[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_b%C3%A0i%20to%C3%A1n%20ng%C6%B0%E1%BB%A3c{\"limit\":5}":3,"_public_topic_byId_b%C3%A0i%20to%C3%A1n%20ng%C6%B0%E1%BB%A3c":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":17,"englishTitle":18,"synonyms":10,"definition":19,"discipline":20,"references":21,"faqs":40,"createUser":50,"publishUser":54,"keywords":58,"keywordCount":65,"enrichTopicLink":66,"status":67,"createTime":68,"updateTime":69,"publishTime":70,"linkEnrichedTime":71,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":72,"wikidataId":10,"relateTopics":73},"bài toán ngược","Bài toán ngược là gì? Các bài nghiên cứu khoa học liên quan","Bài toán ngược là quá trình xác định tham số ẩn hoặc biến đầu vào x của mô hình toán học từ dữ liệu quan sát y, thỏa mãn phương trình y = F(x) ngược lại. Do tính không tốt định, nghiệm thường không độc nhất và rất nhạy với nhiễu, cần áp dụng kỹ thuật điều hòa (regularization) để đảm bảo tính ổn định và hợp lý về mặt vật lý.","\u003Cp>\u003Cstrong>Bài toán ngược\u003C\u002Fstrong> (\u003Cem>Inverse problem\u003C\u002Fem>) là bài toán xác định các thông số mô hình nguyên nhân bên trong hoặc các tính chất vật lý của hệ thống dựa trên việc quan sát và đo lường các kết quả đầu ra thực nghiệm.\u003C\u002Fp>\u003Cp>Bài toán ngược (inverse problem) xuất hiện khi cần xác định các tham số hoặc biến ẩn x dựa trên quan sát đầu ra y thông qua {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20to%C3%A1n%20h%E1%BB%8Dc%22%7D}} y = F(x). Khác với bài toán thuận, trong đó ta tính trực tiếp y từ x, bài toán ngược đòi hỏi “đảo ngược” quá trình này để tìm x thỏa mãn F(x)=y.\u003C\u002Fp>\n\u003Cp>Hàm F có thể là {{topic|%7B%22topic%22%3A%22to%C3%A1n%20t%E1%BB%AD%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}} (ma trận) hoặc phi tuyến ({{topic|%7B%22topic%22%3A%22h%E1%BB%87%20ph%C6%B0%C6%A1ng%20tr%C3%ACnh%20vi%20ph%C3%A2n%22%7D}}, tích phân), phụ thuộc vào bản chất vấn đề—ví dụ {{topic|%7B%22topic%22%3A%22ch%E1%BA%A9n%20%C4%91o%C3%A1n%20h%C3%ACnh%20%E1%BA%A3nh%22%7D}} y học, xác định cấu trúc lòng đất trong địa vật lý, hoặc tái tạo tín hiệu trong xử lý ảnh.\u003C\u002Fp>\n\u003Cp>Ngoài việc giải phương trình F(x)=y, bài toán ngược còn bao gồm {{topic|%7B%22topic%22%3A%22%C4%91%C3%A1nh%20gi%C3%A1%20%C4%91%E1%BB%99%20tin%20c%E1%BA%ADy%22%7D}} nghiệm, phân tích tính khả tín và mức độ nhạy cảm với nhiễu. Thiết lập đúng bài toán ngược là bước đầu tiên quan trọng để đảm bảo kết quả có ý nghĩa thực nghiệm và ứng dụng.\u003C\u002Fp>\n\n\u003Ch2>Phân biệt bài toán thuận và ngược\u003C\u002Fh2>\n\u003Cp>Bài toán thuận (forward problem) là quá trình tính toán y khi biết x và mô hình F; thường có tính tốt định: nghiệm tồn tại, duy nhất và phụ thuộc liên tục vào dữ liệu. Ngược lại, bài toán ngược thường vi phạm ít nhất một trong ba tiêu chí này, dẫn đến tính không tốt định (ill-posed).\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Tồn tại nghiệm:\u003C\u002Fstrong> forward luôn có, inverse có thể vô nghiệm nếu y không nằm trong miền giá trị của F.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Độc nhất:\u003C\u002Fstrong> forward duy nhất, inverse có thể nhiều nghiệm nếu F không đơn ánh.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Ổn định:\u003C\u002Fstrong> forward phụ thuộc liên tục, inverse có thể rất nhạy với nhiễu trong y, gây sai số lớn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Chính sự khác biệt này khiến bài toán ngược khó khăn hơn, yêu cầu xây dựng chiến lược tính toán và điều hòa đặc biệt để đảm bảo tính ổn định và ý nghĩa vật lý của nghiệm.\u003C\u002Fp>\n\n\u003Ch2>Điều kiện Hadamard và tính không tốt định\u003C\u002Fh2>\n\u003Cp>Hadamard định nghĩa một bài toán tốt định khi thỏa mãn ba điều kiện: (1) nghiệm tồn tại, (2) nghiệm duy nhất, (3) nghiệm phụ thuộc liên tục vào dữ liệu đầu vào. Bài toán ngược thường vi phạm điều kiện 2 hoặc 3, dẫn đến tính không tốt định.\u003C\u002Fp>\n\u003Cp>Khi y chứa nhiễu nhỏ (noise), nghiệm x có thể dao động lớn hoặc không xác định, gây khó khăn trong ứng dụng thực tế. Ví dụ, trong chụp CT hoặc MRI, nhiễu từ máy đo khiến ảnh tái tạo xuất hiện họa tiết giả (artifacts) nếu không có điều hòa.\u003C\u002Fp>\n\u003Cp>Để khắc phục, cần áp dụng các phương pháp ổn định hóa (regularization) nhằm làm cho bài toán “gần tốt định” bằng cách bổ sung thông tin tiên nghiệm hoặc giới hạn tính chất mong muốn của nghiệm x.\u003C\u002Fp>\n\n\u003Ch2>Phương pháp điều hòa (Regularization)\u003C\u002Fh2>\n\u003Cp>Regularization là kỹ thuật thêm một thành phần kiểm soát vào hàm mục tiêu hoặc ràng buộc để ổn định nghiệm. Phương pháp Tikhonov kinh điển giải bài toán:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">x_\\alpha = \\arg\\min_x \\|F(x)-y\\|^2 + \\alpha \\|L(x-x_0)\\|^2\u003C\u002Fscript>\n\u003Cp>trong đó α là tham số điều hòa, L là toán tử ràng buộc (ví dụ ma trận đơn vị hoặc đạo hàm để khuyến khích tính mượt), và x₀ là nghiệm tiên nghiệm hoặc ước lượng ban đầu.\u003C\u002Fp>\n\u003Cp>Các kỹ thuật lựa chọn α bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Phương pháp L-curve:\u003C\u002Fstrong> đồ thị log ∥F(x)−y ∥ vs. log ∥L(x−x₀) ∥, chọn α tại góc cong lớn nhất.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Cross-validation:\u003C\u002Fstrong> chia dữ liệu thành tập huấn luyện và kiểm tra, tìm α tối ưu trên tập kiểm tra.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Generalized Cross-Validation (GCV):\u003C\u002Fstrong> không cần chia dữ liệu, dựa trên {{topic|%7B%22topic%22%3A%22gi%C3%A1%20tr%E1%BB%8B%20d%E1%BB%B1%20%C4%91o%C3%A1n%22%7D}} chéo tổng thể.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Ngoài Tikhonov, còn có regularization L1 (sparse), regularization phi tuyến (total variation) phù hợp để tái tạo tín hiệu mỏng, cạnh nét, và cả các phương pháp Bayesian kết hợp phân bố tiên nghiệm p(x).\u003C\u002Fp>\u003Ch2>Ví dụ ứng dụng\u003C\u002Fh2>\n\u003Cp>Trong chẩn đoán hình ảnh y học, bài toán ngược xuất hiện khi tái tạo ảnh CT hoặc MRI từ dữ liệu chiếu (projection) hoặc tín hiệu cộng hưởng. Ví dụ, trong CT, dữ liệu thu được là tích phân attenuations dọc tia X tại nhiều góc khác nhau; bài toán ngược là giải biến đổi Radon để tái tạo ảnh cắt ngang mô bệnh. \u003Ca href=\"https:\u002F\u002Fwww.siam.org\u002FPublications\u002FSIAM-Review\u002FVolume-54-Number-4\" target=\"_blank\">SIAM Rev.\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>Trong địa vật lý khảo sát điện trở (resistivity tomography), nguồn và cảm biến đặt trên bề mặt đo điện thế rải rác; bài toán ngược là xác định bản đồ độ dẫn điện của lòng đất từ dữ liệu điện thế, giúp phát hiện mỏ khoáng sản hoặc giám sát nước ngầm. \u003Ca href=\"https:\u002F\u002Flink.springer.com\u002Fbook\u002F10.1007\u002F978-3-642-27719-5\" target=\"_blank\">Springer Geophysics\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>Thị giác máy tính cũng dùng bài toán ngược để tái tạo hình 3D từ ảnh 2D (shape-from-shading), hoặc tái hiệu chỉnh động học trong quá trình xử lý tín hiệu radar, lidar để xác định khoảng cách và hình dạng bề mặt đối tượng. \u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS0924271621000059\" target=\"_blank\">Pattern Recognition\u003C\u002Fa>\u003C\u002Fp>\n\n\u003Ch2>Phương pháp số giải bài toán ngược\u003C\u002Fh2>\n\u003Cp>Đối với bài toán tuyến tính y=Ax, phương pháp phổ biến là SVD truncation: ma trận A có phân tích A = UΣV\u003Csup>T\u003C\u002Fsup>, nghiệm x được tính bằng:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">x = V \\Sigma^{-1} U^T y, \\quad \\Sigma^{-1}_{ii}= \\begin{cases}1\u002F\\sigma_i & \\sigma_i>\\sigma_{\\min}\\\\ 0 & \\text{ngược lại}\\end{cases}\u003C\u002Fscript>\n\u003Cp>Cắt bỏ giá trị riêng nhỏ (σ\u003Csub>i\u003C\u002Fsub><σ\u003Csub>min\u003C\u002Fsub>) giúp khử nhiễu nhưng giữ lại thông tin chính (truncated SVD) và ổn định hóa nghiệm. \u003Ca href=\"https:\u002F\u002Fwww.siam.org\u002FPublications\u002FSIAM-News\u002FVolume-36-Number-01\" target=\"_blank\">SIAM News\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>Với bài toán phi tuyến, các thuật toán lặp như Gauss–Newton và Levenberg–Marquardt kết hợp regularization được sử dụng. Tại mỗi bước k thuật toán cập nhật x\u003Csup>(k+1)\u003C\u002Fsup> theo:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">x^{(k+1)} = x^{(k)} - \\big(J^T J + \\alpha I\\big)^{-1} J^T (F(x^{(k)}) - y)\\end{math\u002Ftex>\n\u003Cp>trong đó J là ma trận Jacobian tại x\u003Csup>(k)\u003C\u002Fsup>, α điều hòa giúp tránh ma trận gần suy biến. Solver stiff như implicit Runge–Kutta hoặc BDF áp dụng cho hệ có biên độ tốc độ khác biệt lớn.\u003C\u002Fp>\n\n\u003Ch2>Phân tích độ nhạy và ổn định\u003C\u002Fh2>\n\u003Cp>Condition number của toán tử F hoặc ma trận A (tuyến tính) xác định mức độ nhạy nghiệm x với nhiễu δy: nếu cond(F)>>1, thì sai số δx ≈ cond(F)·δy có thể vượt quá giá trị ban đầu. Vì vậy, ước lượng cond(F) là bước quan trọng để đánh giá tính khả thi của bài toán ngược.\u003C\u002Fp>\n\u003Cp>Đối với hệ phi tuyến, phổ biến là tính local condition number dựa trên Jacobian J: cond(J) = ‖J‖·‖J\u003Csup>−1\u003C\u002Fsup>‖. Khi kết quả x áp dụng cho các giá trị y khác nhau, áp dụng phương pháp Monte Carlo để sinh nhiễu nhân tạo và khảo sát phân phối nghiệm x, từ đó xác suất tin cậy (confidence intervals) cho mỗi thành phần x\u003Csub>i\u003C\u002Fsub>.\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\u003Cth>Chỉ số\u003C\u002Fth>\u003Cth>Định nghĩa\u003C\u002Fth>\u003Cth>Ứng dụng\u003C\u002Fth>\u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\u003Ctd>Condition number\u003C\u002Ftd>\u003Ctd>cond(A)=σ\u003Csub>max\u003C\u002Fsub>\u002Fσ\u003Csub>min\u003C\u002Fsub>\u003C\u002Ftd>\u003Ctd>Đánh giá ổn định tuyến tính\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Local condition\u003C\u002Ftd>\u003Ctd>cond(J)=‖J‖·‖J\u003Csup>−1\u003C\u002Fsup>‖\u003C\u002Ftd>\u003Ctd>Ổn định phi tuyến quanh x*\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Monte Carlo UQ\u003C\u002Ftd>\u003Ctd>Phân phối x khi y nhiễu\u003C\u002Ftd>\u003Ctd>Ước lượng độ tin cậy\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Cách tiếp cận Bayesian và lượng giá bất định (UQ)\u003C\u002Fh2>\n\u003Cp>Đặt bài toán ngược trong khung Bayesian, dữ liệu được mô hình hóa y = F(x) + ε, ε∼N(0,Γ\u003Csub>noise\u003C\u002Fsub>). Phân bố hậu nghiệm:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">p(x|y)\\propto p(y|x)\\,p(x)=\\exp\\big(-\\tfrac12\\|F(x)-y\\|_{\\Gamma_{noise}^{-1}}^2\\big)\\exp\\big(-\\tfrac12\\|x-x_0\\|_{\\Gamma_{prior}^{-1}}^2\\big)\u003C\u002Fscript>\n\u003Cp>Sử dụng MCMC (Metropolis–Hastings, Hamiltonian MCMC) hoặc phương pháp biến phân (variational inference) để lấy mẫu p(x|y), đồng thời ước lượng mean và covariance của x. \u003Ca href=\"https:\u002F\u002Flink.springer.com\u002Fbook\u002F10.1007\u002F978-3-540-71918-9\" target=\"_blank\">Springer UQ\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>Ưu điểm của khung Bayesian là tính minh bạch trong kết hợp thông tin tiên nghiệm (prior) và dữ liệu, cho phép khai thác kiến thức chuyên gia và đánh giá uncertainty của nghiệm dưới dạng phân phối xác suất.\u003C\u002Fp>\n\n\u003Ch2>Thách thức và xu hướng tương lai\u003C\u002Fh2>\n\u003Cp>Thách thức chính bao gồm định giá tham số đa chiều với dữ liệu hạn chế, lựa chọn regularization và prior phù hợp, cũng như tính toán large-scale inverse problems đòi hỏi tài nguyên tính toán cao. Hệ thống đa quy mô (multiscale) và dữ liệu lớn (big data) làm tăng độ phức tạp và yêu cầu giải thuật song song hiệu năng cao.\u003C\u002Fp>\n\u003Cp>Xu hướng tương lai tập trung vào tích hợp deep learning để học trực tiếp ánh xạ ngược F\u003Csup>−1\u003C\u002Fsup> hoặc phối hợp mạng neural với regularization truyền thống (physics-informed neural networks). Ngoài ra, phát triển thuật toán quantum-inspired và GPU-accelerated solvers cho phép giải bài toán ngược có kích thước lớn trong thời gian thực.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Deep inverse models: sử dụng neural network để ước lượng x từ y.\u003C\u002Fli>\n  \u003Cli>Physics-informed regularization: ràng buộc phản ứng và ràng buộc vật lý trực tiếp trong mạng.\u003C\u002Fli>\n  \u003Cli>High-performance computing: parallel MCMC, GPU solvers cho large-scale.\u003C\u002Fli>\n\u003C\u002Ful>","Bài toán ngược","Inverse problem","Bài toán ngược (trong toán học ứng dụng và vật lý) là bài toán xác định các thông số mô hình nguyên nhân bên trong hoặc các tính chất vật lý của hệ thống dựa trên việc quan sát và đo lường các kết quả đầu ra thực nghiệm.","NATURAL_SCIENCES",[22,29,33],{"citationText":23,"title":24,"authors":25,"source":26,"year":27,"doi":28,"url":10},"Hofmann (1986). Regularization of Stochastic Discretized Inverse Problems. Regularization for Applied Inverse and III-Posed Problems.","Regularization of Stochastic Discretized Inverse Problems","Hofmann","Regularization for Applied Inverse and III-Posed Problems",1986,"10.1007\u002F978-3-322-93034-7_5",{"citationText":30,"title":31,"authors":25,"source":26,"year":27,"doi":32,"url":10},"Hofmann (1986). Regularization of Deterministic Discretized Inverse Problems. Regularization for Applied Inverse and III-Posed Problems.","Regularization of Deterministic Discretized Inverse Problems","10.1007\u002F978-3-322-93034-7_4",{"citationText":34,"title":35,"authors":36,"source":37,"year":38,"doi":39,"url":10},"Wang, Yang (2010). Inverse Problems, Optimization and Regularization: A Multi-Disciplinary Subject. Optimization and Regularization for Computational Inverse Problems and Applications.","Inverse Problems, Optimization and Regularization: A Multi-Disciplinary Subject","Wang, Yang","Optimization and Regularization for Computational Inverse Problems and Applications",2010,"10.1007\u002F978-3-642-13742-6_1",[41,44,47],{"question":42,"answer":43},"Ba tiêu chuẩn đặt đúng của Jacques Hadamard đối với một bài toán là gì?","Ba tiêu chuẩn gồm: Nghiệm phải tồn tại (existence), Nghiệm phải là duy nhất (uniqueness), và Nghiệm phải phụ thuộc liên tục vào dữ liệu đầu vào (stability - tính ổn định trước các nhiễu nhỏ của dữ liệu đo).",{"question":45,"answer":46},"Phương pháp chuẩn hóa Tikhonov giải quyết bài toán đặt không chỉnh như thế nào?","Chuẩn hóa Tikhonov bổ sung số hạng phạt năng lượng vào hàm mục tiêu bình phương tối thiểu, giúp ổn định ma trận toán tử đảo và triệt tiêu sự khuếch đại sai số do nhiễu đo lường thực nghiệm.",{"question":48,"answer":49},"Các ứng dụng thực tiễn nổi bật nhất của bài toán ngược là gì?","Tái tạo hình ảnh trong chụp cắt lớp vi tính y tế (CT, MRI), định vị tâm chấn và cấu trúc địa tầng trong địa vật lý dầu khí, kiểm tra không phá hủy vật liệu (NDT) và hiệu chỉnh tham số trong mô hình khí hậu.",{"id":51,"researcherId":10,"name":52,"imageUrl":53},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":55,"researcherId":10,"name":56,"imageUrl":57},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[59,60,61,62,63,64],"mô hình toán học","toán tử tuyến tính","hệ phương trình vi phân","chẩn đoán hình ảnh","đánh giá độ tin cậy","giá trị dự đoán",6,false,"PUBLISHED","2025-06-19T08:17:08.834+00:00","2026-09-12T06:08:31.678+00:00","2025-06-29T06:53:06.450+00:00","2026-09-12T06:08:30.512+00:00",269,[74,77,80,83,86,89,92,95,98,101],{"id":75,"title":76,"term":75,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":78,"title":79,"term":78,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực số","Năng lực số là gì? Các công bố nghiên cứu khoa học liên quan",{"id":81,"title":82,"term":81,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực chuyên môn","Năng lực chuyên môn là gì? Các nghiên cứu về Năng lực chuyên môn",{"id":84,"title":85,"term":84,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thí nghiệm vật lí","Thí nghiệm vật lí là gì? Các công bố khoa học về Thí nghiệm vật lí",{"id":87,"title":88,"term":87,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp mô hình hóa","Phương pháp mô hình hóa là gì? Các công bố khoa học",{"id":90,"title":91,"term":90,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"mô hình hóa toán học","Mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":93,"title":94,"term":93,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nghiên cứu in vivo","Nghiên cứu in vivo là gì? Các nghiên cứu khoa học ",{"id":96,"title":97,"term":96,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ngoại kiểm","Ngoại kiểm là gì? Các công bố khoa học về Ngoại kiểm",{"id":99,"title":100,"term":99,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ma trận jacobian","Ma trận jacobian là gì? Các nghiên cứu khoa học liên quan",{"id":102,"title":103,"term":102,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"hồi quy tuyến tính","Hồi quy tuyến tính là gì? Các nghiên cứu khoa học liên quan"]