Dòng Nội dung
1
Dự đoán giá đóng cổ phiếu SamSung bằng mô hình Bidirectional Long Short -Termmemory kết hợp phương pháp Moving Averge : Khóa luận tốt nghiệp chuyên ngành Trí tuệ nhân tạo / Lê Gia Minh; Bùi Tiến Đức hướng dẫn
Tp.Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
xi, 48 tr. : Bảng; Sơ đồ ; 29 cm.
Ký hiệu phân loại (DDC): 332.632
Đề tài cung cấp cái nhìn tổng quan về phạm vi nghiên cứu, mục tiêu và ý nghĩa của việc thăm dò trong lĩnh vực chứng khoán và việc dự đoán giá cổ phiếu. Nghiên cứu lĩnh vực học sâu (Deep Learning) đồng thời xây dựng mô hình LSTM, BiLSTM kết hợp với làm mịn dữ liệu bằng phương pháp Moving Average để dự đoán giá đóng cổ phiếu SamSung trong tương lai dựa trên dữ liệu lịch sử. Mô hình này sẽ giúp cung cấp thông tin quan trọng cho nhà đầu tư và người quản lý tài sản để họ có thể đưa ra quyết định đầu tư dựa trên các dự đoán chính xác hơn. So sánh và đưa ra kết luận mô hình học sâu LSTM và BiLSTM kết hợp Moving Average khi được tối ưu mang đến hiệu suất cao đối với các bộ dữ liệu chứng khoán khối ngành công nghệ.
 Số bản sách: (1) Tài liệu số: (0)
2
Xây dựng mô hình dự đoán nhu cầu tiêu thụ điện năng : Khoá luận tốt nghiệp chuyên ngành Khoa học dữ liệu / Bùi Thị Thuỳ Trang; Sử Nhật Hạ hướng dẫn
Tp. Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
xi, 31 tr. : biểu đồ ; 29 cm.
Ký hiệu phân loại (DDC): 621.31
Dự đoán tiêu thụ điện năng là một bài toán phức tạp, đòi hỏi phải hiểu và xử lý tốt các đặc điểm chuỗi thời gian của dữ liệu như xu hướng (trend), tính mùa vụ (seasonality), và các yếu tố bất thường (irregularity). Xây dựng hoàn thiện mô hình dự đoán công xuất điện tiêu thụ thông qua mô hình ARIMA và LSTM giúp các nhà đầu tư đưa ra các giải pháp và khuyến nghị cho việc quản lý và khai thác hiệu quả nguồn năng lượng điện dựa trên trên kết quả nghiên cứu. Nghiên cứu, đi sâu và xây dựng nền tảng về mô hình Time series – ARIMA, LSTM. Tiền xử lý thành công dữ liệu công suất (xử lý dữ liệu thiếu, loại bỏ giá trị ngoại lai, loại bỏ tuyến tính, tính toán các đặc tính khác...). Thực nghiệm mô hình ARIMA hoặc LSTM với độ chính xác trung bình xấp sỉ 90%.Đề tài xác định triển khai phương pháp dự báo dữ liệu theo chuỗi thời gian (time series forecasting) bằng cách kết hợp hai mô hình khác nhau là mô hình phân tích thống kê Autoregressive Integrated Moving Average (ARIMA), mô hình học sâu Long short term memory (LSTM). Kiểm thử thực nghiệm thành công với kết quả chính xác cao
 Số bản sách: (1) Tài liệu số: (1)