Ứng dụng mô hình cây quyết định với thông tin không chắc chắn ở trung tâm hỗ trợ và phát triển sinh viên việt nam

Ứng dụng mô hình cây quyết định với thông tin
không chắc chắn ở Trung tâm Hỗ trợ và Phát
triển sinh viên Việt Nam

Phạm Trung Thành

Trường Đại học Kinh tế
Luận văn ThS. Chuyên ngành: Quản lý kinh tế ; Mã số: 60 34 01
Người hướng dẫn: TS. Lê Kim Sa
Năm bảo vệ: 2014

Keywords: Quản lý kinh tế; Quản lý sản xuất; Mô hình cây quyết định.
Content:
MỞ ĐẦU
1. Sự cần thiết của việc thực hiện Đề tài nghiên cứu
Sản phẩm cuối cùng trong quản lý kinh tế chính là các quyết định. Vì vậy, ra quyết định quản lý
kinh tế là một trong những hoạt động rất quan trọng của tổ chức, doanh nghiệp. Thực tiễn cho
thấy trong bối cảnh hoạt động của nền kinh tế thị trường có sự hội nhập kinh tế toàn cầu ngày
càng sâu rộng, cạnh tranh ngày càng sâu sắc như ở nước ta, việc ra quyêt định càng trở lên quan
trọng và trở thành yếu tố có ý nghĩa quyết định đến sự thành công hay thất bại của một tổ chức
kinh tế.
Để nâng cao chất lượng ra quyết định, điều quan trọng là tổ chức cần nắm bắt đầy đủ, kịp thời và
xử lý, khai thác có hiệu quả các thông tin liên quan để rút ra những tri thức mới và ra quyết định
từ những tri thức này. Như vậy ngày càng có nhiều thông tin với tốc độ thay đổi rất nhanh để trợ
giúp việc ra quyết định và ngày càng có nhiều câu hỏi mang tính chất định tính cần phải trả lời
dựa trên một khối lượng dữ liệu khổng lồ đã có, đặc biệt trong đó có nhiều dữ liệu không chắc
chắn.
Cây quyết định thực chất là công cụ hỗ trợ quyết định, có thể biểu diễn thông tin phức tạp theo
một cấu trúc đơn giản hơn rất nhiều dưới dạng cây. Vì vậy, đề tài này nằm trong hướng nghiên
cứu, ứng dụng cây quyết định trong việc xử lý thông tin nhằm rút ra tri thức mới, phục vụ ra
quyết định trong quá trình quản lý kinh tế của tổ chức. Cụ thể, đề tài sẽ tập trung giải quyết vấn

đề xây dựng một qui trình ra quyết định quản lý kinh tế sử dụng cây quyết định với thông tin
không chắc chắn. Để khẳng định tính khả thi của qui trình đưa ra, đề tài sẽ sử dụng qui trình
trong việc hỗ trợ ra quyết định quản lý kinh tế tại Trung tâm Hỗ trợ và Phát triển sinh viên Việt
Nam.
Với mô hình cây quyết định dựa trên thông tin không chắc chắn, việc ra quyết định quản lý ở các
tổ chức nói chung, tổ chức kinh tế nói riêng sẽ nâng cao tính khách quan, khoa học, gạt bỏ một
phần những yếu tố chủ quan, cảm tính, hơn nữa trong những quyết định đòi hỏi phải xử lý nhiều
thông tin không chắc chắn, gây khó khăn, nhiễu loạn đối với chủ thể quản lý, thì mô hình cây
quyết định hứa hẹn là một phương tiện hỗ trợ đưa những phương án tối ưu và có độ tin cậy cao.
2. Tình hình nghiên cứu trong và ngoài nước:
Ngoài nước: Cây quyết định là một trong những kỹ thuật phát hiện thông tin tri thức mới tiềm ẩn
trong dữ liệu. Cây quyết định được đề xuất lần đầu vào giữa những năm 1980 và đầu những năm
1990. Về mặt lý thuyết hiện người ta vẫn không ngừng tìm kiếm những phương pháp xây dựng
cây quyết định mới, nhất là cải tiến độ đo thông tin tương hỗ nhằm làm cho cây quyết định có thể
hỗ trợ đưa ra được những quyết định xác đáng nhất. Ngay từ khi ra đời cây quyết định đã được
ứng dụng trong các quá trình ra quyết định thuộc nhiều lĩnh vực của đời sống chính trị, kinh tế,
xã hội. Mặc dù có nhiều phương pháp hỗ trợ ra quyết định khác nhưng cây quyết định được đánh
giá là thích hợp nhất với các quá trình ra quyết định.
Mặt khác thực tế của các quá trình ra quyết định cũng cho thấy thông tin phục vụ các quá trình
này thường không được biết đầy đủ hoặc không được biết chắc chắn. Việc biểu diễn và suy luận
trên những thông tin được biết không đầy đủ hoặc không chắc chắn có ý nghĩa quyết định đến
chất lượng của các hệ chuyên gia như trong khám chữa bệnh, dạy học từ xa, …, trong các hệ
thống thông minh như hệ điều khiển tự động ô tô, máy bay, tàu hoả, trong các người máy hay
trong một số hệ trợ giúp ra quyết định khác như phỏng vấn và tuyển chọn nhân sự, chấm thi,
chọn nhà thầu,
TÀI LIỆU THAM KHẢO
Tiếng Việt:
1. Đoàn Thị Thu Hà, Nguyễn Thị Ngọc Huyền (2004), Khoa học quản lý tập 1, NXB Khoa học
Kỹ thuật.
2. Trần Bình Minh (2007), Thực trạng lập kế hoạch sản xuất kinh doanh tại Doanh nghiệp Cổ

phần May Thăng Long, Báo cáo chuyên đề, Đại học Kinh tế Quốc dân.
3. Nguyễn Thị Tâm Minh (2009), Ứng dụng cây quyết định để dự báo chỉ số nhóm nợ hỗ trợ
quản lý rủi ro tín dụng, Luận văn thạc sỹ, Đại học Quốc gia Hà Nội.
4. Đỗ Thanh Nghị (2008), Giáo trình khai thác dữ liệu, Đại học Cần Thơ.
5. Đỗ Thanh Nghị & Lê Quyết Thắng (2010), Nhận dạng tấn công mạng với mô hình trực quan
cây quyết định, Đề tài NCKH cấp Nhà nước, KC01.
6. Đỗ Thành Nghị, Lê Quyết Thắng (2010), Nghiên cứu xây dựng các hệ thống thông tin hỗ trợ
việc phòng chống dịch bệnh cây trồng và thuỷ sản cho vùng kinh tế trọng điểm, Đề tài NCKH
cấp Nhà nước, KC01.
7. Đỗ Văn Thành (2002), Phát hiện luật kết hợp, Bài giảng Trường thu hệ mờ và Ứng dụng,
Viện Toán học.
8. Đỗ Văn Thành (2003), Cơ sở lý thuyết của Phát hiện luật kết hợp, Bài giảng Trường Thu Hệ
mờ và ứng dụng, Viện Toán học.
9. Đỗ Văn Thành (2011), Ra quyết định với thông tin không chắc chắn bằng việc ứng dụng mô
hình cây quyết định trong việc lập kế hoạch, sản xuất kinh doanh của các doanh nghiệp, Đề tài
nghiên cứu khoa học cấp bộ, Bộ Kế hoạch và Đầu tư.
10. Cao Hào Thi (2008), Giáo trình xác suất thống kê, Trung Tâm Viện Công Nghệ Châu Á tại
Việt Nam (AITCV)
11. Nguyễn Thị Hồng Thuỷ, Nguyễn Thị Ngọc Huyền (1997), Lý thuyết quản trị kinh doanh,
NXB Khoa học Kỹ thuật.
12. Trung tâm Hỗ trợ và Phát triển sinh viên Việt Nam, Quy chế hoạt động của Trung tâm Hỗ trợ
và Phát triển sinh viên Việt Nam.
13. Đinh Mạnh Tường (2007), Giáo trình trí tuệ nhân tạo, ĐH Công Nghệ.
Tiếng Anh
14. Breiman, L., Friedman, J., Olshen, R., Stone, C. (1984): Classification and Regression Trees,
Chapman & Hall, New York, 1984.
15. Clemen, R., & Winkler, R. (1999). Combining probability distributions from experts in risk
analysis, Risk Analysis, 19, 187–203.
16. Do, T-N., Lenca, P. and Lallich, S. (2010), Enhancing network intrusion classification with
the Kolmogorov-Smirnov splitting criterion. in proc. of ICTACS’10, The 3rd International

Conference on Theories and Applications of Computer Sciences, Vietnam.
17. Karni, E. (1985). Decision making under uncertainty: The case of state dependent
preferences. Cambridge: Harvard University Press.
18. Kdnuggets (2007). Data mining methods. KDnuggets Polls 2003-2007.
19. Miheev, V., Vopilov, A., Shabalin, I. (2000): The mp13 approach to the kdd’99 classifer
learning. SIGKDD Explorations 1(2) 76–77.
20. Mongin, P. (1995). Consistent Bayesian aggregation. Journal of Economic Theory, 66, 313–
351.
21. O’Hagan, A., Buck, C., Daneshkhan, A., Eiser, J., Garthwaite, P., Jenkinson, D., et al.
(2006). Uncertain judgments: Eliciting experts’ probabilities. Chichester: Wiley.
22. Quinlan, J. (1993), C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers.
23. Ralph L. Keeney and Robert Nau (2011). A theorem for Bayesian group decisions , Journal
of Risk and Uncertainty, Volume 43, N02-6/2011.
24. Robert F. Stewart (1980), SWOT analysis model Standford, Menlo Park, California.
25. Shannon, C-E. (1948), A mathematical theory of communication. Bell System Technological
Journal (27):379–423, 623–656.
26. Thomas Reinart (2002): Stages of the Discovery Process, in Handbook of Data Mining and
Knowledge Discovery (Ed. by Willi Klosgen and Jan M. Zytkow), Oxford.
27. Wu X. and Kumar V. (2009): Top 10 Algorithms in Data Mining. Chapman & Hall/CRC.