ĐỒ ÁN CƠ SỞ: Nghiên cứu về mạng Neuron áp dụng dự đoán thị trường giá Vàng

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH
KHOA CÔNG NGHỆ THÔNG TIN

ĐỒ ÁN CƠ SỞ

Nghiên cứu về mạng Neuron áp dụng dự đoán
thị trường giá Vàng

Giảng viên hướng dẫn: VƯƠNG XN CHÍ
Sinh viên thực hiện:

QCH MINH QUANG

MSSV:

201154800

Khố:

2020

Ngành/ chuyên ngành: Khoa học dữ liệu

Tp HCM, tháng 09 năm 2022


BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH

KHOA CÔNG NGHỆ THÔNG TIN

ĐỒ ÁN CƠ SỞ

Nghiên cứu về mạng Neuron áp dụng dự đoán
thị trường giá Vàng

Giảng viên hướng dẫn: VƯƠNG XN CHÍ
Sinh viên thực hiện:

QCH MINH QUANG

MSSV:

2011549800

Khố:

2020

Ngành/ chuyên ngành: Khoa học dữ liệu

Tp HCM, tháng 09 năm 2022


Trường Đại học Nguyễn Tất Thành

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Khoa Công Nghệ Thông Tin

� � � �

Độc lập – Tự do – Hạnh phúc
� � � �

NHIỆM VỤ ĐỒ ÁN CƠ SỞ
Họ và tên: Quách Minh Quang

MSSV: 2011549800

Chuyên ngành: Khoa học dữ liệu

Lớp: 20DTH2A

Email:

SĐT: 0942975646

Tên đề tài: Nghiên cứu về mạng Neuron áp dụng dự đoán thị trường giá Vàng
Gíao viên hướng dẫn: Vương Xuân Chí
Thời gian thực hiện: 20 /6 /2022 đến 20 /9 /2022
MÔ TẢ ĐỀ TÀI:
Dự đoán là bài toán khoa học trên cơ sở sử dụng chuỗi dữ liệu theo quy luật nào đó, có nhiều
phương pháp dự đốn tốn học. Sử dụng khả năng và các nguyên tắc để ứng dụng thành cơng
mạng Neural nhân tạo trong việc dự đốn giá vàng trong tương lai.
NỘI DU G VÀ PHƯƠNG PHÁP:
- Nghiên cứu khái niệm, các thức tạo mạng Neural nhận tạo nhiều lớp.
- Tìm hiểu các đặc trưng của mạng Neural nhân tạo, các bước thiết kế mơ hình mạng Neural
- Ứng dụng mạng Neural vào thị trường tài chính, sử dụng mơ hình ANNs
- Kết luận

U CẦU:
- Có kiến thức, đam mê, hiểu biết về công nghệ mới như Mạng neural, Machine Learning,
Deep Learning…. Đọc hiểu tài liệu tiếng Anh, kỹ năng trình bày văn bản trên máy tính tốt.
- Có tác phong làm việc chăm chỉ, tinh thần trách nhiệm cao, có khả năng làm việc độc lập
hoặc
làm việc trong nhóm tốt.
Nội dung và u cầu đã được thơng qua Bộ môn.
TP.HCM, ngày 26 tháng 6 năm 2022
Q. TRƯỞNG BỘ MÔN
(Ký và ghi rõ họ tên)

GIÁO VIÊN HƯỚNG DẪN
(Ký và ghi rõ họ tên)

ThS. Vương Xuân Chí

ThS. Vương Xuân Chí


LỜI CẢM ƠN
Trong thực tế ở mọi lĩnh vực, việc được người đi trước chỉ bảo và giúp đỡ là
một điều may mắn. Em xin được cảm ơn thầy Vương Xn Chí đã chỉ bảo, dẫn đắt em
trong mơn học ở học kì này. Ngồi việc học lí thuyết thì thầy cịn chia sẻ những kĩ
nâng giúp ích cho bản thân các em khơng chỉ ở hiện tại mà cịn sau này nữa. Cảm ơn
thầy vì những buổi học thú vị, vui vẻ nhưng cũng đầy sự nghiêm túc.
Em xin trân thành cảm ơn!

Sinh viên thực hiện
Quách Minh Quang

LỜI MỞ ĐẦU
Ngày nay khơng ai có thể phủ nhận vai trị cực kỳ quan trọng của máy tính
trong nghiên cứu khoa học kỹ thuật cũng như trong đời sống. Máy tính đã làm được
những điều kỳ diệu và giải được những vấn đề tưởng chừng nan giải. Một máy tính, dù
có mạnh đến đâu chăng nữa, đều phải làm việc theo một chương trình chính xác đã
được hoạch định trước bởi các chuyên gia. Bài toán càng phức tạp thì việc lập trình
càng cơng phu. Trong khi đó con người làm việc bằng cách học tập và rèn luyện, khi
làm việc con người có khả năng liên tưởng, kết nối sự việc này với sự việc khác, và
quan trọng hơn hết, họ có thể sáng tạo.
Con người có thể dễ dàng làm nhiều điều mà việc lập trình cho máy tính địi hỏi
rất nhiều cơng sức. Từ lâu các nhà khoa học đã nhận thấy những ưu điểm của bộ óc
con người và tìm cách bắt chước để thực hiện trên những máy tính, tạo cho nó có khả
năng học tập, nhận dạng và phân loại. Các mạng neural nhân tạo đã ra đời từ những nỗ
lực đó. Nó thực sự được chú ý và nhanh chóng trở thành một hướng nghiên cứu đầy
triển vọng trong mục đích xây dựng các máy thơng minh tiến gần tới trí tuệ con người.
Đặc biệt là lĩnh vực dự đoán thị trường giá vàng.


TRƯỜNG ĐH NGUYỄN TẤT THÀNH

KỲ THI KẾT THÚC HỌC PHẦN

TRUNG TÂM KHẢO THÍ

HỌC KỲ III NĂM HỌC 2021 - 2022

PHIẾU CHẤM THI TIỂU LUẬN/ĐỒ ÁN
Môn thi: Đồ án cơ sở Khoa học dữ liệu

Lớp học phần: 20DTH2A

Nhóm sinh viên thực hiện:

1.

Trần Phát Huy

2.

Quách Minh Quang

Thamgia đóng góp:

Ngày thi:

Tham gia đóng góp:
Phịng thi:

Đề tài tiểu luận/báo cáo của sinh viên: Nghiên cứu về mạng Neuron áp dụng dự đoán thị trường giá
Vàng.
Phần đánh giá của giảng viên (căn cứ trên thang rubrics của mơn học):
Tiêu
chí
(theo
CĐR
HP)
Cấu
trúc
của

báo
cáo
Nội
dung

- Các
nội
dung
thành
phần

- Lập
luận

Đánh giá của GV

Điểm tối
đa

Điểm đạt
được


- Kết
luận
Trình
bày
TỔN
G
ĐIỂM

Giảng viên chấm thi
(ký, ghi rõ họ tên)


MỤC LỤC



DANH MỤC CÁC BẢNG HÌNH



Chương 1: Tổng quan về mạng Neural
1.1.

Tìm hiểu mạng Neural nhân tạo.

1.1.1. Khái niệm.
Là một hệ thống bao gồm nhiều phần tử xử lý đơn giản (hay còn gọi là neural)
tựa như neural thần kinh của não người, hoạt động song song và được nối với nhau bởi
các liên kết neural. Mỗi liên kết kèm theo một trọng số nào đó, đặc trưng cho tính kích
hoạt hoặc ức chế giữa các neural.
Có thể xem các trọng số là phương tiện để lưu trữ thông tin dài hạn trong mạng
neural và nhiệm vụ của quá trình huấn luyện của mạng là cập nhật các trọng số khi có
thêm thơng tin về mẫu học. Hay nói một cách khác, các trọng số đều được điều chỉnh
sao cho dáng điệu vào ra của mạng sẽ mơ phỏng hồn tồn phù hợp với mơi trường
đang xem xét.
Mơ hình mạng neural ở trên gồm 3 lớp: lớp nhập (input), lớp ẩn(hidden) và lớp
xuất (output). Mỗi nút trong lớp nhập nhận giá trị của một biến độc lập và chuyển vào

mạng.
Dữ liệu từ tất cả các nút trong lớp nhập được tích hợp – ta gọi là tổng trọng số –
và chuyển kết quả cho các nút trong lớp ẩn. Gọi là “ẩn” vì các nút trong lớp này chỉ
liên lạc với các nút trong lớp nhập và lớp xuất, và chỉ có người thiết kế mạng mới biết
lớp này (người sử dụng không biết lớp này).
Các nút trong lớp xuất nhận các tín hiệu tổng trọng hóa từ các nút trong lớp ẩn.
Mỗi nút trong lớp xuất tương ứng với một biến phụ thuộc.

1.1.2. Neural nhân tạo.


Hình 1.1: Neural nhân tạo
Neural nhân tạo là một đơn vị tính tốn có nhiều đầu vào và một đầu ra, mỗi đầu
vào đến từ một liên kết. Đặc trưng của neural là một hàm kích hoạt phi tuyến chuyển
đổi tổ hợp tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra. Hàm kích
hoạt này đảm bảo tính chất phi tuyến cho tính tốn của mạng neural.
Một neural được cầu tạo gồm các thành phần chính : liên kết neural, bộ cộng ,
hàm kích hoạt.
Liên kết neural là một thành phần của mạng neural nhận tạo để liên kết giữa các
neural, nó nối đầu ra của neural lớp này với đầu vào của một neural trong lớp khác.
Đặc trưng của thành phần liên kết là một trọng số mà mỗi tín hiệu đi qua đều được
nhân với trọng số này. Các trọng số liên kết chính là các tham số tự do cơ bản của
mạng neuron, có thể thay đổi được nhằm thích nghi với mơi trường xung quanh.
Bộ cộng dùng để tính tổng các tín hiệu đầu vào của neural, đã được nhân với
các trọng số liên kết tương ứng. phép tốn được mơ tả ở đây tạo nên một bộ hợp tuyến
tính.
Hàm kích hoạt hay cịn gọi hàm kích hoạt phi tuyến, chuyển đổi một tổ hợp
tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra. Hàm kích hoạt này đảm
bảo tính chất phi tuyến cho tính tốn mạng neural. Nó được xem như là một hàm giới
hạn, nó giới hạn phạm vi biên độ cho phép của tín hiệu đầu ra trong một khoảng giá trị

hữu hạn. Hệ số điều chỉnh b có tác dụng tăng lên hoặc giảm đi đầu vào thực của hàm
kích hoạt, tùy theo nó dương hay âm.

1.1.3. Cấu tạo mạng Neural nhân tạo.
Lớp đầu vào: là lớp làm việc trực tiếp với dữ liệu bên ngoài, cho nên số lượng
nơ-ron ở lớp đầu vào phụ thuộc vào số chiều của dữ liệu bên ngoài.
Lớp giữa (lớp ẩn): là lớp xử lý dữ liệu nhận từ lớp đầu vào, bạn có thể có nhiều
lớp nơ-ron hơn ở lớp giữa, nếu lớp nơ-ron ở giữa mà nhiều hơn 2 người ta gọi đó là mơ
hình học sâu (Deep Learning). Cịn số lượng nơ-ron ở mỗi lớp nơ-ron thì tùy bạn muốn
chọn bao nhiêu cũng được (nhưng sẽ có kinh nghiệm chọn phù hợp nhất định).
Lớp đầu ra: là lớp xuất ra kết quả, số lượng nơ-ron lớp đầu ra phụ thuộc vào số
lượng kết quả bạn muốn có.



Hình 1.2: Cấu trúc Neural nhân tạo

1.2.

Đặc trưng của mạng Neural nhân tạo.

1.2.1. Tính phi tuyến.
Một neural có thể tính tốn một cách tuyến tính hay phi tuyến. Một mạng
neural, cấu thành bởi sự kết nối các neural phi tuyến thì tự nó sẽ có tính phi tuyến. Hơn
nữa, điều đặc biệt là tính phi tuyến này được phân tán trên tồn mạng. Tính phi tuyến
là một thuộc tính rất quan trọng, nhất là khi các cơ chế vật lý sinh ra các tín hiệu đầu
vào (ví dụ tín hiệu tiếng nói) vốn là phi tuyến.

1.2.2. Tính chất tương ứng đầu vào đầu ra.
Mặc dù khái niệm “học” hay “huấn luyện” chưa được bàn đến nhưng để hiểu

được mối quan hệ đầu vào-đầu ra của mạng neural, chúng ta sẽ đề cập sơ qua về khái
niệm này. Một mơ hình học phổ biến được gọi là học với một người dạy hay học có
giám sát liên quan đến việc thay đổi các trọng số liên kết của mạng neural bằng việc áp
dụng một tập hợp các mẫu tích luỹ hay các ví dụ tích luỹ. Mỗi một ví dụ bao gồm một
tín hiệu đầu vào và một đầu ra mong muốn tương ứng. Mạng neural nhận một ví dụ lấy
một cách ngẫu nhiên từ tập hợp nói trên tại đầu vào của nó, và các trọng số liên kết của
mạng được biến đổi sao cho có thể cực tiểu hố sự sai khác giữa đầu ra mong muốn và
đầu ra thực sự của mạng theo một tiêu chuẩn thống kê thích hợp. Sự tích luỹ của mạng
được lặp lại với nhiều ví dụ trong tập hợp cho tới khi mạng đạt tới một trạng thái ổn
định mà ở đó khơng có một sự thay đổi đáng kể nào của các trọng số liên kết. Các ví
dụ tích luỹ được áp dụng trước có thể được áp dụng lại trong thời gian của phiên tích


luỹ nhưng theo một thứ tự khác. Như vậy mạng neural học từ các ví dụ bằng cách xây
dựng nên một tương ứng đầu vào-đầu ra cho vấn đề cần giải quyết.

1.2.3. Tính chất thích nghi.
Các mạng neural có một khả năng mặc định là biến đổi các trọng số liên kết tuỳ
theo sự thay đổi của môi trường xung quanh. Đặc biệt, một mạng neural đã được tích
luỹ để hoạt động trong một mơi trường xác định có thể được tích luỹ lại một cách dễ
dàng khi có những thay đổi nhỏ của các điều kiện môi trường hoạt động.

1.2.4. Tính chất đưa ra lời giải có bằng chứng.
Trong ngữ cảnh phân loại mẫu, một mạng neural có thể được thiết kế để đưa ra
thông tin không chỉ về mẫu được phân loại, mà còn về sự tin cậy của quyết định đã
được thực hiện. Thơng tin này có thể được sử dụng để loại bỏ các mẫu mơ hồ hay nhập
nhằng.

1.2.5. Tính chất chấp nhận sai sót.
Một mạng neural, được cài đặt dưới dạng phần cứng, vốn có khả năng chấp

nhận lỗi, hay khả năng tính tốn thơ, với ý nghĩa là tính năng của nó chỉ thối hố khi
có những điều kiện hoạt động bất lợi. Ví dụ, nếu một neural hay các liên kết kết nối
của nó bị hỏng, việc nhận dạng lại một mẫu được lưu trữ sẽ suy giảm về chất lượng.
Khả năng cài đặt VLSI(Very-large-scale-intergrated). Bản chất song song đồ sộ của
một mạng neural làm cho nó rất nhanh trong tính tốn đối với một số cơng việc. Đặc
tính này cũng tạo ra cho một mạng neural khả năng phù hợp cho việc cài đặt sử dụng
kỹ thuật Very-large-scale-intergrated (VLSI). Kỹ thuật này cho phép xây dựng những
mạch cứng tính tốn song song quy mơ lớn. Chính vì vậy mà ưu điểm nổi bật của
VLSI là mang lại những phương tiện hữu hiệu để có thể xử lý được những hành vi có
độ phức tạp cao.

1.2.6. Tính chất đồng dạng trong phân tích và thiết kế.
Về cơ bản, các mạng neural có tính chất chung như là các bộ xử lý thông tin.
Chúng ta nêu ra điều này với cùng ý nghĩa cho tất cả các lĩnh vực có liên quan tới việc
ứng dụng mạng neural. Đặc tính này thể hiện ở một số điểm như sau:
Các neural, dưới dạng này hoặc dạng khác, biểu diễn một thành phần chung cho
tất cả các mạng neural.


Tính thống nhất này đem lại khả năng chia sẻ các lý thuyết và các thuật toán học
trong nhiều ứng dụng khác nhau của mạng neural.
Các mạng tổ hợp (modular) có thể được xây dựng thơng qua một sự tích hợp
các mơ hình khác nhau.

1.3.

Phương pháp học của mạng Neural.

1.3.1. Học có giám sát.
Một thành phần khơng thể thiếu của phương pháp này là sự có mặt của một

người thầy (ở bên ngồi hệ thống). Người thầy này có kiến thức về môi trường thể hiện
qua một tập hợp các cặp đầu vào - đầu ra đã được biết trước. Hệ thống học (ở đây là
mạng neural) sẽ phải tìm cách thay đổi các tham số bên trong của mình (các trọng số
và các ngưỡng) để tạo nên một ánh xạ có khả năng ánh xạ các đầu vào thành các đầu ra
mong muốn. Sự thay đổi này được tiến hành nhờ việc so sánh giữa đầu ra thực sự và
đầu ra mong muốn.

1.3.2. Học không giám sát.
Trong học không có giám sát, ta được cho trước một số dữ liệu x và hàm chi phí
cần được cực tiểu hóa có thể là một hàm bất kỳ của dữ liệu x và đầu ra của mạng, f –
hàm chi phí được quyết định bởi phát biểu của bài toán. Phần lớn các ứng dụng nằm
trong vùng của các bài toán ước lượng như mơ hình hóa thống kê, nén, lọc, phân cụm.

1.3.3. Học tăng cường.
Dữ liệu x thường không được tạo trước mà được tạo ra trong quá trình một
agent tương tác với môi trường. Tại mỗi thời điểm t, agent thực hiện hành động yt và
môi trường tạo một quan sát xt với một chi phí tức thời Ct, theo một quy trình động
nào đó (thường là khơng được biết). Mục tiêu là một sách lược lựa chọn hành động để
cực tiểu hóa một chi phí dài hạn nào đó, nghĩa là chi phí tích lũy mong đợi. Quy trình
hoạt động của mơi trường và chi phí dài hạn cho mỗi sách lược thường khơng được
biết, nhưng có thể ước lượng được. Mạng neural nhân tạo thường được dùng trong học
tăng cường như một phần của thuật tốn tồn cục. Các bài toán thường được giải quyết
bằng học tăng cường là các bài tốn điều khiển, trị chơi và các nhiệm vụ quyết định
tuần tự (sequential decision making) khác.


1.4.

Một số ứng dụng của mạng Neural
Trong hàng không: Máy bay không người lái, mô phỏng đường bay của máy

bay.
Hệ thống dẫn đường tự động: Điều khiển bơm nhiên liệu, phanh tự động, phân
tích hoạt động bảo hành.
Ngân hàng: Đánh giá hoạt động tín dụng, phân loại các cơng ty, đo lường rủi ro
tín dụng.
Trong quốc phịng: Chỉ huy vũ khí, theo dõi mục tiêu, tạo cảm biến mới, ngăn
chặn tìm kiếm tội phạm
Điện: Bố trí chíp mạch phù hợp, điều khiển q trình, phân tích lỗi chip.
Giải trí: Hoạt hình, dự báo thị trường.
Trong các hoạt động dự báo, dự đốn: dự báo thời tiết, giá vàng, chứng khống,
…
Ngồi ra còn rất nhiều ứng dụng khác của mạng Neural: Dầu khí, robot, tiếng
nói, hình ảnh, an ninh, truyền thơng, giao thông,….

Chương 2: Ứng dụng của mạng Neuron vào dự đoán giá Vàng
2.1. Khái niệm hệ thống dự đoán thị trường giá Vàng.
2.1.1. Khái niệm.
Hệ thống dự đoán thị trường giá vàng là chương trình sử dụng các thuật tốn để
dự đoán các xu hướng trong tương lai trên thị trường vàng. Các thuật toán được sử
dụng trong hệ thống dự đoán giá vàng ban đầu được sử dụng để nghiên cứu khoa học
trong các lĩnh vực như di truyền học, thiên văn học và vật lý lượng tử.
Tuy nhiên, các nhà khoa học sớm phát hiện ra rằng các thuật tốn này có thể
được áp dụng cho thị trường giá vàng vì lĩnh vực này tạo ra một lượng lớn dữ liệu và
tuân theo một số kiểu mẫu.
Các kỹ thuật được sử dụng phổ biến nhất trong dự đoán thị trường giá vàng bao
gồm

thuật

toán

di

truyền

(GA)

và

mạng

nơ-ron

nhân

tạo

(ANN).

Việc sử dụng các phương pháp ANN để dự đoán giá vàng đã được chứng minh
là rất thành cơng. ANN dự đốn mức thấp nhất trong tương lai bằng cách phân tích giá
thấp và độ trễ thời gian, trong khi mức cao trong tương lai được dự đoán bằng cách sử


dụng mức cao bị trễ. Những dự đoán này sau đó được sử dụng để xác định giá mua và
bán.

2.1.2. Lợi ích của việc sử dụng Hệ thống dự đốn giá vàng.

Dự đoán hiệu quả hoạt động của thị trường giá vàng là một thách thức và rủi ro.
Có nhiều yếu tố được xem xét – yếu tố thể chất, yếu tố tâm lý và hành vi. Những khía
cạnh này khiến giá cổ phiếu khơng ổn định và khó dự đốn chính xác. Tuy nhiên, với
việc sử dụng các thuật tốn và khoa học dữ liệu, các dự đoán đã được cải thiện. Sau
đây là một số lợi ích của việc sử dụng hệ thống dự đoán giá vàng:


- Sử dụng các hệ thống ANN, sử dụng cách tiếp cận phân loại trái ngược với
cách tiếp cận đầu ra định lượng truyền thống, tạo ra độ tin cậy dự đoán tốt hơn.


- Một số loại dữ liệu mà trước đó khơng thể được thu thập hoặc xử lý, chẳng
hạn như dữ liệu văn bản khơng có cấu trúc, có thể được sử dụng để đưa ra dự đoán với
sự trợ giúp của các thuật toán. Dữ liệu văn bản phi cấu trúc này đề cập đến các báo cáo
tin tức hoặc tình cảm của cơng chúng. Sử dụng các kỹ thuật Dữ liệu lớn giúp bạn có
thể theo dõi các giá trị, ý kiến và mơ hình hành vi của mọi người trong khi đưa ra dự
đốn; điều này có nghĩa là các dự đốn khơng chỉ dựa trên dữ liệu kỹ thuật hoặc số.


- Các thuật tốn giúp xử lý nhanh chóng lượng dữ liệu khổng lồ dễ hỏng. Trên
thị trường giá vàng, các điều kiện thay đổi liên tục và nhanh chóng. Điều này có nghĩa
là để dự đốn các sự kiện trong tương lai trên thị trường, cần có một hệ thống đáng tin
cậy và nhanh chóng. Các thuật tốn cung cấp lợi ích này. Các thuật tốn có thể sử dụng
dữ liệu được xử lý trước, giảm không gian lưu trữ dữ liệu và tăng tốc độ tính tốn.


2.1.3. Cách thức hoạt động.
Dữ liệu được đưa vào hệ thống dự báo thì sẽ được xử lý bởi các thuật tốn. Sau
nhiều lần xử lý thì phần mềm sẽ đưa ra kết quả của dữ liệu ở mức chênh lệch thấp nhất.

Với mức chênh lệch của kết quả càng thấp thì độ chính xác của dự đốn càng cao .

2.1.4. Chức năng chính của hệ thống.
Hệ thống dự báo thị trường giá vàng cơ bản có các chức năng dự báo như sau:
- Dự báo giá vàng theo ngày.
- Dự báo giá vàng theo tháng.
- Dự báo giá vàng nữa đầu năm và nữa cuối năm.

2.2. Các bước trong q trình dự đốn của hệ thống.
2.2.1. Dự đốn dựa vào giá vàng của những ngày trước (quá khứ).
2.2.1.1. Chuẩn bị dữ liệu.
Lựa chọn, thu thập và tổ chức dữ liệu:
- Dữ liệu ở dạng file text.
- Dữ liệu được chia theo hàng và cột, bao gồm ID, đầu vào và cuối cùng
là đầu ra. Có thể sử dụng MS Excel để biên soạn dữ liệu, sau đó lưu vào file text hoặc
file csv.
Tính số Neural và dữ liệu:
- Số lượng Neural sẽ phụ thuộc vào số chiều của dữ liệu đầu vào.
Chuẩn hóa dữ liệu.
Phân chia dữ liệu phù hợp.

2.2.1.2. Tìm thơng số thích hợp cho mạng Neural.
Lựa chọn số Neural cho lớp ẩn: số Neural ẩn sẽ phụ thuộc vào người sử dụng.
Lựa chọn hàm biến đổi cho lớp ẩn.
Sử dụng hàm truyền.
Thuyết lặp điều kiện dừng:
- Số lần lặp (lặp với một số lần nhất định để đưa về những kết quả với độ
chênh lệch thấp nhất có thể)
- Thời gian học (thuật tốn Gradient descent và tốc độ học).

2.2.1.3. Huấn luyện mạng.
ANN được huấn luyện (Training) hay được học (Learning) theo kĩ thuật cơ bản
là học có giám sát.
Quá trình huấn luyện được lặp đi lặp lại đến khi nào kết quả của đầu ra đạt được
giá trị mong muốn. Áp dụng cho kĩ thuật này là mạng Neural lan truyền ngược.
Quá trình học của mạng Neural nhân tạo được mơ tả:
1.

Tính giá trị đầu ra từ các giá trị đầu vào.

2.

So sánh giá trị đầu ra với giá trị mong muốn.

3.

Nếu chưa đạt được giá trị mong muốn thì điều chỉnh lại các thơng

số và tính lại giá trị đầu ra.
Sau khi tính tốn các giá trị đầu vào, ta sẽ nhận được các giá trị đầu ra. Giá trị
mà ta mong muốn đã biết trước. Sự chênh lệch giữa giá trị đầu ra và giá trị mong muốn
được gọi là lỗi, tức là ta sẽ lấy hai giá trị trừ cho nhau. Mục đích của việc làm trên là để
tìm ra lỗi càng nhỏ càng tốt ( Nếu khơng có sự chênh lệch giữa hai giá trị thì là hồn
hảo) bằng cách điều chỉnh các thơng số đầu vào, tiếp tục tính giá trị đẩu ra và so sánh
với giá tri mong muốn, và điều chỉnh các thông số dừng phù hợp.
Tiến hành huấn luyện mạng nhiều lần và chọn lần huấn luyện có lỗi nhỏ nhất
(khi đó kết quả dự đốn sẽ chính xác cao hơn).

2.2.1.4.

Kiểm

tra

dữ

liệu

được

mơ

hình

hóa

(modeling).

Sau q trình mạng học xong, ta kiểm tra dữ liệu, đầu ra của dữ liệu sẽ có dạng
đồ thị, để dễ dàng so sánh thông số đầu ra và kết qua mong muốn.

Hình 2.1: biểu đồ 1
- Màu đỏ là giá trị đầu ra.