Dòng Nội dung
1
Dự báo tỷ giá hối đoái EUR/USD bằng thuật toán kết hợp EEMD-LSTM / Trần Thị Tuấn Anh, Nguyễn Công Quốc // Tạp chí Kinh tế và Kinh doanh : JABES . - 2024. - tr. 46-55. - ISSN: 2734-9845



Ký hiệu phân loại (DDC): 332.456
Nghiên cứu này sử dụng mô hình kết hợp giữa phương pháp phân tách các chế độ thực nghiệm tổng hợp (EEMD) và mạng bộ nhớ dài – ngắn hạn (LSTM) để dự báo chuỗi tỷ giá EUR/USD. Trong cách kết hợp này, tỷ giá hối đoái EUR/USD được phân tách thành nhiều hàm chế độ nội tại – đây được xem là thành phần đầu vào của mạng LSTM để thực hiện dự báo. Kết quả dự báo tỷ giá hối đoái được tính toán bằng cách lấy tổng tất cả giá trị dự báo của các hàm chế độ nội tại. Kết quả kiểm định cho thấy thuật toán kết hợp EEMD-LSTM là thuật toán ưu việt trong việc dự báo giá đóng cửa tỷ giá hối đoái EUR/USD. Kết quả này cho thấy tiềm năng ứng dụng thuật toán kết hợp EEMD-LSTM để dự báo các chuỗi tài chính phức tạp khác.
Số bản sách: (0) Tài liệu số: (1)
2
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: (1)
3
Khai thác mô hình học máy tiên tiến cho dự báo lợi nhuận: Nghiên cứu so sánh giữa Arima và LSTM : Khóa luận tốt nghiệp chuyên ngành Khoa học dữ liệu / Bùi Tiến Sang, Hà Minh Tân hướng dẫn
Tp. Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
xiii, 75 tr. : Hình ảnh minh họa ; 29 cm.
Ký hiệu phân loại (DDC): 332.8
Nghiên cứu tận dụng ưu điểm của các học máy tiên tiến để thực hiện dự đoán lợi nhuận trong lĩnh vực tài chính 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 của lợi nhuận. Sử dụng các chỉ số quan trọng như MSE, MAE và RMSE để 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 các mỗi mô hình hoạt động, bao gồm cơ chế của Arima và LSTM tương quan của chúng trong việc dự báo lợi nhuận tài chính. 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 cà tính linh hoạt trong dự báo. Đưa ra đánh giá chất lượng dự báo 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 báo tốt hơn trong ngữ cảnh tài chính.
 Số bản sách: (1) Tài liệu số: (0)
4
Nhận diện hành động bằng Mediapipe pose và LSTM : Khóa luận tốt nghiệp chuyên ngành Trí tuệ nhân tạo / Lê Minh Hậu; Hà Minh Tân hướng dẫn
Tp. Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
ix, 48 tr. : hình ảnh ; 29 cm.
Ký hiệu phân loại (DDC): 006.31
Tập trung nghiên cứu và phát triển một hệ thống nhận diện hành vi con người bằng cách kết hợp giữa MediaPipe Pose - một công cụ mạnh mẽ cho việc trích xuất đặc trưng hình ảnh - và mạng nơ-ron LSTM (Long Short-Term Memory) - một mô hình nổi bật trong việc xử lý các chuỗi dữ liệu thời gian. Sự kết hợp này không chỉ giúp mô hình hóa các hành vi phức tạp của con người mà còn đảm bảo độ chính xác cao và khả năng hoạt động trong thời gian thực. Đề tài này được lựa chọn nhằm tận dụng những lợi ích mà Mediapipe Pose mang lại, kết hợp với khả năng phân tích chuỗi thời gian của LSTM, để xây dựng một hệ thống nhận diện hành động "squat" và "walk" nhanh chóng, chính xác và dễ triển khai. Xây dựng một hệ thống nhận diện hai hành động chính: "squat" và "walk" dựa trên dữ liệu đầu vào từ video hoặc camera thời gian thực. Ứng dụng Mediapipe Pose để trích xuất đặc trưng khung xương của con người. Áp dụng mô hình LSTM để phân loại hành động dựa trên các chuỗi đặc trưng đã trích xuất. Đánh giá độ chính xác, hiệu suất và tính khả thi của hệ thống trong môi trường thực tế. Qua đó, sẽ đóng góp tích cực vào cộng đồng nghiên cứu về nhận diện hành vi con người, đồng thời mở ra những hướng đi mới cho việc ứng dụng công nghệ AI trong đời sống.
 Số bản sách: (1) Tài liệu số: (1)
5
Xây dựng mô hình cho dự đoán chất lượng không khí cho bài toán phân tích và dự báo trên chuỗi thời gian : Khóa luận tốt nghiệp chuyên ngành Khoa học dữ liệu / Trịnh Quốc Minh; Võ Thị Hồng Thắm hướng dẫn
Tp.Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2023
viii, 57 tr. : Biểu đồ ; 29 cm.
Ký hiệu phân loại (DDC): 551.5
Nghiên cứu tập trung vào việc sử dụng phân tích chuỗi thời gian để dự đoán chất lượng không khí trong tương lai. Quá trình nghiên cứu bắt đầu bằng việc thu thập dữ liệu lịch sử về chất lượng không khí và các yếu tố có liên quan để xây dựng mô hình cơ bản. Áp dụng các kỹ thuật phân tích chuỗi thời gian để khám phá xu hướng, yếu tố chu kỳ và mùa vụ có thể ẩn sau dữ liệu. Cuối cùng, để cải thiện khả năng dự đoán, đề tài sẽ triển khai mô hình học máy LSTM. Đề tài này không chỉ hướng đến việc giải quyết thách thức liên quan đến chất lượng không khí mà còn đóng góp vào lĩnh vực nghiên cứu bằng cách áp dụng hiệu quả của các kỹ thuật phân tích chuỗi thời gian và mô hình học máy.
 Số bản sách: (1) Tài liệu số: (0)