Phân tích bộ dữ liệu kickstarter projects

lOMoARcPSD|21993573 ĐẠI HỌC UEH TRƯỜNG CÔNG NGHỆ VÀ THIẾT KẾ KHOA CÔNG NGHỆ THÔNG TIN KINH DOANH MÔN HỌC : KHOA HỌC DỮ LIỆU ĐỀ ÁN: PHÂN TÍCH BỘ DỮ LIỆU KICKSTARTER PROJECTS Giảng viên hướng dẫn : TS Nguyễn Quốc Hùng Mã học phần : 22C1INF50905968 Nhóm thực hiện: 99 Mã số sinh viên : 31211025519 - Nguyễn Ngọc Tuyền ( nhóm trưởng ) 31211024552 - Lâm Thị Thúy An 31211021889 - Trần Thu Ngân lOMoARcPSD|21993573 MỤC LỤC BẢNG PHÂN CÔNG LỜI MỞ ĐẦU CHƯƠNG 1: GIỚI THIỆU KHOA HỌC DỮ LIỆU VÀ GIỚI THIỆU ĐỀ TÀI 1.1 Giới thiệu khoa học liệu 1.2 Giới thiệu đề tài 1.2.1 Lí chọn đề tài .6 1.2.2 Mục tiêu nghiên cứu 1.2.3 Phương pháp nghiên cứu CHƯƠNG 2: TỔNG QUAN CHƯƠNG TRÌNH SỬ DỤNG VÀ CÁC PHƯƠNG PHÁP SỬ DỤNG 2.1.Giới thiệu phần mềm Orange .8 2.1.1 Tổng quan phần mềm Orange .8 2.1.2 Mô tả tính phần mềm Orange 2.2 Phân lớp liệu .14 2.2.1 Định nghĩa 14 2.2.2 Quá trình phân lớp liệu 15 2.2.3 Một vài phương pháp phân lớp 15 2.2.4 Những phương pháp đánh giá mơ hình phân lớp 16 CHƯƠNG 3: ỨNG DỤNG CÁC PHƯƠNG PHÁP VÀO BÀI TOÁN CỤ THỂ 17 3.1 Phân tích liệu Kickstarter Projects 17 3.1.1 Mô tả liệu 17 3.2 Phân lớp dự báo liệu Kickstarter Projects 18 3.2.1 Data sampler 18 3.2.2 Bộ liệu Huấn luyện 24 3.2.2.1 Test and score 25 3.2.2.2 Ma trận nhầm lẫn (Confusion Matrix) .25 3.2.3 Bộ liệu Thử nghiệm .27 3.2.3.1 Sử dụng mơ hình 27 3.2.3.2 Ma trận nhầm lẫn (Confusion Matrix) .29 lOMoARcPSD|21993573 3.2.3.3 ROC Analysis 30 3.2.4 Lấy 100 mẫu 31 CHƯƠNG 4: KẾT QUẢ MƠ HÌNH .35 4.1 Kết mơ hình 35 4.1.1 Kết luận 36 4.1.2 Hướng phát triển 37 4.1.3 Đánh giá 37 TÀI LIỆU THAM KHẢO 39 lOMoARcPSD|21993573 BẢNG PHÂN CÔNG Nhiệm vụ Đánh giá Họ tên Nguyễn Ngọc Tuyền Lời mở đầu, giới thiệu KHDL, mơ tả thuộc tính, xử lí file 70%, kết luận, đánh giá , kiểm tra đạo văn 100% Lâm Thị Thúy An Giới thiệu đề án, xử lí file 30%, danh mục, mục lục, kiểm tra đạo văn 100% Trần Thu Ngân Giới thiệu phần mềm Orange, hướng phát triển, tổng hợp đề án 100% Nguyễn Thị Mỹ Tiên Tổng quan phương pháp thực hiện, chạy phần mềm Orange xử lí liệu, hướng phát triển, kiểm tra đạo văn 100% lOMoARcPSD|21993573 Huỳnh Kim Thủy Giới thiệu phần mềm Orange, xử lí liệu 100 mẫu, kết luận đề án 100% LỜI MỞ ĐẦU Lời nói đầu, chúng em kính gửi lời cảm ơn đặc biệt đến giảng viên môn- TS Nguyễn Quốc Hùng tâm huyết truyền đạt kiến thức bổ ích giúp ích to lớn cho q trình học tập công việc mai sau Đây môn học sát với thực tế, thiết thực thời đại 4.0.Mặc dù cố gắng khả lượng kiến thức kĩ chúng em cịn hạn chế nên thiếu sót khơng thể tránh khỏi.Kính mong thầy xem xét dẫn để chúng em hồn thiện hơn.Chúng em kính chúc thầy có thật nhiều sức khỏe để người chấp cánh cho chúng em đôi cánh tri thức bước vào đời Trong năm gần đây, nhu cầu chuyển đổi số tăng lên đề cao vai trò liệu làm cho khoa học liệu trở thành lĩnh vực phát triển nhanh ngành Dữ liệu tài sản quý giá cho ngành khác để giúp đưa định cẩn thận đắn liên quan đến kinh doanh Khoa học liệu có khả biến liệu thơ thành thơng tin chi tiết có ý nghĩa Khoa học liệu trở nên phổ biến Việt Nam ngày nay.Bằng việc phân tích nguồn liệu, người có thêm kiến thức hoạt động ghi nhận lại khứ từ đưa lời khuyên, kết luận cho tương lai Nhằm tìm hiểu đút kết kinh nghiệm dự án kinh tế, chúng em định phân tích dự báo liệu Kickstarter project Kickstarter tảng crowdfunding, cho phép nhà kinh doanh có khả phát triển sản phẩm trình bày dự án mình, nhằm gọi vốn từ người dùng Kickstarter phạm vi toàn cầu Dữ liệu mẫu nhỏ dự án Kickstarter có chiến dịch tháng đến tháng năm 2016 lOMoARcPSD|21993573 CHƯƠNG 1: GIỚI THIỆU KHOA HỌC DỮ LIỆU VÀ GIỚI THIỆU ĐỀ TÀI 1.1 GIỚI THIỆU KHOA HỌC DỮ LIỆU: Khoa học liệu lĩnh vực nghiên cứu liệu nhằm khai thác thơng tin chun sâu có ý nghĩa hoạt động kinh doanh Một thuật ngữ bao hàm khía cạnh xử lý liệu-từ thu thập liệu đến lập mơ hình rút thông tin chuyên sâu Đây nghệ thuật khoa học thu nhận kiến thức thông qua liệu Chúng ta để sử dụng việc đưa định, dự đoán tương lai, tạo ngành, sản phẩm Quy trình phân tích khoa học liệu gồm bước: •Đặt vấn đề thu thập liệu Quá trình cung cấp sở liệu để đo lường nghiên cứu •Tiền xử lí liệu Hầu hết dự liệu cần xử lý, làm sạch, biến đổi trước xử lí •Chuyển đổi liệu Bước quan trọng giúp cho người sử dụng liệu giải cơng việc cách hiệu •Phân tích liệu Công việc tập trung vào thu thập, khai thác, quản lí xử lí liệu - Big data, từ đưa nhận định dự đốn xu hướng hoạt động tương lai •Trình bày vấn đề phân tích Đây bước cuối nguyên tắc khoa học liệu Trình bày thu thập, phân tích nghiên cứu 1.2 GIỚI THIỆU ĐỀ TÀI 1.2.1 Lí chọn đề tài Trong xã hội ngày nay, việc khai thác phân tích liệu để đưa thơng tin dự báo cần thiết tương lai thật quan trọng nhiều lĩnh vực kinh doanh, ngân hàng, Hàng loạt số liệu từ trình kinh doanh, khách hàng mà người không kiểm sốt được, nên việc số hóa nguồn liệu thật lOMoARcPSD|21993573 quan trọng cơng ty, doanh nghiệp Và để phân tích liệu tự động hóa, cần phần mềm, công cụ hỗ trợ Excel, R Python, Power BI, Với thông tin mà tìm thấy sử dụng phần mềm Orange (phần mềm khai thác liệu trực quan lập trình Python) để lập bước khai thác liệu Hiện nay, khởi nghiệp vấn đề mà nhiều người quan tâm đặc biệt giới trẻ Khởi nghiệp việc ấp ủ ý tưởng kinh doanh bước thực Trong “Kickstarter projects” nghiên cứu mục tiêu, thời gian, ý tưởng, thơng tin hữu ích liên quan đến khởi nghiệp Sau sử dụng phần mềm Orange để phân tích liệu chúng tơi đưa nhận xét, đánh giá kết luận dự án tiềm Và lý chúng tơi chọn đề tài “Phân tích dự báo liệu Kickstarter projects” 1.2.2 Mục tiêu nghiên cứu - Mô tả biến - Phân lớp liệu - So sánh dựa liệu có - Từ đó, đưa đánh giá kết luận dự án tiềm 1.2.3 Phương pháp thực Chúng sử dụng phần mềm Orange để thực bước xử lý, phân lớp liệu, từ dự báo nhóm liệu ngẫu nhiên chưa phân lớp Để tiến hành phân lớp liệu, nhóm chọn biến “Funded” làm biến mục tiêu, thực theo phương pháp Cây định (Decision Tree), SVM Hồi quy Logistic (Logistic Regression) Sử dụng Test and Score, dựa vào số AUC, CA, Recall, phương pháp cuối dựa vào ma trận nhầm lẫn lOMoARcPSD|21993573 CHƯƠNG 2: TỔNG QUAN VỀ CHƯƠNG TRÌNH SỬ DỤNG VÀ CÁC PHƯƠNG PHÁP SỬ DỤNG 2.1 GIỚI THIỆU PHẦN MỀM ORANGE 2.1.1 Tổng quan phần mềm Orange Orange thư viện quy trình xử lý, khai thác liệu đối tượng tảng C++, kết hợp với nhiều thuật toán Data Mining cách hoàn hảo phần mềm học máy thơng minh Bằng việc tích hợp công cụ khai phá liệu mã nguồn mở học máy thông minh, đơn giản viết ngôn ngữ điện tốn Python, người dùng dễ dàng sử dụng tương tác mà khơng cần có kỹ mã hóa Orange kết hợp với nhiều tác vụ,đọc tài liệu định dạng liệu gốc hay định dạng liệu khác Bên cạnh đó, Orange mang đến giao diện với đồ họa đẹp mắt nhờ tập hợp widget đồ họa sinh động, cung cấp bầu khơng khí tương tác thú vị cho cơng cụ phân tích buồn tẻ, điều khiến trở nên thú vị người sử dụng phần mềm Các widget thành phần Orange, chúng tảng cốt lõi phần mềm, widget cung cấp chức quan trọng bao gồm từ tiền xử lý trực quan hóa liệu đánh giá thuật toán mơ hình dự đốn Các widget sử dụng chế giao tiếp với cách đặc biệt để truyền liệu cách kéo thả trỏ chuột từ vị trí người sử dụng vơ tiện ích đơn giản,.Bên cạnh widget tiện ích Orange cịn có nhiều cơng cụ trực quan số lượng đáng kể vật dụng có xu hướng hỗ trợ biểu đồ thanh, hình ảnh, đồ nhiệt, … Orange sử dụng cách tiếp cận thuật toán dựa thành phần độc quyền, chúng nhanh chóng so sánh phân tích liệu, điều cho phép người dùng đưa định xác thời gian ngắn mà mang lại hiệu Nguyên tắc hoạt động Orange kỹ thuật cover quan điểm Data Mining học máy Orange công cụ Data Mining nhắm đến mục tiêu tự động hóa cơng việc chân tay nặng nhọc tẻ nhạt để nhường chỗ cho người sáng tạo chinh phục công việc quan trọng khác Dựa thử nghiệm thực tế, mơ hình lOMoARcPSD|21993573 dự đốn trực quan hệ thống đề xuất linh hoạt, Orange cung cấp cho nhà phân tích chuyên gia Data Mining tảng để lựa chọn đưa định phù hợp Với hỗ trợ phần mềm này, khó khăn nghiên cứu ứng dụng, việc đánh giá mơ hình khai phá liệu, trở nên đơn giản hết mà người thực xử lý mà khơng cần viết dịng mã Cơng cụ có thành phần học máy, tiện ích bổ sung nên chủ yếu ứng dụng rộng rãi tin sinh học, giải mã gen, cung cấp phương pháp giảng dạy tốt Data Mining học máy cho sinh viên ngành sinh học , y sinh học tin học 2.1.2 Mơ tả tính phần mềm Orange Các toolbox cung cấp đầy đủ cho người sử dụng tính giúp người sử dụng dễ dàng dùng bao gồm: Data: Được dùng để trích xuất, biến đổi, tải liệu (các quy trình ETL) Hình 2.1: Tính Data lOMoARcPSD|21993573 Transform: Dùng để lựa chọn liệu theo điều kiện Hình 2.2: Tính Transform 10 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Dựa vào kết Test and Score ta thấy số AUC Tree 0.759, SVM 0.873 Hồi quy Logistic 0.905 lớn phương pháp lại gần với Điểu cho biết phương pháp Hồi quy Logistic phương pháp coi đánh giá tốt cho liệu 3.2.2.2 Ma trận nhầm lẫn (Confusion Matrix) Hình 3.12: Kết ma trận nhầm lẫn phương pháp Tree 25 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Hình 3.13: Kết ma trận nhầm lẫn phương pháp SVM Hình 3.14: Kết ma trận nhầm lẫn phương pháp Logistics Regression Căn vào ma trận nhầm lẫn, ta thấy sai lầm loại sai lầm loại phương pháp Logistic Regression 33.8 so với Tree 45.1, SVM 39.1 nên phương pháp tốt 26 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Dựa vào Test and Score Ma trận nhầm lẫn ta rút Logistic Regression phương pháp đánh giá tốt cho liệu 3.2.3 Bộ liệu Thử nghiệm 3.2.3.1 Sử dụng mơ hình - Vì liệu sau lấy mẫu đạt chuẩn, khơng có liệu lỗi nên khơng cần qua bước tiền xử lý liệu - Sử dụng Test and Score để so sánh, đánh giá thuật toán So sánh số liệu tiêu phương pháp từ chọn thuật tốn tốt nhất, phù hợp để phục vụ cho việc dự báo - Sử dụng kickstarter thực nghiệm.xlsx tập thực nghiệm, chọn File, vào thư mục chọn kickstarter thực nghiệm.xlsx Hình 3.15: Tập liệu thực nghiệm - Sử dụng Test and Score đánh giá phương pháp phân lớp Cây định (Decision Tree), Hồi quy (Logistic Regression) SVM (Support Vector Machine) 27 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Hình 3.16: Xây dựng mơ hình thực nghiệm - Sử dụng phương pháp K-fold, chọn tỷ lệ Cross Validation Mục Number of folds, chọn k=5 Hình 3.17: Kết Test and Score với k=5 - Nhìn vào bảng Test and Score, ta thấy số CA, Precision, Recall, F1 phương pháp Logistic Regression có số cao phù hợp 3.2.3.2 Ma trận nhầm lẫn (Confusion Matrix) 28 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Hình 3.18: Kết ma trận nhầm lẫn phương pháp SVM Hình 3.19: Kết ma trận nhầm lẫn phương pháp Tree (Cây định) Hình 3.20: Kết ma trận nhầm lẫn phương pháp Logistic Regression - Dựa vào kết sai lầm loại sai lầm loại phương pháp Logistic Regression 30.5%, SVM 33.1% Tree 43.1% Từ thấy phương pháp Logistic Regression phù hợp để dự đoán 29 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 3.2.3.3 ROC Analysis Hình 3.21: Đường cong ROC định khơng chọn dự án (Attrion No) Hình 3.22: Đường cong ROC định chọn dự án (Attrion Yes) - Đối với ROC Analysis, mơ hình có hiệu FPR thấp TPR cao, nói cách khác ROC tiến gần đến điểm (0;1) đồ thị mơ hình có hiệu Dựa vào đồ thị ta thấy mơ hình Logistic Regression tiện cận với điểm (0;1) nên mơ hình hiệu 30 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Kết luận: Phương pháp phân lớp Logistic Regression phương pháp tốt Vì: - Phương pháp có AUC lớn nhất, tức có mơ hình tốt - Phương pháp có CA (tính xác) cao - Phương pháp có sai lầm loại nhỏ - Phương pháp có hiệu cao có đường ROC tiệm cận với điểm (0;1) 3.2.4 Lấy 100 mẫu Sau sử dụng Data Sampler để lấy 30% (Thực nghiệm), ta có gần 350 liệu (khơng có khảo sát bị lỗi) Đây số lượng lớn nên nhiều thời gian nên nhóm lấy 100 khảo sát để dự đốn Tạo File khác vào chọn thư mục file Thực nghiệm lưu Hình 3.23: Chọn file thực nghiệm lưu Từ File Thực nghiệm nhóm tiếp tục dùng Data Samler để lấy 100 mẫu 31 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Hình 3.24: Sử dụng Data Sampler để lấy 100 mẫu Điều chỉnh Fixed proportion of data để lấy 100 mẫu khảo sát Hình 3.25: Điều chỉnh Data Sampler để lấy 100 mẫu Rồi sử dụng Save Data để lưu liệu vừa lấy đặt tên 100 mẫu Hình 3.26: Sử dụng Save Data lưu Từ kết tính tốn ta thấy phương pháp Logistic Regression kết cao Nhóm tác giả sử dụng kết 100 mẫu lấy sử dụng cơng cụ Predictions để đốn xem cơng ty có khởi xướng, đầu tư hay khơng 32 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Hình 3.27: Mơ hình Kickstarter sử dụng cơng cụ Predictions Hình 3.28: Bảng dự báo mơ hình Kickstarter project phương pháp Hồi quy Logistic Nhìn bảng dự báo mơ hình sau lấy 100 mẫu bất kỳ, thấy “no” chiếm số lượng lớn “yes” Vậy điều thể cơng ty phần lớn không tham gia dự án đầu tư 33 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 CHƯƠNG 4: KẾT QUẢ MÔ HÌNH 4.1 Kết mơ hình Hình 4.1: Bảng kết dự báo mơ hình Kickstarter project 34 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Hình 4.2: Bảng kết dự báo xuất Excel 4.1.1 Kết luận Từ liệu dự án khởi nghiệp nhằm dự báo thuộc tính dự án thu hút nhà đầu nhóm tác giả tiến hành tiền xử lý với Data Sampler sau sử dụng nhiều phương pháp khác như: SVM, Tree Decisions, Logistic Regression 35 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Hình 4.3: Sử dụng countif đánh giá kết liệu Tiếp theo dùng hàm COUNTIF thuộc tính Type, Has FB, Previous Videos, Videos sheet liệu Funded (Yes) Ở thuộc tính Type “Video” chiếm tỷ lệ cao 29 Đối với thuộc tính Has FB, “1” chiếm tỷ lệ cao so với “0’ Thuộc tính Previous Projects có tỷ lệ “0” cao Ở thuộc tính Has Videos tỷ lệ “1” nhiều so với “0” Đầu tiên ta dự báo dự án thuộc loại Video mang đến phần trăm đầu tư nhiều Art, Design, Software.Bên cạnh nên sử dụng nhiều video, có tài khoản mạng xã hội FB để thu hút nhà đầu tư Nhà đầu tư khơng quan tâm bạn có dự án trước hay chưa tỷ lệ “0” thuộc tính nhiều “1” Thuộc tính Pledge Level cao chiếm phần lớn dự án đầu tỏ mức độ cam kết cao thu hút nhà đầu tư Tóm lại, nhóm đưa kết luận công ty không tham gia dự án đầu tư chiếm nhiều công ty tham gia dự án đầu tư Với kết đạt khơng có chênh lệch nhiều so với nhãn mục tiêu có sẵn liệu Kickstarter project Qua đó, nên quan tâm biến để cải thiện, phát triển dự án đầu tư Các công ty ưa chượng thể loại Video thể loại khác thuộc tính Type thuộc tính ảnh hưởng định đầu tư 4.1.2 Hướng phát triển 36 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Với công nghệ ngày đại, Kickstarter mở tảng tuyệt vời, nhanh chóng phổ biến tạo hội cho người sáng tạo dự án với đa thể loại như: thiết kế, nghệ thuật, ứng dụng, đồ thủ công, phần mềm, dụng cụ, …Và nơi đây, dự án tìm kiếm nhà đầu tư sẵn sàng chi khoản tiền nhỏ vào dự án mà họ cảm thấy hứng thú có triểm vọng Mặc dù Kickstarter tạo dựng nên tảng mang đến nhiều hội cho nhà khởi nghiệp, sáng tạo, dự án nhận tài trợ từ chủ đầu tư Vì vậy, cần đưa đề xuất hướng phát triển để thu hút nhiều nhà đầu tư cho dự án hoạt động tảng Kickstarter Để thu hút khách hàng đến với dự án Kicktarter, nhà khởi nghiệp nên có đầu tư mặt hình ảnh, văn video để trình bày dự án thân cách hấp dẫn nhất, cho khách hàng tìm đến dự án dễ dàng hiểu họ góp vốn vào dự án có tiềm Mỗi dự án thiết lập cần phải xác định rõ mục tiêu mức vốn đầu tư, mức độ cam kết dành cho dự án, thời gian cho hoạt động gọi vốn Thường thời gian từ lúc bắt đầu đến kết thúc dự án nên nằm tầm khoảng 30 – 40 ngày tốt Trong khoảng thời kêu gọi vốn Kickstarter, nhà khởi nghiệp nên tiếp thu ý kiến đóng góp từ cộng đồng có chọn lọc để cải thiện dự án tốt đến nhà đầu tư Bên cạnh đó, khách hàng tiềm dự án Kickstarter giúp lan tỏa đến nhiều người dự án Từ đó, dù có nhận góp vốn hay khơng dự án sau Kickstarter nhận nhiều quan tâm từ người 4.1.3 Đánh giá Trên Kickstarter, hầu tưởng khởi nghiệp không nhận tài trợ Nhưng lại vậy? Khi tìm kiếm lời giải thích khả thi cho câu hỏi đó, dễ dàng quy thất bại cho ý tưởng Vậy trường hợp hoi, ý tưởng đem lại hấp dẫn dự án có tiềm phát triển mạnh tương lai sao? Làm tìm ý tưởng cụ thể thành cơng? Đó nhờ vào việc phân tích dự báo đồ án 37 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 Việc phân tích dự báo liệu Kickstarter projects giúp nhà đầu tư có nhìn tổng quát dự án khởi nghiệp nhà kinh doanh, dự báo dự án rủi ro, để từ đưa suy luận trả lời cho câu hỏi :” Liệu có dự án có tiềm phát triển khơng?” đưa định đầu tư đắn Việc có nhiều nhà đầu tư tham gia góp vốn vào dự án khẳng định mức độ hấp dẫn ý tưởng khởi nghiệp thị trường Nhưng có nhìn tổng qt thơi chưa đủ để khiến nhà đầu tư góp vốn vào dự án khởi nghiệp đầy rủi ro điều họ cần nhiều thông tin Hạn chế đồ án liệu chọn chưa đủ bao quát, thông tin liên quan đến dự án hạn chế nên kết việc phân tích dự báo đồ án khoa học dù đủ gặp nhiều thiếu sót khiến đề tài không bao quát chi tiết, gây ảnh hưởng đến định nhà đầu tư dẫn đến định góp vốn vào dự án trở nên khó khăn Dù việc phân tích dự báo đồ án đem lại cho nhà đầu tư có thêm thơng tin ý tưởng, dự án khởi nghiệp mà họ cảm thấy ấn tượng Có thể khơng hồn hảo tảng gây ảnh hưởng đến định nhà đầu tư Vì qua đó, ta thấy liệu có phải dự án tiềm hay không với vài thông tin, liệu mà phần mềm cung cấp TÀI LIỆU THAM KHẢO Slide giảng giảng viên phụ trách: TS Nguyễn Quốc Hùng Một số link tài liệu sau: 38 Downloaded by chinh toan (vuchinhhp22@gmail.com) lOMoARcPSD|21993573 https://ongxuanhong.wordpress.com/2018/02/03/voc-thu-orange-phan-mem-data-mining/ https://aws.amazon.com/vi/what-is/data-science/ https://www.vnu.edu.vn/ttsk/?C1654/N22818/Khoa-hoc-du-lieu -Cong-viec-hap-dannhat-the-ky-21.htm https://vi.m.wikipedia.org/wiki/M%C3%A1y_vect%C6%A1_h%E1%BB%97_tr %E1%BB%A3 39 Downloaded by chinh toan (vuchinhhp22@gmail.com)