Đề án tập trung nghiên cứu và phát triển một mô hình học máy kết hợp dựa trên thuật toán XGBoost nhằm giải quyết bài toán dự báo xu hướng nghề nghiệp trong bối cảnh thị trường lao động biến động mạnh do tác động của công nghệ và dữ liệu lớn. Xuất phát từ hạn chế của các phương pháp truyền thống (thống kê, hồi quy tuyến tính, trắc nghiệm tâm lý), đề tài chỉ ra rằng các phương pháp này không thể xử lý hiệu quả dữ liệu đa chiều, phi tuyến và thiếu cân bằng – vốn là đặc trưng của dữ liệu hướng nghiệp thực tế. Do đó, nghiên cứu đề xuất sử dụng mô hình học máy, đặc biệt là XGBoost, kết hợp với các kỹ thuật tối ưu hóa để nâng cao khả năng dự báo. Mô hình được xây dựng theo quy trình chuẩn của khai phá dữ liệu giáo dục (EDM), bao gồm tiền xử lý dữ liệu, lựa chọn đặc trưng, huấn luyện và đánh giá. Trong phần thực nghiệm, mô hình XGBoost được so sánh với các thuật toán phổ biến như Random Forest và Logistic Regression. Kết quả cho thấy XGBoost có hiệu năng vượt trội nhờ khả năng: Xử lý dữ liệu phi tuyến. Tự động học tương tác giữa các biến. Hạn chế overfitting thông qua regularization. Cuối cùng, đề án đề xuất ứng dụng mô hình vào hệ thống tư vấn nghề nghiệp thông minh, hỗ trợ cá nhân và tổ chức trong việc ra quyết định về đào tạo và phát triển nguồn nhân lực.

Ngôn ngữ:	vie
Tác giả:	Phan Tiến Phương
Người đóng góp:	GVHD: Nguyễn Thị Kim Sơn
Thông tin nhan đề:	Nghiên cứu và phát triển mô hình kết hợp XGBoost trong dự báo xu hướng nghề nghiệp
Nhà xuất bản:	Đại học Công nghiệp Hà Nội
Loại hình:	Luận văn Thạc sĩ / Bộ sưu tập: Công nghệ thông tin
Mô tả vật lý:	73tr.
Năm xuất bản:	2026