Đề tài "Ứng dụng kỹ thuật học máy để phân tích nhịp tim và dự báo nguy cơ mắc bệnh tim" được thực hiện với định hướng phát triển một hệ thống hỗ trợ ra quyết định lâm sàng (CDSS). Hệ thống này cho phép bác sĩ và nhân viên y tế nhập vào các thông số y học của bệnh nhân (như huyết áp, cholesterol, kết quả điện tâm đồ, nhịp tim tối đa, v.v.) và nhận được kết quả dự đoán nguy cơ mắc bệnh tim, từ đó hỗ trợ quá trình chẩn đoán và tư vấn điều trị một cách hiệu quả và chính xác hơn.
Đồ án này tập trung vào các loại ung thư phổ biến như ung thư da, ung thư vú, bởi vì đây là những bệnh lý có tỷ lệ mắc cao và có dữ liệu y khoa phong phú để thử nghiệm.
Trong bối cảnh mạng máy tính không ngừng phát triển cả về quy mô lẫn độ phức tạp, cùng với sự gia tăng nhanh chóng của các ứng dụng yêu cầu độ trễ thấp như hội nghị truyền hình, trò chơi trực tuyến hay điều khiển từ xa theo thời gian thực, các hệ thống mạng hiện đại buộc phải đảm bảo tính linh hoạt, khả năng mở rộng và hiệu quả trong việc giám sát, điều phối. Trước yêu cầu đó, mô hình Mạng điều khiển bằng phần mềm - Software Defined Networking (SDN) đã ra đời như một giải pháp mang tính cách mạng, cho phép tách biệt rõ ràng giữa mặt điều khiển và mặt dữ liệu, từ đó hỗ trợ quản lý mạng một cách tập trung, linh hoạt và dễ dàng mở rộng.
Đồ án này nghiên cứu và phát triển giải pháp ứng dụng thuật toán tối ưu bầy đàn (Particle Swarm Optimization - PSO) vào lĩnh vực học liên kết phân tán (Federated Learning) nhằm cải thiện hiệu quả huấn luyện mô hình học máy trên dữ liệu phân tán và bảo vệ tính riêng tư. Đề tài sử dụng framework Flower, một nền tảng mã nguồn mở hỗ trợ xây dựng hệ thống FL linh hoạt và mở rộng, làm môi trường triển khai.
Đồ án này trình bày một giải pháp kết hợp công nghệ Blockchain và Internet of Things (IoT) nhằm xây dựng hệ thống quản lý chuỗi cung ứng cà phê minh bạch và hiệu quả. Các thiết bị IoT được sử dụng để thu thập dữ liệu theo thời gian thực tại các giai đoạn như trồng trọt, thu hoạch, chế biến và vận chuyển. Các dữ liệu này sau đó được mã hóa và ghi nhận bất biến lên chuỗi khối, giúp tạo lập cơ sở truy xuất nguồn gốc tin cậy.
Nghiên cứu nhằm phát triển, huấn luyện mô hình Deep Learning (DL) có khả năng giám
sát và dự đoán số lượng xe trong tương lai từ dữ liệu lịch sử bãi xe. Xây dựng thành hệ
thống hoàn chỉnh để hỗ trợ quản lý giao thông hiệu quả hơn.
Mục đích của khóa luận này là xây dựng một hệ thống giám sát môi trường sống, với hy vọng sẽ đóng góp một phần nhỏ vào việc phát triển chăn nuôi hiện đại, áp dụng các công nghệ đang là xu hướng hiện nay. Phạm vi nghiên cứu tập trung vào bốn yếu tố ảnh hưởng đến sức khỏe của dê (nhiệt độ, độ ẩm, nồng độ NH3, nồng độ H2S), để có thể tập trung giải quyết các yếu tố này.
Khóa luận không chỉ cung cấp cơ sở lý thuyết và quy trình thực nghiệm chi tiết mà còn đề xuất hướng mở rộng khả thi nhằm cải thiện hiệu quả phát hiện bot, phục vụ cho các ứng dụng bảo mật trong thực tế.
Hiện nay, với sự gia tăng nhanh chóng của dân số già trên toàn thế giới, việc đảm bảo an toàn và chất lượng cuộc sống cho người cao tuổi ngày càng trở nên cấp thiết. Té ngã là một trong những nguyên nhân hàng đầu gây chấn thương nghiêm trọng và tử vong ở người cao tuổi. Do đó, việc xây dựng các hệ thống phát hiện té ngã hiệu quả là rất cần thiết để hỗ trợ công tác giám sát và can thiệp kịp thời, giúp giảm thiểu rủi ro và hậu quả của các sự cố này.
Sự gia tăng nhanh chóng của phương tiện giao thông trên đường đã dẫn đến nhiều thách thức nghiêm trọng như tắc nghẽn giao thông, vấn đề an toàn và tác động tiêu cực đến môi trường. Điều khiển tín hiệu giao thông đóng vai trò quan trọng trong việc giải quyết các thách thức này thông qua việc cải thiện an toàn giao thông đường bộ, giảm thiểu tắc nghẽn và giảm khí thải từ phương tiện. Theo truyền thống, hệ thống điều khiển đèn giao thông dựa trên phương pháp thời gian cố định sử dụng phương pháp Webster, dựa vào dữ liệu giao thông lịch sử để xác định thời gian tín hiệu cố định, không thay đổi theo điều kiện giao thông thực tế.
