Xây dựng phần mềm dự đoán sự cố kỹ thuật trên hệ thống hành chính công luận văn thạc sĩ công nghệ thông tin

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** XÂY DỰNG PHẦN MỀM DỰ ĐOÁN SỰ CỐ KỸ THUẬT TRÊN HỆ THỐNG HÀNH CHÍNH CƠNG LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai – Năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** XÂY DỰNG PHẦN MỀM DỰ ĐOÁN SỰ CỐ KỸ THUẬT TRÊN HỆ THỐNG HÀNH CHÍNH CƠNG Chun ngành: Công nghệ thông tin Mã số: 8480201 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai - Năm 2022 i LỜI CAM ĐOAN Tôi cam đoan kết đạt luận văn sản phẩm cá nhân tơi, kết đạt trình học tập nghiên cứu Tất tài liệu tham khảo có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin hồn tồn chịu trách nhiệm cho lời cam đoan Đồng Nai, ngày tháng HỌC VIÊN năm 2022 ii LỜI CẢM ƠN Trong thời gian học tập trường Đại học Lạc Hồng, nhận ủng hộ, hướng dẫn, giúp đỡ tận tình gia đình, bạn bè đặc biệt PGS.TS., giảng viên trực tiếp hướng dẫn luận văn tốt nghiệp Trân trọng gửi đến Thầy lời cám ơn tận tình hướng dẫn, định hướng, động viên, cỗ vũ Thầy thời gian thực luận văn Xin chân thành cảm ơn Ban Giám Hiệu nhà trường, cảm ơn quý Thầy, Cô Khoa Sau Đại học quý Thầy, Cô giảng viên giảng dạy thời gian theo học cao học trường Xin gửi lời cảm ơn đến anh chị em đồng nghiệp, bạn lớp quan tâm giúp đỡ thời gian qua Trân trọng./ HỌC VIÊN iii TÓM TẮT LUẬN VĂN (Dùng cho học viên người hướng dẫn) Đề tài: Xây dựng phần mềm dự đoán cố kỹ thuật hệ thống hành cơng Ngành: Cơng nghệ thông tin Mã số: Học viên: Người hướng dẫn: PGS TS NỘI DUNG TÓM TẮT Nội dung giao kết - Thu thập liệu, phản ánh cố kỹ thuật người dùng đơn vị tham gia sử dụng hệ thống hành cơng tỉnh Đồng Nai - Nghiên cứu kỹ thuật máy học text classification - Xây dựng chương trình nhận dạng, phân lớp dựa liệu thu thập Tiến hành chạy thử nghiệm đánh giá kết Cách giải vấn đề - Nghiên cứu lý thuyết xử lý văn bản, máy học phương pháp phân lớp văn - Sử dụng ngơn ngữ lập trình Python, thư viện Machine Learning ứng dụng việc phân loại (classification) - Sử dụng phần mềm WEKA khai phá liệu, đánh giá độ xác thuật tốn phân lớp văn - Sử dụng kết mơ hình huấn luyện để xây dựng phần mềm, thử nghiệm đánh giá kết Đánh giá mặt khoa học kết - Nghiên cứu, đánh giá cơng trình liên quan hệ thống hóa lại lý thuyết liên quan tới đề tài - Dựa kết nghiên cứu, khảo sát, học viên sử dụng ngơn ngữ lập trình Python để viết chương trình phân loại lớp liệu - Chương trình viết chạy hệ điều hành Windows, sử dụng file csv để lưu trữ liệu Những vấn đề tồn so với nội dung giao (nếu có) : - Dữ liệu đầu vào ít, 5300 mẫu liệu - Chưa phân loại số vấn đề mang tính kết hợp nhiều lớp Đồng Nai, ngày tháng năm 2022 NGƯỜI HƯỚNG DẪN HỌC VIÊN iv MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii TÓM TẮT LUẬN VĂN iii MỤC LỤC iv DANH MỤC TỪ VIẾT TẮT vi DANH MỤC BẢNG vii DANH MỤC HÌNH viii LỜI MỞ ĐẦU ix CHƯƠNG - TỔNG QUAN .1 1.1 Nghiên cứu nước 1.2 Mục tiêu đề tài 1.3 Đối tượng phạm vi nghiên cứu đề tài 1.4 Cấu trúc luận văn CHƯƠNG – CƠ SỞ LÝ THUYẾT 2.1 Phân lớp phân lớp văn .6 2.1.2 Phân lớp văn – Text Classification 2.2 Xử lý ngôn ngữ tự nhiên .12 2.2.1 Đặc điểm ngôn ngữ tiếng Việt 12 2.2.2 Tách từ 13 2.2.3 Loại bỏ stop word 17 2.3 Chuyển đổi tin tức từ dạng ngơn ngữ tự nhiên sang mơ hình khơng gian vector 17 2.3.1 Binary vector 18 2.3.2 TF-IDF vector 18 2.3.3 Độ tương đồng vector 20 2.4 Các thuật toán phân loại văn 21 2.4.1 K-nearest neighbor (KNN) .21 2.4.2 Cây định (Decision Tree) 23 v 2.4.3 Support Vector Machines (SVM) 30 2.4.4 Naïve Bayes .32 CHƯƠNG – XÂY DỰNG MÔ HÌNH PHÂN LỚP DỰ ĐỐN SỰ CỐ KỸ THUẬT 36 3.1 Phân tích yêu cầu đề tài .36 3.2 Quy trình phân loại vấn đề máy học 36 3.3 Chuẩn bị liệu huấn luyện (dataset) 38 3.4 Áp dụng thuật toán xử lý ngôn ngữ tự nhiên 39 3.5 Xây dựng mơ hình phân lớp 40 3.6 Đánh giá mơ hình phân lớp chọn mơ hình tốt 43 CHƯƠNG – THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 44 4.1 Thu thập liệu 44 4.2 Tiền xử lý liệu 45 4.3 Thực kiểm thử, lựa chọn thuật toán phân loại phần mềm WEKA .47 4.4 Giao diện chương trình .50 4.5 Thư viện thuật toán sử dụng 52 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 60 TÀI LIỆU THAM KHẢO 61 vi DANH MỤC TỪ VIẾT TẮT TỪ VIẾT TẮT MƠ TẢ CNTT Cơng nghệ thơng tin ML Machine learning – máy học AI Artificial intelligence – trí tuệ nhân tạo SVM Support Vector Machine KNN K-nearest neighbors ID3 Iterative Dichotomiser vii DANH MỤC BẢNG Bảng 2.1 Khái niệm tương ứng người máy 22 Bảng 2.2 Đánh giá phim dựa diễn viên thể loại phim 25 Bảng 4.1 Thống kê số lượng, tỷ lệ mẫu liệu lớp 46 Bảng 4.2 Kết kiểm thử thuật toán phân loại 48 Bảng 4.3 02 mẫu liệu chưa phân loại xác 59 viii DANH MỤC HÌNH Hình 2.1 Bài toán phân lớp theo chủ đề Hình 2.2 Phân lớp nhận dạng email spam Hình 2.3 MNIST: sở liệu chữ số viết tay Hình 2.4 Mơ hình tổng qt cho toán phân lớp Hình 2.5 Luồng xử lý 10 Hình 2.6 Phân loại văn với K=1 23 Hình 2.7 Mơ hình định 24 Hình 2.8 Phân tách theo siêu phẳng (w,b) khơng gian chiều tập mẫu30 Hình 2.9 Siêu phẳng tối ưu 31 Hình 3.1 Quy trình phân loại vấn đề tự động 37 Hình 3.2 Kiểm thử với thuật tốn SVM, Percentage Split (80%) 42 Hình 3.3 Kiểm thử với thuật toán SVM, 10-fold Cross–Validation 42 Hình 4.1 Xây dựng mơ hình với Test Option = 10-fold Cross–Validation 47 Hình 4.2 Xây dựng mơ hình với Test Option = Percentage Split (80%) 48 Hình 4.3 Kết Confusion Matrix Class report 49 Hình 4.4 Giao diện phần mềm 51 Hình 4.5 Kết dự đoán phần mềm 52 Hình 4.6 Ví dụ pipelien sklearn 55 Hình 4.7 Kết Confusion Matrix Class report 56 48 Hình 4.2 – xây dựng mơ hình với Test Option = Percentage Split (80%) Bảng 4.2 Kết kiểm thử thuật tốn phân loại Tỷ lệ xác (%) KNN J48 Navie Bayes SVM 10-fold Cross–Validation 83% 81% 84% 90% Percentage Split (80%) 82% 80% 85% 90% Các kết tương đối cao, nhiên, khẳng định độ xác trì có liệu lớn hơn, ngữ cảnh khác  Kết thực nghiệm Từ bảng kết trên, thấy SVM thuật tốn có độ xác cao nhất, việc chọn thuật tốn SVM để xây dựng mơ hình phù hợp Sau nghiên cứu, tham khảo tài liệu thuật tốn SVM, tăng độ xác cho kết phân loại cách thay đổi giá trị tham số kernel, gamma, C,… Dưới kết sau thay đổi tham số, độ xác tăng đáng kể, đạt 98% 49 Hình 4.3 Kết Confusion Matrix Class report Tuy nhiên, để trì độ xác (98%) q trình ứng dụng thực tế, cần thực định kỳ hoạt động sau: - Cập nhật liệu: phức tạp tiếng Việt, liệu mẫu hạn chế số lượng, đội ngũ tổng đài viên có thay đổi nhân sự, người có cách ghi nhận thông tin khác (ngôn ngữ vùng miền, cách viết tắt,….) - Cập nhật giá trị tham số: liệu tăng, phải kiểm thử lại thuật toán SVM, điều chỉnh giá trị tham số (C, gamma,….) - Với trường hợp thêm cố “mới” chưa có liệu, phần mềm dựa vào đặc trưng (features) để dự đoán phân lớp cho liệu Với trường hợp cố “mới”, theo kết xử lý thực tế không thuộc 04 phân lớp có sẵn, phải tiến hành bổ sung phân lớp gán nhãn cho liệu, tiến hành kiểm thử thuật toán, thay đổi tham số thực nâng cấp thuật toán giám sát SVM sang bán giám sát SVM (Semi Supervised Support Vector Machien – S3VM) để đảm bảo độ xác Qua cơng trình, đề tài nghiên cứu kết thực nghiệm nêu trên, thuật toán SVM đạt độ xác cao tốn phân lớp văn đặc tính sau: 50 - SVM thuật tốn mạnh, xác cho tốn phân lớp phi tuyến tính - SVM thuật toán hiệu để giải toán liệu có số chiều lớn, đặc biệt liệu văn - SVM sử dụng không gian vector đặc trưng lớn (hơn 10.000 chiều), phương pháp Navie Bayes, KNN,….có số chiều nhỏ - SVM giải vấn đề overfitting tốt, nhờ vào kernel hyperparameters (C, gamma,…) 4.4 Giao diện chương trình Phân tích yêu cầu: Nhận diện vấn đề, đề xuất nhóm xử lý, để tổng đài viên thực chuyển xử lý phận chuyên môn Ghi nhận kết sau xử lý, để vấn đề đơn giản, tổng đài viên thực bước hướng dẫn người dùng cuối cố tương tự xảy Xuất báo cáo hàng tháng Tác nhân chính: tổng đài viên (TĐV), phận chun mơn, lãnh đạo phòng ban giám đốc Do thời gian nội dung ứng dụng thuật tốn phân loại Text Classification nên luận văn tập trung vào việc dự đốn độ xác kết dự đốn, u cầu cịn lại tiếp tục bổ sung sau hoàn thành luận văn Sau trình huấn luyện dựa liệu, tổng đài viên cập nhật cố kỹ thuật mới, chưa tồn trước đó, phần mềm dự đoán cố kỹ thuật thuộc lớp từ đề xuất đơn vị xử lý cố Use case TĐV tiếp nhận cố Tên use case TĐV Tác nhân TĐV đăng nhập hệ thống thành công Tiền điều kiện Đảm bảo thành công Ghi nhận thành công thông tin cố TĐV chọn textbox ghi nhận thơng tin Kích hoạt Chuỗi kiện TĐV kích hoạt from SUPPORT Phần mềm hiển thị form để nhập thông tin cố TĐV nhập nội dung cố 51 Phác thảo giao diện hình 4.4 Hình 4.4 Giao diện phần mềm Dự đoán phận xử lý cố Tên use case Hệ thống Tác nhân TĐV thành công ghi nhận nội dung cố Tiền điều kiện Xuất kết dự đốn Đảm bảo thành cơng TĐV chọn button Đề xuất đơn vị xử lý Kích hoạt Chuỗi kiện TĐV click chọn button Đề xuất đơn vị xử lý Phần mềm phân tích nội dung mà TĐV ghi nhận vào textbox Ghi nhận cố Phần mềm dự đoán đơn vị xử lý cho cố Phần mềm hiển thị kết dự đoán vào textbox Ghi nhận cố Phác thảo giao diện hình 4.5 52 Hình 4.5 Kết dự đoán phần mềm 4.5 Thư viện thuật toán sử dụng Thư viện pyvi: thực tiền xử lý liệu tiếng Việt tách từ, bỏ khoảng trắng dư thừa, mã hóa,… pip install pyvi pip uninstall pyvi Phần mềm sử dụng thuật toán FeatureTransformer(), TfidfTransformer() ngram_range để tạo ra, trích xuất đặc trưng văn Cụ thể: - Đối với lớp “ITCS” có số cụm từ đặc trưng {biên lai điện tử, không xuất báo cáo, mã hồ sơ,….} - Đối với lớp “ITCI” có số cụm từ đặc trưng {mạng không vào được, kết nối, không gửi mail được,….} - Đối với lớp “DTV” có số cụm từ đặc trưng {quên mật mail, hỏi số điện thoại,….} - Đối với lớp “TD1022” có số cụm từ đặc trưng {thủ tục hành chính, tthc, trung tâm hành cơng,….} 53 Thư viện pandas: thiết kế để làm việc dễ dàng trực quan với liệu có cấu trúc (dạng bảng, đa chiều, có tiềm khơng đồng nhất) liệu chuỗi thời gian Thư viện sử dụng cấu trúc liệu riêng Dataframe  DataFrame đem lại linh hoạt hiệu thao tác liệu lập mục;  Là công cụ cho phép đọc/ ghi liệu nhớ nhiều định dạng file: csv, text, excel, sql database, hdf5;  Liên kết liệu thông minh, xử lý trường hợp liệu bị thiếu Tự động đưa liệu lộn xộn dạng có cấu trúc;  Dễ dàng thay đổi bố cục liệu;  Tích hợp chế trượt, lập mục, lấy tập từ tập liệu lớn  Có thể thêm, xóa cột liệu;  Tập hợp thay đổi liệu với group by cho phép bạn thực toán tử tập liệu;  Hiệu cao trộn kết hợp tập liệu;  Lập mục theo chiều liệu giúp thao tác liệu cao chiều liệu thấp chiều;  Tối ưu hiệu năng;  Pandas sử dụng rộng rãi học thuật thương mại Bao gồm thống kê, thương mại, phân tích, quảng cáo,… pip install pandas pip uninstall pandas Thư viện sklearn: Thư viện sklearn chứa nhiều thuật tốn ML cơng cụ tiền xử lý liệu, pipeline tập chuỗi thuật tốn để trích xuất đặc trưng, tiền xử lý, chuyển hóa huấn luyện liệu sử dụng thuật toán học máy from SVMModel import SVMModel from sklearn.metrics import classification_report, confusion_matrix, accuracy_score 54 from sklearn.pipeline import Pipeline from sklearn.feature_extraction.text import CountVectorizer from sklearn.feature_extraction.text import TfidfTransformer from FeatureTransformer import FeatureTransformer from sklearn.svm import SVC Khởi tạo pipeline def _init_pipeline(): pipe_line = Pipeline([ ("transformer", FeatureTransformer()), ("vect", CountVectorizer(ngram_range=(1,5))), ("tfidf", TfidfTransformer()), ("clf-svm", SVC(kernel='rbf', C=100, class_weight='balanced', gamma='scale', random_state=13)) ]) return pipe_line Mỗi pipeline bao gồm vài bước định, bước bao gồm tham số tên bước, tham số lại chuyển đổi liệu tương ứng (thường gọi transformer) Bước cuối pipeline gọi estimator Một estimator thuật toán phân lớp, thuật toán hồi quy, mạng nơ-ron thuật tốn học máy không giám sát Để huấn luyện estimator bước cuối pipeline, bạn phải gọi phương thức fit pipeline cung cấp liệu để huấn luyện Một bạn huấn luyện liệu cách sử dụng estimator pipeline, bạn sử dụng pipeline để dự đốn đầu cho liệu cách sử dụng phương thức predict 55 Hình 4.6 Ví dụ pipeline sklearn Hình mô tả pipeline gồm bước scaling liệu, giảm chiều liệu huấn luyện mô hình Các bước áp dụng liệu kiểm thử để có kết dự đốn khớp với mơ hình Đây tính hữu dụng pipeline Nhờ mà bạn lo lắng sai khác bước tiền xử lý liệu trình huấn luyện và q trình dự đốn, kiểm thử Nó hồn tồn xử lý cách tự động Phương thức “CountVectorizer” để cài đặt ánh xạ từ từ sang phần tử vector Nó thu đặc trưng đầu mong đợi Phương thức transform thu đặc trưng cần chuyển hóa thành Nó trả đặc trưng chuyển hóa Sau nhiều lần chạy thử, với việc điều chỉnh tham số cho pipeline thuật toán SVM, kết đánh sau: 56 Hình 4.7 Kết Confusion matrix Class report Để kiểm định tính ổn định, tỷ lệ xác dự đốn, phân loại phần mềm, luận văn thực lấy ngẫu nhiên 20 cố ghi nhận năm 2021 bảng bên dưới: 57 Kết phân loại TTCNTT Nhóm phần Kết Kết phân loại phần mềm phân loại (Đúng/Sai) Đúng mềm Nhóm phần Đúng mềm Chuyển 1022 Đúng Chuyển 1022 Đúng Chuyển 1022 Đúng Nhóm phần Đúng mềm Nhóm phần mềm Đúng 58 Chuyển 1022 Điện thoại viên Chuyển 1022 Nhóm phần Sai Đúng Sai Đúng mềm Chuyển 1022 Đúng Chuyển 1022 Đúng Chuyển 1022 Đúng Chuyển 1022 Đúng 59 Nhóm phần Đúng mềm Chuyển 1022 Đúng Chuyển 1022 Đúng Chuyển 1022 Đúng Nhóm phần Đúng mềm Kết dự đốn 18/20 cố, tỷ lệ xác đạt 90%, độ lệch so với chạy liệu 8%, 02 nội dung phân loại sai do: - Bộ phân tổng đài có thay đổi nhân sự, cách ghi nhận nội dung có khác biệt so với thời điểm 2018 – 2020 - Bộ liệu dùng để huấn luyện chưa đảm bảo, cần bổ sung mẫu liệu năm 2021 để tăng từ điển, theo tăng độ xác kết dự đốn, phân loại Bảng 4.3 – 02 mẫu liệu chưa phân loại xác Nội dung Tìm hiểu thủ tục nội quy lao động Kết phân loại TĐV Chuyển 1022 Tìm hiểu tthc cấp phép bán thuốc Chuyển 1022 TT thú Y Kết phân loại phần mềm ITCI ITCS 60 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết đạt được: Phân loại văn toán khai phá liệu có ứng dụng rộng rãi Khơng giúp phân loại tin tức trang báo điện tử, cịn áp dụng vào phân loại văn tài liệu công ty, phân loại email spam, phân loại trang web có nội dung khơng phù hợp nhiều ứng dụng thực tiễn to lớn khác Luận văn tìm hiểu phương pháp phân loại văn ML, giải thuật: SVM, Naïve Bayes, KNN,… đồng thời nghiên cứu rút quy trình để tiến hành phân loại theo hướng học máy xây dựng chương trình thử nghiệm đơn giản tiến hành phân loại 5300 cố thuộc lớp khác Sử dụng thư viện Pyvi cho việc tách từ tiếng Việt xây dựng vector theo trọng số TF-IDF, kiểm thử 04 giải thuật SVM, KNN, Naïve Bayes, J48 phần mềm WEKA cuối xây dựng phần mềm phân loại, dự đoán cố kỹ thuật hệ thống hành cơng Tuy bước đầu đạt số kết khả quan, tồn nhiều hạn chế cần khắc phục:  Dữ liệu đầu vào thuộc phân lớp Nghĩa 04 lớp chương trình thử nghiệm gần hoàn toàn độc lập Tức số cố đội xử lý, thực tế có nhiều cố xử lý phối hợp nhiều đội, điều chưa phù hợp thực tiễn  Hạn chế số lượng chất lượng mẫu liệu  Giao diện chương trình thử nghiệm cịn đơn giản, chưa có mẫu report thống kê, đánh giá để cải tiến công tác xử lý hạn chế cố phát sinh Kiến nghị, hướng phát triển đề tài:  Tăng thêm số lượng phân lớp  Cải thiện chất lượng số lượng mẫu liệu  Tiến hành phân loại cố đa phân lớp, để áp dụng vào thực tiễn TÀI LIỆU THAM KHẢO [1] Lê Thị Mai, luận văn “Phân lớp văn dựa vào máy học Facebook’s Fasttext”, trường Đại học Lạc Hồng, 2019 [2] Lê Quang Hòa, luận văn “Ứng dụng thuật toán K láng giềng gần phân loại văn tin tức theo chủ đề”, trường Đại học Bách khoa Đà Nẵng, 2018 [3] Huỳnh Thị Hiền Thắm, luận văn “Xây dựng ứng dụng phân loại công văn Ủy ban nhân dân xã Hòa Phú”, trường Đại học Bách Khoa Đà Nẵng, 2017 [4] Hoàng Ngọc Thanh, Trần Văn Lăng, Hoàng Tùng, viết “Một tiếp cận máy học để phân lớp kiểu công hệ thống phát xâm nhập mạng” – Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX “Nghiên cứu ứng dụng Công nghệ thông tin (FAIR’9)”, Cần Thơ, 2016 [5] Đỗ Thanh Nghị, Phạm Nguyên Khang, Nguyễn Hữu Hòa, Nguyễn Minh Trung, viết “Giải thuật rừng ngẫu nhiên với luật gán nhãn cục cho phân lớp” – Kỷ yếu Hội nghị Quốc gia lần thứ VIII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), Hà Nội, 2015 [6] Lê Vĩnh Phú Diệp Minh Hoàng, luận văn “Phân loại tin tức tiếng Việt sử dụng phương pháp máy học”, trường Đại học Bách Khoa, Đại học Quốc gia TP.HCM, 2014 [7] Willi Richert Luis Pedro Coelho, Building Machine Learning Systems with Python, xuất 2013 [8] Raúl Gareta Guillermo Moncecchi, Learning scikit-learn: Machine Learning in Python, 2013 [9] Trần Cao Đệ Phạm Nguyên Khang, “Phân loại văn với máy học vector hỗ trợ định” - Tạp chí Khoa học trường Đại học Cần Thơ, 2012 [10] Phan Hữu Tiếp Cao Nguyễn Thủy Tiên, báo cáo nghiên cứu khoa học “Nghiên cứu xây dựng lọc spam thông minh, tự động”, trường Đại học Lạc Hồng, 2011 [11] Hồng Cơng Duy Vũ Nguyễn Lê Nguyên, khóa luận tốt nghiệp “Tìm kiếm văn tiếng Việt theo chủ đề”, trường Đại học Khoa học Tự nhiên TP.HCM, 2006 62 [12] Nguyễn Trần Thiên Thanh Trần Khải Hồng, khóa luận “Tìm hiểu hướng tiếp cận tốn phân loại văn xây dựng phần mềm phân loại tin tức báo điện tử”, trường Đại học Khoa học Tự nhiên TP.HCM, 2005 [13] Website Machine https://machinelearningcoban.com/ Learning bản, địa ... ĐẠI HỌC LẠC HỒNG *** XÂY DỰNG PHẦN MỀM DỰ ĐOÁN SỰ CỐ KỸ THUẬT TRÊN HỆ THỐNG HÀNH CHÍNH CƠNG Chun ngành: Công nghệ thông tin Mã số: 8480201 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai - Năm 2022... trọng./ HỌC VIÊN iii TÓM TẮT LUẬN VĂN (Dùng cho học viên người hướng dẫn) Đề tài: Xây dựng phần mềm dự đoán cố kỹ thuật hệ thống hành cơng Ngành: Cơng nghệ thông tin Mã số: Học viên: Người hướng... ngũ tiếp nhận thông tin Từ thực trạng nêu trên, luận văn hướng đến việc nghiên cứu ứng dụng phương pháp máy học thực ? ?Xây dựng phần mềm phân loại, dự đoán cố kỹ thuật hệ thống hành cơng” thực