Nghiên cứu này đề xuất thêm một lớp phân loại Softmax sau VGG16 sẽ cho ra kết quả có độ chính xác cao hơn. Các mô hình học sâu được nghiên cứu ở đây sử dụng cốt lõi Mạng nơ-ron tích chập (CNN) là một trong những mạng tiên tiến nhất trong thị giác máy tính, chứng tỏ được khả năng phân loại hình ảnh một cách hiệu quả. | Lê Minh Hóa ĐÁNH GIÁ HIỆU SUẤT CÁC THUẬT TOÁN TRÍ TUỆ NHÂN TẠO TRONG PHÂN LOẠI RÁC THẢI Lê Minh Hóa Khoa Công nghệ thông tin 2 Học viện Công nghệ Bưu chính Viễn thông Tóm tắt Phân loại rác thải là một bài toán lớn trong 1 tự học từ dữ liệu. Đến đầu những năm 90 Breiman thị giác máy tính và hiện nay có nhiều hướng tiếp cận đưa Quinlan và các cộng sự đã đề xuất các thuật toán cây quyết ra giải pháp trong đó hướng sử dụng trí tuệ nhân tạo đạt định như CART 1 ID3 2 Cây quyết định phân mức độ hiệu quả chính xác đáng kể. Trong bài báo này loại dữ liệu thông qua một chuỗi các luật quyết định dự các thuật toán phân loại trong học máy như cây quyết định đoán đưa ra giá trị gì dựa trên những tình trạng nào. Ở đó thuật toán rừng ngẫu nhiên SVM PCA và mô hình học mỗi node của cây sẽ là các thuộc tính và các nhánh là giá sâu tiêu biểu VGG16 được nghiên cứu đánh giá so sánh trị lựa chọn của thuộc tính đó. Bằng cách đi theo các giá trị thuộc tính trên cây cây quyết định sẽ cho biết giá trị dự hiệu quả trong việc phân loại. Nghiên cứu này đề xuất đoán. Nhóm thuật toán cây quyết định có một điểm mạnh thêm một lớp phân loại Softmax sau VGG16 sẽ cho ra kết đó là có thể sử dụng cho cả bài toán Phân loại quả có độ chính xác cao hơn. Các mô hình học sâu được Classification và Hồi quy Regression . Thuật toán cây nghiên cứu ở đây sử dụng cốt lõi Mạng nơ-ron tích chập quyết định vẫn được sử dụng rộng rãi trong một số bài toán CNN là một trong những mạng tiên tiến nhất trong thị hiện nay. giác máy tính chứng tỏ được khả năng phân loại hình ảnh một cách hiệu quả. Kết quả từ mô hình đề xuất đã được cải Vào năm 2001 Breiman đưa ra thuật toán rừng ngẫu thiện với độ chính xác so với sử dụng mô hình CNN nhiên random forest 3 . Rừng ngẫu nhiên là một thuật truyền thống trong điều kiện bộ dữ liệu có số lượng mẫu toán học có giám sát. Như tên gọi của nó rừng ngẫu nhiên nhỏ. Trong tương lai gần các mô hình học sâu sẽ hỗ trợ sử dụng các cây quyết định để làm nền tảng. Rừng ngẫu nhiên là một
