Mạng kohonen som và ứng dụng phân cụm điểm học sinh thpt

ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐH CNTT VÀ TRUYỀN THÔNG HÀ THỊ THƢ MẠNG KOHONEN-SOM VÀ ỨNG DỤNG PHÂN CỤM ĐIỂM HỌC SINH THPT CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 60 48 01 LUẬN VĂN THẠC SĨ KHOA HỌC HƢỚNG DẪN KHOA HỌC: TS NGUYỄN VĂN TẢO THÁI NGUYÊN - 2012 ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐH CNTT VÀ TRUYỀN THÔNG HÀ THỊ THƢ MẠNG KOHONEN-SOM VÀ ỨNG DỤNG PHÂN CỤM ĐIỂM HỌC SINH THPT CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 60 48 01 LUẬN VĂN THẠC SĨ KHOA HỌC HƢỚNG DẪN KHOA HỌC TS NGUYỄN VĂN TẢO THÁI NGUYÊN - 2012 LỜI CAM ĐOAN Tơi xin cam đoan luận văn cơng trình nghiên cứu cá nhân tôi, không chép Nội dung lý thuyết luận văn có tham khảo sử dụng số tài liệu, thông tin đƣợc đăng tải tác phẩm, tạp chí trang web theo danh mục tài liệu luận văn Các số liệu, chƣơng trình phần mềm kết luận văn trung thực chƣa đƣợc cơng bố cơng trình khác Thái Nguyên, ngày 15 tháng năm 2012 Học viên thực HÀ THỊ THƢ Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn MỤC LỤC CHƢƠNG 1: TỔNG QUAN VỀ MẠNG KOHONEN-SOM 1.1 Sơ lược mạng neural 1.1.1 Lịch sử phát triển 1.1.2 Ứng dụng 1.1.3 Căn nguyên sinh học 1.2 Tổng quan mạng Kohonen-SOM 1.2.1 Vecto Quantization – VQ 1.2.2 Lerning Vector Quantization – LVQ 1.2.3 Bản đồ tự tổ chức – SOM 1.3 Cấu trúc mạng neural Kohonen 1.3.1 Mạng neural Kohonen 1.3.2 Cấu trúc mạng neural Kohonen 1.4 Thực thi mạng neural Kohonen 12 1.5 Kết luận 13 2.1 Phân cụm liệu: 14 2.1.1 Khái niệm: 14 2.1.2 Các bƣớc phân cụm: 15 2.2 Những kỹ thuật tiếp cận phân cụm liệu 15 2.2.1 Phƣơng pháp phân cụm phân hoạch 15 2.2.2 Phƣơng pháp phân cụm phân cấp 16 2.2.3 Phƣơng pháp phân cụm dựa mật độ 16 2.2.4 Phƣơng pháp phân cụm dựa lƣới 17 2.2.5 Phƣơng pháp phân cụm dựa mơ hình 18 2.2.6 Phƣơng pháp phân cụm có liệu ràng buộc 18 2.3 Một số thuật toán phân cụm liệu 19 2.3.1 Thuật toán phân cụm phân hoạch 19 2.3.2 Thuật toán phân cụm phân cấp 21 2.3.3 Thuật toán phân cụm dựa mật độ 23 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 2.3.4 Thuật toán phân cụm dựa lƣới 24 2.3.5 Các thuật toán phân cụm dựa mơ hình 25 2.4 Dùng mạng neural phân cụm: 26 2.5 SOM –Bài toán phân cụm: 28 2.5.1 Thuật toán SOM: 28 2.5.2 Sử dụng SOM khai phá liệu 31 2.5.3 SOM –Thách thức phân nhóm 36 2.5.4 SOM –Thách thức tốc độ giải thuật 37 2.5.5 SOM –Vấn đề số lƣợng nhóm 38 2.6 SOM –Giải vấn đề tồn phân cụm 38 2.6.1 Giải pháp phân cụm tự nhiên trình học 38 2.6.2 Mạng thu gọn tăng tốc giải thuật 40 2.6.3 Giới hạn điều chỉnh số lƣợng nhóm mạng SOM 42 2.7 Đánh giá kết phân cụm 43 2.8 Kết luận : 46 3.1 Mô tả toán 48 3.1.1 Dữ liệu vào: 48 3.1.2 Dữ liệu ra: 48 3.1.3.Quá trình cài đặt: 48 3.1.4 Mục đính- Yêu cầu 48 3.2 Phân tích thiết kế hệ thống cho ứng dụng 49 3.2.1 Xác định tác nhân Use case 49 3.2.2 Biểu đồ Use Case 50 3.3 Chương trình ứng dụng 54 3.3.1 Giao diện tổng quan cho ứng dụng 54 3.3.2 Một số tính cho ứng dụng 54 3.3.2 Hƣớng dẫn sử dụng, chạy thử nghiệm 59 3.4 Kết luận 62 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn DANH MỤC VIẾT TẮT CSDL Cơ sở liệu KPDL Khai phá liệu FCM Fuzzy C-Means PCDL Phân cụm liệu Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn DANH MỤC CÁC HÌNH Hình 1.1 Cấu tạo tế bào neural………………………………………… Hình 1.2 Giáo sƣ Kohonen mạng neural………………………………… Hình 1.3 Cấu trúc mạng Kohonen…………………………………………… Hình 1.4 Những tƣờng Kohonen………………………………… Hình 2.1 Các chiến lƣợc phân cụm phân phân cấp…………….…………… 16 Hình 2.2 Cấu trúc phân cấp……………………………………….………… 17 Hình 2.3 Các cách mà cụm đƣa ra……………………………… Hình 2.4 Các thiết lập để xác định ranh giới cụm ban đầu…………… 20 Hình 2.5 Tính tốn trọng tâm cụm mới…………………………… 20 Hình 2.6 Khái qt thuật tốn CURE……………………………………… 22 Hình 2.7 Các cụm liệu đƣợc khám phá CURE………………… 22 Hình 2.8 Hình dạng cụm đƣợc khám phá thuật tốn DBSCAN…… 23 Hình 2.9 Đơn vị xử lý ganh đua SOM……………………………………… 28 12 18 Hình 2.10 Khơng gian ban đầu SOM 29 Hình 2.11 BMU 31 Hình 2.12 Vecto chiến thắng liên tục SOM 35 Hình 2.13 Định nghĩa U-Matrix 36 Hình 2.14 U-Matrix SOM 36 Hình 2.15 Quan hệ cụm……………………………………………… 44 Hình 3.1 Mơ hình Use Case tởng thể tốn Hình 3.2 Biểu đờ trình tự chọn CSDL 47 Hình 3.3 Biểu đờ trình tự tạo huấn luyện mạng neural………………… Hình 3.4 Biểu đờ trình tự tạo biểu đờ theo nhóm…………………………… 48 Hình 3.5 Biểu đờ trình tự phân cụm học sinh theo nhóm………………… Hình 3.6 Biểu đờ trình tự cấu hình mạng neural…………………………… 49 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 47 48 49 Hình 3.7 Biểu đờ trình tự chọn loại biểu đờ………………………………… 50 Hình 3.8 Biểu đờ trình tự chọn hiển thị biểu đờ………………………… 50 Hình 3.9 Giao diện chƣơng trình…………………………………………… 51 Hình 3.10 Tab hỗ trợ nhập chọn liệu………………………………… 52 Hình 3.11 Một số biểu đờ trợ giúp dạng 3D………………………………… 53 Hình 3.12 Một số biểu đờ trợ giúp dạng 2D………………………………… 54 Hình 3.13 Nhóm cấu hình nhóm………………………………………… 55 Hình 3.14 Một phần liệu khả phân nhóm……………………… 56 Hình 3.15 Các phần ứng dụng…………………………………………… 57 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn MỞ ĐẦU Sự phát triển mạnh mẽ Cơng nghệ nói chung Cơng nghệ thơng tin nói riêng tạo nên nhiều hệ thống thông tin phục vụ việc tự động hoá hoạt động kinh doanh nhƣ quản lý xã hội Nhiều hệ quản trị sở liệu mạnh với công cụ phong phú thuận tiện giúp ngƣời khai thác có hiệu ng̀n tài ngun liệu lớn Trong đó, khai phá liệu (Data Mining) q trình phát tri thức Sử dụng kỹ thuật khái niệm lĩnh vực đƣợc nghiên cứu từ trƣớc nhƣ học máy, nhận dạng, thống kê, hời quy, xếp loại, phân nhóm, đờ thị, mạng nơron, mạng Bayes, đƣợc sử dụng để khai phá liệu nhằm phát mẫu mới, tƣơng quan mới, xu hƣớng có ý nghĩa Luận văn với đề tài “Mạng Kohonen-SOM ứng dụng phân cụm điểm học sinh THPT” khảo sát lĩnh vực KPDL dùng mạng nơron Luận văn tập trung vào phƣơng pháp học mạng nơron khơng có giám sát, dùng thuật tốn SOM để giải tốn phân cụm theo mơ hình mạng nơron Luận văn đƣợc thực dƣới hƣớng dẫn khoa học TS Nguyễn Văn Tảo Tôi xin chân thành cảm ơn sâu sắc tới Thầy dẫn tận tình giúp tơi hồn thành luận văn Tôi vô cảm ơn giúp đỡ động viên khích lệ ngƣời thân gia đình tơi, bạn bè đờng nghiệp trƣờng THPT Ngơ Sĩ Liên suốt q trình thực luận văn Bắc giang, ngày 15 tháng năm 2012 Hà Thị Thƣ CHƢƠNG TỔNG QUAN VỀ MẠNG KOHONEN-SOM -Chương đề cập vấn đề sau: 1.1 Sơ lược mạng neural 1.2 Tổng quan mạng KOHONEN-SOM 1.3 Cấu trúc mạng neural KOHONEN 1.4 Thực thi mạng neural KOHONEN 1.5 Kết luận -1.1 Sơ lƣợc mạng neural 1.1.1 Lịch sử phát triển Mạng neural nhân tạo đƣợc xây dựng từ năm 1940 nhằm mô số chức não ngƣời Dựa quan điểm cho não ngƣời điều khiển Mạng neural nhân tạo đƣợc thiết kế tƣơng tự nhƣ neural sinh học có khả giải hàng loạt tốn nhƣ tính tốn tối ƣu, điều khiển, cơng nghệ robot… Dƣới mốc đáng ý lịch sử phát triển mạng neural: - Giai đoạn 1: Có thể tính từ nghiên cứu William (1890) tâm lý học với liên kết neural thần kinh Năm 1940 Mc Culloch Pitts cho biết neural mơ hình hố nhƣ thiết bị ngƣỡng (Giới hạn) để thực phép tính logic mơ hình mạng neural Mc Culloch – Pitts với giải thuật huấn luyện mạng Hebb đời năm 1943 - Giai đoạn 2: vào khoảng gần năm 1960, số mơ hình neural hồn thiện đƣợc đƣa nhƣ: Mơ hình Perceptron Rosenblatt (1958), Adalile Widrow (1962) Trong mơ hình Perceptron đƣợc quan tâm nguyên lý đơn giản, nhƣng có hạn chế nhƣ Marvin Minsky Seymour papert MIT (Massachurehs Insritute of Technology) chứng minh khơng dùng đƣợc cho hàm logic phức (1969) Cịn Adaline mơ hình tuyến tính, tự 3.2.2 Biểu đồ Use Case Hình 3.1: Mơ hình Use Case tổng thể tốn 3.2.3 Biểu đồ trình tự cho Use Case 3.2.3.1 Chọn sở liệu Hình 3.2: Biểu đồ trình tự chọn sở liệu 50 3.2.3.2 Tạo huấn luyện mạng neural Hình 3.3: Biểu đồ trình tự tạo huấn luyện mạng neural 3.2.3.3 Tạo biểu đồ theo nhóm Hình 3.4: Biểu đồ trình tự tạo biểu đồ theo nhóm 51 3.2.3.4 Phân cụm học sinh theo nhóm Hình 3.5: Biểu đồ trình tự phân cụm học sinh theo nhóm 3.2.3.5 Cấu hình mạng neural Hình 3.6: Biểu đồ trình tự cấu hình mạng neural 52 3.2.3.6 Chọn loại biểu đồ Hình 3.7: Biểu đồ trình tự chọn loại biểu đồ 3.2.3.7 Chọn hiển thị biểu đồ Hình 3.8: Biểu đồ trình tự chọn hiển thị biểu đồ 53 3.3 Chƣơng trình ứng dụng 3.3.1 Giao diện tổng quan cho ứng dụng Qua q trình phân tích, thiết kế kết hợp với thành tựu đạt đƣợc mạng neural ứng dụng ngơn ngữ lập trình Visual C# Microsoft luận văn xây dựng chƣơng trình tƣơng đối hồn thiện giải toán phân cụm liệu điểm cho học sinh thỏa mãn yêu cầu đề ban đầu Sau hình ảnh cho ứng dụng sau trình cài đặt chạy thử nghiệm Hình 3.9: Giao diện chương trình 3.3.2 Một số tính cho ứng dụng Khả đọc chọn liệu: tính bắt buộc, để vận dụng đƣợc thuật tốn từ mạng neural trƣớc hết chƣơng trình phải có khả chọn, đọc liệu excel thị liệu giao diện Tiếp khả chọn mơn học cho q trình phân cụm, phân cụm kết cuối đƣợc hiển thị chi tiết Để hỗ trợ cho trình chọn phân cụm liệu ứng dụng xây dựng số thành phần hỗ trợ nhiệm vụ 54 Hình 3.10: Tab hỗ trợ nhập chọn liệu Trên tab hỗ trợ khả chọn lựa tập liệu đầu vào đồng thời hỗ trợ khả chọn môn muốn phân cụm Trong file excel có trƣờng khơng phải liệu điềm mà nhãn thể tên, thứ tự số báo danh chức hỗ trợ việc phân biệt trƣờng hợp tránh cho việc phân cụm không cần thiết Khả kết xuất biểu đồ cho nhóm: tính đặc biệt hỗ trợ khả thị kết cách trực quan giúp ngƣời quản lý dễ dàng quan sát đánh giá nhóm tốt Tính thƣờng thấy toán thống kê việc phân cụm điểm tốn đặc biệt cần có biểu đờ hỗ trợ so sánh đánh giá Ứng dụng hỗ trợ ngƣời dùng nhiều loại biểu đồ khác tùy theo phƣơng pháp quan sát khác gồm biểu đồ 3D 2D hỗ trợ 20 loại biểu đờ khác 55 Hình 3.11: Một số biểu đồ trợ giúp dạng 3D 56 Hình 3.12: Một số biểu đồ trợ giúp dạng 2D 57 Khả phân cụm kết xuất chi tiết: tính cho việc giải tốn phân cụm điểm Chƣơng trình có khả phân cụm cấu hình nhƣ học sinh có kết tƣơng đờng nhóm Dựa vào SOM từ tập liệu ban đầu mạng tự học trình huấn luyện tiến hành phân chia tập liệu đầu vào thành nhóm theo quan hệ (quan hệ khơng định trƣớc mạng tự động đƣa sau q trình học) Hình 3.13: Nhóm cấu hình nhóm Từ liệu đầu vào file excel chƣơng trình phân làm nhóm học sinh khác ngƣời quản lý dễ dàng đƣa phƣơng pháp tác động tới nhóm nhằm đạt hiệu định 58 Hình 3.14: Một phần liệu khả phân nhóm 3.3.2 Hướng dẫn sử dụng, chạy thử nghiệm Chƣơng trình đƣợc cài đặt ngơn ngữ lập trình Visual C# Microsoft, chạy net framework 3.5, để chạy đƣợc chƣơng trình cần tiến 59 hành cài đặt net framework 3.5 trở lên Bên cạnh ứng dụng dành cho phân cụm liệu file excel cần tiến hành cài đặt phần mềm Microsoft Office Excel để hỗ trợ khả truy suất liệu Các công cụ đƣợc mô tả nhƣ sau: Danh sách phân nhóm Khởi tạo mạng neural Hiển thị cấu hình nhóm Hiển thị biểu đờ Hiển thị liệu đầu vào Phân cụm liệu Khởi tạo biểu đờ Hình 3.15: Các phần ứng dụng Tab chọn loại biểu đồ Tab chọn file chứa liệu 60 Tab chọn nhóm sau phân cụm Tab chọn môn để phân cụm nhãn tƣng ứng Tab chọn biểu đồ để hiển thị Nhƣ kết thực nghiệm thấy ứng dụng có khả phân cụm liệu tập sinh viên đầu vào hiển thị chi tiết đặc tính nhƣ danh sách sinh viên thuộc nhóm Vậy thao tác nhƣ để có đƣợc kết nhƣ phần mềm ứng dụng, sau bƣớc trình sử dụng Bƣớc 1: Chọn sở liệu Để chọn sở liệu dùng tab Group hỗ trợ giao diện chọn tab home\Open Với tab Group hỗ trợ chọn đƣợc file định dạng excel Bƣớc 2: Chọn môn cần phân cụm nhãn cho đối tƣợng phân cụm Trong tab Properties giúp việc chọn môn để phân cụm phía bên trái nhãn để phân cụm phía bên phải Bƣớc 3: Khởi tạo mạng neural tiến hành phân cụm Click vào button Create có giao diện thực q trình khởi tạo huấn luyện, phân nhóm mạng neural Bƣớc 4: Khởi tạo biểu đồ cho nhóm Click vào button Chart giao diện khởi tạo l̀ng vẽ biểu đờ cho nhóm đƣợc phân cụm sau bƣớc 3, có biểu đờ tởng qt Có thể cấu hình loại biểu đờ tab Control phía bên phải đƣợc ẩn Bƣớc 5: Phân chia liệu thành nhóm quan sát kết Click vào button Split giao diện thực q trình phân nhóm cho liệu đƣợc chọn ban đầu Có thể quan sát cấu hình, danh sách đặc trƣng khác nhóm giao diện Chƣơng trình ứng dụng thành cơng mạng SOM vào q trình phân cụm học sinh, dựa vào kết phân cụm ứng dụng mang lại ngƣời quản lý có định hƣớng để cải thiện chất lƣợng học cho nhóm 61 học sinh nhƣ đánh giá đƣợc lực học tập dựa tập sở liệu đƣa vào 3.4 Kết luận Mạng neural lĩnh vực nghiên cứu tƣơng đối rộng đòi hỏi nhiều công sức lỗ lực tình nghiên cứu Bên cạnh việc cài đặt ứng dụng mạng neural gặp nhiều khó khăn độ phức tạp tƣơng đối cao giải thuật Vì lí luận văn hƣớng tới mạng neural dùng để phân cụm liệu mạng SOM để nghiên cứu phát triển.Thực tế chứng minh mạng SOM có nhiều ứng dụng việc nghiên cứu khai thác mạng đem lại nhiều kết thực tiễn Việc nghiên cứu mạng SOM trình phát triển lý thuyết mạng neural đem lại hiểu biết mạng neural nhân tạo Trong nội dung luận văn trình bày hiểu biết chung mạng, đồng thời cho ngƣời đọc có đƣợc quan niệm chung lĩnh vực khoa học còn nhiều mẻ Bên cạnh trình phát triển mặt tảng lý thuyết đem lại thành công định Cụ thể nội dung báo cáo đề xuất số phƣơng pháp cải tiến mạng SOM, phƣơng pháp phân nhóm hiệu hơn, phƣơng pháp khởi tạo mạng thu gọn… Và cải tiến đem lại hiệu định cho trình xử lý mạng neural ứng dụng thực tế chúng Ứng dụng phân biệt màu phân cụm điểm ví dụ đƣợc sử dụng minh họa cho khả ứng dụng mạng neural Những kết mà luận văn thực hiện: + Về lý thuyết, luận văn tập trung tìm hiểu kỹ thuật phân loại, phân cụm truyền thống Tìm hiểu mạng neural cụ thể mạng Kohonen-SOM để phân cụm liệu + Về thực tiễn, luận văn đƣa kết cài đặt thử nghiệm liệu bao gờm kết phân loại, phân nhóm Qua q trình thực nghiệm nghiên cứu lý thuyết đƣa số kết luận nhƣ sau: 62 • Mỗi giải thuật phân cụm áp dụng cho số mục tiêu kiểu liệu định • Mỗi giải thuật có mức độ xác riêng khả thực kích thƣớc liệu khác Điều còn tuỳ thuộc vào cách thức tở chức liệu nhớ chính, nhớ ngồi giải thuật • Khai phá liệu hiệu bƣớc tiền xử lý, lựa chọn thuộc tính, mơ hình đƣợc giải tốt Với mà luận văn thực hiện, hƣớng phát triển sau luận văn nhƣ sau: • Độ xác phân lớp, phân cụm phụ thuộc vào nhiều yếu tố nhƣ chất lƣợng liệu, thuật tốn cài đặt, phƣơng pháp tính độ tƣơng đờng đối tƣợng liệu Ngồi ra, giá trị khuyết hay thuộc tính dƣ thừa phần làm ảnh hƣởng đến chúng Vì hƣớng phát triển sau xử lý giá trị khuyết, phát loại bỏ thuộc tính dƣ thừa, cải tiến phƣơng pháp tính độ tƣơng đờng, nhằm nâng cao chất lƣợng tốc độ phân lớp, phân cụm • Sau phân cụm theo nhóm học sinh có tƣơng đờng điểm phối hợp với chuyên gia để đƣa đến định hƣớng nghề nghiệp cho học sinh THPT • Tiến hành cài đặt tiếp tục nghiên cứu nhiều kỹ thuật khai phá liệu nữa, đặc biệt triển khai giải toán cụ thể thực tế Trong q trình thực đờ án mong đƣợc đóng góp bảo thầy, giáo Em xin trân thành cảm ơn ủng hộ góp ý thầy cơ, đặc biệt thầy Nguyễn Văn Tảo có hƣớng dẫn chiến lƣơc cho trình nghiên cứu thực luận văn 63 TÀI LIỆU THAM KHẢO TÀI LIỆU TIẾNG VIỆT [1] Nguyễn Đình Thúc (2000), Trí tuệ nhân tạo Mạng nơron phương pháp & ứng dụng, Nhà xuất Giáo Dục [2] Trần Đức Minh (2002), Mạng nơron truyền thẳng thuật toán lan truyền ngược, Luận văn Thạc sĩ cao học, Khoa Công nghệ, Trƣờng Đại học Quốc gia Hà Nội [3] An Hồng Sơn (2008), Nghiên cứu số phƣơng pháp phân cụm mờ ứng dụng Luận văn Thạc sĩ cao học, Trƣờng Đại học công nghệ thông tin Truyền thông, Đại học Thái nguyên [4] Ngô Quốc Tạo, “Bài giảng môn Data Mining”, Lớp CHK9 - Trƣờng Đại học công nghệ thông tin Truyền thông, Đại học Thái nguyên 2010-2012 TÀI LIỆU TIẾNG ANH [5] M A Kraaijveldd, J Mao, and A K Jain, “A nonlinear projection method based on kohonen’s topology preserving maps”, IEEE Transactions on Neural Networks, 6(3):548-559, 1995 [6] Merja Oja, Samuel Kaski, and Teuvo Kohonen, “Bibliography of SelfOrganizing Map (SOM) Papers”, 1998-2001 Addendum, Neural Computing Surveys (3), pp.1-156, 2003 [8] Juha Vesanto, “Data Mining techniques based on the Self-Organizing Map”, Thesis for the degree of Master in Engineering, Helsinki University of Technology, 1997 [9] Jari Kangas and Teuvo Kohonen, “Developments and Application of the SelfOrganizing Map and Related Algorithms”, Mathematics and Computers in Simulation, 1996 [10] Teuvo Kohonen, “Self-Organizing Maps”, Springer, 3rd Edition, 2001 [11] Juha Vesanto, “Using SOM in Data Mining”, Licentiate’s thesis, Helsinki University of Technology, 2000 64 ...ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐH CNTT VÀ TRUYỀN THÔNG HÀ THỊ THƢ MẠNG KOHONEN- SOM VÀ ỨNG DỤNG PHÂN CỤM ĐIỂM HỌC SINH THPT CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 60 48 01 LUẬN VĂN THẠC SĨ KHOA HỌC... đề tài ? ?Mạng Kohonen- SOM ứng dụng phân cụm điểm học sinh THPT? ?? khảo sát lĩnh vực KPDL dùng mạng nơron Luận văn tập trung vào phƣơng pháp học mạng nơron khơng có giám sát, dùng thuật toán SOM để... sinh tay (do ngƣời làm) Kết qủa phân cụm học sinh tay dựa tiêu chí khác giáo viên thực hiện, tiêu chí cụm Xét tập có n học sinh, sau phân cụm tay ta có m cụm, sau phân cụm hệ thống phần mềm phân