Bài thuyết trình Ứng dụng khai thác dữ liệu (Data Mining and Application): Sequential Pattern Mining cung cấp kiến thức nền tảng về khai thác mẫu tuần tự từ dữ liệu chuỗi. Bài thuyết trình trình bày khái niệm, các phương pháp khai thác, ứng dụng thực tế và kết quả thực nghiệm. Đây là công cụ hữu ích để phát hiện các chuỗi hành vi hoặc sự kiện thường lặp lại trong dữ liệu. Mời các bạn cùng tham khảo để biết thêm chi tiết!

Luận văn Thạc sĩ Hệ thống thông tin "Nguyên cứu ứng dụng mô hình ANFIS vào bài toán dự báo trên dữ liệu chuỗi thời gian" trình bày các nội dung chính sau: Tổng quan logic mờ và mạng nơ-ron nhân tạo; Thuật toán ANFIS và bài toán dự báo dữ liệu chuỗi thời gian; Ứng dụng thuật toán ANFIS vào bài toán dự báo dữ liệu chuỗi thời gian.

Bài giảng "Kinh tế lượng ứng dụng" Chương 1 - Phân tích dữ liệu cơ bản, được biên soạn với mục tiêu giúp các bạn học có thể phân biệt được các dạng cấu trúc dữ liệu khác nhau; Hiểu và thực hiện được các kỹ thuật xử lý liệu căn bản: vẽ sơ đồ dữ liệu, thống kê mô tả, chuyển dạng dữ liệu; Giải thích ý nghĩa của các cách tính lợi nhuận trong tài chính; Mô tả được các bước xây dựng mô hình kinh tế lượng.

Bài viết đưa ra giải pháp thường xuyên cập nhật địa chỉ IP vào địa chỉ tên miền đã được xác định thông qua dịch vụ miễn phí của Duck Duck DNS. Đồng thời với giải pháp tự xây dựng máy chủ chứa dữ liệu chuỗi thời gian, tác giả đã xây dựng thành công hệ thống điều khiển giám sát và lưu trữ dữ liệu lớn dựa trên nền tảng mã nguồn mở. Ngoài ra, hệ thống không sử dụng dịch vụ điện toán đám mây, đảm bảo tính riêng tư và bảo mật trên môi trường Internet.

Bài giảng "Trực quan hóa: Chương 0 - Giới thiệu môn học" bao gồm định nghĩa, mục tiêu, nội dung chính và phương pháp giảng dạy. Sinh viên sẽ hiểu rõ tầm quan trọng của trực quan hóa dữ liệu trong việc phân tích, trình bày và ra quyết định dựa trên dữ liệu.

Bài giảng "Trực quan hóa: Chương 6 - Dữ liệu chuỗi thời gian" cung cấp cho sinh viên những kiến thức như: Khái niệm dữ liệu chuỗi thời gian; đặc điểm của chuỗi thời gian; phát hiện outliers; phát hiện yếu tố cycles và seasons; xử lý dữ liệu khuyết;... Mời các bạn cùng tham khảo!

Bài viết đưa ra phương pháp sử dụng mô hình học sâu Long Short-Term Memory trong dự đoán giá trị cổ phiếu và nghiên cứu tổng quan về mô hình này. Kết quả bài báo có thể dự đoán được xu hướng giá trị cổ phiếu của giá đóng điều chỉnh với sai số độ lệch bình phương trung bình gốc, sai số tuyệt đối trung bình lần lượt là 0,1387 và 0,1007.

Bài giảng Phân tích chuỗi thời gian trong tài chính - Chương 0: Giới thiệu môn học. Chương này giới thiệu tổng quan về môn học; nội dung chi tiết từng chương; kế hoạch về đề tài môn học; đánh giá kết quả môn học. Mời các bạn cùng tham khảo!

Bài viết "Các độ đo khoảng cách trên chuỗi dữ liệu thời gian ứng dụng trong phân tích và quản trị dữ liệu thông minh (Distance measures for Time series data in Smart Data Analytics and Management)" giới thiệu một số phương pháp xác định độ đo khoảng cách thường áp dụng trong việc xác định khoảng cách khác biệt giữa các điểm dữ liệu trong chuỗi dữ liệu theo thời gian. Đây là một vấn đề quan trọng trong việc xây dựng mô hình các bài toán về quản trị dữ liệu thông minh và phân tích dữ liệu thông minh trên các chuỗi dữ liệu theo thời gian (Time Series Data). Mời các bạn cùng tham khảo!

Bài giảng Dự báo trong kinh doanh - Chương 4.2: Dự báo bằng phương pháp Box-Jenkins. Chương này cung cấp cho học viên những nội dung về: tính tương quan trong dữ liệu chuỗi thời gian; tính dừng của chuỗi thời gian; mô hình Box-Jenkins (ARIMA); mô hình Box-Jenkins cho chuỗi thời gian có tính mùa vụ (SARIMA);... Mời các bạn cùng tham khảo chi tiết!

Nội dung chính của luận văn được trình bày trong 3 chương: Chương 1 - Giới thiệu chung về dữ liệu chuỗi thời gian; Chương 2 - Một số kỹ thuật ngoại suy; Chương 3 - Áp dụng kỹ thuật ngoại suy vào bài toán dự báo. Mời các bạn cùng tham khảo!

Mục tiêu nghiên cứu đề tài nhằm nghiên cứu về tập dữ liệu trong biến động theo thời gian, để tìm ra quy luật hoặc những đặc tính cơ bản của tập dữ liệu. Xây dựng mô hình dự báo trên cơ sở các quy luật hoặc các đặc tính của tập dữ liệu thực tế và tiến hành huấn luyện, kiểm tra bằng các thuật toán phù hợp. Phân tích tập dữ liệu bằng các phương pháp mới, đó là việc tích hợp toán thống kê kinh điển và hiện đại.

Mục tiêu nghiên cứu của đề tài là phát triển mô hình để dự báo dữ liệu chuỗi thời gian bằng cách tích hợp phương pháp cửa sổ dịch chuyển và mô hình máy véc-tơ hỗ trợ được tối ưu bởi thuật toán con đom đóm. Mô hình dự báo được phát triển trên ngôn ngữ lập trình MATLAB; Nâng cao độ chính xác và độ tin cậy trong việc dự báo dữ liệu chuỗi thời gian.

Luận án đề xuất một phương pháp thu giảm số chiều mới thỏa điều kiện chặn dưới và có thể kết hợp với một cấu trúc chỉ mục đa chiều hỗ trợ việc tìm kiếm tương tự hữu hiệu, ứng dụng phương pháp đề xuất vào bài toán phát hiện motif theo hướng tiếp cận xấp xỉ, ứng dụng phương pháp đề xuất vào bài toán gom cụm theo phương pháp gom cụm có thời gian thực thi tùy chọn, ứng dụng phương pháp đề xuất vào bài toán tìm kiếm tương tự trên chuỗi thời gian dạng luồng và ứng dụng phương pháp thu giảm số chiều đã đề xuất vào bài toán dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa.

Bài giảng "Kinh tế học quản lý - Chương 2.2: Dự báo trong kinh doanh" trình bày các quy trình dự báo, khảo sát dữ liệu và lựa chọn mô hình bao gồm: Quy trình dự báo, khảo sát dữ liệu chuỗi thời gian, khảo sát dữ liệu bằng phân tích tự tương quan, lựa chọn mô hình dự báo, ôn tập thống kê cơ bản.

Chương này cung cấp cho người học kiến thức về quy trình dự báo, khảo sát dữ liệu và lựa chọn mô hình trong dự báo kinh doanh. Nội dung chính trong chương này gồm có: Quy trình dự báo, khảo sát dữ liệu chuỗi thời gian, khảo sát dữ liệu bằng phân tích tự tương quan, lựa chọn mô hình dự báo, ôn tập thống kê cơ bản.

Luận án Tiến sĩ Khoa học máy tính: Khai phá dữ liệu chuỗi thời gian dựa vào rút trích đặc trưng bằng phương pháp điểm giữa và kỹ thuật xén nhằm đề xuất cách tiếp cận mới cho một số bài toán khai phá dữ liệu chuỗi thời gian. Mời bạn đọc cùng tham khảo.