Nghiên cứu của chúng tôi tập trung vào việc xây dựng một mô hình học sâu hiệu quả để hỗ trợ chẩn đoán bệnh phổi từ ảnh X-quang, đồng thời tích hợp mô hình này vào một quy trình MLOps hoàn chỉnh để đảm bảo khả năng triển khai, quản lí và cập nhật trong môi trường thực tế. Với mục tiêu cân bằng giữa độ chính xác và tính khả thi khi triển khai, trong quá trình nghiên cứu, chúng tôi đã đề xuất một mô hình lai mới mang tên Conv-MobileViT-Tiny với mong muốn kết hợp ưu điểm giữa các khối ConvNeXt và MobileViT để trích xuất các đặc trưng liên quan đến vùng ngực. Conv-MobileViT-Tiny đạt được AUC lên đến 90,65% trên bộ dữ liệu CheXpert, đồng thời có cấu trúc nhẹ, phù hợp để triển khai trong thực tế.
Trong nghiên cứu này, tôi đề xuất một mô hình lai nhẹ có tên là FusionNet, hướng đến hai mục tiêu chính: tối ưu về độ trễ suy luận và có độ chính xác nhận diện cao. Tốc độ thực thi của mô hình được cải thiện thông qua việc tối ưu hoá và kết hợp hai khối kiến trúc cốt lõi của ShuffleNet và SepVit. Bên cạnh đó, độ chính xác cao của mô hình xuất phát điểm từ thiết kế lai của mô hình, kết hợp hai khối kiến trúc tiềm năng nêu trên, đại diện cho hai loại hình kiến trúc CNN và Transformer.
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.
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.
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".
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.
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
