BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ KHOA HỌC DỮ LIỆU TÌM HIỂU MẠNG NEURON NHÂN TẠO ĐỂ DỰ BÁO DOANH SỐ BÁN HÀNG Giảng viên hướng dẫn VƯƠNG XUÂN C. Chương I: Tìm hiểu mạng Neural 1.1: Neural nhân tạo. Neural nhân tạo hay còn gọi là Mạng nơron nhân tạo là mạng sử dụng các mô hình toán học phức tạp để xử lý thông tin. Chúng dựa trên mô hình hoạt động của các tế bào thần kinh và khớp thần kinh trong não của con người. Tương tự như bộ não con người, mạng nơron nhân tạo kết nối các nút đơn giản, còn được gọi là tế bào thần kinh. Và một tập hợp các nút như vậy tạo thành một mạng lưới các nút, do đó có tên là mạng nơron nhân tạo. Liên kết neural là một thành phần của mạng neural nhận tạo để liên kết giữa các neural, nó nối đầu ra của neural lớp này với đầu vào của một neural trong lớp khác. Đặc trưng của thành phần liên kết là một trọng số mà mỗi tín hiệu đi qua đều được nhân với trọng số này. Các trọng số liên kết chính là các tham số tự do cơ bản của mạng neuron, có thể thay đổi được nhằm thích nghi với môi trường xung quanh. Bộ cộng dùng để tính tổng các tín hiệu đầu vào của neural, đã được nhân với các trọng số liên kết tương ứng. phép toán được mô tả ở đây tạo nên một bộ hợp tuyến tính. Hàm kích hoạt hay còn gọi hàm kích hoạt phi tuyến, chuyển đổi một tổ hợp tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra. Hàm kích hoạt này đảm bảo tính chất phi tuyến cho tính toán mạng neural. Nó được xem như là một hàm giới hạn, nó giới hạn phạm vi biên độ cho phép của tín hiệu đầu ra trong một khoảng giá trị hữu hạn. Mô hình neural còn bao gồm một hệ số điều chỉnh b tác động từ bên ngoài. Hệ số điều chỉnh b có tác dụng tăng lên hoặc giảm đi đầu vào thực của hàm kích hoạt, tùy theo nó dương hay âm.
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ KHOA HỌC DỮ LIỆU TÌM HIỂU MẠNG NEURON NHÂN TẠO ĐỂ DỰ BÁO DOANH SỐ BÁN HÀNG Giảng viên hướng dẫn: VƯƠNG XUÂN CHÍ Sinh viên thực hiện: DƯ THOẠI KỲ MSSV: 2000006403 Chuyên ngành: Khoa học liệu Mơn học: Đồ án sở KHDL Khóa: 2020 Tp.HCM, Tháng năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ KHOA HỌC DỮ LIỆU TÌM HIỂU MẠNG NEURON NHÂN TẠO ĐỂ DỰ BÁO DOANH SỐ BÁN HÀNG Giảng viên hướng dẫn: VƯƠNG XUÂN CHÍ Sinh viên thực DƯ THOẠI KỲ MSSV: 2000006403 Chuyên ngành: Khoa học liệu Môn học: Đồ án sở KHDL Khóa: 2020 Tp.HCM, Tháng năm 2022 Trường Đại học Nguyễn Tất Thành Khoa Công Nghệ Thông Tin CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc NHIỆM VỤ ĐỒ ÁN CƠ SỞ KHOA HỌC DỮ LIỆU (Sinh viên phải đóng tờ vào báo cáo) Họ tên: DƯ THOẠI KỲ MSSV: 2000006403 Chuyên ngành: KHOA HỌC DỮ LIỆU Lớp: 20DTH1D Email: theanhq12344@gmail.com SĐT: 0376891511 Tên đề tài: TÌM HIỂU MẠNG NEURON NHÂN TẠO ĐỂ DỰ BÁO DOANH SỐ BÁN HÀNG Gíao viên hướng dẫn: VƯƠNG XN CHÍ Thời gian thực hiện: 03/07/2017 đến 24/09/2017 Nhiệm vụ/nội dung (mô tả chi tiết nội dung, yêu cầu, phương pháp… ) : - Thực công việc a - Thực công việc b - Thực công việc c Nội dung yêu cầu thông qua Bộ môn TP.HCM, ngày 26 tháng năm 2022 TRƯỞNG BỘ MÔN (Ký ghi rõ họ tên) GIÁO VIÊN HƯỚNG DẪN (Ký ghi rõ họ tên) LỜI CẢM ƠN Đối với sinh viên trường Đại học Nguyễn Tất Thành, đồ án sở minh chứng cho kiến thức có sau khoảng thời gian học tập Trong q trình hồn thành đị án sở, cố gắng thân, em khơng hồn thành tốt cơng việc khơng có bào hướng dẫn tận tình thầy Vương Xuân Chí Em xin gửi lời cảm ơn chân thành tới thầy Ngoài suốt trình thực em nhận giúp đỡ, hỗ trợ tận tình anh chị khóa người bạn chuyên ngành trường Đại học Nguyễn Tất Thành Em xin gửi lời cảm ơn anh chị, bạn bè ban chủ nhiệm môn, tập thể cán giảng dạy môn Đồ án sở khoa học liệu trường Đại học Nguyễn Tất Thành, tạo điều kiện để em thực tốt Đồ án sở Cuối cùng, em xin gửi lời cảm ơn tới gia đình, bạn bè giúp đỡ, chia sẻ em q trình học tập hồn thành đồ án Em xin chân thành cảm ơn LỜI MỞ ĐẦU Trong sống ta thường gặp toán liên quan đến xếp lịch xếp lịch vận hành máy móc, xếp lịch biểu cho việc thực dự án, xếp lịch làm việc, xếp lịch thi đấu thể thao,… Đối với loại toán cần phải tìm phương án xếp lịch thỏa mãn tất ràng buộc khai thác hiệu nguồn tài nguyên có, giảm thời gian chi phí thực Bài tốn xếp thời khóa biểu trường học nói chung trường Đại học nói riêng tốn Có nhiều ràng buộc ñặt toán ràng buộc ñối tượng tham gia (giảng viên, lớp học, sinh viên), ràng buộc tài nguyên phục vụ giảng dạy (phòng học lý thuyết, phòng thực hành,…), ràng buộc thời gian (số tiết học, số lần học, số tiết lần), ràng buộc chuyên môn nhiều ràng buộc khác tùy thuộc vào trường Vấn đề đặt cần xây dựng thời khóa biểu thỏa mãn tất ràng buộc ñồng thời khai thác hiệu nguồn tài nguyên phục vụ giảng dạy Bài tốn xếp thời khóa biểu thuộc lớp tốn NP-đầy đủ khơng tìm lời giải tối ưu Đây tốn khơng có nhiều giải thuật đưa ñể giải giải thuật nhánh cận, giải thuật leo ñồi, giải thuật luyện thép, giải thuật tô màu đồ thị, giải thuật xấp xỉ,… Tuy nhiên giải thuật thường khơng có tính tổng quát áp dụng hiệu trường học có quy mơ nhỏ, ràng buộc mặt liệu Ở Việt Nam nay, trường Đại học dần chuyển sang hình thức đào tạo tín Mặc dầu hình thức đào tạo có nhiều ưu điểm so với đào tạo niên chế nhiên việc xếp thời khóa biểu gánh nặng thực cho trường, đặc biệt trường có quy mơ đào tạo lớn Vả lại thị trường chưa có sản phẩm phần mềm giải hiệu toán Trong năm gần đây, phương pháp tiếp cận di truyền thu hút nhiều ý lĩnh vực nghiên cứu khác có khoa học máy tính Phương pháp có nhiều đặc điểm trội khơng địi hỏi tri thức, tránh tối ưu cục bộ, thực tốt với tốn có khơng gian lời giải lớn áp dụng cho nhiều loại toán tối ưu khác Trên giới nay, giải thuật di truyền kết hợp với tin học ứng dụng để giải tốn tối ưu cách hiệu Vì vậy, việc nghiên cứu ứng dụng giải thuật di truyền (Genetic Algorithm - GA) để giải hiệu tốn xếp thời khóa biểu nói việc làm cần thiết NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN Điểm đồ án: TPHCM, Ngày …… tháng …… năm Giáo viên hướng dẫn (Ký tên, đóng dấu) MỤC LỤC Chương I: Tìm hiểu mạng Neural 1.1: Neural nhân tạo………………………………………………………………….9 1.2: mạng Neural nhân tạo………………………………………………………… 11 1.3: Đặc trưng mạng Neural…………………………………………………….13 1.3.1: Tính phi tuyến………………………………………………………………13 1.3.2: Tính chất tương ứng đầu vào đầu ra…………………………………….13 1.3.3: Tính chất thích nghi……………………………………………………….14 1.3.4: Tính chất đưa lời giải có chứng………………………………14 1.3.5: Tính chất chấp nhận sai sót…………………………………………….14 1.3.6: Khả cài đặt VLSI (Very Large Scale Intergrated)……………14 1.3.7: Tính chất đồng dạng phân tích thiết kế………………… 15 1.4: kiến trúc mạng Neural…………………………………………………….16 1.5: Phương pháp học…………………………………………………………… 17 1.5.1: Học có giám sát……………………………………………………… 17 1.5.2: Học khơng có giám sát……………………………………………….18 1.5.3: Học tăng cường……………………………………………………….18 Chương II: Áp dụng vào dự báo doanh số bán hàng………………… 2.1: Dữ liệu doanh số bán hàng………………………………………………20 2.2: Phát biểu toán………………………………………………………… 21 2.3: Thiết kế mạng nơ ron……………………………………………………… 23 2.3.2: Cấu trúc mạng……………………………………………………….23 2.3.3: Hàm tương tác đầu ra……………………………………………….24 2.4: Cơng cụ mơ tốn dự báo doanh số………………………………… 24 Chương III: Kết luận………………………………….……………… 1.Kết đạt được………………………………………………………… …….29 2.Một số hướng mở rộng đề tài………………………………………………….…31 Chương I: Tìm hiểu mạng Neural 1.1: Neural nhân tạo - Neural nhân tạo hay gọi Mạng nơ-ron nhân tạo mạng sử dụng mơ hình tốn học phức tạp để xử lý thông tin Chúng dựa mơ hình hoạt động tế bào thần kinh khớp thần kinh não người Tương tự não người, mạng nơ-ron nhân tạo kết nối nút đơn giản, gọi tế bào thần kinh Và tập hợp nút tạo thành mạng lưới nút, có tên mạng nơ-ron nhân tạo - Liên kết neural thành phần mạng neural nhận tạo để liên kết neural, nối đầu neural lớp với đầu vào neural lớp khác Đặc trưng thành phần liên kết trọng số mà tín hiệu qua nhân với trọng số Các trọng số liên kết tham số tự mạng neuron, thay đổi nhằm thích nghi với mơi trường xung quanh - Bộ cộng dùng để tính tổng tín hiệu đầu vào neural, nhân với trọng số liên kết tương ứng phép tốn mơ tả tạo nên hợp tuyến tính - Hàm kích hoạt hay cịn gọi hàm kích hoạt phi tuyến, chuyển đổi tổ hợp tuyến tính tất tín hiệu đầu vào thành tín hiệu đầu Hàm kích hoạt đảm bảo tính chất phi tuyến cho tính tốn mạng neural Nó xem hàm giới hạn, giới hạn phạm vi biên độ cho phép tín hiệu đầu khoảng giá trị hữu hạn Mơ hình neural cịn bao gồm hệ số điều chỉnh b tác động từ bên ngồi Hệ số điều chỉnh b có tác dụng tăng lên giảm đầu vào thực hàm kích hoạt, tùy theo dương hay âm 10 2.1 Dữ liệu doanh số bán hàng Lấy liệu minh họa liệu doanh số bán hàng chi nhánh từ ngày 1/06/2016 đến 30/06/2016 thống kê bảng sau: Bảng 3.1 Dữ liệu doanh số bán hàng thương hiệu sữa Vinamilk TT Tháng năm Ngày Doanh thu 201606 87637330000 201606 51592350000 201606 70710450000 201606 90337190000 201606 59876860000 201606 40409400000 201606 27422300000 201606 45635030000 201606 38154530000 10 201606 10 23910350000 20 11 201606 11 36457930000 12 201606 12 27384000000 13 201606 13 27385000000 14 201606 14 28537960000 15 201606 15 37820520000 16 201606 16 84600000000 17 201606 17 38400000000 18 201606 18 160000000000 19 201606 19 240000000000 20 201606 20 92300000000 21 201606 21 281000000000 22 201606 22 116000000000 21 23 201606 23 96900000000 24 201606 24 168000000000 25 201606 25 127000000000 26 201606 26 104000000000 27 201606 27 57400000000 28 201606 28 197000000000 29 201606 29 96406120000 30 201606 30 81598620000 Sử dụng đặc trưng làm cấu trúc liệu cho toán nên phương án giải toán dự báo dạng hồi quy Tức sử dụng liệu ngày trước để dự báo cho ngày 2.2 Phát biểu toán Dữ liệu toán chia phần phần training phần test 22 Từ bảng liệu doanh số bán hàng bảng ta thấy toán xây dựng sau: Lấy tháng năm 2016 từ ngày đến ngày 30 tháng năm 2016 để minh họa doanh số dự báo theo ngày cụ thể sau: - Lấy ngày đầu tháng năm 2016 làm liệu input đầu vào để dự báo cho ngày thứ - Sau lại lấy tiến lên ngày từ ngày thứ đến ngày thứ để dự báo cho ngày thứ - Cứ tiếp tục hết liệu Bài toán gồm pha: pha học pha chạy -Pha học Dữ liệu dùng để học lấy từ ngày tháng đến 25 tháng ta có 21 mẫu mẫu gồm đầu vào doanh số ngày Mẫu doanh số ngày đến ngày đầu ngày Mẫu lấy tiến lên ngày doanh số từ ngày tháng đến ngày tháng đầu doanh số ngày tháng 6, mẫu liệu 18 Dữ liệu từ ngày 26 tháng đến 30 tháng sử dụng để kiểm tra độ xác dự báo Ta có bảng liệu học sau: Bảng 2.2 Bảng liệu học Đầu vào x1 x2 x3 x4 Đầu k=1 87637330000 51592350000 70710450000 90337190000 59876860000 23 k=2 51592350000 70710450000 90337190000 59876860000 40409400000 k=3 70710450000 90337190000 59876860000 40409400000 27422300000 k=4 90337190000 59876860000 40409400000 27422300000 45635030000 k=5 59876860000 40409400000 27422300000 45635030000 38154530000 k=6 40409400000 27422300000 45635030000 38154530000 23910350000 k=7 27422300000 45635030000 38154530000 23910350000 36457930000 k=8 45635030000 38154530000 23910350000 36457930000 27384000000 k=9 38154530000 23910350000 36457930000 27384000000 27385000000 k=1 23910350000 36457930000 27384000000 27385000000 28537960000 k=1 36457930000 27384000000 27385000000 28537960000 37820520000 k=1 27384000000 27385000000 28537960000 37820520000 84600000000 24 k=1 27385000000 28537960000 37820520000 84600000000 38400000000 k=1 28537960000 37820520000 84600000000 38400000000 16000000000 k=1 37820520000 84600000000 38400000000 16000000000 24000000000 0 k=1 84600000000 38400000000 16000000000 24000000000 92300000000 0 k=1 38400000000 16000000000 24000000000 92300000000 28100000000 0 k=1 16000000000 24000000000 92300000000 28100000000 11600000000 0 0 2.3 Thiết kế mạng nơron Trong toán, ta xác định cặp đầu vào (x(k), d(k)) k=1…18 giá trị liệu doanh thu từ 01/06/2016 đến 30/06/2016 2.3.2 Cấu trúc mạng Số nơron lớp vào 25 Trong đồ án sử dụng nơron lớp vào cho cập mẫu ứng vào giá trị đầu vào mạng doanh số theo ngày liên tiếp tháng Đầu tập mẫu trước đầu vào cho tập mẫu sau Số nơron lớp ẩn Để lựa chọn xác số nơron cho lớp ẩn khó số nơron lớp ẩn lựa chọn qua thực nghiệm toán Qua thực nghiệm toán lựa chọn số nơron lớp ẩn nơron Số nơron lớp Bài toán đặt dự báo doanh số cho ngày Do có đầu doanh số ngày hôm sau Hằng số học Hằng số học h lựa chọn phương pháp thực nghiệm 2.3.3 Hàm tương tác đầu Hàm kích hoạt sử dụng lớp vào lớp ẩn hàm Logsigmoid, hàm thuận lợi sử dụng cho mạng huấn luyện thuật toán lan truyền ngược BP, dễ lấy đạo hàm Hàm log-sigmoid phù hợp với tốn có đầu mong muốn rơi vào khoảng [0,1] Hàm kích hoạt sử dụng lớp hàm tổng SUM giá trị đầu giá trị thực tế chuẩn hóa theo đơn vị đầu 26 2.4 Cơng cụ mơ tốn dự báo doanh số Để thử nghiệm mơ hình dự báo thay đổi thông số khác mạng nơron nhân tạo, đồ án xây dựng công cụ mô mạng nơron truyền thẳng sử dụng thuật toán lan truyền ngược sai số Ví dụ giải thuật lan truyền ngược: Giả sử có mạng Nơron sau: Với mạng Nơron cho trước trọng số hình với hàm kích hoạt hàm sigmoid, với hệ số hiệu chỉnh bias hệ số h = 1: Mẫu gồm phần: Đầu vào: A =0.35, B=0.9 Đầu mong muốn: z = 0.5 Trước hết tính đầu cho Nơron : 27 Nơron 1: t1 = (0.35x0.1) + (0.9x0.8) + = 1.755 Từ suy ra: Nơron 2: t2 = (0.9x0.6) + (0.35x0.4) + = 1.68 Từ suy ra: Nơron 3: t3 = (0.3 x 0.8525) + (0.9 x 0.842) + = 2.0143 Từ suy ra: Bước tính tín hiệu lỗi d3 = z - y = 0.5 - 0.8823 = -0.3823 Lan truyền tín hiệu lỗi: Nơron 1: d1 = -0.3823 * 0.3 = -0,11469 Nơron : d2 = -0.3823 * 0.9 = -0.344 28 Bây dựa vào tín hiệu lỗi Nơron để thay đổi trọng số weights Cho kết quả: 29 Chương III: Kết luận -Dự báo tảng mạng nơ ron nhân tạo (artificial neural network ANN) điểm quan trọng phát triển mơ hình dự báo Mặc dù việc sử dụng ANN lĩnh vực kinh tế giai đoạn khởi động so với lĩnh vực khác, tính ưu việt sớm chứng minh Sự đơn giản cấu trúc ANN quy trình ước lượng chun biệt hai nhân tố vai trị quan trọng định tính dự báo xác ANN Khả dự báo tốt ANN tiếp tục chứng minh qua nghiên cứu Binner, Bissoondeeal, Elger, Gazely, and Mullineux (2005) ANN – đại diện tiêu biểu cho mơ hình phi tuyến, cung cấp dự báo mẫu lẫn ngồi mẫu tốt với độ xác cao rõ rệt Các mơ hình tuyến tính đơn giản tập hợp mơ hình ANN mà thơi -Trên tảng đó, nghiên cứu chọn sử dụng mơ hình mạng nơ ron nhân tạo (ANN) để dự báo tỷ lệ bán hàng Việt Nam Kết dự báo 30 của nghiên cứu có độ xác tương đối cao, vậy, lần khẳng định lựa chọn ANN vào dự báo doanh số bán hàng Việt Nam phù hợp Trên sở đó, nghiên cứu khuyến nghị việc vận dụng ANN để dự báo, để cung cấp thông tin, số liệu quan trọng việc xây dựng kịch kinh tế cho giai đoạn năm, tầm nhìn đến 10 năm Việt Nam Ngồi ra, kết nghiên cứu góp phần bổ sung thêm vào hệ thống minh chứng khoa học tính hiệu ANN dự báo biến số kinh tế vĩ mô -Bên cạnh kết nêu trên, nghiên cứu đặt nhiều vấn đề cần lưu ý tiếp tục nghiên cứu tương lai -Đồng thời, lý thuyết kinh tế ln đóng vai trị quan trọng việc lựa chọn biến, thiết lập cấu trúc mơ hình dự báo Tính xác dự báo tăng lên đáng kể có phối hợp chặt chẽ lý thuyết kinh tế, mơ hình thực nghiệm cách phù hợp với tính chất liệu Xun suốt lịch sử phát triển mơ hình dự báo, mạng nơ ron nhân tạo xem cơng cụ dự báo cho phép tích hợp yếu tố nêu Hơn nữa, ANN phát triển thành hệ thống gồm nhiều mơ hình dự báo tiên tiến, tích hợp với mơ hình khác tạo thành hệ mơ hình dự báo lai (hybrid model8 ) sử dụng để dự báo, phân loại, thiết lập v.v phục vụ cho nhiều mục đích có khả tìm giải pháp thích hợp cho nhiều vấn đề dự báo khác Việc khai thác mơ hình hybrid bước phát triển cho nghiên cứu 31 Trong đề tài này, tác giả thực tìm hiểu tổng quan mạng nơron, ứng dụng mạng nơ-ron truyền thẳng toán dự đoán phân loại Đề tài tập trung vào việc nghiên cứu xây dựng mơ hình tổng qt cho việc ứng dụng mạng nơ-ron cho lớp toán dự đoán phân loại Kết đạt Tìm hiểu khái niệm, thành phần mạng nơ-ron kiểu kiến trúc mạng Đi sâu phân tích đặc điểm mạng nơ-ron, từ xác định khả ứng dụng mạng nơ-ron toán phân loại dự đoán Nghiên cứu sâu kiến trúc mạng kinh điển sử dụng rộng rãi mạng nơ-ron truyền thẳng sử dụng thuật tốn lan truyền ngược Phân tích ứng dụng mạng nơ-ron truyền thẳng lớp toán dự đoán phân loại Đưa số nguyên tắc cần lưu ý giải toán mạng nơ-ron Xây dựng thành quy trình với bước thực chi tiết để ứng dụng mạng nơ-ron truyền thẳng vào toán khác lớp toán Xây dựng phần mềm cung cấp khả tổng quát hóa việc sử dụng mạng nơ-ron cho nhiều toán khác nhau, cho phép người sử dụng tập hợp liệu mẫu, tiền xử lý đến việc thiết kế mạng điểu chỉnh thông số cho phù hợp toán cụ thể Phần mềm với giao diện trực quan mơ quy trình ứng dụng mạng theo bước phân tích luận văn 23 Qua trình nghiên cứu lý thuyết cài đặt phần mềm mô phỏng, tác giả rút số kết luận sau: Mạng nơron với khả tổng qt hóa tốn, trở thành cơng 32 cụ hữu hiệu để giải nhiều tốn khác hiệu Mạng nơ-ron với nhiều đặc trưng: khả học từ liệu, tính thích nghi, chịu lỗi liệu khơng đầy đủ có nhiễu lợi so với phương pháp khác Việc ứng dụng mạng nơ-ron hiệu bước việc lựa chọn mẫu huấn luyện, trích chọn đặc trưng, tiền xử lý thực tốt Cần tận dụng tri thức riêng biệt tốn để xây dựng mơ hình mạng thích hợp Mạng nơ-ron truyền thẳng thuật tốn lan truyền ngược chứng tỏ khả tốt cho nhiều tốn phức tạp Tuy nhiên khơng có mơ hình chung cho tất tốn số lượng nơ-ron hội tụ mạng Để có khả ứng dụng hiệu địi hỏi phải nhiều thời gian để huấn luyện, điều chỉnh tham số mạng Một số hướng mở rộng đề tài Nghiên cứu đầy đủ đặc điểm lớp toán để việc ứng dụng mạng nơ-ron trở nên đơn giản nâng cao hiệu Cải tiến thuật toán lan truyền ngược cách kết hợp phương pháp khác thuật giải di truyền, logic mờ Mở rộng nghiên cứu kiến trúc mạng thuật toán huấn luyện khác, ứng dụng cho lớp toán khác phân cụm liệu, phục hồi liệu, … 24 Xây dựng phương pháp biểu diễn liệu cho nhiều kiểu liệu khác liệu dạng hình ảnh, âm thanh, văn bản,… Phần mềm cần bổ sung nhiều tùy chọn cho phép người sử dụng mô dễ dàng mơ hình mạng khác Trong bối cảnh nay, ứng dụng công nghệ thông tin ngày 33 cao chuyển sang nghiên cứu hệ thống thông minh, mạng nơron lên giải pháp nhiều hứa hẹn Mạng nơ-ron thể nhiều ưu điểm bật so với phương pháp khác khả mềm dẻo, linh hoạt khả ứng dụng rộng rãi Nhưng đòi hỏi phức tạp việc thiết kế mạng, khơng có phương pháp xác định số lớp ẩn số nơ-ron thích hợp 34 ...BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ KHOA HỌC DỮ LIỆU TÌM HIỂU MẠNG NEURON NHÂN TẠO ĐỂ DỰ BÁO DOANH SỐ BÁN HÀNG Giảng viên hướng dẫn:... doanh số bán hàng 19 2.1 Dữ liệu doanh số bán hàng Lấy liệu minh họa liệu doanh số bán hàng chi nhánh từ ngày 1/06/2016 đến 30/06/2016 thống kê bảng sau: Bảng 3.1 Dữ liệu doanh số bán hàng thương... dụng mơ hình mạng nơ ron nhân tạo (ANN) để dự báo tỷ lệ bán hàng Việt Nam Kết dự báo 30 của nghiên cứu có độ xác tương đối cao, vậy, lần khẳng định lựa chọn ANN vào dự báo doanh số bán hàng Việt