Ứng dụng mạng noron nhân tạo dự báo số học sinh tuyển sinh vào trung tâm GDNN GDTX quận đống đa (tt)

1 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CƠNG NGHỆ TĨM TẮT LUẬN VĂN THẠC SỸ ỨNG DỤNG MẠNG NƠRON NHÂN TẠO DỰ BÁO SỐ HỌC SINH TUYỂN VÀO TRUNG TÂM GDNN – GDTX ĐỐNG ĐA GV hƣớng dẫn: PGS.TS Nguyễn Quang Hoan Học viên thực hiện: Dƣơng Thu Trang Lớp: K21QLHTTT HÀ NỘI - 2017 MỤC LỤC MỞ ĐẦU CHƢƠNG 1: TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO 1.1 Lịch sử trình dự báo 1.1.1 Khái niệm dự báo 1.1.2 Mục đích dự báo 1.1.3 Những thách thức phân tích dự báo 1.1.4 Các phƣơng pháp dự báo 1.1.5 Quy trình thực dự báo 1.2 Phƣơng pháp dự báo sử dụng mạng nơron theo đề xuất luận văn 1.3 Đánh giá mơ hình dự báo 1.4 Kết luận chƣơng CHƢƠNG 2: TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 10 2.1 Mạng nơron nhân tạo gì? 10 2.2 Sự tƣơng đƣơng nơron nhân tạo với nơron sinh học 10 2.3 Lịch sử phát triển mạng nơron nhân tạo 10 2.4 Nơron sinh vật 10 2.5 Nơron nhân tạo 11 2.5.1 Cấu tạo nơron nhân tạo 11 2.5.2 Phân loại mạng nơron nhân tạo 11 2.6 Luật học 12 - Học tham số (Parameter Learning) 12 2.7 Mạng truyền thẳng nhiều lớp thuật toán lan truyền ngƣợc 12 2.7.1 Kiến trúc mạng 12 2.7.2 Xác định cấu trúc mạng tối ƣu 13 2.7.3 Cấu trúc luật học lan truyền ngƣợc 14 2.7.4 Luật học lan truyền ngƣợc 14 2.7.5 Một số vấn đề mạng nơron nhiều lớp 14 2.7.6 Ƣu nhƣợc điểm mạng truyền thẳng 15 2.8 Kết luận chƣơng 15 CHƢƠNG 3: ỨNG DỤNG MẠNG NƠRON TRONG DỰ BÁO SỐ HỌC SINH TUYỂN VÀO TRUNG TÂM GDNNGDTX ĐỐNG ĐA 16 3.1 Giới thiệu Trung tâm GDNN-GDTX Đống Đa 16 3.3 Các phƣơng án chọn cấu trúc liệu 16 3.4 Phát biểu toán 17 3.5 Thiết kế mạng nơron 19 3.5.2 Cấu trúc mạng 20 3.5.3 Hàm tƣơng tác đầu 20 S3.5.4 Giá trị trọng khởi đầu 20 3.6 Công cụ mơ tốn dự báo tuyển sinh 20 3.7 Chạy thử nghiệm 20 3.8 Kết luận chƣơng 22 KẾT LUẬN 23 TÀI LIỆU THAM KHẢO 24 MỞ ĐẦU Lý chọn đề tài Hiện công tác dự báo đƣợc ứng dụng rộng rãi hầu hết lĩnh vực xã hội Cơng tác dự báo có nhiệm vụ dự báo trƣớc thay đổi đối tƣợng dựa sở nghiên cứu quy luật chúng Mục tiêu nhiệm vụ luận văn Luận văn hƣớng đến việc dự báo số học sinh tuyển vào Trung tâm GDNN-GDTX quận Đống Đa có sử dụng cơng cụ tiên tiến là: Mạng nơron Phƣơng pháp Nghiên cứu lý thuyết để nắm rõ mơ hình mạng nơron, phƣơng pháp dự báo, lý thuyết mạng nơron nhân tạo, mạng nơron lan truyền thẳng thuật toán lan truyền ngƣợc Ý nghĩa khoa học thực tiễn luận văn Luận văn khả ứng dụng mạng nơron nhân tạo công tác dự báo nói chung dự báo lĩnh vực giáo dục nói riêng hồn tồn khả thi cho kết đáng khích lệ Bố cục luận văn Nội dung luận văn đƣợc tổ chức thành ba chƣơng có nội dung nhƣ sau:  Chƣơng 1: Nghiên cứu toán dự báo, phƣơng pháp dự báo  Chƣơng 2: Nghiên cứu mạng nơron nhân tạo, tập trung vào mạng nơron truyền thẳng nhiều lớp trọng tâm thuật toán lan truyền ngƣợc sai số  Chƣơng 3: Ứng dụng mạng nơron nhân tạo vào giải toán dự báo số học sinh tuyển vào Trung tâm GDNN-GDTX quận Đống Đa 6  Kết luận: Tổng kết lại kết đạt đƣợc luận văn hƣớng nghiên cứu Phần phụ lục giới thiệu phần mềm ứng dụng kết thực nghiệm mà luận văn đạt đƣợc 7 CHƢƠNG 1: TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO 1.1 Lịch sử trình dự báo 1.1.1 Khái niệm dự báo Dự báo khoa học nghệ thuật tiên đoán Khi tiến hành dự báo cần vào việc thu thập, xử lý số liệu khứ để xác định xu hƣớng vận động tƣợng tƣơng lai nhờ vào số mơ hình tốn học (định lƣợng) Tuy nhiên, dự báo dự đoán chủ quan trực giác tƣơng lai (định tính) 1.1.2 Mục đích dự báo Đƣa đƣợc định xác Giải cơng việc nhanh Giảm chi phí giảm rủi ro 1.1.3 Những thách thức phân tích dự báo Mục đích dự báo để giúp cải tiến hiệu quả, hỗ trợ định nhà lãnh đạo Tuy nhiên, lúc dự báo xác, số yếu tố ảnh hƣởng đế độ xác dự báo là: Trở ngại quản lý, liệu, xây dựng mơ hình q trình triển khai 1.1.4 Các phƣơng pháp dự báo Phƣơng pháp định tính Phƣơng pháp định lƣợng 1.1.5 Quy trình thực dự báo Thực theo bƣớc sau: Xác định mục tiêu Xác định nội dung dự báo Xác định khía cạnh thời gian Chuẩn bị dự báo Xem xét liệu Trình bày kết dự báo Lựa chọn mơ hình Theo dõi kết dự báo Đánh giá mơ hình 1.2 Phƣơng pháp dự báo sử dụng mạng nơron theo đề xuất luận văn Đây mơ hình có khả “học” từ liệu khứ, cập nhật tham số Kết dự báo có độ xác cao 1.3 Đánh giá mơ hình dự báo Dự báo hầu nhƣ có sai số luận văn có sử dụng số số sau để đánh giá độ xác mơ hình dự báo mà luận văn áp dụng Sai số bình phƣơng trung bình (Mean Square Error): ∑ ̂) ( (1-1) Sai số tuyệt đối (Mean Absolute Error) ∑ | ̂| (1-2) Trong đó: ̂ Giá trị tính tốn thời điểm i : Giá trị thực đo thời điểm i n: Số lƣợng thời điểm i 1.4 Kết luận chƣơng Dự báo nhu cầu thiết yếu cơng tác quản lý mang tính định hƣớng cho tƣơng lai, giúp đƣa đƣợc định đắn Trong phƣơng pháp dự báo nay, mạng nơron tỏ có nhiều ƣu điểm có mơ hình tính tốn linh hoạt, dễ thích nghi Dựa mơ hình lựa chọn sau huấn luyện đánh giá đƣợc hiệu mơ hình Việc đánh giá chủ yếu dựa vào so sánh kết thực tế chƣa có phƣơng pháp chuẩn để đánh giá 10 CHƢƠNG 2: TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 2.1 Mạng nơron nhân tạo gì? Mạng nơron xử lý phân tán song song lớn, có xu hƣớng lƣu trữ kiến thức kinh nghiệm sẵn sàng sử dụng Mạng nơron có khả học tổng quát hóa Mạng nơron đƣợc ứng dụng lĩnh vực nhƣ: Xử lý ảnh, xử lý tín hiệu, nhận dạng mẫu, dự báo,… 2.2 Sự tƣơng đƣơng nơron nhân tạo với nơron sinh học 2.3 Lịch sử phát triển mạng nơron nhân tạo Năm 1943, McCulloch Pitts đƣa khả liên kết số liên kết mạng nơron Năm 1949, Hebb đƣa luật thích nghi mạng nơron Năm 1958, Rosenblatt đƣa cấu trúc Perception Năm 1969, Minsky Papert phân tích đắn Perception Năm 1976, Grossberg dựa vào tính chất sinh học đƣa số cấu trúc hệ động học phi tuyến với tính chất Năm 1982, Hoppfield đƣa mạng học phi tuyến với tính chất Rumelhart đƣa mơ hình song song (Parallel Distributer Processing – PDS) số kết quả, thuật toán 2.4 Nơron sinh vật Mơ hình tổng qt: Các nơron sinh vật có nhiều dạng khác nhƣ dạng hình tháp đại não, dạng tổ ong tiểu não, dạng rễ cột sống 11 Hoạt động: Truyền xung tín hiệu, trình học 2.5 Nơron nhân tạo 2.5.1 Cấu tạo nơron nhân tạo +1 X 1( t) W I X 2( t)  W v(t H( ) u(t g(.) y(t ) Xm(t W ) W m Hình 2.2 Mơ hình nơron nhân tạo • xk(t): đầu vào ngoài; v(t): tổng tất đầu vào; Wk: trọng liên kết, m số đầu vào; k = 1, ,m; • y(t): số, gọi ngƣỡng, xác định mức kích thích đầu nơron mơ tả tín hiệu đƣa ra; • I: hay ức chế • H(): Hàm truyền • g(): Hàm chặn 2.5.2 Phân loại mạng nơron nhân tạo - Mạng truyền thẳng - Mạng phản hồi - Mạng tự tổ chức 12 2.5.2.1 Phân loại mạng theo số lớp mạng - Mạng lớp - Mạng nhiều lớp 2.5.2.2 Phân loại theo đƣờng truyền tín hiệu - Mạng truyền thẳng - Mạng phản hổi - Mạng tự tổ chức 2.6 Luật học - Học tham số (Parameter Learning) - Học cấu trúc 2.7 Mạng truyền thẳng nhiều lớp thuật toán lan truyền ngƣợc 2.7.1 Kiến trúc mạng Một mạng truyền thẳng nhiều lớp bao gồm lớp vào (Input Layer), lớp (Output Layer) nhiều lớp ẩn (Hidden Layers) nằm lớp vào lớp Luồng thông tin mạng nơron từ trái qua phải, giá trị đầu vào x đƣợc truyền tới nơron lớp ẩn thông qua trọng số kết nối sau đƣa tới lớp Trọng số kết nối từ phần tử vào thứ i tới nơron ẩn thứ j đƣợc ký hiệu wij, trọng số kết nối từ nơron ẩn thứ j tới nơron thứ k đƣợc ký hiệu vjk 13 Hình 2.5 Mạng truyền thẳng nhiều lớp Mỗi nơron tính tốn đầu dựa mức độ kích thích nhận từ đầu vào Cụ thể, đầu vào nơron đƣợc tính bẳng tổng trọng số đầu vào nó, đầu nơron đƣợc tính dựa hàm kích hoạt n Với lớp nơron ẩn thứ j: a j   w ij xi   j , yi  f (a j ) (2-6) i 1 k Với nơron thứ k: ak   vkj y j  k , zk  f (ak ) j 1 Hàm kích hoạt đƣợc sử dụng MFNN(): ( ) (2-8) Hàm f đơn điệu tăng, khả vi cho giá trị thuộc [0; 1] 2.7.2 Xác định cấu trúc mạng tối ƣu - Số lớp ẩn Số nơron lớp ẩn (2-7) 14 2.7.3 Cấu trúc luật học lan truyền ngƣợc Nền tảng thuật toán cập nhật trọng số phƣơng pháp hạ Gradient Với cặp mẫu đầu vào – đầu mong muốn (x(k), d(k)) Thuật toán lan truyền ngƣợc thực pha   Pha 1: Mẫu đầu vào x(k) đƣợc truyền tiến (từ lớp vào tới lớp ra), kết luông liệu thẳng (forward) đầu thực y(k) Pha 2: Tín hiệu lỗi đƣợc tính sở sai khác d(k) y(k) đƣợc lan truyền ngƣợc (từ lớp quay trở lại lớp trƣớc đó) để hiệu chỉnh trọng số 2.7.4 Luật học lan truyền ngƣợc Giải thuật BP (Back-Propagation) bao gồm hai giai đoạn: Giai đoạn lan truyền tiến tín hiệu (Signal Forward) Các tín hiệu đầu vào (vector giá trị đầu vào) đƣợc lan truyền tiến từ tầng đầu vào đến tầng đầu (đi qua tầng ẩn) Giai đoạn lan truyền ngƣợc lỗi (Error Backward) 2.7.5 Một số vấn đề mạng nơron nhiều lớp Các thuật toán huấn luyện tốn nhiều thời gian hội tụ Sự ràng buộc lỗi huấn luyện cấu trúc mạng không đƣợc biết trƣớc Việc lựa chọn kiến trúc mạng đƣợc đơn giản hóa thành việc lựa chọn số lƣợng phần tử có lớp ẩn Nh Tuy nhiên, để lựa chọn Nh cho phù hợp khơng dễ dàng… Hiệu suất huấn luyện trƣớc (thời gian huấn luyện, độ lỗi) Khó xác định độ lỗi mạng từ tập huấn luyện Khó xác định độ lớn tập huấn luyện 15 2.7.6 Ƣu nhƣợc điểm mạng truyền thẳng Ƣu điểm:    Bản chất cấu trúc hỗ trợ tính tốn song song mức cao Khả chịu nhiều lỗi, nhờ tính tốn song song Có thể đƣợc thiết kế để tự thích nghi (Các trọng số, cấu trúc mạng) Nhƣợc điểm:     Khơng có quy tắc tổng quát để xác định cấu trúc mạng tham số học tối ƣu cho lớp, tốn xác định Khơng có phƣơng pháp tổng qt để đánh giá hoạt động bên ANN (vì hệ thống ANN đƣợc xem nhƣ “hộp đen”) Rất khó (khơng thể) đƣa giải thích cho ngƣời dùng Rất khó để dự đốn hiệu hệ thống tƣơng lai (khả khái quát hóa hệ thống học) 2.8 Kết luận chƣơng Chƣơng nêu khái niệm mạng nơron sinh vật, làm tham chiếu cho khái niệm mạng nơron nhân tạo mơ tả sau Chƣơng đƣa mơ hình mạng nơron mạng liên kết nơron nhƣ phƣơng pháp huấn luyện mạng Mạng nhiều lớp lan truyền thẳng đƣợc mô tả kỹ để làm tiền đề cho việc thiết kế phần mềm dự báo luận văn 16 CHƢƠNG 3: ỨNG DỤNG MẠNG NƠRON TRONG DỰ BÁO SỐ HỌC SINH TUYỂN VÀO TRUNG TÂM GDNN-GDTX ĐỐNG ĐA 3.1 Giới thiệu Trung tâm GDNN-GDTX Đống Đa Tháng năm 2017 Trung tâm GDTX Đống Đa sáp nhập với Trung tâm Dạy nghề Đống Đa, Trung tâm giáo dục Kỹ thuật tổng hợp số thành Trung tâm GDNN-GDTX quận Đống Đa theo Quyết định số 5399/QĐ-UBND ngày 28 tháng năm 2016 Trung tâm có sở dạy học 50 cán giáo viên, nhân viên 3.3 Các phƣơng án chọn cấu trúc liệu Để lựa chọn liệu đầu vào cho tốn tuyển sinh có nhiều phƣơng án nhƣ: Phƣơng án 1: Dựa vào yếu tố đặc trƣng ảnh hƣởng đến đầu vào nhƣ: Số học sinh đỗ tốt nghiệp hàng năm; số học sinh thi đỗ cao đẳng, đại học Phƣơng án 2: Chọn đặc trƣng số học sinh tuyển vào 30 năm Trung tâm Ta có bảng liệu sau: Bảng 3.1 Dữ liệu tuyển sinh từ năm 1988 đến 2017 Trung tâm TT Năm Số HS tuyển sinh TT Năm Số HS tuyển sinh 1988 396 16 2003 310 1989 263 17 2004 421 1990 341 18 2005 342 1991 205 19 2006 142 17 1992 197 20 2007 354 1993 329 21 2008 277 1994 412 22 2009 465 1995 139 23 2010 187 1996 348 24 2011 387 10 1997 95 25 2012 254 11 1998 345 26 2013 187 12 1999 356 27 2014 150 13 2000 307 28 2015 108 14 2001 248 29 2016 230 15 2002 147 30 2017 250 3.4 Phát biểu toán Từ bảng liệu 3.3 luận văn xây dựng toán nhƣ sau: - Lấy 10 năm đầu từ 1988 đến 1997 để dự báo cho năm 1998 Sau lại lấy lùi năm từ 1989 đến 1998 để dự báo cho năm 1999 Cứ tiếp tục nhƣ cho dự báo đến năm 2017 Bài toán gồm pha nhƣ sau: Pha 1: Pha học Bảng 3.0.2 Bảng liệu học 18 Đầu vào x1 x2 x10 Đầu k=1 396 263 341 205 197 329 412 139 348 95 345 k=2 263 341 205 197 329 412 139 348 95 345 356 k=3 341 205 197 329 412 139 348 95 345 356 307 k=4 205 197 329 412 139 348 95 345 356 307 248 k=5 197 329 412 139 348 95 345 356 307 248 147 k=6 329 412 139 348 95 345 356 307 248 147 310 k=7 412 139 348 95 345 356 307 248 147 310 421 k=8 139 348 95 345 356 307 248 147 310 421 342 k=9 348 95 345 356 307 248 147 310 421 342 142 k=10 95 345 356 307 248 147 310 421 342 142 354 k=11 345 356 307 248 147 310 421 342 142 354 277 k=12 356 307 248 147 310 421 342 142 354 277 465 k=13 307 248 147 310 421 342 142 354 277 465 187 k=14 248 147 310 421 342 142 354 277 465 187 387 x3 x4 x5 x6 x7 x8 x9 Ta mơ tả toán nhƣ sau: y1 = w11x1 + w12 x2 + … + w110 x10 = x11 (1998) = d1 y2 = w21x1 + w22 x2 + … + w210 x10 = x12 (1999) = d2 … (3.1) 19 y14 = w141 x1 + w142x2 + … + w1410 x10 = x14 (2017) = d14 Hay Y = Wx = d (3.2) Y = [y1 , y2, …, y20]T ; x =[x1, x2,…,x10]T ; W = [wij] Đây pha học mạng nơron Tức cần xác định wij Pha : Pha chạy Từ kết pha ta tìm đƣợc W = [wij] Cho tập liệu năm [1988 … 2017] Cho tập liệu số học sinh [396…250] Bài toán xác định y số học sinh năm 2018 Nếu muốn dự báo số học sinh tuyển vào năm 2019 ta có bƣớc nhƣ sau : Bước : Lấy liệu năm 2018 cho học lại Bước : Lấy liệu 10 năm từ 2010 đến 2018 để tìm y năm 2019 Cứ nhƣ sử dụng liệu 10 năm trƣớc để dự báo cho năm sau 3.5 Thiết kế mạng nơron Trong toán, ta xác định cặp đầu vào (x (k), d (k)) k=1…18 giá trị liệu số lƣợng học sinh tuyển vào Trung tâm năm 1988…2017 3.5.1 Số lớp nơron Luận văn lựa chọn mô hình mạng nơron với lớp (1 lớp vào, lớp ẩn, lớp ra) 20 3.5.2 Cấu trúc mạng Số nơron lớp vào: Trong luận văn lựa chọn 10 nơron lớp Số nơron lớp ẩn: Đƣợc xác định qua thử nghiệm Số nơron lớp ra: Có đầu Hằng số học: Chọn phƣơng pháp thực nghiệm 3.5.3 Hàm tƣơng tác đầu Hàm kích hoạt đƣợc sử dụng lớp vào lớp ẩn hàm Log-sigmoid, S3.5.4 Giá trị trọng khởi đầu Bằng thực nghiệm giá trị trọng khởi đầu toán là: Bảng 3.3 Bảng trọng số 3.6 Cơng cụ mơ tốn dự báo tuyển sinh Phần mềm đƣợc xây dựng ngôn ngữ VB.NET Microsoft Visual Studio.NET 2012 chạy Net FrameWork 4.0 3.7 Chạy thử nghiệm Qua thử nghiệm cho kết dự báo nhƣ sau: 21 Bảng 3.7 Kết thử nghiệm dự báo tuyển sinh Số nơron lớp ẩn Stt Tổng thời gian huấn luyện Tổng số vòng huấn luyện Lỗi 1.112 giây 1000 0.0117981267018596 1.165 giây 1000 0.0097994919906754 1.293 giây 1000 0.0105931844281248 1.182 giây 1000 0.00998429364917326 10 1.157 giây 1000 0.0104459121753129 11 1.272 giây 1000 0.0118344784573747 12 1.302 giây 1000 0.00857813014603974 13 1.712 giây 1000 0.012017745643697 14 1.449 giây 1000 0.0103568188122531 10 15 1.579 giây 1000 0.0115618083336587 11 16 1.871 giây 1000 0.0130909475851785 12 17 1.841 giây 1000 0.0123781999875939 22 3.8 Kết luận chƣơng Qua kết thực nghiệm thu đƣợc q trình thử nghiệm cơng cụ dự báo luận văn đƣợc điều sau:    Mạng nơron nhân tạo có tính ứng dụng đa dạng, hiệu tốn dự báo Mức độ xác mơ hình phụ thuộc vào nhiều thơng số, nhiên lại chƣa có phƣơng pháp để xác định đƣợc xác định tính nhƣ định lƣợng thông số Ta phải thông qua phƣơng pháp thực nghiệm để xác định giá trị thông số tối ƣu Số liệu đơn vị viễn thông có đặc trƣng riêng thơng số tối ƣu thay đổi theo mức độ đặc trƣng số liệu 23 KẾT LUẬN Luận văn nghiên cứu mạng nơron nhân tạo, mơ hình mạng nơron truyền thẳng đƣợc huấn luyện với giải thuật lan truyền ngƣợc cho toán dự báo số học sinh tuyển vào Trung tâm GDNN-GDTX quận Đống Đa Các đóng góp luận văn: Luận văn nghiên cứu tổng quan mạng nơron nhân tạo, sâu vào nghiên cứu mạng nơron lan truyền thẳng huấn luyện thuật toán lan truyền ngƣợc sai số nhằm đạt tới kết tốt cho toán tối ƣu trọng số mạng nơron nhân tạo Luận văn xây dựng đƣợc phần mềm dự báo số học sinh tuyển vào Trung tâm GDNN-GDTX quận Đống Đa hàng năm Hƣớng phát triển Những kết thực nghiệm khả quan dựa nghiên cứu ứng dụng mạng nơron nhân tạo với thuật toán học lan truyền ngƣợc sai số toán dự báo số học sinh tuyển vào Trung tâm GDNN-GDTX quận Đống Đa hàng năm cho thấy mơ hình hiệu Vì vậy, hƣớng phát triển luận văn cải tiến phƣơng pháp dự báo để có kết xác Ngồi ra, sử dụng kết hợp với logic mờ giải thuật di truyền (GA) kết dự báo xác 24 TÀI LIỆU THAM KHẢO Tiếng Việt Thái Trung Hải (2014), Sử dụng mạng neural việc dự đoán kết đậu đại học, Đại học Bách khoa TP.Hồ Chí Minh Phan Văn Hiền (2013), Giáo trình mạng nơron, Đại học Bách Khoa Đà Nẵng Hồng Phúc Lâm, Nguyễn Hƣớng Điền, Cơng Thanh, Hoàng Thanh Vân (2007), “Sử dụng mạng nơron đa lớp truyền thẳng mạng truy hồi dự báo tổng lƣợng xạ ngày cho số trạm đồng phía Bắc Việt Nam”, Tạp chí Khí tượng Thủy văn só 10 (559) Đỗ Văn Lâm (2011), “Tổng quan phƣơng pháp dự báo”, http://www.hids.hochiminhcity.gov.vn/web/guest/ly-thuyetphuc-vu-nghien-cuu Vũ Đức Lung, tập giảng Machine Learning & Neural networks, Lecture 03 – Neural networks, http://sites.google.com/site/vdlung/mlnn Trần Đức Minh (2002), “Ứng dụng mạng nơron truyền thẳng dự báo liệu”, Viện Cơng nghệ thơng tin Nguyễn Đình Thúc (2000), Mạng nơron nhân tạo – phương pháp ứng dụng, Nhà xuất Giáo dục Đỗ Hoàng Toàn (2006), Giáo trình lý thuyết nhận dạng ứng dụng quản lý, Nhà xuất Khoa học Kỹ thuật Nguyễn Văn Trịnh (2012), Ứng dụng mạng nơron dự báo tỷ lệ nghỉ học, Viện Toán ứng dụng Tin học – Đại học Bách khoa Hà Nội Tiếng Anh 10 John C Chambers, Satinder K Mullick and Donald D Smith, How to Choose the Right Forecasting Technique, https://hbr.org/1971/07/how-to-choose-the-rightforecasting-technique 25 11 Petar Halachev (2012), “Prediction of e-Learning Efficiency by Neural Networks”, Cybernetics And Information Technologies – volume 12 – Nơron 12, Bulgarian Academy Of Sciences 12 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 13 Robert J Schallkoff, Artificial Neural Networks, The McGraw – Hill Companies, Inc 1997 14 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 15 Dipti Srinivasan, A.C Liew, Jonh S., P Chen, “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., “Next Day Peak Load Forecasting Using a Multilayer Neural Network with an Additional Learning”, IEEE, 0-78031217-1/93, 1993  ... TRONG DỰ BÁO SỐ HỌC SINH TUYỂN VÀO TRUNG TÂM GDNN- GDTX ĐỐNG ĐA 3.1 Giới thiệu Trung tâm GDNN- GDTX Đống Đa Tháng năm 2017 Trung tâm GDTX Đống Đa sáp nhập với Trung tâm Dạy nghề Đống Đa, Trung tâm. .. điểm mạng truyền thẳng 15 2.8 Kết luận chƣơng 15 CHƢƠNG 3: ỨNG DỤNG MẠNG NƠRON TRONG DỰ BÁO SỐ HỌC SINH TUYỂN VÀO TRUNG TÂM GDNNGDTX ĐỐNG ĐA 16 3.1 Giới thiệu Trung tâm GDNN- GDTX. .. văn xây dựng đƣợc phần mềm dự báo số học sinh tuyển vào Trung tâm GDNN- GDTX quận Đống Đa hàng năm Hƣớng phát triển Những kết thực nghiệm khả quan dựa nghiên cứu ứng dụng mạng nơron nhân tạo với