Luận Văn Tốt Nghiệp/Tham Luận Hội Thảo; "Sự sinh, này các tỳ-kheo, là nguyên nhân tạo điều kiện cần thiết đưa đến sự già nua và cái chết" Đọc thêm. do chủng tử của vô minh dày đặc hơn chủng tử trí tuệ. "Bạn và tôi, và chẳng ai trên đất nước này có trách nhiệm đi tìm câu trả lời này. Chúng ta sống như một bầy gà, người ta vồ con nào con đấy chịu. Số phận đổ lên đầu gia đình nào, gia đình đó chịu. Chưa phải gia đình mình, mà có phải gia đình mình thì chúng ta tự nhủ là nhiều nhà khác còn bị như vậy." Seminar chung về Trí tuệ Nhân tạo và Khoa học Dữ liệu. Thời gian: 15:30 đến 17:00 Ngày 18/08/2022 Địa điểm: Viện Nghiên cứu cao cấp về Toán (VIASM) Mục đích: Seminar chung về Trí tuệ nhân tạo (AI) và Khoa học dữ liệu (DS) - viết tắt "Seminar AI" là chuỗi sinh hoạt chuyên môn chung của những người làm và học Công văn 81424/CT-TTHT chính sách thuế nhà thầu của Cục thuế Thành phố Hà Nội. Cục thuế TP. Hà Nội. Trả lời công văn số 252/CV đề ngày 18/08/2020 của Công ty TNHH Điện Stanley Việt Nam hỏi về chính sách thuế, Cục Thuế TP Hà Nội có ý kiến như sau: - Căn cứ Khoản 13 Điều Văn nghị luận: Bàn về hai chữ "Vinh - nhục" Nghị luận về một ý kiến bàn về văn học Thiên nhiên trong nhiều bài Thơ mới (1932 - 1945) đẹp nhưng buồn. Hãy giải thích vì sao như vậy và chứng minh bằng bài thơ Tràng Giang của Huy Cận Trước cái đói nghèo và những cuộc đời bất hạnh vẫn còn trong xã hội nước ta j0Gs. MỤC LỤC NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN1 Giới thiệu học máy. 2 Phần I Cây quyết định. 4 1. Giới thiệu chung. 5 2. Các khái niệm cơ bản. 6 3. Các kiểu cây quyết định. 8 4. Ưu điểm cây quyết định. 8 Phần II Thuật toán ID3. 9 1. Thuật toán. 10 Phần II Thuật toán QuinLan. 20 1. Thuật toán. 20 2. Ví dụ. 21 Phần IV Thuật toán học quy nạp ILA. 24 Phần III Thuật toán Naïve Bayes. 27 cận thống kê và Luật Bayes. 27 toán học máy Naïve Bayes. 28 dụ. 29 Phần V Code xây dựng cây quyết định bằng thuật toán ID3. 31 diện. 31 chương trình. 31 Phần VI Tài liệu tham khảo HỌC MÁY Giới thiệu học máy Từ khi trí tuệ nhân tạo ra đời cho đến nay, người ta không ngừng thực hiện các công trình nghiên cứu để đưa tư tưởng nghiên cứu cùng với máy tính để ứng dụng vào việc giải quyết các công việc trong thực tiễn đời sống. Một trong những nguyên nhân làm cho trí tuệ nhân tạo trở thành một trong những lĩnh vực mũi nhọn trong thời đại hiện nay là việc làm cho máy tính trở nên thông minh hơn, nói cụ thể hơn là người ta tìm cách tạo ra các chương trình thông minh hơn có khả năng giải quyết các vấn đề thực tế như cách giải quyết của con người. Một trong những lĩnh vực lý thú của trí tuệ nhân tạo được đề cập trong chuyên đề này là Học máy. Học máy là hướng tiếp cận trong đó thay vì con người phải chỉ ra những tri thức cần thiết để giải quyết bài toán, máy tính sẽ tự động rút trích tri thức này một cách từ những dữ liệu được cung cấp. Học máy mô phỏng quá trình học của con người qua các mức từ đơn giản đến phức tạp đầu tiên máy tính ghi nhớ những trường họp đã xuất hiện và cuối cùng học những trường hợp tổng quát chưa từng xuất hiện. Trong một bài toán học máy, đầu vào là một tập dữ liệu huấn luyện bao gồm các mẫu dữ liệu. Mỗi mẫu dữ liệu bao gồm một tập giá trị ứng với các thuộc tính. Tập thuộc tính được chia làm hai phần thuộc tính quan sát và thuộc tính kết quả. Mục tiêu của học máy là tìm một ánh xạ từ thuộc tính quan sát vào thuộc tính kết quả tìm moi quan hệ giữa thuộc tính quan sát và thuộc tính kết quả ứng với tập dữ liệu huấn luyện. Ánh xạ này sẽ được áp dụng lên những mẫu quan sát mới để rút ra kết quả tương ứng. 40 trang Chia sẻ lvcdongnoi Lượt xem 4108 Lượt tải 3 Bạn đang xem trước 20 trang tài liệu Trí tuệ nhân tạo - Học máy, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trênMỤC LỤC NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN HỌC MÁY Giới thiệu học máy Từ khi trí tuệ nhân tạo ra đời cho đến nay, người ta không ngừng thực hiện các công trình nghiên cứu để đưa tư tưởng nghiên cứu cùng với máy tính để ứng dụng vào việc giải quyết các công việc trong thực tiễn đời sống. Một trong những nguyên nhân làm cho trí tuệ nhân tạo trở thành một trong những lĩnh vực mũi nhọn trong thời đại hiện nay là việc làm cho máy tính trở nên thông minh hơn, nói cụ thể hơn là người ta tìm cách tạo ra các chương trình thông minh hơn có khả năng giải quyết các vấn đề thực tế như cách giải quyết của con người. Một trong những lĩnh vực lý thú của trí tuệ nhân tạo được đề cập trong chuyên đề này là Học máy. Học máy là hướng tiếp cận trong đó thay vì con người phải chỉ ra những tri thức cần thiết để giải quyết bài toán, máy tính sẽ tự động rút trích tri thức này một cách từ những dữ liệu được cung cấp. Học máy mô phỏng quá trình học của con người qua các mức từ đơn giản đến phức tạp đầu tiên máy tính ghi nhớ những trường họp đã xuất hiện và cuối cùng học những trường hợp tổng quát chưa từng xuất hiện. Trong một bài toán học máy, đầu vào là một tập dữ liệu huấn luyện bao gồm các mẫu dữ liệu. Mỗi mẫu dữ liệu bao gồm một tập giá trị ứng với các thuộc tính. Tập thuộc tính được chia làm hai phần thuộc tính quan sát và thuộc tính kết quả. Mục tiêu của học máy là tìm một ánh xạ từ thuộc tính quan sát vào thuộc tính kết quả tìm moi quan hệ giữa thuộc tính quan sát và thuộc tính kết quả ứng với tập dữ liệu huấn luyện. Ánh xạ này sẽ được áp dụng lên những mẫu quan sát mới để rút ra kết quả tương ứng. Bảng dưới đây trình bày một ví dụ của học máy, bài toán dự đoán việc có chơi tennis hay không. Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 3 Overcast Hot High Weak Yes 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 7 Overcast Cool Normal Strong Yes 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 12 Overcast Mild High Strong Yes 13 Overcast Hot Normal Weak Yes 14 Rain Mild High Strong No Trong bài toán này, học máy sẽ tìm một mối quan hệ giữa các thuộc tính quan sát Outlook quang cảnh, Temperature Nhiệt độ, Humidity Độ ẩm, Wind Sức gió với thuộc tính kết quả Target. Kết quả này sẽ dùng dự đoán giá trị Target khi nhập vào thuộc tính quan sát cho các mẫu mới ví dụ Outlook Temperature Humidity Wind Target 15 Sunny Mild Normal Strong ? 16 Rain Cool High Strong ? Việc dự đoán cho mẫu 15 có thể tương đối dễ dàng, vì mẫu này có các giá trị quan sát tương tự mẫu số 11 nên giá trị Target cũng tương tự là Yes trường hợp học máy đơn giản -ghi nhớ. Tuy nhiên việc dự đoán cho mẫu 16 sẽ khó khăn hơn vì mẫu này không giống bất kỳ một trong những mẫu đã biết. Đây là trường hợp tổng quát của học máy - gặp những trường hợp chưa từng xuất hiện. Các phương pháp học máy đưa ra nhằm giải quyết bài toán trong trường hợp tổng quát. Phần I Cây quyết định Trong lý thuyết quyết định chẳng hạn quản lí rủi ro, một cây quyết định decision tree là một đồ thị của các quyết định và các hậu quả có thể của nó bao gồm rủi ro và hao phí tài nguyên. Cây quyết định được sử dụng để xây dựng một kế hoạch nhằm đạt được mục tiêu mong muốn. Các cây quyết định được dùng để hỗ trợ quá trình ra quyết định. Cây quyết định là một dạng đặc biệt của cấu trúc cây. Giới thiệu chung Trong lĩnh vực học máy, cây quyết định là một kiểu mô hình dự báo predictive model, nghĩa là một ánh xạ từ các quan sát về một sự vật/hiện tượng tới các kết luận về giá trị mục tiêu của sự vật/hiện tượng. Mỗi một nút trong internal node tương ứng với một biến; đường nối giữa nó với nút con của nó thể hiện một giá trị cụ thể cho biến đó. Mỗi nút lá đại diện cho giá trị dự đoán của biến mục tiêu, cho trước các giá trị của các biến được biểu diễn bởi đường đi từ nút gốc tới nút lá đó. Kỹ thuật học máy dùng trong cây quyết định được gọi là học bằng cây quyết định, hay chỉ gọi với cái tên ngắn gọn là cây quyết định. Học bằng cây quyết định cũng là một phương pháp thông dụng trong khai phá dữ liệu. Khi đó, cây quyết định mô tả một cấu trúc cây, trong đó, các lá đại diện cho các phân loại còn cành đại diện cho các kết hợp của các thuộc tính dẫn tới phân loại đó. Một cây quyết định có thể được học bằng cách chia tập hợp nguồn thành các tập con dựa theo một kiểm tra giá trị thuộc tính . Quá trình này được lặp lại một cách đệ qui cho mỗi tập con dẫn xuất. Quá trình đệ qui hoàn thành khi không thể tiếp tục thực hiện việc chia tách được nữa, hay khi một phân loại đơn có thể áp dụng cho từng phần tử của tập con dẫn xuất. Một bộ phân loại rừng ngẫu nhiên random forest sử dụng một số cây quyết định để có thể cải thiện tỉ lệ phân loại. Cây quyết định cũng là một phương tiện có tính mô tả dành cho việc tính toán các xác suất có điều kiện. Cây quyết định có thể được mô tả như là sự kết hợp của các kỹ thuật toán học và tính toán nhằm hỗ trợ việc mô tả, phân loại và tổng quát hóa một tập dữ liệu cho trước. Dữ liệu được cho dưới dạng các bản ghi có dạng Biến phụ thuộc dependant variable y là biến mà chúng ta cần tìm hiểu, phân loại hay tổng quát hóa. là các biến sẽ giúp ta thực hiện công việc đó. Các khái niệm cơ bản Cây quyết định Là một mô hình dữ liệu mã hóa phân bố của nhãn lớp cũng là y theo các thuộc tính dùng để dự đoán. Đây là một đồ thị có hướng phi chu trình dưới dạng một cây. Nút gốc nút nằm trên đỉnh đại diện cho toàn bộ dữ liệu. Cây quyết định thông thường được sử dụng cho việc đạt được thông tin cho mục đính tạo quyết định. Cây quyết định bắt đầu với một nút gốc từ đó user nhận được những hành động. Từ nút này, user chia ra mỗi nút theo cách đệ qui theo giải thuật học cây quyết định. Kết quả cuối cùng là một cây quyết định trong đó mỗi nhánh thể hiện một trường hợp có thể của quyết định và hệ quả của quyết định đó. Ví dụ bài toán chơi tennis để giải thích cây quyết định Người quản lý của một câu lạc bộ chơi tennis gặp rắc rối chuyện các thành viên đến hay không đến. Có ngày ai cũng muốn chơi tennis nhưng số nhân viên câu lạc bộ lại không đủ phục vụ. Có hôm thì chẳng ai đến chơi, và câu lạc bộ lại thừa nhân viên. Mục tiêu của Người quản lý là tối ưu hóa số nhân viên phục vụ mỗi ngày bằng cách dựa vào thời tiết để đoán xem khi nào người ta sẽ đến chơi tennis. Để thực hiện điều đó, anh cần hiểu được tại sao khách hàng quyết định chơi và tìm hiểu xem có cách giải thích nào cho việc đó hay không. Vậy là trong hai tuần, anh ta thu thập thông tin về Trời Outlook quang cảnh, Temperature Nhiệt độ, Humidity Độ ẩm, Wind Sức gió với thuộc tính kết quả Target. Dữ liệu như sau Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 3 Overcast Hot High Weak Yes 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 7 Overcast Cool Normal Strong Yes 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 12 Overcast Mild High Strong Yes 13 Overcast Hot Normal Weak Yes 14 Rain Mild High Strong No Sau đó, để giải quyết bài toán, người ta đã đưa ra một mô hình cây quyết định. Kết luận thứ nhất nếu trời nhiều mây, người ta luôn luôn chơi tennis. Tiếp theo, ta lại chia nhóm trời nắng thành hai nhóm con. Ta thấy rằng khách hàng không muốn chơi golf nếu độ ẩm cao. Cuối cùng, ta chia nhóm trời có gió thành hai và thấy rằng khách hàng sẽ không chơi tennis nếu trời nhiều gió. Và đây là lời giải ngắn gọn cho bài toán mô tả bởi cây phân loại. Người quản lý phần lớn cho nhân viên nghỉ vào những ngày trời nắng và ẩm, hoặc những ngày gió mạnh. Vì hầu như sẽ chẳng có ai chơi trong những ngày đó. Vào những hôm khác, khi nhiều người sẽ đến chơi tennis, anh ta có thể thuê thêm nhân viên thời vụ để phụ giúp công việc. Kết luận là cây quyết định giúp ta biến một biểu diễn dữ liệu phức tạp thành một cấu trúc đơn giản hơn rất nhiều. Các kiểu cây quyết định Cây quyết định còn có hai tên khác Cây hồi quy Regression tree ước lượng các hàm có giá trị là số thực thay vì được sử dụng cho các nhiệm vụ phân loại. ví dụ ước tính giá một ngôi nhà hoặc khoảng thời gian một bệnh nhân nằm viện Cây phân loại Classification tree là một biến phân loại như giới tính nam hay nữ, kết quả của một trận đấu thắng hay thua. Ưu điểm cây quyết định Cây quyết định dễ hiểu. Người ta có thể hiểu mô hình cây quyết định sau khi được giải thích ngắn. Việc chuẩn bị dữ liệu cho một cây quyết định là cơ bản hoặc không cần thiết. Các kỹ thuật khác thường đòi hỏi chuẩn hóa dữ liệu, cần tạo các biến phụ dummy variable và loại bỏ các giá trị rỗng. Cây quyết định có thể xử lý cả dữ liệu có giá trị bằng số và dữ liệu có giá trị là tên thể loại. Các kỹ thuật khác thường chuyên để phân tích các bộ dữ liệu chỉ gồm một loại biến. Chẳng hạn, các luật quan hệ chỉ có thể dùng cho các biến tên, trong khi mạng nơ-ron chỉ có thể dùng cho các biến có giá trị bằng số. Cây quyết định là một mô hình hộp trắng. Nếu có thể quan sát một tình huống cho trước trong một mô hình, thì có thể dễ dàng giải thích điều kiện đó bằng logic Boolean. Mạng nơ-ron là một ví dụ về mô hình hộp đen, do lời giải thích cho kết quả quá phức tạp để có thể hiểu được. Có thể thẩm định một mô hình bằng các kiểm tra thống kê. Điều này làm cho ta có thể tin tưởng vào mô hình. Cây quyết định có thể xử lý tốt một lượng dữ liệu lớn trong thời gian ngắn. Có thể dùng máy tính cá nhân để phân tích các lượng dữ liệu lớn trong một thời gian đủ ngắn để cho phép các nhà chiến lược đưa ra quyết định dựa trên phân tích của cây quyết định. Phần II Thuật toán ID3 1. Thuật toán Thuật toán ID3 do Ross Quinlan đề xuất dùng để xây dựng những cây quyết định thỏa các tính chất trên. Thuật toán tuân theo nguyên tắc dao cạo Occam để xây dựng những cây quyết định bằng cách ở mỗi bước kiểm tra, cố gắng chọn thuộc tính nút nhánh đơn giản nhất. Để xác định độ đơn giản của thuộc tính, ID3 sử dụng giá trị độ đo là entropy thông tin độ hỗn loạn thông tin. Với một thuộc tính cho trước, một tập dữ liệu được chia thành n tập con với các tỷ lệ Pi tương ứng ví dụ, với thuộc tính Target, tập dữ liệu huấn luyện được chia thành 2 tập con Yes với Po = 9/14 và tập con No với P;=5/14. Khi đó, entropy của tập dữ liệu trên thuộc tính được chọn là n H Ví dụ, entropy của tập dữ liệu tennis theo thuộc tính kết quả là H = - 9/14 * log29/14 - 5/14 * log25/14 = 0,94 Entropy đo độ hỗn loạn của một tập. Entropy càng cao thì độ hỗn loạn của tập đó càng cao. Tập dữ liệu là hoàn toàn đồng nhất khi entropy = 0. Và trong trường hợp tập dữ liệu có 2 lớp, tập dữ liệu hoàn toàn hỗn loạn sẽ có entropy = 1. Thuật toán ID3 Bắt đầu với nút gốc, 1. Chọn A ß thuộc tính quyết định "tốt nhất" cho nút kế tiếp Gán A là thuộc tính quyết định cho nút Với mỗi giá trị của A, tạo nhánh con mới của nút Phân loại các mẫu huấn luyện cho các nhánh Nếu các mẫu huấn luyện trong một nhánh được phân loại hoàn toàn đồng nhất một loại thì NGƯNG, ta được một nút lá. Ngược lại, lặp với các nút nhánh mới. Thuộc tính tốt nhất ở đây là thuộc tính có entropy trung bình thấp nhất theo thuộc tính kết quả. Entropy trung bình của một thuộc tính bằng trung bình theo tỉ lệ của entropy các nhánh 2. Ví dụ Áp dụng thuật toán ID3 cho bài toán học chơi tennis * Lưu ý Các số khoan tròn của tất cả hình bên dưới đều có thuộc tính Target là Yes, ngược lại là No. Ÿ Lặp lần 1 Xét lần lượt các thuộc tính Outlook Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 3 Overcast Hot High Weak Yes 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 7 Overcast Cool Normal Strong Yes 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 12 Overcast Mild High Strong Yes 13 Overcast Hot Normal Weak Yes 14 Rain Mild High Strong No Outlook Rain Overcast Sunny 6 10 5 14 4 3 7 12 13 1 2 11 8 9 HRain = - 3/5 * log23/5 - 2/5 * log22/5 = 0,97 HOvercast = - 4/4 * log24/4 - 0/4 * log20/4 = 0 HSunny = - 2/5 * log22/5 - 3/5 * log23/5 = 0,97 AE Outlook = 5/14 * 0,97 + 4/14 * 0 + 5/14 * 0,97 = 0,693 Temperature Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 3 Overcast Hot High Weak Yes 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 7 Overcast Cool Normal Strong Yes 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 12 Overcast Mild High Strong Yes 13 Overcast Hot Normal Weak Yes 14 Rain Mild High Strong No Temperature Hot Mid Cool 13 3 4 5 10 11 12 9 7 1 2 8 14 6 HHot = - 2/4 * log22/4 - 2/4 * log22/4 = 1 HMid = - 4/6 * log24/6 - 2/6 * log22/6 = 0,918 HCool = - 3/4 * log23/4 - 1/4 * log21/4 = 0,811 AE Temperature = 4/14 * 1 + 6/14 * 0,918 + 4/14 * 0,811 = 0,911 Humidity Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 3 Overcast Hot High Weak Yes 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 7 Overcast Cool Normal Strong Yes 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 12 Overcast Mild High Strong Yes 13 Overcast Hot Normal Weak Yes 14 Rain Mild High Strong No HHigh = - 3/7 * log23/7 - 4/7 * log24/7 = 0,985 HNormal = - 6/7 * log26/7 - 1/7 * log21/7 = 0,592 AE Humidity = 7/14 * 0,985 + 7/14 * 0,592 = 0,79 Humidity High Normal 13 3 4 5 10 11 12 9 7 1 2 8 14 6 Wind Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 3 Overcast Hot High Weak Yes 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 7 Overcast Cool Normal Strong Yes 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 12 Overcast Mild High Strong Yes 13 Overcast Hot Normal Weak Yes 14 Rain Mild High Strong No Wind Weak Strong 13 3 4 5 10 11 12 9 7 1 2 8 14 6 Hweak = - 2/8 * log22/8 - 6/8 * log26/8 = 0,81 HStrong = - 3/6 * log23/6 - 3/6 * log23/6 = 1 AE Wind = 8/14 * 0,81 + 6/14 * 1 = 0,89 So sánh ta thấy thuộc tính Outlook có entropy trung bình thấp nhất nên ta chọn thuộc tính này làm gốc. Lặp lần 2 Xét nhánh Rain Xét các thuộc tính Temperature Outlook Temperature Humidity Wind Target 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 10 Rain Mild Normal Weak Yes 14 Rain Mild High Strong No Temperature Hot Cool 4 5 10 14 6 Entropy trung bình HMid = - 2/3 * log22/3 - 1/3 * log21/3 = 0,918 HCool = - 1/2 * log21/2 - 1/2 * log21/2 = 1 AE Temperature = 3/5 * 0,918 + 2/5 * 1 = 0,8308 Xét các thuộc tính Humidity Outlook Temperature Humidity Wind Target 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 10 Rain Mild Normal Weak Yes 14 Rain Mild High Strong No Humidity High Normal 4 5 10 14 6 Entropy trung bình HHigh = - 1/2 * log21/2 - 1/2 * log21/2 = 1 HNormal = - 2/3 * log22/3 - 1/3 * log21/3 = 0,918 AE Humidity = 2/5 * 1 + 3/5 * 0,918 = 0,9508 Xét các thuộc tính Wind Outlook Temperature Humidity Wind Target 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 10 Rain Mild Normal Weak Yes 14 Rain Mild High Strong No Wind Weak Strong 4 5 10 14 6 Entropy trung bình HHigh = - 3/3 * log23/3 – 0/3 * log20/3 = 0 HNormal = - 0/2 * log20/2 – 2/2 * log22/2 = 0 AE Humidity = 0 Thuộc tính Wind có entropy trang bình thấp nhất nên chọn làm nút nhánh. Lặp lần 3 Xét nhánh Sunny Xét các thuộc tính Temperature Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 11 Sunny Mild Normal Strong Yes Temperature Mid Hot Cool 9 11 1 8 2 HMid = - 1/2 * log21/2 – 1/2 * log21/2 = 1 HHot = - 0/2 * log20/2 – 2/2 * log20/2 = 0 HCool = - 1 * log21 – 0 * log20 = 0 AE Temperature = 2/5 * 1 + 0 + 0 = 0,4 Xét các thuộc tính Humidity Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 11 Sunny Mild Normal Strong Yes Humidity High Normal 9 8 11 1 2 Entropy trung bình HHigh = - 0/3 * log20/3 – 3/3 * log23/3 = 0 HNormal = - 2/2 * log22/2 – 0 = 0 AE Humidity = 0 Thuộc tính Humidity có entropy trung bình thấp nhất nên chọn làm nút nhánh. à Cây quyết định kết quả • Sau khi xây dựng cây, ta có thể rút ra các luật tương ứng bằng cách duyệt các đường đi trên cây từ nút gốc đến nút lá, mỗi đường đi ứng với một luật L1 Nếu Outlook = Overcast thì chơi tennis. L2 Nếu Outlook = Rain và Wind = Weak thì chơi tennis. L3 Nếu Outlook = Rain và Wind = Strong thì không chơi tennis. L4 Nếu Outlook = Sunny và Hub = High thì không chơi tennis. L5 Nếu Outlook = Sunny và Hub = Normal thì chơi tennis. Lưu ý Một phiên bản khác của thuật toán ID3 sử dụng Informatic Gain thay cho entropy để chọn thuộc tính quyết định. Công thức tính Informatic Gain như sau GainA = EntropyS – EntropyA Trong đó S là tập mẫu và A là một thuộc tính. EntropyS độ hỗn loạn của tập S. EntropyA độ hỗn loạn trung bình của thuộc tính A cách tính như trên Nguyên tắc thực hiện tương tự trên ngoại trừ Gain lớn nhất. Phần II Thuật toán QuinLan 1. Thuật toán Quinlan quyết định thuộc tính phân hoạch bằng cách xây dựng các vector đặc trưng cho mỗi giá trị của từng thuộc tính dẫn xuất và thuộc tính mục tiêu. Cách tính cụ thể như sau Với mỗi thuộc tính dẫn xuất A còn có thể sử dụng để phân hoạch, tính VAj = Tj , r1, Tj , r2 ,…, Tj , rn Tj, ri = tổng số phần tử trong phân hoạch có giá trị thuộc tính dẫn xuất A là j và có giá trị thuộc tính mục tiêu là ri / tổng số phần tử trong phân hoạch có giá trị thuộc tính dẫn xuất A là j * Trong đó r1, r2, … , rn là các giá trị của thuộc tính mục tiêu * Như vậy nếu một thuộc tính A có thể nhận một trong 5 giá trị khác nhau thì nó sẽ có 5 vector đặc trưng. Một vector VAj được gọi là vector đơn vị nếu nó chỉ có duy nhất một thành phần có giá trị 1 và những thành phần khác có giá trị 0. Thuộc tính được chọn để phân hoạch là thuộc tính có nhiều vector đơn vị nhất. 2. Ví dụ Bài toán dự đoán việc chơi tennis Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 3 Overcast Hot High Weak Yes 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 7 Overcast Cool Normal Strong Yes 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 12 Overcast Mild High Strong Yes 13 Overcast Hot Normal Weak Yes 14 Rain Mild High Strong No Phân hoạch lần 1 VOutlookSunny = 2/5, 3/5 VOutlookOvercast = 4/4, 0/4 = 1, 0 { vector đơn vị} VOutlookSunny = 2/5, 3/5 VTemperatureHot = 2/4, 2/4 VTemperatureMid = 4/6, 2/6 = 2/3, 1/3 VTemperatureCool = 3/4, 1/4 VHumidityHigh = 3/7, 4/7 VHumidityNormal = 6/7, 6/7 VWindWeak = 3/7, 4/7 VWindStrong = 6/8, 2/8 = 3/4, 1/4 Ta chọn thuộc tính Outlook vì có vector đơn vị nên ta chọn làm nhánh gốc. Trong Outlook còn có thuộc tính Rain và Sunny là chứa những người chơi tennis hoặc không chơi. Vì vậy ta sẽ phân hoạch tiếp hai nhánh này. Dữ liệu còn lại là Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 14 Rain Mild High Strong No Phân hoạch lần 2 - Nhánh Sunny Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 11 Sunny Mild Normal Strong Yes VTemperatureHot = 0/2, 2/2 = 1, 0 { vector đơn vị} VTemperatureMid = 1/2, 1/2 VTemperatureCool = 1, 0 { vector đơn vị} VHumidityHigh = 0/3, 3/3 = 0, 1 { vector đơn vị} VHumidityNormail = 2/2, 0/2 = 1, 0 { vector đơn vị} VWindWeak = 2/3, 1/3 VWindStrong = 0/2, 2/2 = 0, 1 { vector đơn vị} è Hai thuộc tính Temperature và Humidity đều có 2 vector đơn vị. Tuy nhiên, số phân hoạch của thuộc tính Humidity là ít hơn nên ta chọn phân hoạch theo thuộc tính Humidity. Phân hoạch lần 3 - Nhánh Rain Outlook Temperature Humidity Wind Target 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 10 Rain Mild Normal Weak Yes 14 Rain Mild High Strong No VTemperatureMild = 2/3, 1/3 VTemperatureCool = 1/2, 1/2 VHumidityHigh = 1/2, 1/2 VHumidityNormal = 2/3, 1/3 VWindWeak = 2/3, 1/3 VWindStrong = 0/2, 2/2 = 0, 1 { vector đơn vị} è Thuộc tính Wind có vector đơn vị nên ta chọn phân hoạch. Vậy, cây định danh cuối cùng của chúng ta sẽ như sau Phần IV Thuật toán học quy nạp ILA Thuật toán học quy nạp ILA đưa ra hướng tiếp cận ngược lại so với thuật toán ID3. Trong toán ID3, quá trình rút tri thức từ dữ liệu được xuất phát từ các thuộc tính quan sát của tập dữ liệu. Từ việc kiểm tra trên các thuộc tính quan sát, ID3 chọn những thuộc tính có các giá trị mà chúng chia tập huấn luyện thành những tập con một cách tốt nhất. Các thuộc tính này sẽ được chọn để rút ra luật cho dữ liệu. Ngược lại, trong ILA, quá trình học xuất phát từ các thuộc tính quyết định. ILA chia tập dữ liệu huấn luyện thành các tập con rời nhau, mỗi tập con là một phân lớp dựa trên thuộc tính quyết định. Tiếp đến ILA sẽ xem xét trong từng phân lớp xem có thuộc tính nào hoặc tổ hợp thuộc tính nào có giá trị chỉ xuất hiện trong lớp đó mà không xuất hiện trong các lớp khác hay không. Nếu có, những tổ hợp thuộc tính và giá trị đó sẽ được chọn làm đặc trưng phân lớp cho lớp đó. Thuật toán ILA 1. Chia tập mẫu thành các bảng con ứng với thuộc tính quyết định 2. Với mỗi bảng con 3. Với mỗi tổ hợp thuộc tính có thể có bắt đầu với số lượng = 1 4. Tìm các giá trị chỉ xuất hiện ở bảng con này mà không xuất hiện ở các bảng con khác 5. Nếu có nhiều tổ hợp thì chọn tổ hợp có số lượng mẫu tin nhiều nhất 6. Sử dụng tổ hợp thuộc tính, giá trị vừa tìm được để tạo luật 7. Đánh dấu các dòng đã xét 8. Nếu còn dòng chưa xét, lặp lại bước 3 9. Lặp lại từ bước 2 với các bảng còn lại Áp dụng ILA cho bảng bài toán tennis 1. Chia tập dữ liệu ban đầu thành 2 bảng con Outlook Temperature Hudmidity Wind Target 3 Overcast Hot High Weak Yes 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 7 Overcast Cool Normal Strong Yes 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 12 Overcast Mild High Strong Yes 13 Overcast Hot Normal Weak Yes Outlook Temperature Hudmidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 6 Rain Cool Normal Strong No 8 Sunny Mild High Weak No 14 Rain Mild High Strong No 2. Với bảng Yes các giá trị sau không xuất hiện trong bảng No • Tổ hợp 1 thuộc tính Outlook = Overcast, các mẫu 3, 7, 12, 13 ⇒ Luật L1 Nếu Outlook = Overcast thì Target = Yes xoá các mẫu 3, 7, 12, 13 • Tổ hợp 2 thuộc tính Outlook Temperature Hudmidity Wind Target 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes O = S ∧ T= C, mẫu 9 O = S ∧ H = N, mẫu 11, 9 O=R ∧ W = W, mẫu 5, 4, 10 H = N∧ T = M, mẫu 11, 10 T = C∧ W = W, mẫu 5, 9 H = N ∧ W = W, mẫu 5, 9, 10 ⇒ Luật L2 Nếu O = R ∧ W = W thì Target = Yes xoá các mẫu 4, 5, 10 còn lại o O = S ∧ T = C, mẫu 9 o O = S ∧ H = N, mẫu 9, 11 o T = M ∧ H = N, mẫu 11 o T = C ∧ W = W, mẫu 9 ⇒ Luật L3 Nếu O = S ∧ H = N thì Target = Yes xoá các mẫu_9, 11 Với bảng No • Tổ hợp 1 thuộc tính không có • Tổ hợp 2 thuộc tính o O = S ∧ T= H, mẫu 1, 2 o O = S ∧ H = H, mẫu 1, 2, 8 o O = R ∧ W = S, mẫu 6, 14 o T = H ∧ W = S, mẫu 2 ⇒ Luật L4 Nếu O = S ∧ H = H thì Target = Yes xoá các mẫu 1, 2, 8 còn lại o O = R ∧ W= S, mẫu 6 ⇒ Luật L5 Nếu O = R ∧ W = S thì Target = Yes xoá các mẫu_6 è Kết luận vậy các luật phân lớp là L1 à L5. Phần III Thuật toán Naïve Bayes Tiếp cận thống kê và Luật Bayes Trong cách tiếp cận thống kê, lý thuyết quyết định được sử dụng để chọn giá trị kết xuất cho mẫu mới. Theo lý thuyết quyết định, khi một mẫu mới x được cung cấp, giá trị của thuộc tính quyết định y là giá tri yk sao cho xác suất Py = ykx là lớn nhất. Ví dụ trong bài toán tennis, với mẫu 16 ta cần xác định hai giá trị xác xuất PTarget = Yes16 và PTarget = No16 và chọn phân lớp ứng với giá trị lớn nhất trong hai giá trị này. Giá trị Py = ykx thường khó tính được do phải có rất nhiều mẫu huấn luyện mới có thể xấp xỉ chính xác. Công thức Bayes giúp đưa giá trị trên về dạng dễ tính hơn Giá trị Px là như nhau đối với mọi phân lớp nên ta chỉ cần so sánh từ số của phân số trên. Một lần nữa, giá trị Pxy=yk gọi là phân số của dữ liệu trong phân lớp cũng khó tính toán. Giả định độc lập có điều kiện giữa các thuộc tính Naïve cho phép ta tính phân bố xác suất của mẫu dữ liệu thông qua phân bố xác suất của từng giá trị thuộc tính thành phần Ví dụ với 16, ta có thể tính P16 Target=Yes= POutlook=Rain Target=Yes x PTemp=Cool Target=Yes x PHumidity=High Target=Yes x PWind=Strong Target=Yes và tính tương tự cho mẫu P16 Target=No. Thuật toán học máy Naïve Bayes Thuật toán học máy Naïve Bayes biểu diễn ánh xạ học dưới dạng một tập các giá trị phân bố xác suất. Các giá trị phân bố xác xuất được tính trong giai đoạn huấn luyện và được sử dụng để xác định giá trị quyết định cho những mẫu mới. Thuật toán Naïve Bayes 1. Huấn luyện Thống kê đếm xác suất của các lớp yk Pyk và các giá trị phân bố xác suất PAi=vijyk. Để đơn giản ta ký hiệu RAivij, yk là tỷ lệ các mẫu có thuộc tính Ai = vij thuộc phân lớp yk Sử dụng Với mỗi mẫu mới x, tính khả năng x rơi vào các phân lớp yk và chọn phân lớp có giá trị S lớn nhất. Sửa lỗi Laplace khi dữ liệu ít, một trong những giá trị R có thể = 0 do bị nhiễu. Nếu R = 0 các thì giá trị S tương ứng cũng = 0. Để tránh trường hợp đó, phép sửa lỗi được đưa ra nhằm đảm bảo các giá trị xác suất luôn > 0. Sửa lỗi Laplace thực hiện như sau Các giá trị P và R sau khi sửa lỗi được sử dụng như bình thường. Ví dụ Áp dụng thuật toán Naïve Bayes vào ví dụ tennis, ta thực hiện các bước sau Outlook Temperature Humidity Wind Target 1 Sunny Hot High Weak No 2 Sunny Hot High Strong No 3 Overcast Hot High Weak Yes 4 Rain Mild High Weak Yes 5 Rain Cool Normal Weak Yes 6 Rain Cool Normal Strong No 7 Overcast Cool Normal Strong Yes 8 Sunny Mild High Weak No 9 Sunny Cool Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 12 Overcast Mild High Strong Yes 13 Overcast Hot Normal Weak Yes 14 Rain Mild High Strong No Huấn luyện PYes = 9/14 sửa lỗi PYes = 10/16 PNo = 5/14 sửa lỗi PNo = 6/16 ROverlookSunny, Yes = 2/9, sửa lỗi = 3/12 {Tử + 1, Mẫu + 3 S, O, R} ROverlookOvercast, Yes = 4/9, sửa lỗi = 5/12 ROverlookRain, Yes = 3/9 = 4/12 sửa lỗi ROverlookSunny, No = 3/5 = 4/8 sửa lỗi ROverlookOvercast, No = 0/5 = 1/8 sửa lỗi ROverlookRain, No = 2/5 = 3/8 sửa lỗi RTemperature sửa lỗi RHumidity sửa lỗi RWind sửa lỗi Weak Strong Yes 7/11 4/11 No 3/7 4/7 Hot Mild Cool Yes 3/12 5/12 4/12 No 3/8 3/8 2/8 Normal High Yes 7/11 4/11 No 2/7 5/7 Dự đoán cho mẫu 16 SYes = PYes x RORain, Yes x RTCool, Yes x RHHum, Yes x RWSunny, Yes = 10/16 * 4/12 * 4/12 * 4/11 * 4/11 = 0,009 SNo = PNo x RORain,No x RTCool,No x RHHum,No x RWS,No = 6/12 * 3/8 * 2/8 * 5/7 * 4/7 = 0,019 Vậy 16 thuộc về lớp No vì SNo > SYes. Phần V Code xây dựng cây quyết định bằng thuật toán ID3 Kết quả cây định danh Giao diện Chọn dữ liệu khác Tạo cây định danh Dữ liệu có sẵn từ file Code chương trình using System; using using using using namespace ExemploID3 { public class Attribute { ArrayList mValues; string mName; object mLabel; public Attributestring name, string[] values { mName = name; mValues = new ArrayListvalues; } public Attributeobject Label { mLabel = Label; mName = mValues = null; } public string AttributeName { get { return mName; } } public string[] values { get { if mValues != null return string[] else return null; } } public bool isValidValuestring value { return indexValuevalue >= 0; } public int indexValuestring value { if mValues != null return else return -1; } public override string ToString { if mName != { return mName; } else { return } } } // Tạo Treeview public class TreeNode { private ArrayList mChilds = null; private Attribute mAttribute; public TreeNodeAttribute attribute { if != null { mChilds = new ArrayList for int i = 0; i maxGain { maxGain = aux; result = attribute; } } return result; } private bool allSamplesPositivesDataTable samples, string targetAttribute { foreach DataRow row in { if boolrow[targetAttribute] == false return false; } return true; } private bool allSamplesNegativesDataTable samples, string targetAttribute { foreach DataRow row in { if boolrow[targetAttribute] == true return false; } return true; } private ArrayList getDistinctValuesDataTable samples, string targetAttribute { ArrayList distinctValues = new ArrayList foreachDataRow row in { if == -1 } return distinctValues; } private object getMostCommonValueDataTable samples, string targetAttribute { ArrayList distinctValues = getDistinctValuessamples, targetAttribute; int[] count = new int[ foreachDataRow row in { int index = count[index]++; } int MaxIndex = 0; int MaxCount = 0; for int i = 0; i MaxCount { MaxCount = count[i]; MaxIndex = i; } } return distinctValues[MaxIndex]; } private TreeNode internalMountTreeDataTable samples, string targetAttribute, Attribute[] attributes { if allSamplesPositivessamples, targetAttribute == true return new TreeNodenew Attributetrue; if allSamplesNegativessamples, targetAttribute == true return new TreeNodenew Attributefalse; if == 0 return new TreeNodenew AttributegetMostCommonValuesamples, targetAttribute; mTotal = mTargetAttribute = targetAttribute; mTotalPositives = countTotalPositivessamples; mEntropySet = calcEntropymTotalPositives, mTotal - mTotalPositives; Attribute bestAttribute = getBestAttributesamples, attributes; TreeNode root = new TreeNodebestAttribute; DataTable aSample = foreachstring value in { DataRow[] rows = + " = " + "'" + value + "'"; foreachDataRow row in rows { } ArrayList aAttributes = new ArrayList - 1; forint i = 0; i < i++ { if attributes[i].AttributeName != } if == 0 { return new TreeNodenew AttributegetMostCommonValueaSample, targetAttribute; } else { DecisionTreeID3 dc3 = new DecisionTreeID3; TreeNode ChildNode = targetAttribute, Attribute[] value; } } return root; } public TreeNode mountTreeDataTable samples, string targetAttribute, Attribute[] attributes { mSamples = samples; return internalMountTreemSamples, targetAttribute, attributes; } } class ID3Sample { public static void printNodeTreeNode root, string tabs { + '' + + ''; if != null { for int i = 0; i < i++ { + "\t" + ""; TreeNode childNode = printNodechildNode, "\t" + tabs; } } } static DataTable getDataTableFromFile { DataTable rs = new DataTable"samples"; DataColumn column = new DataColumn; StreamReader sr = new StreamReader" string record; int i = 1; int n, k = 0; string[] samples = null; List list = new List; while record = != null { string[] words = if i == 1 { n = k = } else if i == 2 { samples = words; for int j = 0; j < k - 1; j++ { column = = typeofstring; } column = = typeofbool; } else { object[] ob = new object[5]; for int j = 0; j < k - 1; j++ { ob[j] = objectwords[j]; } if words[k-1] == "Yes" ob[k - 1] = true; else ob[k - 1] = false; } i++; } return rs; } static Attribute[] getAttibuteDataTable rs { string bk; string tmp = ""; int mattr = 0; int k = Attribute[] attr = new Attribute[k - 1]; for int i = 0; i < k - 1; i++ { for int j = 0; j < j++ { bk = string if == -1 { tmp += string + ","; } } tmp = - 1; attr[mattr] = new Attribute mattr++; tmp = ""; } return attr; } [STAThread] static void Mainstring[] args { DataTable samples = getDataTableFromFile; Attribute[] attributes = getAttibutesamples; DecisionTreeID3 id3 = new DecisionTreeID3; TreeNode root = "Target", attributes; printNoderoot, ""; } } } Phần VI Tài liệu tham khảo [1]. Bài giảng Trí Tuệ Nhân Tao – Học Máy Tác giả Ths. Tô Hoài Việt [2]. Wikipedia - Bách khoa toàn thư mở - Cây quyết định. tree [3]. Tom M. Mitchell, 1997. Machine Learning, Singapore, McGraw - Hill. [4]. Google, … Các file đính kèm theo tài liệu nàyTrí tuệ nhân tạo - học Sở hữu trí tuệ là lĩnh vực nhạy cảm và đáng được quan tâm nhiều hơn, quyền sở hữu trí tuệ là một trong những quyền đảm bảo công sức của một cá nhân hay một tập thể về sản phẩm hay một phát minh nào đó. Luận văn về sở hữu trí tuệ là những bài viết nhằm phát huy những giá trị nội dung của sở hữu trí tuệ, khám phá những đặc điểm của sở hữu trí tuệ để tìm ra phương pháp giải quyết phù hợp nhất. Bài viết này sẽ bao gồm những đề tài luận văn về sở hữu trí tuệ hay nhất để giúp các bạn trong việc tìm hiểu và thực hiện luận văn. luận văn về sở hữu trí tuệ niệm về sở hữu trí tuệ Sở hữu trí tuệ là tài sản trí tuệ- những sản phẩm sáng tạo của bộ óc con người. Đó là các sản phẩm văn học, âm nhạc, phát minh khoa học, sáng chế, giải pháp hữu ích,… Quyền sở hữu trí tuệ là các quyền được pháp luật quy định để đảm bảo quyền sử dụng sản phẩm của nhà phát minh, của tác giả trong các lĩnh vực của họ. Quyền sở hữu trí tuệ được pháp luật nhà nước bảo hộ, tránh những trường hợp giả mạo quyền sở hữu trí tuệ hoặc ăn cắp bản quyền của người khác. Những hành động đó cần phải phê phán và nghiêm trị để tạo ra môi trường sở hữu tí tuệ an toàn. Những đề tài luận văn về sở hữu trí tuệ sau đây sẽ cung cấp các nội dung có liên quan trong phạm vi nhiều lĩnh vực để mọi người cùng tham khảo. Thực trạng và kiến nghị hoàn thiện bảo vệ quyền sở hữu trí tuệ trong lĩnh vực Âm Nhạc Bảo hộ quyền sở hữu trí tuệ trong lĩnh vực báo chí thực tiễn và giải pháp hoàn thiện Quản lý quyền sở hữu trí tuệ trong lĩnh vực xuất bản Tìm hiểu pháp luật sở hữu trí tuệ Việt Nam trong vấn đề bảo hộ tác phẩm văn học nghệ thuật dân gian Những vấn đề lý luận và thực tiễn về quyền sở hữu trí tuệ đối với các tác phẩm theo quy định pháp luật sở hữu trí tuệ Việt Nam Thực tiễn quyền sao chép tác phẩm theo quy định của pháp luật sở hữu trí tuệ Việt Nam hiện nay Nguyên tắc cân bằng lợi ích của chủ sở hữu quyền tác giả và lợi ích của cộng đồng trong pháp luật sở hữu trí tuệ Việt Nam Nghiên cứu các vấn đề pháp lý về bảo hộ quyền tác giả trong các cơ sở giáo dục Đại học Việt Nam Hạn chế quyền tác giả theo pháp luật sở hữu trí tuệ Việt Nam Tìm hiểu quyền tác giả đối với tác phẩm phát sinh trong pháp luật sở hữu trí tuệ Giải pháp ngăn chặn các hành vi xâm phạm quyền tác giả đối với tác phẩm điện ảnh Tìm hiểu các quyền liên quan đến quyền tác giả trong pháp luật sở hữu trí tuệ Việt Nam Giải pháp nâng cao hiệu quả các quy định pháp luật về tổ chức đại diện tập thể quyền tác giả tại Việt Nam Một số số quy định pháp luật sở hữu trí tuệ về tác phẩm kiến trúc giải pháp xử lý các hành vi xâm phạm quyền tác giả theo quy định của luật sở hữu trí tuệ mối liên hệ mật thiết giữa hợp đồng chuyển giao quyền tác giả với luật pháp về quyền sở hữu trí tuệ Giải các công bằng trong vấn đề bồi thường thiệt hại do vi phạm quyền tác giả theo quy định của pháp luật mối liên hệ giữa bảo hộ sáng chế và vấn đề sức khỏe cộng đồng theo quy định của pháp luật sở hữu trí tuệ thực trạng khả năng phân biệt của nhãn hiệu trong pháp luật sở hữu trí tuệ Việt Nam hiện nay Mối liên hệ giữa kiểu dáng công nghiệp và nhãn hiệu ba chiều trong pháp luật sở hữu trí tuệ Việt Nam Một số quy định về tiêu chí đánh giá nhãn hiệu nổi tiếng theo pháp luật sở hữu trí tuệ Việt Nam luận văn về sở hữu trí tuệ sự giao thoa giữa bảo hộ sáng chế và bí mật kinh doanh trong pháp luật sở hữu trí tuệ nghiên cứu mối liên hệ Kệ vợ về tên miền với quyền sở hữu trí tuệ giải pháp xử lý hành vi cạnh tranh không lành mạnh liên quan đến nhãn hiệu trong pháp luật sở hữu trí tuệ đề xuất các biện pháp xử lý hành vi xâm phạm quyền đối với nhãn hiệu Tìm hiểu các vấn đề lý luận và thực tiễn về chuyển nhượng quyền sở hữu công nghiệp so sánh hợp đồng chuyển giao quyền sở hữu trí tuệ và hợp đồng dân sự trong pháp luật dân sự Việt Nam đề xuất nâng cao nghĩa vụ sử dụng sáng chế nhãn hiệu theo quy định pháp luật sở hữu trí tuệ nghiên cứu quyền sở hữu trí tuệ trong hiệp định đối tác xuyên Thái Bình Dương TPP sự tác động từ hiệp định TPP đối với pháp luật sở hữu trí tuệ Việt Nam luận văn về sở hữu trí tuệ Quyền sở hữu trí tuệ trong hoạt động nhượng quyền thương mại những quy định của pháp luật Việt Nam về bồi thường thiệt hại do vi phạm quyền sở hữu trí tuệ công nghiệp những nguyên tắc xác định thiệt hại do hành vi xâm phạm quyền sở hữu trí tuệ một số các biện pháp bảo vệ quyền đối với nhãn hiệu theo quy định của pháp luật sở hữu trí tuệ Tình hình hoạt động bắt buộc chuyển giao quyền sử dụng đối với sáng chế theo quy định của pháp luật sở hữu trí tuệ thực trạng và giải pháp hoàn thiện bảo vệ quyền sở hữu trí tuệ tại các doanh nghiệp thực trạng thể chất đối tượng quyền sở hữu trí tuệ theo quy định của pháp luật Việt Nam và giải pháp hoàn thiện luận văn về sở hữu trí tuệ kệ vi phạm nhãn hiệu trên môi trường kỹ thuật số tại Việt Nam những vấn đề lý luận và thực tiễn về hợp đồng chuyển giao quyền đối với giống cây trồng theo quy định của pháp luật Việt Nam Các nhân tố ảnh hưởng đến đổi mới sáng tạo sản phẩm trong các doanh nghiệp Khoa học và Công nghệ Việt Nam phân tích các chính sách về quyền sở hữu trí tuệ đối với các tác phẩm văn học của các tác giả thời Kỳ đương đại trong xã hội Việt Nam Nam giải pháp xử lý các hạn chế trong công tác thực hiện pháp luật về bảo hộ sở hữu trí tuệ đối với các sản phẩm âm nhạc nghiên cứu vai trò và tầm quan trọng của công tác bảo hộ quyền sở hữu trí tuệ ở Việt Nam trong thời kỳ hội nhập quốc tế một số hạn chế trong công tác thực thi các chính sách của nhà nước về quyền sở hữu trí tuệ trong đời sống xã hội I Phân tích mối quan hệ giữa quyền sở hữu trí tuệ với các quy phạm đạo đức trong đời sống xã hội thi tìm hiểu những bất cập và hạn chế trong công tác đầu tư và phát triển đối với các sản phẩm trí tuệ của học sinh sinh viên giải pháp nhằm thúc đẩy và phát triển sự sáng tạo khoa học công nghệ của các bạn học sinh Trung học phổ thông xử lý những hạn chế trong tư duy phát triển các sản phẩm trí tuệ hệ của học sinh sinh viên Các yếu tố môi trường đã tác động với việc hình thành xây dựng và phát triển một số công trình nghiên cứu khoa học giải pháp giải quyết các vấn đề của hoạt động khiếu nại tố cáo liên quan tới quyền tác giả đối với các tác phẩm điện ảnh vấn đề giải quyết quyền sở hữu trí tuệ và các công trình kiến trúc phương tây có mặt trên lãnh thổ Việt Nam triển khai áp dụng các chế tài pháp luật về việc xử phạt các hành vi vi phạm đến những quyền tác giả về sở hữu trí tuệ thực trạng những hành vi cạnh tranh không lành mạnh đối với các sản phẩm khoa học công nghệ trong đời sống xã hội thực trạng bảo vệ quyền sở hữu trí tuệ được với lý khi gặp truyền thống xử lý ý hành vi làm hàng giả mạo về sở hữu trí tuệ theo luật sở hữu trí tuệ Giải pháp nâng cao áp dụng pháp luật về góp vốn bằng giá trị quyền sở hữu trí tuệ Bảo hộ quyền sở hữu trí tuệ sáng chế liên quan đến thực phẩm tại Việt Nam trong điều kiện hội nhập kinh tế quốc tế Luận văn về sở hữu trí tuệ quản lý quyền sở hữu trí tuệ trong hoạt động thương mại điện tử Bảo hộ quyền tác giả trong lĩnh vực báo chí và kiến nghị giải pháp hoàn thiện Giải pháp phòng chống các tội xâm phạm sở hữu trí tuệ ở Việt Nam hiện nay hoàn thiện luật sở hữu trí tuệ nhằm thúc đẩy thị trường chuyển quyền sở hữu trí tuệ Pháp luật về bảo hộ nhãn hiệu nhằm hạn chế cạnh tranh không lành mạnh trong lĩnh vực sở hữu trí tuệ Tìm hiểu sở hữu trí tuệ Việt Nam dưới góc nhìn tham chiếu EVFTA Quản lý sở hữu trí tuệ trong ngành Văn hóa và du lịch xây dựng ý thức người dân Hoạt động sở hữu trí tuệ làm tăng sức cạnh tranh và giá trị sản phẩm giải pháp nâng cao khuyến khích data hoạt động đăng ký xác lập quyền sở hữu trí tuệ Mối liên hệ giữa quyền tác giả có yếu tố nước ngoài và pháp luật sở hữu trí tuệ tại Việt Nam Luận văn về sở hữu trí tuệ Nâng cao hoạt động sở hữu trí tuệ về trí tuệ nhân tạo Giải pháp bảo đảm quyền sở hữu tí tuệ của người phát minh Vai trò của toà án nhân dân trong xử lý vấn đề quyền sở hữu trí tuệ III. Lời kết Kết thúc bài viết luận văn về sở hữu trí tuệ hy vọng rằng các bạn đã có được những thông tin cũng như những nội dung thường xuyên xuất hiện trong luận văn về quyền sở hữu trí tuệ. Nếu các bạn cần cung cấp thêm các đề tài luận văn hãy liên hệ với chúng tôi. ===> DỊCH VỤ LÀM LUẬN VĂN TRỌN GÓI BAO CHỈNH SỬA BÀI HOTLINE 0936885877 BẠN QUÉT Mà BÊN DƯỚI ĐỂ LIÊN HỆ ZALO Dịch vụ Luận Văn Tri Thức Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website Post Views 160 Weekly Study - IoT/AI Tại bài viết này tôi sẽ đưa ra các chủ đề luận văn về Trí tuệ nhân tạo mới nhất cùng các liên kết kèm theo để các bạn có thể sử dụng một cách hiệu dụng AIPhát hiện sản phẩm giả dựa trên AI từ các mẫu chuyển trường hợp thử nghiệm theo hướng dữ liệu cho xe tự động phân tách dữ liệu tiêu thụ năng xuất thông tin từ Kế hoạch xây câu trả lời có thể tham số cho Đại lý hội tích Văn bản để Quản lý Yêu cầu trong Mua sắm Phần mềm Xe động xã hội của AIChấp nhận việc ra quyết định dựa trên AIKhám phá các mô hình xã hội học về bình đẳng với mô phỏng xã hộiNhận biết hoạt động của con ngườiCải thiện khả năng nhận dạng Hoạt động của con người với Thống kê Sự xuất hiện Đối tượng từ VideoTự động nhận dạng các hoạt động và mối quan hệ của chúng trong văn bảnHọc máyTối ưu hóa siêu tham số cho dự đoán liên kết dựa trên quy tắcTăng cường động cho Không gian tính năng thay đổi Weekly Study - IoT/AI Nếu bạn là người thích tìm hiểu các kiến thức về kinh doanh, khởi nghiệp hay công nghệ thì chắc hẳn bạn sẽ biết tới TED. Các cuộc nói chuyện của TED rất hấp dẫn, họ cung cấp những câu chuyện đan xen chặt chẽ với liều lượng ngắn nhưng thông tin và kinh nghiệm phong phú. Với việc Trí tuệ nhân tạo AI và Học máy Machine Learning đang nhận được rất nhiều sự quan tâm trong lĩnh vực nghiên cứu và kinh doanh, nên tôi bắt đầu tìm kiếm các bài nói chuyện của TED về Trí tuệ nhân tạo AI để giúp các bạn thông thái hơn như tôi Ở bài viết này, tôi sẽ giới thiệu đến các bạn 10 video bàn luận về Trí tuệ nhân tạo của TED Talks tôi thấy hay và bổ ích nhất. Nó giúp các bạn có cái nhìn tổng quan và ứng dụng thực tế của Trí tuệ nhân tạo ý Nếu bạn đang muốn hiểu tất cả về AI, ML, DL và tác động của nó đến công việc của bạn như thế nào, thì không có nơi nào tốt hơn Weeklystudy - Kênh kiến thức về Công nghệ, Kinh doanh và Khởi nghiệp. Đây là nơi cung cấp các kiến thức toàn diện giúp bạn hiểu rõ hơn về AI và ML là gì, các kỹ thuật phổ biến được sử dụng trong ngành, chức năng và vai trò nào đang bị ảnh hưởng và cách thức,...1. The Incredible Inventions of Intuitive AI – Maurice Conti Maurice Conti là CEO của Applied Intelligence. Ông là một nhà quản lý công nghệ sâu sắc, nhà tương lai học, cố vấn, giám đốc điều hành đổi mới và diễn giả chính. Công việc của anh ấy tập trung chủ yếu vào những đổi mới đột phá, robot tiên tiến, thực tế ảo và tăng cường, máy học ứng dụng,...Tất cả chúng ta đều biết trí tuệ nhân tạo có thể sáng tạo như thế nào, nhưng một số điều mà Maurice Conti và nhóm của ông đã nghĩ ra mang tính chất suy nghĩ. Việc sử dụng AI để thiết kế những thứ mới, như ô tô, cầu, máy bay không người lái, toàn bộ tòa nhà, không còn giới hạn trên màn hình bạc. Video này vẽ nên một bức tranh sống động về cách AI và con người có thể và hy vọng sẽ làm việc cùng nhau trong tương lai để hoàn thành các nhiệm vụ mà chính họ không thể thực What Happens When Our Computers Get Smarter Than We Are? – Nick Bostrom Nick là một nhà triết học nổi tiếng với các công trình nghiên cứu về công nghệ nano, đạo đức nâng cao con người, trí thông minh máy móc và rủi ro siêu trí tuệ. Ông là tác giả của hơn 200 ấn phẩm và viết hai cuốn trong Ted Talk, nói rằng trí thông minh máy móc sẽ là phát minh công nghệ cuối cùng mà con người tạo ra, và cuối cùng nó sẽ phát triển và thông minh hơn. Nick yêu cầu mọi người suy nghĩ kỹ về tác động của những cỗ máy thông minh này và suy nghĩ xem liệu họ sẽ dựa vào các giá trị của con người hay tạo ra giá trị của riêng mình. Ông nói rằng con người có thể kiểm soát AI trước khi vụ nổ AI xảy ra và trước khi nó tự nhận thức Can we Build AI Without Losing Control Over It? – Sam Harris Sam Harris là một tác giả, nhà triết học, nhà thần kinh học và người dẫn chương trình podcast người Mỹ. Ông là tác giả của 5 cuốn sách bán chạy nhất của Thời báo New York và các tác phẩm của ông tập trung vào các chủ đề khác nhau bao gồm triết học đạo đức, khoa học thần kinh, lý luận con người, tâm linh, tôn giáo và bạo bài nói chuyện, Sam làm sáng tỏ mặt tối của trí tuệ nhân tạo. Ông nói rằng phổ trí thông minh vượt ra ngoài tầm hiểu biết của chúng ta và khi chúng ta đang chế tạo những cỗ máy thông minh thông minh hơn con người, chúng có thể sẽ khám phá phổ trí thông minh theo những cách khác với những gì chúng ta đã làm và điều này có thể ảnh hưởng đến loài người. Sam suy nghĩ thêm về tác động của việc tạo ra AI siêu thông minh trong tương lai và nó sẽ ảnh hưởng như thế nào đến trật tự an toàn và kinh tế, chính How We’re Teaching Computers to Understand Pictures – Fei-Fei Li Fei-Fei Li hiện đang là Giáo sư Khoa học Máy tính Sequoia tại Đại học Stanford và là một nhà khoa học máy tính, nhà lãnh đạo giáo dục và nhà văn được công nhận. Cô cũng là thành viên được bầu của Học viện Kỹ thuật Quốc gia, một tổ chức phi lợi nhuận của giác máy tính là lĩnh vực nghiên cứu hot nhất trong học máy hiện tại. Nó đã tạo ra các ứng dụng như nhận dạng khuôn mặt thời gian thực và phát hiện đối tượng. Nhưng làm thế nào nó hoạt động? Fei-Fei Li mang đến cuộc trò chuyện này về cách máy móc được đào tạo bằng kỹ thuật thị giác máy tính. Cuộc nói chuyện này đã được đưa ra cách đây ba năm, và các thuật toán hiện đại nhất kể từ đó đã đi được một chặng đường khá dài. Cho thấy AI đang phát triển nhanh như thế nào!5. How AI can Compose a Personalized Soundtrack to your Life – Pierre Barreau Âm nhạc và AI - một sự kết hợp hoàn hảo. Pierre Barreau đã trình diễn AIVA, một hệ thống trí tuệ nhân tạo tạo ra các bản nhạc! Hệ thống đã được đào tạo trên tác phẩm âm nhạc bao gồm cả từ những tác phẩm như Mozart. Pierre cho chúng ta thấy cái nhìn sơ lược về cách AIVA được thiết kế bằng cách sử dụng mạng nơ-ron sâu và những hình ảnh trực quan thật ngoạn Don’t fear intelligent machines. Work with them - Garry Kasparov Garry Kasparov là một kiện tướng cờ vua và cựu vô địch cờ vua thế giới. Anh ấy đã chơi các trận đấu huyền thoại với siêu máy tính Watson của IBM, điều này đã khiến anh ấy trở thành một nhân vật được công nhận trong trí tuệ nhân tạo và mối quan hệ giữa người và Ted Talk, Garry nhấn mạnh những đổi mới ngày càng tăng trong công nghệ và cách máy học, học sâu và AI đang phát triển mạnh mẽ trong các lĩnh vực khác nhau. Ông nói rằng con người phải sẵn sàng đối mặt với nỗi sợ hãi của mình nếu họ muốn tận dụng tối đa công nghệ và con người nên làm việc với máy móc và tạo ra những đổi How AI can Enhance our Memory, Work and Social Lives – Tom Gruber Tom Gruber là người đồng sáng tạo Siri, vì vậy anh ấy biết mình đang nói về điều gì. Anh ấy có cái nhìn tích cực hơn về những tiến bộ trong AI và cách nó có thể giúp chúng ta cải thiện cách chúng ta sống cuộc sống hàng ngày. Anh ấy chia sẻ tầm nhìn của mình về một tương lai nơi AI giúp chúng ta đạt được hiệu suất siêu phàm trong nhận thức, sáng tạo và chức năng nhận Machine intelligence makes human morals more important - Zeynep Tufekci Zeynep là nhà văn và nhà công nghệ - xã hội học người Thổ Nhĩ Kỳ. Công việc của cô chủ yếu làm nổi bật những tác động xã hội của các công nghệ mới và đột phá như AI. Zeynep là một nhà văn đóng góp cho The New York Times và The nói về trí thông minh của máy móc và cách nó có thể làm xói mòn các giá trị và đạo đức của con người. Cô ấy nói rằng trí thông minh của máy móc có thể biến mất theo những cách không phù hợp với các mẫu lỗi của con người và theo những cách mà con người thậm chí không thể ngờ tới. Zeynep vạch ra những thành kiến ​​và các vấn đề đạo đức do hệ thống học máy đặt ra và do đó nói rằng con người nên giữ vững các giá trị của This app knows how you feel — from the look on your face - Rana el Kaliouby Rana el Kalouby là một nhà khoa học máy tính, đồng thời là CEO và Co-Founder của Affectiva. Các tác phẩm của cô xoay quanh nhận dạng biểu cảm, tính toán cảm xúc, AI cảm xúc và nhận dạng khuôn bài nói chuyện này, Rana nói rằng cảm xúc của con người ảnh hưởng đến mọi khía cạnh trong cuộc sống của chúng ta và cô ấy muốn đưa cảm xúc trở lại vào trải nghiệm kỹ thuật số. Cô chia sẻ hành trình của mình, kể về cách cô và nhóm của mình tạo ra công nghệ có thể đọc, phản ứng với cảm xúc của con người. Rana trình diễn một ứng dụng có thể đọc cảm xúc và mô tả cách nó được phát triển cũng như tác động của công nghệ này trong tương The Jobs We’ll Lose to Machines – Anthony Goldbloom Anthony Goldbloom là CEO, Co-Founder của Kaggle, anh ấy là một người giỏi như bất kỳ ai để đưa ra quan điểm về các công việc mà máy móc sẽ tự động hóa trong tương lai trên thực tế, một số điều anh ấy đề cập đã xảy ra khi tôi nhập nội dung này!. Chìa khóa rút ra từ buổi nói chuyện này là chúng ta cần nâng cao kỹ năng bản thân ở mọi cơ hội có được, nếu không nguy cơ bị tụt hậu sẽ luôn rình rập chúng luậnTrên đây không phải là một danh sách đầy đủ, còn nhiều Ted Talks khác có sẵn trên cả nền tảng chính thức và YouTube của họ. Nhưng lý do tôi chọn những cuộc nói chuyện này là để cho bạn biết các nhà lãnh đạo và chuyên gia trong ngành nghĩ gì về chủ đề này. Họ đi đầu trong lĩnh vực này và kiểm soát rất nhiều về cách chúng ta tiếp cận mọi thích nhất bài nói chuyện nào trong danh sách này? Và bạn sẽ giới thiệu tôi nghe những bài nào ngoài những bài nói chuyện này? Cho tôi biết trong phần bình luận bên dưới nhé.>>> Tìm hiểu thêm

luận văn trí tuệ nhân tạo