Khai thác kết quả học tập sinh viên bằng mạng nơron nhân tạo

KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ & THỰC PHẨM SỐ 10/2016 39 
KHAI THÁC KẾT QUẢ HỌC TẬP SINH VIÊN BẰNG MẠNG NƠRON NHÂN TẠO 
 Bùi Công Danh, Lư Nhật Vinh 
Trường Đại học Công nghiệp Thực phẩm TP.HCM 
Ngày gửi bài: 20/5/2016 Ngày chấp nhận đăng: 28/9/2016 
TÓM TẮT 
Trong học chế tín chỉ quá trình chọn môn học tự chọn của sinh viên được xem như là một hệ thống với 
nhiều đầu vào và một đầu ra, trong đó các kết quả điểm tổng kết từng môn học trong quá khứ là đầu vào và kết 
quả điểm tổng kết của môn tự chọn là đầu ra. Bài báo trình bày về mạng nơron nhân tạo nhiều lớp với giải thuật 
học lan truyền ngược được áp dụng vào việc hỗ trợ sinh viên trong việc chọn môn học tự chọn sao phù hợp với 
năng lực của mình. 
DATA MINING LEARNING OUTCOMES OF STUDENT BY ARTIFICIAL NEURAL 
NETWORK 
ABSTRACT 
In the process of training subjects chosen by the students is considered as a system with multiple inputs 
and one output, which outlines the results for each subject in the past is the input and summarize points electives 
as output. This article presents an artificial neural network with multi-layer back-propagation learning algorithm 
is applied on assisting students in choosing electives stars suit their abilities. 
1. GIỚI THIỆU 
Trường Đại học Công nghiệp Thực phẩm Thành phố Hồ Chí Minh đã áp dụng hình thức 
học theo tín chỉ từ năm học 2006 đến nay. Theo tinh thần của học chế tín chỉ sinh viên có thể 
tự xây dựng kế hoạch học tập cho cả quá trình học của mình suốt khóa học. Có nghĩa là tùy 
theo năng lực và điều kiện của bản thân sinh viên sẽ đăng ký môn học nhiều hay ít trong mỗi 
học kỳ nhưng vẫn đảm bảo đúng thời hạn đào tạo theo qui định của Nhà trường trong bài báo 
này tác giả đề xuất mô hình tư vấn hỗ trợ sinh viên trong quá trình đăng ký môn học tự chọn 
sao cho phù hợp với điều kiện thời gian và năng lực nhằm tối ưu về mặt điểm tổng kết cho 
môn học tự chọn là một trong các boăn khoăn của sinh viên trong việc đăng ký môn tự chọn. 
Trong bài viết này, chúng tôi sẽ giới thiệu một cách tiếp cận sử dụng mạng nơron nhân 
tạo đã được áp dụng rộng rãi từ những năm 1980 trong các lĩnh vực như điều khiển thông 
minh, nhận dạng và xử lý tín hiệu. Một mạng nơron nhân tạo nhiều lớp với giải thuật học là 
thuật toán lan truyền ngược được áp dụng vào việc tư vấn chọn môn học tự chọn, mạng nơron 
này cho phép thiết lập một cầu nối giữa các thành phần điểm tổng kết của các môn học trong 
quá khứ và kết quả của môn học tự chọn trước khi sinh viên đăng ký học loại môn tự chọn 
này. Kết quả thực nghiệm bước đầu cho thấy mô hình tính khả quan của việc ứng dụng các 
phương pháp máy học vào hỗ trợ tư vấn chọn môn học tự chọn tại trường. 
2. MÔ HÌNH MẠNG NƠRON NHÂN TẠO 
Một nơron là một đơn vị xử lý thông tin và là thành phần cơ bản của một mạng nơron. 
Cấu trúc của một nơron được mô tả như hình dưới: 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ & THỰC PHẨM SỐ 10/2016 40 
Hình 1. Mô hình mạng nơron nhân tạo 
Các thành phần cơ bản của một nơron nhân tạo trong hình trên bao gồm: 
 Tập các đầu vào: Là các tín hiệu vào (input signals) của nơron, các tín hiệu này 
thường được đưa vào dưới dạng một vector N chiều. 
 Tập các liên kết: Mỗi liên kết được thể hiện bởi một trọng số (gọi là trọng số liên 
kết – Synaptic weight). Trọng số liên kết giữa tín hiệu vào thứ j với nơron k thường được kí 
hiệu là wkj. Thông thường, các trọng số này được khởi tạo một cách ngẫu nhiên ở thời điểm 
khởi tạo mạng và được cập nhật liên tục trong quá trình học mạng. 
 Bộ tổng (Summing function): Thường dùng để tính tổng của tích các đầu vào với 
trọng số liên kết của nó. 
 Ngưỡng (còn gọi là một độ lệch - bias): Ngưỡng này thường được đưa vào như 
một thành phần của hàm truyền. 
 Hàm truyền (Transfer function): Hàm này được dùng để giới hạn phạm vi đầu ra 
của mỗi nơron. Nó nhận đầu vào là kết quả của hàm tổng và ngưỡng đã cho. Thông thường, 
phạm vi đầu ra của mỗi nơron được giới hạn trong đoạn [0,1] hoặc [-1, 1]. Các hàm truyền 
rất đa dạng, có thể là các hàm tuyến tính hoặc phi tuyến. Việc lựa chọn hàm truyền nào là tùy 
thuộc vào từng bài toán và kinh nghiệm của người thiết kế mạng. 
 Đầu ra: Là tín hiệu đầu ra của một nơron, với mỗi nơron sẽ có tối đa là một đầu 
ra. 
3. BÀI TOÁN TƯ VẤN CHỌN MÔN HỌC TỰ CHỌN 
Để chuẩn bị cho thời khóa biểu học của mình các sinh viên phải đăng ký môn học theo 
chương trình đào tạo đối với các môn bắt buộc thì sinh viên chỉ được lựa chọn buổi học, 
nhóm học, thứ học, hoặc tiết học. 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ & THỰC PHẨM SỐ 10/2016 41 
Hình 2. Chương trình đào tạo học kỳ I ngành Công nghệ Thông tin 
Sau khi kết thúc mỗi môn học nhà trường thực hiện nhập điểm môn học vào phần mềm 
theo chương trình đào tạo của từng học kỳ. 
Ngày nay các chương trình đào tạo được thực hiện theo học chế tín chỉ nhằm tạo điều 
kiện thuận lợi cho quá trình học tập của sinh viên cũng như tăng cường khả năng tự học. 
Trong đó việc lựa chọn môn học phù hợp với thời gian, điều kiện đối với các môn bắt buộc 
theo chương trình đào tạo đã tạo ra một kết quả khả quan trong thời gian quan giúp sinh viên 
chủ động hơn trong việc học tập. Tuy nhiên bên cạnh đó cũng phát sinh một số boăn khoăn 
trong việc đăng ký môn học tự chọn như: Chọn môn học nào để phù hợp với năng lực? Chọn 
môn học nào để được điểm cao? .v.v. 
Hình 3. Môn tự chọn trong một học kỳ 
4. ỨNG DỤNG MẠNG NƠRON NHÂN TẠO VÀO TƯ VẤN CHỌN MÔN TỰ CHỌN 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ & THỰC PHẨM SỐ 10/2016 42 
 Để hỗ trợ cho sinh viên trong việc chọn môn tự chọn khi đăng ký học phần, giảm bớt 
các boăn khoăn trong quá trình đăng ký môn học tự chọn. Tác giả đề xuất mô hình khai thác 
dữ liệu học tập của các học kỳ trước nhằm phân tích năng lực học tập của từng đối tượng sinh 
viên và đưa ra lời gợi ý thích hợp cho từng môn học tự chọn trước khi đăng ký loại môn này. 
Hình 4. Mô hình tư vấn chọn môn học 
Cấu trúc tập tin sử dụng cho khai phá bằng mạng nơron. 
HuanLuyen.csv: mỗi dòng chứa 7 thành phần dữ liệu của các môn học được sắp xếp 
như các vectơ và dữ liệu đầu ra phải được đặt trong cột cuối cùng tương tự như hình sau: 
Hình 5. Cấu trúc tập tin dữ liệu huấn luyện dùng mạng nơron 
Mạng nơron nhân tạo 
Kết luận điểm từng 
môn tự chọn học kỳ 
tiếp theo 
{ Logic học, Tâm lý 
học đại cương, Kỹ 
năng giao tiếp } 
Mác – Lênin 
Toán cao cấp A1 
Vật lý đại cương 1 
Tin học đại cương 
TH tin học đại 
cương 
Pháp luật đại cương 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ & THỰC PHẨM SỐ 10/2016 43 
Kết quả hiện thực chương trình 
Hình 6. Màn hình chính 
Quá trình huấn luyện mạng 
Hình 7. Tải dữ liệu huấn luyện 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ & THỰC PHẨM SỐ 10/2016 44 
Hình 8. Chọn dữ liệu huấn luyện và dữ liệu kiểm tra 
Hình 9. Dữ liệu huấn luyện và kiểm tra 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ & THỰC PHẨM SỐ 10/2016 45 
Hình 10. Thông số huấn luyện mạng 
Hình 11. Quá trình huấn luyện 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ & THỰC PHẨM SỐ 10/2016 46 
Hình 12. Kết quả kiểm thử 
Nhận xét kết quả thực hiện chương trình 
Hình 13. Kết quả thực hiện kiểm thử lần 1 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ & THỰC PHẨM SỐ 10/2016 47 
Bảng 1. So sánh số liệu kiểm thử lần 1 
334 mẫu dữ liệu; Tập huấn luyện 90%; Kiểm thử 10% 
Số lần lặp 20000 
Sai số huấn luyện 0.01037 
Sai số kiểm thử 0.0119 
Hình 14. Kết quả thực hiện kiểm thử lần 1 
Bảng 2. So sánh số liệu kiểm thử lần 2 
334 mẫu dữ liệu; Tập huấn luyện 80%; Kiểm thử 20% 
Số lần lặp 20000 
Sai số huấn luyện 0.0106 
Sai số kiểm thử 0.01450 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ & THỰC PHẨM SỐ 10/2016 48 
Với kết quả như trên hoàn toàn chấp nhận được trong quá trình tư vấn điểm môn học 
cho sinh viên. 
5. KẾT LUẬN 
Việc sử dụng mạng nơron nhân tạo trong tư vấn kết quả học tập sinh viên là một 
phương pháp hiệu quả, khách quan và khoa học nhằm hỗ trợ cho sinh viên trong quá trình 
chọn môn học tự chọn. Quá trình cài đặt chương trình tư vấn môn học sử dụng mạng nơron 
nhân tạo đã thu được một số kết quả nhất định. Kết quả thực nghiệm cho thấy hoàn toàn có 
khả năng ứng dụng rộng rãi phương pháp này vào thực tế. 
TÀI LIỆU THAM KHẢO 
[1]. Đỗ Phúc, Giáo trình khai thác dữ liệu, Nhà xuất bản đại học quốc gia thành phố Hồ Chí 
Minh, 2005. 
[2]. Đỗ Thanh Nghị, Giáo trình khai thác dữ liệu, Nhà xuất bản đại học Cần Thơ, 2008. 
[3]. Hà Quang Thụy, Phan Xuân Hiếu, Đoàn Sơn, Nguyễn Trí Thành, Nguyễn Thu Trang, 
Nguyễn Cẩm Tú, Giáo trình Khai phá dữ liệu Web, NXB Giáo dục, 2009. 
[4]. Bài giảng Khai phá dữ liệu, Đại học Hàng Hải Việt Nam, 2011. 
[5]. Lê Đức Trung, Công nghệ phần mềm, Nhà xuất bản khoa học kỹ thuật, 2005. 
[6]. Pieter Adriaans, Dolf Zantinge, Data Mining, Addison - Wesley, 1998. 
[7]. T. Bhavani, Data Mining: Technologies, Techniques, Tools and Trends. CRC Press 1999. 
[8]. Robert Nisbet, John Elder, Gary Miner, Handbook of Statistical Analysis and Data 
Mining Applications, Elsevier Inc, 2009. 
[9]. Jiawei Han and Micheline Kamber, Data Mining Concepts and Techniques, Elsevier Inc, 
2006. 
[10]. Elmasri, Navathe, Somayajulu, Gupta, Fundamentals of Database Systems (the 4
th
Edition), Pearson Education Inc, 2004. 
[11]. P. N. Tan, M. Steinbach, V. Kumar, Introduction to Data Mining, Addison-Wesley, 
2006. 
[12]. Ian H., Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques, 
Morgan Kaufmann, 2005. 
[13]. M.Kantardzic: Data Mining: Concepts, Models, Method, and Algorithms, John Wiley & 
Sons, New York, NY, (2003). 
[14]. O'Reilly Media, Inc, 2009, Programming Entity Framework, 1st Edition. 
[15]. Rob Cameron and Dale Michalk, 2004, Building ASP.NET Server Controls.