Dự Báo Biến Động Nhân Sự Của Các Cục Thi Hành Án Dân Sự Ở Việt Nam

Dự báo biến động nhân sự tại các cục thi hành án dân sự ở Việt Nam bằng phương pháp học máy, mang lại cái nhìn sâu sắc và chính xác.

• Tác giả: Lưu Tuấn Kiệt
• Trường học: Trường Đại học Mở Hà Nội
• Chuyên ngành: Thạc sĩ
• Đề tài: Dự Báo Biến Động Nhân Sự Các Cục Thi Hành Án Dân Sự Ở Việt Nam Sử Dụng Phương Pháp Học Máy
• Loại tài liệu: Luận văn tốt nghiệp
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Dự Báo Biến Động Nhân Sự Cục Thi Hành Án

Biến động nhân sự là một vấn đề cấp bách đối với các Cục Thi Hành Án Dân Sự (THADS) tại Việt Nam. Tình trạng này ảnh hưởng trực tiếp đến hiệu quả hoạt động, gây gián đoạn công việc và tăng chi phí đào tạo, tuyển dụng. Luận văn này tập trung vào việc dự báo biến động nhân sự bằng cách sử dụng các phương pháp học máy, nhằm cung cấp thông tin quan trọng cho việc lập kế hoạch và quản lý nguồn nhân lực. Việc dự báo chính xác giúp các cơ quan THADS chủ động đối phó với tình hình, giảm thiểu tác động tiêu cực. Theo Luận văn Thạc sĩ của Lưu Tuấn Kiệt, việc áp dụng học máy có thể mang lại những dự báo chính xác hơn so với các phương pháp truyền thống.

1.1. Tầm Quan Trọng Của Quản Lý Biến Động Nhân Sự

Quản lý biến động nhân sự hiệu quả là yếu tố then chốt để đảm bảo sự ổn định và phát triển của Cục THADS. Việc hiểu rõ nguyên nhân và xu hướng biến động giúp đưa ra các giải pháp can thiệp kịp thời. Các yếu tố ảnh hưởng đến biến động nhân sự bao gồm môi trường làm việc, chính sách đãi ngộ, cơ hội phát triển nghề nghiệp và áp lực công việc. Phân tích dữ liệu biến động trong quá khứ là bước quan trọng để xây dựng mô hình dự báo chính xác, hỗ trợ ra quyết định chiến lược về nhân sự. Dự báo biến động nhân sự không chỉ giúp giảm thiểu rủi ro mà còn tạo điều kiện để cải thiện môi trường làm việc, nâng cao sự gắn kết của nhân viên.

1.2. Giới Thiệu Phương Pháp Học Máy Trong Dự Báo Nhân Sự

Học máy, với khả năng phân tích dữ liệu lớn và tìm ra các mô hình phức tạp, đã trở thành một công cụ mạnh mẽ trong dự báo biến động nhân sự. Các thuật toán như mạng nơ-ron, cây quyết định và máy học có giám sát có thể được áp dụng để dự đoán khả năng nhân viên rời khỏi tổ chức. Ưu điểm của học máy là khả năng tự động học hỏi từ dữ liệu, thích ứng với các thay đổi trong môi trường và đưa ra các dự báo có độ chính xác cao. Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu của dự báo. Theo Luận văn, việc sử dụng học máy cho phép khám phá các yếu tố tiềm ẩn ảnh hưởng đến biến động nhân sự mà các phương pháp truyền thống khó có thể nhận diện.

II. Phân Tích Thách Thức Trong Dự Báo Biến Động Nhân Sự THADS

Việc dự báo biến động nhân sự trong các Cục THADS không phải là một nhiệm vụ dễ dàng. Có nhiều thách thức cần phải vượt qua, bao gồm sự phức tạp của dữ liệu, tính đa dạng của các yếu tố ảnh hưởng và sự thay đổi liên tục của môi trường làm việc. Dữ liệu nhân sự thường thiếu tính nhất quán, không đầy đủ hoặc chứa nhiều nhiễu. Các yếu tố như chính sách nhà nước, tình hình kinh tế xã hội và đặc thù của từng địa phương cũng có thể tác động đến biến động nhân sự. Việc xây dựng một mô hình dự báo chính xác đòi hỏi sự hiểu biết sâu sắc về lĩnh vực THADS và khả năng xử lý dữ liệu hiệu quả.

2.1. Khó Khăn Về Thu Thập Và Xử Lý Dữ Liệu Nhân Sự

Thu thập và xử lý dữ liệu nhân sự là một trong những thách thức lớn nhất trong dự báo biến động nhân sự. Dữ liệu thường nằm rải rác ở nhiều nguồn khác nhau, có định dạng không thống nhất và chứa nhiều thông tin không liên quan. Việc làm sạch, chuyển đổi và tích hợp dữ liệu đòi hỏi nhiều thời gian và công sức. Hơn nữa, vấn đề bảo mật và quyền riêng tư của dữ liệu cũng cần được xem xét cẩn thận. Việc sử dụng các công cụ và kỹ thuật xử lý dữ liệu hiện đại có thể giúp giải quyết một phần các khó khăn này, nhưng vẫn cần có sự phối hợp chặt chẽ giữa các bộ phận liên quan.

2.2. Xác Định Các Yếu Tố Ảnh Hưởng Đến Biến Động Nhân Sự

Việc xác định các yếu tố ảnh hưởng đến biến động nhân sự là một bài toán phức tạp. Các yếu tố này có thể là định lượng (như mức lương, thâm niên) hoặc định tính (như sự hài lòng trong công việc, cơ hội thăng tiến). Mối quan hệ giữa các yếu tố này cũng có thể là phi tuyến tính và thay đổi theo thời gian. Việc sử dụng các phương pháp thống kê và khai phá dữ liệu có thể giúp xác định các yếu tố quan trọng nhất và hiểu rõ mối quan hệ giữa chúng. Tuy nhiên, cần lưu ý rằng các yếu tố này có thể khác nhau tùy thuộc vào đặc điểm của từng Cục THADS.

III. Phương Pháp Học Máy Dự Báo Biến Động Nhân Sự Hiệu Quả

Để vượt qua các thách thức và đạt được độ chính xác cao trong dự báo biến động nhân sự, việc lựa chọn phương pháp học máy phù hợp là rất quan trọng. Luận văn của Lưu Tuấn Kiệt đã đề xuất và thử nghiệm một số phương pháp, bao gồm mạng nơ-ron hồi quy (RNN), LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit). Các phương pháp này có khả năng xử lý dữ liệu chuỗi thời gian, phù hợp với việc dự báo biến động nhân sự theo thời gian. Việc kết hợp các phương pháp khác nhau và tinh chỉnh các tham số của mô hình cũng có thể giúp cải thiện độ chính xác của dự báo.

3.1. Ứng Dụng Mạng Nơ ron Hồi Quy RNN Trong Dự Báo

Mạng nơ-ron hồi quy (RNN) là một loại mạng nơ-ron được thiết kế để xử lý dữ liệu chuỗi thời gian. RNN có khả năng ghi nhớ thông tin từ các bước thời gian trước đó, giúp chúng đưa ra các dự báo chính xác hơn. Trong dự báo biến động nhân sự, RNN có thể được sử dụng để phân tích xu hướng biến động trong quá khứ và dự đoán biến động trong tương lai. Tuy nhiên, RNN gặp khó khăn trong việc xử lý các chuỗi thời gian dài do vấn đề vanishing gradient.

3.2. Sử Dụng LSTM Và GRU Để Cải Thiện Độ Chính Xác

LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit) là các biến thể của RNN được thiết kế để giải quyết vấn đề vanishing gradient. LSTM và GRU có các cơ chế bộ nhớ phức tạp hơn, cho phép chúng ghi nhớ thông tin từ các bước thời gian xa hơn. Trong dự báo biến động nhân sự, LSTM và GRU thường cho kết quả tốt hơn so với RNN truyền thống, đặc biệt khi dữ liệu có tính chất chuỗi thời gian dài. Việc lựa chọn giữa LSTM và GRU phụ thuộc vào đặc điểm cụ thể của dữ liệu và yêu cầu về hiệu suất.

IV. Xây Dựng Mô Hình Dự Báo Biến Động Nhân Sự Thực Tế

Việc xây dựng một mô hình dự báo biến động nhân sự thực tế đòi hỏi sự kết hợp giữa lý thuyết và thực tiễn. Cần phải thu thập dữ liệu từ các Cục THADS, xử lý dữ liệu, lựa chọn phương pháp học máy phù hợp, huấn luyện mô hình và đánh giá hiệu suất. Quá trình này có thể lặp đi lặp lại nhiều lần để tinh chỉnh mô hình và đạt được độ chính xác mong muốn. Việc sử dụng các công cụ và thư viện phần mềm như Python, Scikit-learn và Keras có thể giúp đơn giản hóa quá trình xây dựng mô hình.

4.1. Thu Thập Dữ Liệu Từ Các Cục Thi Hành Án Dân Sự

Quá trình thu thập dữ liệu từ các Cục THADS là bước quan trọng đầu tiên. Dữ liệu cần thu thập bao gồm thông tin về nhân viên (tuổi, giới tính, trình độ học vấn, thâm niên), thông tin về công việc (vị trí, mức lương, hiệu suất) và thông tin về biến động nhân sự (lý do nghỉ việc, thời gian làm việc). Dữ liệu cần được thu thập một cách có hệ thống và đảm bảo tính chính xác, đầy đủ. Việc sử dụng các biểu mẫu và quy trình chuẩn hóa có thể giúp đảm bảo chất lượng dữ liệu.

4.2. Đánh Giá Và Tinh Chỉnh Mô Hình Dự Báo Hiệu Quả

Sau khi mô hình được huấn luyện, cần phải đánh giá hiệu suất của nó trên dữ liệu kiểm tra. Các chỉ số đánh giá thường được sử dụng bao gồm RMSE (Root Mean Squared Error), MSE (Mean Squared Error) và MAE (Mean Absolute Error). Nếu hiệu suất của mô hình chưa đạt yêu cầu, cần phải tinh chỉnh các tham số của mô hình hoặc thử nghiệm các phương pháp học máy khác. Quá trình đánh giá và tinh chỉnh mô hình có thể lặp đi lặp lại nhiều lần để đạt được độ chính xác mong muốn. Theo Luận văn, cần chú trọng đến việc lựa chọn các chỉ số đánh giá phù hợp với mục tiêu dự báo.

V. Kết Quả Nghiên Cứu Và Ứng Dụng Thực Tế Dự Báo Nhân Sự

Kết quả nghiên cứu cho thấy rằng các phương pháp học máy, đặc biệt là LSTM và GRU, có thể được sử dụng để dự báo biến động nhân sự trong các Cục THADS với độ chính xác khá cao. Mô hình dự báo có thể cung cấp thông tin hữu ích cho việc lập kế hoạch nhân sự, quản lý rủi ro và cải thiện môi trường làm việc. Việc ứng dụng mô hình dự báo trong thực tế có thể giúp các cơ quan THADS chủ động đối phó với tình hình biến động nhân sự, giảm thiểu tác động tiêu cực và nâng cao hiệu quả hoạt động.

5.1. Phân Tích Kết Quả Dự Báo Từ Mô Hình Học Máy

Việc phân tích kết quả dự báo từ mô hình học máy là bước quan trọng để hiểu rõ khả năng và hạn chế của mô hình. Cần phải so sánh kết quả dự báo với dữ liệu thực tế và xác định các yếu tố ảnh hưởng đến độ chính xác của dự báo. Việc phân tích sâu hơn có thể giúp cải thiện mô hình và đưa ra các khuyến nghị về chính sách nhân sự.

5.2. Ứng Dụng Kết Quả Dự Báo Trong Quản Lý Nhân Sự

Kết quả dự báo biến động nhân sự có thể được sử dụng trong nhiều khía cạnh của quản lý nhân sự. Ví dụ, mô hình có thể giúp xác định các nhân viên có nguy cơ rời khỏi tổ chức, từ đó có thể đưa ra các biện pháp giữ chân nhân tài. Mô hình cũng có thể giúp lập kế hoạch tuyển dụng và đào tạo, đảm bảo rằng tổ chức luôn có đủ nhân lực để đáp ứng yêu cầu công việc. Ngoài ra, mô hình có thể giúp đánh giá hiệu quả của các chính sách nhân sự và đưa ra các điều chỉnh phù hợp.

VI. Triển Vọng Tương Lai Của Dự Báo Biến Động Nhân Sự THADS

Dự báo biến động nhân sự bằng phương pháp học máy là một lĩnh vực đầy tiềm năng. Trong tương lai, với sự phát triển của công nghệ và sự gia tăng của dữ liệu, chúng ta có thể xây dựng các mô hình dự báo chính xác hơn và ứng dụng chúng vào nhiều lĩnh vực khác nhau của quản lý nhân sự. Việc kết hợp học máy với các phương pháp quản lý nhân sự truyền thống có thể mang lại những kết quả vượt trội.

6.1. Phát Triển Các Mô Hình Dự Báo Phức Tạp Hơn

Trong tương lai, chúng ta có thể phát triển các mô hình dự báo phức tạp hơn bằng cách kết hợp nhiều nguồn dữ liệu khác nhau (ví dụ, dữ liệu từ mạng xã hội, dữ liệu về tình hình kinh tế xã hội) và sử dụng các thuật toán học máy tiên tiến hơn (ví dụ, học sâu, học tăng cường). Các mô hình này có thể giúp dự báo biến động nhân sự với độ chính xác cao hơn và cung cấp thông tin chi tiết hơn về nguyên nhân và xu hướng biến động.

6.2. Ứng Dụng Trí Tuệ Nhân Tạo Trong Quản Lý Nguồn Nhân Lực

Trí tuệ nhân tạo (AI) có thể được ứng dụng rộng rãi trong quản lý nguồn nhân lực, từ tuyển dụng, đào tạo đến đánh giá hiệu suất và giữ chân nhân tài. Các hệ thống AI có thể giúp tự động hóa các tác vụ lặp đi lặp lại, cung cấp thông tin hữu ích cho việc ra quyết định và cải thiện trải nghiệm của nhân viên. Việc kết hợp AI với dự báo biến động nhân sự có thể giúp các tổ chức quản lý nguồn nhân lực một cách hiệu quả hơn và đạt được lợi thế cạnh tranh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 GIỚI THIỆU 1.1 Lý do chọn đề tài Những nãm gần đây, Các Cục Thi hành án dân sự (THADS) trên cà nước có những biến động nhân sự ngoài mong muốn dẫn tới không hoàn thành nhiệm vụ. Biến động nhân sự cũng ảnh hưởng tới việc bố trí, cấp phát ngân sách cho toàn hệ thống gặp van đề về hiệu quà, đúng hạn mức.không đạt được mục tiêu đề ra. Việc dự đoán nhân sự có tiến hành nhưng chú yếu là định tính nhưng khoa học AI [1] cụ thế là học máy (ML) đang phát triển hoàn toàn có the đáp ứng công tác dự báo cho công việc này. Các biến động về nhân sự thường là những hệ thống rất phức tạp vì vậy rat khó có thể dự đoán được dữ liệu của nó.

Điển hình như biến động về mặt nhân sự trong các tổ chức, cơ quan nhà nước (vốn được cho là khá ổn định), việc dự đoán được sự thiếu hụt nhân sự ngoài các yếu tố thường xuyên (như nghĩ hưu. nghĩ theo chính sách.) là vấn đề không đơn giàn. Tính phi tuyến tính cùa thị trường lao động (xét cho cùng, nhân sự làm việc trong các tồ chức công lập kể trên cũng chính là đối tượng cùa thị trường lao động) kèm theo sự tác động bất ngờ của các yếu tố khách quan như hội nhập kinh tế, đánh giá xã hội, giá trị sống. làm cho việc dự đoán thị trường này rất phức tạp và khó khăn.

Vì vậy, việc làm the nào đế dự đoán tốt thị trường lao động trớ nên rất hấp dần đối với các nhà nghiên cứu và phân tích. Đế dự đoán được xu thế của thị trường đầy biến động, chúng ta phải thừa nhận rằng có một số luật cơ bàn có thế được lặp đi lặp lại trong thị trường lao động. Các luật này ấn trong lịch sử dữ liệu. Từ khía cạnh toán học, các luật này là các hàm quan hệ.

Đối tượng của dự đoán chính là tìm ra các luật này và mô tã chúng. Những dự đoán của hệ thống phi tuyến động có thế được chuyển đôi thành vấn đề dự đoán chuồi thời gian thực. Những nghiên cứu trước chi ra rằng, đe dự đoán dữ liệu chuồi thời gian phi tuyến tính thì sừ dụng mô hình LSTM [3] là một phương pháp hiệu quả. Mô hỉnh LSTM là mô hình tốt để dự đoán xu thế cúa thị trường lao động.

Ngày nay có rat nhiều nghiên cứu trên lĩnh vực này, nhưng trong những nghiên cứu đó, thị trường lao động có thế không được phân tích từ khía cạnh toán học, vì thế mà cơ sở toán học của phương pháp này không được công khai và được nhân rộng. Với những lý do trên, đề tài nghiên cứu của luận văn: “Dự báo biến động nhân sự của các Cục Thi hành Án Dân sự ớ Việt Nam sử dụng phương pháp học máy” được đè xuất là hết sức cần thiết.2 Mục tiêu đề tài Dựa trên lý do chọn đề tài, trong nghiên cứu này luận văn hướng đến các mục tiêu chính sau: • Thiết lập giái pháp hồ trợ lập quy hoạch cán bộ cho các Cục THADS trên toàn quốc bằng phương pháp khoa học thay cho các phương pháp định tính truyền thống; Làm tiền đề hồ trợ các công tác lập kế hoạch khác. • Tiếp cận cơ sở lý thuyết về mô hình học máy Long short term memory (LSTM). • ứng dụng mô hình LSTM vào dự báo, sử dụng ngôn ngữ python.

• Đánh giá kết quả từ mô hình LSTM trước khi đưa ra kết luận và kiến nghị.3 Đối tượng và phạm vi nghiên cứu 1.1 Đoi tượng nghiên cứu Xây dựng mô hình dự báo và đánh giá biến động nhàn sự của các Cục Thi hành Án Dân sự ờ Việt Nam dựa trên dữ liệu chuồi thời gian ứng dụng mô hình học sâu (Deep Learning) với mô hình Long short term memory (LSTM).2 Phạm vi nghiên cứu Với đề tài lựa chọn là “Dự báo biến động nhân sự cứa các Cục Thi hành Án Dân sự ở Việt Nam sử dụng phương pháp học máy”, em đã lựa chọn các bàn báo cáo định kỳ hàng năm của các Cục THADS trên cả nước (căn cứ các nội dung công bố của Tồng cục THADS trên các phương tiện thông tin đại chúng) làm căn cứ đề tiến hành dự đoán. Dùng dừ liệu từ năm 2012 đến năm 2021 để sư dụng kiềm tra mô hình, dùng dữ liệu đánh giá (một số các chì số được đánh giá là có ảnh hưởng tới đặc thù ngành THADS theo ý kiến chuyên gia) cùa các năm trước đế dự báo và tiến hành dự đoán độ biến động theo nhu cầu. 2 CHÌ T1ÈU TIẾP NHẬN CÕNG CHỨC CÁC cơ QUAN THADS NÁM 2020 (Kèm theo Thông báo số 298/TB-TCTHADS ngày 19/11/2020 của Tồng cục THADS) Chì tiêu tiếp nhận Nhãn Chuyên viên Vãn STT Tên dơn vị Ghi chú viên làm Kế toán Thù thư Tổng công tác viẻn kho, trung THADS Thù cấp quỹ 1 2 3 4 5 6 7 8 Tổng cộng 135 102 21 5 7 1 An Giang 2 2 0 0 0 í. í Chl cục THADS huyện Thoại Sơn 1 1 0 0 0 1.2 Chi cục THADS huyện Chợ Mới 1 1 0 0 0 2 Bạc Liêu 4 4 0 0 0 2.1 Cục THADS tình 1 1 0 0 0 2.2 Chi cục THADS huyện Vỉnh Lợi 1 1 0 0 0 2.3 Chi cục THADS huyện Hồng Dãn 1 1 0 0 0 Hình 1.1 Cúc hùn nội dung tuyên dụng của Tông cục THADS dăng tải 1.3 Khu vực nghiên cứu Nghiên cứu dự báo biến động nhân sự cùa các Cục Thi hành Án Đàn sự ớ Việt Nam có vai trò rất quan trọng trong việc thế hiện các tác động khi dùng các dữ liệu đầu vào và đề đánh giá theo phương pháp truyền thống còn nhiều hạn chế tại thời điếm tức thời.

Đây là một việc có ý nghĩa quan trọng trong dự báo có tính khoa học và công nghệ. Nghiên cứu sử dụng dữ liệu đầu vào là các chi số về nhân sự kết hợp các thuật toán, mô hình tiên tiến về trí tuệ nhân tạo và máy học đe dự báo, phối hợp với các công cụ số hoá và chính sách chính phủ điện tứ của quốc gia. 3 CHƯƠNG 2 TIẾP CẬN co SỞ LÝ THUYẾT 2.1 Tông quan Máy học là môn khoa học nham phát triến những thuật toán và mô hình thống kê mà các hệ thống máy tính sử dụng đe thực hiện các tác vụ dựa vào khuôn mẫu và suy luận mà không cần hướng dẫn cụ thế. Các hệ thống máy tính sứ dụng thuật toán máy học đế xử lý khối lượng lớn dữ liệu trong quá khứ và xác định các khuôn mẫu dữ liệu.

Việc này cho phép chúng dự đoán kết quà chính xác hơn từ cùng một tập dữ liệu đau vào cho trước. Máy học hiện đang được sứ dụng rộng rãi trong nhiều lĩnh vực: chấn đoán y tế, phân loại hình ảnh, nhận dạng vật thế, nhận dạng giọng nói và chừ viết, phân tích câu và dịch tự động, trò chơi, ô tô tự lái, tư vấn bán hàng,. Theo các phương pháp học tập, học máy có thế được chia thành: học có giám sát “supervised learning”, học không giám sát “unsupervised learning”, học nừa giám sát “semi-supervised learning”, học tăng cường “reinforcement learning”. Vi nội dung cua luận văn này tập trung vào mạng nư-ron nhân lạo giái quyết bài toán liên quan đón phân loại gán nhãn cho trước, vi thế chi quan tâm đến hình thức học đầu tiên, tức là học có giám sát và không quan tâm nhiều đến các hình thức học còn lại.2 Các phương pháp học máy 2.1 Học có giám sát (Supervised Learning) Đây là một phương pháp máy học có thế giài quyết đề bài dự đoán mục tiêu cho một đầu vào nhất định.

Với mục tiêu được gọi là “nhãn” (label) và thường được biếu thị bằng y. Dữ liệu đầu vào thường được biểu diễn bàng X. Mồi một cặp x,y được gọi là một mầu và được cung cấp cho quy trình huấn luyện mô hình. Tóm lại: học có giám sát là hình thức học trong đó dữ liệu được sử dụng đồ xây dựng mô hình được gán nhãn từ trước.

Cho một tập hợp các diêm dừ liệu {x(l),.,y(m)}, chúng ta muốn xây dựng một bộ phân loại học được cách dự đoán y từ X. - Các loại mô hình dự đoán được tong kết trong bàng bên dưới: 4 Hồi quy Phân loại Đầu ra Liên tục Lớp Các ví dụ Hồi quy Hồi quy Logistic, SVM, tuyến tính Naive Bayes - Các mô hình khác nhau được tổng kết trong băng bên dưới: Mô hình phân biệt Mô hình sinh Ước lượng trực tiếp Ước lượng XẠ) để Mục tiêu Ạrl.v) tiếp tục suy luận X.vlx) Những gì học dưọc Biên quyết định Phân bố xác suất của dừ liệu Hình minh hoạ • / * Các ví dụ Hồi quy, SVMs GDA, Naive Bayes Thư viên Trường Đại học Mở Hà Nội Một số lình vực sữ dụng phưong pháp học có giám sát: dự đoán tinh trạng bệnh của bệnh nhân dựa trên các giá trị đo được, phân loại email có phải thư rác hay không, dự đoán giá chứng khoán dựa trên lịch sử giá, phân loại hình ánh lũ lụt dựa trên hình ánh vệ tinh,.1 Minh họa học máy có giám sát 5 Học có giám sát được ứng dụng trong một số bài toán : • Hoi quy (regression): là bài toán tỉm nghiệm tối ưu có giá trị trà về là một số thực, quan hệ giữa giá trị đầu vào với kết quả là 1 hàm số y = /(x) và thường sẽ là tuyến tính hoặc logistic. Mục đích cùa bài toán đặt ra là tim được nghiệm gần đúng y ~ ỹ = f(x) với y(x) = w1x1 + W2X2 ++ IVO. Hai hàm mất mát khá phố biến là /(y,ỹ) = Ejly, — ỹiI và í(y,ý) - ỉàíỵt — ỹi)2 và ta giả sử dữ liệu có nhiều Gauss.

Chang hạn: dự đoán giá đất. • Phân loại (classification): với đề bài dự đoán nhãn, lớp giữa những nhãn, lớp hiện có. Mô hình được xây dựng theo một tập dữ liệu đã được gán nhàn trước. Đầu ra cùa mô hình là một mảng bao gồm các xác suất cùa các lớp tương ứng với giá trị đầu vào.

Hàm mất mát được nhiều người biết đến là entropy chéo. Bài toán phân lớp được chia như sau: phân lớp nhị phân (phân loại đúng hoặc sai), phân lớp đa lớp và phân lớp đa trị. Thí dụ: đưa hình ảnh cùa một chú chim vào một mô hình phân loại giữa {chó, mèo, gà, chim} ta thu được kết quá trà về với xác xuất cùa các bức hình là chó, mèo, gà và chim theo mô hình là {0.^ĩỊlir viện Trường Đại học Mở Hà Nội 2.