Ứng dụng mạng nơ ron trong e learning

giáo dục đào tạo trờng đại học bách khoa hà nội - luận văn thạc sĩ khoa học ứng dụng mạng nơ-ron e-learning ngành : kỹ thuật ®iƯn tư m∙ sè:23.04.3898 Ngun thÞ kim thoa Ng−êi h−íng dẫn khoa học : pgs.ts nguyễn thị việt hơng Hà Néi 2009 Ứng dụng mạng nơ-ron E-learning LỜI CAM ĐOAN Tôi Nguyễn Thị Kim Thoa Tôi xin cam đoan luận văn thạc sỹ khoa học tơi nghiên cứu thực hướng dẫn PGS TS Nguyễn Thị Việt Hương Nếu có sai phạm, tơi xin hồn tồn chịu trách nhiệm Người làm cam đoan Nguyễn Thị Kim Thoa Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning MỤC LỤC LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ MỞ ĐẦU CHƯƠNG TỔNG QUAN VỀ E-LEARNING 12 1.1 Xu hướng dạy học kỷ 21 12 1.2 E-learning 15 1.2.1 Định nghĩa E-learning 15 1.2.2 Vai trò E-learning 16 1.2.3 Đặc trưng E-learning 16 1.2.4 Ưu nhược điểm E-learning 18 1.3 1.2.4.1 Ưu điểm 18 1.2.4.2 Nhược điểm e-learning 21 Hệ thống E-learning (E-Learning System) 23 1.3.1 1.3.1.1 Hạ tầng truyền thông mạng 24 1.3.1.2 Hạ tầng phần mềm 27 1.3.1.3 Nội dung đào tạo 31 1.3.2 1.4 Mơ hình hệ thống 23 Hoạt động hệ thống E–Learning 32 Ưu nhược điểm trình dạy học trực tuyến 35 1.4.1 Ưu điểm 35 1.4.2 Nhược điểm 36 CHƯƠNG TỔNG QUAN VỀ MẠNG NƠ-RON 37 2.1 Giới thiệu chung mạng nơ ron 37 2.2 Mơ hình nơ-ron sinh học 38 2.3 Mơ hình tốn học nơ-ron nhân tạo 42 Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 2.4 Mô hình tốn học mạng nơ-ron nhân tạo 44 2.5 Kiến trúc mạng nơ-ron 46 2.5.1 Kiến trúc mạng lớp 46 2.5.2 Kiến trúc mạng đa lớp 48 2.5.3 Kiến trúc mạng truyền thẳng 49 2.5.4 Kiến trúc mạng hồi qui 50 2.5.5 Kiến trúc mạng tự tổ chức 51 2.6 Huấn luyện mạng 53 2.6.1 Huấn luyện có giám sát 53 2.6.2 Huấn luyện khơng có giám sát 54 2.6.3 Một số luật huấn luyện 55 2.7 Ứng dụng mạng nơ-ron nhân tạo 57 CHƯƠNG MỘT SỐ MẠNG NƠ-RON CƠ BẢN VÀ ỨNG DỤNG CHO BÀI TOÁN PHÂN LOẠI 60 3.1 Mạng Perceptron 60 3.1.1 Kiến trúc mạng Perceptron 60 3.1.2 Luật học Perceptron 63 3.1.3 Ứng dụng mạng perceptron cho toán phân loại 65 3.2 Mạng Perceptron nhiều lớp 68 3.2.1 Kiến trúc mạng 68 3.2.2 Huấn luyện mạng 69 3.2.3 Ứng dụng mạng MLP cho toán phân loại 71 3.3 Mạng nơ-ron tự tổ chức 74 3.3.1 Cấu trúc mạng không giám sát 74 3.3.2 Quá trình học mạng không giám sát 75 3.3.3 Nguyên tắc học cạnh tranh 76 3.3.3.1 3.3.3.2 Lựa chọn nơ-ron chiến thắng dựa hoạt hóa nơron 77 Lựa chọn nơ-ron chiến thắng dựa khoảng cách tới véc tơ vào 77 Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 3.3.3.3 Ví dụ minh họa học cạnh tranh 79 3.3.4 Mạng SOFM (Self-Organizing Feature Map) 83 3.3.5 Ứng dụng mạng SOFM phân loại 88 CHƯƠNG ỨNG DỤNG MẠNG NƠ-RON TRONG BÀI TOÁN PHÂN LOẠI NGƯỜI HỌC 92 4.1 Cơ sở thực toán phân loại người học 92 4.2 Cơ sở phân loại người học 93 4.3 Thống kê đặc tính nhóm người học phần mềm SPSS 98 4.3.1 Giới thiệu phần mềm SPSS 98 4.3.2 Các khái niệm đặc trưng thống kê 98 4.4 Phân loại người học với mạng MLP 101 KẾT LUẬN VÀ KIẾN NGHỊ 111 TÀI LIỆU THAM KHẢO 112 PHỤ LỤC 113 Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT ANN - Artificial Neural Networks BNN - Biological Neural Networks E-Learning: Electronic Learning IJCNN (International Joint Conference on Neural Networks) LAN: Local Area Networ LMS: Learning Managerment System LCMS: Learning Content Managerment System LVQ – Learning Vector Quantization MLP – MultiLayer Perceptron SOM: self-organizing map SOFM : self-organizing feature map SPSS: Statistical Products for the Social Services WAN: Wide Area Network HTML: Hyper Text Markup Language Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning DANH MỤC CÁC BẢNG Bảng 1.1 Mô tả mô chức số thiết bị mạng Bảng 3.1 Số lượng véc tơ liệu đầu vào đại diện 25 nơ-ron Bảng 4.1 Dữ liệu huấn luyện mạng nơ-ron DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1 Mơ hình hệ thống E-Learning Hình 1.2 Cơ sở hạ tầng phần cứng hệ thống E-Learning Hình 1.3 Hạ tầng phần mềm hệ thống E –Learning Hình 1.4 Kết hợp LCMS LMS Hình 1.5 Mơ hình cấu trúc hệ thống Hình 2.1 Cấu tạo tế bào thần kinh sinh học Hình 2.2 Mơ hình nơ-ron Hình 2.3 Liên kết nơ ron Hình 2.4 Mơ hình tốn học nơ-ron nhân tạo Hình 2.5 Một số hàm truyền đạt điển hình Hình 2.6 Mơ hình mạng nơ ron nhân tạo có lớp Hình 2.7 Kiến trúc mạng lớp Hình 2.8 Kiến trúc mạng đa lớp Hình 2.9 Khối trễ Hình 2.10 Minh họa kiến trúc mạng hồi qui Hình 2.11 Liên kết bên lớp cạnh tranh Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning Hình 2.12 Kiến truc mạng Kohonen Hình 2.13 Huấn luyện giám sát Hình 2.14 Huấn luyện khơng có giám sát Hình 2.15 Khả phân loại mạng nơ-ron Hình 3.1 Mơ hình nơ-ron Perceptron hàm truyền hardlimit Hình 3.2 Kiến trúc mạng Perceptron tổng quát Hình 3.3 Nơ-ron perceptron với hai đầu vào Hình 3.4 Ánh xạ không gian liệu vào không gian Hình 3.5 Khơng gian mẫu khả tuyến tính Hình 3.6 Mạng perceptron với đầu Hình 3.7 Phân bố liệu Hình 3.8 Biên phân loại mạng nơ-ron sau huấn luyện Hình 3.9 Mạng MLP Hình 3.10 Ánh xạ khơng gian vào khơng gian sử dụng mạng nơ-ron MLP cho tốn phân loại Hình 3.11 Sự phân bố liệu đầu vào mẫu Hình 3.12 Cấu trúc mạng MLP sử dụng để phân loại liệu Hình 3.13 Kết chia biên phi tuyến sau huấn luyện mạng Hình 3.14 Các mặt phẳng ứng với đầu mạng Hình 3.15 Cấu trúc mạng khơng giám sát Hình 3.16 Quan hệ véc tơ vào x véc tơ trọng số w Hình 3.17 Minh họa khoảng cách cập nhật trọng số Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning Hình 3.18 Dữ liệu vào hai chiều, chia thành sáu nhóm tách biệt Hình 3.19 Mạng chiều khơng giám sát Hình 3.20 Vị trí trọng số khởi tạo ngẫu nhiên Hình 3.21 Vị trí véc tơ trọng số sau kết thúc huận luyện mạng Hình 3.22 Quan hệ vào/ra mạng tự tổ chức Hình 3.23 Minh họa dịch chuyển nơ-ron chiến thắng nơ-ron lân cận Hình 3.24 Các dạng xác định lân cận Hình 3.25 Hàm NS dạng Gaussian Hình 3.26 Hàm NS dạng hàm mũ với k = 0.1 Hình 3.27 Dữ liệu hai chiều Hình 3.28 Cấu trúc mạng vị trí khởi tạo trọng số Hình 3.29 Véc tơ codebook mạng sau huấn luyện Hình 4.1 Cấu trúc mạng nơ-ron sử dụng phân loại người học Hình 4.2 Kết huấn luyện mạng nơ-ron Hình 4.3 Giao diện chương trình phân loại người học Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning MỞ ĐẦU Lý chọn đề tài Ngày sống kỷ nguyên phát triển ứng dụng thành tựu khoa học vào sống, đặc biệt lĩnh vực công nghệ thông tin viễn thông Những tiến vượt bậc công nghệ thông tin viễn thông tác động tích cực đến tất lĩnh vực, làm thay đổi nhanh chóng đời sống vật chất tinh thần toàn xã hội Sự ngăn cách khơng gian thời gian khơng cịn ảnh hưởng nhiều đến người trước Xu hướng toàn cầu hóa diễn khắp nơi, tất ngành nghề Đứng trước tồn cầu hóa, yêu cầu cấp thiết với ngành nghề phải cập nhật công nghệ, áp dụng thành tựu công nghệ thông tin viễn thông, liên kết sử dụng thành tựu công nghệ Trong ngành giáo dục, việc áp dụng công nghệ thông tin truyền thông vào dạy học làm thay đổi lớn phương pháp dạy học, mục tiêu dạy học, nội dung dạy học phương tiện dạy học Giáo dục đại khơng cịn bị giới hạn địa điểm thời gian “phòng học”, “bảng đen” truyền thống trước Thay vào hình thức tổ chức học tập dựa vào thành tựu công nghệ thông tin truyền thơng, điển hình Elearning E-learning hình thức đào tạo tập trung vào hiệu quả, lấy người học làm trung tâm, dành cho có nhu cầu học tập học tập nơi lúc Tuy nhiên, nhược điểm lớn hình thức đào tạo thầy trị khơng giáp mặt Như người thầy khó biết lực, sở trường điểm yếu người học, khó có ứng xử sư phạm phù hợp với đối tượng người học Để khắc phục nhược điểm này, đưa ý tưởng dùng mạng nơ-ron để tự động phân loại người Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 106 net.trainParam.mem_reduc = 1; net.trainParam.min_grad = 1e-50; net.trainParam.mu = 0.001; net.trainParam.mu_dec = 0.1; net.trainParam.mu_inc = 10; net.trainParam.mu_max = 10e300; net.trainParam.show = 25; net.trainParam.time = inf; net = train(net,P,T); Kết huấn luyện mạng minh họa hình 4.3 Hình vẽ cho thấy sau 38 lần huấn luyện (Epoch) sai số đầu mạng so với giá trị đầu đích (target) đạt yêu cầu, sai số cho phép kết thúc trình huấn luyện cho mạng nơ-ron 1-20 Hình vẽ 4.3 Kết huấn luyện mạng nơ-ron Kết thúc trình huấn luyện mạng trọng số mạng nơ ron thu sau (sử dụng câu lệnh cảu MATLAB để hiển thị) Ma trận trọng số từ đầu vào đến lớp nơ-ron vào, ma trận bias lớp vào: Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 107 >> net.IW{1,1} ans = 0.9888 1.4763 -1.6848 1.0128 -3.3699 -3.5027 -3.4897 -0.1194 0.1590 -0.9980 -5.0662 0.5068 -1.7762 2.5733 1.9285 -2.2221 -0.3477 -0.3915 -2.3735 -0.0062 -3.7730 2.7189 0.6537 -2.6306 -0.3335 1.4270 3.1022 3.3469 -0.3414 0.3398 -2.3105 2.3623 2.1743 -3.5115 -1.7411 2.8990 -2.2994 1.3176 2.9154 -2.1415 >> net.b{1} ans = 15.9781 30.2058 -25.3100 23.1178 -2.4056 Ma trận trọng số từ nơ-ron lớp vào đến nơ-ron lớp ma trận trọng số bias lớp ra: >> net.LW{2,1} ans = 2.6304 26.5804 -1.2495 4.5021 5.8727 -1.5671 -26.3243 -27.0684 -1.6859 -5.8555 24.3666 0.6196 25.8824 24.5664 8.4892 -24.4096 -7.1219 6.9845 -24.5729 -2.8456 >> net.b{2,1} ans = -3.6295 -28.5676 -40.3653 6.8365 Để đánh giá kết huấn luyện mạng nơ-ron 100 mẫu liệu liệu huấn luyện mạng mô lại để kiểm chứng: load('data'); Y = sim(net,P); Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 108 Thu kết sau, thứ tự phần tử cột tương ứng với thứ tự đầu mạng nơ-ron Y = Columns through 12 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Columns 13 through 24 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Columns 25 through 36 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 Columns 37 through 48 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 Columns 49 through 60 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 1 1 1 0 0 Columns 61 through 72 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 Columns 73 through 84 0 0 Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 109 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 1 1 Columns 85 through 96 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 Columns 97 through 100 0 0 0 0 0 0 1 1 Sau xây dựng mạng nơ-ron thực mô với công cụ MATLAB cho kết tốt chương trình phần mềm đơn giản thực mạng nơron thực sở ngơn ngữ lập trình Visual C#, chương trình phần mềm bao gồm đầy đủ câu hỏi phiếu điều tra nêu mục trên, cho phép người sử dụng lựa chọn đáp án, sau kích vào nút “Đánh giá” để mạng nơ-ron thực phân loại Giao diện chương trình thể hình 4.4 Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 110 Hình vẽ 4.4 Giao diện chương trình phân loại người học Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 111 KẾT LUẬN VÀ KIẾN NGHỊ Trong khoảng thời gian thực đề tài, hướng dẫn nhiệt tình PGS.TS Nguyễn Thị Việt Hương nỗ lực thân, luận văn hoàn thành thời hạn đạt mục tiêu đề ra: • Nghiên cứu tổng quan hệ thống e-learning: tìm hiểu khái niệm, thành phần hệ thống e-learning, ưu nhược điểm, vấn đề triển khai e-learning thực tiễn • Nghiên cứu tổng quan mạng nơ-ron: mơ hình tốn học mạng nơron, kiến trúc mạng nơ-ron bản, phương pháp luật huấn luyện mạng, nghiên cứu mạng perceptron, mạng MLP, mạng SOFM ứng dụng chúng toán phân loại • Thực cấu trúc mạng nơ-ron ứng dụng cho tốn phân loại người học, mơ kiểm chứng công cụ MATLAB Tuy nhiên, nội dung luận văn nghiên cứu ứng dụng mạng nơ-ron với phương pháp huấn luyện có giám sát để phân loại người học Kiến trúc mạng thể hạn chế định, điển hình phải thu thập đầy đủ mẫu liệu để phục vụ cho q trình huấn luyện mạng, điều làm tính mềm dẻo làm giảm khả mở rộng sau tốn Để triển khai ứng dụng thực tiễn, thời gian tới tiếp tục nghiên cứu thực nội dụng sau: • Nghiên cứu áp dụng mạng nơ-ron tự tổ chức để phân loại người học theo tiêu chí cách mềm dẻo • Triển khai, tích hợp chương trình phân loại người học vào phần mềm quản lý học tập LMS Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 112 TÀI LIỆU THAM KHẢO Tiếng Việt: Lê Dũng (2000), Lý thuyết xử lý nhận dạng ảnh mạng nơ-ron nhận dạng chữ viết, luận văn thạc sĩ chuyên ngành Điện tử viễn thông, Trường Đại học Bách khoa Hà nội Bùi Thanh Hương (2003), E-Learning, luận văn thạc sĩ chuyên ngành xử lý thông tin truyền thông, Trường Đại học Bách khoa Hà nội Nguyễn Thành Phương (2008), Nghiên cứu ứng dụng Moodle vào hỗ trợ dạy học từ xa Việt Nam, luận văn thạc sỹ chuyên ngành sư phạm kỹ thuật, Trường Đại học Bách khoa Hà nội Tiếng Anh: Tim L Wentling, Cosuelo Waight (2000), E-Learning – A review of Literature, Eastman Kodak Company Betsy Bruce, Carol Fallon, William Horton, Lisa Stanziano, Christian Vescia (2001), Getting Started with E-learning Sandhya Samarasinghe (2006), Neural Networks for Applied Sciences & Engineering, Taylor & Francis Group, LLC Margaret Martinez, PhD (2002), “What is Personalized learning”, The Elearning developer’s journal Teuvo Kohonen (1990), The Self-Organizing Map, Vol.78, No 9, IEEE Nabil Kartam, Ian Flood, Jame H Garretf (1997), Artificial Neural Networks for Civil Engineering Fundamental & Application, ASCE 10 Juan R Rabunal, Julian Dorado (2006), Artificial Neural Networks in Real-Life Applications, IDEA Group Publishing 11 MARGARET MARTINEZ, PhD 12 http://el.edu.vn Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 113 PHỤ LỤC A Phụ lục PHIẾU ĐIỀU TRA Với mục đích tìm hiểu động cơ, sở thích phương pháp học tập sinh viên Đại học Bách khoa Hà Nội, mong muốn nhận ý kiến bạn phản ánh q trình học tập cá nhân Kính mong bạn trả lời (đánh dấu x vào ô lựa chọn) cách cởi mở chân thực Trong học tập, bạn người: A Tập trung niềm ham mê mạnh mẽ dự định lớn lao cá nhân vào việc học B Tập trung học cách có lựa chọn học theo tình C Tập trung học cách thận trọng máy móc hướng dẫn D Tập trung học tập nội dung bất kì, khơng liên quan đến Bạn cho người học: A Quyết đốn, hiểu biết thân có động học tập cao B Chỉ hình thành động thấy nội dung học tập cần thiết C Ít chủ động, động học tập bạn xuất phát từ lý bên D Hay phản đối ý kiến có tính áp đặt Phương pháp học tập bạn thường: A Thích khám phá để đạt mục tiêu nâng cao cá nhân đặt B Chỉ đủ để đáp ứng mục tiêu mức trung bình thấy có kết mong muốn hay lợi ích cần thiết C Chỉ đáp ứng mục tiêu dễ dàng đạt D Không đáp ứng mục tiêu học tập bị áp đặt người khác Trong trình học tập, bạn người: A Thiết lập đạt mục tiêu nâng cao mang tính cá nhân (cả ngắn hạn dài hạn) B Thiết lập đạt mục tiêu ngắn hạn định hướng theo nhiệm vụ với mức độ từ thông thường đến nâng cao C Theo cố gắng đạt mục tiêu hướng nhiệm vụ đơn giản, hướng dẫn người khác D Khơng có mục đích Trong học tập, bạn thường: Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 114 A Nỗ lực tối đa để đạt mục đích dài hạn quan trọng cá nhân B Tối thiểu hóa mục tiêu để tiết kiệm thời gian giảm thiểu nỗ lực thân C Nỗ lực nhiệm vụ học tập hỗ trợ D Chống đối đến bỏ qua mục tiêu học tập bị áp đặt Trong trình học tập, bạn người: A Nỗ lực để khám phá, tự xây dựng áp dụng tri thức B Nỗ lực để đạt tới mục tiêu phân công thỏa thuận C Nỗ lực để đáp ứng yêu cầu từ bên D Trốn tránh việc học Đánh giá tính tự giác học tập, bạn cho rằng: A Mình người có trách nhiệm học tập, tự quản mục đích, tiến trình kết học tập cá nhân B Mình người có trách nhiệm học tập lĩnh vực quan tâm sẵn sàng từ bỏ lĩnh vực không quan tâm C Không chủ động cần người hướng dẫn liên tục trình học D Trách nhiệm học tập khơng đáp ứng mục đích thiết lập từ người khác Trong học tập, bạn thường: A Trải qua thất bại bị hạn chế phép tự quản B Thích luyện tập vận dụng với kết đạt C Mong đợi giúp đỡ để đạt tới mục đích ngắn hạn D Tự thiết lập mục đích cá nhân khơng muốn đáp ứng yêu cầu học tập Xin chân thành cảm ơn giúp đỡ bạn! Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 115 B Phụ lục Một số kết điều tra phiếu điều tra BK001 C C B C C B C C BK011 B A A B C B B B BK021 B B B B B B A B BK031 B A B B C B A B BK041 B B B C B C B C BK002 B A A B B B B B BK012 B B C B D C A B BK022 A D A B B A A B BK032 B A B A B B A B BK042 B B B B A C C A BK003 B B A C B B A B BK013 B A B B B B B A BK023 B B A C B A D BK033 B B A B B B B B BK043 B B A B A B A A BK004 A A B A A A A A BK014 B B D A D B B A BK024 D D D B B B D C BK034 B A A B A B A B BK044 B A A B A A B B BK005 C C B C B C C A BK015 B B B A A C B B BK025 C B C C C B B C BK035 D C A A B C C D BK045 A A A A A B B B BK006 B B A B A C B B BK016 A C A C A B A B BK026 A A A B A C A B BK036 B B A B A B B A BK046 A A A B A A B B BK007 B A B C A B A B BK017 B B A C C A B C BK027 C B B C C B B C BK037 A A A A A A A A BK047 B B B A A B B A Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học BK008 B D D D D C B A BK018 B B B B A C B B BK028 B B B B C B A B BK038 B B A A B B B A BK048 B B A A B A A B BK009 B D B C B C B B BK019 A B A C A B B A BK029 B B A B A A B B BK039 A A A B C A A B BK049 C B B C C B B B BK010 B A A B C B B B BK020 B B D B B D B A BK030 B B D B B B A C BK040 A D A C A C C A BK050 A B B B B C A D Ứng dụng mạng nơ-ron E-learning 116 C Phụ lục Một số report đưa từ phần mềm SPSS Case Processing Summary Cases Valid N Missing Percent N Total Percent N Percent BK001 75.0% 25.0% 100.0% BK002 75.0% 25.0% 100.0% BK003 75.0% 25.0% 100.0% BK004 75.0% 25.0% 100.0% BK005 75.0% 25.0% 100.0% BK006 75.0% 25.0% 100.0% BK007 75.0% 25.0% 100.0% BK008 75.0% 25.0% 100.0% BK009 75.0% 25.0% 100.0% BK010 75.0% 25.0% 100.0% BK011 75.0% 25.0% 100.0% BK012 75.0% 25.0% 100.0% BK013 75.0% 25.0% 100.0% BK014 75.0% 25.0% 100.0% Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 117 BK015 75.0% 25.0% 100.0% BK016 75.0% 25.0% 100.0% BK017 75.0% 25.0% 100.0% BK018 75.0% 25.0% 100.0% BK019 75.0% 25.0% 100.0% BK020 75.0% 25.0% 100.0% Statistics BK001 N BK002 BK003 BK004 BK005 Valid 8 8 Missing 0 Mean 2.5000 5.3333 4.7500 7.5000 3.2500 Median 2.0000 4.0000 4.0000 8.0000 2.0000 2.00 4.00 4.00 8.00 2.00 92582 2.06559 2.12132 1.41421 2.12132 Variance 857 4.267 4.500 2.000 4.500 Range 2.00 4.00 6.00 4.00 6.00 Minimum 2.00 4.00 2.00 4.00 2.00 Maximum 4.00 8.00 8.00 8.00 8.00 Mode Std Deviation Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 118 Statistics BK006 N BK007 BK008 BK009 BK010 Valid 8 8 Missing 0 0 Mean 4.7500 4.5000 2.7500 3.1250 4.7500 Median 4.0000 4.0000 1.5000 4.0000 4.0000 4.00 4.00 1.00 4.00 4.00 2.12132 2.32993 2.49285 1.24642 2.12132 4.500 5.429 6.214 1.554 4.500 Range 6.00 6.00 7.00 3.00 6.00 Minimum 2.00 2.00 1.00 1.00 2.00 Maximum 8.00 8.00 8.00 4.00 8.00 Mode Std Deviation Variance Statistics BK011 N BK012 BK013 BK014 BK015 Valid 8 8 Missing 0 0 4.7500 3.6250 5.0000 4.2500 4.7500 Mean Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 119 Median 4.0000 4.0000 4.0000 4.0000 4.0000 4.00 4.00 4.00 4.00 4.00 2.12132 2.13391 1.85164 2.65922 2.12132 4.500 4.554 3.429 7.071 4.500 Range 6.00 7.00 4.00 7.00 6.00 Minimum 2.00 1.00 4.00 1.00 2.00 Maximum 8.00 8.00 8.00 8.00 8.00 Mode Std Deviation Variance Statistics BK016 N BK017 BK018 BK019 BK020 Valid 8 8 Missing 0 0 Mean 5.5000 4.2500 4.2500 5.7500 3.7500 Median 6.0000 4.0000 4.0000 6.0000 4.0000 8.00 2.00a 4.00 8.00 4.00 2.77746 2.49285 1.66905 2.49285 2.18763 7.714 6.214 2.786 6.214 4.786 Range 6.00 6.00 6.00 6.00 7.00 Minimum 2.00 2.00 2.00 2.00 1.00 Mode Std Deviation Variance Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học Ứng dụng mạng nơ-ron E-learning 120 Maximum 8.00 8.00 8.00 a Multiple modes exist The smallest value is shown Nguyễn Thị Kim Thoa_luận văn thạc sỹ khoa học 8.00 8.00 ... Artificial Neural Networks BNN - Biological Neural Networks E- Learning: Electronic Learning IJCNN (International Joint Conference on Neural Networks) LAN: Local Area Networ LMS: Learning Managerment... học Ứng dụng mạng nơ- ron E- learning 44 2.4 Mơ hình tốn học mạng nơ- ron nhân tạo Mạng nơ- ron nhân tạo liên kết nơ ron nhân tạo với Các nơ- ron thường xếp theo lớp, bao gồm lớp vào (input layer),... Managerment System LCMS: Learning Content Managerment System LVQ – Learning Vector Quantization MLP – MultiLayer Perceptron SOM: self-organizing map SOFM : self-organizing feature map SPSS: Statistical