ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐỖ PHÚC HẢO NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH XÂY DỰNG HỆ THỐNG PHỤC VỤ ĐIỂM DANH VÀ ĐÁNH GIÁ THÁI ĐỘ HỌC TẬP CỦA SINH VIÊN LUẬN VĂN THẠC SĨ KHOA HỌC KHOA HỌC MÁY TÍNH ĐÀ NẴNG - 2016 ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐỖ PHÚC HẢO NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH XÂY DỰNG HỆ THỐNG PHỤC VỤ ĐIỂM DANH VÀ ĐÁNH GIÁ THÁI ĐỘ HỌC TẬP CỦA SINH VIÊN Chuyên ngành: Khoa học máy tính Mã số: 60.48.01.01 LUẬN VĂN THẠC SĨ KHOA HỌC KHOA HỌC MÁY TÍNH Hướng dẫn khoa học: TS PHẠM MINH TUẤN ĐÀ NẴNG – 2016 LỜI CAM ĐOAN Tôi xin cam đoan: - Những nội dung luận văn thực - hướng dẫn trực tiếp thầy Phạm Minh Tuấn Mọi tham khảo dùng luận văn trích dẫn rõ ràng tên tác giả, tên công trình, thời gian địa điểm công bố - Những chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, xin chịu hoàn toàn trách nhiệm Đà Nẵng, tháng 12 năm 2016 Tác giả ĐỖ PHÚC HẢO LỜI CẢM ƠN Tôi xin chân thành cảm ơn thầy cô khoa Công nghệ thông tin thầy cô giảng dạy trường Đại học Đà Nẵng truyền đạt kiến thức quý báu cho năm nghiên cứu học tập trường Đặc biệt, xin chân thành cảm ơn thầy Phạm Minh Tuấn, khoa Công nghệ thông tin, trường Đại học Bách khoa tận tình hướng dẫn, động viên giúp đỡ suốt thời gian nghiên cứu thực đề tài Và để có kết ngày hôm nay, biết ơn gia đình động viên, khích lệ, tạo điều kiện thuận lợi suốt trình nghiên cứu, học tập trình thực đề tài tốt nghiệp Một lần xin chân thành cám ơn! Đà Nẵng, tháng 12 năm 2016 Tác giả ĐỖ PHÚC HẢO MỤC LỤC DANH MỤC VIẾT TẮT CGA PCA PCR DBSCAN PCR-CGA Conformal geometric algebra Principal component analysis Principal component regression Density-based spatial clustering of applications with noise Principal Component Regression – Conformal Geometric Algebra DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH TÓM TẮT LUẬN VĂN NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH XÂY DỰNG HỆ THỐNG PHỤC VỤ ĐIỂM DANH VÀ ĐÁNH GIÁ THÁI ĐỘ CỦA SINH VIÊN Đỗ Phúc Hảo, học viên cao học khóa 30, chuyên ngành Khoa học máy tính Tóm tắt – Hiện nay, có nhiều phương pháp trích chọn đặc trưng Principal Component Analysis (PCA), Multiple Discriminant Analysis (MDA) kỹ thuật vô quan trọng lĩnh vực nghiên cứu học máy Đặc điểm trích chọn đặc trưng biến đổi liệu từ không gian phân lớp phức tạp sang không gian phân lớp dễ dàng Việc trích chọn đặc trưng trước vận dụng thuật toán học máy vào tăng kết phân lớp liệu lên nhiều Phương pháp Principal Component Regression (PCR) tìm kiếm siêu mặt phẳng xấp xỉ mà liệu phân bố Vấn đề trường hợp liệu không phân bổ siêu mặt phẳng mà phân bổ siêu mặt cầu trường hợp đối tượng quay, phương pháp trích chọn đặc trưng PCR phân lớp với kết cao được Hiện có nhiều hệ thống phục vụ điểm danh sinh viên, trường hợp hình ảnh khuôn mặt sinh viên xoay với góc khác kết chưa cao Cho nên, nghiên cứu này, tác giả tập trung vào nghiên cứu phương pháp trích chọn đặc trưng bẳng cách tìm kiếm xấp xỉ siêu mặt cầu siêu mặt phẳng mà vừa khớp với tập liệu không gian Comformal Geometric Algebra (CGA) nhằm cải thiện tỷ lệ nhận dạng đối tượng quay không gian Từ khóa – Hệ thống nhận dạng, trích chọn đặc trưng, đại số hình học bảo giác IMAGE FEATURE EXTRACTION METHOD FOR EVALUATION SYSTEM OF ATTITUDE AND ATTENDANCE OF STUDENTS Abstract – Currently, there are many methods for feature extraction, such as Principal Component Analysis (PCA), Multiple Discriminant Analysis (MDA) techniques are extremely important in the field of machine learning research The Characteristic of feature extraction is to transform the data from a difficulty classified space to a easily classified space The allocation to extract the good features before applying machine learning methods get more effect classification results The Principal Component Regression (PCR) finds the approximation hyper-planes, for example they distributed on hyper-spheres such as the rotation objects, the PCR can not extract the good feature to apply the classification problems There are so many systems to serve student attendance, but in the case of face images of students rotate to different angles, the results is not high Therefore, in this study, the author will propose a new feature extraction method in conformal geometric algebra (CGA) space to find the approximation hyper-planes or hyper-spheres which fit to the set of data using the least square approach Key words – identification system, feature extraction, conformal geometric algebra 10 MỞ ĐẦU Lý chọn đề tài Hiện nay, nhà nước trọng việc đổi “Căn toàn diện giáo dục”, cụ thể phương pháp giảng dạy quản lý giáo dục đào tạo, nên việc nghiên cứu ứng dụng kỹ thuật công nghệ thông tin giảng dạy học tập vấn đề thiết Đã có nhiều mô hình giảng dạy học tập kết hợp với e-learning, học trực tuyến đưa nhằm tăng chất lượng giáo dục Tuy nhiên, việc giảng dạy lớp học mô hình truyền thống thiếu Một vấn đề cấp thiết đưa việc nắm bắt tình hình học tập sinh viên lớp học trường đại học Thông thường, lớp học trường đại học thường có số lượng sinh viên tương đối lớn Giáo viên khó nắm bắt lực tình hình học tập sinh viên học phần đảm nhiệm Việc điểm danh buổi học giúp ích phần cho nhận biết sinh viên có học đặn hay không Tuy nhiên để nắm bắt sinh viên có thực tham gia vào giảng hay không việc khó khăn Ví dụ như, có sinh viên lúc tới lớp đặn làm việc riêng không tham gia nghe giảng tham gia hoạt động làm việc nhóm lớp học Nếu vào việc học chuyên cần sinh viên hoàn toàn đáp ứng việc tham gia vào giảng hoàn toàn không Nhiệm vụ giáo viên cần nhắc nhở tư vấn để sinh viên tham gia giảng cách tốt Chính vậy, hệ thống tự động nhận dạng khuôn mặt phân tích thái độ học tập sinh viên điều vô cần thiết Hiện nay, có nhiều phương pháp trích chọn đặc trưng Principal Component Analysis (PCA) [1], Multiple Discriminant Analysis (MDA) [2] kỹ thuật vô quan trọng lĩnh vực nghiên cứu học máy Đặc điểm trích chọn đặc trưng biến đổi liệu từ không gian phân lớp phức tạp sang không gian phân lớp dễ dàng Việc trích chọn đặc trưng trước vận dụng thuật toán học máy vào tăng kết phân lớp liệu lên nhiều Phương pháp Principal Component Regression (PCR) [3] tìm kiếm siêu mặt phẳng xấp xỉ mà liệu phân bố Vấn đề trường hợp liệu không phân bổ siêu mặt phẳng mà phân bổ siêu mặt cầu trường hợp đối tượng quay, phương pháp trích chọn đặc trưng PCR phân lớp với kết cao được Cho nên, đề tài tập trung vào nghiên cứu phương pháp trích chọn đặc trưng bẳng cách tìm kiếm xấp xỉ siêu mặt cầu siêu mặt phẳng mà vừa khớp với tập liệu không gian Comformal Geometric Algebra (CGA) [4] 45 Hình 3.15: thông tin tài khoản giáo viên 3.2.2.2.5 Thông tin tài khoản sinh viên Dữ liệu thông tin sinh viên (họ tên, username, password) Hình 3.16: thông tin tài khoản sinh viên 3.2.2.2.6 Thông tin học phần sinh viên Với sinh viên học một vài học phần, login vào hệ thống với danh nghĩa sinh viên, hệ thống hiển thị học phần mà sinh viên đăng kí học, với học phần sinh viên lựa chọn để xác nhận có tham gia học học phần hay không? 46 Hình 3.17: Danh sách học phần sinh viên 3.2.2.2.7 Giao diện giáo viên Mỗi giáo viên giao dạy một vài học phần, với học phần liệu ghi nhận trực tiếp camera upload lên giáo viên phụ trách học phần Với học phần phụ trách, giáo viên có quyền lựa chọn học phần, sau upload đồng liệu từ Box server tùy thích Hình 3.18: Giao diện giáo viên 3.2.2.2.8 Giao diện upload giáo viên 47 Hình 3.19: Hình ảnh mẫu lớp học Hình ảnh lớp học giáo viên chụp lại ghi nhận từ camera gồm nhiều khuôn mặt sinh viên Hiện tại, chưa có nhiều phương pháp phát khuôn mặt nhiều góc quay khác nhau, thực nghiệm luận văn sử dụng hình ảnh lớp học dạng background, sử dụng ảnh xám hoàn toàn tọa độ vị trí khuôn mặt xác định rõ ràng trước tiến hành nhận dạng đối tượng (tương tự hình 3.19) Phương pháp nhận dạng đối tượng khuôn mặt nhiều góc độ quay khác tiến hành nghiên cứu thực nghiệm Đây giao diện cho phép giáo viên upload ảnh từ local lên nhấn SYNC để đồng liệu từ Box server hệ thống Dữ liệu upload lên ảnh kích thước maximum 1024x768 với loại ảnh jpg Hình 3.20: Giao diện upload giáo viên 48 Hình 3.21: Giao diện upload thành công 3.2.2.2.9 Giao diện danh sách hình ảnh sinh viên học phần Trong khoảng thời gian 24h, kể từ lúc giáo viên upload ảnh lên hệ thống theo học phần, sinh viên phải có trách nhiệm vào để xác nhận hình ảnh Danh sách hình học phần hiển thị lên cho sinh viên học phần tương ứng Nếu sau 24h mà sinh viên không vào xác nhận coi ngày hôm sinh viên không học Hình 3.22: Danh sách hình ảnh sinh viên học phần 3.2.2.2.10 Giao diện xác nhận hình sinh viên 49 Hình 3.23: Hệ thống phát sinh viên SV0006 Với học phần, sau giáo viên upload ảnh lên hệ thống, vòng 24h sinh viên phải đăng nhập vào hệ thống xác nhận hình ảnh mà hệ thống nhận dạng chưa? Nếu nhấn xác nhận, chưa xác nhận lại cho vị trí khuôn mặt hình ảnh Nếu phát hệ thống xác định không sinh viên có trách nhiệm xác định lại khuôn mặt hình Hình 3.24: Sinh viên xác định lại khuôn mặt xác 50 Hình 3.25: Sinh viên xác nhận hệ thống nhận dạng Nếu hệ thống nhận dạng sinh viên đó, sinh viên nhấn nút xác nhận khuôn mặt 3.2.2.2.11 Giao diện giáo viên sau sinh viên xác nhận Sau sinh viên xác nhận xong hệ thống, giao diện hình ảnh giáo viên xác nhận xác Giáo viên xem qua, nhấn approve để xác nhận tổng thể Các hình ảnh xác nhận cho vào kho liệu để tăng tính nhận dạng đối tượng cho lần sau Với lần xác nhận hình ảnh, luyện hình ảnh huấn luyện cho hệ thống học sau nhiều lần, điều cải thiện tốt cho hiệu suất nhận dạng hệ thống Hình 3.26: Giao diện xác nhận hình ảnh giáo viên 51 3.2.2.2.12 Dữ liệu lưu Box server Dữ liệu lưu trữ box server với định dạng tên học phần  ngày tháng  phút giây  hình ảnh cụ thể Nó lưu trữ hệ thống để kiểm tra thời gian từ lúc upload lên hệ thống đến lúc hết hạn để sinh viên xác nhận 24h 3.2.2.2.13 Hình 3.27: Dữ liệu lưu trữ Box server Luồng chi tiết giao diện hệ thống Đầu tiên với thông tin sinh viên, sinh viên có thông tin cụ thể học học phần nào? Mỗi giáo viên tương tự dạy học phần nào? Mỗi học phần giáo viên phải có trách nhiệm upload hình ảnh điểm danh buổi lên hệ thống sử dụng camera để upload liệu lên trực tiếp hệ thống khoảng thời gian định Hệ thống lúc đầu chưa có tập liệu huấn luyện, việc nhận dạng đối tượng sinh viên gần không xác Sau thời gian huấn luyện hệ thống tăng dần tỷ lệ nhận dạng Sau upload lên hệ thống, vòng 24h, sinh viên vào hệ thống môn học để xác nhận xem đâu hình ảnh, hệ thống nhận dạng sinh viên cần xác nhận được, không sinh viên phải xác định vị trí mà hình ảnh Sau tất sinh viên xác nhận xác nhận đầy đủ hệ thốn sau 24h, giáo viên vào hệ thống xác nhận lại lần cuối Những ảnh sinh viên đưa vào sở liệu để bổ sung vào tập huấn luyện hệ thống 52 Việc cập nhật liệu vào hệ thống giúp cho hệ thống ngày tăng dần tỉ lệ nhận dạng sau 3.2.2.2.14 Giao diện giáo viên dùng để đánh giá thái độ sinh viên Với ảnh sinh viên đưa vào, hệ thống xác nhận dạng sinh viên, sinh viên thể theo góc độ khác Khi đó, để đánh giá thái độ học tập sinh viên, báo cáo sử dụng góc nhìn sinh viên ảnh Hình 3.28: Đánh giá thái độ sinh viên thông qua góc nhìn Điều có nghĩa chọn hướng góc trọng tâm nhiều sinh viên, sau xếp góc quay nhiều sinh viên, chọn góc (tức góc mà nhiều sinh viên nhìn vào nhiều Nếu sinh viên có góc nhìn lệch nhiều so với hướng góc trọng tâm (chính góc nhìn vào nhiều nhất) đưa cho không tập trung vào giảng Bài toán đánh giá thái độ sinh viên dựa vào góc quay tập liệu có sẵn trình thu thập, độ xác việc xác định góc quay đối tượng khuôn mặt không cao Ở đây, giả sử ta có góc quay tương đối khuôn mặt hình ảnh, lúc đó, xác định trọng tâm góc nhìn chung cho tất đối tượng khuôn mặt, góc quay thể vị trí giảng giáo viên, điều có nghĩa góc sinh viên lệch nhiều so với vị trí giảng giáo viên sinh viên không tập trung vào giảng 53 3.2.2.3 Kết thực nghiệm ảnh thực tế Như trình bày phần (3.2.2.2) kết chương trình thực nghiệm với tập liệu mô phỏng, tức kết hợp nhiều hình ảnh đối tượng người vào khung ảnh lớn Kết thể tốt việc nhận dạng đối tượng mặt người phương pháp trích chọn đặc trưng cho đối tượng quay Tuy nhiên, để tăng tính khách quan, luận văn thực nghiệm với liệu thực tế chụp lớp học, có dạng hình (3.29) Hình 3.29: Hình ảnh lớp học thực tế Thực bước thực mục (3.2.2.2), ta thu kết trình nhận dạng đối tượng hình (3.30) Hình 3.30: Kết nhận dạng khuôn mặt lớp học thực tế Hiện tại, luận văn thực nghiệm hình khác nhiều góc độ quay khác thực tế, kết nhận dạng khả quan xác 54 3.3 ĐÁNH GIÁ 3.3.1 Về lý thuyết Đã trình bày đầy đủ học máy kỹ thuật để xây dựng mô hình học máy Khái quát hóa đầy đủ hệ thống nhận dạng đối tượng Tìm hiểu phương pháp trích chọn đặc trưng PCA, đồng thời sử dụng kết hợp với kỹ thuật PCR để trích chọn đặc trưng tốt cách loại bỏ đặc trưng không tốt Thao tác với đối tượng vector, tính toán làm việc với vector ma trận ảnh đối tượng sử dụng kỹ thuật cắt xây dựng tập ảnh huấn luyện từ liệu ảnh local Đã bước đầu tìm hiểu CGA kết hợp với phương pháp trích chọn đặc trưng PCR nhằm xây dựng vector đặc trưng tốt cho việc nhận dạng đối tượng quay góc khác 3.3.2 Về cài đặt Sử dụng thành thạo ngôn ngữ lập trình java xây dựng hệ thống web sử dụng code (jsp servlet), đồng thời sử dụng thành thạo Api Box server Vận dụng lý thuyết tảng CGA để xây dựng mô hình nhận dạng đối tượng dựa việc rút trích lựa chọn đặc trưng cho đối tượng 3.3.3 Về thực nghiệm So sánh kết nhận dạng dựa vào phương pháp tí trích chọn đặc trưng vector (PCR) sử dụng phương pháp đề xuất (bằng cách kết hợp PCR với tảng lý thuyết CGA) Kết nhận dạng phương pháp đề xuất (kết hợp PCR với CGA) có tỷ lệ nhận dạng cao trình bày chi tiết phần (3.2) Hệ thống cho phép nhận dạng đối tượng nhiều góc độ khác với tỷ lệ xác ngày cải thiện, nhờ vào phương pháp học tăng cường, điều có nghĩa liệu tập huấn luyện ngày bổ sung, nên kết nhận dạng cải thiện rõ ràng sau tập huấn luyện nhiều đầy đủ Hệ thống đánh giá thái độ học tập dựa vào góc nhìn sinh viên ảnh Từ đó, xác định trọng tâm lớp học, đồng thời xác định rõ sinh viên không tập trung học Như trình bày chi tiết phần thái độ học tập sinh viên, kết đánh giá góc nhìn sinh viên dựa nhiều vào thu thập liệu nên chưa cao Giả sử với góc nhìn xác định kết thu nhờ việc đánh giá vị trí trung tâm vị trí đứng giảng viên mang lại kết tương đối 55 3.4 KẾT LUẬN 3.4.1 Đã làm Bước đầu xây dựng mô hình huấn luyện để nhận dạng đối tượng cách sử dụng kỹ thuật phân tích liệu PCR kỹ thuật đề xuất PCR-CGA Xây dựng hệ thống đánh giá thái độ sinh viên dựa vào góc nhìn sinh viên ảnh Kết trình phụ thuộc nhiều vào trình thu thập phát góc quay hình khuôn mặt hình lớp học Nghiên cứu lý thuyết CGA nhận dạng đối tượng quay chuyển động 3D không gian, xuất báo liên quan đến mảng kiến thức (đã accepted) [9, 23] 3.4.2 Các vấn đề cần cải thiện Hiện tại, chưa có phương pháp phát đối tượng khuôn mặt với nhiều góc quay đủ tốt, nên trình thực nghiệm, luận văn sử dụng với tập ảnh biết trước tọa độ khuôn mặt đâu hình lớn Vấn đề vấn đối tượng khuôn mặt hình ảnh quay nhiều góc độ cần nghiên cứu phát triển 3.4.3 Hướng phát triển Thuật toán để phát khuôn mặt hay dùng OpenCV, kế thừa từ thuật toán Violajones [2001], với thuật toán ảnh quay kết phát khuôn mặt thấp, nghiên cứu kết hợp để xây dựng mô hình phát khuôn mặt quay cải thiện tốt 56 TÀI LIỆU THAM KHẢO [1] Jolliffe, I.T (2002) Principal Component Analysis, second edition (Springer) [2] Duda R, Hart P, Stork D (2001) Pattern Classification, Second Edition New York, NY, USA: John Wiley and Sons [3] Jolliffe, Ian T (1982) "A note on the Use of Principal Components in Regression" Journal of the Royal Statistical Society, Series C [4] Hestenes, David and Garret Sobczyk (1984), Clifford Algebra to Geometric Calculus: A Unified Language for Mathematics and Physics [5] Hoskins, J.C.; Himmelblau, D.M (1992) "Process control via artificial neural networks and reinforcement learning" Computers & Chemical Engineering [6] Ben-Hur, Asa, Horn, David, Siegelmann, Hava, and Vapnik, Vladimir; "Support vector clustering" (2001) Journal of Machine Learning Research, 2: 125–137 [7] Hestenes, D., Sobczyk, G.: Clifford Algebra to Geometric Calculus: A unified language for mathematics and physics, Reidel (1984) [8] M.T Pham and K Tachibana A Conformal Geometric Algebra Based Clustering Method and Its Applications, Advances in Applied Clifford Algebras, Springer Basel, DOI 10.1007/s00006-015-0548-7,2015 [9] Minh Tuan Pham, Hao Do Phuc, Kanta Tachibana - Feature Extraction for Classification Method using Principal Component based on Conformal Geometric Algebra - IEEE World Congress on Computational Intelligence / International Joint Conference on Neural Networks - WCCI 2016 [10]http://robotics.csie.ncku.edu.tw/Databases/FaceDetect_PoseEstimate.htm#Our_Da tabase_ [11] R Brunelli, Template Matching Techniques in Computer Vision: Theory and Practice, Wiley, ISBN 978-0-470-51706-2, 2009 [12] L Wang and DC He (1990), "Texture Classification Using Texture Spectrum", Pattern Recognition, Vol 23, No 8, pp 905 - 910 [13] Lee, Tai S (October 1996) "Image Representation Using 2D Gabor wavelets" (PDF) IEEE Transactions on Pattern Analysis and Machine Intelligence [14] Kessy, A.; Lewin, A.; Strimmer, K (2015) "Optimal whitening and decorrelation" arXiv:1512.00809 57 [15] McLachlan, G J (2004) Discriminant Analysis and Statistical Pattern Recognition Wiley Interscience ISBN 0-471-69115-1 MR 1190469 [16] Kernel PCA for Novelty Detection Pattern Recognition, 40, 863-874, 2007 [17] Mannila, Heikki (1996) Data mining: machine learning, statistics, and databases Int'l Conf Scientific and Statistical Database Management [18] Williams, Ronald J (1987) "A class of gradient-estimating algorithms for reinforcement learning in neural networks" Proceedings of the IEEE First International Conference on Neural Networks [19] R Brunelli, Template Matching Techniques in Computer Vision: Theory and Practice, Wiley, ISBN 978-0-470-51706-2, 2009 [20] http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php [21] Minh Tuan Pham ; Phuc Hao Do ; Kanta Tachibana Feature extraction for classification method using principal component based on conformal geometric algebra Publication Year: 2016, Page(s):4112 – 4117 [22] R De Maesschalck, D Jouan Rimbaud and D L Massart The mahalanobis distance Chemometrics and intelligent laboratory systems [23] Nang Hung Van NGUYEN, Minh Tuan PHAM and Phuc Hao DO Marker selection for Human Activity Recognition using combination of Conformal Geometric Algebra and Principal Component Regression SoICT-2016 NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Đà Nẵng, ngày tháng năm 2016 Giáo viên hướng dẫn Phạm Minh Tuấn NHẬN XÉT CỦA HỘI ĐỒNG PHẢN BIỆN Đà Nẵng, ngày tháng năm 2016 [...]... việc tính toán sẽ rất lâu, thứ hai là làm tăng tính phân biệt (discriminative) giữa các ảnh khác lớp Ở đây cần lưu ý là mỗi ảnh là một vector nên có thể dùng khái niệm hàm khoảng cách giữa hai vector để đo sự khác biệt giữa các ảnh 1.2 HỌC MÁY 1.2.1 Khái niệm Học máy [17] là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc phát triển các kĩ thuật cho phép các máy tính có thể "học" Cụ thể hơn, học máy. .. chương trình máy tính bằng việc phân tích các tập dữ liệu Học máy có liên quan lớn đến thống kê, vì cả hai lĩnh vực đều nghiên cứu việc phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp của các giải thuật trong việc thực thi tính toán Nhiều bài toán suy luận được xếp vào loại bài toán khó, vì thế một phần của học máy là nghiên cứu sự phát triển các giải thuật suy luận xấp xỉ... tâm (Centroid–base vector), tuyến tính bình phương nhỏ nhất (Linear Least Square Fit – LLSF) 1.2.2.3 Học bán giám sát Trong khoa học máy tính, học bán giám sát là một lớp của kỹ thuật học máy, sử dụng cả dữ liệu đã gán nhãn và chưa gán nhãn để huấn luyện - điển hình là một lượng nhỏ dữ liệu có gán nhãn cùng với lượng lớn dữ liệu chưa gán nhãn Học bán giám sát đứng giữa học không giám sát (không có bất... giải thuật suy luận xấp xỉ mà có thể xử lý được Học máy có tính ứng dụng rất cao bao gồm máy truy tìm dữ liệu, chẩn đoán y khoa, phát hiện thẻ tín dụng giả, phân tích thị trường chứng khoán, phân loại các chuỗi DNA, nhận dạng tiếng nói và chữ viết, dịch tự động, chơi trò chơi và cử động rô-bốt 1.2.2 Các phương pháp học máy 1.2.2.1 Học không giám sát Học không giám sát tiếng Anh là Unsupervised Learning,... tăng cường Học tăng cường [18] là phương pháp máy tính đưa ra quyết định hành động (action) và nhận kết quả phản hồi (response/reward) từ môi trường (environment) Sau đó máy tính tìm cách chỉnh sửa cách ra quyết định hành động của mình Các thuật toán học tăng cường được chia thành hai loại chính đó là: học dựa trên mô hình (model based) và học không có mô hình (model free) Đại điện cho kiểu học dựa trên... gia lớp học của học viên vào cơ sở dữ liệu thì tối thiểu ta cần phải có các file sau: 21 File students_list.txt Bảng 2.1: Chứa thông tin sinh viên Thuộc tính Loại dữ liệu Kích thước Mã sinh viên String 6 Tên sinh viên String MAX Mã học phần 6 String Tên học phần String MAX Mô tả Thuộc tính dùng để phân biệt các sinh viên Tên sinh viên trong hệ thống Thuộc tính dùng để phân biệt các học phần Tên học phần... 2.2: Chứa thông tin giáo viên Thuộc tính Loại dữ liệu Kích thước Mã giáo viên String 6 Tên giáo viên String MAX Mã học phần 6 String Tên học phần String MAX Mô tả Thuộc tính dùng để phân biệt các sinh viên Tên sinh viên trong hệ thống Thuộc tính dùng để phân biệt các học phần Tên học phần trong hệ thống File account.txt Bảng 2.3: Chứa thông tin về tài khoản Thuộc tính Loại dữ liệu Kích thước Mô tả Username... ProgrammingDP), đại diện cho kiểu học không có mô hình là phương pháp Monte Carlo và phương pháp TD (Temporal Difference) 1.2.3 Các mô hình học máy - Mô hình hóa các mật độ xác suất điều kiện; hồi quy và phân loại - Mô hình hóa các hàm mật độ xác suất qua các mô hình phát sinh - Các kỹ thuật suy luận xấp xỉ đúng - Thuật toán tiến hóa - Thuật toán bầy đàn 1.2.4 Ứng dụng học máy - Máy cảm giác - Computer vision... và ma trận - Kiểm tra, thử nghiệm, nhận xét và đánh giá kết quả 6 Bố cục của luận văn Cấu trúc của luận văn gồm có 4 phần như sau: Chương “MỞ ĐẦU” giới thiệu sơ bộ về lý do chọn đề tài, mục tiêu và nhiệm vụ, đối tượng và phạm vi nghiên cứu của đề tài Chương 1 “TỔNG QUAN NGHIÊN CỨU” giới thiệu hệ thống nhận dạng mặt người, học máy và các phương pháp thường dùng, các vấn đề đối mặt với hệ thống nhận dạng,...11 Vì những lý do như trên, tôi đề xuất chọn đề tài luận văn cao học: “Nghiên cứu phương pháp trích chọn đặc trưng ảnh xây dựng hệ thống phục vụ điểm danh và đánh giá thái độ học tập của sinh viên” 2 Ý nghĩa đề tài 2.1 Ý nghĩa khoa học Nghiên cứu sâu phương pháp trích xuất đặc trưng nhằm tăng hiệu quả cho các bài toán nhận dạng, phân lớp dữ ... Khoa học máy tính Mã số: 60.48.01.01 LUẬN VĂN THẠC SĨ KHOA HỌC KHOA HỌC MÁY TÍNH Hướng dẫn khoa học: TS PHẠM MINH TUẤN ĐÀ NẴNG – 2016 LỜI CAM ĐOAN Tôi xin cam đoan: - Những nội dung luận văn thực... niệm Học máy [17] lĩnh vực trí tuệ nhân tạo liên quan đến việc phát triển kĩ thuật cho phép máy tính "học" Cụ thể hơn, học máy phương pháp để tạo chương trình máy tính việc phân tích tập liệu Học. .. (Centroid–base vector), tuyến tính bình phương nhỏ (Linear Least Square Fit – LLSF) 1.2.2.3 Học bán giám sát Trong khoa học máy tính, học bán giám sát lớp kỹ thuật học máy, sử dụng liệu gán nhãn