Báo cáo bài tập nhóm môn học trí tuệ nhân tạo Đề tài số 8 Ứng dụng kỹ thuật học máy trong bài toán dự Đoán ung thư phổi

Từ các ứng dụng thông minh trong điện thoại, xe tự lái, trợ lý ảo, đến nhữngđột phá trong y học và công nghiệp, AI đang thay đổi cách con người tương tác với thế giới.Báo cáo là kết quả

BÁO CÁO BÀI TẬP NHÓM MÔN HỌC

TRÍ TUỆ NHÂN TẠO

Đề tài số 8: Ứng dụng kỹ thuật học máy trong bài toán dự

đoán ung thư phổi

NHÓM SINH VIÊN SỐ 8:

NGUYỄN VIỆT TÙNG NGUYỄN HỒNG MAI HOÀNG MẠNH HOÀN NGUYỄN MẠNH CHIẾN

LÊ TRỌNG HẢI DƯƠNG

HÀ NỘI

NHẬN XÉT CỦA GIẢNG VIÊN

LỜI NÓI ĐẦU

Trí tuệ nhân tạo (Artificial Intelligence - AI) là một trong những lĩnh vực khoa học máytính phát triển nhanh nhất, với sức ảnh hưởng sâu rộng đến hầu hết các lĩnh vực trong đờisống hiện đại Từ các ứng dụng thông minh trong điện thoại, xe tự lái, trợ lý ảo, đến nhữngđột phá trong y học và công nghiệp, AI đang thay đổi cách con người tương tác với thế giới.Báo cáo là kết quả của quá trình học tập và tìm tòi về các nguyên lý cơ bản, thuật toán

và ứng dụng thực tế của trí tuệ nhân tạo Đồng thời, chúng em đã cố gắng áp dụng những kiếnthức đã học vào thực tiễn thông qua việc giải quyết một bài toán cụ thể Đề tài không chỉ giúpchúng em củng cố kiến thức lý thuyết mà còn nâng cao khả năng tư duy sáng tạo, kỹ năngphân tích vấn đề và năng lực ứng dụng công nghệ

Trong quá trình thực hiện báo cáo, chúng em đã nhận được sự hướng dẫn tận tình từ cô

Đoàn Thị Thanh Hằng cùng sự hỗ trợ từ bạn bè Chúng em xin chân thành cảm ơn vì những

đóng góp quý báu đó, giúp chúng em hoàn thành tốt nhiệm vụ của mình Mặc dù đã cố gắnghết sức, nhưng do kiến thức và thời gian còn hạn chế, báo cáo không tránh khỏi những thiếusót Chúng em rất mong nhận được những ý kiến đóng góp từ thầy cô và các bạn để hoànthiện hơn

Chúng em xin chân thành cảm ơn!

MỤC LỤC

CHƯƠNG 1: TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO

1.1 Khái niệm về trí tuệ nhân tạo

Trí tuệ nhân tạo (AI: Artificial Intelligence) là trí thông minh được thể hiện bằng máymóc, trái ngược với trí thông minh tự nhiên được con người thể hiện Thông thường, thuậtngữ "trí tuệ nhân tạo" thường được sử dụng để mô tả các máy móc (hoặc máy tính) bắt chướccác chức năng "nhận thức" mà con người liên kết với tâm trí con người, như "học tập" và

"giải quyết vấn đề" Trí tuệ nhân tạo có thể được coi là trí thông minh của máy tính được tạo

ra bởi những lập trình của con người với mục tiêu giúp máy tính có được hành vi thông minh

tự động hóa giống con người Tuy nhiên, hiện nay định nghĩa về TTNT chưa thực sự thốngnhất, còn tồn tại một số quan điểm khác nhau về trí tuệ nhân tạo như sau:

Ba hệ thống khác nhau về TTNT:

 TTNT phân tích: dựa trên kết quả dữ liệu trong quá khứ để phân tích để thông báo cácquyết định trong tương lai

 TTNT con người: có những yếu tố cảm xúc, nhận định, nhận thức như con người

 TTNT nhân cách hóa: có các đặc điểm của tất cả các loại trí tuệ nhận thức, cảm xúc và

xã hội, có khả năng tự ý thức và tự nhận thức được trong các tương tác

Một số định nghĩa khác về TTNT là:

 Hành động giống con người

 Suy nghĩ giống con người

 Suy luận hợp lý

 Hành động hợp logic

Chính việc trí tuệ nhân tạo không có một định nghĩa thống nhất được chấp nhận có lẽ

đã giúp cho lĩnh vực này phát triển và tiến bộ với tốc độ ngày càng gia tăng

Điều gì đã thúc đẩy sự phát triển của TTNT trong giai đoạn hiện nay?

Trí tuệ nhân tạo (TTNT) đang dần trở thành một lực lượng trung tâm trong xã hội,chuyển từ các hệ thống thông minh đơn giản sang các hệ thống có nhận thức và đáng tin cậynhư con người Cuộc cách mạng TTNT được thúc đẩy bởi sự phát triển của máy học, đặc biệt

là học sâu, sử dụng các mạng nơ-ron nhân tạo và phương pháp lan truyền ngược Các tiến bộtrong phần cứng, cảm biến, và công nghệ nhận dạng đối tượng, cùng với nguồn tài nguyênđiện toán đám mây và dữ liệu từ web, đã đẩy mạnh sự phát triển này Bên cạnh đó, các nềntảng mới và động lực kinh tế cũng góp phần định hình công nghệ TTNT

1.2 Vai trò của trí tuệ nhân tạo

Vai trò của AI là vô tận đối với cuộc sống của chúng ta AI có thể tiếp cận với conngười thông qua nhiều lĩnh vực, ngành nghề khác nhau Ưu điểm của TTNT là khả năng xử lý

dữ liệu khoa học hơn, nhanh hơn, hệ thống hơn so với con người Việc phát triển và đưa cácsản phẩm AI tới tay người dùng đúng cách sẽ thúc đẩy mạnh mẽ sự phát triển của toàn nhân

loại Mở ra một thế giới hoàn toàn mới cùng các giải pháp bù đắp cho những vấn đề mà conngười không thể giải quyết.

Công nghệ AI đã mở ra một trang mới cho nền y học thế giới, đặc biệt là nền y họcnước nhà Nó mang đến cho con người những giá trị đáng kinh ngạc trong việc bảo vệ sứckhỏe và điều trị bệnh tật Tại lĩnh vực này, trí tuệ nhân tạo có vai trò quan trọng trong việc hỗtrợ điều trị y tế như định lượng thuốc, các phương pháp điều trị khác nhau cho bệnh nhân vàquy trình phẫu thuật trong phòng mổ Chúng sử dụng những thuật toán phân tích để hỗ trợbệnh nhân theo dõi kết quả điều trị 24/7

Ngoài việc hỗ trợ con người chăm sóc sức khỏe, AI còn có vai trò quan trọng trongngành tài chính ngân hàng AI là công cụ giúp con người xử lý các hoạt động trong ngân hàngnhư xử lý giao dịch, theo dõi số dư, quản lý tài sản và các tài khoản tiền gửi lớn một cáchnhanh chóng và chính xác nhất Trí tuệ nhân tạo không những giúp các ngân hàng hợp lý hóagiao dịch mà còn có thể ước tính cung, cầu và định giá chứng khoán một cách dễ dàng hơn

Ứng dụng AI trong lĩnh vực tài chính

Hiện nay, những tập đoàn lớn đang ngày càng thúc đẩy việc sử dụng máy móc thôngminh vào dây chuyền sản xuất AI được sử dụng như các robot có thể thay thế một phần côngviệc của con người Khối lượng công việc và thời gian hoàn thành sẽ nhanh chóng và nhẹnhàng hơn dưới sự hoạt động của máy móc tích hợp trí tuệ nhân tạo Tiêu biểu là với các sản

phẩm như ô tô tự lái và trò chơi điện tử Trong trò chơi điện tử, AI sẽ tự phân tích các hành vi

và đưa ra những đáp án không kém cạnh với trí tuệ con người Với ô tô tự lái, hệ thống AItính toán tất cả các dữ liệu bên trong động cơ, tìm hiểu cách đi và ngăn chặn va chạm bởichướng ngại vật

Áp dụng AI để sản xuất robot hút bụi

Khi mọi người nghe đến TTNT, điều đầu tiên họ thường nghĩ đến là robot Đối với lĩnhvực dọn dẹp tự động hóa gia đình, AI là điều không thể thiếu Kết hợp các công nghệ tiên tiếncùng công nghệ AI siêu thông minh, các dòng máy robot hút bụi tự động liên tục được ra mắttrên thị trường Tiêu biểu là dòng robot hút bụi Roomba của iRobot Các sản phẩm tích hợp

AI thường là những công cụ cao cấp nhất, đem lại hiệu quả cực lớn trong việc làm sạch sànnhà của các hộ gia đình

Trí tuệ nhân tạo (AI) đóng vai trò quan trọng trong nhiều lĩnh vực của cuộc sống và xãhội, với các tác động nổi bật như sau:

 Tự động hóa và Tối ưu hóa quy trình: AI giúp tự động hóa các công việc lặp lại, giảmbớt thời gian và chi phí cho doanh nghiệp.Tối ưu hóa quy trình trong sản xuất, hậucần, và quản lý dự án, cải thiện hiệu suất và chất lượng

 Hỗ trợ quyết định: AI phân tích lượng lớn dữ liệu để đưa ra các dự đoán, khuyến nghị,

và hỗ trợ ra quyết định trong các lĩnh vực như tài chính, y tế, và quản lý kinh doanh

 Cải thiện trải nghiệm người dùng: Trong các ứng dụng như trợ lý ảo (Siri, Alexa), dịch

vụ đề xuất (Netflix, YouTube), AI cung cấp các trải nghiệm cá nhân hóa và nâng cao

sự hài lòng của người dùng

 Thúc đẩy sáng tạo và đổi mới: AI được sử dụng để thiết kế sản phẩm, sáng tạo nộidung, và phát triển các công nghệ mới Trong nghệ thuật và giải trí, AI tạo ra âm nhạc,hình ảnh, và văn bản

 An ninh và giám sát: AI được sử dụng để nhận diện khuôn mặt, phân tích hành vi, vàgiám sát các hệ thống an ninh

 Phát triển giao thông và logistic: Hỗ trợ ô tô tự lái, tối ưu hóa tuyến đường, và cảithiện hệ thống quản lý giao thông

Với thời đại công nghệ 4.0 hiện nay, việc ứng dụng AI không còn xa lạ gì với cuộc sốngcủa chúng ta. TTNT có mặt trong mọi lĩnh vực đời sống từ giải trí cho đến y tế, xã hội Đâychính là chìa khóa để mở ra một thế hệ mới đầy văn minh, thúc đẩy sự phát triển to lớn củaloài người.

1.3 Phân loại các kĩ thuật TTNT

 Học máy (Machine learning) là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc

nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giảiquyết những vấn đề cụ thể Các thuật toán học máy như hồi quy tuyến tính, hồi quy logistic,cây quyết định, và clustering (phân cụm) được sử dụng để phân tích dữ liệu, phát hiện mẫu và

dự đoán các kết quả Phương pháp này rất hữu ích trong các lĩnh vực như dự báo tài chính,phát hiện gian lận và cá nhân hóa trải nghiệm người dùng Kĩ thuật học máy được phân rathành 2 loại:

+ Học có giám sát (Supervised Learning): Là phương pháp sử dụng những dữ liệu

đã được gán nhãn từ trước để suy luận ra quan hệ giữa đầu vào và đầu ra Các dữ liệu nàyđược gọi là dữ liệu huấn luyện và chúng là cặp các đầu vào-đầu ra Học có giám sát sẽxem xét các tập huấn luyện này để từ đó có thể đưa ra dự đoán đầu ra cho 1 đầu vào mớichưa gặp bao giờ Ví dụ: dự đoán giá nhà, phân loại email

+ Học không giám sát (Unsupervised Learning): Khác với học có giám sát, họcphi giám sát sử dụng những dữ liệu chưa được gán nhãn từ trước để suy luận

 Học sâu (Deep Learning) là một nhánh tiên tiến của học máy, sử dụng mạng thần kinh

nhân tạo sâu với nhiều lớp (deep neural networks) Các mạng này có khả năng tự động tríchxuất và học đặc trưng phức tạp từ dữ liệu lớn, như hình ảnh, âm thanh hoặc văn bản DeepLearning đã đạt được những thành tựu đáng kể trong các lĩnh vực như nhận dạng hình ảnh, xử

lý ngôn ngữ tự nhiên (Natural Language Processing - NLP), và tạo nội dung như văn bản,hình ảnh hoặc âm thanh

 Học tăng cường (Reinforcement Learning) là kỹ thuật học qua tương tác với môi

trường, nơi mà hệ thống được khen thưởng hoặc bị phạt dựa trên hành động, tập trung vàoviệc làm sao để cho 1 tác tử trong môi trường có thế hành động sao cho lấy được phần thưởngnhiều nhất có thể Phương pháp này đặc biệt hữu ích trong các bài toán cần tối ưu hóa chiếnlược, chẳng hạn như robot tự hành, trò chơi điện tử, hay quản lý năng lượng Máy sẽ học cáchđạt được mục tiêu tối ưu bằng cách thử nghiệm nhiều chiến lược khác nhau

 Xử lý ngôn ngữ tự nhiên (NLP) tập trung vào việc giúp máy tính hiểu, tạo và phản hồi

bằng ngôn ngữ con người Các ứng dụng của NLP bao gồm chatbot, hệ thống dịch thuật tựđộng (như Google Translate), phân tích cảm xúc trên mạng xã hội, và công cụ tìm kiếm thôngminh Kỹ thuật NLP sử dụng các mô hình như BERT, GPT để nắm bắt ngữ nghĩa và ngữ cảnhcủa từ ngữ

 Thị giác máy tính (Computer Vision) là lĩnh vực giúp máy tính phân tích và hiểu dữ

liệu hình ảnh hoặc video Kỹ thuật này bao gồm nhận diện khuôn mặt, phát hiện vật thể, phânloại hình ảnh và theo dõi chuyển động Thị giác máy tính không chỉ ứng dụng trong bảo mật(ví dụ: nhận diện khuôn mặt), mà còn trong y tế (chẩn đoán bệnh qua hình ảnh), sản xuất(phát hiện lỗi sản phẩm), và xe tự lái (xử lý môi trường xung quanh)

Những kỹ thuật này kết hợp với nhau đã thúc đẩy sự phát triển vượt bậc của trí tuệ nhântạo, mang lại nhiều ứng dụng trong đời sống như y tế, giao thông, tài chính, và giáo dục, gópphần làm thay đổi cách con người làm việc và sống trong thời đại công nghệ 4.0

1.4 Lịch sử phát triển

Lịch sử phát triển của Trí tuệ nhân tạo (Nguồn: Applied Sciences)

TTNT được chú ý và được nghiên cứu từ rất sớm, ra đời trong một hội thảo tại đại họcDartmout, năm 1956 Những nhà khoa học tham dự khi đó như Allen Newell (CMU), HerbertSimon (CMU), John McCarthy (MIT), Marvin Mnsky (MIT) và Arthur Samuel (IBM) đã trởthành những người sáng lập và lãnh đạo các nhóm nghiên cứu về TTNT Kể từ đó, TTNT bắtđầu được coi là một ngành khoa học thực sự Trong tiến trình lịch sử phát triển của mình,khoa học nghiên cứu TTNT đã trải qua một số mốc quan trọng sau:

 Giữa thập niên 1960: Khởi đầu lạc quan với nhiều phong trào nghiên cứu rộng khắp

 Những năm 1974: gián đoạn lần 1, mùa đông TTNT với sự thất vọng, mất phươnghướng và thiếu hụt kinh phí

 Đầu những năm 1980: Hồi sinh nhờ thành công của các sản phẩm thương mại củaTTNT là hệ chuyên gia.

 Năm 1987: TTNT rơi vào giai đoạn gián đoạn và khó khăn lần thứ 2

 Cuối những năm 90 và đầu thế kỉ 21: Thành công với các cách tiếp cận mới, có nhiềutài trợ mới TTNT bắt đầu chứng tỏ sức mạnh của mình khi chiến thắng con người trong cờvây, AI trở thành trợ lý của con người

 Năm 2015: bước ngoặt của TTNT với hàng loạt các dự án phần mềm sử dụng AI Vídụ: Google

Trong những năm gần đây, Trí tuệ Nhân tạo (TTNT) đã phát triển vượt bậc về sức mạnh, tốc

độ xử lý, và khả năng giải quyết vấn đề linh hoạt như con người, trở thành một lĩnh vực quantrọng trong khoa học công nghệ Đóng góp nhiều vào các lĩnh vực đời sống của con người

Để biểu diễn tri thức người ta sử dụng các phương pháp sau đây:

 Phương pháp biểu diễn nhờ luật

 Phương pháp biểu diễn nhờ mạng ngữ nghĩa

 Phương pháp biểu diễn nhờ bộ ba liên hợp OAV

 Phương pháp biểu diễn nhờ Frame

 Phương pháp biểu diễn nhờ logic vị tư

Sau khi tri thức của bài toán đã được biểu diễn, kỹ thuật trong lĩnh vực trí tuệ nhân tạo

là các phương pháp tìm kiếm trong miền đặc trưng tri thức về bài toán đó Với mỗi cách biểudiễn sẽ có các giải pháp tương ứng

1.6 Các lĩnh vực nghiên cứu

Khả năng Nhánh nghiên cứu Mục tiêu

Khả năng học Học máy, Học sâu Học máy nghiên cứu và phát

triển các kỹ thuật giúp cho máy tính có thể học tri thức

từ dữ liệu đầu vào

Khả năng biểu diễn tri thức

và suy diễn

Các phương pháp biểu diễn tri thức và suy diễn

Nhánh cung cấp cơ sở để máy tính có thể thực hiện việc suy diễn như con người.Khả năng nghe, nhìn Thị giác máy tính, Xử lý

tiếng nói

Các nhánh này nghiên cứu vàphát triển các kỹ thuật để

giúp máy tính có thể nghe và nhìn như con người.

Khả năng sử dụng ngôn ngữ Xử lý ngôn ngữ tự nhiên Nhánh nghiên cứu này giúp

cho máy tính có thể hiểu được ngôn ngữ mà con ngườiđang sử dụng

Khả năng thể hiện cử chỉ Robotics Nhánh này giúp robot thể

hiện các hành động và cử chỉ như con người

Một số thành tựu nổi bật của các lĩnh vực như sau: Hai bài toán cơ bản của “Xử lý tiếngnói” là Nhận dạng tiếng nói và Tổng hợp tiếng nói Nhận dạng tiếng nói chuyển một tín hiệu

âm dạng số sang dạng văn bản gồm các tiếng có trong đoạn âm Tổng hợp tiếng nói làm côngviệc ngược lại Ngoài ra còn có Google search, Siri, các công cụ hỗ trợ chat như chatGPT,chatbot,…

1.7 Ứng dụng của TTNT

TTNT cũng được nghiên cứu và ứng dụng trong các lĩnh vực, một số như sau:

 Giao thông: Nhờ các thiết bị cảm biến, thiết bị định tuyến có chi phí giảm và độ chínhxác tăng Nhờ có dữ liệu và kết nối này, sẽ có sự nhận biết (sensing) và dự báo giao thôngthời gian thực, tính toán lộ trình, đi xe chung và ô tô tự hành

 Y tế: Các ứng dụng dựa trên TTNT có thể cải thiện các kết quả sức khỏe và chất lượngcuộc sống cho con người bao gồm hỗ trợ quyết định lâm sàng, theo dõi và điều trị bệnh

nhân, các thiết bị tự động để hỗ trợ trong phẫu thuật hoặc chăm sóc bệnh nhân và quản lýcác hệ thống chăm sóc sức khỏe

 Giáo dục: Các công nghệ TTNT để hỗ trợ giáo viên trong lớp học và ở nhà có khả năng

sẽ mở rộng đáng kể, cũng như sẽ học dựa trên các ứng dụng thực tế ảo Sinh viên có thểhọc theo tốc độ của riêng họ sử dụng các kỹ thuật giáo dục phù hợp nhất với họ

 An ninh và an toàn công cộng: Một số thành phố đã bắt đầu triển khai công nghệ TTNTcho an toàn và an ninh công cộng Trong tương lai, các thành phố sẽ dựa nhiều vàoTTNT, bao gồm các camera giám sát có thể phát hiện các bất thường có thể là tội phạm,máy bay không người lái, và các ứng dụng cảnh sát tiên đoán

 Giải trí: Đối với các cộng đồng game trực tuyến, người chơi tưởng tượng sự tồn tại củamình như trong một thế giới ảo với đầy đủ các cảm xúc Các nền tảng chia sẻ và xemblog, video, ảnh, và các thảo luận chuyên đề có vô số thông tin khác do người dùng tạora

CHƯƠNG 2: MẠNG NƠ- RON TÍCH CHẬP2.1 Giới thiệu về mạng nơ – ron tích chập

2.1.1 Khái niệm mạng nơ – ron tích chập

Mạng nơ-ron tích chập (Convolutional Neural Networks – CNN) là một loại mạng nơron trong lĩnh vực trí tuệ nhân tạo được thiết kế đặc biệt cho việc xử lý dữ liệu có cấu trúcruột thị giác, chẳng hạn như hình ảnh và video CNN đã chứng minh khả năng vượt trội trongviệc nhận diện hình ảnh, phân loại văn bản, và nhiều ứng dụng khác

2.1.2 Huấn luyện và học tập của CNN

Với cấu trúc được lấy cảm hứng từ cách não bộ thị giác của con người hoạt động, CNN

sử dụng các lớp tích chập để học các đặc trưng cục bộ trong dữ liệu đầu vào Điều này giúpcho mô hình có khả năng tự động học và trích xuất các đặc trưng quan trọng từ dữ liệu màkhông cần phải được xác định trước bởi con người

CNN được huấn luyện thông qua quá trình lan truyền ngược (backpropagation) để điềuchỉnh các trọng số và bias của mạng nhằm tối ưu hóa hàm mất mát

Thông qua việc sử dụng dữ liệu đào tạo, mạng CNN học cách biểu diễn dữ liệu mộtcách hiệu quả, từ đó có thể phân loại hoặc nhận diện đối tượng trong dữ liệu mới

2.2 Mô hình mạng nơ – ron tích chập

2.2.1 Mô hình tổng quát mạng nơ-ron tích chập

Mạng nơ-ron tích chập (CNN) là một mô hình học sâu được thiết kế đặc biệt để xử lý

dữ liệu dưới dạng lưới như hình ảnh Thay vì sử dụng các kết nối đầy đủ (fully connectedlayer) giữa các node, CNN tận dụng tính chất không gian của dữ liệu bằng cách áp dụng phéptích chập (convolution) và giảm thiểu số lượng tham số trong mô hình

Quy trình cơ bản của một mô hình CNN:

1 Input: Dữ liệu đầu vào (ảnh, tensor)

2 Convolutional Layer + Pooling Layer: Lần lượt trích xuất các đặc trưng không gian

và giảm kích thước dữ liệu

3 Fully Connected Layer: Kết hợp đặc trưng và đưa ra kết quả

4 Output: Phân loại, hồi quy hoặc các nhiệm vụ khác

 P: Padding, giúp bảo toàn kích thước dữ liệu

 S: Stride, bước di chuyển bộ lọc

 K: Số lượng bộ lọc trong lớp

 Output của convolutional layer sẽ qua hàm activation function trước khi trở thành

input của convolutional layer tiếp theo

 Tổng số parameter của layer: Mỗi kernel có kích thước F*F*D và có 1 hệ số bias,nêntổng parameter của 1 kernel là F*F*D + 1 Mà convolutional layer áp dụng Kkernel => Tổng số parameter trong layer này là K * (F*F*D + 1)

2.2.3 Lớp gộp (Pooling Layer)

Pooling Layer được dùng để giảm kích thước dữ liệu nhưng vẫn giữ các thuộc tínhquan trọng

 Phương pháp phổ biến:

o Max Pooling: Lấy giá trị lớn nhất trong mỗi vùng K × K

o Average Pooling: Tính giá trị trung bình của vùng K × K

 Cấu hình thường dùng: K=2K = 2K=2, S=2S = 2S=2, P=0P = 0P=0, giúp giảm kíchthước chiều cao và chiều rộng đi một nửa, giữ nguyên độ sâu.

2.2.4 Lớp Fully connected (Fully connected layer)

 Sau khi qua các lớp tích chập và gộp, tensor đầu ra H×W×D được chuyển thành mộtvector kích thước H ×W×D

 Sau đó ta dùng các fully connected layer để kết hợp các đặc điểm của ảnh để ra đượcoutput của model

Quá trình trượt các bộ lọc thường có các giá trị được quy định bao gồm: