CSDL Bài trích Báo - Tạp chí
chủ đề: Mô hình học máy
1 Xây dựng mô hình học máy được tối ưu hóa bằng thuật toán jellyfish search để dự báo năng suất lao động trên công trường / Võ Huỳnh Kim Chi, Trương Đình Nhật, Nguyễn Thanh Phong, Lê Thị Thùy Linh // .- 2024 .- Tháng 2 .- Tr. 50-55 .- 690
Nghiên cứu này trình bày các so sánh và đánh giá hiệu suất của các mô hình học máy, bao gồm bốn mô hình đơn ANN, SVR, LR, CART và ba mô hình hỗn hợp Voting, Bagging, Stacking.
2 Phân tích logs ứng dụng học máy hỗ trợ giám sát an toàn thông tin ngành Tài nguyên và Môi trường / Bùi Công Thịnh, Nguyễn Văn Hiệu, Lê Huy Toàn // .- 2023 .- Số 21 (419) - Tháng 11 .- Tr. 53-55 .- 004
Đề xuất và thử nghiệm bài toán phát hiện bất thường dựa trên tần suất logs, áp dụng mô hình học máy chuỗi thời gian để học được quy luật logs của từng thiết bị, từ đó phát hiện ra bất thường nếu thiết bị có số lượng log vượt quá ngưỡng an toàn dự đoán.
3 Ứng dụng mô hình học máy tối ưu hóa quản trị nguồn nhân lực trong doanh nghiệp / Vũ Thị Kim Liên, Nguyễn Thị Hải Yến, Nguyễn Thùy Dương // Kinh tế Châu Á - Thái Bình Dương .- 2023 .- Số 638 .- Tr. 101-102 .- 658
Trong giai đoạn phát triển nền kinh tế số hiện nay, ứng dụng trí tuệ nhân tạo (AI - Artificial Intelligence) đang được quan tâm trong hầu hết các ngành nghề. Quản trị nguồn nhân lực (HRM - Human Resource Management) cũng không nằm ngoài xu thế ứng dụng công nghệ hiện đại này. Để giải quyết vấn đề thu thập thông tin ưu tiên và dựa trên quy trình công việc chính hệ thống đề xuất, bài viết sử dụng mô hình học sau thiết kế cấu trúc tổng thể và triển khai hệ thống nguyên mẫu, từ đó có thể khắc phục tốt hơn vấn đề khởi đồng nguội và cung cấp kết quả đề xuất theo thời gian thực, cải thiện chất lượng, cá nhân hóa nguồn nhân lạc (HR - Human Resources), tăng trải nghiệm người dùng và đáp ứng nhu cầu của họ dễ dàng hơn.
4 Dự đoán cường độ liên kết giữa cốt thép bị ăn mòn và lớp bê tông xung quanh bằng phương pháp XGBoost / Nguyễn Trung Hiếu, Trần Xuân Linh // .- 2021 .- Số 6(49) .- Tr. 8-15 .- 624
Nghiên cứu này sử dụng một mô hình máy học XGBoost để dự đoán độ bền liên kết của cốt thép bị ăn mòn và lớp bê tông xung quanh. Một bộ dữ liệu bao gồm 218 mẫu thí nghiệm đã được thu thập từ các tài liệu hiện có để xây dựng mô hình và kiểm nghiệm phương pháp đề xuất. Kết quả tính toán chỉ ra rằng mô hình XGBoost có thể đạt hiệu suất dự đoán tốt. Do đó mô hình được đề xuất là một công cụ đầy hứa hẹn để hỗ trợ các kỹ sư trong việc dự báo cường độ liên kết của cốt thép bị ăn mòn và lớp bê tông xung quanh.