https://dlib.phenikaa-uni.edu.vn/handle/PNK/66 Tue, 21 Apr 2026 23:55:36 GMT 2026-04-21T23:55:36Z https://dlib.phenikaa-uni.edu.vn/handle/PNK/10459 Title: Xây dựng cây quyết định có trọng số cho dự đoán sai với ràng buộc về tài nguyên bằng mô hình quy hoạch nguyên tuyến tính hỗn hợp Authors: Trần, Quang Toàn Abstract: Xây dựng cây quyết định có trọng số cho dự đoán sai với ràng buộc về tài nguyên bằng mô hình quy hoạch nguyên tuyến tính hỗn hợp. Đề xuất một mô hình toán học mới để giải quyết bài toán xây dựng cây quyết định nhạy cảm với chi phí và ràng buộc về thời gian. Đưa ra một số điều chỉnh trong các nghiên cứu trước sao cho phù hợp với bài toán nhằm mục đích so sánh hiệu suất kết quả thực nghiệm giữa các mô hình. Thesis Mon, 01 Jan 2024 00:00:00 GMT https://ikr.inceif.org/retrieve/1fb780d9-b88d-4758-8a01-5b0f0acfbbc5/21800025_TranQuangToan.pdf.jpg 2024-01-01T00:00:00Z https://dlib.phenikaa-uni.edu.vn/handle/PNK/11790 Title: Ứng dụng học máy và suy diễn nhân quả cho dữ liệu viễn thông Authors: Phùng, Thị Khánh Linh Abstract: Nghiên cứu này ứng dụng các thuật toán học máy như Logistic Regression, Decision Tree và Radom Forest để dự báo khả năng rời bỏ của khách hàng viễn thông, đồng thời áp dụng duy diễn nhân quả để xác định nguyên nhân khiến khách hàng rời bỏ dịch vụ. Phương pháp nghiên cứu bao gồm xử lý, phân tích dữ liệu, xây dựng mô hình học máy với suy diễn nhân quả. Thesis Wed, 01 Jan 2025 00:00:00 GMT https://ikr.inceif.org/retrieve/148b047f-459d-467f-9cda-a1e34b299c52/22800031_PhungThiKhanhLinh.pdf.jpg 2025-01-01T00:00:00Z https://dlib.phenikaa-uni.edu.vn/handle/PNK/11656 Title: Tìm hiểu và triển khai các thuật toán phân lớp cho dữ liệu lớn Authors: Vũ, Thị Kiều Anh Abstract: Trong bối cảnh dữ liệu nhiều chiều ngày càng trở nên phổ biến trong học máy, việc lựa chọn đặc trưng hiệu quả đóng vai trò then chốt trong việc xây dựng các mô hình phân lớp dữ liệu chính xác, đồng thời tối ưu hóa chi phí tính toán. Luận văn này đề xuất và phát triển hai mô hình lựa chọn đặc trung: Top Frequency-Based Feature Selection (TFFS) và Hybrid Feature Selection Paradigm. Mô hinh hybrid được thiết kế dựa trên kết quả từ TFFS như một giai đoạn nền tảng, sau đó kết hợp các kỹ thuật chọn lọc đặc trưng cổ điển để tạo ra các tập hợp con đặc trưng mạnh mẽ. Những tập hợp này được áp dụng vào bốn mô hình phân lớp phổ biến gồm Naive Bayes, Decision Tree, K-Nearest Neighbors và Support Vector Machine nhằm kiểm chứng hiệu quả của các đặc trưng được lựa chọn. Mục tiêu của các mô hình là giảm số lượng đặc trưng cần thiết trong khi vẫn xây dựng được các mô Minh phân lớp mạnh thể với độ chính xác cao. Kết quả thực nghiệm cho thấy, cả hai phương pháp đề xuất không chỉ vượt trội hơn các phương pháp truyền thống về độ chính xác mà còn giải quyết hiệu quả thách thức của dữ liệu nhiều chiều trong bài toán phân lớp. Đặc biệt, mô hình hybrid đã chứng minh tiềm năng ứng dụng rộng rãi trong các lĩnh vực như y học, tài chính, và phân tích dữ liệu lớn, đồng thời mở ra những hướng nghiên cứu mới trong việc lựa chọn đặc trưng và phân lớp dữ liệu phức tạp. Thesis Wed, 01 Jan 2025 00:00:00 GMT https://ikr.inceif.org/retrieve/50e2fe3e-2199-4db5-9cb4-2813ab10b130/22800006_VuThiKieuAnh.pdf.jpg 2025-01-01T00:00:00Z https://dlib.phenikaa-uni.edu.vn/handle/PNK/11321 Title: Phát hiện đối tượng 3D dựa trên deep learning : Phương pháp tiếp cận kết hợp máy ảnh và Lidar Authors: Trần, Anh Tuấn Abstract: Luận văn tập trung nghiên cứu và cải tiến mô hình học sâu cho nhiệm vụ phát hiện đối tượng 3D, một thành phần quan trọng trong hệ thống tự lái xe băng cách kết hợp cảm biến Lidar và Camera hai loại cảm biến này bổ sung cho nhau. Với Lidar cung cấp thông tin về độ sâu chi tiết trong dữ liệu đám mây điểm 3D và Camera cung cáp thông tin màu sắc đối tượng Kết quả thử nghiệm cho thấy mô hình đề xuất đạt trình độ chính xác cao hơn so với các phương pháp chỉ sử dụng một cảm biến Lidar. Đặc biệt, mô hình đã nhận diện được nhiều loại đối tượng hơn và chính sác hơn, bao gồm các đối tượng như người đi bộ, xe tải, ô tô và người ngồi với độ chính xác trung bình cao hơn so với mô hình cơ sở. Thesis Mon, 01 Jan 2024 00:00:00 GMT https://ikr.inceif.org/retrieve/12627a9c-ed69-43a1-acb0-5d891b715fbf/21800026_TranAnhTuan.pdf.jpg 2024-01-01T00:00:00Z