Nghiên cứu thuật toán K - Nearest neighbor và sử dụng iris flowers dataset đánh giá hiệu quả thuật toán

Hầu hết mọi nghành công nghiệp đang làm việc với hàm lượng lớn dữ liệu đều nhận ra tầm quan trọng của công nghệ ML. Những cái nhìn sáng suốt từ nguồn dữ liệu này – chủ yếu dạng thời gian thực – sẽ giúp các tổ chức vận hành hiệu quả hơn hoặc tạo lợi thế cạnh tranh so với các đối thủ.

Các ứng dụng của ML đã quá quen thuộc với con người: xe tự hành của Google và Tesla, hệ thống tự tag khuôn mặt trên Facebook, hệ thống gợi ý sản phẩm của Amazon, hệ thống gợi ý phim của Netflix…, chỉ là một vài trong vô vàn những ứng dụng của trí tuệ nhân tạo và cụ thể là ML.

NỘI DUNG:

DANH MỤC TỪ VIẾT TẮT 4

DANH MỤC BẢNG BIỂU 5

DANH MỤC HÌNH ẢNH, ĐỒ THỊ 6

MỞ ĐẦU 8

1. Đặt vấn đề 8

2. Mục đích nghiên cứu 9

3. Phạm vi và đối tượng nghiên cứu 9

4. Nội dung thực hiện 10

5. Cấu trúc đồ án 10

CHƯƠNG 1. CƠ SỞ LÝ THUYẾT 11

1.1. Machine Learning 11

1.1.1. Định nghĩa 11

1.1.2. Một số phương thức của Machine Learning 11

1.2. Bài toán phân lớp dữ liệu 13

1.2.1. Quá trình phân lớp dữ liệu 13

CHƯƠNG 2: THUẬT TOÁN K-NEAREST NEIGHBOR 15

2.1. Thuật toán k-nearest neighbor 15

2.1.1. Định nghĩa 15

2.1.2. Quy trình làm việc của thuật toán KNN 15

2.1.3. Ví dụ minh họa 15

2.1.4. Ví dụ về Knn nhiễu 17

2.1.5. Ưu điểm, nhược điểm của thuật toán 17

2.2. Khoảng cách trong không gian vector 18

2.2.1. Định nghĩa 18

2.2.2. Một số norm thường dùng 18

CHƯƠNG 3: THỬ NGHIỆM 21

3.1. Bộ dữ liệu Iris flower dataset 21

3.1.1. Giới thiệu 21

3.1.2. Sử dụng tập dữ liệu 22

3.1.3. Tập dữ liệu 23

3.2. Cài đặt 31

3.2.1. Cài đặt python 3.6 31

3.2.2. Thử nghiệm 36

CHƯƠNG 4: KẾT LUẬN 41

TÀI LIỆU THAM KHẢO 42

LINK DOWNLOAD