Bài giảng Học máy thống kê: Support Vector Machine (Máy vectơ hỗ trợ) giới thiệu cơ sở lý thuyết của SVM, phân biệt giữa biên mềm và biên cứng, đồng thời khám phá ứng dụng SVM trong hồi quy và kỹ thuật Kernel SVM. Bạn sẽ hiểu cách SVM tạo ra siêu phẳng tối ưu để phân tách dữ liệu. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài viết này được tổ chức thành năm phần bao gồm cả phần giới thiệu. Trong phần 2, chúng tôi trình bày về dữ liệu của quảng cáo hiển thị và giảm chiềuvector đặc trưng bằng kĩ thuật băm. Sau đó, kết quả thực nghiệm về mô hình SVM sẽ được trình bày trong phần 3. Cuối cùng, kết luận về bài báo được chúng tôi trình bày trong phần 4. Phần cuối cùng là tài liệu tham khảo liên quan.

Nghiên cứu này tập trung vào việc nhận dạng giọng nói bằng hai bộ công cụ: Histogram of Oriented Gradient (HOG) kết hợp với Support Vector Machine (SVM) và mạng nơ-ron tích chập (Convolution Neural Network - CNN). Sau khi thu được bộ dữ liệu đặc trưng của âm thanh Mel Frequency Celtral Coefficient (MFCC), các dữ liệu này sẽ được sử dụng để huấn luyện các mô hình phân loại.

Bài viết đề xuất một phương pháp mới cho phép phân loại hiệu quả các tập dữ liệu bất cân bằng. Phương pháp này phân cụm lớp đa số dùng thuật toán k-means và lấy mẫu lên lớp thiểu số dùng kỹ thuật SMOTE.

Nghiên cứu này đề xuất một phương pháp mới để chẩn đoán hư hỏng ổ lăn trong đó chúng tôi sử dụng hàm tích (PF) của phương pháp phân rã trung bình cục bộ (LMD) kết hợp với mô hình tự hồi quy (AR) và máy véc tơ hỗ trợ (SVM).

Bài giảng Khai phá dữ liệu (Data mining): Support vector machine, chương này trình bày những nội dung về: ôn tập Đại số tuyến tính; bộ phân loại và biên độ phân loại; SVM tuyến tính - bài toán tối ưu hóa; phân loại ký quỹ cứng và mềm; SVM phi tuyến tính;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Luận văn "Áp dụng độ đo entropy cho bài toán tách đặc trưng của bọt khí trên video và đề xuất kết hợp SVM cho vấn đề tự động theo dõi sục khí tại trạm quan trắc môi trường" được hoàn thành với mục tiêu nhằm nghiên cứu về học máy cùng một số thuật toán học máy giúp huấn luyện và phân lớp dữ liệu ảnh mẫu nhằm đưa ra được mô hình học phân lớp tốt nhất có thể, giúp phát hiện nhận dạng đúng hiện tượng ảnh có bọt khí (trường hợp bể nuôi có sục khí) hay không bọt khí (trường hợp bể nuôi không được sục khí) chính xác nhất có thể.

Bài giảng Nhập môn Học máy và Khai phá dữ liệu - Chương 11: Máy vector hỗ trợ (SVM). Chương này cung cấp cho học viên những nội dung về: giới thiệu máy vectơ hỗ trợ; siêu phẳng phân tách; phân tách tuyến tính (linear separability); bài toán cực tiểu hóa có ràng buộc đẳng thức;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Giải pháp phát hiện người bán hàng gian lận trong thị trường trực tuyến bằng phương pháp học máy SVM gồm các nội dung chính như: Gian lận thương mại; Giải pháp máy véc tơ hỗ trợ (Support vector machine – SVM); Quy trình phát hiện người bán hàng gian lận. Mời các bạn cùng tham khảo!

Bài giảng Vector hỗ trợ trong máy học (SVM) cung cấp cho người học những kiến thức như: Trực quan hóa kết quả mô hình; Support Vector Regression; Huấn luyện mô hình; Trực quan hóa dữ liệu;...Mời các bạn cùng tham khảo!

Mục đích nghiên cứu của Luận văn này nhằm xây dựng và thử nghiệm mô hình phát hiện botnet trên các thiết bị IoT bằng thuật toán One-class SVM. Để hiểu rõ hơn mời các bạn cùng tham khảo thông tin chi tiết Luận văn này.

Mục đích nghiên cứu của Luận văn này nhằm xây dựng và thử nghiệm mô hình phát hiện botnet trên các thiết bị IoT bằng thuật toán One-class SVM. Để hiểu rõ hơn mời các bạn cùng tham khảo nội dung chi tiết của Luận văn này.

Luận văn thực hiện mô hình hóa bài toán dưới dạng một bài toán phân lớp đa nhãn. Trong đó mỗi câu hỏi có thể thuộc một hoặc nhiều lĩnh vực khác nhau. Luận văn thực hiện phân loại câu hỏi sử dụng cách tiếp cận học máy giám sát, cụ thể là sử dụng một số mô hình truyền thống SVM và mô hình BERT[18, 6]. Kết quả thực nghiệm tốt nhất đạt được khi sử dụng mô hình BERT là 89,47% (độ đo F1).

Luận văn thực hiện mô hình hóa bài toán dưới dạng một bài toán phân lớp đa nhãn. Trong đó mỗi câu hỏi có thể thuộc một hoặc nhiều lĩnh vực khác nhau. Luận văn thực hiện phân loại câu hỏi sử dụng cách tiếp cận học máy giám sát, cụ thể là sử dụng một số mô hình truyền thống SVM và mô hình BERT[18, 6]. Kết quả thực nghiệm tốt nhất đạt được khi sử dụng mô hình BERT là 89,47% (độ đo F1). Mơi các bạn tham khảo!

"Bài thuyết trình Thiết kế bộ điều khiển cho mạch nghịch lưu 3 pha sử dụng phương pháp điều chế SVM ở chế độ độc lập" tìm hiểu về phương pháp điều chế SVM; cấu trúc thiết kế đối với chế độ nối lưới; cấu trúc điều khiển điều chế SVM chế độ độc lập; mô phỏng bộ điều khiển cho mạch nghịch lưu 3 pha sử dụng phương pháp điều chế SVM ở chế độ độc lập.

In this paper we present an approach to estimate the age of paddy in drone images using the Support Vector Machines - SVM and Histogram method.

The purpose of this research is to develop an early warning system model that can anticipate the occurrence of delisting of Islamic stocks (ISSI) using Support Vector Machines (SVM).

Trong luận văn này, hệ thống giám sát bò được thiết kế dựa trên kỹ thuật mạng cảm biến không dây Zigbee. Hệ giám sát được xây dựng gồm hệ cơ sở dữ liệu giúp lưu trữ trạng thái trực tiếp của bò, một máy tính cỡ nhỏ giúp xử lý và đưa ra trạng thái của bò, đây cũng đóng vai trò là nút điều phối cho mạng cảm biến, và các nút mạng được gắng trên bò gồm 02 thiết bị thu dữ liệu chuyển động gồm một thiết bị gắn trên chân và một thiết bị được gắng trên cổ bò. Thuật toán nhận dạng và phân loại hành vi của bò được sử dụng trong hệ thống là hai thuật toán học máy: thuật toán cây quyết định và thuật toán SVM. Luận văn đưa ra đánh giá cụ thể về hiệu năng của hai thuật toán này. Mời các bạn cùng tham khảo.

Trong thời đại công nghệ thông tin hiện nay, sự phát triển của công nghệ kéo theo sự gia tăng rất lớn của lưu lượng thông tin lưu trữ và trao đổi. Do đó, yêu cầu về tổ chức lưu trữ và truy cập thông tin sao cho hiệu quả được đặt lên hàng đầu. Hướng giải quyết được đưa ra là tổ chức, tìm kiếm và phân loại thông tin một cách hiệu quả.

Bài thuyết trình: Thuật toán máy hỗ trợ vector (support vector machine-SVM) có kết cấu gồm 3 chương. Chương I - Phát biểu bài toán, trình bày tóm tắt về phân lớp dữ liệu, tại sao lại sử dụng thuật toán SVM để phân lớp dữ liệu? Chương II - Thuật toán máy hỗ trợ vector(SVM) trình bày định nghĩa, mục đích, mô hình giải thuật, các câu hỏi, giải quyết, transductive support vector machine(TSVM). Chương III - Ứng dụng của SVM.