Hệ thống đánh giá chất lượng đường bộ một cách tự động
Tổng quan đồ án
Ngày nay, với sự phát triển mạnh mẽ của kinh tế xã hội, Việt Nam nói riêng và thế giới...
Nghiên cứu và xây dựng thuật toán máy học dùng để ước lượng chất lượng đường truyền kết nối không dây cho các thiết...
Thông thường, để đánh giá chất lượng của đường liên kết không dây có hai cách, cách đầu tiên là sử dụng các phương pháp truyền thống, và cách thứ hai là sử dụng các mô hình học máy để đánh giá trên một tập dữ liệu thể hiện các thông tin của một kết nối và nhãn chính là chất lượng của kết nối đó. Tuy nhiên, tôi chỉ tập trung vào nghiên cứu và áp dụng mô hình ML để học trên một tập dữ liệu và bỏ qua các phương pháp truyền thống vì máy học là phương pháp tiềm năng và linh hoạt hơn.
Nghiên cứu và Xây dựng mô hình lai dựa trên học sâu để xác định các trang web lừa đảo
Một trong những phương pháp phát hiện lừa đảo phổ biến nhất là hệ thống signaturebased. Hệ thống signature-based thường bao gồm một danh sách đen các URL bị từ chối, trong đó URL của web đến được so sánh với tất cả các URL trong danh sách. Nếu tìm thấy kết quả khớp chính xác, URL đến sẽ bị đánh dấu là độc hại và sẽ bị loại bỏ hoặc cảnh báo sẽ được đưa ra cho người dùng. Mặc dù phương pháp này mang lại tỷ lệ false positive thấp và dễ triển khai nhưng nó có một số hạn chế.
Hệ thống quản lý IoT với khả năng dự đoán lượng mưa dựa trên AI
Trong đề tài này, nhóm chúng em sẽ thực hiện triển khai hệ thống quản lí thiết bị IoT sử dụng dự án mã nguồn mở Openremote. Sau đó mở rộng và tuỳ chỉnh hệ thống để hoạt động trên nền tảng di động. Cuối cùng là đề xuất và tích hợp mô hình dự đoán mưa BiLSTM kết hợp ECA và Attention vào hệ thống để khai thác dữ liệu từ thiết bị. Mô hình dự đoán được huấn luyện bằng bộ dữ liệu "Vietnam weather Data"với 10 đặc tính và cho ra kết quả chính xác 80% (được tính trung bình sau 10 lần thử nghiệm gần nhất). Ngoài ra, nhóm chúng em còn sử dụng kiến trúc mô hình tương tự nhưng được huấn luyện trên bộ dữ liệu "Rain in Australia"để đánh giá và so sánh hiệu suất với các mô hình từ những nghiên cứu khác có sử dụng chung bộ dữ liệu "Rain in Australia".
Dự đoán lượng mưa bằng phương pháp máy học với nhiều nguồn dữ liệu
Luận văn này nghiên cứu và phát triển mô hình Machine Learning nhằm dự đoán lượng mưa từ nhiều nguồn dữ liệu thời tiết khác nhau. Mục tiêu chính là cải thiện độ chính xác và hiệu quả của các dự báo lượng mưa, góp phần hỗ trợ các quyết định quan trọng trong nông nghiệp, quản lý tài nguyên nước và phòng chống thiên tai.
Thiết kế mô hình học sâu kết hợp wavelet transform cho bài toán dự đoán chất lượng không khí
Trong khóa luận này,chúng em đã xây dựng mô hình mutil input model dựa trên kiến trúc Bidirectional Long Short Term-Memory và kết hợp với phép biến đổi wavelet. Mô hình đề xuất của chúng em bao gồm nhiều đầu vào, mỗi đầu vào là dữ liệu không khí của mỗi khu vực, để tận dụng được dữ liệu không khí của các khu vực lân cận khu vực mục tiêu mà chúng em muốn dự đoán để tăng cường nguồn dữ liệu. Bên cạnh đó, chúng em sử dụng phép biến đổi wavelet để phân tách dữ liệu mỗi khu vực thành các thành phần tần số khác nhau để trích xuất các thông tin đặc trưng và các mối quan hệ trên miền tần số của dữ liệu. Cuối cùng, chúng em sử dụng Bi-Autoencoder để trích xuất đặt trưng dựa trên kết hợp dữ liệu đã phân tách với dữ liệu ban đầu
Hệ thống đánh giá chất lượng đường liên kết mạng Wifi sử dụng mô hình máy học
Tổng quan đồ án
Internet of Things (IoT) đang ngày càng phổ biến hơn và được áp dụng vào rất nhiều lĩnh vực, có...
Xây dựng mô hình thùng rác thông minh cho một thành phố tân tiến hơn
Trong phạm vi đề tài chúng tôi tập trung vào việc thu thập các tập dữ liệu về rác và đề xuất một data loader để quản lý và xử lý các tập dữ liệu này. Sau đó sẽ thực hiện benchmark các mô hình học máy trên các tập dữ liệu có trong data loader, báo cáo kết quả benchmark nhằm lựa chọn ra một mô hình tốt nhất.
Đề xuất của chúng tôi cung cấp một giải pháp toàn diện để thu nhập và quản lý các tập dữ liệu về rác. Data loader được đề xuất giúp tải và chuẩn bị dữ liệu rác một cách tiện lợi và hiệu quả cho quá trình huấn luyện và kiểm tra mô hình. Việc benchmark các mô hình trên các tập dữ liệu trong data loader và lựa chọn mô hình tốt nhất giúp xác định mô hình có hiệu suất tốt nhất cho bài toán xử lý rác.
Cải tiến mô hình phát hiện tấn công giả mạo bằng bộ dữ liệu mới và giải pháp học sâu
Nhận thấy những hạn chế của các hệ thống phát hiện dựa trên sự bất thường, chúng tôi đề xuất tập dữ liệu tự thu thập của mình với các tính năng và mẫu mở rộng cũng như mô hình học sâu dạng bảng để phát hiện các cuộc tấn công lừa đảo. Chi tiết hơn, tập dữ liệu được xây dựng từ các nguồn tấn công lừa đảo hiện đại, chẳng hạn như: OpenPhish, PhishTank, PhishStats và Alexa. Tất cả đều bao gồm các cuộc tấn công lừa đảo đang hoạt động vào năm 2023. Quy trình thu thập dữ liệu và trích xuất tính năng là cũng được trình bày chi tiết trong bài viết này. Ngoài ra, chúng tôi đề xuất mô hình học sâu dựa trên TabTransformer để phát hiện các cuộc tấn công lừa đảo và đánh giá hiệu suất của mô hình được đề xuất trên tập dữ liệu tự thu thập của chúng tôi.
