Nghiên cứu xây dựng hệ thống quản lý thư viện trực tuyến tại trường bưu chính viễn thông lào (LV thạc sĩ)

điểm thi môn toán cao sẽ dễ trúng tuyển hơn. Khi đó tỷ lệ thí sinh có
điểm ưu tiên khu vực mà có điểm tổng điểm 3 môn thấp sẽ khó trúng tuyển hơn. Vì
khi tăng hệ số của điểm thi môn toán, sẽ tăng giá trị điểm thi thực của các thí sinh lên
còn các điểm ưu tiên theo khu vực vẫn giữa nguyên, điều đó sẽ hạn chế bớt các thí
thuộc khu vực 1 có điểm cộng ưu tiên cao.


55

3.4 Kết luận chương 3
Trong chương 3 luận văn đã sử dụng kỹ thuật SVM cho bài toán phân loại kết
quả học tập của sinh viên Học viện Y- Dược Học cổ truyền Việt Nam. Trên cơ sở các
thông tin tuyển sinh đầu vào và kết quả học tập của sinh viên, luận văn đã tiến hành
thực nghiệm với việc sử dụng SVM. Kết quả thực nghiệm thu được khi sử dụng phần
mềm WEKA được phân tích và đánh giá cho thấy sự phù hợp với lý thuyết đã nghiên
cứu. Trong luận văn đã đề xuất một số khuyến nghị về việc xây dựng phương án
tuyển sinh tại Học viện Y- Dược Học cổ truyền Việt Nam nhằm nâng cao chất lượng
đào tạo.


56

KẾT LUẬN
1. Kết quả đạt được của luận văn
Luận văn đã đạt được các kết quả chính như sau:
Khảo sát bài toán phân lớp dữ liêu và các phương pháp giải quyết chúng. Đồng
thời luận văn cũng nghiên cứu các độ đo đánh giá các mô hình phân lớp và ứng dụng
bài toán phân lớp dữ liệu trong các lĩnh vực khoa học, kỹ thuật và đời sống xã hội.
Nghiên cứu các kỹ thuật SVM giải quyết bài toán phân lớp nhị phân và các
chiến lược giải quyết bài toán phân lớp đa lớp.
Sử dung SVM giải quyết bài toán phân loại kết quả học tập của sinh viên tại

Học viện Y - Dược Học cổ truyền Việt Nam.
Về cơ bản luận văn đã hoàn thành các mục tiêu đề ra của đề tài nghiên cứu.

2. Hướng phát triển luận văn:
Tuy đạt được một số kết quả nêu trên, nhưng luận văn còn một số hạn chế do
điều kiện về mặt thời gian và trình độ của học viên. Vì vậy, hướng nghiên cứu tiếp
theo của học viên là:
- Nghiên cứu thêm về các thuật toán học máy khác nhau để có thể ứng dụng
cho nhiều bài toán phân lớp dữ liệu đa dạng trong thực tế, ... .
- Mở rộng thêm các thuộc tính có liên quan đến kết quả học tập của sinh viên
học chuyên ngành Y học cổ truyền như yếu tố gia đình có nghề gia truyền, sở thích
của sinh viên, ... cho bài toán phân loại kết quả học tập của sinh viên tại Học viện Y
- Dược Học cổ truyền Việt Nam.
- Phát triển bài toán phân loại và dự báo cho các ngành học khác nhau để hỗ trợ
quá trình đào tạo tại các trường đại học khác nhau.


57

TÀI LIỆU THAM KHẢO
Tiếng Việt
[1] Nguyễn Thị Thảo, Nguyễn Thị Huyền, Đoàn thị Thu Hà, Trần Thị Thu Huyền,
Nguyễn Thị Thủy (2011) – ”Phương pháp phân lớp sử dụng máy véc tơ hỗ trợ ứng
dụng trong tin sinh học” – Tạp chi Khoa học và Phát triển, T. 9, Số 6, T. 1021-1031.
[2] Nguyễn Anh Tuấn (2015) – ”Ứng dụng máy véc tơ hỗ trợ trong phân loại bệnh
dựa trên xét nghiệm hóa nghiệm” - Luận văn thạc sĩ kỹ thuật, Học viện Công nghệ
Bưu chính Viễn thông.
Tiếng Anh
[3] S. Abe (2005) – “Support Vector Machine for Pattern Recognition” – Springer.
[4] E. L. Allwein, R. E. Schapire, and Y. Singer (2001) – “Reducing multiclass to

binary: A unifying approach for margin classifiers” - The Journal of Machine
Learning Research, V.1, pp. 113–141.
[5] Tapan Bagchi, Rahul Samant, Milan Joshi (2013) – “SVM Classifiers Built Using
Imperfect Training Data” - International Conference on Mathematical Techniques In
Engineering Applications, ICMTEA 2013-BM-003.
[6] Christopher J.C. Burges (2000) – “A Tutorial on Support Vector Machines for
Pattern Recognition” – Kluwer Academic Publishers, Boston.
[7] C. Cortes and V. N. Vapnik (1995) – “Support Vector Networks” - Machine
Learning, V. 20, No. 3, pp. 273-297.
[8] Jiawei Han, Micheline Kamber (2011) – “Data mining: Concepts and
Techniques” -3nd Edition, Morgan Kaufman Publishers.
[9] C.W. Hsu and C.J. Lin (2002) – “A Comparison of Methods for Multiclass Support
Vector Machines” - IEEE Tran. on Neural Networks, V. 13, No. 2, pp. 415-425.
[10] H. Lei and V. Govindaraju (2005) – “Half-against-half Multi-class Support
Vector Machines” - Springer Berlin Heidelberg, pp. 156-164.


58

[11] J. Milgram, M. Cheriet and R. Sabourin (2006) – ““One Against One” or “One
Against All”: Which One is Better for Handwriting Recognition with SVMs?” - In
Tenth International Workshop on Frontiers in Handwriting Recognition. Suvisoft.
[12] R. Rifkin and A. Klautau (2004) – “In defence of one-vs-all classification” Journal of Machine Learning Research, V. 5, pp. 101-141.
Trang WEB
[13] />[14] />[15] />