[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_h%E1%BB%8Dc%20m%C3%A1y{\"limit\":5}":3,"_public_topic_byId_học máy":164},{"code":4,"data":5,"meta":16},"SUCCESS",{"latest":6,"mostCited":62,"vietnamFeatured":129,"vietnamLatest":163},[7,23,38,51],{"publicationId":8,"title":9,"originalTitle":10,"authorNames":11,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":16,"url":20,"doi":21,"summary":22},"30a76038-d178-4987-a854-1c81683ccb4c","Bảo trì dự đoán thông minh cho hệ thống tính toán hiệu suất cao: một tổng quan tài liệu","Smart predictive maintenance for high-performance computing systems: a literature review",[12,13,14],"André Luis da Cunha Dantas Lima","Vitor Moraes Aranha","Caio Jordão de Lima Carvalho",4,null,false,"2021-04-27",2021,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11227-021-03811-7","10.1007\u002Fs11227-021-03811-7","\u003Cp>Tổng quan hệ thống phân tích các phương pháp trí tuệ nhân tạo và \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> phục vụ bảo trì dự đoán thông minh trên các cụm siêu máy tính hiệu năng cao \u003Ci>HPC\u003C\u002Fi>. Công trình tổng hợp các kỹ thuật khai thác luồng dữ liệu giám sát nhật ký và cảm biến nhiệt nhằm cảnh báo sớm sự cố phần cứng. Nghiên cứu \u003Cb>định hình khung kiến trúc chẩn đoán hỏng hóc tự động\u003C\u002Fb> giúp giảm thời gian dừng hoạt động của máy chủ.\u003C\u002Fp>",{"publicationId":24,"title":25,"originalTitle":26,"authorNames":27,"authorCount":31,"journalName":32,"vietnamJournal":17,"publishDate":33,"publishYear":34,"totalCitation":16,"url":35,"doi":36,"summary":37},"60595aec-54d5-4a49-a8b7-aa2beb532260","Cải thiện ước lượng biểu hiện gen từ vi mạch bằng cách sử dụng học máy","Seq-ing improved gene expression estimates from microarrays using machine learning",[28,29,30],"Paul K. Korir","Paul Geeleher","Cathal Seoighe",3,"BMC Bioinformatics","2015-09-04",2015,"https:\u002F\u002Fbmcbioinformatics.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs12859-015-0712-z","10.1186\u002Fs12859-015-0712-z","\u003Cp>Phương pháp \u003Ci>MaLTE\u003C\u002Fi> ứng dụng thuật toán Rừng ngẫu nhiên để chuyển đổi dữ liệu cường độ huỳnh quang vi mạch \u003Ci>microarray\u003C\u002Fi> sang thang đo biểu hiện gen định lượng của \u003Ci>RNA-Seq\u003C\u002Fi>. Mô hình \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> được huấn luyện trên hơn \u003Cb>700 mẫu mô người\u003C\u002Fb> thuộc dự án \u003Ci>GTEx\u003C\u002Fi> nhằm ước lượng chính xác mức độ biểu hiện bản phiên mã. Cải tiến này \u003Cb>mở ra khả năng tái khai thác kho dữ liệu vi mạch công cộng\u003C\u002Fb> khổng lồ.\u003C\u002Fp>",{"publicationId":39,"title":40,"originalTitle":41,"authorNames":42,"authorCount":45,"journalName":46,"vietnamJournal":17,"publishDate":47,"publishYear":34,"totalCitation":16,"url":48,"doi":49,"summary":50},"41642d80-a467-4b6c-92bf-0bc77e888bbc","Học Tập Trực Tuyến về Ổn Định Đi Bộ Hai Chân","Online Learning of Bipedal Walking Stabilization",[43,44],"Marcell Missura","Sven Behnke",2,"KI - Künstliche Intelligenz","2015-07-12","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs13218-015-0387-7","10.1007\u002Fs13218-015-0387-7","\u003Cp>Nghiên cứu khung thuật toán điều khiển thích nghi cho phép robot hình người tự học cách giữ thăng bằng động trong quá trình di chuyển hai chân. Để khắc phục giới hạn số lần lặp thực nghiệm trên phần cứng, phương pháp \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> trực tuyến kết hợp kỹ năng bước đi cơ bản với cơ chế học củng cố tương tác. Giải pháp \u003Cb>giúp nâng cao độ ổn định bước đi của robot\u003C\u002Fb> trong các môi trường vận động phức tạp.\u003C\u002Fp>",{"publicationId":52,"title":53,"originalTitle":54,"authorNames":55,"authorCount":45,"journalName":58,"vietnamJournal":17,"publishDate":16,"publishYear":16,"totalCitation":16,"url":59,"doi":60,"summary":61},"78319a71-cfb3-4e60-9749-0d2a5e2644f5","Nghiên cứu về việc sử dụng CDHMM cho nhận dạng chữ Hán viết tay với từ vựng lớn","A study on the use of CDHMM for large vocabulary off-line recognition of handwritten Chinese characters",[56,57],"Yong Ge","Qinah Huo","Proceedings Eighth International Workshop on Frontiers in Handwriting Recognition","https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030932\u002F","10.1109\u002FIWFHR.2002.1030932","\u003Cp>Mô hình Markov ẩn liên tục kết hợp hàm phân bố hỗn hợp \u003Ci>Gaussian\u003C\u002Fi> dạng \u003Ci>CDHMM\u003C\u002Fi> được tối ưu hóa cho bài toán nhận dạng chữ Hán viết tay ngoại tuyến trên kho từ vựng lớn. Thuật toán \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> trích xuất đặc trưng nét bút và cấu trúc ký tự nhằm tăng cường độ chính xác phân loại trong điều kiện nét viết biến thiên. Công trình \u003Cb>đóng góp giải pháp xây dựng hệ thống nhận diện ký tự quang học\u003C\u002Fb> hiệu năng cao.\u003C\u002Fp>",[63,77,91,104,117],{"publicationId":64,"title":65,"originalTitle":66,"authorNames":67,"authorCount":71,"journalName":72,"vietnamJournal":17,"publishDate":16,"publishYear":16,"totalCitation":73,"url":74,"doi":75,"summary":76},"201951a5-477b-4d3d-a0b0-95f08c29bde8","Dự đoán chuyển bệnh nhân không phù hợp tại giai đoạn trước nhập viện trong các trường hợp nghi ngờ bệnh cảnh cấp cứu tim mạch bằng học máy: một nghiên cứu quan sát hồi cứu","Prediction of inappropriate pre-hospital transfer of patients with suspected cardiovascular emergency diseases using machine learning: a retrospective observational study",[68,69,70],"Ji Hoon Kim","Bomgyeol Kim","Min Joung Kim",6,"BMC Medical Informatics and Decision Making",0,"https:\u002F\u002Fbmcmedinformdecismak.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs12911-023-02149-9","10.1186\u002Fs12911-023-02149-9","\u003Cp>Nghiên cứu hồi cứu phát triển mô hình \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> nhằm dự báo nguy cơ chuyển viện không phù hợp đối với các ca cấp cứu tim mạch trước khi nhập viện. Dữ liệu lâm sàng được phân tích để phân loại chính xác các trường hợp cần can thiệp tim mạch khẩn cấp và hạn chế tình trạng quá tải cơ sở tuyến trên. Giải pháp \u003Cb>hỗ trợ nhân viên y tế đưa ra quyết định điều chuyển người bệnh\u003C\u002Fb> kịp thời và chuẩn xác.\u003C\u002Fp>",{"publicationId":78,"title":79,"originalTitle":80,"authorNames":81,"authorCount":15,"journalName":85,"vietnamJournal":17,"publishDate":86,"publishYear":87,"totalCitation":16,"url":88,"doi":89,"summary":90},"11481c40-58fe-47be-a091-163e17653e1b","Xây dựng các mô hình dự đoán và khám phá các yếu tố quan trọng liên quan đến gian lận bảo hiểm y tế bằng các phương pháp học máy","Building prediction models and discovering important factors of health insurance fraud using machine learning methods",[82,83,84],"Venkateswarlu Nalluri","Jing-Rong Chang","Long-Sheng Chen","Journal of Ambient Intelligence and Humanized Computing","2023-05-19",2023,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs12652-023-04633-6","10.1007\u002Fs12652-023-04633-6","\u003Cp>Mô hình hóa dữ liệu kiểm toán bảo hiểm y tế bằng bốn thuật toán \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> bao gồm \u003Ci>SVM\u003C\u002Fi>, Cây quyết định \u003Ci>DT\u003C\u002Fi>, Rừng ngẫu nhiên \u003Ci>RF\u003C\u002Fi> và mạng đa tầng \u003Ci>MLP\u003C\u002Fi>. Phân tích thực nghiệm trích xuất \u003Cb>19 đặc trưng then chốt\u003C\u002Fb> liên quan đến mã thủ tục và cơ sở khám chữa bệnh nhằm phát hiện gian lận tài chính. Kỹ thuật này \u003Cb>thiết lập hệ thống kiểm toán tự động hiệu quả\u003C\u002Fb> giúp bảo vệ quỹ y tế.\u003C\u002Fp>",{"publicationId":92,"title":93,"originalTitle":94,"authorNames":95,"authorCount":71,"journalName":99,"vietnamJournal":17,"publishDate":100,"publishYear":87,"totalCitation":16,"url":101,"doi":102,"summary":103},"4156343c-6e2d-49e6-a878-5680e09334c1","GPCRLigNet: Sàng lọc nhanh các ligand hoạt động GPCR bằng cách sử dụng học máy","GPCRLigNet: rapid screening for GPCR active ligands using machine learning",[96,97,98],"Jacob M Remington","Kyle T McKay","Noah B Beckage","Journal of Computer-Aided Molecular Design","2023-02-25","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10822-023-00497-2","10.1007\u002Fs10822-023-00497-2","\u003Cp>Mô hình mạng nơ-ron \u003Ci>GPCRLigNet\u003C\u002Fi> được xây dựng để sàng lọc nhanh các phân tử phối tử hoạt tính gắn kết thụ thể bắt cặp protein G từ tập dữ liệu hơn \u003Cb>600.000 hợp chất\u003C\u002Fb>. Hệ thống \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> ánh xạ trực tiếp dấu vân tay phân tử \u003Ci>Morgan\u003C\u002Fi> sang hoạt tính sinh học đích mà không cần mô phỏng \u003Ci>docking\u003C\u002Fi> phức tạp. Giải pháp này \u003Cb>tối ưu hóa đáng kể không gian tìm kiếm cấu trúc\u003C\u002Fb> trong quy trình phát triển thuốc mới.\u003C\u002Fp>",{"publicationId":105,"title":106,"originalTitle":107,"authorNames":108,"authorCount":31,"journalName":112,"vietnamJournal":17,"publishDate":113,"publishYear":19,"totalCitation":16,"url":114,"doi":115,"summary":116},"602ae69d-006f-4cde-a8a5-85ee47dd5588","Các yếu tố quyết định của khách hàng đối với tình trạng thay đổi khoản vay ô tô đã qua sử dụng: so sánh hiệu suất dự đoán bằng cách sử dụng các kỹ thuật học máy","Customer determinants of used auto loan churn: comparing predictive performance using machine learning techniques",[109,110,111],"Chandrasekhar Valluri","Sudhakar Raju","Vivek H. Patil","Journal of Marketing Analytics","2021-11-02","https:\u002F\u002Flink.springer.com\u002F10.1057\u002Fs41270-021-00135-6","10.1057\u002Fs41270-021-00135-6","\u003Cp>Đánh giá so sánh hiệu năng các kỹ thuật \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> có giám sát gồm Hồi quy logistic, \u003Ci>LDA\u003C\u002Fi>, Cây quyết định và Rừng ngẫu nhiên \u003Ci>RF\u003C\u002Fi> trong dự báo tình trạng hoàn trả khoản vay ô tô dưới chuẩn. Kết quả cho thấy mô hình \u003Ci>RF\u003C\u002Fi> đạt độ chính xác dự đoán vượt trội nhất khi phân tích hành vi người đi vay. Phát hiện \u003Cb>hỗ trợ các tổ chức tín dụng phân loại khách hàng\u003C\u002Fb> và giảm thiểu tỷ lệ nợ xấu.\u003C\u002Fp>",{"publicationId":118,"title":119,"originalTitle":120,"authorNames":121,"authorCount":31,"journalName":32,"vietnamJournal":17,"publishDate":125,"publishYear":19,"totalCitation":16,"url":126,"doi":127,"summary":128},"5138da9a-1f28-4651-9b0e-2d7c36e451e5","Mô hình hồi quy dựa trên mạng nơ-ron tích chập để suy luận về sự tương tác di truyền gây ra các mẫu metyl hóa CG","A convolutional neural network-based regression model to infer the epigenetic crosstalk responsible for CG methylation patterns",[122,123,124],"Wan Kin Au Yeung","Osamu Maruyama","Hiroyuki Sasaki","2021-06-23","https:\u002F\u002Fbmcbioinformatics.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs12859-021-04272-8","10.1186\u002Fs12859-021-04272-8","\u003Cp>Mô hình mạng nơ-ron tích chập \u003Ci>epiNet\u003C\u002Fi> được phát triển nhằm dự đoán các mẫu biến đổi biểu sinh methyl hóa \u003Ci>CG\u003C\u002Fi> từ dữ liệu sửa đổi \u003Ci>histone\u003C\u002Fi> mà không phụ thuộc trình tự DNA. Hệ thống \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> làm rõ cơ chế tương tác phức tạp giữa \u003Ci>H3K36me3\u003C\u002Fi> và \u003Ci>H3K4me3\u003C\u002Fi> trên tế bào noãn động vật. Công cụ này \u003Cb>hỗ trợ phân tích tương tác biểu sinh xuyên loài\u003C\u002Fb> hiệu quả trên các mẫu sinh thiết hạn chế.\u003C\u002Fp>",[130,140,150],{"publicationId":131,"title":132,"originalTitle":16,"authorNames":133,"authorCount":135,"journalName":136,"vietnamJournal":137,"publishDate":16,"publishYear":87,"totalCitation":73,"url":138,"doi":16,"summary":139},"7a96f47b-9bc8-421e-b17c-f26cb0dce1c1","Hướng tiếp cận phát hiện mã độc dựa trên phân tích tĩnh kết hợp thuật toán học máy",[134],"VN Đức",1,"Tạp chí Nghiên cứu Khoa học và Công nghệ quân sự",true,"https:\u002F\u002Fen.jmst.info\u002Findex.php\u002Fjmst\u002Farticle\u002Fview\u002F965","\u003Cp>Kỹ thuật phân tích tĩnh cấu trúc tệp thực thi \u003Ci>PE File\u003C\u002Fi> kết hợp các thuật toán \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> được phát triển nhằm nâng cao hiệu quả phát hiện phần mềm độc hại \u003Ci>malware\u003C\u002Fi>. Phương pháp này trích xuất các đặc trưng tĩnh ẩn giấu bên trong định dạng tệp mà không cần kích hoạt mã thực thi. Giải pháp \u003Cb>tăng cường khả năng nhận diện mã độc\u003C\u002Fb> cho các hệ thống giám sát an toàn thông tin.\u003C\u002Fp>",{"publicationId":141,"title":142,"originalTitle":16,"authorNames":143,"authorCount":31,"journalName":147,"vietnamJournal":137,"publishDate":16,"publishYear":87,"totalCitation":73,"url":148,"doi":16,"summary":149},"38b663f0-d7ac-42f6-9de3-75c008678d2c","ỨNG DỤNG KỸ THUẬT HỌC MÁY TRONG TÍNH TOÁN LƯỢNG TIÊU THỤ NHIÊN LIỆU CỦA TÀU",[144,145,146],"TH HÀ","NKIM ANH","TTHẾ NAM","Tạp chí Khoa học Công nghệ Hàng hải","https:\u002F\u002Fjmst.vimaru.edu.vn\u002Findex.php\u002Fjmst\u002Farticle\u002Fview\u002F380","\u003Cp>Thuật toán \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> hồi quy được ứng dụng để ước tính mức tiêu hao nhiên liệu của động cơ tàu thủy dựa trên dữ liệu hành trình và điều kiện khí tượng biển. Phân tích thực nghiệm xác định các tham số vận tốc di chuyển, tải trọng và hướng sóng là những yếu tố ảnh hưởng trực tiếp đến mức tiêu thụ năng lượng. Mô hình \u003Cb>cung cấp công cụ định mức hành trình tối ưu\u003C\u002Fb> giúp doanh nghiệp vận tải biển tiết kiệm chi phí vận hành.\u003C\u002Fp>",{"publicationId":151,"title":152,"originalTitle":16,"authorNames":153,"authorCount":15,"journalName":157,"vietnamJournal":137,"publishDate":158,"publishYear":159,"totalCitation":16,"url":160,"doi":161,"summary":162},"116a3c04-a093-474a-936a-37ef652272dc","35. ỨNG DỤNG THUẬT TOÁN HỌC MÁY ĐÁNH GIÁ BIẾN ĐỘNG LỚP PHỦ ĐẤT- NGHIÊN CỨU TẠI MỘT SỐ XÃ TRÊN ĐỊA BÀN TỈNH NGHỆ AN",[154,155,156],"Đinh Thị Thanh Huyền","Nguyễn Thị Huệ","Nguyễn Văn Thành","Tạp chí khoa học tài nguyên và môi trường","2025-01-01",2025,"http:\u002F\u002Ftapchikhtnmt.hunre.edu.vn\u002Findex.php\u002Ftapchikhtnmt\u002Farticle\u002Fview\u002F758","10.63064\u002Fkhtnmt.2025.758","\u003Cp>Ứng dụng thuật toán Rừng ngẫu nhiên \u003Ci>Random Forest\u003C\u002Fi> phân loại biến động lớp phủ đất \u003Ci>LULC\u003C\u002Fi> tại Nghệ An từ chuỗi ảnh viễn thám \u003Ci>Landsat 8\u003C\u002Fi> giai đoạn 2020–2024. Mô hình \u003Cb class=\"publication-topic-keywords\">học máy\u003C\u002Fb> đạt độ tin cậy phân loại cao với hệ số \u003Ci>Kappa\u003C\u002Fi> dao động từ \u003Cb>87,23% đến 90,01%\u003C\u002Fb> trên toàn vùng khảo sát. Kết quả \u003Cb>minh chứng tiềm năng giám sát biến động tài nguyên\u003C\u002Fb> tự động bằng dữ liệu vệ tinh.\u003C\u002Fp>",[],{"code":4,"data":165,"meta":16},{"id":166,"title":167,"description":168,"content":169,"term":166,"englishTitle":16,"synonyms":16,"definition":16,"discipline":16,"references":16,"faqs":16,"createUser":170,"publishUser":16,"keywords":173,"keywordCount":184,"enrichTopicLink":137,"status":185,"createTime":186,"updateTime":187,"publishTime":16,"linkEnrichedTime":188,"publicationScanTime":189,"contentErrorMessage":16,"viewCount":190,"relateTopics":191},"học máy","Học máy là gì? Các bài nghiên cứu khoa học về Học máy","Học máy là lĩnh vực thuộc trí tuệ nhân tạo nghiên cứu các thuật toán cho phép máy tính học từ dữ liệu và cải thiện hiệu suất mà không cần lập trình tường minh. Nó sử dụng mô hình toán học để phát hiện mẫu và đưa ra dự đoán hoặc quyết định, dựa trên nguyên lý tối ưu hóa hàm ánh xạ từ đầu vào đến đầu ra.","\u003Cdiv>\u003Ch2>Định nghĩa học máy\u003C\u002Fh2>\n\u003Cp>Học máy (machine learning) là một lĩnh vực của trí tuệ nhân tạo (AI) tập trung vào việc phát triển các thuật toán cho phép máy tính học từ dữ liệu và cải thiện hiệu suất theo thời gian mà không cần được lập trình cụ thể cho từng tác vụ. Thay vì viết mã cố định để xử lý mọi tình huống, học máy giúp máy tính tự tạo ra mô hình dựa trên kinh nghiệm từ dữ liệu đầu vào.\u003C\u002Fp>\n\u003Cp>Trong học máy, hệ thống được huấn luyện để phát hiện ra các mẫu (patterns) trong dữ liệu, từ đó đưa ra các quyết định, phân loại hoặc dự đoán giá trị đầu ra cho dữ liệu mới. Ví dụ điển hình bao gồm {{topic|%7B%22topic%22%3A%22nh%E1%BA%ADn%20di%E1%BB%87n%20khu%C3%B4n%20m%E1%BA%B7t%22%7D}}, phân loại email spam, dự đoán giá nhà, hoặc đề xuất sản phẩm trên các nền tảng {{topic|%7B%22topic%22%3A%22th%C6%B0%C6%A1ng%20m%E1%BA%A1i%20%C4%91i%E1%BB%87n%20t%E1%BB%AD%22%7D}}.\u003C\u002Fp>\n\u003Cp>Một định nghĩa hình thức của học máy do Tom Mitchell (Carnegie Mellon University) đề xuất: “Một {{topic|%7B%22topic%22%3A%22ch%C6%B0%C6%A1ng%20tr%C3%ACnh%20m%C3%A1y%20t%C3%ADnh%22%7D}} được coi là học hỏi từ kinh nghiệm E với nhiệm vụ T và {{topic|%7B%22topic%22%3A%22%C4%91o%20l%C6%B0%E1%BB%9Dng%20hi%E1%BB%87u%20su%E1%BA%A5t%22%7D}} P nếu hiệu suất của nó với nhiệm vụ T, được đo bởi P, cải thiện với kinh nghiệm E”.\u003C\u002Fp>\n\n\u003Ch2>Nguyên lý hoạt động\u003C\u002Fh2>\n\u003Cp>Học máy hoạt động thông qua quá trình mô hình hóa dữ liệu. Mục tiêu là xây dựng một hàm ánh xạ \u003Cscript type=\"math\u002Ftex\">f: X \\rightarrow Y\u003C\u002Fscript>, trong đó \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> là tập đặc trưng (input features) và \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> là tập nhãn hoặc đầu ra tương ứng. Mô hình cố gắng ước lượng \u003Cscript type=\"math\u002Ftex\">\\hat{f}\u003C\u002Fscript> sao cho \u003Cscript type=\"math\u002Ftex\">\\hat{f}(x) \\approx y\u003C\u002Fscript> đối với các cặp dữ liệu trong tập huấn luyện.\u003C\u002Fp>\n\u003Cp>Quá trình huấn luyện bao gồm 4 bước chính:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Chọn cấu trúc mô hình (model architecture)\u003C\u002Fli>\n  \u003Cli>Xác định hàm mất mát (loss function) đo sai số dự đoán\u003C\u002Fli>\n  \u003Cli>Tối ưu hóa mô hình bằng thuật toán (thường là gradient descent)\u003C\u002Fli>\n  \u003Cli>Đánh giá hiệu suất trên dữ liệu chưa từng thấy (validation\u002Ftest set)\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Ví dụ với {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}}, hàm mất mát phổ biến là MSE (Mean Squared Error): \u003Cscript type=\"math\u002Ftex\">L = \\frac{1}{n}\\sum_{i=1}^{n}(y_i - \\hat{y}_i)^2\u003C\u002Fscript>, với \u003Cscript type=\"math\u002Ftex\">\\hat{y}_i\u003C\u002Fscript> là đầu ra mô hình và \u003Cscript type=\"math\u002Ftex\">y_i\u003C\u002Fscript> là nhãn thực tế.\u003C\u002Fp>\n\n\u003Ch2>Phân loại học máy\u003C\u002Fh2>\n\u003Cp>Học máy được phân thành nhiều loại dựa trên cách thức học và loại dữ liệu được cung cấp. Phân loại chính gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Học có giám sát (Supervised Learning):\u003C\u002Fstrong> Mô hình học từ tập dữ liệu có nhãn. Ví dụ: phân loại ảnh mèo\u002Fchó, dự đoán giá cổ phiếu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Học không giám sát (Unsupervised Learning):\u003C\u002Fstrong> Dữ liệu không có nhãn, mô hình tự phát hiện cấu trúc hoặc nhóm ẩn. Ví dụ: phân cụm khách hàng, {{topic|%7B%22topic%22%3A%22ph%C3%A1t%20hi%E1%BB%87n%20b%E1%BA%A5t%20th%C6%B0%E1%BB%9Dng%22%7D}}.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Học tăng cường (Reinforcement Learning):\u003C\u002Fstrong> Mô hình học thông qua tương tác với môi trường, nhận phần thưởng hoặc hình phạt. Ví dụ: huấn luyện robot, chơi game.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Bảng sau tóm tắt sự khác biệt giữa ba loại học máy phổ biến:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Loại học máy\u003C\u002Fth>\n    \u003Cth>Dữ liệu đầu vào\u003C\u002Fth>\n    \u003Cth>Mục tiêu\u003C\u002Fth>\n    \u003Cth>Ví dụ\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Có giám sát\u003C\u002Ftd>\n    \u003Ctd>Dữ liệu có nhãn\u003C\u002Ftd>\n    \u003Ctd>Dự đoán nhãn cho dữ liệu mới\u003C\u002Ftd>\n    \u003Ctd>Dự đoán giá nhà, phân loại email\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Không giám sát\u003C\u002Ftd>\n    \u003Ctd>Dữ liệu không nhãn\u003C\u002Ftd>\n    \u003Ctd>Phát hiện cấu trúc\u002Fnhóm dữ liệu\u003C\u002Ftd>\n    \u003Ctd>Phân cụm khách hàng, nén dữ liệu\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Tăng cường\u003C\u002Ftd>\n    \u003Ctd>Trạng thái và phản hồi\u003C\u002Ftd>\n    \u003Ctd>Tối ưu hóa hành động qua phần thưởng\u003C\u002Ftd>\n    \u003Ctd>Robot học di chuyển, AI chơi game\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>Để tìm hiểu thêm, xem tại \u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fglossary\" target=\"_blank\">Google ML Glossary\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Các thuật toán phổ biến\u003C\u002Fh2>\n\u003Cp>Mỗi loại học máy sử dụng các thuật toán cụ thể tùy vào bài toán và dữ liệu. Các thuật toán được thiết kế để cân bằng giữa độ chính xác, tốc độ xử lý, khả năng mở rộng và khả năng giải thích.\u003C\u002Fp>\n\u003Cp>Một số thuật toán học có giám sát:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Hồi quy tuyến tính (Linear Regression):\u003C\u002Fstrong> Dự đoán giá trị liên tục\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Hồi quy logistic (Logistic Regression):\u003C\u002Fstrong> Phân loại nhị phân\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Cây quyết định (Decision Tree):\u003C\u002Fstrong> Dễ diễn giải, hỗ trợ cả phân loại và hồi quy\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Máy vector hỗ trợ (SVM):\u003C\u002Fstrong> Tối ưu hóa biên phân tách trong không gian đặc trưng\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các thuật toán học không giám sát phổ biến gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>K-means:\u003C\u002Fstrong> Phân cụm dữ liệu theo khoảng cách\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>PCA (Principal Component Analysis):\u003C\u002Fstrong> Giảm chiều dữ liệu, trích xuất đặc trưng\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Trong học sâu (deep learning), mạng nơ-ron nhân tạo (ANN) và mạng học sâu (DNN) đóng vai trò trung tâm. Các biến thể như CNN (cho ảnh), RNN (cho chuỗi thời gian) và Transformer (cho ngôn ngữ) đang ngày càng phổ biến trong các hệ thống AI thực tiễn.\u003C\u002Fp>\n\u003Cp>Tham khảo chi tiết tại tài liệu chính thức của \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fsupervised_learning.html\" target=\"_blank\">Scikit-learn – Supervised Learning\u003C\u002Fa>.\u003C\u002Fp>\u003Ch2>Dữ liệu và xử lý dữ liệu\u003C\u002Fh2>\n\u003Cp>Dữ liệu là yếu tố cốt lõi trong học máy, đóng vai trò như “nhiên liệu” để huấn luyện và đánh giá mô hình. Một mô hình dù tinh vi đến đâu cũng không thể hoạt động hiệu quả nếu được huấn luyện trên dữ liệu không đầy đủ, nhiễu hoặc mất cân bằng. Chất lượng dữ liệu thường quan trọng hơn số lượng trong việc đảm bảo mô hình học đúng bản chất của vấn đề.\u003C\u002Fp>\n\u003Cp>Quy trình chuẩn trong xử lý dữ liệu học máy bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Thu thập dữ liệu:\u003C\u002Fstrong> từ cảm biến, cơ sở dữ liệu, API, web scraping hoặc nguồn mở\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tiền xử lý (preprocessing):\u003C\u002Fstrong> loại bỏ dữ liệu thiếu, nhiễu, chuẩn hóa, xử lý outlier\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Trích xuất và chọn đặc trưng (feature engineering):\u003C\u002Fstrong> tạo mới hoặc lựa chọn đặc trưng phù hợp\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân chia dữ liệu:\u003C\u002Fstrong> thường theo tỷ lệ 70:20:10 hoặc 80:10:10 (train\u002Fvalidation\u002Ftest)\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Một ví dụ về chuẩn hóa dữ liệu liên tục là đưa toàn bộ đặc trưng về khoảng giá trị [0, 1] hoặc chuẩn hóa theo z-score: \u003Cscript type=\"math\u002Ftex\">z = \\frac{x - \\mu}{\\sigma}\u003C\u002Fscript>, trong đó \u003Cscript type=\"math\u002Ftex\">\\mu\u003C\u002Fscript> là trung bình và \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript> là độ lệch chuẩn.\u003C\u002Fp>\n\u003Cp>Các kho dữ liệu phổ biến hỗ trợ {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20v%C3%A0%20ph%C3%A1t%20tri%E1%BB%83n%22%7D}} học máy:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.kaggle.com\u002Fdatasets\" target=\"_blank\">Kaggle Datasets\u003C\u002Fa>: cộng đồng chia sẻ tập dữ liệu đa dạng\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Farchive.ics.uci.edu\u002Fml\u002Findex.php\" target=\"_blank\">UCI Machine Learning Repository\u003C\u002Fa>: kho dữ liệu học thuật lâu đời\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\" target=\"_blank\">Hugging Face Datasets\u003C\u002Fa>: tập trung vào {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20ng%C3%B4n%20ng%E1%BB%AF%20t%E1%BB%B1%20nhi%C3%AAn%22%7D}}\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Đánh giá và hiệu chỉnh mô hình\u003C\u002Fh2>\n\u003Cp>Đánh giá mô hình là bước quan trọng để xác định mô hình có khả năng tổng quát tốt không, hay chỉ phù hợp với dữ liệu huấn luyện. Các chỉ số đánh giá được lựa chọn tùy theo loại bài toán: hồi quy hay phân loại.\u003C\u002Fp>\n\u003Cp>Với bài toán phân loại, các chỉ số thường dùng gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Accuracy (độ chính xác):\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\"> \\frac{TP + TN}{TP + FP + TN + FN} \u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Precision và Recall:\u003C\u002Fstrong> đo hiệu quả mô hình với lớp dương\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>F1-score:\u003C\u002Fstrong> trung bình điều hòa của Precision và Recall\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>AUC-ROC:\u003C\u002Fstrong> đo khả năng phân biệt giữa các lớp\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Với bài toán hồi quy, ta sử dụng RMSE, MAE hoặc R² score để đo sai số dự đoán.\u003C\u002Fp>\n\u003Cp>Quá trình hiệu chỉnh mô hình (hyperparameter tuning) giúp tối ưu hiệu suất bằng cách lựa chọn các siêu tham số tốt nhất, như độ sâu của cây quyết định, số lớp ẩn trong mạng nơ-ron, hoặc tốc độ học. Hai kỹ thuật phổ biến:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Grid Search:\u003C\u002Fstrong> thử hết các tổ hợp trong một không gian tham số được định nghĩa trước\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Random Search:\u003C\u002Fstrong> chọn ngẫu nhiên các tổ hợp trong không gian tham số, nhanh hơn grid search\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Thư viện hỗ trợ đánh giá mô hình hiệu quả: \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fmodel_evaluation.html\" target=\"_blank\">Scikit-learn Evaluation Metrics\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng của học máy\u003C\u002Fh2>\n\u003Cp>Học máy đang trở thành công nghệ hạt nhân trong nhiều ngành công nghiệp và lĩnh vực khoa học. Các ứng dụng thực tiễn minh họa rõ khả năng thích nghi và mở rộng của công nghệ này trong thế giới hiện đại.\u003C\u002Fp>\n\u003Cp>Một số lĩnh vực ứng dụng tiêu biểu:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Y tế:\u003C\u002Fstrong> chuẩn đoán hình ảnh y khoa, phát hiện ung thư sớm, {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20tr%C3%ACnh%20t%E1%BB%B1%20gen%22%7D}}\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tài chính:\u003C\u002Fstrong> dự báo thị trường, phát hiện gian lận thẻ tín dụng, quản lý danh mục đầu tư\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Bán lẻ & thương mại điện tử:\u003C\u002Fstrong> cá nhân hóa quảng cáo, gợi ý sản phẩm, phân tích hành vi khách hàng\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Giao thông:\u003C\u002Fstrong> xe tự hành, tối ưu hóa lịch trình, phát hiện tắc đường theo thời gian thực\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Xử lý ngôn ngữ tự nhiên:\u003C\u002Fstrong> chatbot, dịch máy, phân tích cảm xúc từ văn bản\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Chi tiết một số công cụ ứng dụng học máy: \u003Ca href=\"https:\u002F\u002Fai.google\u002Ftools\u002F\" target=\"_blank\">Google AI Tools\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Thách thức và hạn chế\u003C\u002Fh2>\n\u003Cp>Dù mang lại tiềm năng lớn, học máy cũng đối mặt với nhiều thách thức và rào cản thực tế trong triển khai. Việc hiểu rõ giới hạn của mô hình giúp ta áp dụng công nghệ một cách có trách nhiệm và an toàn.\u003C\u002Fp>\n\u003Cp>Một số thách thức lớn hiện nay:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Dữ liệu mất cân bằng:\u003C\u002Fstrong> gây thiên lệch mô hình, đặc biệt trong bài toán phân loại hiếm\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Overfitting:\u003C\u002Fstrong> mô hình học quá kỹ dữ liệu huấn luyện và mất khả năng tổng quát\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Khả năng giải thích:\u003C\u002Fstrong> mô hình như deep learning rất mạnh nhưng khó hiểu (black-box)\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Vấn đề đạo đức và thiên lệch (bias):\u003C\u002Fstrong> nguy cơ duy trì bất công xã hội nếu mô hình học từ dữ liệu lệch\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Thảo luận chuyên sâu có thể tham khảo bài viết trên \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs42256-020-0185-0\" target=\"_blank\">Nature – The big picture in machine learning\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Xu hướng nghiên cứu tương lai\u003C\u002Fh2>\n\u003Cp>Học máy tiếp tục phát triển với tốc độ nhanh, kéo theo nhiều nhánh nghiên cứu và ứng dụng mới. Các mô hình ngày càng lớn và phức tạp, đòi hỏi không chỉ về dữ liệu mà còn về tính toán và tính bền vững.\u003C\u002Fp>\n\u003Cp>Các xu hướng nổi bật trong nghiên cứu hiện nay gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Học sâu (Deep Learning):\u003C\u002Fstrong> mở rộng khả năng {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%C3%B3a%20phi%20tuy%E1%BA%BFn%22%7D}} trong ảnh, âm thanh, văn bản\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Học chuyển tiếp (Transfer Learning):\u003C\u002Fstrong> tận dụng kiến thức đã học từ nhiệm vụ A cho nhiệm vụ B\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Học liên tục (Continual Learning):\u003C\u002Fstrong> duy trì hiệu suất trong môi trường dữ liệu thay đổi\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Mô hình ngôn ngữ lớn (LLMs):\u003C\u002Fstrong> như GPT, BERT, ứng dụng trong xử lý văn bản ở quy mô lớn\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Đạo đức AI và AI có thể giải thích:\u003C\u002Fstrong> minh bạch hóa quyết định mô hình, giảm rủi ro xã hội\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các hội nghị học thuật uy tín như \u003Ca href=\"https:\u002F\u002Fproceedings.neurips.cc\" target=\"_blank\">NeurIPS\u003C\u002Fa> hoặc \u003Ca href=\"https:\u002F\u002Ficml.cc\" target=\"_blank\">ICML\u003C\u002Fa> là nơi cập nhật các kết quả nghiên cứu tiên tiến nhất.\u003C\u002Fp>\u003C\u002Fdiv>",{"id":135,"researcherId":16,"name":171,"imageUrl":172},"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[174,175,176,177,178,179,180,181,182,183],"nhận diện khuôn mặt","thương mại điện tử","chương trình máy tính","đo lường hiệu suất","hồi quy tuyến tính","phát hiện bất thường","nghiên cứu và phát triển","xử lý ngôn ngữ tự nhiên","phân tích trình tự gen","mô hình hóa phi tuyến",10,"PUBLISHED","2023-09-16T06:01:25.294+00:00","2026-09-02T12:11:06.983+00:00","2026-09-02T12:11:06.580+00:00","2026-09-02T11:22:37.558+00:00",612,[192,195,198,201,204,207,210,219,222,225],{"id":193,"title":194,"term":193,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":196,"title":197,"term":196,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"biến đổi wavelet","Biến đổi wavelet là gì? Các nghiên cứu khoa học về Wavelet Transform",{"id":199,"title":200,"term":199,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"vị từ","Vị từ là gì? Các nghiên cứu khoa học về Vị từ",{"id":202,"title":203,"term":202,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":205,"title":206,"term":205,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"thu thập thông tin","Thu thập thông tin là gì? Các nghiên cứu khoa học liên quan",{"id":208,"title":209,"term":208,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"yếu tố ảnh hưởng","Yếu tố ảnh hưởng là gì? Các nghiên cứu khoa học liên quan",{"id":211,"title":212,"term":211,"englishTitle":211,"definition":213,"discipline":214,"disciplineCode":215,"disciplineLabel":216,"disciplineColor":217,"disciplineIcon":218},"context","Context là gì? Các công bố khoa học về Context","Context (ngữ cảnh\u002Fbối cảnh) là tập hợp toàn bộ các điều kiện, hoàn cảnh, dữ kiện xung quanh và trạng thái môi trường có liên quan trực tiếp đến việc định hình ý nghĩa, nhận thức và hành vi của một đối tượng hoặc hệ thống.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":220,"title":221,"term":220,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"hồi quy phân vị","Hồi quy phân vị là gì? Các bài nghiên cứu khoa học",{"id":223,"title":224,"term":223,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"mô hình logit","Mô hình logit là gì? Các công bố khoa học về Mô hình logit",{"id":226,"title":227,"term":226,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"synthesis","Synthesis là gì? Các công bố khoa học về Synthesis"]