Tìm Hiểu Mô Hình Hồi Quy và Ứng Dụng Trong Dự Báo Dữ Liệu Chuỗi Thời Gian

Tìm hiểu mô hình hồi quy và ứng dụng trong dự báo dữ liệu chuỗi thời gian trong đồ án HCMUTE, cung cấp kiến thức và phương pháp hữu ích.

• Tác giả: Nguyễn Xuân Nguyên
• Người hướng dẫn: TS. Nguyễn Thành Sơn
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Mô Hình Hồi Quy và Ứng Dụng Trong Dự Báo Dữ Liệu Chuỗi Thời Gian
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2020
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. PHẦN 1: MỞ ĐẦU
• 1.1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI
• 1.2. MỤC ĐÍCH CỦA ĐỀ TÀI
• 1.3. CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.4. KẾT QUẢ ĐẠT ĐƯỢC
• 2. PHẦN 2: NỘI DUNG
• 2. CHƯƠNG 1: TỔNG QUAN VÀ ỨNG DỤNG
• 1.1. MACHINE LEARNING LÀ GÌ?
• 1.2. FORECASTING LÀ GÌ?
• 1.3. MACHINE LEARING ĐƯỢC ỨNG DỤNG VÀO NHỮNG VIỆC GÌ?
• 1.4. CÁC BƯỚC CƠ BẢN ĐỂ TIẾN HÀNH TRONG MỘT DỰ BÁO
• 1.5. DỮ LIỆU VÀ PHƯƠNG PHÁP DÙNG TRONG DỰ BÁO
• 3. CHƯƠNG 2: CÁC CÁCH THỂ HIỆN DỮ LIỆU DƯỚI DẠNG TIME SERIES
• 2.1. CÁC MÔ TÍP CÓ THỂ XUẤT HIỆN
• 2.2. CÁC CÁCH THỂ HIỆN DỮ LIỆU DƯỚI DẠNG TIME SERIES
• 4. CHƯƠNG 3: CÁC CÔNG CỤ SỬ DỤNG CHO VIỆC DỰ ĐOÁN
• 3.1. CÁC PHƯƠNG PHÁP DỰ ĐOÁN ĐƠN GIẢN
• 3.2. CHUYỂN ĐỔI VÀ ĐIỀU CHỈNH (Transformation and adjustment)
• 3.3. BIẾN ĐỔI (Transformation)
• 5. CHƯƠNG 4: MÔ HÌNH HỒI QUY
• 4.1. Hồi quy bội
• 4.2. Mô hình hồi quy theo thời gian
• 6. CHƯƠNG 5: MÔ HÌNH MẠNG NEURON NHÂN TẠO (ANN)
• 5.1. Lịch sử phát triển của neuron nhân tạo
• 5.2. Neuron sinh vật
• 5.3. Mạng neuron nhân tạo
• 7. CHƯƠNG 6: MÔ HÌNH KẾT HỢP HỒI QUY VÀ MẠNG NEURON NHÂN TẠO
• 6.1. Giới thiệu mô hình
• 6.2. Tính sai số toàn phương trung bình (MSE) và trọng số
• 8. CHƯƠNG 7: ĐÁNH GIÁ BẰNG THỰC NGHIỆM
• 7.1. Môi trường thực nghiệm
• 7.2. Các tập dữ liệu dùng trong thực nghiệm
• 7.3. Các trường hợp thực nghiệm
• 7.4. Kết quả thực nghiệm
• 3. PHẦN 3: KẾT LUẬN
• 3.1. KẾT QUẢ ĐẠT ĐƯỢC
• 3.2. ĐÓNG GÓP CỦA ĐỀ TÀI
• 3.4. HƯỚNG PHÁT TRIỂN
• DANH MỤC TÀI LIỆU THAM KHẢO
• KẾ HOẠCH THỰC HIỆN LUẬN VĂN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG

Tóm tắt

I. Mô hình hồi quy tuyến tính và ứng dụng trong dự báo chuỗi thời gian

Phần này tập trung vào mô hình hồi quy tuyến tính, một công cụ mạnh mẽ trong dự báo chuỗi thời gian. Mô hình hồi quy tuyến tính giả định mối quan hệ tuyến tính giữa biến phụ thuộc (yếu tố cần dự báo) và biến độc lập (yếu tố ảnh hưởng). Với dữ liệu chuỗi thời gian, biến độc lập thường bao gồm các giá trị trễ của biến phụ thuộc hoặc các biến ngoại sinh khác. Phân tích chuỗi thời gian là bước quan trọng trước khi xây dựng mô hình. Chuỗi thời gian ổn định (chuỗi thời gian ổn định) sẽ cho kết quả chính xác hơn. Ngược lại, chuỗi thời gian phi ổn định (chuỗi thời gian phi ổn định) cần được xử lý trước khi áp dụng hồi quy. Phương pháp phổ biến là sử dụng phép biến đổi logarit hoặc sai phân. Kiểm định Durbin-Watson giúp đánh giá tính tự tương quan của phần dư, đảm bảo tính độc lập của các quan sát. Kiểm định t-test và Kiểm định F-test xác định ý nghĩa thống kê của các hệ số hồi quy. R-squared đánh giá độ thích hợp của mô hình. Mô hình hồi quy tuyến tính được ứng dụng rộng rãi trong dự báo doanh số, dự báo giá cổ phiếu, và nhiều lĩnh vực khác. Thực nghiệm hồi quy giúp đánh giá hiệu quả mô hình thông qua các chỉ số như RMSE, MAE, và MAPE.

1.1 Mô hình hồi quy đơn và hồi quy bội

Mô hình hồi quy đơn xét mối quan hệ giữa biến phụ thuộc và một biến độc lập. Công thức: y = β0 + β1x + ε. Mô hình hồi quy bội mở rộng mô hình hồi quy đơn bằng cách bao gồm nhiều biến độc lập. Công thức tổng quát: y = β0 + β1x1 + β2x2 + ... + βnxn + ε. Việc lựa chọn biến độc lập dựa trên lý thuyết kinh tế và phân tích tương quan. Kiểm định tương quan giữa các biến giúp xác định mối liên hệ và loại bỏ biến không cần thiết. Mô hình hồi quy bội cho phép dự báo chính xác hơn so với mô hình hồi quy đơn do tính đến nhiều yếu tố ảnh hưởng. Ứng dụng của mô hình hồi quy bội rất đa dạng, bao gồm dự báo kinh tế, dự báo tài chính, và dự báo y tế. Python, R, và MATLAB là các công cụ hữu ích trong việc xây dựng và phân tích mô hình hồi quy. Thư viện scikit-learn và thư viện statsmodels trong Python cung cấp các hàm hỗ trợ mạnh mẽ. Ngoại suy và nội suy là hai kỹ thuật quan trọng trong việc sử dụng mô hình hồi quy để dự báo.

1.2 Ứng dụng thực tiễn và đánh giá mô hình

Ứng dụng hồi quy trong kinh tế tập trung vào dự báo doanh số, dự báo giá cả, và phân tích tác động của các chính sách kinh tế. Trong tài chính, mô hình hồi quy dùng để dự báo giá cổ phiếu, dự báo tỷ giá hối đoái, và đánh giá rủi ro đầu tư. Ứng dụng hồi quy trong y tế bao gồm dự báo số ca mắc bệnh, phân tích yếu tố nguy cơ, và dự đoán hiệu quả điều trị. Đánh giá mô hình hồi quy dựa trên các chỉ số thống kê như RMSE, MAE, MAPE, và R-squared. RMSE (Root Mean Squared Error) đo độ lệch trung bình bình phương căn bậc hai giữa giá trị dự báo và giá trị thực tế. MAE (Mean Absolute Error) đo độ lệch tuyệt đối trung bình. MAPE (Mean Absolute Percentage Error) là sai số phần trăm trung bình tuyệt đối. R-squared cho biết phần trăm phương sai của biến phụ thuộc được giải thích bởi mô hình. Việc lựa chọn mô hình phụ thuộc vào dữ liệu cụ thể và mục tiêu dự báo. Xử lý dữ liệu thiếu là bước quan trọng trong quá trình xây dựng mô hình để đảm bảo độ tin cậy của kết quả.

II. Mô hình hồi quy phi tuyến tính và ứng dụng

Khi mối quan hệ giữa biến phụ thuộc và độc lập không tuyến tính, mô hình hồi quy phi tuyến tính được sử dụng. Mô hình hồi quy đa biến, mô hình hồi quy logistic, và mô hình hồi quy polynomial là những ví dụ điển hình. Mô hình hồi quy đa biến mở rộng mô hình hồi quy tuyến tính bằng cách bao gồm các biến độc lập có bậc cao hơn hoặc các tích của biến độc lập. Mô hình hồi quy logistic dự báo biến phụ thuộc dạng nhị phân (0 hoặc 1). Mô hình hồi quy polynomial sử dụng hàm đa thức để mô tả mối quan hệ phi tuyến tính. Lựa chọn mô hình phụ thuộc vào dữ liệu và mục tiêu nghiên cứu. Kiểm định độ tốt của mô hình vẫn sử dụng các chỉ số như RMSE, MAE, MAPE, và R-squared. Học máy đóng vai trò quan trọng trong việc tìm kiếm mô hình phi tuyến tính tối ưu. Thuật toán tối ưu như gradient descent được sử dụng rộng rãi.

2.1 Mô hình hồi quy polynomial

Mô hình hồi quy polynomial sử dụng đa thức để mô hình hóa mối quan hệ phi tuyến tính giữa biến phụ thuộc và biến độc lập. Cấp của đa thức xác định độ phức tạp của mô hình. Cấp quá cao dẫn đến hiện tượng quá khớp (overfitting), trong khi cấp quá thấp dẫn đến hiện tượng thiếu khớp (underfitting). Kiểm định cross-validation giúp lựa chọn cấp của đa thức phù hợp. Mô hình hồi quy polynomial thường được sử dụng trong các trường hợp dữ liệu có xu hướng phi tuyến rõ rệt. Ưu điểm là khả năng mô tả tốt các mối quan hệ phức tạp. Nhược điểm là dễ bị quá khớp nếu không được điều chỉnh cẩn thận. Các thuật toán như least squares được sử dụng để ước lượng các hệ số của đa thức. Phân tích dư giúp đánh giá chất lượng của mô hình và phát hiện các điểm dữ liệu ngoại lai.

2.2 Mô hình hồi quy logistic và ứng dụng

Mô hình hồi quy logistic được sử dụng để dự báo biến phụ thuộc dạng phân loại (thường là 0 hoặc 1). Mô hình này sử dụng hàm sigmoid để chuyển đổi giá trị dự báo thành xác suất. Hàm sigmoid có dạng S, cho phép mô hình phân loại các quan sát vào các nhóm khác nhau. Mô hình hồi quy logistic ứng dụng rộng rãi trong nhiều lĩnh vực, chẳng hạn như phân loại tín dụng, phân loại hình ảnh, và dự báo sự kiện. Các chỉ số đánh giá mô hình bao gồm độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), và diện tích dưới đường cong ROC (AUC). Thuật toán tối ưu như gradient descent được sử dụng để tìm các tham số tối ưu của mô hình. Xử lý dữ liệu mất cân bằng là một vấn đề quan trọng cần được giải quyết khi áp dụng mô hình hồi quy logistic.

III. Mô hình ARIMA SARIMA và các phương pháp dự báo chuỗi thời gian khác

Ngoài mô hình hồi quy, các mô hình khác như ARIMA, SARIMA, Exponential Smoothing, và Prophet cũng được sử dụng rộng rãi trong dự báo chuỗi thời gian. ARIMA (Autoregressive Integrated Moving Average) là một mô hình thống kê phổ biến. SARIMA (Seasonal ARIMA) mở rộng ARIMA để xử lý dữ liệu có tính mùa vụ. Exponential Smoothing là một nhóm phương pháp dự báo dựa trên trọng số mũ cho các giá trị quá khứ. Prophet là một mô hình dự báo được phát triển bởi Facebook, thích hợp cho dữ liệu có xu hướng và mùa vụ rõ rệt. Việc lựa chọn mô hình phụ thuộc vào đặc điểm của dữ liệu và yêu cầu dự báo. Phân tích chuỗi thời gian là bước quan trọng để xác định đặc điểm của dữ liệu như xu hướng, mùa vụ, và tính tự tương quan. Kiểm định ADF và Kiểm định KPSS giúp xác định tính ổn định của chuỗi thời gian. GARCH (Generalized Autoregressive Conditional Heteroskedasticity) được sử dụng để mô hình hóa biến động của chuỗi thời gian. Mô hình AR, mô hình MA, và mô hình ARMA là các mô hình cơ bản trong dự báo chuỗi thời gian. Thư viện forecast trong R cung cấp các hàm hỗ trợ mạnh mẽ cho các mô hình này.

3.1 Mô hình ARIMA và SARIMA

Mô hình ARIMA bao gồm ba thành phần: AR (Autoregressive), I (Integrated), và MA (Moving Average). AR mô tả mối quan hệ giữa giá trị hiện tại và các giá trị quá khứ của chuỗi thời gian. I xử lý tính phi ổn định của chuỗi thời gian bằng cách sử dụng phép sai phân. MA mô tả mối quan hệ giữa giá trị hiện tại và các sai số quá khứ. SARIMA mở rộng ARIMA bằng cách thêm các thành phần mùa vụ. Xác định thứ tự của mô hình ARIMA dựa trên các hàm tự tương quan (ACF) và tự tương quan riêng phần (PACF). Kiểm định AIC và BIC giúp lựa chọn mô hình tốt nhất. Ứng dụng ARIMA và SARIMA rất đa dạng, bao gồm dự báo kinh tế, dự báo thời tiết, và dự báo tài chính. Học máy có thể được kết hợp với ARIMA và SARIMA để cải thiện độ chính xác của dự báo.

3.2 Exponential Smoothing và Prophet

Exponential Smoothing gán trọng số mũ giảm dần cho các giá trị quá khứ. Các phương pháp phổ biến bao gồm đơn giản (Simple Exponential Smoothing), song song (Double Exponential Smoothing), và ba cấp (Triple Exponential Smoothing). Simple Exponential Smoothing phù hợp cho dữ liệu không có xu hướng và mùa vụ. Double Exponential Smoothing xử lý dữ liệu có xu hướng. Triple Exponential Smoothing xử lý dữ liệu có xu hướng và mùa vụ. Prophet là một mô hình dự báo mạnh mẽ được phát triển bởi Facebook. Prophet tự động phát hiện xu hướng và mùa vụ trong dữ liệu. Prophet dễ sử dụng và có khả năng xử lý dữ liệu có nhiều điểm ngoại lai. Prophet thích hợp cho dự báo chuỗi thời gian dài hạn. Ưu điểm là khả năng xử lý dữ liệu có nhiều thiếu sót và điểm ngoại lai. Nhược điểm là cần nhiều dữ liệu để có kết quả tốt.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CÔNG NGHỆ THÔNG TIN TÌM HIỂU MÔ HÌNH HỒI QUY VÀ ỨNG DỤNG TRONG DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN GVHD: NGUYỄN THÀNH SƠN SVTH: NGUYỄN XUÂN NGUYÊN MSSV: 16110539 SVTH: TRẦN THỊ NHỰT MSSV: 16110410 SKL007092 Tp. Hồ Chí Minh, năm 2020 do an TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM KHOA CÔNG NGHỆ THÔNG TIN BỘ MÔN HỆ THỐNG THÔNG TIN Nguyễn Xuân Nguyên - 16110539 Trần Thị Nhựt - 16110410 Đề Tài: TÌM HIỂU MÔ HÌNH HỒI QUY VÀ ỨNG DỤNG TRONG DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN KHÓA LUẬN TỐT NGHIỆP KỸ SƯ CNTT GIÁO VIÊN HƯỚNG DẪN TS. NGUYỄN THÀNH SƠN KHÓA 2016 - 2020 do an ĐH SƯ PHẠM KỸ THUẬT TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA CNTT Độc lập – Tự do – Hạnh phúc ******* ******* PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Họ và tên sinh viên 1: Nguyễn Xuân Nguyên MSSV 1: 16110539 Họ và tên sinh viên 2: Trần Thị Nhựt MSSV 2: 16110410 Ngành: Công nghệ thông tin Tên đề tài: Tìm hiểu mô hình hồi quy và ứng dụng trong dự báo dữ liệu chuỗi thời gian Họ và tên Giáo viên hướng dẫn: TS. Nguyễn Thành Sơn NHẬN XÉT 1. Về nội dung đề tài khối lượng thực hiện: ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… 2. Đề nghị cho bảo vệ hay không? 5. Đánh giá loại: 6. Hồ Chí Minh, ngày tháng năm 2020 Giáo viên hướng dẫn (Ký ghi rõ họ tên) do an ĐH SƯ PHẠM KỸ THUẬT TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA CNTT Độc lập – Tự do – Hạnh phúc ******* ******* PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN Họ và tên sinh viên 1: Nguyễn Xuân Nguyên MSSV 1: 16110539 Họ và tên sinh viên 2: Trần Thị Nhựt MSSV 2: 16110410 Ngành: Công nghệ thông tin Tên đề tài: Tìm hiểu mô hình hồi quy và ứng dụng trong dự báo dữ liệu chuỗi thời gian Họ và tên Giáo viên phản biện: NHẬN XÉT 1. Về nội dung đề tài khối lượng thực hiện: ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… 2. Đề nghị cho bảo vệ hay không? 5. Đánh giá loại: 6. Hồ Chí Minh, ngày tháng năm 2020 Giáo viên phản biện (Ký ghi rõ họ tên) do an LỜI CẢM ƠN Trong suốt quá trình học tập, nghiên cứu đề tài “Tìm hiểu mô hình hồi quy và ứng dụng trong dự báo dữ liệu chuỗi thời gian”, chúng em đã nhận được sự giúp đỡ, chỉ bảo nhiệt tình của các thầy, cô giáo Khoa Công nghệ thông tin - Trường Đại học Sư Phạm Kỹ Thuật thành phố Hồ Chí Minh. Với tình cảm chân thành, chúng em xin bày tỏ lòng biết ơn đối các thầy giáo, cô giáo đã tham gia quản lý, giảng dạy và giúp đỡ chúng em trong suốt quá trình học tập, nghiên cứu. Chúng em xin bày tỏ sự biết ơn đặc biệt đến TS. Nguyễn Thành Sơn - người đã trực tiếp hướng dẫn, giúp đỡ chúng em hoàn thành tốt luận văn này. Trong quá trình học tập và khóa luận chuyên ngành Hệ thống thông tin, chúng em đã nhận được sự quan tâm, giúp đỡ, hướng dẫn rất tận tình, tâm huyết của thầy. Thầy đã giúp đỡ em tích lũy thêm nhiều kiến thức để có cái nhìn đúng và hoàn thiện hơn cho đề tài. Do chưa có nhiều kinh nghiệm làm để tài cũng như những hạn chế về kiến thức, trong bài luận văn chắc chắn sẽ không tránh khỏi những thiếu sót. Rất mong nhận được sự nhận xét, ý kiến đóng góp, phê bình từ phía Thầy(cô) để bài khóa luận của chúng em được hoàn thiện hơn. Chúng em xin chân thành cảm ơn. do an ĐỀ CƯƠNG LUẬN VĂN TỐT NGHIỆP Họ và Tên SV thực hiện 1: Nguyễn Xuân Nguyên Mã số SV: 16110539 Họ và Tên SV thực hiện 2: Trần Thị Nhựt Mã số SV: 16110410 Thời gian làm luận văn: từ: 30/03/2020 Đến: 30/07/2020 Chuyên ngành: Hệ thống thông tin Tên luận văn: Tìm hiểu mô hình hồi quy và ứng dụng trong dự báo dữ liệu chuỗi thời gian GV hướng dẫn: TS. Nguyễn Thành Sơn Nhiệm Vụ Của Luận Văn: 1. Hiểu được tầm quan trọng của Machine Learning 2. Tìm hiểu mô hình hồi quy 3. Tìm hiểu mô hình ANN 4. Tìm hiểu mô hình kết hợp hồi quy và ANN 5. Cài đặt mô hình 6. Thực nghiệp so sánh các mô hình trên nhiều tập dữ liệu. Đề cương của luận văn: Phần 1: MỞ ĐẦU 1.1 Tính cấp thiết của đề tài 1.2 Mục đích của đề tài 1.3 Cách tiếp cận và phương pháp nghiên cứu 1.4 Kết quả đạt được Phần 2: NỘI DUNG Chương 1: Tổng quan và ứng dụng 1.1 Machine learning là gì? 1.3 Machine learing được ứng dụng vào những việc gì? 1.4 Các bước cơ bản để tiến hành trong một dự báo 1.5 Dữ liệu và phương pháp dùng trong dự báo do an Chương 2: CÁC CÁCH THỂ HIỆN DỮ LIỆU DƯỚI DẠNG TIME SERIES 2.1 Các mô típ có thể xuất hiện 2.2 Các cách thể hiện dữ liệu dưới dạng time series Chương 3: CÁC CÔNG CỤ SỬ DỤNG CHO VIỆC DỰ ĐOÁN 3.1 Các phương pháp dự đoán đơn giản 3.2 Chuyển đổi và điều chỉnh (Transformation and adjustment) 3.3 Biến đổi (Transformation) Chương 4: MÔ HÌNH HỒI QUY 4.2 Hồi quy bội 4.3 Mô hình hồi quy theo thời gian Chương 5: MÔ HÌNH MẠNG NEURON NHÂN TẠO (ANN) 5.1 Lịch sử phát triển của neuron nhân tạo 5.2 Neuron sinh vật 5.3 Mạng neuron nhân tạo Chương 6: MÔ HÌNH KẾT HỢP HỒI QUY VÀ MẠNG NEURON NHÂN TẠO 6.1 Giới thiệu mô hình 6.2 Tính sai số toàn phương trung bình (MSE) và trọng số ( ) CHƯƠNG 7: ĐÁNH GIÁ BẰNG THỰC NGHIỆM 7.1 Môi trường thực nghiệm 7.2 Các tập dữ liệu dùng trong thực nghiệm 7.3 Các trường hợp thực nghiệm 7.4 Kết quả thực nghiệm Phần 3: KẾT LUẬN 3.1 Kết quả đạt được do an 3.2 Đóng góp của đề tài 3.4 Hướng phát triển do an MỤC LỤC Phần 1: MỞ ĐẦU .1 TÍNH CẤP THIẾT CỦA ĐỀ TÀI .2 MỤC ĐÍCH CỦA ĐỀ TÀI .3 CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU .1 Đối tượng nghiên cứu .2 Phạm vi nghiên cứu .4 KẾT QUẢ ĐẠT ĐƯỢC .2 Phần 2: NỘI DUNG .3 Chương 1: TỔNG QUAN VÀ ỨNG DỤNG .1 MACHINE LEARNING LÀ GÌ? .3 MACHINE LEARING ĐƯỢC ỨNG DỤNG VÀO NHỮNG VIỆC GÌ? .4 CÁC BƯỚC CƠ BẢN ĐỂ TIẾN HÀNH TRONG MỘT DỰ BÁO.5 DỮ LIỆU VÀ PHƯƠNG PHÁP DÙNG TRONG DỰ BÁO .5 Chương 2: CÁC CÁCH THỂ HIỆN DỮ LIỆU DƯỚI DẠNG TIME SERIES .1 CÁC MÔ TÍP CÓ THỂ XUẤT HIỆN .2 CÁC CÁCH THỂ HIỆN DỮ LIỆU DƯỚI DẠNG TIME SERIES .7 Chương 3: CÁC CÔNG CỤ SỬ DỤNG CHO VIỆC DỰ ĐOÁN . CÁC PHƯƠNG PHÁP DỰ ĐOÁN ĐƠN GIẢN . CHUYỂN ĐỔI VÀ ĐIỀU CHỈNH (Transformation and Adjustment) .13 Chương 4: MÔ HÌNH HỒI QUY . HỒI QUY BỘI . MÔ HÌNH HỒI QUY THEO THỜI GIAN .51 Chương 5: MÔ HÌNH MẠNG NEURON NHÂN TẠO (ANN). LỊCH SỬ PHÁT TRIỂN CỦA NEURON NHÂN TẠO . NEURON SINH VẬT . MẠNG NEURON NHÂN TẠO .66 Chương 6: MÔ HÌNH KẾT HỢP HỒI QUY VÀ MẠNG NEURON NHÂN TẠO.1 GIỚI THIỆU MÔ HÌNH .2 TÍNH SAI SỐ TOÀN PHƯƠNG TRUNG BÌNH (MSE) và trọng số ( ) .90 CHƯƠNG 7: ĐÁNH GIÁ BẰNG THỰC NGHIỆM .1 MÔI TRƯỜNG THỰC NGHIỆM .2 CÁC TẬP DỮ LIỆU DÙNG TRONG THỰC NGHIỆM .3 CÁC TRƯỜNG HỢP THỰC NGHIỆM .4 KẾT QUẢ THỰC NGHIỆM .101 Phần 3: KẾT LUẬN .1 KẾT QUẢ ĐẠT ĐƯỢC .2 ĐÓNG GÓP CỦA ĐỀ TÀI .4 HƯỚNG PHÁT TRIỂN .112 DANH MỤC TÀI LIỆU THAM KHẢO .113 KẾ HOẠCH THỰC HIỆN LUẬN VĂN .114 do an DANH MỤC HÌNH ẢNH Hình 1 Biểu đồ lượng bia sản xuất hàng tháng tại Úc (1956-1990).6 Hình 2 Biểu đồ dự đoán lượng bia sản xuất hàng tháng tại Úc .6 Hình 3 Biểu đồ giá chứng khoán của công ty IBM .7 Hình 4 Biểu đồ dự đoán lượng bia sản xuất hàng tháng tại Úc .7 Hình 5 Biểu đồ tương quan giữa lượng điện tiêu thụ so với nhiệt độ hàng ngày .8 Hình 6 Biểu đồ tương quan lượng điện tiêu thụ giữa ngày hiện tại so với trước đó 2 ngày .8 Hình 7 Biểu đồ tương quan lượng điện tiêu thụ của ngày hiện tại so với những ngày trước đó .9 Hình 8 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc dùng phương pháp trung bình .10 Hình 9 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc dùng phương pháp Naïve .11 Hình 10 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc dùng phương pháp Seasonal Naïve.11 Hình 11 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc dùng phương pháp Drift . 12 Hình 12 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc trước khi Adjustment .13 Hình 13 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc sau khi dùng Log Transformation .14 Hình 14 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc trước khi dùng Log Transformation .15 Hình 15 Mô hình hồi quy đơn .17 Hình 16 Hàm hồi quy mẫu và phần dư.21 do an Hình 17 Hình 4.27 Hình 19 Mô hình dự đoán ví dụ 4. 54 Hình 20 Mô hình dự báo ví dụ 4.63 Hình 21 Cấu trúc neuron sinh vật .65 Hình 30 Mạng truyền thẳng nhiều lớp .67 Hình 23 Cấu trúc neuron nhân tạo .69 Hình 24 Đồ thị biểu thị hàm tuyến tính .70 Hình 25 Đồ thị biểu thị hàm sigmoid . 71 Hình 26 Đồ thị biểu thị hàm tanh .72 Hình 27 Đồ thị biểu diễn hàm ReLU .73 Hình 28 Đồ thị biểu diễn hàm dấu sgn .73 Hình 29 Các dạng học tham số .74 Hình 31 Mô hình cơ chế hoạt động của ANN .80 Hình 32 Mô hình kết hợp hồi quy và mạng neuron nhân tạo .89 Hình 33 Biểu đồ thể hiện tập dữ liệu Air quality data set .93 Hình 34 Biểu đồ biểu hiện tập dữ liệu Jena_climate_2009_2016 .94 Hình 35 Biểu đồ biểu diễn tập dữ liệu Appliance energy prediction .97 Hình 36 Biểu đồ biểu diễn tập dữ liệu Occupancy Detection Data Set .98 do an DANH MỤC BẢNG Bảng 1 Bảng số liệu 4.18 Bảng 2 Bảng xử lí số liệu ví dụ 4. 18 Bảng 3 Bảng xử lí số liệu ví dụ 4. 22 Bảng 4 Bảng xử lí số liệu ví dụ 4. 25 Bảng 5 Xử lí số liệu ví dụ 4.29 Bảng 6 Bảng số liệu 4.37 Bảng 7 Bảng xử lí ví dụ 4.39 Bảng 8 Xử lí số liệu ví dụ 4.46 Bảng 9 Bảng số liệu ví dụ 4.52 Bảng 10 Bảng xử lý số liệu ví dụ 4. 52 Bảng 11 Bảng xử lí số liệu 4.55 Bảng 12 7 giá trị đầu của bảng số liệu ví dụ 4.59 Bảng 13 Bảng dữ liệu tuyển sinh (1998-2017) .83 Bảng 14 Dữ liệu tuyển sinh từ năm 1988 đến 2017 của Trung tâm .85 Bảng 15 Xử lí dữ liệu tuyển sinh từ năm 1988 đến 2017 của Trung tâm .