Trong số các thông tin được khai thác thì giới tính là một thuộc tính quan trọng vì nó có khá nhiều ứng dụng trong thực tế như thống kê dân số, xác định giới tính để phân loại khách hàng
Gi i thi u chung 1 ớ ệ Gi i thi u chung v các m ng xã h i và hoớệềạộ ạt độ ng qu ng cáo 1 ả Facebook
Vào năm 2010, Instagram đã nổi lên như một mạng xã hội phát triển nhanh chóng và đến năm 2012, nó được Facebook mua lại Sự sáp nhập này đã giúp Instagram đạt được mức tăng trưởng ấn tượng, với 150 triệu người dùng hàng tháng chỉ sau một năm Tại Việt Nam, số lượng người sử dụng Instagram, bao gồm cả cá nhân và doanh nghiệp, đang ngày càng gia tăng.
Instagram nổi bật hơn Facebook với các hiệu ứng ảnh cập nhật theo từng thời điểm, phục vụ nhu cầu đa dạng của người dùng Trong khi Facebook chủ yếu sử dụng dòng trạng thái để diễn đạt cảm xúc, Instagram cho phép người dùng thể hiện cảm xúc qua hình ảnh Yếu tố này đã khiến Instagram trở nên hấp dẫn hơn đối với nhiều người, đặc biệt là giới trẻ Trên nền tảng này, người dùng có thể thoải mái thể hiện và định hình phong cách cá nhân của mình.
Quảng cáo trên Instagram được thực hiện dễ dàng bằng cách chọn tệp đối tượng quan trọng và sử dụng các tùy chọn nhắm mục tiêu để tiếp cận khách hàng Doanh nghiệp có thể quảng cáo bài viết hoặc sử dụng Trình quản lý quảng cáo cho các chiến dịch đa nền tảng nâng cao Để tăng cường kết nối với khách hàng, việc sử dụng định dạng quảng cáo thu hút và các định dạng chọn lọc là rất quan trọng để tạo ra quảng cáo hấp dẫn trên Instagram.
TikTok
TikTok, một mạng xã hội nổi tiếng của Trung Quốc, được biết đến với tên gốc là Douyin, mang ý nghĩa “rung động” Được phát triển bởi ứng dụng tin tức Jinri Toutiao vào năm 2016, TikTok cho phép người dùng chia sẻ các video ngắn từ vài giây đến 15 giây với khả năng chỉnh sửa độc đáo và kho tàng âm thanh phong phú Sự cá nhân hóa cao trên nền tảng này giúp người dùng tạo ra những video ấn tượng, từ đó TikTok nhanh chóng trở nên phổ biến toàn cầu với 1,6 tỷ người dùng TikTok hiện đứng thứ hai về lượt tải, thứ nhất về chi tiêu và thứ năm về số người dùng hoạt động hàng tháng.
TikTok không chỉ mang đến giải trí mà còn hỗ trợ phát triển chiến lược truyền thông cho cá nhân và doanh nghiệp Quảng cáo TikTok (TikTok Ads) là công cụ mà các nhà bán hàng sử dụng để triển khai các chiến dịch marketing, nhằm tiếp cận khách hàng mục tiêu và dẫn dắt người xem đến liên kết sản phẩm của họ.
Phân tích tài chính doanh…
Phân tích tài chính doanh… None 1
Phân tích tài chính doanh… None 23
Phân tích tài chính doanh… None 8
Phân tích tài chính doanh… None 15
Ba nền tảng mua sắm trực tuyến mà doanh nghiệp nên chú trọng là website, cửa hàng trực tuyến và trang thương mại điện tử, cùng với TikTok Shop để khách hàng có thể dễ dàng mua hàng trực tiếp.
1.2 Phát biểu bài toán nhận dạng giới tính
Bài toán: Nhận diện giới tính thông qua avatar mạng xã hội
Input: Hình ảnh khuôn mặt người thuộc một trong hai lớp (loại): nam và nữ Output: Kết quả dự đoán ảnh input thuộc lớp nào trong hai lớp trên
Kể từ những năm 90 của thế kỷ trước, các nhà khoa học đã nghiên cứu và phân tích thông tin từ khuôn mặt, cho thấy rằng việc phân tích bức ảnh khuôn mặt cung cấp nhiều thông tin giá trị như danh tính, cảm xúc và giới tính Trong số những thông tin này, giới tính đóng vai trò quan trọng với nhiều ứng dụng thực tiễn, bao gồm thống kê dân số và phân loại khách hàng.
Trình độ đọc hiểu thông tin từ bức ảnh chỉ hiệu quả với một số nhóm người nhất định, gặp khó khăn trong việc nhận dạng người thuộc cộng đồng LGBT và người chuyển giới Ngoài ra, đặc điểm nhận dạng của người ở các độ tuổi và vùng lãnh thổ khác nhau, như người châu Á và châu Âu, cũng có sự khác biệt rõ rệt Để công nghệ nhận dạng khuôn mặt hoạt động hiệu quả, khách hàng cần phải quay mặt rõ ràng về phía camera và không đeo khẩu trang hay mũ, điều này có thể làm giảm trải nghiệm của họ.
Nhận dạng giới tính là một yếu tố quan trọng trong các bài toán phân lớp, mặc dù quá trình nghiên cứu và ứng dụng gặp không ít thách thức.
Là cơ sở để phát triển các thuật toán khác, đóng góp một vai trò quan trọng trong công cuộc nghiên cứu con người và hành vi của họ
1.3 Lý do chọn đề tài
Trong những năm gần đây, mạng xã hội đã trở thành một phần thiết yếu trong đời sống hàng ngày của người Việt Nam, nhờ vào sự gia tăng đáng kể trong việc sử dụng điện thoại thông minh và internet.
Việt Nam, với dân số trẻ và sự am hiểu về công nghệ, hiện là một trong những quốc gia có số lượng người dùng mạng xã hội cao nhất thế giới Sự phát triển của mạng xã hội đã chuyển từ việc kết nối bạn bè và gia đình sang trở thành công cụ tiếp cận hiệu quả cho các thương hiệu, giúp họ tiếp cận người tiêu dùng cả trong nước và quốc tế Theo thống kê năm 2021, việc sử dụng mạng xã hội đã được các doanh nghiệp tận dụng triệt để để mở rộng thị trường.
Tính đến nay, số lượng người dùng Facebook tại Việt Nam đạt khoảng 65,56 triệu người, với dự đoán sẽ tăng lên 63,90 triệu vào năm 2025 Đồng thời, lượng người dùng Instagram tại Việt Nam hiện khoảng 7,98 triệu người.
Dự kiến, số lượng người dùng Instagram tại Việt Nam sẽ đạt 10,93 triệu vào năm 2025, trong khi TikTok có thể tăng lên khoảng 17,42 triệu người Mạng xã hội không chỉ kết nối mọi người mà còn trở thành nguồn thông tin, nền tảng quảng cáo và thị trường cho các thương hiệu Tại Việt Nam, chiến lược Influencer marketing và Social commerce là cần thiết để doanh nghiệp nắm bắt thị trường Tuy nhiên, người dùng vẫn lo ngại về sự riêng tư và an toàn thông tin cá nhân Để phát triển bền vững trong quảng cáo, cần cải tiến cách thức giải quyết những lo ngại này Nhóm 4 chúng em đã chọn đề tài “Nhận diện giới tính thông qua avatar mạng xã hội” nhằm phân loại người dùng thành các nhóm khác nhau, từ đó giúp truyền thông đến người tiêu dùng một cách thông minh và hiệu quả hơn.
2.1 Cách thức thu nhập dữ liệu
Dữ liệu được thu thập từ hình ảnh đại diện của người dùng trên các nền tảng mạng xã hội như Facebook, Instagram và Tik Tok, bao gồm cả những bức ảnh có mặt của chủ tài khoản và ảnh được bạn bè gắn thẻ Nhóm nghiên cứu đã tiến hành kiểm tra và xác minh dữ liệu ảnh để đảm bảo có khuôn mặt người phục vụ cho việc nhận dạng Để thực hiện, nhóm đã sử dụng 360 ảnh cho tập training và 320 ảnh cho tập validation, đồng thời lọc và sắp xếp lại dữ liệu để đảm bảo tính chính xác.
?fbclid=IwAR0iYDZUmx0rIkrSMWnVWdAvgQRH6SlzUl8ysU6v6vDfqfH8fBsJsI_ bNRc
2.2 Kiểu dữ liệu ảnh cần thu nhập Ảnh được lấy trực tiếp từ facebook, Instagram, Tik Tok cá nhân của người dùng không giới hạn kích thước Nhưng bắt buộc phải lấy được khuôn mặt, đối với một số chủ sở hữu không dùng ảnh của bản thân để làm ảnh đại diện thì sẽ chuyển sang thu thập ảnh mà người đó được bạn bè gắn thẻ hoặc có xác thực là gương mặt chính chủ chú ý ảnh phải rõ nét không bị quá mờ Từ đó cho công đoạn phân loại giới tính sẽ thuận tiện hơn
2.3 Số lượng ảnh của từng kiểu dữ liệu ảnh
Để đảm bảo tính đa dạng và công bằng, số lượng ảnh thu nhập cần bao gồm đủ hai giới tính là nam và nữ, với số lượng cân xứng Đồng thời, không được sử dụng bức ảnh nào bị trùng lặp và không nên lấy ảnh của một người quá nhiều lần.
● Nam 390 ảnh (trong mô hình gắn nhãn là Nam)
● Nữ 390 ảnh (trong mô hình được gắn nhãn là Nu)
2.4 Cách thức tổ chức dữ liệu ảnh trên máy
Với số lượng dữ liệu thu nhập được ở mục 2.3 sẽ được sắp xếp đều vào ba mục chính là training, validation, test và không có ảnh nào bị trùng:
● Training gồm 360 ảnh trong đó có 180 ảnh Nam và 180 Nu
● Validation gồm 320 ảnh trong đó có 160 ảnh Nam và 160 ảnh Nu
● Test gồm 100 ảnh trong đó có 50 anh Nam và 50 ảnh Nu
3 Giới thiệu tổng quan thuật toán CNN
CNN (Convolutional Neural Network) là một trong những mô hình Deep Learning tiên tiến nhất, cho phép xây dựng hệ thống có độ chính xác cao và thông minh Mô hình này đặc biệt hữu ích trong các bài toán nhận dạng vật thể trong ảnh.
3.1 Đặc trưng Đặc trưng của mạng CNN là mạng CNN sẽ so sánh dựa vào từng mảnh hay các mảnh đó còn có tên gọi khác là feature Mạng CNN sẽ tiến hành xác định sự tương đồng thông qua tìm kiếm thô những đặc trưng khớp với nhau bằng hai hình ảnh tốt hơn Một feature là một hình ảnh dạng mini, những mảnh hai chiều nhỏ Những feature này đều tương ứng với một khía cạnh nào đó của hình ảnh và chúng có thể khớp lại được với nhau
Chu n b d li u 4 ẩ ị ữ ệ 1 Cách th ức thu nhậ p d li u 4 ữ ệ Ki u d li u nh c n thu nh p 5 ểữ ệ ảầậ 3 S ố lượ ng nh cả ủa từ ng ki u d li u nh 5 ểữ ệ ả 4 Cách th ức tổ ch c d li u nh trên máy 5 ứữ ệ ả 3 Gi i thi u t ng quan thu t toán CNN 5ớệổậ 3.1 Đặc trưng
T ạo thư mục dự án
Bước 1: Tạo thư mục dự án
- Đăng nhập Gmail => Chọn Google Drive
- Kích chọn My Drive/ chọn New folder
Bước 2: Upload tập dữ liệu ảnh
- Kích đúp chuột vào thư mục vừa tạo => Kích chuột phải tại vùng trống của thư mục, chọn Upload folder
- Chọn đường dẫn tới thư mục Data đã tạo ra ở Chuẩn bị dữ liệu, chọn thư mục Data, kích chọn Tải lên
Bước 3: Tạo file Colab notebook trên Google Drive
- Kích chọn My Drive/ chọn More/ chọn Colaboratory
- Đặt tên cho tệp colab mới: “Nhận diện giới tính tính Nhóm4.ipynb” -
Đọc dữ liệu và tiền xử lý ảnh
Bước 1: Khai báo các thư viện sử dụng
Thư viện TensorFlow được khai báo là công cụ tiền xử lý dữ liệu mạnh mẽ, đồng thời tích hợp với các API để xây dựng kiến trúc học sâu quy mô lớn như CNN, giúp cải thiện khả năng nhận diện hình ảnh một cách hiệu quả.
Keras là một thư viện mạng nơron được phát triển bằng ngôn ngữ Python, nổi bật với tính dễ sử dụng, cho phép người dùng xây dựng mô hình một cách nhanh chóng và hiệu quả Thư viện này đặc biệt hỗ trợ các mạng nơron tích chập (CNN), giúp tối ưu hóa quá trình phát triển ứng dụng học sâu.
Thư viện Numpy là một công cụ toán học phổ biến trong Python, cho phép người dùng làm việc hiệu quả với ma trận và mảng Với tốc độ xử lý nhanh, Numpy hỗ trợ phân tích và xử lý dữ liệu ảnh một cách hiệu quả.
- Khai báo thư viện Matplotlib: thư viện vẽ đồ thị để trực quan hóa bộ dữ liệu => suy luận những thống kê cần thiết
Bước 2: Kết nối với Google Drive để đọc, lưu dữ liệu và khai báo để Huấn luyện và Kiểm định mô hình
- Sau khi chạy đoạn code, trên màn hình hiển thị:
- Kích chuột chọn kết nối với Google drive, chọn tài khoản gmail để đăng nhập:
- Sau khi đã đăng nhập tài khoản, màn hình sẽ hiển thị như dưới đây, ấn cho phép và hoàn thành bước kết nối với google drive
- Kết quả cuối cùng khi kết nối với Google Drive thành công được hiển thị như hình sau:
Bước 3: Khai báo đường dẫn thư mục chứa dữ liệu ảnh
Thư viện "import os" trong Python là một thư viện tích hợp sẵn, cho phép người dùng thao tác dễ dàng với các tệp và thư mục con trong thư mục làm việc.
- 2 dòng lệnh trên để khai báo đường dẫn đến thư mục chứa ảnh để Huấn luyện và Kiểm định mô hình
Bước 4: Gán nhãn cho các dữ liệu ảnh
Phân loại ảnh là một bài toán học có giám sát, yêu cầu dữ liệu huấn luyện và kiểm định phải được gắn nhãn Các ảnh được gán nhãn dựa trên tên thư mục chứa chúng, với tên và thứ tự các nhãn tương ứng với tên và thứ tự các thư mục trong quá trình huấn luyện và kiểm định, trong mô hình này là Nam và Nữ.
Bước 5: Tiền xử lý dữ liệu ảnh với ImageDataGenerator
Để đơn giản hóa việc xử lý dữ liệu đầu vào và tránh việc xử lý từng hình ảnh một, chúng ta sẽ sử dụng lớp ImageDataGenerator từ Keras Lớp ImageDataGenerator giúp dễ dàng truy cập vào hệ thống tệp dữ liệu ảnh.
Tham số rescale=1/255 giúp chuẩn hóa dữ liệu ảnh về khoảng giá trị [0,1] Khi áp dụng chuẩn hóa này, dữ liệu ảnh, vốn được lưu trữ dưới dạng ma trận số với các giá trị từ [0,255], sẽ được chuyển đổi để phù hợp với khoảng giá trị mới.
Bước 6: Đọc dữ liệu train và validation
- “train_data_gen.flow_from_directory”: Hàm được sử dụng để chuẩn bị dữ liệu từ thư mục train_data, chỉ định kích thước của hình ảnh
- “train_image_files_path”: Đường dẫn tới ảnh huấn luyện
Khi sử dụng "target_size = (50, 50)", các ảnh huấn luyện sẽ được chuyển đổi về kích thước đồng nhất 50x50 pixel Điều này là cần thiết vì tập dữ liệu ban đầu chứa các ảnh có kích thước lớn và không đồng nhất, việc điều chỉnh này sẽ cải thiện hiệu quả của mô hình Trong quá trình học máy, các hình ảnh sẽ được phân tích thành các điểm ảnh nhỏ, dẫn đến nhiều tham số đầu vào Cụ thể, với kích thước 50x50 pixel, số lượng tham số đầu vào sẽ là 7500 (50x50x3).
- class_mode=’categorical’ giúp phân loại ảnh đa lớp (2 lớp)
- “validation_data_gen.flow_from_directory”: Hàm được sử dụng để chuẩn bị dữ liệu thử nghiệm cho mô hình
- “valid_image_files_path”: Đường dẫn tới ảnh thử nghiệm
- “target_size = (50, 50)” có tác dụng biến đổi các ảnh huấn luyện về cùng 1 kích thước [50x50]
- Kết quả chạy ta có:
Việc xây dựng mô hình bao gồm 5 tầng như sau: Input image => CNN1 => CNN2
+ keras.layers: được sử dụng để thêm các lớp vào mô hình
+ model.add: Dùng để thêm các lớp vào mô hình
+ Conv2D: là một tích chập 2D vì đầu vào là một ma trận 2 chiều, qua đó để lấy các đặc tính từ ảnh
Conv2D (32, (3,3)) là một lớp convolution với 32 bộ lọc kích thước 3x3, cho phép học các đặc trưng khác nhau của ảnh Mỗi bộ lọc sẽ phát hiện các đặc điểm riêng biệt như biên ngang và biên dọc Do đó, trong mỗi tầng convolutional, việc sử dụng nhiều bộ lọc (như CNN1 với 32 bộ lọc) giúp tăng cường khả năng nhận diện đặc trưng của ảnh Kết quả là mỗi bộ lọc sẽ tạo ra một ma trận đầu ra riêng, và cuối cùng, các ma trận này sẽ được kết hợp lại thành một ma trận đầu ra duy nhất.
Trong mô hình CNN, tham số input_shape=(50,50,3) xác định kích thước đầu vào với ảnh có độ phân giải 50x50 pixel và 3 kênh màu Hàm kích hoạt ReLU, được biểu diễn bởi f(x) = max(0,x), là một hàm phi tuyến tính giúp loại bỏ các giá trị âm, tối ưu hóa quá trình học của mạng.
Tầng CNN1 sử dụng 32 bộ lọc kích thước 3x3 trượt trên ma trận đầu vào 50x50x1, tạo ra 32 feature maps với kích thước 50x50x32.
Lớp Pooling thường được sử dụng giữa các lớp convolutional để giảm kích thước dữ liệu mà vẫn bảo toàn các đặc tính quan trọng Việc giảm kích thước dữ liệu này giúp giảm khối lượng tính toán trong mô hình.
Layer pooling sử dụng cửa sổ trượt kích thước (2,2) với bước dịch chuyển stride=2, giúp đảm bảo rằng các cửa sổ không chồng chéo lên nhau Nhờ vào đó, kích thước dữ liệu sẽ được giảm đi một nửa.
=> Qua lớp MaxPooling2D(2,2) kích thước của dữ liệu sẽ giảm đi một nửa Từ input là conv1 feature maps (50x50x32) thì đến output sẽ là pool1 feature maps (25x25x32) 4.3.2 Tầng CNN2
+ Conv2D(64,(3,3)): input của tầng CNN2 là pool1 feature maps (25x25x32)
In the CNN2 layer, each 3x3 filter slides over the pool1 feature maps, which are sized at 25x25x32, resulting in a single feature map of size 25x25x1 Consequently, utilizing 64 filters produces Conv2 feature maps with dimensions of 25x25x64.
Tầng CNN2 bao gồm 64 bộ lọc kích thước 3x3, giúp máy tính thu thập và phân tích thông tin một cách sâu sắc hơn Tầng này không kết nối trực tiếp với đầu vào, do đó không cần mô tả input_shape.
Ý nghĩa trên thực tế
Hành vi mua sắm của người tiêu dùng thay đổi theo giới tính, với nam giới thường ưu tiên sản phẩm thể dục thể thao, trong khi nữ giới chú trọng đến sản phẩm chăm sóc sắc đẹp Phân loại giới tính người dùng trên mạng xã hội, đặc biệt là Facebook, giúp doanh nghiệp có cái nhìn chính xác về nhóm khách hàng mục tiêu Điều này không chỉ đơn giản hóa việc xác định khách hàng mà còn hỗ trợ theo dõi sở thích và hoạt động của họ, từ đó đề xuất quảng cáo một cách thông minh và hiệu quả Thông tin thu thập được cũng có thể cung cấp số liệu hữu ích cho các công ty nghiên cứu thị trường, giúp doanh nghiệp dễ dàng ứng dụng và đề xuất sản phẩm cho khách hàng mới.
Mô hình phân loại giới tính khách hàng không chỉ giúp doanh nghiệp hiểu rõ hơn về đối tượng mục tiêu mà còn nâng cao sự hài lòng của khách hàng thông qua việc đề xuất sản phẩm và dịch vụ phù hợp Ngoài ra, công nghệ AI có thể được áp dụng để nhận diện và kiểm tra giới tính trong các ứng dụng hẹn hò, từ đó cải thiện khả năng ghép cặp dựa trên ảnh đại diện Việc sử dụng AI trong phân loại giới tính cũng giúp tăng cường khả năng giám sát và quản lý, giảm bớt khối lượng công việc cho các công ty nhỏ với số lượng nhân viên hạn chế.
Mô hình nhận diện giới tính tích hợp với nhận diện hình ảnh khách hàng có thể ứng dụng trong nhiều lĩnh vực, đặc biệt là ngân hàng, giúp khách hàng mở tài khoản online nhanh chóng qua việc đối chiếu ảnh selfie với giấy tờ tùy thân Điều này không chỉ tiết kiệm thời gian cho khách hàng mà còn giảm tải công việc cho giao dịch viên, tối ưu hóa nguồn nhân lực cho các nghiệp vụ quan trọng hơn Với sự gia tăng dân số, việc sử dụng AI để thống kê và phân loại giới tính trở nên hợp lý và hiệu quả Hệ thống dữ liệu quốc gia lưu trữ ảnh chứng minh thư của công dân để xác minh giới tính, đặc điểm nhận dạng và quốc tịch, từ đó nâng cao tính bảo mật thông tin cá nhân và giúp cơ quan quản lý hoạt động hiệu quả hơn Đây là một trong những ứng dụng nổi bật của AI trong nhận diện hình ảnh.
Thuật toán này dễ hiểu và cài đặt, nhưng thời gian thực hiện có thể lâu do khối lượng dữ liệu ảnh lớn Mô hình thân thiện và tiện ích, giúp tăng hiệu quả kinh doanh cho doanh nghiệp Nó không chỉ nhận diện giới tính mà còn có ứng dụng rộng rãi như nhận diện cảm xúc để đánh giá mức độ hài lòng của khách hàng, xác định độ tuổi để tối ưu quảng cáo, và nhận diện sản phẩm trong siêu thị Những ứng dụng này đóng góp tích cực vào sự đổi mới và phát triển kinh tế - xã hội.
DANH MỤC TÀI LIỆU THAM KHẢO
1 Greerand, J D., & Yan, Y (2011) Newspapers connect with readers through multiple digital tools Newspaper Research Journal
2 Lukka, V., & James, P T (2014) Attitudes toward Facebook advertising Journal of management and Marketing Research
3 Rohani, V A., & Hock, O S (2010) On social network Web sites: Definition, features, architectures and analysis tools Journal of Advances in Computer Research Tài liệu tiếng Việt
4 Anh Tr n, ầ “Giới thiệu chung về Facebook”, Kienthucvui.vn, https://kienthucvui.vn/facebook-la-gi-tim-hieu-ve-mang-xa-hoi-facebook-183/
5 Hoàng Phương (2021), “Trí tuệ nhân tạo được dùng để phân tích giới tính qua khuôn mặt”, Việt Nam mới, https://vietnammoi.vn/tri-tue-nhan-tao-duoc-dung-de-phan-tich- gioi-tinh-qua-khuon-mat-51617.htm
6 “Cách đặt batch_size, step_per epoch và các bước xác thực”, qastack https://qastack.vn/datascience/29719/how-to-set-batch-size-steps-per-epoch-and- validation-steps
7 Định nghĩa là và giải thích ý nghĩa của verbose, gocnhintangphat https://gocnhintangphat.com/verbose-la-gi/
8 Giới thiệu về matplotlib, viblo https://viblo.asia/p/gioi-thieu-ve-matplotlib-mot-thu-vien-rat-huu-ich-cua-python- dung-de-ve-do-thi-yMnKMN6gZ7P
9 Những gì cần thiết lập trong step_per_epoch, stackexhange https://datascience.stackexchange.com/questions/47405/what-to-set-in-steps-per- epoch-in-keras-fit-generator
10 Mạng nơ ron tích chập CNN https://drive.google.com/file/d/1SfvDRUpkeyrSeDCrv6mt0n-cYrN2VIdO/view
11 Thuật toán CNN - Convolututional neural network, topdev.vn https://topdev.vn/blog/thuat-toan-cnn-convolutional-neural-network/
Phân tích tài chính doanh…
Phân tích tài chính doanh… None 1
Nhóm 3 Tài chính Ti ề n t ệ - shsajak
Phân tích tài chính doanh… None 23
Phân tích tài chính doanh… None 8
Phân tích tài chính doanh… None15