Ứng dụng mạng nơ-ron nhân tạo dự báo nguyện vọng đăng ký vào ngành sư phạm của học sinh trung học phổ thông ở tỉnh Quảng Nam

Bài viết Ứng dụng mạng nơ-ron nhân tạo dự báo nguyện vọng đăng ký vào ngành sư phạm của học sinh trung học phổ thông ở tỉnh Quảng Nam đưa ra cách ứng dụng ANN dự báo nguyện vọng đăng ký vào ngành sư phạm của học sinh trung học phổ thông ở Quảng Nam trong những năm tiếp theo. Khi mô hình dự báo có độ chính xác cao sẽ giúp cho các cơ quan quản lý đưa ra những chính sách, phương pháp và tư vấn phù hợp với sở thích của học sinh.
Nội dung trích xuất từ tài liệu:
Ứng dụng mạng nơ-ron nhân tạo dự báo nguyện vọng đăng ký vào ngành sư phạm của học sinh trung học phổ thông ở tỉnh Quảng Nam ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO DỰ BÁO NGUYỆN VỌNG ĐĂNG KÝ VÀO NGÀNH SƯ PHẠM CỦA HỌC SINH TRUNG HỌC PHỔ THÔNG Ở TỈNH QUẢNG NAM Lê Phước Thành1, Nguyễn Văn1 Tóm tắt: Mạng nơ-ron nhân tạo (Artificial Neural Network- ANN) đã trở thànhmột hướng tiếp cận hữu hiệu để thay thế các mô hình thống kê truyền thống. Chính vìvậy, ANN đã được nghiên cứu và ứng dụng rộng rãi trong hầu hết các ngành khoa họchiện nay. Trong lĩnh vực giáo dục, những năm gần đây, việc tuyển sinh đại học đã xâydựng được một hệ thống dữ liệu đăng ký nguyện vọng của học sinh trung học phổ thông(THPT) lựa chọn trường, ngành nghề theo hướng tập trung, chính xác và đầy đủ. Bàibáo đưa ra cách ứng dụng ANN dự báo nguyện vọng đăng ký vào ngành sư phạm củahọc sinh trung học phổ thông ở Quảng Nam trong những năm tiếp theo. Khi mô hìnhdự báo có độ chính xác cao sẽ giúp cho các cơ quan quản lý đưa ra những chính sách,phương pháp và tư vấn phù hợp với sở thích của học sinh. Từ khóa: Mạng nơ-ron nhân tạo, mạng nơ-ron truyền thẳng, Mạng nơ-ron lantruyền ngược, Suy giảm độ dốc, Đánh giá mô hình, Học có giám sát. 1. Mở đầu Mạng nơ-ron nhân tạo là mô hình xử lý thông tin được mô phỏng dựa trên hoạtđộng của hệ thống thần kinh của sinh vật, bao gồm số lượng lớn các nơ-ron được gắn kếtđể xử lý thông tin. ANN giống như bộ não con người, được học bởi kinh nghiệm trongquá khứ (đầu vào là tập dữ liệu sưu tập được), thông qua huấn luyện (việc xây dựng môhình dự báo) nhằm tìm ra những tri thức có khả năng phân loại chính xác đối tượng. Trithức phân loại này sẽ được sử dụng trong việc dự báo các dữ liệu chưa biết (unseen data)(hay khả năng dự báo việc phân loại đối tượng trong tương lai). Từ năm 2015 Bộ Giáo dục-Đào tạo đã tiến hành xét tuyển đại họcbằng cáchsửdụng kết quả kỳ thi THPT quốc gia. Theo đó dữ liệu đăng ký nguyện vọng xét tuyển củahọc sinh có nhiều lựa chọn, một học sinh có thể chọn nhiều trường, nhiều ngành; thôngtin đăng ký bao gồm: giới tính, độ tuổi, điểm thi, hộ khẩu, đối tượng ưu tiên, khu vực ưutiên, kết quả thi theo tổ hợp môn… Dữ liệu dùng cho việc xây dựng mô hình-phân tích-đánh giá nhận từ Sở giáo dụcvà Đào tạo tỉnh Quảng Nam trong 2 năm 2020 và 2021. Và để thuận lợi trọng việc xâydựng mô hình-phân tích-đánh giá, dữ liệu sưu tập chỉ chọn ra nguyện vọng 1 của họcsinh (học sinh đăng ký trong cả 2 năm, chỉ chọn ra nguyện vọng 1 của năm 2021), saukhi làm sạch dữ liệu có tổng cộng 24.591 mẫu tin/ học sinh tham gia đăng ký xét tuyển.1. ThS., Trường Đại học Quảng Nam102 LÊ PHƯỚC THÀNH - NGUYỄN VĂN 2. Nội dung 2.1. Giới thiệu nơ-ron và mạng nơ-ron truyền thẳng [1], [4], [5] 2.1.1. Cấu trúc nơ-ron Cấu trúc một rơ-ron (hình 1.a) với: x1, x2, …, xn: Tập các tín hiệu đầu vào (Input Signals) của nơ-ron tương ứng vớicác thuộc tính của đối tượng (giới tính, hộ khẩu, tổ hợp môn xét tuyển, điểm thi THPT,đối tượng ưu tiên, khu vực ưu tiên, …) w1, w2, …, wn: Trọng số (Weight) kết nối mô tả mức độ liên kết giữa các đầu vàongoài tới nơ-ron hiện tại, trọng số này được khởi tạo một cách ngẫu nhiên ở thời điểmkhởi tạo mạng và được cập nhật liên tục trong quá trình học mạng. b: Ngưỡng (còn gọi là một độ lệch - Bias): Ngưỡng này là hằng số được đưa vàođể tổng quát hóa hàm tổng. Σ: Hàm tổng (Summing function) dùng để kết hợp giá trị đầu vào cùng với cáctrọng số tương ứng. a) Cấu trúc nơ-ron b) Mạng nơ-ron truyền thẳng Hình 1. Cấu trúc nơ-ron và Mạng nơ-ron truyền thẳng ϕ(Σ): Hàm kích hoạt/ Hàm ngưỡng (Activation function) Hàm này nhận đầu vàotừ hàm tổng được dùng để giới hạn phạm vi đầu ra của mỗi nơ-ron, Hàm có chức năngchuyển đổi thông số đầu vào sang một khoảng giá trị khác sao cho tương ứng với giátrị đầu ra mong muốn. Tùy theo bài toán phân loại mà chọn các hàm kích hoạt như sau:Sigmoid, Tanh, ReLU (Hình 2) 103ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO DỰ BÁO NGUYỆN VỌNG ĐĂNG KÝ... Hình 2. Các hàm kích hoạt y: Là tín hiệu đầu ra (Output Signals) của một nơ-ron, tín hiệu cần được so khớpvới giá trị mong muốn (giá trị nhãn lớp dùng để phân loại đối tượng). 2.1.2. Mạng nơ-ron truyền thẳng (Feedforward Neural Network) Mạng nơ-ron truyền thẳng (hình 1.b) được tạo thành khi nối các nơ-ron riêng lẻ lạivới nhau. Các nơ-ron được tạo thành từng tầng (Layer). Lớp đầu tiên bên trái là lớp đầuvào (Input layer), lớp cuối cùng bên phải là lớp đầu ra (Output layer), các lớp còn lại ởgiữa là tầng ẩn (Hidden layer). Các nơ-ron trong một lớp sẽ có trọng số (weight) tươngứng với kết nối đến nơ-ron của lớp khác. Mỗi một nơ-ron t ...