Phân tích phản hồi về cảm nghĩ để dự đoán khả năng nghề nghiệp của học sinh cấp trung học phổ thông

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH TRẨN THANH ĐIỀN PHÂN TÍCH PHẢN HỒI VỀ CẢM NGHĨ ĐỂ DỰ ĐOÁN KHẢ NĂNG NGHỀ NGHIỆP CỦA HỌC SINH CẤP TRUNG HỌC PHỔ THÔNG Chuyên ngành: KHOA HỌC MÁY TÍNH Mã chuyên ngành: 60480101 LUẬN VĂN THẠC SĨ THÀNH PHỐ HỒ CHÍ MINH, T9/2021 Cơng trình hồn thành Trường Đại học Cơng nghiệp TP Hồ Chí Minh Người hướng dẫn khoa học: TS Nguyễn Thị Phương Giang u n n thạc o ệ H i đồng ch o ệ u n Đại học Cơng nghiệp thành phố Hồ Chí Minh ngày 17 tháng 10 n Thành phần H i đồng đánh giá lu n n thạc n thạc Trường 2021 gồ : PGS.TS Huỳnh Trung Hiếu - Chủ tịch H i đồng TS Lê Thành Sách - Ph n iện TS Trịnh T n Đạt - Ph n iện TS Đặng Thị Phúc - Ủy iên TS ê Nh t Duy - Thư ký (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA CÔNG NGHỆ THÔNG TIN BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CƠNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học iên: Trần Thanh Điền MSHV: 17113031 Ngày, tháng, n Nơi inh: Kiên Giang inh: 06/06/1984 Chuyên ngành: Khoa Học Máy Tính 60480101 Mã chuyên ngành: I TÊN ĐỀ TÀI: Phân tích ph n hồi ề c trung học phổ thơng ngh để dự đốn kh n ng nghề nghiệp học inh c p NHIỆM VỤ VÀ NỘI DUNG: - Tì hiểu tổng quan ề cơng trình nghiên cứu có liên quan thành tựu, hạn chế hoàn thành trước liên quan đến hướng nghiên cứu Phân tích c ngh ph n hồi để dự đoán kh n ng nghề nghiệp học inh c p Trung học phổ thông - Nghiên cứu gi i thu t Na Bay - Nghiên cứu gi i thu t SVM - Nghiên cứu phương pháp Entropy cực đại - Hiện thực đánh giá kết qu II NGÀY GIAO NHIỆM VỤ: 28/11/2019 III NGÀY HOÀN THÀNH NHIỆM VỤ: 15/9/2021 IV NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Nguyễn Thị Phương Giang Tp Hồ Chí Minh, ngày … tháng năm … NGƯỜI HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO TS Nguyễn Thị Phương Giang TRƯỞNG KHOA CÔNG NGHỆ THÔNG TIN LỜI CẢM ƠN Để hoàn thành ài lu n cố n tôi, Tiến dẫn dắt cố n thạc này, tơi xin ày tỏ ự c kích đặc iệt tới Nguyễn Thị Phương Giang - Người định hướng, trực tiếp n cho uốt thời gian thực đề tài nghiên cứu khoa học Tôi xin gửi lời c ơn đến thầy ằng t t c t Tôi xin gửi lời c giúp đỡ iểu lòng ự iết ơn ơn chân thành đến thầy ê Nh t Duy hướng dẫn ẫu quy trình hồn thành đề tài lu n đề cương đến Tơi xin trân trọng c ình o ệ lu n n từ đầu đ ng ký n ơn Phòng qu n lý Sau đại học giúp đỡ ề thủ tục cần thiết để hồn thành lu n n i TĨM TẮT LUẬN VĂN THẠC Sĩ Trong nhiều n qua n đề tư n tuyển inh nhiều người quan tâ , đặc iệt học inh phụ huynh Việc lựa chọn ngành nghề, phù hợp ới n ng lực trường n thân ô cần thiết Tuy nhiên hình thức tư th o cách truyền thơng cạnh đó, hiểu c cho học inh c ngh n tuyển inh th y chán khơng có hứng thú Bên ph n hồi học inh t n đề thiết yếu định hướng nguyện ọng trường đại học hay cao đẳng Biết điều này, nghiên cứu đưa t gi i pháp giúp học inh c p Trung học Phổ thông hiểu rõ ề kh n ng n ng lực trường ình để lựa chọn ngành nghề n thân yêu thích Đây điều hết ức quan trọng đối ới học inh Nghiên cứu t p trung kh n ng phân tích liệu dự đốn nhằ đưa t kết qu xác từ liệu thu th p Cũng từ nghiên cứu tác gi xây dựng nên t hệ thống có kh n ng phân loại ph n hồi ề c học Phổ thông t cách tự đ ng xác nh t B liệu ph n hồi học inh tác gi thu th p từ n 2015 đến Tiếp th o, loại ỏ t t c liệu rác, trùng lặp hay liệu không hợp lệ liệu thô Sau đó, tác gi cực xây dựng t cách thủ cơng tác gi có 5000 dụng a thu t tốn Na hình phân tích ph n hồi ề c thu t toán phân loại Kết qu chứng Na Bay ngh học inh c p Trung Bay , SVM Entropy ngh học inh dựa inh thu t toán Maxi u áy V ctor hỗ trợ ới ố điể Entropy tốt 78% Với đ xác y tác gi th y liệu kết qu nghiên cứu nguồn liệu hữu ích cho c ng đồng phân tích ph n hồi ề c ii ngh tương lai LỜI CAM ĐOAN Tôi xin ca đoan lu n n nghiên cứu n thân tơi Những kết qu nghiên cứu, phân tích kết lu n lu n n hoàn toàn trung thực khơng ao chép từ t kỳ hình thức Việc tha t kỳ t nguồn hay kh o nguồn tài liệu thực trích dẫn ghi rõ nguồn th o quy định Học viên Trần Thanh Điền iii MỤC LỤC ỜI CẢM ƠN i TÓM TẮT UẬN VĂN THẠC S ii ỜI CAM ĐOAN iii MỤC ỤC iv DANH MỤC HÌNH ẢNH vi DANH MỤC BẢNG BIỂU vii DANH MỤC TỪ VIẾT TẮT viii MỞ ĐẦU .1 Sự cần thiết n đề nghiên cứu Mục tiêu nghiên cứu Đối tượng phạ i nghiên cứu N i dung nghiên cứu .3 CHƯƠNG GI I THI U V Đ TÀI 1.1 Tổng quan ề đề tài .5 1.2 Tổng quan hướng tiếp c n .6 1.3 Khó kh n thách thức 1.4 Đề xu t hướng gi i CHƯƠNG GI I THI U V BÀI TOÁN DỰ ĐOÁN KHẢ NĂNG NGH NGHI P CỦA HỌC SINH 2.1 Tổng quan ề ài toán phân lớp 2.2 Tổng quan thu t toán dùng để phân lớp liệu 2.2.1 Support Vector Machine (SVM) 2.2.2 Máy học Na ay 13 2.2.2.1 Định lý Bay 13 2.2.2.2 Giới thiệu thu t toán Na 2.2.2.3 Thu t toán Na 2.2.3 Bay Bay .14 .14 Maximum Entropy (MaxEnt) 16 iv 2.2.3.1 Giới thiệu thu t toán Maxi u 2.2.3.2 Thu t toán Maxi u 2.2.3.3 Ưu nhược điể Entropy 16 Entropy 16 Max nt .17 2.3 Mơ hình hóa tốn 18 2.4 Phương pháp 20 CHƯƠNG GIẢI THUẬT SVM, NAIVE BAYES VÀ ENTROPY CỰC ĐẠI 3.1 Máy học V ctơ (SVM) 21 3.2 Gi i thu t Nai 3.3 Phương pháp Entropy cực đại .30 3.4 Kết qu gi i thu t đạt 3.5 Kết lu n 35 Bay 25 t ố liệu .32 CHƯƠNG ÁP DỤNG SVM, GIẢI THUẬT NAIVE BAYES VÀ ENTROPY CỰC ĐẠI VÀO DỰ ĐOÁN KHẢ NĂNG NGH NGHI P CỦA HỌC SINH 37 4.1 Những n đề đối ới gi i thu t Nai Bay , SVM, Entropy cực đại 37 4.2 đại Đề xu t giá trị đầu cho gi i thu t Nai 37 4.2.1 Xử lý liệu đầu 37 4.2.2 M t ố 4.3 Thực thi gi i pháp kết qu đạt .39 4.3.1 Thu t toán Max nt .40 4.3.2 Thu t toán NAIVE-BAYES 42 4.3.3 Thu t toán SVM 45 4.4 Kết lu n 47 Bay , SVM, Entropy cực n đề khác 39 KẾT UẬN VÀ KIẾN NGHỊ 48 Tổng kết đề tài .48 Những đóng góp đề tài 48 Những hạn chế tồn 48 Hướng r ng phát triển đề tài 49 TÀI I U THAM KHẢO 50 PHỤ ỤC 54 Ý ỊCH TRÍCH NGANG CỦA HỌC VIÊN 57 v 21 DANH MỤC HÌNH ẢNH Hình 2.1 Ví dụ ề phân lớp SVM không gian R2 Hình 2.2 Phân lớp tuyến tính ới SVM Hình 2.3 SVM phân lớp liệu khơng tách rời 11 Hình 2.4 Q trình xây dựng hệ thống phân tích ý kiến ph n hồi học inh 19 Hình 3.1 Mô t cách nh p liệu 23 Hình 3.2 Mô t chi tiết ề phân loại ctơ hỗ trợ 24 Hình 3.3 Mô t chi tiết ề phân loại ctơ hỗ trợ (tiếp th o) 24 Hình 3.4 Mơ t chi tiết thu t tốn dự đốn 25 Hình 3.5 Tiến hành nh p thư iện liệu ẫu 26 Hình 3.6 Nh p liệu cho thu t toán 27 Hình 3.7 Kiể tra liệu trước tiến hành thử nghiệ 27 Hình 3.8 Vẽ h at ap thích 28 Hình 3.9 Báo cáo phân loại kết qu a tr n 29 Hình 3.10 Triển khai thu t toán chạy thử nghiệ 30 Hình 3.11 Mơ t chi tiết cách nh p liệu 31 Hình 3.12 Mơ t chi tiết thu t toán phân loại dự đoán 32 Hình 3.13 Chi tiết ề chạy thử nghiệ ề dự đoán 32 Hình 3.14 So ánh phương pháp học t p khác 34 Hình 4.1 Dữ liệu trước xử lý 38 Hình 4.2 Dữ liệu ã hóa 39 Hình 4.3 Chạy thử hình thu t tốn Max nt (1) 41 Hình 4.4 Chạy thử hình thu t tốn Max nt (2) 41 Hình 4.5 Chạy thử hình thu t tốn Nai Bay (1) 43 Hình 4.6 Chạy thử hình thu t tốn Nai Bay (2) 44 Hình 4.7 Chạy thử hình thu t tốn SVM (1) 46 Hình 4.8 Chạy thử hình thu t tốn SVM () 47 vi DANH MỤC BẢNG BIỂU B ng 2.1 M t ố hà nhân thường dùng 13 B ng 4.1 Dữ liệu ã hóa 38 B ng 4.2 Kết qu phân loại để xác thực chéo 10 lần 40 B ng 4.3 Kết qu phân loại Max nt 40 B ng 4.4 Kết qu phân loại Naive - Bayes 42 B ng 4.5 Kết qu phân loại SVM 45 vii Hình 4.5 Chạy thử hình thu t tốn Naive Bayes (1) 43 Hình 4.6 Chạy thử hình thu t tốn Naive Bayes (2) 44 4.3.3 Thuật toán SVM Trong bảng 4.5 chứng inh SVM tốt nh t ới t p liệu nhị phân không thành công lớp SVM khơng thể phân loại xác dù t trường hợp B ng 4.5 Kết qu phân loại SVM Độ xác (precision) Recall F1-score 3-Tự nhiên 0% 0% 0% 4-Xã hội 75% 100% 86% 0.75 Accuracy Macro avg 0.37 0.50 0.43 Weighted avg 0.56 0.75 0.64 Tại thu t toán áp dụng tương tự, chạy thử chương trình ằng liệu qua xử lý Để xác định ức đ dự đoán qu phân ề hai lớp “[3]” [4] Trong hình dự án Kết hình t t thử đây, cho th y học inh dự đoán phù hợp ới khối ngành “xã h i” 45 Hình 4.7 Chạy thử hình thu t tốn SVM (1) 46 Hình 4.8 Chạy thử hình thu t tốn SVM () 4.4 Kết luận Nghiên cứu Stanford ới t p liệu tiếng Anh cân ằng (R ut r ) [12] cho kết qu dự đoán Max nt hoạt đ ng tốt nh t a cân ằng chúng tơi cho thử nghiệ hình Dữ liệu khơng khơng xác định ề ặt t nh thực tế ch p nh n Chúng tơi nói điều ởi ì hầu hết trường hợp, chúng tơi quan tâ đến ph n hồi từ học inh Nó phân tích đưa kết qu dự đốn ề nghề nghiệp cho học inh, hay nói rõ phân chia an học cho học inh, dựa thích, quan tâ đến ơn học Trong nghiên cứu đưa kết qu dự đoán Max nt hoạt đ ng tốt nh t, ới đ xác 78% Tiếp th o ới đ xác có kho ng cách không xa ới Max nt thu t tốn Nai Bay , đ xác thu t toán 77% Xếp cuối a thu t tốn thử nghiệ cho th y trình phân loại SVM phân loại Xã h i - Nhưng SVM là SVM M t ố nghiên cứu trước t trường hợp nhị phân, í dụ hình nh t khơng thành cơng lớp Tự nhiên - Chúng tơi th y MaxEnt đạt đ xác lớp cao nh t ới 86% 47 KẾT LUẬN VÀ KIẾN NGHỊ T ng kết đề tài Nghiên cứu đáp ứng ục tiêu đề tài dự đoán kh n ng nghề nghiệp tương lai học inh c p trung học phổ thông ằng cách gi i thu t Nai SVM Entropy cực đại Điều nhằ ề nghề nghiệp n thân nghiên cứu học inh t cách xác, trực quan Bên cạnh đó, đề tài rõ ề thu t tốn điều chỉnh thơng ố gi i thu t để t ng đ xác Ba thống kê Vì hỗ trợ định hướng cho Bay , phân loại nghiên cứu thử nghiệ dựa xác u t y, liệu đào tạo đóng trị r t quan trọng Nghiên cứu cho th y kết qu xác th o lớp chứng inh liệu không cân ằng ẽ không nh hưởng đến lớp tiêu cực nhiều th y lớp tích cực Dữ liệu nghiên cứu cho th y ph n hồi tiêu cực tích cực ình thường cu c ống tại, điều cho đ xác nghiên cứu đáng tin c y Với đ xác tốt nh t 78%, tác gi th y MaxEnt đầy hứa hẹn r t tiề n ng o ới gi i thu t cịn lại Những đóng góp đề tài Đề tài nghiên cứu đóng góp liệu giáo dục ình ới 5.000 câu gắn nhãn tích cực, tiêu cực trung l p Dữ liệu tác gi nguồn hữu ích cho c ng đồng phân tích ph n hồi ề c uốn tạo định dạng chứng ngh tương lai Nghiên cứu tác gi t ứng dụng l y liệu thơ người dùng xu t kết qu n n iểu thức trực quan dạng iểu đồ Nghiên cứu inh Na Bay cũ, ké xác t ố l nh ực không ph i l nh ực Mặc dù ph n hồi phức tạp thu t tốn truyền thống hoạt đ ng hiệu qu ới tính n ng thích hợp chọn Những hạn chế tồn Mặc dù q thực có nhiều cố gắng để hồn thành ài lu n giống ới Các hạn chế t ố nghiên cứu khác, nghiên cứu tồn tác gi gặp ph i trình nghiên cứu liệu n t ố hạn chế tác gi dụng chưa ph i liệu đạt chuẩn Ngoài ra, kho tài liệu đề tài nghiên cứu 48 chưa nhiều ì y nên r ng tài liệu ới nhiều đánh giá học inh Hướng mở rộng phát triển đề tài Từ kết qu phân tích nghiên cứu, tác gi đề xu t triển phân tích tình c gi t ố hướng kh thi để phát tương lai Thứ nh t nên giàu liệu tác ằng cách thu th p ghi nhãn ph n hồi học inh từ nhiều trường c p trung học phổ thông Mục tiêu tương lai nhó câu t p liệu Xây dựng tác gi có ố 10.000 liệu có đ cân ằng cao hơn, đáp ứng cho iệc dụng nghiên cứu chuẩn xác Thứ hai, xây dựng nên thành ứng dụng, nhằ đưa hướng hỗ trợ giáo dục ề định hướng cho học inh tương lại cách xác cao 49 TÀI LIỆU THAM KHẢO [1] B T Kieu and S B Pham "Sentiment analysis for vietnamese," in Knowledge and Systems Engineering (KSE), 2010 Second International Conference on, 2010, pp 152-157 [2] S Mac Kim and R A Calvo "Sentiment analysis in student experiences of learning," In Educational Data Mining 2010, 2010 [3] R M Achen and A Lumpkin "Evaluating Classroom Time through Systematic Analysis and Student Feedback," International Journal for the Scholarship of Teaching and Learning Vol 9, p 4, 2015 [4] D Phuc and N T K Phung "Using Naïve Bayes model and natural language processing for classifying messages on online forum," in Research, Innovation and Vision for the Future, 2007 IEEE International Conference on, 2007, pp 247-252 [5] Larose D T Data Mining: Methods and Models John Wiley & Sons, Inc Pubs Canada, 2006 [6] M K Smith et al "The Classroom Observation protocol for Undergraduate STEM (COPUS): a new instrument to characterize university STEM classroom practices," CBE-Life Sciences Education Vol 12, pp 618-627, 2013 [7] D Delen "A comparative analysis of machine learning techniques for student retention management," Decision Support Systems Vol 49, pp 498-506, 2010 [8] N T Duyen et al "An empirical study on sentiment analysis for Vietnamese," in 2014 International Conference on Advanced Technologies for Communications (ATC 2014), 2014, pp 309-314 [9] B Liu "Sentiment analysis and opinion mining," Synthesis lectures on human language technologies Vol 5, pp 1-167, 2012 50 [10] B Rohrer "How to choose algorithms for Microsoft Azure machine learning." Internet: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-select- algorithms, Aug 10, 2015 [11] T Wilson et al "Recognizing contextual polarity in phrase-level sentiment analysis," in Proceedings of the conference on human language technology and empirical methods in natural language processing, 2005, pp.347-354 [12] D Klein and C Manning "Maxent models, conditional estimation, and optimization," HLTNAACL 2003 Tutorial, 2003 [13] T Joachims (2017, May.) "Svmlight: Support vector machine," SVM-Light Support Vector Machine [Online] Vol.19 Available: http://svmlight.joachims.org/ [14] V Vryniotis "Developing a Naive Bayes Text Classifier in JAVA." Internet: https://blog.datumbox.com/developing-a-naive-bayes-text-classifier-in-java/, January 27, 2014 [15] C.-C Chang and C.-J Lin "LIBSVM: a library for support vector machines," ACM ransactions on Intelligent Systems and Technology (TIST) Vol 2, p.27, 2011 [16] D Klein The stanford classifier The Stanford Natural Language Processing Group, 2003 [17] R Kohavi "A study of cross-validation and bootstrap for accuracy estimation and model selection," in Ijcai, 1995, pp 1137-1145 [18] R Socher et al "Recursive deep models for semantic compositionality over a sentiment treebank," in Proceedings of the conference on empirical methods in natural language processing (EMNLP), 2013, p 1642 [19] N Altrabsheh et al "SA-E: sentiment analysis for education," in 5th KES International Conference on Intelligent Decision Technologies, 2013 [20] C Cort and V Vapnik “Support-V ctor N twork ,” Machine Learning Vol 20, no 3, pp 273–297, Sep.1995 51 [21] Vapnik V Statistical Learning Theory Wiley–Interscience New York 1998 [22] Vladimir N Vapnik The Nature of Statistical Learning Theory Springer, 1995 [23] Thorsten Joachims Learning to Classify Text Using Support Vector Machines: Methods, Theory and Algorithms Kluwer Academic Publishers, USA, 2002 [24] Joachims, T Making Large-Scale SVM Learning Practical Advances in kernelmethods, 1999 [25] Thor t n Joachi 2002 “Opti izing arch ngin u ing clickthrough data,” in Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining (KDD '02) Association for Computing Machinery, New York, NY, USA, 133–142 [26] Thor t n Joachi “Tran ducti Inf r nc for T xt Cla ification u ing Support Vector Machines.” in Proceedings of the Sixteenth International Conference on Machine Learning (ICML '99) Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 200–209, 1999 [27] I Ri h “An E pirical Study of th Nai Bay cla ifi r,” in Proceedings of IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence, 2001 [28] A.L Berger et al 1996 “A proc axi u ntropy approach to natural languag ing,” Computational Linguistics, Vol 22, Issue 1, March 1996, pp 39–71 [29] Do ingo , P and Pazzani, M “On th Opti ality of th Si pl Bay ian Classifier under Zero-On o ,” Machine Learning Vol 29, pp 103–130, 1997 [30] Đặng N H Thành c ng ự “M t góc nhìn từ ài tốn phân lớp liệu: thang điể đánh giá quan trọng?" trình ày Kỷ yếu Hội thảo khoa học quốc gia Hệ thống thông tin Kinh doanh Quản lý –ISBM20, Thành Phố Hồ Chí Minh, tháng 10 n 2020, NXB Kinh Tế TP Hồ Chí Minh, pp 273-280, 2020 52 [31] J Brownl (2020) “4 Types of Classification Tasks in Machine Learning.” Accessed November 2020 Internet: https://machinelearningmastery.com/types-ofclassification-in-machine-learning, 20/4/2021 [32] Kotsiantis et al “Machin l arning: a r i w of cla ification and co ining t chniqu ,” Artif Intell Rev Vol 26, pp 159–190, 2006 [33] Jiawei Han and Micheline Kamber Data Mining: Concepts and Techniques Second Edition, Morgan Kaufmann Publishers, 2006 [34] Dur un D l n “A co parati tud nt r t ntion anag analy i of achin l arning t chniqu for nt,” Decision Support Systems Vol 49, Issue 4, pp 498– 506, 2010 [35] Chri toph r Manning and Dan Kl in “Opti ization, conditional ti ation without ax nt od l , and agic.” in Proceedings of the 2003 Conference of the North American Chapter of the Association for Computational Linguistics on Human Language Technology: Tutorials Vol (NAACL-Tutorials '03), p 8, 2003 [36] Joachims and Thorsten "Svmlight: Support vector machine." SVM-Light Support Vector Machine, University of Dortmund [Online] Vol 19 (no 4) Available: http://svmlight joachims org/, 1999 [37] V Vryniotis (2014)."Developing a Naive Bayes Text Classifier in JAVA." Internet: https://blog.datumbox.com/developing-a-naive-bayes-text-classifier-in-java/, 06/03/2021 [38] Chih-Chung Chang and Chih-J n ctor in 2011 “ IBSVM: A li rary for upport achin ,” ACM Transactions on Intelligent Systems and Technology (TIST) Vol 2, no 27, pp 1–27, April 2011 [39] D Klein (2003) "The stanford classifier." The Stanford Natural Language Processing Group Internet: https://nlp.stanford.edu/software/classifier.shtml 53 PHỤ LỤC D o thu t toán Na D o thu t toán SVM -Bayes 54 D o thu t toán SVM 55 Gi y xác nh n 56 LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN I LÝ LỊCH SƠ LƯỢC: Họ tên: Trần Thanh Điền Giới tính: Nam Ngày, tháng, n inh: 06/06/1984 Nơi inh: Kiên Giang Email: thanhdien1984@gmail.com Điện thoại: 0917.723457 II QUÁ TRÌNH ĐÀO TẠO: Từ n 2003 đến 2006: Học cao đẳng trường cao đẳng c ng đồng Kiên Giang Từ n 2009 đến 2011: Học đại học trường ĐH Công Nghệ Thông Tin TP.HCM Từ n 2017 đến 2020: Học cao học Khoa Công nghệ Thông tin – Trường đại học Công nghiệp thành phố Hồ Chí Minh III Q TRÌNH CƠNG TÁC CHUN MƠN: Thời gian Nơi cơng tác 2007-2012 Trung Tâm KTTH-Hướng Nghiệp 2013-đến Công việc đảm nhiệm Trường THPT Ngô S iên Giáo viên Giáo viên Tp HCM, ngày tháng 10 năm 2021 Người khai Trần Thanh Điền 57