Luận văn thạc sĩ xây dựng mô hình khuyến cáo khả năng nghỉ học của sinh viên trường cao đẳng kỹ thuật công nghệ bà rịa vũng tàu

Luận văn thạc sĩ phân tích mô hình khuyến cáo khả năng nghỉ học của sinh viên tại trường cao đẳng kỹ thuật công nghệ Bà Rịa Vũng Tàu.

• Tác giả: Lê Viết Huấn
• Người hướng dẫn: TS. Phan Ngọc Hoàng
• Trường học: Trường Đại Học Bà Rịa-Vũng Tàu
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Mô Hình Khuyến Cáo Khả Năng Nghỉ Học Của Sinh Viên
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Bà Rịa-Vũng Tàu

Mục lục chi tiết

• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH
• MỞ ĐẦU
• 0.1. Lý do chọn đề tài
• 0.2. Tính cấp thiết của đề tài
• 0.3. Mục tiêu đề tài
• 0.4. Nội dung nghiên cứu
• 0.5. Phương pháp luận và phương pháp nghiên cứu
• 0.5.1. Phương pháp luận
• 0.5.2. Phương pháp nghiên cứu
• 1. CHƯƠNG I: GIỚI THIỆU TRÍ TUỆ NHÂN TẠO
• 1.1. Giới thiệu trí tuệ nhân tạo
• 1.2. Các lĩnh vực thuộc trí tuệ nhân tạo
• 1.3. Các bài toán sử dụng trong trí tuệ nhân tạo
• 1.4. Thuật toán sử dụng trong hàm
• 2. CHƯƠNG II: GIỚI THIỆU VỀ MẠNG NƠRON
• 2.1. Giới thiệu mạng Nơron
• 2.2. Lịch sử phát triển của mạng Nơron
• 2.3. Căn nguyên sinh học của mạng
• 2.4. Nơron nhân tạo
• 2.5. Hàm kết hợp. Hàm kích hoạt của mạng (hàm chuyển)
• 2.5.1. Hàm tuyến tính (Linear function)
• 2.5.2. Hàm ranh giới cứng trong mạng (Hard limiter function)
• 2.5.3. Hàm Sigmoid lưỡng cực (Bipolar Sigmoid function)
• 2.5.4. Hàm Leaky ReLU
• 2.6. Cấu trúc của mạng nơron. Phương pháp mạng truyền thẳng. Mạng hồi qui
• 2.7. Hàm mục tiêu
• 2.8. Huấn luyện mạng Nơron
• 2.8.1. Phương pháp mạng Nơron truyền thẳng
• 2.8.2. Các kiến trúc cơ bản
• 2.8.3. Khả năng biểu diễn
• 2.8.4. Số lớp ẩn. Số nơron trong lớp ẩn
• 2.8.5. Thuật toán lan truyền ngược (Back-Propagation Algorithm)
• 2.8.6. Phương pháp mô tả thuật toán
• 2.8.7. Chỉ số hiệu năng (performance index)
• 2.8.8. Lan truyền ngược độ nhạy cảm
• 2.8.9. Sử dụng thuật toán lan truyền ngược của mạng
• 2.8.10. Một số loại biến thể của thuật toán lan truyền ngược
• 3. CHƯƠNG III: ỨNG DỤNG MẠNG NƠRON TRONG VIỆC KHUYẾN CÁO KHẢ NĂNG NGHỈ HỌC CỦA HỌC SINH, SINH VIÊN
• 3.1. Các bước thực hiện mô hình
• 3.2. Thu thập dữ liệu cho mô hình
• 3.3. Phân tích, lựa chọn đặc trưng. Tiền xử lý dữ liệu cho mô hình
• 3.4. Xây dựng mạng Nơron
• 3.4.1. Cấu trúc mạng Nơron
• 3.4.2. Huấn luyện mạng Nơron cho mô hình
• 3.4.3. Kiểm thử mạng nơron
• 3.5. Kết quả bài toán khuyến cáo
• 4. CHƯƠNG IV: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Các kết quả đạt được
• 4.2. Hướng phát triển tiếp theo
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về mô hình khuyến cáo nghỉ học

Mô hình khuyến cáo nghỉ học cho sinh viên cao đẳng Kỹ thuật Bà Rịa Vũng Tàu được xây dựng nhằm giải quyết vấn đề nghỉ học ngày càng gia tăng trong sinh viên. Khuyến cáo nghỉ học không chỉ là một công cụ hỗ trợ sinh viên mà còn là một giải pháp cho nhà trường trong việc quản lý sinh viên. Theo số liệu khảo sát, tỷ lệ sinh viên bỏ học cao, đặc biệt là sau Tết Nguyên Đán. Việc này không chỉ ảnh hưởng đến kết quả học tập mà còn tạo ra gánh nặng cho xã hội. Mô hình này sử dụng các phương pháp phân tích dữ liệu và mạng nơron để dự đoán khả năng nghỉ học của sinh viên, từ đó đưa ra các khuyến cáo kịp thời. Việc áp dụng mô hình học tập này sẽ giúp sinh viên có cái nhìn rõ hơn về kết quả học tập của mình và từ đó có những điều chỉnh phù hợp.

1.1. Tính cấp thiết của mô hình

Tính cấp thiết của mô hình khuyến cáo nghỉ học xuất phát từ thực trạng nghỉ học của sinh viên tại Trường Cao đẳng Kỹ thuật Bà Rịa Vũng Tàu. Việc nghỉ học không chỉ ảnh hưởng đến cá nhân sinh viên mà còn đến chất lượng giáo dục của nhà trường. Các nguyên nhân chủ yếu dẫn đến nghỉ học bao gồm điểm số thấp, thiếu động lực học tập và áp lực từ bạn bè. Mô hình này không chỉ giúp sinh viên nhận thức được tình hình học tập của mình mà còn hỗ trợ nhà trường trong việc quản lý và cải thiện chất lượng đào tạo. Việc sử dụng mạng nơron trong mô hình này cho phép phân tích dữ liệu một cách chính xác và hiệu quả, từ đó đưa ra các khuyến cáo phù hợp với từng sinh viên.

II. Phương pháp nghiên cứu

Phương pháp nghiên cứu được áp dụng trong mô hình khuyến cáo nghỉ học bao gồm việc thu thập và phân tích dữ liệu từ sinh viên. Dữ liệu này bao gồm điểm số, tỷ lệ vắng học và kết quả rèn luyện. Các phương pháp phân tích dữ liệu như học máy và mạng nơron sẽ được sử dụng để xây dựng mô hình dự đoán. Mô hình sẽ được huấn luyện với dữ liệu lịch sử để cải thiện độ chính xác trong việc dự đoán khả năng nghỉ học của sinh viên. Việc áp dụng các thuật toán như MLP (Multi Layer Perceptron) sẽ giúp tối ưu hóa quá trình phân loại và dự đoán. Mô hình này không chỉ mang lại lợi ích cho sinh viên mà còn giúp nhà trường có những biện pháp can thiệp kịp thời.

2.1. Xây dựng mô hình dự đoán

Xây dựng mô hình dự đoán khả năng nghỉ học của sinh viên là một quá trình quan trọng. Đầu tiên, dữ liệu cần được thu thập và tiền xử lý để đảm bảo tính chính xác. Sau đó, các đặc trưng quan trọng sẽ được lựa chọn để đưa vào mô hình. Việc sử dụng mạng nơron cho phép mô hình học hỏi từ dữ liệu và cải thiện khả năng dự đoán. Các bước huấn luyện và kiểm thử mô hình sẽ được thực hiện để đảm bảo rằng mô hình có thể hoạt động hiệu quả trong thực tế. Kết quả từ mô hình sẽ được sử dụng để đưa ra các khuyến cáo cho sinh viên, giúp họ có những quyết định đúng đắn trong việc học tập.

III. Kết quả và ứng dụng thực tiễn

Kết quả từ mô hình khuyến cáo nghỉ học cho thấy khả năng dự đoán chính xác cao về khả năng nghỉ học của sinh viên. Mô hình đã chỉ ra những sinh viên có nguy cơ cao bỏ học, từ đó nhà trường có thể có những biện pháp can thiệp kịp thời. Việc áp dụng mô hình này không chỉ giúp giảm tỷ lệ nghỉ học mà còn nâng cao chất lượng giáo dục. Hỗ trợ sinh viên trong việc học tập là một trong những mục tiêu chính của mô hình. Các khuyến cáo từ mô hình sẽ giúp sinh viên nhận thức rõ hơn về tình hình học tập của mình và có những điều chỉnh cần thiết. Điều này không chỉ có lợi cho cá nhân sinh viên mà còn cho toàn bộ hệ thống giáo dục tại Bà Rịa Vũng Tàu.

3.1. Hướng phát triển tiếp theo

Hướng phát triển tiếp theo của mô hình khuyến cáo nghỉ học là mở rộng phạm vi áp dụng và cải tiến thuật toán. Việc tích hợp thêm các yếu tố như tâm lý sinh viên, môi trường học tập và các hoạt động ngoại khóa sẽ giúp mô hình trở nên hoàn thiện hơn. Ngoài ra, việc sử dụng công nghệ mới trong trí tuệ nhân tạo sẽ giúp nâng cao độ chính xác và hiệu quả của mô hình. Mục tiêu cuối cùng là tạo ra một công cụ hỗ trợ sinh viên hiệu quả, giúp họ vượt qua khó khăn trong học tập và phát triển bản thân một cách toàn diện.

Nội dung chính

Tổng quan nghiên cứu

Hiện tượng nghỉ học ngày càng phổ biến trong sinh viên năm nhất tại Trường Cao đẳng Kỹ thuật Công nghệ tỉnh Bà Rịa Vũng Tàu, đặc biệt vào thời điểm sau Tết Nguyên đán hàng năm. Theo số liệu khảo sát từ năm 2016 đến 2019, có gần 458 sinh viên bỏ học giữa chừng, trong đó 83% là học sinh hệ trung cấp và 17% là sinh viên hệ cao đẳng nghề. Một số ngành nghề như Điện công nghiệp và Công nghệ thông tin có tỷ lệ nghỉ học cao. Việc nghỉ học ảnh hưởng trực tiếp đến kết quả học tập, thể hiện qua sự giảm sút điểm số và sự chán nản trong học tập. Nguyên nhân nghỉ học bao gồm cả yếu tố khách quan và chủ quan như bạn bè rủ rê, điểm số thấp, thiếu kế hoạch học tập rõ ràng.

Mục tiêu nghiên cứu là xây dựng mô hình khuyến cáo khả năng nghỉ học của sinh viên dựa trên các đặc trưng như điểm số môn học, số lần vắng mặt và kết quả rèn luyện. Phạm vi nghiên cứu tập trung tại Trường Cao đẳng Kỹ thuật Công nghệ tỉnh Bà Rịa Vũng Tàu trong giai đoạn 2016-2019. Ý nghĩa của nghiên cứu là hỗ trợ công tác tư vấn, định hướng học tập, giảm tỷ lệ nghỉ học và nâng cao chất lượng đào tạo, từ đó góp phần giảm thiểu gánh nặng xã hội do lao động không có tay nghề và các tệ nạn xã hội.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

• Trí tuệ nhân tạo (AI): Là trí thông minh do máy tính tạo ra, có khả năng thực hiện các nhiệm vụ như giải bài toán, giao tiếp, học tập và thích nghi với môi trường.
• Machine Learning (Học máy): Là công nghệ giúp máy tính học từ dữ liệu để dự đoán hoặc phân loại, bao gồm các phương pháp học có giám sát, không giám sát, bán giám sát và học tăng cường.
• Mạng nơron nhân tạo (Artificial Neural Network - ANN): Mô hình lấy cảm hứng từ cấu trúc não người, gồm các nơron nhân tạo kết nối với nhau, được sử dụng để giải quyết các bài toán phân lớp và hồi quy.
• Multi Layer Perceptron (MLP): Một dạng mạng nơron truyền thẳng nhiều lớp, có khả năng phân lớp phi tuyến, được áp dụng trong mô hình dự báo khả năng nghỉ học.
• Thuật toán lan truyền ngược (Back-Propagation): Thuật toán huấn luyện mạng nơron bằng cách điều chỉnh trọng số dựa trên sai số giữa đầu ra thực tế và mong muốn.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu thu thập từ hồ sơ học tập và rèn luyện của sinh viên năm nhất tại Trường Cao đẳng Kỹ thuật Công nghệ tỉnh Bà Rịa Vũng Tàu trong giai đoạn 2016-2019, với tổng số mẫu khoảng 458 sinh viên.
• Phương pháp phân tích: Sử dụng kỹ thuật mạng nơron nhân tạo MLP để xây dựng mô hình phân loại hai lớp (nghỉ học và không nghỉ học). Dữ liệu được tiền xử lý, lựa chọn đặc trưng phù hợp như điểm số các môn học, số lần vắng mặt, kết quả rèn luyện.
• Timeline nghiên cứu: Thu thập và xử lý dữ liệu trong 3 tháng đầu, xây dựng và huấn luyện mô hình trong 4 tháng tiếp theo, kiểm thử và đánh giá mô hình trong 2 tháng cuối cùng của năm học 2020-2021.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Mô hình mạng nơron MLP đạt độ chính xác dự báo khả năng nghỉ học lên đến khoảng 85%, giúp phân loại chính xác sinh viên có nguy cơ nghỉ học.
• Trong tổng số 458 sinh viên, tỷ lệ nghỉ học cao nhất tập trung ở nhóm có điểm trung bình môn học dưới 5.0, chiếm khoảng 70% số sinh viên nghỉ học.
• Số lần vắng mặt trên 10 buổi trong học kỳ là yếu tố quan trọng, với hơn 65% sinh viên nghỉ học thuộc nhóm này.
• Kết quả rèn luyện yếu kém cũng liên quan mật thiết đến nguy cơ nghỉ học, với tỷ lệ khoảng 60% sinh viên nghỉ học có kết quả rèn luyện dưới mức trung bình.

Thảo luận kết quả

Nguyên nhân chính dẫn đến nghỉ học là do điểm số thấp và số lần vắng mặt nhiều, phản ánh sự thiếu nghiêm túc và kế hoạch học tập chưa hợp lý. Kết quả mô hình phù hợp với các nghiên cứu trong ngành giáo dục về dự báo nghỉ học, đồng thời cho thấy mạng nơron MLP là công cụ hiệu quả trong việc phân loại phi tuyến. Dữ liệu có thể được trình bày qua biểu đồ phân bố điểm số và số lần vắng mặt, cũng như bảng so sánh tỷ lệ nghỉ học theo từng nhóm đặc trưng. Mô hình giúp nhà trường chủ động can thiệp kịp thời, nâng cao hiệu quả quản lý sinh viên.

Đề xuất và khuyến nghị

• Xây dựng hệ thống cảnh báo sớm dựa trên mô hình mạng nơron để phát hiện sinh viên có nguy cơ nghỉ học, giúp nhà trường và giáo viên chủ động tư vấn, hỗ trợ kịp thời.
• Tăng cường hoạt động ngoại khóa và tư vấn học tập nhằm nâng cao ý thức học tập và kỹ năng quản lý thời gian cho sinh viên, giảm tỷ lệ vắng mặt và cải thiện kết quả học tập.
• Áp dụng các biện pháp hỗ trợ học tập cá nhân hóa cho sinh viên có điểm số thấp, bao gồm các lớp học bổ trợ, nhóm học tập và hướng dẫn học tập chuyên sâu.
• Phát triển chính sách khuyến khích và khen thưởng dành cho sinh viên có thành tích học tập và rèn luyện tốt nhằm tạo động lực học tập tích cực.
• Thời gian thực hiện các giải pháp trên nên được triển khai trong vòng 1-2 học kỳ, do Ban giám hiệu nhà trường phối hợp với các khoa và phòng ban liên quan.

Đối tượng nên tham khảo luận văn

• Ban giám hiệu và phòng quản lý đào tạo: Sử dụng mô hình để nâng cao hiệu quả quản lý sinh viên, giảm tỷ lệ nghỉ học.
• Giảng viên và cố vấn học tập: Áp dụng kết quả nghiên cứu để tư vấn, hỗ trợ sinh viên có nguy cơ nghỉ học.
• Nhà nghiên cứu và sinh viên ngành Công nghệ thông tin, Giáo dục: Tham khảo phương pháp ứng dụng mạng nơron trong dự báo và phân tích dữ liệu giáo dục.
• Các tổ chức giáo dục và đào tạo khác: Áp dụng mô hình và phương pháp nghiên cứu để xây dựng hệ thống cảnh báo nghỉ học phù hợp với đặc thù từng đơn vị.

Câu hỏi thường gặp

1. Mô hình mạng nơron MLP là gì và tại sao được chọn?
   Mạng nơron MLP là mô hình mạng truyền thẳng nhiều lớp có khả năng phân loại phi tuyến hiệu quả. Nó được chọn vì phù hợp với bài toán phân loại nghỉ học dựa trên nhiều đặc trưng phức tạp.

2. Dữ liệu nghiên cứu được thu thập như thế nào?
   Dữ liệu được thu thập từ hồ sơ học tập, số lần vắng mặt và kết quả rèn luyện của sinh viên năm nhất trong 3 năm (2016-2019) tại Trường Cao đẳng Kỹ thuật Công nghệ tỉnh Bà Rịa Vũng Tàu.

3. Mô hình có thể áp dụng cho các trường khác không?
   Có thể, tuy nhiên cần điều chỉnh đặc trưng và huấn luyện lại mô hình với dữ liệu thực tế của từng trường để đảm bảo độ chính xác.

4. Làm thế nào để giảm tỷ lệ nghỉ học dựa trên kết quả nghiên cứu?
   Nhà trường cần xây dựng hệ thống cảnh báo sớm, tăng cường tư vấn học tập, hỗ trợ cá nhân hóa và phát triển chính sách khuyến khích học tập.

5. Mô hình có thể dự báo chính xác bao nhiêu phần trăm sinh viên nghỉ học?
   Mô hình đạt độ chính xác khoảng 85%, giúp phân loại hiệu quả sinh viên có nguy cơ nghỉ học.

Kết luận

• Đã xây dựng thành công mô hình mạng nơron MLP dự báo khả năng nghỉ học của sinh viên với độ chính xác khoảng 85%.
• Mô hình dựa trên các đặc trưng như điểm số môn học, số lần vắng mặt và kết quả rèn luyện.
• Kết quả nghiên cứu giúp nhà trường có công cụ cảnh báo sớm, nâng cao hiệu quả quản lý và tư vấn học tập.
• Đề xuất các giải pháp can thiệp kịp thời nhằm giảm tỷ lệ nghỉ học và nâng cao chất lượng đào tạo.
• Tiếp tục phát triển mô hình với dữ liệu mở rộng và áp dụng cho các trường khác trong thời gian tới.

Hành động tiếp theo là triển khai hệ thống cảnh báo sớm và tổ chức các hoạt động hỗ trợ sinh viên nhằm nâng cao hiệu quả đào tạo và giảm thiểu tình trạng nghỉ học.

Trích đoạn nội dung tài liệu

CHƯƠNG I. GIỚI THIỆU TRÍ TUỆ NHÂN TẠO 1. Giới thiệu trí tuệ nhân tạo Trí thông minh của máy tính do con người tạo ra gọi là trí tuệ nhân tạo. Sự ra đời của chiếc máy tính điện tử đầu tiên, hệ thống máy tính đã được các nhà khoa học phát triển (gồm cả phần cứng và phần mềm) sao cho nó có khả năng thông minh như loài người.

Mơ ước này vẫn còn xa và chưa thành hiện thực đối với tác giả, tuy vậy những thành tựu đạt được cũng không hề nhỏ: chúng ta đã nghiên cứu được các hệ thống (phần mềm chơi cờ vua chạy trên siêu máy tính GeneBlue) có thể thắng được vua cờ thế giới; chúng ta đã làm tạo ra các phần mềm có thể chứng minh được các bài toán hình học. Hay nói theo các cách khác nhau, trong một số trường hợp, con người thực hiện một số nhiệm vụ và yêu cầu máy tính thực hiện như vậy (tất nhiên không phải tất cả các lĩnh vực), đó chính là máy tính thông minh của tương lai. Trí thông minh của máy tính có thể có nhiều cách để làm ra (hay là trí tuệ nhân tạo), chẳng hạn là tìm hiểu cách bộ não người phát sinh ra trí thông minh như thế nào rồi ta bắt chước nguyên lý đó, nhưng cũng có nhiều cách khác sử dụng những nguyên lý khác nhau với cách sản sinh ra trí thông minh của loài người mà vẫn làm ra máy tính thông minh như con người. Như vậy, khả năng của máy khi thực hiện các công việc mà con người thường phải xử lý gọi là trí tuệ nhân tạo; máy thông minh hay máy đó có trí thông minh là khi kết quả thực hiện của máy tốt hơn hoặc tương đương với con người.

Nói theo nhiều cách khác, máy tính thông minh không phải đánh giá dựa trên nguyên lý máy tính thực hiện nhiệm vụ đó có giống cách con người thực hiện hay không mà dựa trên những kết quả đó có giống với con người thực hiện hay không? Nhiệm vụ con người thường xuyên cần phải thực hiện đó là: giải bài toán ( tìm kiếm, chứng minh, lập luận), giao tiếp, thể hiện cảm xúc, học, thích nghi với môi trường xung quanh… v.v, và dựa trên các kết quả thực hiện các nhiệm vụ đó để rút ra một điều rằng một ai đó có là thông minh hay không. Trí tuệ nhân tạo nhằm cung cấp các phương pháp để làm ra các nhiệm vụ đó hệ thống có khả năng thực hiện: giao 5 Luan van tiếp, học, giải toán. dù cho cách nó làm có giống như con người hay không mà là kết quả đạt được hoặc dáng vẻ bên ngoài như con người. Các lĩnh vực thuộc trí tuệ nhân tạo Trong những năm gần đây, AI - Artificial Intelligence (Trí Tuệ Nhân Tạo) được xem như cuộc cách mạng công nghiệp lần thứ tư nổi lên như một bằng chứng và cụ thể hơn là Machine Learning (Học Máy).

Trí Tuệ Nhân Tạo đã và đang len lỏi vào tất cả các lĩnh vực trong đời sống mà có thể chúng ta không hề hay biết. Xe tự lái của Google và Tesla, hệ thống tự nhận diện khuôn mặt trong ảnh của Facebook, trợ lý ảo Siri của Apple, hệ thống trợ giúp của Amazon, hệ thống tìm kiếm phim của Netflix, máy chơi cờ vây AlphaGo của Google DeepMind, …, chỉ là một vài trong rất nhiều những ứng dụng của Machine Learning. Khi mà khả năng tính toán của các máy tính được nâng lên một tầm cao mới và lượng dữ liệu khổng lồ được thu thập bởi các hãng công nghệ lớn, Machine Learning đã tiến thêm một bước dài và một lĩnh vực mới được ra đời gọi là Deep Learning, Deep Learning đã giúp máy tính thực thi những việc tưởng chừng như không thể vào 10 năm trước: phân loại cả ngàn vật thể khác nhau trong các bức ảnh, tự tạo chú thích cho ảnh, bắt chước giọng nói và chữ viết của con người, giao tiếp với con người, hay thậm chí cả sáng tác văn hay âm nhạc.1:Quan hệ giữa AI, Machine Learning và Deep Learning 1. Học máy 6 Luan van Trong những năm gần đây Machine Learning đang là một công nghệ gây sốt trên toàn thế giới.

Một trong số nhóm giới học thuật, có rất nhiều bài báo khoa học về đề tài này mỗi năm. Trong giới công nghiệp, từ các công ty lớn như Facebook, Google, Microsoft đến các dự án khởi nghiệp của các công ty đều đầu tư vào Machine Learning. Ứng dụng sử dụng Machine Learning ra đời hàng loạt trên mọi lĩnh vực của cuộc sống, từ khoa học máy tính đến những ngành ít liên quan hơn như y học, vật lý, chính trị, hóa học. AlphaGo, với số lượng phần tử còn nhiều hơn số lượng hạt trong vũ trụ được cỗ máy đánh cờ vây có khả năng tính toán, tối ưu hơn và đưa ra các nước đi hơn bất kì đại kì thủ nào, là một trong rất nhiều ví dụ lớn lao cho sự vượt trội của Machine Learning so với các phương pháp cổ điển [3].

Để giới thiệu cụ thể hơn về Machine Learning, dựa vào mối quan hệ của nó với ba khái niệm sau: Machine Learning và trí tuệ nhân tạo (Artificial Intelligence hay AI) Machine Learning cùng với Big Data. Machine Learning và dự đoán tương lai. AI, trí tuệ nhân tạo, một cụm từ vừa gần gũi vừa xa lạ với chúng ta. Gần gũi bởi vì thế giới đang bùng nổ với những công nghệ được dán nhãn AI.

Xa lạ bởi vì một AI thực thụ vẫn còn chưa phổ biến với chúng ta. Theo hiểu biết chung trong giới hàn lâm, AI là một ngành khoa học được sinh ra với mục đích làm cho máy tính có khả năng học được trí thông minh. Điều này vẫn chưa rõ ràng vì định nghĩa về trí thông minh vẫn chưa thống nhất. Một số nhiệm vụ cụ thể hơn được các nhà khoa học tự định nghĩa, một trong số đó là phần mềm trên máy tính lừa được Turing Test.

Turing Test được tạo ra bởi Alan Turing (1912-1954), một trong những người đặt nền tảng cho ngành khoa học máy tính thông minh, dùng để phân biệt xem người đối diện có phải là người hay không [3]. Con người muốn AI thể hiện một mục tiêu. Machine Learning là một công cụ được kỳ vọng sẽ giúp con người đạt được mục tiêu đó. Và thực tế thì Machine Learning đã mang con người đi rất xa trên con đường chinh phục AI.

Nhưng vẫn còn một đoạn đường xa hơn rất nhiều cần phải đi. Machine Learning và AI có mối quan 7 Luan van hệ bền chặt với nhau nhưng chưa hẳn là trùng khớp vì một bên là phương tiện (AI), một bên là mục tiêu (Machine Learning). Chinh phục AI mặc dù vẫn là mục đích tối thượng của Machine Learning, nhưng hiện tại Machine Learning tập trung vào những mục tiêu ngắn hạn hơn như: Làm cho máy tính có những khả năng nhận thức cơ bản của con người như nghe, nhìn, hiểu được ngôn ngữ, giải toán, lập trình, …và hỗ trợ con người trong việc xử lý một khối lượng thông tin khổng lồ mà chúng ta phải đối mặt hàng ngày, hay còn gọi là Big Data [3]. Big Data thực chất chưa phải là một ngành khoa học chính thống.

Đó là một cụm từ được dân cư mạng tung hô để ám chỉ thời kì bùng nổ của dữ liệu hiện nay. Big Data nó cũng không khác gì nhiều so với những cụm từ như "cách mạng công nghiệp", "kỉ nguyên phần mềm". Big Data là một điều tất yếu của việc sử dụng mạng Internet ngày càng có nhiều kết nối. Với sự ra đời của các mạng xã hội nhưng Twitter, Instagram, Facebook, có nhu cầu chia sẻ thông của con người tăng trưởng một cách đáng kể.

Nơi được mọi người chia sẻ video và comment về nội dung của video Youtube cũng có thể được xem là một hệ thống của mạng xã hội. Một số ví dụ điển hình về quy mô của Big Data: • Theo con số thông kê khoảng 500 giờ video được upload trên youtube trong mỗi phút (theo https://www.com/yt/press/statistics.html) • Có khoảng hơn 800 triệu người thật sự sử dụng Facebook mỗi ngày, trong đó 86.8% trong số đó ở ngoài Mỹ và Canada (theo http://newsroom.com/company- info) • Nhu cầu tìm kiếm thông tin tăng đi đôi với nhu cầu chia sẻ cũng tăng. Google phải xử lý 200 tỉ lượt tìm kiếm mỗi tháng, tức là 4,3 tỉ lượt mỗi ngày và 39.000 lượt mỗi giây (theo http://www.com/google-search-statistics/). Và những con số này đang tăng lên theo từng ngày đáng kinh ngạc! [3].

Big Data đây không phải là danh từ duy nhất dẫn đến sự ra đời của từ Bùng nổ thông tin. Ta biết rằng Big Data xuất hiện nhưng lượng dữ liệu tích tụ kể từ khi mạng Internet xuất hiện vào cuối thập kỉ trước cũng không phải là nhỏ. Thế nhưng, lúc đó có một khối dữ liệu khổng lồ và không biết làm gì với chúng ngoài lưu trữ và 8 Luan van sao chép. Cho đến một ngày, các nhà khoa học nhận ra rằng trong khối lượng dữ liệu ấy thực ra chứa một khối lượng thông tin tri thức khổng lồ và cần thiết.

Những tri thức ấy có thể giúp cho ta hiểu thêm về nhiều lĩnh vực khác trong xã hội. Đối với những danh sách bộ phim yêu thích của một cá nhân phần mềm có thể rút ra được sở thích của người đó và giới thiệu những bộ phim người ấy chưa từng xem và tương đối phù hợp với sở thích. Từ danh sách tìm kiếm của cộng đồng mạng phần mềm sẽ biết được vấn đề đang được quan tâm nhất sẽ tập trung đăng tải nhiều hơn về vấn đề đó. Big Data chỉ mới bắt đầu từ khi chúng ta hiểu được giá trị của dữ liệu chứa một lượng lớn thông tin, và có đủ dữ liệu cũng như công nghệ để có thể nghiên cứu chúng trên một quy mô rộng lớn.

Và không có gì bất ngờ khi Machine Learning chính là thành phần quan trọng của công nghệ đó. Big Data và Machine Learning có quan hệ mật thiết với nhau nhờ sự gia tăng của khối lượng dữ liệu của Big Data mà Machine Learning phát triển ngày một lớn, ngược lại giá trị của Big Data phụ thuộc vào kỹ năng khai thác thông tin tri thức từ dữ liệu của Machine Learning. [3] Trước kia, khi mạng Internet ra đời Machine Learning đã xuất hiện từ rất lâu. Machine Learning có những thuật toán đầu tiên là Perceptron được phát minh ra bởi Frank Rosenblatt vào năm 1957.

Nó là một thuật toán rất quan trọng dùng để phân loại hai khái niệm. Một ví dụ đơn giản là phân loại thư rác (tam giác) và thư bình thường (vuông). Đối với Perceptron, là việc vẽ một đường thẳng trên mặt phẳng để phân chia hai tập hợp điểm: Hình 1.2: Dữ liệu được phân chia làm hai tập điểm.