|
Dòng
|
Nội dung
|
|
1
|
Dự đoán chỉ số VNIDEX dựa trên mô hình học máy : Khóa luận tốt nghiệp chuyên ngành Khoa học dữ liệu / Lâm Hoàng Hưng, Sử Nhật Hạ hướng dẫn
Tp. Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
47 tr. : Hình ảnh minh họa ; 29 cm.
Ký hiệu phân loại (DDC): 006.3
Nghiên cứu nhằm phát triển một mô hình học máy chính xác và đáng tin cậy để dự đoán biến động chỉ số VNIDEX trong tương lai. Mô hình nên có khả năng ứng dụng vào thực tế và mang lại kết quả dự đoán gần với thực tế nhất. Tối ưu hoá hiệu suất mô hình để giảm thiểu sai số dự đoán và tăng cường khả năng đoán trúng. Sự chính xác của mô hình là quan trọng để đảm bảo thông tin dự đoán là hữu ích và đáng tin cậy. Phân tích ảnh hưởng của các yếu tố khác nhau như giá cổ phiếu lịch sử, chỉ số kinh tế và yếu tố tài chính khác đối với biến động của VNIDEX. So sánh và đánh giá mô hình nhằm giúp đánh giá tính hiệu quả và độ độc lập của mô hình được xây dựng.Kiểm tra khả năng ứng dụng của mô hình trong thực tế nhằm tạo ra một công cụ hữu ích cho nhà đầu tư. Góp phần vào sự phát triển của lĩnh vực dự đoán chỉ số chứng khoán bằng mô hình học máy.
Số bản sách:
(1)
Tài liệu số:
(0)
|
|
2
|
Dự đoán giá máy tính sách tay sử dụng Machine Learning:Khóa luận Tốt nghiệp chuyên ngành Trí tuệ nhân tạo. / Nguyễn Hạ Nguyên Hảo, Hà Minh Tân hướng dẫn
Tp. Hồ Chí Minh:Đại học Nguyến Tất Thành;, 2024
xii; 48 tr. : hình ảnh;29 cm.
Ký hiệu phân loại (DDC): 006.31
Nghiên cứu nhằm xây dựng tìm ra một mô hình có khả năng dự đoán chính xác và đáng tin cậy để dự đoán giá của các sản phẩm này dựa trên các thông số kỹ thuật.Điền các giá trị thiếu, xử lý các giá trị trùng lặp và mã hóa các giá trị từ category sang dạng số để phù hợp cho mô hình huống luyện. Áp dụng các thuật tóa hồi quy như Linear Regression, Random Forests, CatBoost và một số mô hình khác để xây dựng mô hình từ dữ liệu đã dược tiền sử lý. Đánh giá và tối ưu hóa mô hình; triển khai và ứng dụng. Đây sẽ là công cụ hữu ích cho người tiêu dùng và nhà sản xuất để ước tính giá trị của sản phẩm máy tính xách tay.
Số bản sách:
(1)
Tài liệu số:
(0)
|
|
3
|
Dự đoán khu vực nguy hiểm của Covid 19:Khóa luận Tốt nghiệp chuyên ngành Khoa học dữ liệu. / Nguyễn Thụy Thúy An, Nguyễn Thị Phong Dung hướng dẫn.
Tp. Hồ Chí Minh:Đại học Nguyễn Tất Thành;, 2024.
viii; 63 tr. : hình ảnh;29 cm.
Ký hiệu phân loại (DDC): 616
Nghiên cứu nhằm phát triển mô hình dự đoán khu vực nguy hiểm của COVID19. Mô hình này không chỉ giúp xác định những nguy cơ cao về mặt y tế mà còn hỗ trợ quyết định vè biện pháp phòng ngừa. Bằng cách này, có thể chuẩn bị và thực hiện các biện pháp phòng ngừa một cách đúng đắn và đúng lúc. Tận dung một khối dữ liệu lớn về y tế và xã hội. Dữ liệu không chỉ bao gồm số lượng ca nhiễm mà còn các yếu tố khác như mật độ dân số, cơ sở hạ tầng y tế, và tuân thủ các biện pháp an toàn. Hiệu quả hóa nguồn lực y tế thông qua việc định rõ các khu vực có tỷ lệ nguy hiểm. Giúp phân phối tài nguyên y tế một cách hợp lý, đảm bảo những nơi có nguy cơ cao nhất sẽ được cung cấp và hỗ trợ cần thiết. Kiểm soát hiệu quả và giảm thiểu thiệt hại kinh tế; thí nghiệm và cải tiến liên tục; chủ động trong việc đối mặt với biến động của đại dịch; chia sẻ kiến thức toàn cầu.
Số bản sách:
(1)
Tài liệu số:
(0)
|
|
4
|
|
|
5
|
Khai thác mô hình học máy để dự đoán giá bất động sản và so sánh các mô hình : Khóa luận tốt nghiệp chuyên ngành Khoa học dữ liệu / Nguyễn Minh Sang, Phạm Đình Tài hướng dẫn
Tp. Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
xv, 51 tr. : Hình ảnh minh họa ; 29 cm.
Ký hiệu phân loại (DDC): 332.632
Đề tài nghiên cứu nhằm mục đích tận dụng ưu điểm của các học máy tiên tiến để thực hiện dự đoán trong lĩnh vực doanh thu nhằm đưa lại một chính sách hiệu quả nhất. Nghiên cứu này chỉ tập trung vào việc so sánh hiệu suất giữa hai mô hình cụ thể là ARIMA và LSTM trong quá trình dự đoán. Để có một cái nhìn chi tiết nhất, ở đây sẽ sử dụng các chỉ số quan trọng như MSE, MAE và RMSE và tiến hành một phân tích tổng quan, tập trung vào so sánh kết quả các giá trị của hai mô hình. Cung cấp thông tin rất chi tiết về cách mỗi mô hình hoạt động, bao gồm cơ chế của ARIMA và LSTM, và tương quan của chúng trong việc dự đoán. Nghiên cứu sẽ xây dựng, tinh chỉnh, cho các mô hình học hỏi trên dữ liệu lịch sử, điều chỉnh các tham số quan trọng để đảm bảo hiệu quả và tính linh hoạt trong dự đoán. Sau khi hoàn tất việc xây dựng, nghiên cứu sẽ áp dụng thuật toán của những mô hình để dự đoán và đưa ra một cái đánh giá chất lượng dự đoán dựa trên MSE và RMSE, MAE. Kết quả so sánh giữa ARIMA và LSTM giúp đưa ra kết luận rằng một trong hai có khả năng dự đoán tốt hơn trong ngữ cảnh doanh thu.Nghiên cứu này hứa hẹn mang lại hiểu biết của sự khác biệt giữa ARIMA và LSTM, cung cấp thông tin quan trọng cho những người có ý định tiến hành áp dụng khi họ đưa ra quyết định về lựa chọn mô hình phù hợp nhất cho nhiệm vụ dự đoán doanh thu
Số bản sách:
(1)
Tài liệu số:
(0)
|
|
|
|
|