoặc sao cho hoàn toàn có thể thực hiện dự đoán trên cơ sở mỗi câu trả lời.

Các cây ra quyết định thường được sử dụng cùng với các hệ thống phân loại liên quan đến tin tức có phong cách thuộc tính với với các hệ thống dự báo, nơi các dự báo khác nhau hoàn toàn có thể dựa trên khiếp nghiệm lịch sử vẻ vang trong thừa khứ để giúp đỡ hướng dẫn kết cấu của cây quyết định và hiệu quả đầu ra.

Các tổ hợp

Trong thực tế, thật thi thoảng khi các bạn sẽ sử dụng một kỹ thuật trong những những kỹ thuật hiếm hoi này. Việc phân loại và phân các là đầy đủ kỹ thuật tương đương nhau. Nhờ áp dụng việc phân nhiều để phân biệt các thông tin bên cạnh gần nhất, bạn cũng có thể tiếp tục điều khiển việc phân loại của mình. Thông thường, shop chúng tôi sử dụng những cây quyết định sẽ giúp xây dựng và nhận biết các nhiều loại mà shop chúng tôi có thể theo dõi chúng trong một thời gian dài để nhận ra các trình trường đoản cú và những mẫu.

Xem thêm: Phần Mềm Phóng To Ảnh Không Bị Vỡ, Phóng To Hình Ảnh Miễn Phí

Xử lý (bộ nhớ) nhiều năm hạn

Trong toàn bộ các cách thức cốt lõi, thường có vì sao để ghi lại thông tin và tìm hiểu từ thông tin. Trong một số kỹ thuật, vấn đề này trọn vẹn rõ ràng. Ví dụ, với việc tò mò các mẫu tuần tự và dự báo, bạn xem xét lại dữ liệu từ khá nhiều nguồn và các cá thể thông tin để chế tạo một mẫu.

Trong một số kỹ thuật khác, quy trình này rất có thể rõ ràng hơn. Các cây quyết định ít lúc được thành lập một lần cùng không lúc nào được coi nhẹ. Khi phân biệt thông tin mới, các sự kiện và các điểm dữ liệu, hoàn toàn có thể cần tạo thêm các nhánh hoặc thậm chí toàn thể các cây mới, để tranh đấu với các thông tin ngã sung.

Bạn bao gồm thể auto hoá một trong những bước của quy trình này. Ví dụ, việc xây dựng một mô hình dự báo để nhận ra sự ăn gian thẻ tín dụng thanh toán là tạo các phần trăm để chúng ta có thể sử dụng cho thanh toán giao dịch hiện tại với sau đó update mô hình đó với những giao dịch mới (đã được phê duyệt). Rồi thông tin này được ghi lại sao cho hoàn toàn có thể đưa ra quyết định một cách nhanh chóng trong lần tới.

Kết luận

Việc khai thác dữ liệu còn hơn bài toán chạy một số truy vấn phức hợp trên dữ liệu mà chúng ta đã giữ trong cơ sở tài liệu của mình. Các bạn phải làm việc với tài liệu của mình, định dạng lại nó hoặc cấu tạo lại nó, bất kỳ bạn có đang áp dụng SQL, cơ sở dữ liệu dựa trên tài liệu như Hadoop hoặc các tệp phẳng dễ dàng và đơn giản hay không. Việc phân biệt định dạng tin tức mà bạn rất cần được dựa trên kỹ thuật và việc phân tích mà bạn muốn làm. Sau khi bạn có tin tức theo format mà chúng ta cần, chúng ta có thể áp dụng những kỹ thuật không giống (riêng lẻ hay phối kết hợp lại với nhau) ko phân biệt cấu trúc dữ liệu cơ bản hay tập hợp tài liệu cần thiết.

Data Science với Data Mining là hai trong các các lĩnh vực đặc biệt quan trọng nhất vào công nghệ. Cả hai nghành nghề dịch vụ này các xoay xung quanh dữ liệu.

Tuy nhiên, chúng sử dụng dữ liệu theo 2 giải pháp khác nhau. Rộng nữa, con kiến thức quan trọng để làm việc trong cả 2 nghành nghề này cũng khác nhau. Bài viết dưới đây cung cấp kiến thức tổng quan liêu về Data Mining.

Data Mining là gì?

Data mining – khai phá dữ liệu là quy trình phân loại, sắp đến xếp những tập hợp dữ liệu lớn để xác minh các chủng loại và cấu hình thiết lập các mối liên hệ nhằm xử lý các sự việc nhờ so sánh dữ liệu. Những MCU khai thác dữ liệu cho phép các doanh nghiệp hoàn toàn có thể dự đoán được xu thế tương lai.

Quá trình khai phá dữ liệu là một quá trình phức tạp bao hàm kho tài liệu chuyên sâu cũng như các technology tính toán. Hơn nữa, Data Mining không chỉ là giới hạn trong việc trích xuất dữ liệu mà còn được áp dụng để gửi đổi, làm cho sạch, tích hợp dữ liệu và so sánh mẫu.

Có nhiều tham số đặc biệt quan trọng khác nhau trong Data Mining, ví dụ như quy tắc kết hợp, phân loại, phân cụm và dự báo. Một trong những tính năng chính của Data Mining:

Dự đoán những mẫu dựa trên xu thế trong dữ liệu.Tính toán dự kiến kết quả
Tạo tin tức phản hồi để phân tích
Tập trung vào cơ sở tài liệu lớn hơn.Phân cụm dữ liệu trực quan

Các cách trong Data Mining

Các bước đặc biệt quan trọng khi Data Mining bao gồm:

Bước 1: có tác dụng sạch tài liệu – Trong cách này, dữ liệu được gia công sạch sao cho không tồn tại tạp âm hay phi lý trong dữ liệu.

Bước 2: Tích hợp tài liệu – Trong quá trình tích vừa lòng dữ liệu, các nguồn dữ liệu sẽ kết hợp lại thành một.

Bước 3: Lựa chọn tài liệu – Trong cách này, tài liệu được trích xuất từ cơ sở dữ liệu.

Bước 4: thay đổi dữ liệu – Trong bước này, dữ liệu sẽ được đổi khác để tiến hành phân tích cầm tắt cũng giống như các hoạt động tổng hợp.

Bước 5: khai thác dữ liệu – Trong bước này, chúng tôi trích xuất dữ liệu hữu ích từ bỏ nhóm tài liệu hiện có.

Bước 6: Đánh giá mẫu mã – chúng tôi phân tích một số mẫu gồm trong dữ liệu.

Bước 7: trình diễn thông tin – Trong cách cuối cùng, thông tin sẽ tiến hành thể hiện dưới dạng cây, bảng, biểu đồ cùng ma trận. 

Các cách trong Data Mining

Ứng dụng của Data Mining

Có nhiều vận dụng của Data Mining thường trông thấy như:

Phân tích thị trường và triệu chứng khoán
Phát hiện tại gian lận
Quản lý rủi ro khủng hoảng và so với doanh nghiệp
Phân tích giá trị trọn đời của khách hàng hàng
Khám phá thêm 10 ứng dụng khai phá dữ liệu

Các công cụ khai thác dữ liệu

Các công cụ khai thác dữ liệu

Rapid
Miner

Là trong những công cụ thịnh hành nhất để khai phá dữ liệu, Rapid
Miner được viết trên nền tảng gốc rễ Java nhưng lại không yêu mong mã hóa nhằm vận hành. Hơn nữa, nó hỗ trợ các chức năng khai thác dữ liệu không giống nhau như tiền cách xử trí dữ liệu, biểu diễn dữ liệu, lọc, phân cụm, v.v.

Weka

Weka là 1 phần mềm khai thác dữ liệu mã nguồn mở được cải tiến và phát triển tại Đại học Wichita. Giống như Rapid
Miner, Weka không tồn tại mã hóa và thực hiện GUI đối kháng giản.

Sử dụng Weka, bạn cũng có thể gọi trực tiếp những thuật toán học đồ vật hoặc nhập chúng bằng mã Java. Nó cung ứng một loạt những công cố như trực quan hóa, tiền xử lý, phân loại, phân cụm, v.v.

KNime

KNime là 1 trong những bộ khai thác dữ liệu táo tợn mẽ, đa phần được áp dụng cho tiền xử trí dữ liệu, đó là, ETL: Trích xuất, biến đổi & Tải. Hơn nữa, nó tích hợp những thành phần khác nhau của khoa học máy và khai thác dữ liệu để cung ứng một nền tảng bao hàm cho toàn bộ các chuyển động phù hợp.

Apache Mahout

Apache Mahout là một phần mở rộng lớn của căn nguyên Big Data Hadoop. Những nhà cải tiến và phát triển tại Apache đã cải cách và phát triển Mahout để giải quyết và xử lý nhu cầu tăng thêm về khai thác dữ liệu và hoạt động phân tích trong Hadoop.

Kết quả là, nó đựng các tính năng học máy khác biệt như phân loại, hồi quy, phân cụm, v.v.

Oracle Data
Mining

Oracle Data
Mining là một công cụ hoàn hảo nhất để phân loại, so với và dự đoán dữ liệu. Nó được cho phép người dùng thực hiện khai phá dữ liệu trên cơ sở dữ liệu SQL nhằm trích xuất các cơ thể và biểu đồ.

Tera
Data

Đối với dữ liệu, nhập kho là 1 trong yêu cầu nên thiết. Tera
Data, còn được gọi là Cơ sở tài liệu Tera
Data hỗ trợ dịch vụ kho chứa những công cụ khai thác dữ liệu.

Nó rất có thể lưu trữ dữ liệu dựa trên mức độ thực hiện của chúng, nghĩa là, nó lưu trữ dữ liệu ít được sử dụng trong phần ‘slow’ và cho phép truy cập cấp tốc vào dữ liệu được áp dụng thường xuyên.

Orange

Phần mềm Orange được biết đến bởi việc tích hợp các công cụ khai phá dữ liệu với học máy. Nó được viết bởi Python và hỗ trợ trực quan liên quan và thẩm mỹ cho người dùng.

Cập nhật kỹ năng mới

Nhập e-mail để cập nhật nhanh duy nhất thông tin, kiến thức từ Viện mailinhschool.edu.vn