Dự đoán hiệu quả làm việc của ứng viên sử dụng kỹ thuật khai phá dữ liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH ∞0∞ TRẦN THỊ THU DỰ ĐOÁN HIỆU QUẢ LÀM VIỆC CỦA ỨNG VIÊN SỬ DỤNG KỸ THUẬT KHAI PHÁ DỮ LIỆU LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH TP HỒ CHÍ MINH, NĂM 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH ∞0∞ TRẦN THỊ THU DỰ ĐOÁN HIỆU QUẢ LÀM VIỆC CỦA ỨNG VIÊN SỬ DỤNG KỸ THUẬT KHAI PHÁ DỮ LIỆU Chuyên ngành: Khoa học máy tính Mã số chuyên ngành: 48 01 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Giảng viên hướng dẫn: TS NGUYỄN TIẾN ĐẠT TP HỒ CHÍ MINH, NĂM 2022 TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH KHOA ĐÀO TẠO SAU ĐẠI HỌC CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc GIẤY XÁC NHẬN Tôi tên là: TRẦN THỊ THU Ngày sinh: 20/11/1984 Nơi sinh: Bình Định Chuyên ngành: Khoa học máy tính Mã học viên: 1884801010016 Tơi đồng ý cung cấp tồn văn thơng tin luận văn tốt nghiệp hợp lệ quyền cho Thư viện trường đại học Mở Thành phố Hồ Chí Minh Thư viện trường đại học Mở Thành phố Hồ Chí Minh kết nối tồn văn thơng tin luận văn tốt nghiệp vào hệ thống thông tin khoa học Sở Khoa học Cơng nghệ Thành phố Hồ Chí Minh Ký tên Trần Thị Thu CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc Ý KIẾN CHO PHÉP BẢO VỆ LUẬN VĂN THẠC SĨ CỦA GIẢNG VIÊN HƯỚNG DẪN Giảng viên hướng dẫn: TS Nguyễn Tiến Đạt Học viên thực hiện: Trần Thị Thu Lớp: MCOM018B Ngày sinh: 20/11/1984 Nơi sinh: Bình Định Tên đề tài: Dự đoán hiệu làm việc ứng viên sử dụng kỹ thuật khai phá liệu A-Nhận xét học viên trình thực luận văn  So với kế hoạch GVHD học viên đề ra: thiếu hội thảo với nội dung liên quan đến ứng dụng hỗ trợ dự đoán, hồn thành ứng dụng hỗ trợ dự đốn hiệu làm việc ứng viên Yêu cầu thu thập (một) liệu chuyên ngành Việt Nam để thực nghiệm: chưa đầy đủ B-Nhận xét luận văn  Cần tuân thủ theo định dạng từ Khoa Đào Tạo Sau ĐH (nếu có) hình thức luận văn chỉnh sửa theo đề nghị GVHD Thầy Cô Hội Đồng Kiểm tra để tránh lỗi tả, đoạn văn bị ngắt sang trang (tình trạng orphan widow)  Cần nhấn mạnh đến lĩnh vực mà luận văn đề cập: Khai Phá Dữ Liệu, tránh lầm lẫn với Máy Học Tác giả nên trình bày rõ lý sử dụng thuật tốn luận văn mà khơng dùng thuật toán khác Bộ liệu thu thập sử dụng: cần nói rõ nguồn thu thập, vùng thơng tin có thực cần thiết (qua tư vấn từ chuyên gia), ý nghĩa vùng thông tin, q trình tiền xử lý,…  Với vùng thơng tin rời rạc hóa: chọn sơ dồ rời rạc hóa này? giải thích?? liệu sơ đồ (scheme) có tốt khơng? Câu hỏi tương tự cho vùng mà tác giả thực rời rạc hóa liệu  Cần tìm hiểu để giải thích nhóm B2 có kết tệ so với nhóm khác thuật tốn, cần có mơ tả, giải thích, dự báo, giả thiết,… sau thực thử nghiệm, khơng nên trình bày kết số liệu Ý kiến giáo viên hướng dẫn việc cho phép học viên bảo vệ luận văn trước Hội đồng: Đồng ý cho học viên Trần Thị Thu trình bày nội dung luận văn trước hội đồng Thành phố Hồ Chí Minh, ngày … tháng … năm 2022 Người nhận xét TS Nguyễn Tiến Đạt i LỜI CAM ĐOAN Tôi cam đoan luận văn “Dự đoán hiệu làm việc ứng viên sử dụng kỹ thuật khai phá liệu” nghiên cứu tơi Ngoại trừ tài liệu tham khảo trích dẫn luận văn này, tơi cam đoan toàn phần hay phần nhỏ luận văn chưa công bố sử dụng để nhận cấp nơi khác Khơng có sản phẩm/nghiên cứu người khác sử dụng luận văn mà khơng trích dẫn theo quy định Luận văn chưa nộp để nhận cấp trường đại học sở đào tạo khác Thành phố Hồ Chí Minh, năm 2022 Trần Thị Thu ii LỜI CÁM ƠN Trong thời gian học tập, nghiên cứu để hồn thiện luận văn, tơi nhận hướng dẫn, giúp đỡ tận tình quý thầy cô, bạn bè đồng nghiệp Tôi xin gửi lời cảm ơn sâu sắc đến TS Nguyễn Tiến Đạt, thầy nhiệt tình hướng dẫn hỗ trợ tơi tận tình suốt thời gian nghiên cứu thực luận văn Tôi may mắn thầy chấp nhận hướng dẫn, lần xin gửi lời cảm ơn sâu sắc đến thầy, TS Nguyễn Tiến Đạt Ngồi tơi xin cảm ơn q thầy lãnh đạo, giảng viên, chuyên viên, thư viện trường Đại học Mở TP Hồ Chí Minh cung cấp kiến thức, tài liệu quý báu hỗ trợ cho suốt thời gian học tập trường Tôi xin chân thành cảm ơn đến anh chị phận nhân thuộc Công ty TNHH Hitachi Vantara Việt Nam hướng dẫn kiến thức quản trị nguồn nhân lực, nghiệp vụ tuyển dụng nhân sự, đồng thời tạo điều kiện để thực liệu kết đánh giá hiệu làm việc nhân viên Cuối xin gửi lời cảm ơn đến Ban lãnh đạo Trường Đại học Luật Hà Nội người thân yêu gia đình ln tạo điều kiện thuận lợi nhất, hỗ trợ động viên để tơi hồn thành luận văn chương trình học trường iii TĨM TẮT Trong công tác tuyển dụng nhân sự, nhà quản lý cần dự đoán hiệu suất làm việc ứng viên trước tuyển dụng dự đoán kết làm việc nhân viên để có quy hoạch nhân phù hợp nhằm giữ chân nhân tài phân công công việc phù hợp với định hướng phát triển cơng ty Trong nghiên cứu “Dự đốn hiệu làm việc ứng viên sử dụng kỹ thuật khai phá liệu”, sử dụng kỹ thuật kết hợp khai phá liệu (với thuật tốn Nạve Bayes, Random Forest Support Vector Machine) để thực nghiệm dựa liệu lịch sử bao gồm thông tin hiệu suất làm việc, thơng tin cá nhân thu thập trước để đánh giá mơ hình dự đốn Kết thực nghiệm cho thấy mơ hình đề xuất với thuật tốn phân lớp Random Forest cho kết tối ưu Chúng tơi so sánh thuật tốn nhằm lựa chọn mơ hình dự đốn hầu lại kết xác cao Cơng trình đóng góp liệu bao gồm thuộc tính ảnh hưởng đến đánh giá hiệu suất ứng viên, bao gồm thuộc tính “kỹ năng” đề xuất nghiên cứu trước bổ sung thêm thuộc tính “tính cách” ứng viên iv ABSTRACT In recruiting personnel, managers need to predict candidate's performance before hiring or predict the employee's performance to have suitable personnel plans to retain talents and assign jobs in accordance with the company's development orientation In the research paper "Predicting candidate performance using data mining techniques", we applied techniques that combine with data mining (with Naïve Bayes, Random Forest and Support Vector Machine algorithm) to experiment based on a historical data including performance information and personal information previously collected to evaluate the predictive model Experimental results show that the proposed model with the Random Forest layering algorithm gives the most optimal result We also compared these algorithms to select a predictive model for more accurate results This work contributes a dataset that includes attributes that influence candidate performance assessments, includes "skills" attributes that have been suggested in previous studies, and adds attributes of candidate's "personality" v MỤC LỤC CHƯƠNG TỔNG QUAN VỀ ĐÁNH GIÁ HIỆU SUẤT CÔNG VIỆC CỦA ỨNG VIÊN 1.1 Giới thiệu 1.2 Thách thức công tác lựa chọn ứng viên 1.3 Tình hình nghiên cứu 1.4 Mục tiêu luận văn 1.5 Đóng góp luận văn 1.6 Cấu trúc luận văn 1.7 Phương pháp 10 1.8 Kết luận 10 CHƯƠNG CƠ SỞ LÝ THUYẾT 12 2.1 Quản trị nguồn nhân lực liệu 12 2.1.1 Quản trị nguồn nhân lực liệu .12 2.1.2 Quản lý hiệu suất cơng việc phân tích thu hút nhân tài .15 2.1.3 Tuyển dụng nhân dựa liệu 17 2.2 Các thuật tốn phân lớp: Nạve Bayes, Random Forest, Support Vector Machine 19 2.1.4 Thuật tốn phân lớp Nạve Bayes 20 2.1.5 Thuật toán phân lớp Random Forest (RF) .20 2.1.6 Thuật toán phân lớp Support Vector Machine (SVM) 22 2.3 Kết luận 24 CHƯƠNG PHƯƠNG PHÁP ĐỀ XUẤT VÀ KẾT QUẢ THỰC NGHIỆM26 3.1 Giới thiệu liệu đánh giá hiệu suất làm việc nhân viên 26 vi 3.2 Các phương pháp thực 31 3.1.1 Chuẩn hóa liệu 31 3.1.2 Chia liệu phân lớp 31 3.3 Kết thực nghiệm 42 CHƯƠNG HƯỚNG PHÁT TRIỂN VÀ KẾT LUẬN 49 4.1 Đóng góp, hạn chế luận văn 49 4.1.1 Đóng góp 49 4.1.2 Hạn chế 49 4.2 Hướng phát triển kết luận 50 4.1.3 Hướng phát triển 50 4.1.4 Kết luận 50 TÀI LIỆU THAM KHẢO 52 PHỤ LỤC 55 Thuộc tính Mơ tả Dissatsalrank Sự khơng hài lịng tiền lương cấp bậc Communication Kỹ giao tiếp PersonalDevelopement Kỹ phát triển cá nhân Teamwork Kỹ làm việc nhóm LeaderShip Kỹ lãnh đạo Responsiveness Tinh thần trách nhiệm Performance Kết đánh giá Giá trị Chuyển đổi liệu dạng số sang chữ định danh: Yes/No Đây thuộc tính đánh giá kỹ làm việc nhân viên; kỹ ứng viên Bao gồm bậc đánh giá sau: Exceptional/Exceeds Requirements/ Meets Requirements/Gets By/ Needs Work Đây thuộc tính dự đốn, bao gồm bậc đánh giá sau: Exceed Expectation (B1)/Meets All Expectations (B2)/Meets Most Expectations (B3)/Below Average (B4) Mục tiêu mô hình là: dựa vào thơng tin lịch sử để dự đốn thơng tin Kết đánh giá (Performance) Chúng đề nghị kết đánh giá giá trị thang đo sau: Bảng 14: Bậc kết đánh giá kỹ Bậc đánh giá Mô tả % B1 Hiệu suất kết đạt vượt mong đợi cho yêu cầu mục tiêu vị trí Mức 4: 95-100 B2 Hiệu suất kết thường đáp ứng mức độ bình thường cho yêu cầu mục tiêu vị trí Mức 3: 80-94 B3 Đáp ứng số yêu cầu hiệu suất dự kiến Hiệu suất kết đạt thường không đáp ứng mục tiêu Mức 2: 55-79 B4 Hiệu suất kết đạt không đáp ứng Mức 1: 0-54 266 ISBM’21 Trong liệu sử dụng số lượng giá trị Performance phân bố cân đối (B1: 100 mẫu; B2: 100 mẫu; B3: 100 mẫu; B4: 100 mẫu) nhằm đảm bảo huấn luyện mô hình “cơng bằng” kết đánh giá Với liệu thu thập được, thực giai đoạn tiền xử lý có bước sử dụng công cụ SPSS nhằm phát nhân tố không quan trọng, tượng tương quan, nhiểu,…Ở bước cuối sử dụng phương thức học có giám sát (supervisor learning) để dự đoán đầu liệu dựa liệu huấn luyện (dữ liệu đầu vào, kết đánh giá) biết từ trước Chúng thực việc phân loại kỹ thuật phân lớp Naïve Bayes, RandomForest J48 phần mềm WEKA (Waikato Environment for Knowledge Analysis) để dự báo kết theo mơ hình Cross-validation 10 Hình 9: Mơ hình thực Ở bước tiền xử lý liệu, thực công đoạn: làm liệu, chuẩn hóa liệu, rời rạc hóa thuộc tính,… Sau đó, sử dụng phần mềm SPSS nhằm đánh giá mức độ tương quan, phân tích nhân tố, loại bỏ - hiệu chỉnh, phát hiện tượng tự tương quan, đặc điểm nhiễu, liệu Kết nhận cho thấy: • Dữ liệu sử dụng phân tích nhân tố thích hợp biến có tương quan với ISBM’21 267 • Bảy nhân tố (có hệ số Eigenvalues lớn một) giải thích 63.804% biến thiên liệu); 36,196% cịn lại giải thích biến thiên nhân tố bên ngồi • Có tương quan tuyến tính mức tin cậy lên đến 99%, cần đưa vào phân tích hồi quy để xem xét vấn đề đa cộng tuyến • Giả thiết quan hệ tuyến tính biến phụ thuộc với biến độc lập khơng vi phạm • Giả thiết phần dư phải có phân phối chuẩn khơng bị vi phạm Bước thực bên giúp phát thông tin thú vị: biến độc lập liên quan nhân học (độ tuổi, giới tính, tình trạng nhân), thâm niên cơng tác, lĩnh vực đào tạo, chức danh nghề nghiệp khơng có mối tương quan với biến phụ thuộc nên loại bỏ biến khỏi mơ hình Như liệu sử dụng đưa vào huấn luyện gồm thuộc tính sau: Kỹ giao tiếp, kỹ phát triển cá nhân, kỹ làm việc nhóm, kỹ lãnh đạo, tinh thần trách nhiệm, mức độ hài lịng cơng việc kinh nghiệm làm việc vị trí cần tuyển dụng Ở bước - huấn luyện mơ hình, chúng tơi dựa vào thuật tốn phân lớp J48, Nạve Bayes Random Forest Việc kiểm tra mơ hình dùng phương pháp đánh giá chéo CrossValidation 10: tập liệu huấn luyện chia ngẫu nhiên thành 10 tập Mỗi tập sử dụng cho vai trò kiểm thử 09 tập cịn lại đóng vai trị tập liệu huấn luyện Với mơ hình xây dựng, tập luật sinh để đánh giá kết ứng viên cho thấy kỹ làm việc nhóm tinh thần trách nhiệm ứng viên yếu tố định đến kết đánh giá Điều cho thấy thái độ, phối hợp công việc ảnh hưởng lớn đến hiệu làm việc nhân viên, cụ thể: • Ứng viên có kỹ làm việc nhóm tinh thần trách nhiệm tốt có đánh giá tốt, từ đáp ứng (B3) đến vượt mong đợi (B1); thiếu hai yếu tố ứng viên đánh giá mức trung bình (B3) thấp (B4); • Ứng viên khơng hài lịng với cơng việc khó đạt kết q mong đợi (B1) ứng viên có kỹ làm việc nhóm, kỹ lãnh đạo, kỹ giao tiếp kỹ phát triển thân thật xuất sắc; thiếu kỹ ứng viên khơng đạt u cầu (B4) đạt mức trung bình (B3) Tỷ lệ sai dự đốn ứng với nhóm kết đánh giá thể bảng sau với bậc đánh giá: Bảng 15: Số lượng phần tử dự đoán so với thực tế theo bậc kết J48 B1 Naïve Bayes Random Forest B1 B2 B3 B4 B1 B2 B3 B4 B1 B2 B3 B4 82 18 0 92 0 85 15 0 268 ISBM’21 B2 28 58 13 24 68 22 86 12 B3 83 11 93 93 B4 0 10 90 0 91 0 94 Từ bảng kết đưa tỷ lệ dự đốn đúng/ sai dự báo mơ hình ứng với thuật toán phân lớp sau: Bảng 16: Độ xác dự đốn theo bậc đánh giá J48 Naïve Bayes Random Forest TP rate FP rate TP rate FP rate TP rate FP rate B1 82,0% 9,3% 92,0% 8,0% 85,0% 7,3% B2 58,0% 8,0% 68,0% 4,0% 66,0% 5,3% B3 83,0% 4,0% 91,0% 1,0% 94,0% 2,0% B4 90,0% 7,7% 93,0% 5,7% 93,0% 6,0% Các số TP rate, FN rate có ý nghĩa là: • TP rate: Tỷ lệ dự đoán Kết cho thấy tỷ lệ dự đoán cao rơi vào bậc B4 B3 Thuật tốn Nạve Bayes cho tỷ lệ dự đoán cao cho tất bậc • FP rate: Tỷ lệ dự đốn nhầm lẫn Qua thực nghiệm cho thấy tỷ lệ dự đoán nhầm lẫn cao rơi vào bậc B1, tiếp đến B4, B2 B3 Trong đó, thuật tốn Nạve Bayes có tỷ lệ nhầm lẫn thấp Dựa vào số liệu cho thấy số độ xác (Accuracy), mức độ chuẩn xác mơ hình nhãn dự báo (Precision), tỷ lệ dự báo xác trường hợp theo nhãn toàn mẫu thuộc nhóm phân theo nhãn (Recall) trung bình điều hòa Precision Recall Các giá trị tính tốn mơ tả bảng sau theo thuật tốn: Bảng 17: Đánh giá hiệu suất mơ hình theo thuật tốn Thuật tốn Accuracy Precision Recall F-Measure J48 78,25% 78,00% 78,30% 77,90% Naïve Bayes 86,00% 86,00% 86,40% 86,00% Random Forest 84,50% 84,40% 84,50% 84,20% ISBM’21 269 Kết cho thấy ba thuật toán cho kết xác đáng tin cậy 78,25%, 86,00% 84,5% cho J48, Naïve Bayes Random Forest Trong đó, thuật tốn Nạve Bayes đánh giá cho kết dự đoán tốt với độ xác 86,00% F-Measure 86,00% KẾT LUẬN Nội dung đoạn văn kết luận, nội dung đoạn văn kết luận, nội dung đoạn văn kết luận, nội dung đoạn văn kết luận, nội dung đoạn văn kết luận Bài toán phân lớp dự đoán hiệu suất làm việc ứng viên có ý nghĩa thực tiễn ý nghĩa khoa học lớn công tác tuyển dụng Chúng tơi đề xuất mơ hình dự đoán phù hợp với thực tế thường gặp kết dự đoán tương đối tốt việc phân lớp dự đoán hiệu suất ứng viên Mặc dù thực nghiệm cho thấy mơ hình Random Forest dự đốn xác áp dụng thực tế, phối hợp nhiều mơ hình để có kết luận xác Mơ hình rõ mức độ hài lịng cơng việc ảnh hưởng đến kết đánh giá ứng viên bên cạnh yếu tố kỹ công việc Mặc khác, nghiên cứu chưa đưa vào nhân tố định tính, khó định lượng lại hồn tồn có khả liên quan đến vấn đề giải yếu tố tâm lý tự tin, khả thích ứng, tinh thần lạc quan, tính cách cá nhân, nhạy cảm, mức độ sẵn sàng trải nghiệm, quan hệ với đồng nghiệp,… Các nhân tố sử dụng nghiên cứu mang tính chất chủ quan nhóm, để áp dụng vào thực tiễn hỗ trợ định tuyển dụng tốt cần nên sâu vào lĩnh vực nhân cụ thể, ví dụ tuyển dụng nhân lực ngành công nghệ thông tin, ngành du lịch - dịch vụ,…và có tham khảo, tư vấn từ chuyên gia lĩnh vực cụ thể để có liệu phù hợp xây dựng mơ hình xác Chúng ta mở rộng tìm hiểu đề xuất hệ chuyên gia nắm bắt tri thức thích hợp với toán tuyển dụng Tài liệu tham khảo D S Rodrigo, G S Ratnayake (2021) Employee Turnover Prediction System: With Special Reference to Apparel Industry in Sri Lanka 2021 6th International Conference for Convergence in Technology (I2CT), 1-9 T Juvitayapun (2021) Employee Turnover Prediction: The impact of employee event features on interpretable machine learning methods 2021 13th International Conference on Knowledge and Smart Technology (KST), 181-185 D Jagan Mohan Reddy, S Regella, S R Seelam (2020) Recruitment Prediction using Machine Learning 2020 5th International Conference on Computing, Communication and Security (ICCCS), 1-4 Bina Nusantara University Jakarta, Indonesia, R Jayadi (2019) Employee Performance Prediction using Naive Bayes International Journal of Advanced Trends in Computer Science and Engineering, 8(6), 3031-3035 Ali A Mahmoud, Walid A Salameh, Tahani AL Shawabkeh, Ibrahim Al Amro (2019) Performance Prediction in Hiring process and Performance appraisal using machine learning 2019 10th International Conference on Information and Communication Systems (ICICS), 1-6 Đặng Văn Nam, Nguyễn Thị Phương Bắc, Nguyễn Thị Hải Yến (2018) Nghiên cứu ứng dụng định toán tuyển dụng nhân Tạp chí Hội nghị tồn quốc khoa học trái đất tài nguyên với phát triển bền vững (ERSD 2018), 33-38 270 ISBM’21 Kỷ yếu hội thảo khoa học quốc gia “Hệ thống thông tin kinh doanh quản lý” Tác giả Nhiều tác giả (Trường Đại hoc Kinh tế TP HCM) Chịu trách nhiệm xuất PGS.TS Nguyễn Ngọc Định Biên tập Nguyễn Ngọc Định Trình bày: Khoa Cơng nghệ thông tin kinh doanh Sửa in: Khoa Công nghệ thông tin kinh doanh Mã số ISBN 978-604-346-018-6 Đơn vị liên kết xuất bản: Khoa Công nghệ thông tin kinh doanh (Trường Đai học Kinh tế TP HCM) Địa chỉ: 279 Nguyễn Tri Phương, Phường 5, Quận 10, TP.HCM Nhà xuất Kinh tế TP Hồ Chí Minh Số 279 Nguyễn Tri Phương, Phường 5, Quận 10, TP Hồ Chí Minh Website: www.nxb.ueh.edu.vn – Email: nxb@ueh.edu.vn Điện thoại: (028) 38.575.466 – Fax: (028) 38.550.783 In 50 cuốn, khổ 20.5 x 29.5 cm Công ty TNHH MTV In Kinh tế Địa chỉ: 279 Nguyễn Tri Phương, phường 5, quận 10, TP HCM Số xác nhận ĐKXB: 4859-2021/CXBIPH/01-41/KTTPHCM Quyết định số: 91/QĐ-NXBKTTPHCM cấp ngày 31/12/2021 In xong nộp lưu chiểu Quý I/2022   25% Chỉ số tương tự Nguồn Internet: Các ấn phẩm: Giấy tờ Học sinh: 21% 23% 16% Giống theo nguồn 1% đối sánh (Internet từ ngày 28 tháng năm 2019) http://ueh.edu.vn/images/upload/editer/Bieu%2018-2018%20_TH.pdf 1% đối sánh (Internet từ ngày 15 tháng 10 năm 2021) https://amis.misa.vn/6725/15-phuong-phap-tuyen-dung-nhan-su-hieu-qua-nhat-hien-nay/ 1% đối sánh (Internet từ 19-10-2022) https://dost.hochiminhcity.gov.vn/documents/1421/2.-Ky-yeu-Ky-thuat-CNTT-YSC2021.pdf 1% đối sánh (Internet từ 28-8-2022) https://phamdinhkhanh.github.io/deepai-book/ch_ml/RandomForest.html 1/15 1% đối sánh (Internet từ ngày 19 tháng 10 năm 2021) https://ufm.edu.vn/Resources/Docs/SubDomain/khoaqtkd/nghi%C3%AAn%20c%C6%B0%CC%81u%20kh/Ky%20yeu%20hoi%20thao/K%E1%BB% B7% 20y% E1% BA% BFu% 20% 20H% E1% BB% 99i% 20thao% 209-2019.pdf 1% đối sánh (ấn phẩm) Học viện ngân hàng 1% đối sánh (Internet từ 20 tháng 10 năm 2021) https://text.123docz.net/document/6938197-nghien-cuu-phan-lop-tren-du-lieu-mat-can-bang-va-ung-dung.htm 1% đối sánh (bài báo sinh viên từ ngày 31-tháng năm 2022) Nộp cho Trường Đại học Mở Thành phố Hồ Chí Minh ngày 2022-07-31 2% đối sánh (bài báo sinh viên từ 08-09-2020) Nộp cho Trường Đại học Mở Thành phố Hồ Chí Minh ngày 2020-09-08 2% đối sánh (bài báo sinh viên từ 08-02-2020) Nộp cho Trường Đại học Mở Thành phố Hồ Chí Minh ngày 2020-02-08 4% trận đấu (bài báo sinh viên từ 08-09-2020) Nộp cho Trường Đại học Mở Thành phố Hồ Chí Minh ngày 2020-09-08 Trần Thị Thu_MCOM018B_Luận văn_03_NOV_2022 By Thu Tran Thi Đã đệ trình: Số từ: 13385 ID: 1943304291 Xử lý vào: 03-11-2022 17:23 +07 Báo cáo tính nguyên Turnitin Turnitin - Originality Report - Trần Thị Thu_MCOM018B_Luận văn_03_NOV_2022 https://www.turnitin.com/newreport_printview.asp?eq=1&eb=1&esm=30&oid=1943304291&sid=0&n=0&m=2&svr=28&r=18.228102546009595&lang=en_us 09:29, 04/11/2022 ... suất làm việc ứng viên; + Sử dụng kỹ thuật khai phá liệu để đánh giá độ xác dự đoán hiệu suất làm việc ứng viên Tính thực tiễn Ngày nay, doanh nghiệp đầu tư nhiều vào số hóa liệu nhân ứng dụng khai. .. suất làm việc ứng viên dựa vào phân tích liệu kết hiệu suất làm việc trước ứng viên kết đánh giá hiệu suất làm việc nhân viên doanh nghiệp cần tuyển dụng Nghiên cứu áp dụng đánh giá so sánh hiệu. .. THỊ THU DỰ ĐOÁN HIỆU QUẢ LÀM VIỆC CỦA ỨNG VIÊN SỬ DỤNG KỸ THUẬT KHAI PHÁ DỮ LIỆU Chuyên ngành: Khoa học máy tính Mã số chuyên ngành: 48 01 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Giảng viên hướng