TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA CÔNG NGHỆ THÔNG TIN
BỘ MÔN KỸ THUẬT DỮ LIỆU

NGUYỄN ĐỨC LINH (MSSV: 20133007)
PHAN THANH TÍN (MSSV: 20133095)
Đề tài:

ỨNG DỤNG HỌC MÁY DỰ ĐOÁN SỐ LƯỢNG SẢN PHẨM
BÁN RA ĐƯỢC TRÊN TRANG THƯƠNG MẠI ĐIỆN TỬ

KHÓA LUẬN TỐT NGHIỆP KỸ SƯ KỸ THUẬT DỮ LIỆU

GIÁO VIÊN HƯỚNG DẪN
TS. TRẦN NHẬT QUANG

Tp. Hồ Chí Minh, ngày 10 tháng 7 năm 2024

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA CÔNG NGHỆ THÔNG TIN
BỘ MÔN KỸ THUẬT DỮ LIỆU

NGUYỄN ĐỨC LINH (MSSV: 20133007)
PHAN THANH TÍN (MSSV: 20133095)
Đề tài:

ỨNG DỤNG HỌC MÁY DỰ ĐOÁN SỐ LƯỢNG SẢN PHẨM
BÁN RA ĐƯỢC TRÊN TRANG THƯƠNG MẠI ĐIỆN TỬ

KHÓA LUẬN TỐT NGHIỆP KỸ SƯ KỸ THUẬT DỮ LIỆU

GIÁO VIÊN HƯỚNG DẪN
TS. TRẦN NHẬT QUANG

Tp. Hồ Chí Minh, ngày 10 tháng 7 năm 2024

ĐH SƯ PHẠMCỘNG
KỸ THUẬT
HOÀ TP.HCM
KHOA
CNTT
Độc

XÃ HỘI CHỦ NGHĨA VIỆT NAM

*******

*******

Độc lập – Tự do – Hạnh Phúc

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
Họ và tên Sinh viên 1 : Nguyễn Đức Linh
Họ và tên Sinh viên 2 : Phan Thanh Tín
Ngành: Công nghệ Thông tin

MSSV 1: 20133007
MSSV 2: 20133095

Tên đề tài: ỨNG DỤNG HỌC MÁY DỰ ĐOÁN SỐ LƯỢNG SẢN PHẨM BÁN RA
ĐƯỢC TRÊN TRANG THƯƠNG MẠI ĐIỆN TỬ
Họ và tên Giáo viên hướng dẫn: TS. Trần Nhật Quang
NHẬN XÉT
1. Về nội dung đề tài &amp khối lượng thực hiện:
.........................................................................................................................................
.........................................................................................................................................
.........................................................................................................................................
2. Ưu điểm:
.........................................................................................................................................
.........................................................................................................................................
3. Khuyết điểm:
.........................................................................................................................................
.........................................................................................................................................
4. Đề nghị cho bảo vệ hay không ?
5. Đánh giá loại :
6. Điểm :
Tp. Hồ Chí Minh, ngày

tháng

năm 2024

Giáo viên hướng dẫn
(Ký &amp ghi rõ họ tên)

1

ĐH SƯ PHẠMCỘNG
KỸ THUẬT
HOÀ TP.HCM
KHOA
CNTT
Độ
...

...
learning-based load foreing

considering data reshaping using MATLAB\\Simulink. International Journal of Energy and
Environmental Engineering, 13(2), 853-869.
[18]

Le, X. H., Ho, H. V., Lee, G., &amp Jung, S. (2019). Application of long short-term

memory (LSTM) neural network for flood foreing. Water, 11(7), 1387.
[19]

Olah, C. (2015). Understanding lstm networks.

[20]

Sayeed, M. S., Mohan, V., &amp Muthu, K. S. (2023). BERT: A Review of Applications in

Sentiment Analysis. HighTech and Innovation Journal, 4(2), 453-462.
[21]

Geetha, M. P., &amp Renuka, D. K. (2021). Improving the performance of aspect based

sentiment analysis using fine-tuned Bert Base Uncased model. International Journal of
Intelligent Networks, 2, 64-69.

71

[22]

Acheampong, F. A., Nunoo-Mensah, H., &amp Chen, W. (2021). Transformer models for

text-based emotion detection: a review of BERT-based approaches. Artificial Intelligence
Review, 54(8), 5789-5829.
[23]

Devlin, J., Chang, M. W., Lee, K., &amp Toutanova, K. (2018). Bert: Pre-training of deep

bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
[24]

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L.

&amp Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing
systems, 30.
[25]

Jana, S., Biswas, R., Pal, K., Biswas, S., &amp Roy, K. (2024). The evolution and impact

of large language model systems: A comprehensive analysis.
[26]

Athinaios, K., Chalkidis, I., Pantazi, D. A., &amp Papaloukas, C. (2020). Named entity

recognition using a novel linguistic model for greek legal corpora based on BERT model
(Doctoral dissertation, BS Thesis, School of Science, Department of Informatics and
Telecommunications).
[27]

Shreyashree, S., Sunagar, P., Rajarajeswari, S., &amp Kanavalli, A. (2022). A literature

review on bidirectional encoder representations from transformers. Inventive Computation
and Information Technologies: Proceedings of ICICIT 2021, 305-320.
[28]

Nguyen, D. Q., &amp Nguyen, A. T. (2020). PhoBERT: Pre-trained language models for

Vietnamese. arXiv preprint arXiv:2003.00744.
[29]

Tun, N. S., Long, N. N., Tran, T., Thao, N. T., Phuong, D. T., &amp Nguyen, T. (2021).

Stock article title sentiment-based classification using PhoBERT. In CEUR Workshop
Proceedings (Vol. 3026, pp. 225-233).
[30]

Kingma, D. P., &amp Ba, J. (2014). Adam: A method for stochastic optimization. arXiv

preprint arXiv:1412.6980.

72