(Tiểu luận) ứng dụng machine learning dự đoán mức độ rủi ro khí hậu toàn cầu của các quốc gia

HỌC VIỆN NGÂN HÀNG KHOA HỆ THỐNG THÔNG TIN QUẢN LÝ Học phần: TRÍ TUỆ NHÂN TẠO TRONG KINH DOANH ĐỀ TÀI NGHIÊN CỨU: ỨNG DỤNG MACHINE LEARNING DỰ ĐOÁN MỨC ĐỘ RỦI RO KHÍ HẬU TỒN CẦU CỦA CÁC QUỐC GIA Giảng viên hướng dẫn : Nguyễn Thị Yến Lớp học phần : 221IS42A12_AI4B Nhóm thực : Nhóm Thành viên nhóm : Trương Thị Phương Anh_23A4010068 Nguyễn Thị Thùy Dương_23A4070048 Đào Thị Thùy Trang_23A4010659 Trần Thị Tuyền_23A4070203 Phạm Thị Hải Yến_23A4010741 Hà Nội, ngày 15 tháng 10 năm 2022 DANH SÁCH THÀNH VIÊN NHÓM STT HỌ TÊN MSV PHÂN CHIA CƠNG VIỆC ĐĨNG GĨP - Word: Trương Thị Phương Anh 23A4010068 Mở đầu; Phần I, Phần IV: Đánh giá chung 20% - Chạy code: Naive Bayes - Word: Nguyễn Thị Thùy Dương 23A4070048 Phần I: Xây dựng toán; Phần II - Chạy code: 20% Decision Tree - Word: Phần IV (So sánh Đào Thị Thùy Trang 23A4010659 với thuật toán Naive Bayes; Nhận xét 20% thuật toán) - Chạy code: Naive Bayes - Word: Trần Thị Tuyền 23A4070203 Phần III (Giới thiệu thuật toán); Phần IV: Kết luận - Chạy code: 20% Decision Tree Phạm Thị Hải Yến 23A4010741 - Word: Phần III: Mã lệnh chương trình; Tổng hợp - Chạy code: Decision Tree 20% MỤC LỤC LỜI MỞ ĐẦU .1 NỘI DUNG PHẦN I: XÁC ĐỊNH VẤN ĐỀ NGHIÊN CỨU Vấn đề biến đổi khí hậu tồn cầu 2 Chỉ số rủi ro khí hậu tồn cầu Xác định toán PHẦN II: PHÂN TÍCH DỮ LIỆU Cách thu thập liệu Xác định tên thuộc tính .4 PHẦN III: XÂY DỰNG MƠ HÌNH DỰ ĐỐN MỨC ĐỘ CHỊU RỦI RO KHÍ HẬU CỦA CÁC QUỐC GIA .6 Giới thiệu mơ hình Decision Tree 1.1 Khái niệm 1.2 Chức 1.3 Quy trình thực 1.4 Ưu điểm nhược điểm thuật toán .7 Mã lệnh chương trình 2.1 Đọc liệu, tiền xử lý liệu 2.2 Xây dựng mơ hình xếp hạng mức độ chịu rủi ro khí hậu 10 2.3 Sử dụng mơ hình 16 2.4 Tái sử dụng mơ hình .17 PHẦN IV: KẾT LUẬN 19 So sánh với thuật toán Naive Bayes 19 Nhận xét thuật toán 22 Đánh giá chung .22 TÀI LIỆU THAM KHẢO .24 LỜI MỞ ĐẦU Biến đổi khí hậu tình trạng nóng lên tồn cầu ln vấn đề cấp thiết quốc gia quan tâm tác động tiêu cực đến người sinh vật sống trái đất, làm phá vỡ cân vốn có tự nhiên Trong năm gần đây, tượng sông băng, núi băng tan chảy làm mực nước biển, đại dương dâng cao nhanh chóng; nhiều bão nguy hiểm, khốc liệt thường xuyên xảy ra; hạn hán; dịch bệnh toàn cầu khiến cho phải gánh chịu nhiều hệ lụy, quốc gia phải gồng chống lại với thiên tai Khơng nằm ngồi ảnh hưởng này, Việt Nam quốc gia dễ bị tổn thương với biến đổi khí hậu đặc điểm địa lý, điều kiện kinh tế xã hội Vấn đề địi hỏi cần có giám sát chặt chẽ, hiểu rõ tác động tiềm tàng lĩnh vực, ngành nghề nước ta, dần trở thành yêu cầu tiên trước đưa định định hướng phát triển Trước vấn đề biến đổi khí hậu ngày diễn biến xấu đi, số rủi ro khí hậu tồn cầu đời cho thấy mức độ nghiêm trọng nguy mà quốc gia phải đối mặt, liên quan đến tình trạng thời tiết cực đoan Hiện với phát triển trí tuệ nhân tạo cập nhật liên tục số liệu số rủi ro khí hậu tồn cầu, nguồn liệu để quốc gia dựa vào có sách quản lý để giảm thiểu mức độ gánh chịu rủi ro mình, đồng thời đưa dự đốn số quốc gia năm Nhận thấy tính cấp thiết mức độ quan trọng vấn đề này, nhóm chúng em định lựa chọn chủ đề: “Ứng dụng Machine learning dự đoán mức độ rủi ro khí hậu tồn cầu quốc gia” làm đề tài nghiên cứu Dưới báo cáo trình thực kết nghiên cứu nhóm để nhà định ngành bên liên quan có kế sách để tiếp tục phát triển lĩnh vực ngành mà khơng bị ảnh hướ u kiện khí NỘI DUNG PHẦN I: XÁC ĐỊNH VẤN ĐỀ NGHIÊN CỨU Vấn đề biến đổi khí hậu tồn cầu Theo định nghĩa Cơng ước khí hậu, biến đổi khí hậu thay đổi khí hậu hoạt động người làm thay đổi thành phần khí tồn cầu đóng góp thêm vào biến động khí hậu tự nhiên thời gian so sánh Sự biến đổi thường gây ảnh hưởng có hại đáng kể đến thành phần, khả phục hồi sinh sản hệ sinh thái tự nhiên đến hoạt động hệ thống kinh tế – xã hội đến sức khỏe phúc lợi người Một số tác động biến đổi khí hậu như: mực nước biển dâng lên, hệ sinh thái bị phá hủy, đa dạng sinh học, chiến tranh xung đột, dịch bệnh Trong tương lai, tượng thời tiết cực đoan ngày diễn thường xuyên điều phụ thuộc hoàn toàn vào người Tổng thư ký Liên hợp quốc Antonio Guterres cho nỗ lực lãnh đạo chiến chống biến đổi khí hậu chưa đạt kết mong muốn, quốc gia phủ không đánh giá mức độ nguy để có phản ứng phù hợp với tính cấp bách tình trạng khẩn cấp mà biến đổi khí hậu gây hậu ngày nghiêm trọng theo cấp số nhân Chính vậy, thân quốc gia cần có chuẩn bị kỹ lưỡng mặt kinh tế, xã hội, sách quản lý để sẵn sàng đối mặt có tượng thời tiết cực đoan xảy ra, giúp hạn chế thiệt hại lớn người tài sản Chỉ số rủi ro khí hậu tồn cầu Chỉ số rủi ro khí hậu tồn cầu (Global Climate Risk Index_CRI) nghiên cứu khảo sát tổ chức phi phủ mơi trường Germanwatch (Đức) Chỉ số thu thập số liệu thiếu khả đối mặt với thiên tai, mức độ chịu tổn thương, tính nhạy cảm, thiếu khả ứng phó quốc gia, số rủi ro khí hậu khu vực đưa mức xếp hạng CRI toàn cầu tương ứng là: Very Low, Low, Medium, High, Very High Dựa vào số này, quốc gia biết xếp hạng mức độ chịu rủi ro khí hậu so với nước khác tồn giới Đối với quốc gia có mức độ cảnh báo cao có sách cho phù hợp để giúp làm giảm độ rủi ro; ngược lại, nước có số thấp có biện pháp để giữ vững mức xếp hạng tốt Xác định tốn Đề xuất sử dựng mơ hình định để dự đốn mức độ chịu rủi ro khí hậu quốc gia Từ việc xác định mối tương quan số, thực đánh giá mức độ ảnh hưởng cao hay thấp thuộc tính mơ tả tới thuộc tính nhãn dán Mơ hình giúp đưa đánh giá mức độ tiếp xúc với hiểm họa thiên nhiên khắc nghiệt mức độ dễ bị tổn thương mặt xã hội quốc gia Tất thành phần số chia tỷ lệ phạm vi giá trị từ đến 100 Điểm số quốc gia cao rủi ro thiên tai quốc gia cao Từ xác định mức độ rủi ro thiên tai quốc gia mức độ Mơ hình kỳ vọng góp phần giúp quốc gia giới có nhận thức đắn, nắm bắt kịp thời tình trạng mà phải đối mặt biến đổi khí hậu gây Đồng thời nguồn liệu giúp dựa vào để đưa dự báo mức độ cảnh báo chịu rủi ro khí hậu cho năm có giải pháp phù hợp nhằm giảm thiểu ảnh hưởng biến đổi khí hậu, tượng thời tiết cực đoan lên quốc gia Document continues below Discover more from: Thị trường chứng khoán FIN13A Học viện Ngân hàng 258 documents Go to course Bt-TTCK - tập 42 18 24 16 13 Thị trường… 100% (13) BÀI TẬP THỊ TRƯỜNG CHỨNG… Thị trường chứng… 95% (21) NHÓM-08-BÁO CÁO ĐẦU TƯ CHỨNG… Thị trường chứng… 100% (7) BT-TTCK-IN - Hope it's helpful Keep it… Thị trường chứng… 100% (6) Ttck ghi - Thị trường chứng khoá… Thị trường chứng… BTL PHẦN II: PHÂN TÍCH DỮ LIỆU 26 Cách thu thập liệu 100% (5) TTCK NHÓM - Bài tập lớn Thị… Thị trường 100% (4) Dữ liệu thu thập từ Tập liệu công cộng Kaggle - World Risk Index chứng… Tập liệu bao gồm liệu 11 năm (2011-2021) nhiều quốc gia với thuộc tính, cụ thể: - Số lượng thuộc tính mơ tả: biến (Region, Exposure, Vulnerability, Susceptibility, Lack of Coping Capabilities, Lack of Adaptive Capacities, Year, CRI) - Số lượng thuộc tính nhãn: biến (CRI Category) - nhận mức độ (Very Low, Low, Medium, High, Very High) Xác định tên thuộc tính * Thuộc tính mơ tả - Region: Tên khu vực - Exposure: Chỉ số rủi ro đối mặt với hiểm họa thiên nhiên động đất, bão lụt, hạn hán nước biển dâng - Vulnerability: Tính dễ bị tổn thương tùy thuộc vào tình hình sở hạ tầng, vị trí nhà điều kiện kinh tế - Susceptibility: Tính nhạy cảm tùy thuộc vào tình hình sở hạ tầng, vị trí nhà điều kiện kinh tế - Lack of Coping Capabilities: Thiếu khả ứng phó (phụ thuộc vào quản trị, chuẩn bị cảnh báo sớm, chăm sóc y tế an sinh xã hội) - Lack of Adaptive Capacities: Thiếu khả thích ứng với kiện thiên nhiên tới, thay đổi khí hậu thách thức khác - Year: Năm mà liệu mơ tả - CRI: Chỉ số rủi ro khí hậu khu vực * Thuộc tính nhãn CRI Category: Xếp hạng mức độ chịu rủi ro khí hậu tồn cầu Những số liệu thu thập được sử dụng để đánh giá mức độ chịu rủi ro biến đổi khí hậu quốc gia => Hình ảnh minh họa tập liệu dạng file csv PHẦN III: XÂY DỰNG MƠ HÌNH DỰ ĐỐN MỨC ĐỘ CHỊU RỦI RO KHÍ HẬU CỦA CÁC QUỐC GIA Giới thiệu mơ hình Decision Tree 1.1 Khái niệm Cây định (Decision Tree) phân cấp có cấu trúc dùng để phân lớp đối tượng dựa vào dãy luật Các thuộc tính đối tượng thuộc kiểu liệu khác như: nhị phân (Binary) , định danh (Nominal), thứ tự (Ordinal), số lượng (Quantitative), thuộc tính phân lớp phải có kiểu liệu Binary Ordinal Tóm lại, cho liệu đối tượng gồm thuộc tính với lớp (classes) nó, định sinh luật để dự đoán lớp liệu chưa biết 1.2 Chức Mơ hình định phương pháp đơn giản sử dụng để phân loại đối tượng theo tính chúng Ví dụ: Bạn có định bạn có ngồi chơi hay khơng dựa thuộc tính sau: thời tiết, độ ẩm gió bạn có định cho bạn biết đối tượng bạn có phải táo hay khơng dựa thuộc tính sau: màu sắc, kích thước trọng lượng Một định hoạt động cách xuống từ nút gốc đạt đến nút định Các nút định có nhánh đưa đến nút nhiều nút định Các nút nút đầu cuối trình bày định cuối giống tên chúng cho thấy Sau chuyển đổi liệu, mức độ rủi ro mã hóa dạng số 0-4, tương ứng là: : High; 1: Low; 2: Medium; 3: Very High; 4: Very Low 2.2 Xây dựng mơ hình xếp hạng mức độ chịu rủi ro khí hậu * Bước 5: Khai báo thư viện hỗ trợ thuật toán Decision Tree IN[7]: # Thư viện hỗ trợ kỹ thuật học máy Decision Tree from sklearn import tree # Thư viện xác định ma trận nhầm lẫn from sklearn.metrics import confusion_matrix # Thư viện vẽ biểu đồ ma trận from sklearn.metrics import plot_confusion_matrix # Thư viện xác định độ xác mơ hình from sklearn.metrics import accuracy_score * Bước 6: Chuẩn bị tập liệu huấn luyện (train) tập liệu kiểm thử (test) IN[8]: Xác định thuộc tính mơ tả thuộc tính nhãn features = [„Expose‟, „Vulnerability‟, „Susceptibility‟, „Lack of Coping Capabilities‟, „Lack of Adaptive Capacities‟, „CRI‟] target = [„CRI Category‟] X = dataset[features] y = dataset[target] print(X) print(y) => Kết thu 10 * Bước 7: Chia tập liệu thành tập train test với tỷ lệ: 85% train 15% test IN[9]: X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.15, random_state=90) print(X_train) print(X_test) print(y_train) print(y_test) 11 => Kết thu Tập train tập test X: 12 Tập train tập test y: * Bước 8: Khai báo mơ hình định thực thi mơ hình IN[10]: model = tree.DecisionTreeClassifier() model = model.fit(X_train, y_train) * Bước 9: Kiểm thử mơ hình IN[11]: y_pred = model.predict(X_test) print(“Giá trị nhãn mơ hình dự đốn được:\n ” , y_pred) => Kết thu được: * Bước 10: Xác định ma trận nhầm lẫn IN[12]: cm = confusion_matrix(y_test, y_pred) print(cm) 13 => Kết thu IN[13]: Biểu diễn ma trận nhầm lẫn biểu đồ plot_confusion_matrix(model, X_test, y_test) => Kết thu Nhận xét: - Dự đoán phân lớp 0, phân lớp phân lớp có tỷ lệ cao nhất, dự đốn sai nhãn - Dự đốn phân lớp có tỷ lệ cao thứ 2, dự đoán sai nhãn, cụ thể: + Phân lớp bị dự đoán nhầm sang Phân lớp nhãn + Phân lớp bị dự đoán nhầm sang Phân lớp nhãn - Dự đoán phân lớp bị nhầm lẫn cao nhất, cụ thể + Phân lớp bị dự đoán nhầm sang Phân lớp nhãn => Nhìn chung tỷ lệ dự đốn phân lớp cao * Bước 11: Độ xác mơ hình IN[14]: print (“Accuracy : ”, accuracy_score(y_test, y_pred)*100) => Kết thu 14 Thay đổi tham số để đánh giá độ xác mơ hình * Cách 1: Thay đổi tỷ lệ tập train tập test, giữ nguyên random_state = 90 Tỷ lệ train test Độ xác (%) 95.83333333333334 90% train 10% test 96.09375 80% train 20% test 75% train 25% test 95.41666666666667 70% train 30% test 94.96527777777779 60% train 40% test 94.39374185136897 * Cách 2: Thay đổi random_state, giữ nguyên tỷ lệ chia tập liệu: 85% - 15% Random_state Độ xác (%) 100 95.48611111111111 90 96.52777777777779 80 94.79166666666666 70 93.40277777777779 60 90.97222222222221 50 95.48611111111111 15 Nhận xét: - Việc thay đổi tỷ lệ tập train tập test khơng làm độ xác biến động q lớn kết lần thử cho sát - Việc thay đổi random_state khiến cho độ xác biến động nhiều độ xác mức cao Khi thử random_state giá trị 70 60 cho độ thấp, mức 93.40% 90.97%, khoảng cách lớn so với lần thử khác => Thay đổi tỷ lệ tập liệu giúp độ xác mơ hình ổn định so với việc thay đổi random_state 2.3 Sử dụng mơ hình * Bước 12: Sử dụng mơ hình vừa xây dựng để dự đốn mức độ rủi ro khí hậu (CRI Category) quốc gia_1 vào năm 2022 với thông số sau: - Exposure: 13.50 - Vulnerability: 44.00 - Susceptibility: 18.86 - Lack of Coping Capabilities: 72.50 - Lack of Adaptive Capacities: 40.10 - CRI: 6.00 IN[15]: nation_1 = [[13.50, 44.00, 18.86, 72.50, 40.10, 6.00]] predicted_label = model.predict(nation_1) if predicted_label == 0: print("Mức độ rủi ro khí hậu quốc gia là: High") elif predicted_label == 1: print("Mức độ rủi khí hậu quốc gia là: Low") elif predicted_label == 2: print("Mức độ rủi khí hậu quốc gia là: Medium") 16 elif predicted_label == 3: print("Mức độ rủi khí hậu quốc gia là: Very High") else: print("Mức độ rủi khí hậu quốc gia là: Very Low") => Kết thu 2.4 Tái sử dụng mơ hình * Bước 13: Lưu trữ mơ hình dạng tệp IN[16]: joblib.dump(model, "credit_scoring.mdl") => Kết thu * Bước 14: Tái sử dụng mơ hình để dự đốn mức độ rủi ro khí hậu (CRI Category) quốc gia_2 vào năm 2022 với thông số sau: - Exposure: 50.46 - Vulnerability: 55.80 - Susceptibility: 35.76 - Lack of Coping Capabilities: 75.00 - Lack of Adaptive Capacities: 54.23 - CRI: 33.12 IN[17]: # Đọc mơ hình từ tệp model_loaded = joblib.load("credit_scoring.mdl") # Tái sử dụng mơ hình nation_2 = [[6.00, 13.50, 44.00, 18.86, 72.50, 40.10]] predicted_label = model.predict(nation_2) if predicted_label == 0: 17 print("Mức độ rủi ro khí hậu quốc gia là: High") elif predicted_label == 1: print("Mức độ rủi khí hậu quốc gia là: Low") elif predicted_label == 2: print("Mức độ rủi khí hậu quốc gia là: Medium") elif predicted_label == 3: print("Mức độ rủi khí hậu quốc gia là: Very High") else: print("Mức độ rủi khí hậu quốc gia là: Very Low") => Kết thu 18 PHẦN IV: KẾT LUẬN So sánh với thuật toán Naive Bayes a Khái niệm Naive Bayes thuật toán phân loại cho vấn đề phân loại nhị phân đa lớp Kỹ thuật dễ hiểu mô tả giá trị đầu vào nhị phân phân loại Thuật toán Naive Bayes tính xác suất cho yếu tố, sau chọn kết với xác suất cao Với giả định yếu tố đầu vào cho độc lập với b Ưu điểm, nhược điểm Ưu điểm Nhược điểm - Dễ sử dụng nhanh cần đốn - Độ xác Naive Bayes so nhãn liệu test với thuật toán khác khơng - Khi giả định features liệu cao độc lập với thuật toán Naive - Trong giới thực, bất khả Bayes chạy tốt so với thuật toán thi features liệu test độc lập khác Logistic regression với cần liệu * So sánh Naive Bayes với mơ hình Decision Tree Naive Bayes bật mơ hình liệu Trong mơ hình phụ thuộc lớn vào liệu mà người dùng cung cấp, cần liệu lớn Naive Bayes cần liệu tương đối nhỏ chạy tốt c Xây dựng mơ hình dự đốn sử dụng thuật tốn Naive Bayes * Bước 1: Khai báo thư viện hỗ trợ sử dụng Naive Bayes from sklearn.naive_bayes import MultinomialNB * Bước 2: Khai báo mơ hình Naive Bayes thực thi mơ hình # Lựa chọn kỹ thuật Naive Bayes cho máy học model = MultinomialNB() 19 # Đưa liệu vào huấn luyện mơ hình model = model.fit(X_train, y_train) * Bước 3: Kiểm thử mơ hình tập test đánh giá độ xác print ("Độ xác mơ hình là: ", model.score(X_test, y_test)* 100, "%") => Kết thu * Bước 4: Sử dụng mơ hình để dự đốn mức độ rủi ro khí hậu (CRI Category) cho quốc gia_1 vào năm 2022 với thông số sau: Exposure: 13.50; Vulnerability: 44.00; Susceptibility: 18.86; Lack of Coping Capabilities: 72.50; Lack of Adaptive Capacities: 40.10; CRI: 6.00 IN[]: nation_1 = [[13.50, 44.00, 18.86, 72.50, 40.10, 6.00]] predicted_label = model.predict(nation_1) if predicted_label == 0: print("Mức độ rủi ro khí hậu quốc gia là: High") elif predicted_label == 1: print("Mức độ rủi khí hậu quốc gia là: Low") elif predicted_label == 2: print("Mức độ rủi khí hậu quốc gia là: Medium") elif predicted_label == 3: print("Mức độ rủi khí hậu quốc gia là: Very High") else: print("Mức độ rủi khí hậu quốc gia là: Very Low") => Kết thu 20 * Bước 5: Tái sử dụng mơ hình # Lưu trữ mơ hình dạng tệp joblib.dump(model, "credit_scoring.mdl") => Kết thu # Đọc mơ hình từ tệp model_loaded = joblib.load("credit_scoring.mdl") # Tái sử dụng mơ hình để dự đốn mức độ rủi ro khí hậu (CRI Category) cho quốc gia_2 vào năm 2022 với thông số sau: Exposure: 50.46; Vulnerability: 55.80; Susceptibility: 35.76; Lack of Coping Capabilities: 75.00; Lack of Adaptive Capacities: 54.23; CRI: 33.12 IN[]: nation_2 = [[50.46, 55.80, 35.76, 75.00, 54.23, 33.12]] predicted_label = model.predict(nation_2) if predicted_label == 0: print("Mức độ rủi ro khí hậu quốc gia là: High") elif predicted_label == 1: print("Mức độ rủi khí hậu quốc gia là: Low") elif predicted_label == 2: print("Mức độ rủi khí hậu quốc gia là: Medium") elif predicted_label == 3: print("Mức độ rủi khí hậu quốc gia là: Very High") else: print("Mức độ rủi khí hậu quốc gia là: Very Low") => Kết thu 21 Nhận xét thuật toán Thuật toán Decision Tree Thuật toán Naive Bayes Chia tập liệu theo tỷ lệ: 85% train 15% test Độ xác (%) 96.52777777777779 53.81944444444444 Sử dụng mơ hình để dự Mức độ rủi ro khí hậu Mức độ rủi ro khí hậu đốn cho quốc gia _1 quốc gia là: Medium quốc gia là: Low Sử dụng mơ hình để dự Mức độ rủi ro khí hậu Mức độ rủi ro khí hậu đoán cho quốc gia _2 quốc gia là: Very High quốc gia là: Very High => Cùng cách chia tâp liệu mơ hình dự đốn sử dụng thuật tốn Decision Tree cho độ xác cao nhiều so với mơ hình sử dụng thuật toán Naive Bayes Đánh giá chung Kết nghiên cứu cho thấy, mơ hình định (Decision Tree) phù hợp cho việc dự đoán mức độ chịu rủi ro khí hậu quốc gia Mơ hình phần giải vấn đề khó khăn quốc gia, dựa vào dự báo xác mức độ rủi ro khí hậu tồn cầu có giải pháp phù hợp cho ứng phó với biến đổi khí hậu thích hợp, tránh tác động tiêu cực giảm thiệt hại biến đổi khí hậu gây Trong năm qua, Việt Nam nước chịu ảnh hưởng khơng nhỏ biến đổi khí hậu Có thể kể đến vào năm 2015, tượng El Nino gây hạn hán kéo dài, mưa bão thất thường nhiều tỉnh thành nước ta, gây thiệt hại lớn sống người dân kinh tế Theo sau tượng xâm nhập mặn vấn đề ngày trở nên cấp bách, gây vấn đề thiếu nước cung cấp cho người dân sinh hoạt, tưới tiêu sản xuất nông nghiệp Tuy nhiên, dường nhiều người dân chủ quan vơ tình gây tác nhân khiến cho tình trạng xâm nhập mặn tăng tốc độ đáng kể Do phải gánh chịu nhiều tượng thời tiết cực đoan, vào năm 2018, Việt Nam đứng thứ bảng xếp hạng Chỉ số rủi ro khí hậu tồn cầu (Global Climate Risk Index) năm 2018 thứ Chỉ số rủi ro khí hậu dài hạn 22 Có thể thấy, ảnh hưởng biến đổi khí hậu Việt Na m năm vừa qua nhanh so với dự kiến Chính việc áp dụng trí tuệ nhân tạo để dự báo mức độ chịu rủi ro biến đổi khí hậu cho năm tới có ý nghĩa quan trọng Việt Nam đưa giải pháp, sách phù hợp vừa để ứng phó với biến đổi khí hậu, đồng thời giúp xây dựng xã hội, phát triển kinh tế mà không gây tổn hại lớn đến mơi trường Trong q trình tìm hiểu, chạy thử mơ hình dự đốn khó tránh khỏi phát sinh sai sót khách quan cịn số hạn chế định Nhóm mong muốn nhận cảm thơng, đánh giá góp ý từ phía để báo cáo hoàn thiện Chúng em xin gửi lời cảm ơn đến giảng viên hướng dẫn - Nguyễn Thị Yến tận tình hướng dẫn, giúp chúng em có thêm nhiều kiến thức bổ ích thú vị mơn “Trí tuệ nhân tạo kinh doanh” Kính chúc hạnh phúc thành cơng nghiệp giảng dạy Chúc cô dồi sức khỏe để tiếp tục dìu dắt nhiều hệ sinh viên đến bến bờ tri thức Chúng em xin chân thành cảm ơn Nhóm thực báo cáo 23 TÀI LIỆU THAM KHẢO Slide giảng “Trí tuệ nhân tạo kinh doanh”, 2021, Khoa Hệ thống thông tin quản lý, Học viện Ngân hàng Nguồn thu thập liệu: www.kaggle.com Thơng tin biến đổi khí hậu: https://climate.nasa.gov/ 24