ỨNG DỤNG CÁC GIẢI THUẬT KHAI THÁC DỮ LIỆU TRONG XÂY DỰNG TRANG THƯƠNG MẠI ĐIỆN TỬ Ở VIỆT NAM

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI
KHOA CÔNG NGHỆ THÔNG TIN
____________________

ĐỒ ÁN

TỐT NGHIỆP ĐẠI HỌC
NGÀNH: HỆ THỐNG THÔNG TIN

XÂY DỰNG WEBSITE BÁN MỸ PHẨM ỨNG
DỤNG KỸ THUẬT KHAI PHÁ DỮ LIỆU
Sinh viên thực hiện:

PHẠM VĂN ĐIẾN
NGUYỄN VĂN LONG
Lớp: ĐH HTTT K4

Giảng viên hướng dẫn:

ThS. TRẦN THANH HÙNG

Hà Nội, 05/2013


TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI
KHOA CÔNG NGHỆ THÔNG TIN
____________________

ĐỒ ÁN

TỐT NGHIỆP ĐẠI HỌC

Đề tài:

XÂY DỰNG WEBSITE BÁN MỸ PHẨM ỨNG
DỤNG KỸ THUẬT KHAI PHÁ DỮ LIỆU
Sinh viên thực hiện:

PHẠM VĂN ĐIẾN
NGUYỄN VĂN LONG
Lớp: ĐH HTTT K4

Giảng viên hướng dẫn:
Cán bộ phản biện:

ThS. TRẦN THANH HÙNG
ThS. TRẦN PHƯƠNG NHUNG

Hà Nội, 05/2013

2


LỜI NÓI ĐẦU
Ngày nay, với sự phát triển mạnh mẽ của cơng nghệ thơng tin và những ứng dụng
của nó trong đời sống. Máy tính điện tử khơng cịn là một thứ phương tiện lạ lẫm đối
với mọi người mà nó dần trở thành một cơng cụ làm việc và giải trí thơng dụng và hữu
ích của chúng ta, khơng chỉ ở cơng sở mà cịn ngay cả trong gia đình.
Trong nền kinh tế hiện nay, với xu thế tồn cầu hóa nền kinh tế thế giới , mọi mặt
của đời sống xã hội ngày càng được nâng cao, đặc biệt là nhu cầu trao đổi hàng hóa
của con người ngày càng tăng cả về số lượng và chất lượng. Thông qua các sản phẩm
và công nghệ này, chúng ta dễ dàng nhận ra tầm quan trọng và tính tất yếu của thương

mại điện tử. Với những thao tác đơn giản trên máy tính có nối mạng Internet bạn sẽ có
tận tay những gì mình cần mà khơng phải mất nhiều thời gian. Bạn chỉ cần vào các
trang dịch vụ thương mại điện tử , làm theo hướng dẫn và click vào những gì bạn cần
các nhà dịch vụ sẽ mang đến tận nhà cho bạn. Hiện nay thật khó để có thể tiếp thu
thơng tin từ một khối lượng rất lớn dữ liệu, tìm kiếm và phát hiện được tri thức quả là
một điều khơng dễ dàng gì? Hiện nay đã có rất nhiều các nghiên cứu, phương pháp
mang tính khoa học dựa trên yếu tố thơng minh nhất đã ra đời, nhằm phục vụ cho q
trình trích lọc được dữ liệu một cách tối ưu và từ đó tìm kiếm được tri thức cần có. Vì
vậy một wesbsite cần có ứng dụng giải thuật thơng minh vào là điều tất yếu.
Để đáp ứng và phục vụ nhu cầu của khách hàng cũng như các doanh nghiệp hay
các công ty... Em xin tìm hiểu và xây dựng website : “xây dựng website bán mỹ phẩm
áp dụng kỹ thuật khai phá dữ liệu”.
Để có được kết quả như ngày hơm nay , em xin gửi lời cảm ơn chân thành và sâu
sắc nhất đến tồn bộ các q thầy cơ trong khoa công nghệ thông tin trường Đại học
Công Nghiệp Hà Nội đã tạo điều kiện giúp đỡ em trong suốt quá trình học tập tại
trường . Em xin gửi lời cảm ơn đặc biệt nhất đến thầy Th.s Trần Thanh Hùng, thầy đã
ln hướng dẫn chỉ bảo tận tình cho em hoàn thành đồ án thực tập tốt nghiệp một cách
tốt nhất.
Em xin chân thành cảm ơn !
Hà Nội, ngày 12/05/2013
Sinh viên thực hiện:
Phạm Văn Điến
Nguyễn Văn Long
3


TÓM TẮT ĐỒ ÁN
Đồ án tốt nghiệp với đề tài “xây dựng website bán mỹ phẩm áp dụng kỹ thuật
khai phá dữ liệu” được xây dựng áp dụng cho công ty phân phối mỹ phẩm. Mục đích
của đề tài là xây dựng một website áp dụng kỹ thuật khai phá dữ liệu giúp khách hàng

có thể xem và lựa chọn sản phẩm phù hợp, quảng cáo sản phẩm theo nhóm khách
hàng, tìm kiếm tên hàng thơng minh và dự báo số lượng sản phẩm từng loại cho tuần
tới để nhà quản lí quyết định nhập với số lượng hợp lý. Nội dung của đồ án gồm ba
chương:
-

Chương 1: Tổng quan về khai phá dữ liệu
Chương 2: Các kỹ thuật khai phá dữ liệu
Chương 3: Phân tích thiết kế hệ thống

Đồng thời website cũng hỗ trợ thanh toán trực tuyến, giúp nhà quản lý quản lý thông
tin về sản phẩm, đơn đặt hàng
GRADUATION PROJECT SUMMARY
Graduation project with topic “Building cosmetics selling Website to apply the Data
mining techniques” is built to apply in cosmetics distribution companies. The purpose
of project is to built a website apply the data mining techniques to help customer can
veiw and select products, products advertisement by customer group, look for
intelligent products name and forecast amount of products groups for next week so
the manager decide to enter with reasonable quantity. Content of project containd 3
chapter:
Chapter 1: an overview of the data mining.
Chapter 2: data mining techniques.
Chapter 3: the system design analysis.
in addition, website also to support online payments, help the manager manage
products and order informations.

4


DANH SÁCH HÌNH VẼ

5


DANH SÁCH BẢNG BIỂU

6


Mục lục

7


CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU
Hiện nay trên sách báo, trong các cuộc hội thảo, tiếp thị sản phẩm ứng dụng
cơng nghệ thơng tin, người ta nói rất nhiều về khai phá dữ liệu hay có người còn gọi là
đào mỏ dữ liệu (data mining). Và chắc chắn trong chúng ta không ai là không từng một
lần được nghe thấy từ này. Vậy khai phá dữ liệu là gì? Và tại sao lại có nhiều người lại
nói đến vấn đề này trong cả cơng nghiệp máy tính lẫn trong hoạt động kinh doanh đến
như vậy?
1.1.

Khai phá dữ liệu là gì?
1.1.1. Khái niệm

Khai phá dữ liệu là một khái niệm ra đời vào những năn cuối của thập kỷ 80. Nó
bao hàm một loạt các kỹ thuật nhằm phát hiện ra các thơng tin có giá trị tiềm ẩn trong
các tập dữ liệu lớn (các kho dữ liệu). Về bản chất, khai phá dữ liệu liên quan đến việc
phân tích các dữ liệu và sử dụng các kỹ thuật để tìm ra các mẫu hình có tính chính quy

(regularities) trong tập dữ liệu.
Năm 1989, Fayyad, Piatestsky-Shapiro và Smyth đã dùng khái niệm Phát hiện
tri thức trong cơ sở dữ liệu (Kownledge Discovery in Database – KDD) để chỉ tồn bộ
q trình phát hiện các tri thức có ích từ các tập dữ liệu lớn. Trong đó, khai phá dữ liệu
là một bước đặc biệt trong toàn bộ quá trình, sử dụng các giải thuật đặc biệt để chiết
xuất ra các mẫu (pattern) (hay các mơ hình) từ dữ liệu.
1.1.2. Ví dụ minh họa
Để minh họa hoạt động cũngNợ
như mẫu chiết xuất được của quá trình
khai phá dữ liệu, trong chương này
Không cho vay
X
chúng ta sẽ dùng chủ yếu một ví dụ
đơn giản như đã cho trên Hình 2.2.
X
X
Hình 2.2 mô tả một tập dữ liệu hai
X
Cho vay
X
chiều gồm có 23 điểm mẫu. Mỗi điểm
X
X
X
biểu thị cho một khách hàng đã vay
X
X
ngân hàng. Trục hoành biểu thị cho thu
nhập, trục tung biểu thị cho tổng dư nợ
Thu nhập

của khách hàng. Dữ liệu khách hàng
được chia thành hai lớp: dấu x biểu Hình 1: Phân lớp dữ liệu khách hàng
thị cho khách hàng bị vỡ nợ, dấu o
biểu thị cho khách hàng có khả năng trả nợ. Tập dữ liệu này có thể chứa những thơng
8


tin có ích đối với các tổ chức tín dụng trong việc ra quyết định có cho khách hàng vay
nữa khơng. Ví dụ như ta có mẫu “Nếu thu nhập < t đồng thì khách hàng vay sẽ bị vỡ
nợ” như mơ tả trên Hình 2.2.
1.2.

Một số phương pháp khai thác dữ liệu phổ biến

Như đã phân tích ở trên, ta thấy khai phá dữ liệu khơng có gì mới mà hoàn toàn
dựa trên các phương pháp cơ bản đã biết. Vậy khai phá dữ liệu có gì khác so với các
phương pháp đó? Và tại sao khai phá dữ liệu lại có ưu thế hơn hẳn chúng? Các phân
tích sau đây sẽ giải đáp câu hỏi này.
1.2.1. Học máy (Machine Learning)
Mặc dù người ta đã cố gắng cải tiến các phương pháp học máy để có thể phù
hợp với mục đích khai phá dữ liệu nhưng sự khác biệt giữa cách thiết kế, các đặc điểm
của cơ sở dữ liệu đã làm cho phương pháp học máy trở nên khơng phù hợp với mục
đích này, mặc dù cho đến nay, phần lớn các phương pháp khai phá dữ liệu vẫn đựa trên
nền tảng cơ sở của phương pháp học máy. Những phân tích sau đây sẽ cho thấy điều
đó.
Trong quản trị cơ sở dữ liệu, một cơ sở dữ liệu là một tập hợp được tích hợp một
cách logic của dữ liệu được lưu trong một hay nhiều tệp và được tổ chức để lưu trữ có
hiệu quả, sửa đổi và lấy thông tin liên quan được dễ dàng. Ví dụ như trong cơ sở dữ
liệu quan hệ, dữ liệu được tổ chức thành các tệp hoặc các bảng có các bản ghi có độ dài
cố định. Mỗi bản ghi là một danh sách có thứ tự các giá trị, mỗi giá trị được đặt vào

một trường. Thông tin về tên trường và giá trị của trường được đặt trong một tệp riêng
gọi là thư viện dữ liệu (data dictionary). Một hệ thống quản trị cơ sở dữ liệu sẽ quản lý
các thủ tục (procedures) để lấy, lưu trữ, và xử lý dữ liệu trong các cơ sở dữ liệu đó.
Trong học máy, thuật ngữ cơ sở dữ liệu chủ yếu đề cập đến một tập các mẫu
(instance hay example) được lưu trong một tệp. Các mẫu thường là các vector đặc điểm
có độ dài cố định. Thơng tin về các tên đặc điểm, dãy giá trị của chúng đôi khi cũng
được lưu lại như trong từ điển dữ liệu. Một giải thuật học còn sử dụng tập dữ liệu và
các thơng tin kèm theo tập dữ liệu đó làm đầu vào và đầu ra biểu thị kết quả của việc
học (ví dụ như một khái niệm).
Với so sánh cơ sở dữ liệu thông thường và CSDL trong học máy như trên, có thể
thấy là học máy có khả năng được áp dụng cho cơ sở dữ liệu, bởi vì khơng phải học
trên tập các mẫu mà học trên tệp các bản ghi của cơ sở dữ liệu.
Tuy nhiên, phát hiện tri thức trong cơ sở dữ liệu làm tăng thêm các vấn đề vốn
đã là điển hình trong học máy và đã quá khả năng của học máy. Trong thực tế, cơ sở dữ
9


liệu thường động, không đầy đủ, bị nhiễu, và lớn hơn nhiều so với các tập dữ liệu học
máy điển hình. Các yếu tố này làm cho hầu hết các giải thuật học máy trở nên không
hiệu quả trong hầu hết các trường hợp. Vì vậy trong khai phá dữ liệu, cần tập trung rất
nhiều công sức vào việc vượt qua những khó khăn, phức tạp này trong CSDL.
1.2.2. Phương pháp hệ chuyên gia
Các hệ chuyên gia cố gắng nắm bắt các tri thức thích hợp với một bài tốn nào
đó. Các kỹ thuật thu thập giúp cho việc lấy tri thức từ các chuyên gia con người. Mỗi
phương pháp đó là một cách suy diễn các luật từ các ví dụ và giải pháp đối với bài tốn
chun gia đưa ra. Phương pháp này khác với khai phá dữ liệu ở chỗ các ví dụ của
chuyên gia thường ở mức chất lượng cao hơn rất nhiều so với các dữ liệu trong cơ sở
dữ liệu, và chúng thường chỉ bao được các trường hợp quan trọng. Hơn nữa, các
chuyên gia sẽ xác nhận tính giá trị và hữu dụng của các mẫu phát hiện được. Cũng như
với các c6ng cụ quản trị cơ sở dữ liệu, ở các phương pháp này địi hỏi có sự tham gia

của con người trong việc phát hiện tri thức.
1.2.3. Phát kiến khoa học
Khai phá dữ liệu rất khác với phát kiến khoa học ở chỗ những khai phá trong cơ
sở dữ liệu ít có chủ tâm và có điều khiển hơn. Các dữ liệu khoa học có từ thực nghiệm
nhằm loại bỏ tác động của một số tham số để nhấn mạnh độ biến thiên của một hay
một số tham số đích. Tuy nhiên, các cơ sở dữ liệu thương mại điển hình lại ghi một số
lượng thừa thông tin về các dự án của họ để đạt được một số mục đích về mặt tổ chức.
Độ dư thừa này (hay có thể gọi là sự lẫn lộn – confusion) có thể nhìn thấy và cũng có
thể ẩn chứa trong các mối quan hệ dữ liệu. Hơn nữa, các nhà khoa học có thể tạo lại
các thí nghiệm và có thể tìm ra rằng các thiết kế ban đầu khơng thích hợp. Trong khi
đó, các nhà quản lý cơ sở dữ liệu hầu như không thể xa xỉ đi thiết kế lại các trường dữ
liệu và thu thập lại dữ liệu.
1.2.4. Phương pháp thống kê
Một câu hỏi hiển nhiên là khai phá dữ liệu khác gì so với phương pháp thống kê.
Từ nhiều năm nay, con người đã sử dụng phương pháp thống kê một cách rất hiệu quả
để đạt được những mục đích của mình.
Mặc dù các phương pháp thống kê cung cấp một nền tảng lý thuyết vững chắc
cho các bài tồn phân tích dữ liệu nhưng chỉ có tiếp cận thống kê thuần túy thôi chưa
đủ. Thứ nhất, các phương pháp thống kê chuẩn không phù hợp đối với các kiểu dữ liệu
có cấu trúc trong rất nhiều các cơ sở dữ liệu. Thứ hai, thống kê hoàn toàn theo dữ liệu
(data driven), nó khơng sử dụng tri thức sẵn có về lĩnh vực. Thứ ba, các kết quả phân
tích thống kê có thể sẽ rất nhiều và khó có thể làm rõ được. Cuối cùng, các phương
10


pháp thống kê cần có sự hướng dẫn của người dùng để xác định phân tích dữ liệu như
thế nào và ở đâu.
Sự khác nhau cơ bản giữa khai phá dữ liệu và thống kê là ở chỗ khai phá dữ liệu
là một phương tiện được dùng bởi người sử dụng đầu cuối chứ không phải là các nhà
thống kê. Khai phá dữ liệu tự động quá trình thống kê một cách có hiệu quả, vì vậy làm

nhẹ bớt cơng việc của người dùng đầu cuối, tạo ra một công cụ dễ sử dụng hơn. Như
vậy, nhờ có khai phá dữ liệu, việc dự đoán và kiểm tra rất vất vả trước đây có thể được
đưa lên máy tính, được tính, dự đốn và kiểm tra một cách tự động.
1.3.

Tình hình ứng dụng khai phá dữ liệu

Mặc dù cịn rất nhiều vấn đề mà khai phá dữ liệu cần phải tiếp tục nghiên cứu để
giải quyết nhưng tiềm năng của nó đã được khẳng định bằng sự ra đời của rất nhiều
ứng dụng.
Khai phá dữ liệu được ứng dụng rất thành công trong “cơ sở dữ liệu thị trường”
(database marketing), đây là một phương pháp phân tích cơ sở dữ liệu khách hàng, tìm
kiếm các mẫu trong số các khách hàng và sử dụng các mẫu này để lựa chọn các khách
hàng trong tương lai. Tạp chí Business Week của Mỹ đã đánh giá hơn 50% các nhà bán
lẻ đang và có ý định sử dụng “cơ sở dữ liệu thị trường” cho hoạt động kinh doanh của
họ (Berry 1994). Kết quả ứng dụng cho thấy số lượng thẻ tín dụng American Express
bán ra đã tăng 15% - 20% (Berry 1994). Các ứng dụng khác của khai phá dữ liệu trong
kinh doanh như phân tích chứng khốn và các văn kiện tài chính; phân tích và báo cáo
những thay đổi trong dữ liệu, bao gồm Coverstory của IRI (Schmitz, Armstrong, &
Little 1990), Spotlight của A.C Nielsen (nand & Kahn 1992) đối với các dữ liệu bán
hàng trong siêu thị, KEFIR của GTE cho cơ sở dữ liệu y tế (Matheus, PiatetskyShapiro, & McNeil); phát hiện và phòng chống gian lận cũng thường là bài toán của
khai phá dữ liệu và phát hiện tri thức. Ví dụ như hệ thống phát hiện gian lận trong dịch
vụ y tế đã được Major và Riedinger phát triển tại Travelers insurance năm 1992.
Internal Revenue Service đã phát triển một hệ thống chọn thuế thu để kiểm toán.
Nestor FDS (Blanchard 1994) được phát triển dựa trên mạng neuron để phát hiện ra
gian lận trong thẻ tín dụng.
Các ứng dụng của khai phá dữ liệu trong khoa học cũng được phát triển. Ta có
thể đưa ra một số ứng dụng trong khoa học như:
•

Thiên văn học: Hệ thống SKICAT do JPL/Caltech phát triển được sử dụng
cho các nhà thiên văn để tự động xác định các vì sao và các dải thiên hà
trong một bản khảo sát lớn để có thể phân tích và phân loại (Fayyad,
Djorgovski, & Weir).
11


•

Phân tử sinh học: Hệ thống tìm kiếm các mẫu trong cấu trúc phân tử
(Conklin, Fortier, và Glasgow 1993) và trong các dữ liệu gen (Holder, Cook,
và Djoko 1994).

•

Mơ hình hóa những thay đổi thời tiết: các mẫu khơng thời gian như lốc, gió
xốy được tự động tìm thấy trong các tập lớn dữ liệu mô phỏng và quan sát
được (Stolorz et al. 1994).

12


CHƯƠNG 2. CÁC KỸ THUẬT KHAI PHÁ DỮ LIỆU
2.1. Mô hình mạng Neuron
2.1.1. Giới thiệu về mạng nơron nhân tạo
2.1.1.1. Mạng nơron nhân tạo là gì?
Định nghĩa: Mạng nơron nhân tạo, Artificial Neural Network (ANN) gọi tắt là
mạng nơron, neural network, là một mơ hình xử lý thơng tin phỏng theo cách thức xử
lý thông tin của các hệ nơron sinh học. Nó được tạo lên từ một số lượng lớn các phần
tử (gọi là phần tử xử lý hay nơron) kết nối với nhau thông qua các liên kết (gọi là trọng

số liên kết) làm việc như một thể thống nhất để giải quyết một vấn đề cụ thể nào đó.
Một mạng nơron nhân tạo được cấu hình cho một ứng dụng cụ thể (nhận dạng
mẫu, phân loại dữ liệu, ...) thơng qua một q trình học từ tập các mẫu huấn luyện. Về
bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron.
2.1.1.2. Lịch sử phát triển mạng nơron
Các nghiên cứu về bộ não con người đã được tiến hành từ hàng nghìn năm nay.
Cùng với sự phát triển của khoa học kĩ thuật đặc biệt là những tiến bộ trong ngành điện
tử hiện đại, việc con người bắt đầu nghiên cứu các nơron nhân tạo là hoàn toàn tự
nhiên. Sự kiện đầu tiên đánh dấu sự ra đời của mạng nơron nhân tạo diễn ra vào năm
1943 khi nhà thần kinh học Warren McCulloch và nhà toán học Walter Pitts viết bài
báo mô tả cách thức các nơron hoạt động. Họ cũng đã tiến hành xây dựng một mạng
nơron đơn giản bằng các mạch điện. Các nơron của họ được xem như là các thiết bị nhị
phân với ngưỡng cố định. Kết quả của các mơ hình này là các hàm logic đơn giản
chẳng hạn như “ a OR b” hay “a AND b”.
Tiếp bước các nghiên cứu này, năm 1949 Donald Hebb cho xuất bản cuốn sách
Organization of Behavior. Cuốn sách đã chỉ ra rằng các nơron nhân tạo sẽ trở lên hiệu
quả hơn sau mỗi lần chúng được sử dụng.
Ngày nay, không chỉ dừng lại ở mức nghiên cứu lý thuyết, các nghiên cứu ứng
dụng mạng nơron để giải quyết các bài toán thực tế được diễn ra ở khắp mọi nơi. Các
ứng dụng mạng nơron ra đời ngày càng nhiều và ngày càng hồn thiện hơn. Điển hình
là các ứng dụng: xử lý ngôn ngữ (Language Processing), nhận dạng kí tự (Character
Recognition), nhận dạng tiếng nói (Voice Recognition), nhận dạng mẫu (Pattern
Recognition), xử lý tín hiệu (Signal Processing), Lọc dữ liệu (Data Filtering),…..

13


2.1.3. So sánh mạng nơron với máy tính truyền thống
Các mạng nơron có cách tiếp cận khác trong giải quyết vấn đề so với máy tính
truyền thống. Các máy tính truyền thống sử dụng cách tiếp cận theo hướng giải thuật,

tức là máy tính thực hiện một tập các chỉ lệnh để giải quyết một vấn đề. Vấn đề được
giải quyết phải được biết và phát biểu dưới dạng một tập chỉ lệnh không nhập nhằng.
Những chỉ lệnh này sau đó phải được chuyển sang một chương trình ngơn ngữ bậc cao
và chuyển sang mã máy để máy tính có thể hiểu được.
Trừ khi các bước cụ thể mà máy tính cần tuân theo được chỉ ra rõ ràng, máy tính
sẽ khơng làm được gì cả. Điều đó giới hạn khả năng của các máy tính truyền thống ở
phạm vi giải quyết các vấn đề mà chúng ta đã hiểu và biết chính xác cách thực hiện.
Các máy tính sẽ trở lên hữu ích hơn nếu chúng có thể thực hiện được những việc mà
bản thân con người không biết chính xác là phải làm như thế nào.
Các mạng nơron xử lý thông tin theo cách thức giống như bộ não con người.
Mạng được tạo nên từ một số lượng lớn các phần tử xử lý được kết nối với nhau làm
việc song song để giải quyết một vấn đề cụ thể. Các mạng nơron học theo mơ hình,
chúng khơng thể được lập trình để thực hiện một nhiệm vụ cụ thể. Các mẫu phải được
chọn lựa cẩn thận nếu khơng sẽ rất mất thời gian, thậm chí mạng sẽ hoạt động khơng
đúng. Điều hạn chế này là bởi vì mạng tự tìm ra cách giải quyết vấn đề, thao tác của nó
khơng thể dự đốn được.
Các mạng nơron và các máy tính truyền thống khơng cạnh tranh nhau mà bổ
sung cho nhau. Có những nhiệm vụ thích hợp hơn với máy tính truyền thống, ngược lại
có những nhiệm vụ lại thích hợp hơn với các mạng nơron. Thậm chí rất nhiều nhiệm vụ
đòi hỏi các hệ thống sử dụng tổ hợp cả hai cách tiếp cận để thực hiện được hiệu quả
cao nhất. (thơng thường một máy tính truyền thống được sử dụng để giám sát mạng
nơron)
2.1.2. Nơron sinh học và nơron nhân tạo
2.1.2.1. Nơron sinh học
Qua quá trình nghiên cứu về bộ não, người ta thấy rằng: bộ não con người bao
gồm khoảng 1011 nơron tham gia vào khoảng 1015 kết nối trên các đường truyền. Mỗi
đường truyền này dài khoảng hơn một mét. Các nơron có nhiều đặc điểm chung với
các tế bào khác trong cơ thể, ngồi ra chúng cịn có những khả năng mà các tế bào khác
khơng có được, đó là khả năng nhận, xử lý và truyền các tín hiệu điện hóa trên các
đường mòn nơron, các con đường này tạo nên hệ thống giao tiếp của bộ não.

14