AGU - [KLTN] Khoa Công nghệ thông tin
153 ấn phẩm có sẵn
Đang tải...
Những tài liệu tải lên gần đây
- Ấn phẩmỨng dụng mô hình học sâu trong phân loại các loại bệnh bằng ảnh trên cây ớt(Đại học An Giang, 2026) Lê, Hoàng Tuấn; Nguyễn, Văn HòaNghiên cứu ứng dụng học sâu để nhận diện bốn nhóm bệnh phổ biến trên cây ớt từ hình ảnh thực tế thu thập tại tỉnh An Giang. Nhiều mô hình phát hiện đối tượng như YOLOv8, YOLOv11, Faster R-CNN và SSDLite được huấn luyện và đánh giá nhằm so sánh độ chính xác và tốc độ suy luận.
- Ấn phẩmỨng dụng mô hình máy học để xác định vùng ngập trong ruộng lúa từ ảnh UAV(Đại học An Giang, 2026) Lê, Thị Kiều Oanh; Lê, Công ĐoànNghiên cứu ứng dụng học sâu để phân đoạn vùng ngập trên ruộng lúa từ ảnh UAV.
- Ấn phẩmỨng dụng trí tuệ nhân tạo trong phát hiện ung thư vú và các yếu tố nguy cơ(Đại học An Giang, 2026) Nguyễn, Thắng Đạt; Nguyễn, Minh ViNghiên cứu ứng dụng các kỹ thuật học máy để phát hiện sớm ung thư vú và xác định các yếu tố nguy cơ từ dữ liệu y khoa. Nhiều mô hình như KNN, SVM, Decision Tree, Random Forest, CatBoost và XGBoost được huấn luyện, tối ưu và đánh giá bằng các chỉ số Accuracy, Precision, Recall, F1-score và AUC-ROC. Kết quả cho thấy CatBoost, XGBoost và Bagging Decision Trees đạt hiệu năng cao nhất, góp phần hỗ trợ sàng lọc, dự đoán nguy cơ và nâng cao hiệu quả hỗ trợ quyết định trong chẩn đoán ung thư vú.
- Ấn phẩmMô hình máy học dự đoán chi phí cấu hình máy tính lắp ráp(Đại học An Giang, 2026) Đào, Thị Mỹ Duyên; Nguyễn, Minh ViNghiên cứu ứng dụng học máy để dự đoán chi phí cấu hình máy tính dựa trên các thông số phần cứng của máy tính để bàn và máy tính xách tay. Nhiều thuật toán như Decision Tree, KNN, SVR, Random Forest, XGBoost và CatBoost được huấn luyện và đánh giá bằng các chỉ số MAE và RMSE.
- Ấn phẩmỨng dụng kỹ thuật LoRA tinh chỉnh mô hình ngôn ngữ lớn cho bài toán hỗ trợ sáng tác tiểu thuyết(Đại học An Giang, 2026) Trần, Phú Thuận; Huỳnh, Phước HảiNghiên cứu giải pháp tối ưu hóa tài nguyên phần cứng trong việc tinh chỉnh các mô hình ngôn ngữ lớn (LLM) phục vụ sáng tác văn học trực tuyến, ứng dụng kỹ thuật Low-Rank Adaptation (LoRA) kết hợp lượng tử hóa QLoRA để tinh chỉnh chuyên sâu mô hình mã nguồn mở Qwen2.5-7B-Instruct trên cấu hình giới hạn 16GB VRAM. Quá trình huấn luyện sử dụng tập dữ liệu tiểu thuyết Dark Fantasy định dạng theo cấu trúc hội thoại, đồng thời áp dụng kỹ thuật Masking qua Custom Data Collator nhằm ép mạng nơ-ron tập trung học văn phong đặc thù thay vì ngữ cảnh. Tại thiết lập Learning Rate 4e-5, mô hình đạt điểm hội tụ tối ưu, khắc phục triệt để hiện tượng ảo giác và sinh văn bản bám sát phong cách u ám cốt lõi. Ngoài thể loại Dark Fantasy, đề tài cũng mở rộng huấn luyện thành công các mô hình chuyên biệt cho thể loại trinh thám, khoa học viễn tưởng, kinh dị và tích hợp vào trình soạn thảo trực tuyến qua API nội bộ để hỗ trợ tác giả sáng tác theo thời gian thực.
- Ấn phẩmPhân đoạn vùng bất thường trên ruộng lúa từ ảnh UAV bằng mô hình học sâu(Đại học An Giang, 2026) Đào, Duy Thành; Nguyễn, Văn HòaNghiên cứu các phương pháp tự động nhận diện và khoanh vùng các khu vực chịu tác động tiêu cực (sâu bệnh, dịch hại, thiếu hụt dinh dưỡng) trên ruộng lúa thông qua việc ứng dụng các kiến trúc mạng nơ-ron sâu và phân đoạn ngữ nghĩa từ ảnh thiết bị bay không người lái (UAV). Quy trình thực hiện bao gồm nghiên cứu lý thuyết về mạng nơ-ron sâu, đánh giá các mô hình phân đoạn ngữ nghĩa, tiền xử lý và chuẩn hóa dữ liệu ảnh UAV đã được chụp sẵn, tiến hành huấn luyện thử nghiệm và đối chiếu kết quả giữa các mô hình khác nhau. Kết quả thực nghiệm cho thấy tiềm năng lớn và độ chính xác khá cao của kỹ thuật học sâu trong việc tự động nhận diện vùng bất thường, cung cấp một giải pháp công nghệ hữu ích giúp tối ưu hóa quy trình giám sát đồng ruộng diện rộng, hỗ trợ người nông dân đưa ra quyết định xử lý kịp thời để nâng cao năng suất nông sản.