Tổng quan
Đồ án Machine Learning giải quyết 3 bài toán kinh điển: (1) Khảo sát thực nghiệm các thuật toán tối ưu hóa Gradient Descent trên bài toán hồi quy Boston Housing; (2) Dự báo giá mở cửa cổ phiếu (Stock Open Price) theo chuỗi thời gian bằng cửa sổ trượt sequence_length = 60; (3) Phân loại chữ số viết tay MNIST bằng mạng CNN tích chập.
Kiến trúc Hệ thống
Đa dạng cấu trúc mô hình: Mạng nơ-ron hồi quy FFNN (Dense 50-50-1) và Stacked LSTM cho chuỗi thời gian; Mạng CNN phân loại ảnh (Conv2D 32 -> MaxPool -> Conv2D 64 -> MaxPool -> Dense 128 -> Dropout 0.5 -> Softmax 10); Mô hình cơ sở Decision Tree Regressor và Hồi quy tuyến tính.
Dữ liệu & Cơ sở dữ liệu
Tập dữ liệu HousingData.csv (506 dòng x 14 cột) cho bài toán tối ưu; Tập dữ liệu tài chính data_src_2.csv (6816 dòng x 10 cột gồm OHLCV, Ticker, Industry, GDP) cho bài toán dự báo chứng khoán; Tập dữ liệu ảnh chữ số viết tay chuẩn MNIST.
Thách thức Kỹ thuật & Giải pháp cốt lõi
- 01
1. Lập trình và trực quan hóa so sánh 7 thuật toán tối ưu Gradient:
Lập trình và so sánh Batch GD, SGD, Mini-batch GD, Momentum, Adagrad, RMSProp và Adam trên dữ liệu Boston Housing, vẽ biểu đồ đường cong loss/epoch để phân tích tốc độ hội tụ.
- 02
2. Chuẩn bị chuỗi dữ liệu cửa sổ trượt (Sequence Length = 60) chống Data Leakage:
Lọc dữ liệu theo từng mã Ticker, sắp xếp theo thứ tự thời gian, chuẩn hóa giá trị Open bằng MinMaxScaler và tạo chuỗi 60 ngày liên tiếp để dự báo giá mở cửa ngày tiếp theo.
- 03
3. Kiểm soát Overfitting trên mạng nơ-ron dự báo chuỗi thời gian:
So sánh hiệu quả dự báo giữa LSTM, FFNN, Linear Regression và Decision Tree qua chỉ số MSE và R²; tích hợp Dropout, L2 Regularization và EarlyStopping trong Keras.