đặt vấn đề, các nghiên cứu đã được công bố, mục tiêu, nhiệm vụ, nội dung và giới hạn đề tài, phương pháp nghiên cứu. Chương II: Cơ sở lý thuyết : Tổng hợp kiến thức lý thuyết liên quan đến học sâu, xử lý ảnh y tế, các phương pháp giảm chiều dữ liệu hồi quy đa biến để dự đoán hộp sọ từ đầu như PCA, PLSR, công cụ viết phần mềm. Chương III: Thiết kế hệ thống: Trình bày chi tiết về cơ sở dữ liệu, các thuật toán, phương pháp dự đoán, phương pháp đánh giá, các chức năng hệ thống như quản lý cơ sở dữ liệu đầu và sọ, xử lý và thu thập dữ liệu mới, dự đoán sọ từ đầu người, phân tích cơ mặt. Trình bày sơ đồ tổng quan hệ thống phần mềm, thiết kế giao diện người dùng.
Chương IV: Kết quả thực nghiệm: Đưa ra kết quả của từng phương pháp đề xuất lựa chọn phương pháp tối ưu nhất thực hiện các phương pháp đánh giá độ chính xác, trình bày kết quả về chức năng phần mềm quản lý cơ sở dữ liệu, xử lý và thu thập dữ liệu mới, dự đoán sọ từ đầu người, phân tích cơ mặt từ đó làm căn cứ để đánh giá hệ thống, Chương V: Kết luận và hướng phát triển: Đưa ra kết luận những gì đã đạt và chưa đạt so với mục tiêu đề ra. Đồng thời cũng đưa ra những đóng góp và đề xuất, định hướng phát triển của đề tài. Trang 10 HVTH : Võ Phong Phú GVHD : TS.Trần Vi Đô CHƯƠNG II : CƠ SỞ LÝ THUYẾT Trí tuệ nhân tạo (AI) đang trải qua một thời kỳ phát triển rất đáng chú ý với sự lan rộng đến mọi lĩnh vực của cuộc sống và kinh tế. Hiện nay, công nghệ AI không chỉ là một lĩnh vực nghiên cứu mà còn là một công cụ quan trọng hỗ trợ trong quyết định kinh doanh, phát triển sản phẩm và cải thiện hiệu suất lao động.
Trí tuệ nhân tạo và một số thuật toán sẽ được nghiên cứu và ứng dụng trong đề tài này. Một trong những tiến triển đáng chú ý nhất là sự phát triển của học máy (machine learning), một lĩnh vực của AI mà ngày càng trở nên phổ biến và mạnh mẽ. Công nghệ học máy đã làm cho việc xử lý dữ liệu trở nên linh hoạt hơn và có thể tự động hóa một cách hiệu quả. Từ việc dự đoán xu hướng thị trường đến việc tối ưu hóa quá trình sản xuất, học máy đang tạo ra những tiến bộ đáng kể trong nhiều lĩnh vực khác nhau.
Đặc biệt trong lĩnh vực y tế, AI có thể đem lại những đột phá lớn trong việc chẩn đoán bệnh, theo dõi sức khỏe và phát triển các phương pháp điều trị cá nhân hóa. Trong lĩnh vực tự động hóa, AI có thể thay đổi cách chúng ta sản xuất và tiêu thụ hàng hóa, tạo ra một môi trường làm việc thông minh và hiệu quả hơn.1 Giới thiệu về máy học Máy học (Machine Learning) là một lĩnh vực trong trí tuệ nhân tạo (Artificial Intelligence - AI) tập trung vào việc phát triển các thuật toán và phương pháp để cho máy tính tự động học từ dữ liệu mà không cần phải được lập trình cụ thể. Mục tiêu của máy học là phát triển các mô hình và thuật toán mà máy tính có thể sử dụng để nhận biết và áp dụng các mẫu từ dữ liệu, từ đó tự động hoặc hướng dẫn được các quyết định và dự đoán.1 Vai trò của máy học Vai trò của máy học là rất quan trọng trong thời đại số hiện nay, từ việc cải thiện hiệu suất và hiệu quả cho đến tạo ra giá trị kinh tế và thúc đẩy sự tiến bộ công nghệ. Đối với nhiều tổ chức và cá nhân, máy học không chỉ là một công cụ hữu ích mà còn là một yếu Trang 11 HVTH : Võ Phong Phú GVHD : TS.Trần Vi Đô tố quyết định trong sự thành công và phát triển.
Dưới đây là một số ví dụ về vai trò của máy học: - Tăng cường hiệu quả và hiệu suất: Máy học cho phép tự động hóa nhiều nhiệm vụ trước đây đòi hỏi sự can thiệp của con người, từ xử lý dữ liệu lớn đến dự đoán xu hướng và hành vi. Điều này giúp tăng cường hiệu quả và hiệu suất của các quy trình và dịch vụ. - Tạo ra sự cá nhân hóa: Máy học cho phép cá nhân hóa trải nghiệm của người dùng thông qua hệ thống gợi ý, dự đoán cá nhân hóa, và các ứng dụng khác. Việc này giúp cải thiện sự hài lòng của khách hàng và tăng cường tương tác với sản phẩm và dịch vụ.
- Khám phá tri thức từ dữ liệu lớn: Máy học là công cụ quan trọng trong việc phân tích dữ liệu lớn và trí tuệ nhân tạo, giúp phát hiện mẫu, quy luật và tri thức từ các tập dữ liệu phức tạp. Điều này có thể dẫn đến những phát hiện mới và cải thiện quyết định trong nhiều lĩnh vực, từ y tế đến kinh doanh và khoa học. - Hỗ trợ ra quyết định thông minh: Máy học cung cấp thông tin và dự đoán hỗ trợ trong quá trình ra quyết định, từ lựa chọn sản phẩm đến dự đoán xu hướng thị trường và tài chính. Điều này giúp cải thiện độ chính xác và giảm thiểu rủi ro trong quyết định kinh doanh và cá nhân.
-Tạo ra giá trị kinh tế: Máy học đóng vai trò quan trọng trong việc tạo ra giá trị kinh tế, từ tăng cường hiệu suất lao động đến sáng tạo sản phẩm và dịch vụ mới. Các công ty và tổ chức sử dụng máy học để tạo ra lợi ích kinh tế, cải thiện quy trình và tăng cường cạnh tranh. - Thúc đẩy sự phát triển công nghệ: Máy học là một lĩnh vực nghiên cứu và phát triển đang phát triển nhanh chóng, thúc đẩy sự tiến bộ trong các lĩnh vực liên quan như trí tuệ nhân tạo, xử lý ngôn ngữ tự nhiên, và thị giác máy tính. Điều này tạo ra cơ hội mới và khuyến khích sự đổi mới trong nhiều ngành công nghiệp.
Trang 12 HVTH : Võ Phong Phú GVHD : TS.2 Phân loại máy học Hình 2. 1 Các phương pháp máy học phổ biến hiện nay Như sơ đồ hình 2.1 được phân ra làm 3 loại máy học chính: - Học có giám sát (Supervised Learning): Trong loại này, mô hình được huấn luyện bằng cách cung cấp cho nó cặp dữ liệu đầu vào và đầu ra tương ứng. Mục tiêu là để xây dựng một mô hình dự đoán đầu ra cho các đầu vào mới mà mô hình chưa từng thấy. Các ví dụ phổ biến của học có giám sát là phân loại (classification) và hồi quy (regression).
- Học không giám sát (Unsupervised Learning): Trong loại này, mô hình được huấn luyện bằng dữ liệu đầu vào mà không có nhãn hoặc đầu ra cụ thể. Mục tiêu là tìm ra các cấu trúc ẩn hoặc mẫu trong dữ liệu. Các ví dụ của học không giám sát bao gồm phân cụm (clustering) và giảm chiều dữ liệu (dimensionality reduction). - Học tăng cường (Reinforcement Learning): Trong loại này, mô hình học từ môi trường bằng cách tương tác với nó và nhận phản hồi thông qua phần thưởng hoặc hình phạt.
Trang 13 HVTH : Võ Phong Phú GVHD : TS.Trần Vi Đô Mục tiêu của học tăng cường là học cách lựa chọn hành động tốt nhất để tối ưu hóa một hàm phần thưởng.3 Ứng dụng của máy học Những ví dụ sau đây chỉ là một phần nhỏ trong số rất nhiều ứng dụng của máy học trong xã hội và kinh tế hiện đại. Máy học đã trở thành một công cụ quan trọng để giải quyết các vấn đề phức tạp và tạo ra giá trị đối với cộng đồng. Công nghệ nhận dạng hình ảnh và video dựa trên máy học đã cung cấp các giải pháp từ nhận diện khuôn mặt, phát hiện đối tượng đến tự động nhận dạng biển số xe. Công nghệ dịch máy dựa trên máy học đã cải thiện khả năng dịch ngôn ngữ tự nhiên, giúp tạo ra các công cụ dịch hiệu quả như Google Translate.
Các hệ thống gợi ý trên các nền tảng trực tuyến như Netflix, Spotify, hay Amazon sử dụng máy học để dự đoán sở thích cá nhân và gợi ý nội dung hoặc sản phẩm phù hợp. Các công nghệ tự lái ô tô dựa trên máy học để nhận diện và phản ứng với môi trường xung quanh, giúp giảm thiểu tai nạn giao thông và tăng tính an toàn. Máy học được sử dụng trong việc phát hiện và dự đoán bệnh tật từ dữ liệu y tế, hỗ trợ trong việc phát triển dược phẩm mới và thiết kế liệu pháp cá nhân hóa. Công nghệ NLP xử lý ngôn ngữ tự nhiên dựa trên máy học đã phát triển các ứng dụng từ trợ lí ảo cho đến phân tích cảm xúc trong văn bản và chatbot tự động phục vụ.
Công nghệ máy học được sử dụng để phát hiện gian lận tín dụng, gian lận giao dịch và các mối đe dọa an ninh mạng khác.2 Giới thiệu về phương pháp PCA Phương pháp phân tích thành phần chính (PCA) [10] là một thuật toán thống kê sử dụng phép biến đổi trực giao để chuyển đổi một tập hợp dữ liệu từ một không gian nhiều chiều sang một không gian ít chiều hơn mà vẫn bảo toàn mức độ biến động cao nhất của dữ liệu sau khi chuyển đổi. Sử dụng phương pháp phân tích thành phần chính có những ưu điểm sau: -Giảm số chiều của không gian chứa dữ liệu trong trường hợp dữ liệu có số chiều lớn và không thể thể hiện trong không gian hai hoặc ba chiều. Thay vì giữ lại các trục của không Trang 14 HVTH : Võ Phong Phú GVHD : TS.Trần Vi Đô gian cũ, thì phương pháp PCA xây dựng hệ trục tọa độ mới, nhưng lại có khả năng biểu diễn dữ liệu tốt tương đương và đảm bảo độ biến thiên của dữ liệu trên mỗi chiều mới. -Tạo điều kiện cho việc khám phá các liên kết dữ liệu tiềm ẩn trong không gian mới, nếu đặt chúng trong không gian cũ, chúng sẽ khó phát hiện vì chúng không thể hiện rõ.
-Số lượng điểm dữ liệu cũng rất lớn sẽ gây khó khăn cho việc lưu trữ và tính toán.Vì vậy, một trong những bước quan trọng trong nhiều bài toán học máy là ta phải giảm chiều dữ liệu. Giảm chiều dữ liệu cũng được sử dụng để giảm vấn đề quá khớp.1 Các bước thực hiện PCA Tính vector kỳ vọng của toàn bộ dữ liệu: 𝑥̅ = ∑ 𝑥 (2.1) Trong đó: 𝑥̅ là vector kỳ vọng của dữ liệu 𝑥 là điểm dữ liệu thứ n N là số điểm dữ liệu Trừ mỗi điểm dữ liệu đi vector kỳ vọng của toàn bộ dữ liệu: 𝑥 = 𝑥 − 𝑥̅ (2.