(Luận văn thạc sĩ) xây dựng hệ thống dự đoán khả năng nhập học của học sinh vào trường cao đẳng kỹ thuật công nghệ bà rịa vũng tàu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÀ RỊA-VŨNG TÀU - NGUYỄN THỊ HẢI HÀ XÂY DỰNG HỆ THỐNG DỰ ĐOÁN KHẢ NĂNG NHẬP HỌC CỦA HỌC SINH VÀO TRƯỜNG CAO ĐẲNG KỸ THUẬT CÔNG NGHỆ BÀ RỊA VŨNG TÀU LUẬN VĂN THẠC SĨ Bà Rịa - Vũng Tàu, tháng năm 2021 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÀ RỊA-VŨNG TÀU - NGUYỄN THỊ HẢI HÀ XÂY DỰNG HỆ THỐNG DỰ ĐOÁN KHẢ NĂNG NHẬP HỌC CỦA HỌC SINH VÀO TRƯỜNG CAO ĐẲNG KỸ THUẬT CÔNG NGHỆ BÀ RỊA VŨNG TÀU LUẬN VĂN THẠC SĨ Chuyên ngành : Công nghệ thông tin Mã ngành : 8480201 CÁN BỘ HƯỚNG DẪN KHOA HỌC: TS BÙI THỊ THU TRANG Bà Rịa-Vũng Tàu, tháng năm 2021 Luan van i LỜI CAM ĐOAN Tôi xin cam đoan luận văn riêng tơi, tơi nghiên cứu Các liệu sử dụng thu thập thực tế kết nghiên cứu Luận văn hồn tồn trung thực chưa cơng bố cơng trình khác Tơi xin cam đoan giúp đỡ cho việc thực nghiên cứu cảm ơn trích dẫn đầy đủ luận văn Tác giả Luận văn (Ký ghi rõ họ tên) Luan van ii LỜI CẢM ƠN Đầu tiên, tác giả xin gửi tới thầy cô Viện Đào tạo quốc tế sau đại học, thầy cô giảng viên hữu thỉnh giảng trường Đại học Bà Rịa Vũng Tàu, lời cảm ơn chân thành hướng dẫn giúp đỡ tác giả hồn thành chương trình Cao học chun ngành Cơng nghệ thông tin cách tốt nhất, hướng dẫn em kiến thức làm tảng cho em thực luận văn này, trang bị nhiều kiến thức hữu ích cho cơng việc Tác giả xin chân thành bày tỏ lòng cảm ơn sâu sắc đến TS Bùi Thị Thu Trang tận tình hướng dẫn tác giả thực luận văn Dưới hướng dẫn Cô, tác giả bước tiếp cận với công việc nghiên cứu khoa học, biết cách kết hợp nghiên cứu dựa lý thuyết thực tiễn, đồng thời biết ứng dụng phần mềm cho việc nghiên cứu Sau hoàn thành luận văn, em nhận thấy kiến thức suốt trình học xâu chuỗi lại cách có hệ thống bước đầu biết cách thực nghiên cứu khoa học theo lộ trình Tác giả xin chân thành cảm ơn anh chị đồng nghiệp hỗ trợ tác giả có thơng tin liệu hữu ích cho việc thực nghiên cứu Một lần nữa, tác giả xin chân thành cảm ơn hướng dẫn giúp đỡ tất thầy cô, anh chị bạn Kính chúc thầy bạn nhiều sức khỏe thành công Tác giả luận văn Luan van iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC CÁC TỪ VIẾT TẮT v DANH MỤC CÁC BẢNG BIỂU vi DANH MỤC CÁC HÌNH VẼ vii TÓM TẮT MỞ ĐẦU Lý chọn đề tài 2 Tính cấp thiết đề tài 3 Mục tiêu, nội dung phương pháp nghiên cứu Nội dung nghiên cứu Phương pháp luận phương pháp nghiên cứu Kết cấu luận văn TÓM TẮT PHẦN MỞ ĐẦU CHƯƠNG GIỚI THIỆU MACHINE LEARNING CƠ BẢN 1.1 Khái niệm Machine learning 1.2 Phân nhóm 11 1.2.1 Phân nhóm dựa phương thức học 11 1.1.2 Phân nhóm dựa chức 16 TÓM TẮT CHƯƠNG 25 CHƯƠNG ỨNG DỤNG MẠNG NEURAL NETWORK CHO BÀI TOÁN DỰ ĐOÁN KHẢ NĂNG NHẬP HỌC CỦA HỌC SINH VÀO TRƯỜNG CAO ĐẲNG KỸ THUẬT CÔNG NGHỆ BÀ RỊA -VŨNG TÀU 26 2.1 Giới thiệu Neural Network 26 2.1.1 Khái niệm 26 2.1.2 Lịch sử phát triển mạng nơron nhân tạo 27 2.1.3 Ứng dụng 28 2.2 Cấu tạo phân loại mạng nơron nhân tạo 29 2.2.1 Cấu tạo mạng nơron nhân tạo 29 Luan van iv 2.2.2 Phân loại mạng nơron nhân tạo 30 2.3 Các thành phần mạng nơron nhân tạo 32 2.3.1 Đơn vị xử lý 32 3.3.2 Hàm kết hợp 33 3.3.3 Hàm kích hoạt 33 2.4 Mạng truyền thẳng nhiều lớp thuật toán lan truyền ngược 34 2.4.1.Mạng truyền thẳng nhiều lớp 34 2.4.2 Thuật toán lan truyền ngược (Back – Propagation Algorithm) 38 2.5 Ứng dụng mạng nơ ron giải toán 45 TÓM TẮT CHƯƠNG 47 CHƯƠNG XÂY DỰNG MƠ HÌNH DỰ ĐỐN KHẢ NĂNG NHẬP HỌC CỦA HỌC SINH VÀO TRƯỜNG CAO ĐẲNG KỸ THUẬT CÔNG NGHỆ BÀ RỊA – VŨNG TÀU 48 3.1 Giới thiệu trường Cao đẳng Kỹ thuật Công nghệ Bà Rịa – Vũng Tàu 48 3.2 Tiến trình nghiên cứu 49 3.3 Thu thập liệu 51 3.4 Phân tích lựa chọn đặc trưng 52 3.5 Tiền xử lý liệu 60 3.6 Cấu trúc mạng nơ-ron 59 3.7 Huấn luyện mạng nơ-ron model 60 3.8 Kiểm tra mạng nơ-ron Test 67 TÓM TẮT CHƯƠNG 70 NHẬN XÉT KẾT LUẬN, HƯỚNG PHÁT TRIỂN 71 Ưu điểm 71 Nhược điểm 71 Phạm vi ứng dụng 71 Hướng phát triển 72 TÀI LIỆU THAM KHẢO 73 Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau v DANH MỤC CÁC TỪ VIẾT TẮT TT TÊN VIẾT TẮT TÊN ĐẦY ĐỦ DIỄN GIẢI AI ANN BP CNTT Công nghệ thông tin CBTP Chế biến thực phẩm MLP MultiLayer Perceptron Mạng nơron nhiều lớp LMS Least Mean Square Bình phương nhỏ THCS Trung học sở THPT Trung học phổ thơng Artificial Intelligence Trí tuệ nhân tạo Artificial Neural Network Mạng nơron nhân tạo Back Propagation Lan truyền ngược Nghề đăng ký nhập học Công nghệ thông tin Nghề đăng ký nhập học Chế biến thực phẩm Trình độ học sinh Trung học sở Trình độ học sinh Trung học phổ thông (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau vi DANH MỤC CÁC BẢNG BIỂU Bảng 3.1 Dữ liệu tạo Model với số đặc trưng 63 Bảng 3.2 Một số đặc trưng giá trị trung bình 63 Bảng 3.3 Thông số model 64 Bảng 3.4 Mạng nơ ron với số đầu vào 64 (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau vii DANH MỤC CÁC HÌNH VẼ Hình 1.1 Dữ liệu phân chia làm hai tập điểm Hình 1.2 Dữ liệu phức tạp, không phân chia 10 Hình 1.3 MNIST Bộ sở liệu chữ số viết tay 12 Hình 1.4 AlphaGo chơi cờ vây với Lee Sedol AlphaGo ví dụ Reinforcement learning 15 Hình 1.5 Regression Algorithms 16 Hình 1.6 Instance-based Algorithms 17 Hình 1.7 Regularization Algorithms 18 Hình 1.8 Decision Tree Algorithms 18 Hình 1.9 Bayesian Algorithms 19 Hình 1.10 Clustering Algorithms 20 Hình 1.11 Association Rule Learning Algorithms 21 Hình 1.12 Deep Learning Algorithms 21 Hình 1.13 Dimensional Reduction Algorithms 22 Hình 1.14 Ensemble Algorithms 23 Hình 1.15 Artificial Neural Network Algorithms 23 Hình 2.1 Mơ hình mạng nơron nhân tạo 29 Hình 2.2 Phân loại mạng nơron 31 Hình 2.3 Mơ hình mạng Noron nhân tạo 33 Hình 2.4 Mạng truyền thẳng nhiều lớp 35 Hình 3.1 Sơ đồ tiến trình nghiên cứu 50 Hình 3.2 Biểu đồ thể phân bổ liệu Năm tốt nghiệp 53 Hình 3.3 Biểu đồ thể phân bổ liệu Năm xét tuyển 54 Hình 3.4 Biểu đồ thể phân bổ liệu Trình độ THCS THPT 55 Hình 3.5 Biểu đồ thể phân bổ liệu Giới tính 55 Hình 3.6 Biểu đồ thể phân bổ liệu Ngành Cơ khí 56 Hình 3.7 Biểu đồ thể phân bổ liệu Ngành Điện 56 Hình 3.8 Biểu đồ thể phân bổ liệu Ngành Công nghệ thông tin 57 (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau viii Hình 3.9 Biểu đồ thể phân bổ liệu Ngành Chế biến thực phẩm 57 Hình 3.10 Biểu đồ thể phân bổ liệu Sinh viên thành phố 58 Hình 3.11 Biểu đồ thể phân bổ liệu Sinh viên tỉnh 58 Hình 3.12 Mơ hình cấu trúc mạng Noron MLP 61 Hình 3.13 Giá trị loss sau epoch 66 (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 67 + Recall: đo lường tỷ lệ dự báo xác trường hợp positive tồn mẫu thuộc nhóm positive Để tính recall phải biết trước nhãn liệu Do recall dùng để đánh giá tập train validation biết trước nhãn Trên tập test liệu coi hồn tồn chưa biết nhãn sử dụng precision [18] Recall = 𝑇𝑃 𝑇𝑃 = total actual positive 𝑇𝑃 + 𝐹𝑁 + F1 score: trung bình điều hịa precision recall Do đại diện việc đánh gía độ xác đồng thời precision recall Nó sử dụng để đánh giá hiệu suất mơ hình phân loại khuyến cáo F1 = precision −1 + recall−1 Các giá trị mức dự đoán học sinh, sinh viên đưa 63/1432 không cảnh báo 1369/1432 Và công cụ đo Accuracy, Precision, Recall, f1-Score đặt mức khoảng 92%-97%, mức tương đối cao với toán dự báo 3.8 Kiểm tra mạng nơ-ron Test Sau tạo lưu mơ hình ta kiểm tra tập kiểm tra (test) dùng liệu tuyển sinh năm 2018 với số đặc trưng Xử lý với 16 đầu vào với giá trị trung bình đặc trưng bao gồm 1432 hàng (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 68 Sau Test tập với đầu Sử dung hàm mát Loss để kiểm thử tập liệu với 1432 dòng với 35us/sample 0.2712, mạng nơron chạy tốt với tỉ lệ lên tới 93.58 % Như kết dự báo sử dụng công cụ mạng nơron truyền thẳng với thuật toán lan truyền ngược sai số cho kết khuyến cáo tương đối xác, sai số chấp nhận + Qua kết thực nghiệm thu q trình thử nghiệm cơng cụ dự báo luận văn điều sau: - Mạng nơron nhân tạo ứng dụng tốt tốn đưa - Mức độ xác mơ hình phụ thuộc vào nhiều thơng số, nhiên lại chưa có phương pháp để xác định xác định tính định lượng thơng số Do phải sử dụng phương pháp thực nghiệm để tìm giá trị thơng số tối ưu (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 69 - Số liệu học sinh có đặc trưng riêng thơng số tối ưu thay đổi theo mức độ đặc trưng số liệu (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 70 TÓM TẮT CHƯƠNG Như vậy, chương tác giả giới thiệu khái quát trường Cao đẳng Kỹ thuật Công nghệ Bà Rịa Vũng Tàu, với thông tin tổng quan lịch sử hình thành trường Về quy trình nghiên cứu áp dụng cho luận văn, tác giả mơ tả liệu trình bày bước thực cơng đoạn nghiên cứu phân tích chọn lọc đặc trưng có ảnh hưởng đến kết dự đoán khả nhập học học sinh Từ làm tảng cho việc thực nghiên cứu thức đưa biểu đồ giúp đánh giá liệu từ huấn luyện, kiểm tra, đánh giá đo độ xác khả dự đoán (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 71 NHẬN XÉT KẾT LUẬN, HƯỚNG PHÁT TRIỂN Luận văn nghiên cứu mạng nơron nhân tạo, mơ hình mạng nơron truyền thẳng huấn luyện với giải thuật lan truyền ngược cho toán xây dựng mơ hình dự đốn khả nhập học học sinh sinh viên Trường Cao đẳng Kỹ thuật Công nghệ Bà Rịa - Vũng Tàu Ưu điểm - Luận văn nghiên cứu kiến thức mạng nơ ron nhân tạo, đặc biệt tác giả nghiên cứu kỹ mạng nơ ron lan truyền thẳng huấn luyện thuật toán lan truyền ngược nhằm đạt tới kết tốt - Luận văn xây dựng mơ hình dự đốn khả nhập học học sinh sinh viên Trường Cao đẳng Kỹ thuật Công nghệ Bà Rịa - Vũng Tàu năm - Kết dự đoán mơ hình đóng góp cho nhà trường lên ý tưởng đặt chiến lược tuyển sinh thu hút học sinh tới nhập học trường Nhược điểm - Tìm hiểu thực nghiệm thành cơng liệu tuyển sinh trường thời gian năm từ 2015 đến 2019 - Dữ liệu áp dụng cho trường Cao đẳng Kỹ thuật Công nghệ Bà Rịa – Vũng Tàu chưa thể áp dụng cho nhiều đơn vị khác Phạm vi ứng dụng đề tài - Mơ hình áp dụng cho trường Trung cấp, Cao đẳng, Đại học Tuy nhiên cần điều chỉnh lại cho phù hợp với chiến lược tuyển sinh trường - Cấu trúc mơ hình phù hợp cho nhà trường, đơn vị khác phải điều chỉnh lại mạng nơ ron cho phù hợp (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 72 Hướng phát triển đề tài năm Việc sử dụng Mạng Nơron nhân tạo việc phân tích liệu đưa dự báo khả nhập học phương pháp hiệu quả, khách quan khoa học nhằm nhằm hỗ trợ công tác tư vấn tuyển sinh ngày tốt Những kết thực nghiệm khả quan dựa nghiên cứu ứng dụng mạng nơron nhân tạo với thuật toán học lan truyền ngược sai số toán toán xây dựng mơ hình dự đốn khả nhập học học sinh sinh viên vào Trường Cao đẳng Kỹ thuật Công nghệ Bà Rịa - Vũng Tàu năm tới cho thấy mơ hình hiệu Do vậy, luận văn tiếp tục phát triển theo hướng cải thiện phương pháp dự báo để có kết xác (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 73 TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt: [1] Bộ Lao động Thương binh & Xã hội Thông tư 07/2019/TT-BLĐTBXH: Sửa đổi, bổ sung số điều thông tư số 05/2017/TT-BLĐTBXH ngày 02 tháng năm 2017 Bộ trưởng Lao động Thương binh & Xã hội quy định quy chế tuyển sinh xác định tiêu tuyển sinh trình độ Trung cấp, cao đẳng 2019 [2] Vũ Hữu Tiệp, (2018) Machine Learning bản, Nhà xuất Khoa học Kỹ thuật [3] Nguyễn Xuân Khánh Machine Learning book for Vietnamese, University of Maryland [4] Nordic Coder, (2019) Phân nhóm thuật tốn Machine Learning điều bạn cần phải biết [5] Nguyễn Quang Hoan (2005), Giáo trình mạng nơron nhân tạo, Học viện cơng nghệ bưu viễn thơng [6] Trần Đức Minh (2002), Ứng dụng mạng nơron truyền thẳng dự báo liệu, Luận văn thạc sỹ, Viện Công nghệ Thông tin [7] Dương Thu Trang (2017), Ứng dụng mạng nơron nhân tạo dự báo số học sinh tuyển vào Trung tâm GDNN-GDTX quận Đống Đa, Luận văn thạc sỹ, trường Đại học Công nghệ – Đại học Quốc gia Hà Nội [8] Đinh Văn Nhượng, (2013) Một số ứng dụng mạng nơron xây dựng mơ hình nhận dạng dự báo, Nhà xuất Khoa học Kỹ thuật [9] Đinh Mạnh Tường(2002), Trí tuệ nhân tạo, Nhà xuất Khoa học Kỹ thuật [10] Nguyễn Đình Thúc (2000), Mạng nơron nhân tạo – phương pháp ứng dụng, Nhà xuất Giáo dục [11] Nguyễn Thanh Tuấn (2019), Deep learning bản, Nhà xuất Khoa học Kỹ thuật (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 74 [12] Phạm Thọ Hoàn, Phạm Thị Anh Lê (2011), Giáo trình Trí tuệ nhân tạo, Đại học Sư phạm Hà Nội [13] Lê Mỹ Hà, Giáo trình mạng nơ ron học sâu ứng dụng, Nhà xuất Đại học Quốc gia thành phố Hồ Chí Minh [14] Dương Minh Trí (2003), Giáo trình Trí tuệ nhân tạo, Đại học Sư phạm Kỹ thuật thành phố Hồ Chí Minh Tài liệu tiếng Anh: [15].Dipti Srinivasan, A.C Liew, Jonh S., P Chen (1991), “Short Term Forecasting Using Neural Networks Approach”, IEEE 91TH0374-9/91/0000-0012, pp 12- 16, 1991 [16].Morioka Y., Sakurai K., Yokoyama A Sekine Y (1993), “Next Day Peak Load Forecasting Using a Multilayer Neural Network with an Additional Learning”, IEEE, 0-7803-1217-1/93, 1993 [17] Fico Corporation (2009), Understanding Predictive Analytics [18].Dean Abbott (2014), Applied Predictive Analytics: Principles and Techniques for the Professional Data Analyst, Wiley [19] Robert J Schallkoff (1997), Artificial Neural Networks, The McGraw – Hill Companies, Inc 1997 [20] John C Chambers, Satinder K Mullick and Donald D Smith (1971), How to Choose the Right Forecasting Technique, https://hbr.org/1971/07/how-tochoosethe-right-forecasting-technique [21].Petar Halachev (2012), “Prediction of e-Learning Efficiency by Neural Networks”, Cybernetics And Information Technologies – volume 12 – Nơron 12, Bulgarian Academy of Sciences [22].Hopfield, J.J (1982), “Neural Networks and Physical Systems with Emergent Collective Computational Abilities”, Proceeding of Natural Academic Sciences, USA, vol 79, pp 2.554 – 2.558 (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 75 [23].David Silverman, Jonh A Dracup (2000), “Artificial Neural Networks and Long-Range Precipitation Prediction in California”, Journal of Applied Meteorology, vol 39 (Jan 2000), pp 57-66 51 (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 76 PHỤ LỤC: CODE THUẬT TOÁN Entrée [1]: import os import numpy as np import pandas as pd import tensorflow as tf from tensorflow import keras from tensorflow.keras.layers import Dense from tensorflow.keras.models import Sequential from tensorflow.keras import metrics from sklearn.metrics import accuracy_score from sklearn.metrics import precision_score from sklearn.metrics import recall_score from sklearn.metrics import f1_score from sklearn.metrics import classification_report Entrée [2]: import io train_data = pd.read_csv('du-lieu_2015-2017.csv') print('train_data has shape:', train_data.shape) train_data.head() Entrée [3]: x_train = train_data.iloc[:, 9: 25] print(x_train.shape) x_train.head() Entrée [4]: x_train = x_train.values print(x_train) Entrée [5]: y_train = train_data.iloc[:, 0].values (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 77 print(y_train.shape) print(y_train) Entrée [6]: y_train = keras.utils.to_categorical(y_train, 2) print(y_train.shape) print(y_train) Entrée [7]: model = Sequential() model.add(Dense(24, input_dim=16, activation='relu')) model.add(Dense(16, activation='relu')) model.add(Dense(2, activation='softmax')) model.summary() Entrée [8]: model.compile(loss='categorical_crossentropy',optimizer='adam', metrics=['accuracy']) model.fit(x_train, y_train, epochs=500, batch_size=10) Entrée [9]: model.save('MLP-Student-In-Model.h5') Entrée [10]: oss, accuracy = model.evaluate(x_train, y_train) print('Accuracy on training data: %.2f' % (accuracy * 100)) Load Model Entrée [11]: loaded_model = keras.models.load_model("MLP-Student-In-Model.h5") Kiểm tra tập test 2019 Entrée [12]: test_data_2019 = pd.read_csv('du-lieu_2019.csv') print('test_data_1_out has shape:', test_data_2019.shape) test_data_2019.head() (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 78 Entrée [13]: x_test_2019 = test_data_2019.iloc[:, 9: 25].values print(x_test_2019.shape) print(x_test_2019) Entrée [14]: y_test_2019 = test_data_2019.iloc[:, 0].values print(y_test_2019.shape) print(y_test_2019) Entrée [15]: test_predictions_2019 = loaded_model.predict(x_test_2019) print("Prediction labels: ", test_predictions_2019) Entrée [16]: for i in np.arange(test_predictions_2019.shape[0]): prediction_label = np.argmax(test_predictions_2019[i]) if prediction_label == 1: print("x: {} | y: {} | prediction: {} | pre_label: {}".format(x_test_2019[i], y_test_2019[i], test_predictions_2019[i], prediction_label)) Entrée [17]: for i in np.arange(test_predictions_2019.shape[0]): prediction_label = np.argmax(test_predictions_2019[i]) if prediction_label == 0: print("x: {} | y: {} | prediction: {} | pre_label: {}".format(x_test_2019[i], y_test_2019[i], test_predictions_2019[i], prediction_label)) Entrée [18]: y_test_2019_bin = keras.utils.to_categorical(y_test_2019, 2) print(y_test_2019_bin.shape) print(y_test_2019_bin) Entrée [19]: loss, accuracy = loaded_model.evaluate(x_test_2019, y_test_2019_bin) (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 79 print('Accuracy on testing data (1) out: %.2f' % (accuracy * 100)) Entrée [20]: test_prediction_labels_2019 = loaded_model.predict_classes(x_test_2019) print("Prediction labels: ", test_prediction_labels_2019) Entrée [21]: accuracy = accuracy_score(y_test_2019, test_prediction_labels_2019) print('Accuracy: %f' % accuracy) Entrée [22]: precision = precision_score(y_test_2019, test_prediction_labels_2019) print('Precision: %f' % precision) Entrée [23]: recall = recall_score(y_test_2019, test_prediction_labels_2019) print('Recall: %f' % recall) Entrée [24]: f1 = f1_score(y_test_2019, test_prediction_labels_2019) print('F1 score: %f' % f1) Entrée [25]: target_names_2019 = ['Ko nhap hoc', 'Nhap hoc'] print(classification_report(y_test_2019,test_prediction_labels_2019, target_names=target_names_2019)) Kiểm tra tập test 2018 Entrée [26]: test_data_2018 = pd.read_csv('du-lieu_2018.csv') print('test_data_1_out has shape:', test_data_2018.shape) test_data_2018.head() Entrée [27]: x_test_2018 = test_data_2018.iloc[:, 9: 25].values print(x_test_2018.shape) print(x_test_2018) (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau 80 Entrée [28]: y_test_2018 = test_data_2018.iloc[:, 0].values print(y_test_2018.shape) print(y_test_2018) Entrée [29]: test_predictions_2018 = loaded_model.predict(x_test_2018) print("Prediction labels: ", test_predictions_2018) Entrée [30]: for i in np.arange(test_predictions_2018.shape[0]): prediction_label = np.argmax(test_predictions_2018[i]) if prediction_label == 1: print("x: {} | y: {} | prediction: {} | pre_label: {}".format(x_test_2018[i], y_test_2018[i], test_predictions_2018[i], prediction_label)) Entrée [31]: for i in np.arange(test_predictions_2018.shape[0]): prediction_label = np.argmax(test_predictions_2018[i]) if prediction_label == 0: print("x: {} | y: {} | prediction: {} | pre_label: {}".format(x_test_2018[i], y_test_2018[i], test_predictions_2018[i], prediction_label)) Entrée [32]: y_test_2018_bin = keras.utils.to_categorical(y_test_2018, 2) print(y_test_2018_bin.shape) print(y_test_2018_bin) Entrée [33]: loss, accuracy = loaded_model.evaluate(x_test_2018, y_test_2018_bin) print('Accuracy on testing data (1) out: %.2f' % (accuracy * 100)) Entrée [34]: test_prediction_labels_2018 = loaded_model.predict_classes(x_test_2018) (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau Luan van (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau (Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau(Luan.van.thac.si).xay.dung.he.thong.du.doan.kha.nang.nhap.hoc.cua.hoc.sinh.vao.truong.cao.dang.ky.thuat.cong.nghe.ba.ria.vung.tau