Bài tập thiết kế cơ sở dữ liệu mô hình ER . Một website của một cửa hàng bán một số mặt hàng thuộc nhiều thể loại. Các khách hàng có thể mua các mặt hàng thông qua các đơn đặt hàng trên website của cửa hàng. Mỗi khách hàng có các thông tin được lưu trữ lại như tên, địa chỉ, login, mật khẩu, địa chỉ email (có thể dùng để login). Một mặt hàng có tên, một mã số, mô tả, đơn giá chưa thuế, tình trạng tồn kho và thể loại. Một đơn đặt hàng có thể đặt nhiều mặt hàng với số lượng nhất định. Mỗi đợt đặt hàng có một số hiệu duy nhất, ngày tháng phải được lưu trữ lại. a. Thiết kế mô hình ER. b. Chuyển mô hình ER thành mô hình quan hệ 

Ngành học Mạng máy tính và truyền thông trang bị cho người quản trị mạng những kiến thức và kỹ năng chuyên sâu cần thiết để thực hiện công việc hiệu quả. Hiểu biết toàn diện về kiến trúc mạng: Chương trình đào tạo cung cấp kiến thức về các mô hình mạng, giao thức truyền thông, cấu trúc mạng LAN, WAN, Internet, v.v... Điều này giúp người quản trị mạng hiểu rõ cách thức hoạt động của mạng, từ đó dễ dàng phát hiện và khắc phục sự cố. Nắm vững các công nghệ mạng hiện đại: Ngành học này cập nhật liên tục các công nghệ mới như điện toán đám mây, mạng không dây, an ninh mạng, Internet vạn vật (IoT),... Việc nắm vững các công nghệ này giúp người quản trị mạng quản lý và bảo mật mạng hiệu quả hơn, đáp ứng nhu cầu ngày càng cao của doanh nghiệp và tổ chức. Kỹ năng quản trị và bảo mật mạng: Sinh viên được đào tạo các kỹ năng quản trị hệ thống mạng, cấu hình thiết bị mạng, giám sát hiệu suất mạng, và đặc biệt là bảo mật mạng. Đây là những kỹ năng cốt lõi giúp người quản trị mạng đảm bảo hoạt động ổn định và an toàn của hệ thống mạng. Khả năng giải quyết vấn đề và tư duy logic: Quá trình học tập đòi hỏi người học phải có khả năng phân tích, giải quyết vấn đề và tư duy logic cao. Những kỹ năng này rất quan trọng trong việc xử lý các sự cố mạng phức tạp và đưa ra các giải pháp hiệu quả.

Để giải quyết bài toán phân loại hình ảnh "Chó" hoặc "Mèo", ta cần áp dụng một quy trình học máy. Dưới đây là một ví dụ về quy trình đó: Thu thập dữ liệu. Cần thu thập một tập dữ liệu lớn gồm các hình ảnh của chó và mèo, được gán nhãn chính xác là "Chó" hoặc "Mèo". Dữ liệu cần đa dạng về góc chụp, độ sáng, giống chó mèo, v.v. để mô hình có thể học được các đặc trưng chung. Tiền xử lý dữ liệu. Các hình ảnh cần được tiền xử lý để chuẩn hóa kích thước, điều chỉnh độ sáng, loại bỏ nhiễu, và chuyển đổi sang định dạng phù hợp cho mô hình học máy. Ví dụ, có thể resize ảnh về cùng một kích thước, chuẩn hóa pixel về khoảng [0,1] Trích xuất đặc trưng. Từ các hình ảnh đã được tiền xử lý, cần trích xuất các đặc trưng quan trọng để phân biệt chó và mèo. Có thể sử dụng các phương pháp trích xuất đặc trưng như SIFT, SURF, HOG, hoặc sử dụng các mô hình mạng nơ-ron tích chập (CNN) để tự động học các đặc trưng. Huấn luyện mô hình. Sử dụng tập dữ liệu đã được chuẩn bị, huấn luyện một mô hình học máy để phân loại hình ảnh. Có thể sử dụng các thuật toán như Support Vector Machine (SVM), Random Forest, hoặc các mạng nơ-ron sâu (deep neural networks) như CNN. Quá trình huấn luyện bao gồm việc tối ưu hóa các tham số của mô hình để giảm thiểu sai số trên tập huấn luyện. Đánh giá mô hình. Sau khi huấn luyện, cần đánh giá hiệu suất của mô hình trên một tập dữ liệu kiểm thử độc lập. Các chỉ số đánh giá thường dùng bao gồm độ chính xác (accuracy), độ chính xác (precision), độ phủ (recall), và F1-score. Tối ưu hóa mô hình. Nếu hiệu suất của mô hình chưa đạt yêu cầu, cần tối ưu hóa các tham số, lựa chọn thuật toán khác, hoặc thu thập thêm dữ liệu để cải thiện hiệu suất. Để giải quyết bài toán phân loại hình ảnh "Chó" hoặc "Mèo", ta cần áp dụng một quy trình học máy. Dưới đây là một ví dụ về quy trình đó: Thu thập dữ liệu. Cần thu thập một tập dữ liệu lớn gồm các hình ảnh của chó và mèo, được gán nhãn chính xác là "Chó" hoặc "Mèo". Dữ liệu cần đa dạng về góc chụp, độ sáng, giống chó mèo, v.v. để mô hình có thể học được các đặc trưng chung.

Tiền xử lý dữ liệu. Các hình ảnh cần được tiền xử lý để chuẩn hóa kích thước, điều chỉnh độ sáng, loại bỏ nhiễu, và chuyển đổi sang định dạng phù hợp cho mô hình học máy. Ví dụ, có thể resize ảnh về cùng một kích thước, chuẩn hóa pixel về khoảng [0,1]