TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN TỬ VIỄN THÔNG ĐỒ ÁN TỐT NGHIỆP ĐẠI HỌC Đề tài Ứng dụng AI và các mô hình học máy để dự báo xu hướng diễn biến môi trường thủy sản ở Phú Yên Sinh viên thực hiệ[.]
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN TỬ - VIỄN THÔNG ĐỒ ÁN TỐT NGHIỆP ĐẠI HỌC Đề tài: Ứng dụng AI mơ hình học máy để dự báo xu hướng diễn biến môi trường thủy sản Phú Yên Sinh viên thực hiện: VŨ XUÂN TUẤN Lớp CN - ĐT2 – K61 Giảng viên hướng dẫn: PGS TS TRẦN QUANG VINH Hà Nội, 1-2021 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN TỬ - VIỄN THÔNG ĐỒ ÁN TỐT NGHIỆP ĐẠI HỌC Đề tài: Ứng dụng AI mơ hình học máy để dự báo xu hướng diễn biến môi trường thủy sản Phú Yên Sinh viên thực hiện: VŨ XUÂN TUẤN Lớp CN - ĐT2 – K61 Giảng viên hướng dẫn: PGS TS TRẦN QUANG VINH Cán phản biện: Hà Nội, 1-2021 ĐÁNH GIÁ QUYỂN ĐỒ ÁN TỐT NGHIỆP (Dùng cho giảng viên hướng dẫn) Tên giảng viên đánh giá: Họ tên sinh viên: Vũ Xuân Tuấn MSSV: 20166940 Tên đồ án: Ứng dụng AI mơ hình học máy để dự báo xu hướng diễn biến môi trường thủy sản Phú Yên Chọn mức điểm phù hợp cho sinh viên trình bày theo tiêu chí đây: Rất (1); Kém (2); Đạt (3); Giỏi (4); Xuất sắc (5) Có kết hợp lý thuyết thực hành (20) Nêu rõ tính cấp thiết quan trọng đề tài, vấn đề giả thuyết (bao gồm mục đích tính phù hợp) phạm vi ứng dụng đồ án Cập nhật kết nghiên cứu gần (trong nước/quốc tế) Nêu rõ chi tiết phương pháp nghiên cứu/giải vấn đề 5 5 5 Có kết mơ phỏng/thực nghiệm trình bày rõ ràng kết đạt Có khả phân tích đánh giá kết (15) Kế hoạch làm việc rõ ràng bao gồm mục tiêu phương pháp thực dựa kết nghiên cứu lý thuyết cách có hệ thống Kết trình bày cách logic dễ hiểu, tất kết phân tích đánh giá thỏa đáng Trong phần kết luận, tác giả rõ khác biệt (nếu có) kết đạt mục tiêu ban đầu đề đồng thời cung cấp lập luận để đề xuất hướng giải thực tương lai Kỹ viết đồ án (10) Đồ án trình bày mẫu quy định với cấu trúc chương logic đẹp mắt (bảng biểu, hình ảnh rõ ràng, có tiêu đề, đánh số thứ tự giải thích hay đề cập đến; lề thống nhất, có dấu cách sau dấu chấm, dấu phảy v.v.), có mở đầu chương kết luận chương, có liệt kê tài liệu tham khảo có trích dẫn quy định Kỹ viết xuất sắc (cấu trúc câu chuẩn, văn phong khoa học, lập luận logic có sở, từ vựng sử dụng phù hợp v.v.) Thành tựu nghiên cứu khoa học (5) (chọn trường hợp) 0a SVNCKH giải cấp Viện trở lên/Có giải thưởng khoa học (quốc tế nước) từ giải trở lên/Có đăng ký phát minh, sáng chế 0b Được báo cáo hội đồng cấp Viện hội nghị SVNCKH không đạt giải từ giải trở lên/Đạt giải khuyến khích kỳ thi quốc gia quốc tế khác chuyên ngành (VD: TI contest) 0c Có báo khoa học đăng chấp nhận đăng/Đạt giải Khơng có thành tích nghiên cứu khoa học Điểm tổng /50 Điểm tổng quy đổi thang 10 Nhận xét khác (về thái độ tinh thần làm việc sinh viên) Ngày: … / … / 20… Người nhận xét (Ký ghi rõ họ tên) ĐÁNH GIÁ QUYỂN ĐỒ ÁN TỐT NGHIỆP (Dùng cho cán phản biện) Giảng viên đánh giá: Họ tên sinh viên: Vũ Xuân Tuấn MSSV: 20166940 Tên đồ án: Ứng dụng AI mơ hình học máy để dự báo xu hướng diễn biến môi trường thủy sản Phú Yên Chọn mức điểm phù hợp cho sinh viên trình bày theo tiêu chí đây: Rất (1); Kém (2); Đạt (3); Giỏi (4); Xuất sắc (5) Có kết hợp lý thuyết thực hành (20) Nêu rõ tính cấp thiết quan trọng đề tài, vấn đề giả thuyết (bao gồm mục đích tính phù hợp) phạm vi ứng dụng đồ án Cập nhật kết nghiên cứu gần (trong nước/quốc tế) Nêu rõ chi tiết phương pháp nghiên cứu/giải vấn đề 5 5 5 Có kết mơ phỏng/thực nghiệm trình bày rõ ràng kết đạt Có khả phân tích đánh giá kết (15) Kế hoạch làm việc rõ ràng bao gồm mục tiêu phương pháp thực dựa kết nghiên cứu lý thuyết cách có hệ thống Kết trình bày cách logic dễ hiểu, tất kết phân tích đánh giá thỏa đáng Trong phần kết luận, tác giả rõ khác biệt (nếu có) kết đạt mục tiêu ban đầu đề đồng thời cung cấp lập luận để đề xuất hướng giải thực tương lai Kỹ viết đồ án (10) Đồ án trình bày mẫu quy định với cấu trúc chương logic đẹp mắt (bảng biểu, hình ảnh rõ ràng, có tiêu đề, đánh số thứ tự giải thích hay đề cập đến; lề thống nhất, có dấu cách sau dấu chấm, dấu phảy v.v.), có mở đầu chương kết luận chương, có liệt kê tài liệu tham khảo có trích dẫn quy định Kỹ viết xuất sắc (cấu trúc câu chuẩn, văn phong khoa học, lập luận logic có sở, từ vựng sử dụng phù hợp v.v.) Thành tựu nghiên cứu khoa học (5) (chọn trường hợp) 0a SVNCKH giải cấp Viện trở lên/Có giải thưởng khoa học (quốc tế nước) từ giải trở lên/Có đăng ký phát minh, sáng chế 0b Được báo cáo hội đồng cấp Viện hội nghị SVNCKH không đạt giải từ giải trở lên/Đạt giải khuyến khích kỳ thi quốc gia quốc tế khác chuyên ngành (VD: TI contest) 0c Có báo khoa học đăng chấp nhận đăng/Đạt giải Khơng có thành tích nghiên cứu khoa học Điểm tổng /50 Điểm tổng quy đổi thang 10 Nhận xét khác cán phản biện Ngày: … / … / 20… Người nhận xét (Ký ghi rõ họ tên) Lời nói đầu Ơ nhiễm môi trường hay thiên tai vấn đề nan giản Cho đến chưa có cách thức hay biện pháp tối ưu áp dụng để triệt để giảm tải ô nhiễm môi trường thiên tai Tất cần đồng lòng tồn cần có thời gian lâu dài Tuy nhiên, người có biện pháp triệt để ngăn chặn thiên tai dự báo biến cố hay phần để có biện pháp phịng tránh giảm thiểu thiệt hại cho lựa chọn tối ưu để ngăn chặn hậu khôn lường thiên tai Mặc dù em khơng thể hồn tồn dự báo cảnh báo thiệt hại có mơi trường ni Tuy nhiên mơ hình dự báo tương đối xác tham số phụ thuộc mơi trường ni Hy vọng ứng dụng phần để giúp người nơng dân ni tơm nói chung, cụ thể Phú Yên nói riêng sử dụng để đưa nhận định sớm nhất, giảm thiệt hại môi trường gây trình ni tơm Em xin gửi lời cảm ơn tới thầy hướng dẫn đồ án PGS.TS Trần Quang Vinh có bảo, nhắc nhở, hỗ trợ đốc thúc em trình thực đề tài Sinh viên thực đề tài Vũ Xuân Tuấn i 3.4 TRIỂN KHAI THỰC HIỆN Hàm read_csv sử dụng để tải liệu concat sử dụng để ghép nối liệu Sau tải ghép nối liệu, em hiển thị hàng cuối liệu hàm data.tail() Bộ liệu để đào tạo 0h00 01/01/2014 đến 23h30 ngày 31/01/2015 thang_1 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Thu_ ngh ie m_ du_ li eu /2014/1 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_2 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Thu_ ngh ie m_ du_ li eu /2014/2 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_3 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Thu_ ngh ie m_ du_ li eu /2014/3 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_4 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Thu_ ngh ie m_ du_ li eu /2014/4 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_5 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Thu_ ngh ie m_ du_ li eu /2014/5 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_6 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Thu_ ngh ie m_ du_ li eu /2014/6 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_7 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Thu_ ngh ie m_ du_ li eu /2014/7 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_8 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Thu_ ngh ie m_ du_ li eu /2014/8 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_9 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Thu_ ngh ie m_ du_ li eu /2014/9 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_10 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / 56 3.4 TRIỂN KHAI THỰC HIỆN Lam_viec_Sanslab / Th u_ ngh ie m_ du_ li eu /2014/10 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_11 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Th u_ ngh ie m_ du_ li eu /2014/11 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_12 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Th u_ ngh ie m_ du_ li eu /2014/12 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) thang_1_2015 = pandas read_csv ( ’/ mnt /01 D34498C386B760 / Lam_viec_Sanslab / Th u_ ngh ie m_ du_ li eu /2015/1 csv ’ , usecols =[ ’ Date ’ , ’ Hour ’ , ’ Temperature Number ’]) nam_2014 = pandas concat ([ thang_1 , thang_2 , thang_3 , thang_4 , thang_5 , thang_6 , thang_7 , thang_8 , thang_9 , thang_10 , thang_11 , thang_12 ]) nam_2014_2015 = pandas concat ([ nam_2014 , thang_1_2015 ]) nam_2014_2015 tail () Hình 3.5: Năm hàng cuối liệu năm 2014 2015 Dữ liệu sau tải, em loại bỏ cột không cần thiết Date Hour Em điều chỉnh liệu lại khoảng cách sử dụng MinMaxScaler() Điều 57 3.4 TRIỂN KHAI THỰC HIỆN nhằm cải thiện hiệu suất dự đoán data_training = nam_2014_2015 copy () drop ([ ’ Date ’ , ’ Hour ’] , axis =1) scaler = MinMaxScaler () data_training = scaler fit_transform ( data_training ) data_training Hình 3.6: Dữ liệu sau điều chỉnh Vì em sử dụng 60 điểm liệu để dự đốn điểm thứ 61 Vì em chia liệu thành X_train y_train sau X_train = [] y_train = [] for i in range (60 , data_training shape [0]) : X_train append ( data_training [i -60: i ]) y_train append ( data_training [i , 0]) X_train , y_train = np array ( X_train ) , np array ( y_train ) Em làm tương tự với liệu kiểm thử Bộ liệu kiểm thử 0h00 01/01/2019 đến 23h30 ngày 03/03/2019 3.4.2 Xây dựng mơ hình Như em trình bày phần trước, mơ hình lựa chọn là: 58 3.4 TRIỂN KHAI THỰC HIỆN LSTM_model = Sequential () LSTM_model add ( LSTM ( units = 60 , activation = ’ relu ’ , return_sequences = True , input_shape = ( X_train shape [1] , 1) )) LSTM_model add ( Dropout (0.1) ) LSTM_model add ( LSTM ( units = 60 , activation = ’ relu ’ , return_sequences = True ) ) LSTM_model add ( Dropout (0.1) ) LSTM_model add ( LSTM ( units = 80 , activation = ’ relu ’ , return_sequences = True ) ) LSTM_model add ( Dropout (0.1) ) LSTM_model add ( LSTM ( units = 120 , activation = ’ relu ’) ) LSTM_model add ( Dropout (0.1) ) LSTM_model add ( Dense ( units = 1) ) Bằng cách sử dụng lệnh model.summary() mô tả ngắn gọn lớp cấu trúc đầu ra, số lượng tham số tầng lớp: Số lượng tham số tính sau: • Đối với LSTM, thì số lượng tham số ì (inputsize + outputsize + 1) inputsize ã Đối với lớp kết nối đầy đủ (Dense layer hay fully-connected layer) số lượng tham số outputsize × (inputsize + 1) Trong đó, • inputsize kích thước đầu vào lớp • outputsize kích thước đầu lớp 59 3.4 TRIỂN KHAI THỰC HIỆN Hình 3.7: Mơ tả ngắn gọn lớp cấu trúc đầu 3.4.3 Đào tạo lưu lại mơ hình Sau xây dựng mơ hình, mơ hình đào tọa với thuật tốn tối ưu Adam hàm lỗi sai số bình phương trung bình Ở em lựa chọn epochs = 50 batch_size = 32 lựa chọn phổ biến Đối với mẫu có kích thước nhỏ, đa số lời khuyên batch_size 32 25 LSTM_model compile ( optimizer = ’ adam ’ , loss = ’ mean_squared_error ’) LSTM_model fit ( X_train , y_train , epochs =50 , batch_size =32) Sau trình đào tạo em lưu lại mơ hình để sử dụng sau này: LSTM_model save ( ’ LSTM_model h5 ’) Kết sau lưu lại tái sử dụng để dự đoán load_model 60 3.4 TRIỂN KHAI THỰC HIỆN 3.4.4 Xây dựng cách kiểm thử mơ hình đánh giá Với việc phân chia đầu vào đầu trên, em có liệu để kiểm thử ma trận chiều X_test ma trận chiều y_test Đối với tham số nhiệt độ, liệu kiểm thử X_test y_test có độ dài 2916 Đối với tham số khác, liệu kiểm thửu X_test y_test có độ dài 411 Sau phân chia liệu, em đưa X_test vào mơ hình để dự đốn: y_pred = LSTM_model predict ( X_test ) Vì kết X_test điều chỉnh, nên dự đoán nằm khoảng đến Em cần đưa lại kết dạng ban đầu Ví dụ: y_pred = scaler inv erse_tra nsform ( y_pred ) Kết đối chiếu với kết thực tế cách: • Vẽ kết dự đoán kết thực tế đồ thị để có cách nhìn trực quan • Thống kê lại chênh lệch cách lấy |ytest − ypred | Kết thống kê chênh lệch tổng hợp, tính tốn vẽ đồ thị phân phối tích lũy sai số 61 Chương Kết 4.1 So sánh đối chiếu kết thực với liệu có Thời gian kiểm thử thông số Nhiệt độ, Độ mặn, PH, NH3, TSS, DO, COD: 6h ngày 9/10/2019 đến 12h00 ngày 16/12/2019 với 472 điểm để kiểm thử Ở phần em xây dựng biểu đồ để so sánh kết dự báo kết thực tế Đối với độ mặn: Kết tổng kết là: • Sai số trung bình 0.6108 • sai số nhỏ 0.004 • sai số lớn 4.1177 • Phương sai 0.4868 • độ lệch chuẩn 0.6977 Em vẽ biều đồ so sánh kết dự đoán với kết tập kiểm thử hình 4.1 62 4.1 SO SÁNH VÀ ĐỐI CHIẾU CÁC KẾT QUẢ THỰC HIỆN ĐƯỢC VỚI BỘ DỮ LIỆU HIỆN CĨ Hình 4.1: Đối chiếu kết dự đoán độ mặn với kết thực tế Biểu đồ phân phối tích lũy sai số tham số Độ mặn là: Hình 4.2: Biểu đồ phân phối tích lũy sai số giá trị dự đoán giá trị thực tế độ mặn Kết PH: Kết tổng kết là: • Sai số trung bình 0.13533 • sai số nhỏ 3.8337 ∗ 10−5 • sai số lớn 0.79313 • Phương sai 0.03208 • độ lệch chuẩn 0.17911 Em vẽ biều đồ so sánh kết dự đoán với kết tập kiểm thử hình 4.3 Biểu đồ phân phối tích lũy sai số tham số PH là: 63 4.1 SO SÁNH VÀ ĐỐI CHIẾU CÁC KẾT QUẢ THỰC HIỆN ĐƯỢC VỚI BỘ DỮ LIỆU HIỆN CĨ Hình 4.3: Đối chiếu kết dự đoán PH với kết thực tế Hình 4.4: Biểu đồ phân phối tích lũy sai số giá trị dự đoán giá trị thực tế PH Theo đồ thị ta thế, với sai số cho phép 0.5 đạt kết 90 Kết NH3: Kết tổng kết là: • Sai số trung bình NH3 0.01670 • sai số nhỏ 1.283 ∗ 10−5 • sai số lớn nhất: 0.1291 • Phương sai: 0.0004 • độ lệch chuẩn: 0.0197 Em vẽ biều đồ so sánh kết dự đoán với kết tập kiểm thử hình 4.5 Biểu đồ phân phối tích lũy sai số tham số NH3 là: Kết H2S: Kết tổng kết là: 64 4.1 SO SÁNH VÀ ĐỐI CHIẾU CÁC KẾT QUẢ THỰC HIỆN ĐƯỢC VỚI BỘ DỮ LIỆU HIỆN CĨ Hình 4.5: Đối chiếu kết dự đốn NH3 với kết thực tế Hình 4.6: Biểu đồ phân phối tích lũy sai số giá trị dự đoán giá trị thực tế NH3 • Sai số trung bình 0.00176 • sai số nhỏ 9.609 ∗ 10−7 • sai số lớn 0.025 • Phương sai 6.478 ∗ 10−6 • độ lệch chuẩn 0.0025 Em vẽ biều đồ so sánh kết dự đoán với kết tập kiểm thử hình 4.7 65 4.1 SO SÁNH VÀ ĐỐI CHIẾU CÁC KẾT QUẢ THỰC HIỆN ĐƯỢC VỚI BỘ DỮ LIỆU HIỆN CĨ Hình 4.7: Đối chiếu kết dự đoán H2S với kết thực tế Biểu đồ phân phối tích lũy sai số tham số H2S là: Hình 4.8: Biểu đồ phân phối tích lũy sai số giá trị dự đoán giá trị thực tế H2S Kết DO: Kết tổng kết là: • Sai số trung bình 0.2147 • sai số nhỏ 0.00097 • sai số lớn 1.215 • Phương sai 0.02874 • độ lệch chuẩn 0.16954 Em vẽ biều đồ so sánh kết dự đoán với kết tập kiểm thử hình 4.9 66 4.1 SO SÁNH VÀ ĐỐI CHIẾU CÁC KẾT QUẢ THỰC HIỆN ĐƯỢC VỚI BỘ DỮ LIỆU HIỆN CĨ Hình 4.9: Đối chiếu kết dự đoán DO với kết thực tế Biểu đồ phân phối tích lũy sai số tham số DO là: Hình 4.10: Biểu đồ phân phối tích lũy sai số giá trị dự đoán giá trị thực tế DO Kết COD: Kết tổng kết là: • Sai số trung bình 0.3935 • sai số nhỏ 0.000416 • sai số lớn 2.9412 • Phương sai 0.172 • độ lệch chuẩn 0.4156 Em vẽ biều đồ so sánh kết dự đoán với kết tập kiểm thử hình 4.11 67 4.1 SO SÁNH VÀ ĐỐI CHIẾU CÁC KẾT QUẢ THỰC HIỆN ĐƯỢC VỚI BỘ DỮ LIỆU HIỆN CĨ Hình 4.11: Đối chiếu kết dự đốn COD với kết thực tế Biểu đồ phân phối tích lũy sai số tham số DO là: Hình 4.12: Biểu đồ phân phối tích lũy sai số giá trị dự đoán giá trị thực tế COD Kết TSS: Kết tổng kết là: • Sai số trung bình 0.7379 • sai số nhỏ 0.0012 • sai số lớn 3.742 • Phương sai 0.4073 • độ lệch chuẩn 0.6382 Em vẽ biều đồ so sánh kết dự đoán với kết tập kiểm thử hình 4.13 68 4.1 SO SÁNH VÀ ĐỐI CHIẾU CÁC KẾT QUẢ THỰC HIỆN ĐƯỢC VỚI BỘ DỮ LIỆU HIỆN CĨ Hình 4.13: Đối chiếu kết dự đoán TSS với kết thực tế Biểu đồ phân phối tích lũy sai số tham số TSS là: Hình 4.14: Biểu đồ phân phối tích lũy sai số giá trị dự đoán giá trị thực tế TSS Kết nhiệt độ: Kết tổng kết là: • Sai số trung bình 0.4237 • sai số nhỏ 0.0002 • sai số lớn 3.7284 • Phương sai 0.1605 • độ lệch chuẩn 0.4007 Em vẽ biều đồ so sánh kết dự đoán với kết tập kiểm thử hình 4.15 69 4.2 TỔNG KẾT LẠI KẾT QUẢ DỰ BÁO CỦA CÁC MƠ HÌNH Hình 4.15: Đối chiếu kết dự đốn nhiệt độ với kết thực tế Biểu đồ phân phối tích lũy sai số tham số nhiệt độ là: Hình 4.16: Biểu đồ phân phối tích lũy sai số giá trị dự đoán giá trị thực tế nhiệt độ 4.2 Tổng kết lại kết dự báo mơ hình Em thống kê lại sai số, phương sai độ lệch chuẩn kết bảng 4.1 4.3 So sánh kết dự báo với kết thực nghiệm Theo báo cáo kết quan trắc, cảnh báo môi trường nước định kỳ vùng nuôi tôm hùm Tx Sông Cầu, tỉnh Phú Yên tháng 10 [17, 18], tháng 11 [19], tháng 12 [20, 21] kết tổng hợp thông số quan trắc môi trường nuôi tôm hùm tổng hợp bảng 4.2 70 ... quan đề tài Chương em giới thiệu tổng quan đề tài, lý em chọn đề tài, phạm vi mục tiêu mà đề tài thực 1.1 1.1.1 Giới thiệu đề tài Tên đề tài Đề tài: Ứng dụng AI mô hình học máy để dự báo xu hướng. .. dụng AI mơ hình học máy để dự báo xu hướng diễn biến môi trường thủy sản Phú n” thực với mục đích tìm hiểu, nghiên cứu phát triển thuật toán dự báo áp dụng dựa tập liệu mơi trường thủy sản Phú. .. TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN TỬ - VIỄN THÔNG ĐỒ ÁN TỐT NGHIỆP ĐẠI HỌC Đề tài: Ứng dụng AI mơ hình học máy để dự báo xu hướng diễn biến môi trường thủy sản Phú Yên Sinh