[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_khai%20ph%C3%A1%20d%E1%BB%AF%20li%E1%BB%87u{\"limit\":5}":3,"_public_topic_byId_khai phá dữ liệu":49},{"code":4,"data":5,"meta":11},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":35,"vietnamLatest":48},[],[8,22],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":11,"url":20,"doi":11,"summary":21},"85acf2f8-02e4-44cc-a1c9-fad2309ba4de","KHAI PHÁ DỮ LIỆU: PHÂN TÍCH XẾP LOẠI TỐT NGHIỆP VÀ CƠ HỘI VIỆC LÀM CỦA SINH VIÊN SỬ DỤNG KỸ THUẬT PHÂN LỚP",null,[13,14],"LÊ QUỐC  TIẾN","ĐẶNG HOÀNG ANH",2,"Tạp chí Khoa học Công nghệ Hàng hải",false,"2022-09-13",2022,"https:\u002F\u002Fjmst.vimaru.edu.vn\u002Findex.php\u002Fjmst\u002Farticle\u002Fview\u002F322","\u003Cp>Ứng dụng kỹ thuật phân lớp trong \u003Cb class=\"publication-topic-keywords\">khai phá dữ liệu\u003C\u002Fb> giáo dục đại học nhằm dự báo xếp loại tốt nghiệp và khả năng tìm kiếm việc làm của sinh viên mới ra trường. Phân tích trên tập dữ liệu hồ sơ học tập chỉ ra điểm trung bình tích lũy và trình độ ngoại ngữ là hai thuộc tính chi phối mạnh nhất đến kết quả tuyển dụng. Nghiên cứu cung cấp công cụ đắc lực hỗ trợ nhà trường định hướng đào tạo bám sát thị trường.\u003C\u002Fp>",{"publicationId":23,"title":24,"originalTitle":25,"authorNames":26,"authorCount":15,"journalName":29,"vietnamJournal":17,"publishDate":30,"publishYear":31,"totalCitation":11,"url":32,"doi":33,"summary":34},"da41dffe-731d-422d-92c1-94b2484a6d53","CLARANS: một phương pháp phân cụm đối tượng cho khai thác dữ liệu không gian","CLARANS: a method for clustering objects for spatial data mining",[27,28],"R.T. Ng","Jiawei Han","IEEE Transactions on Knowledge and Data Engineering","2002-09-01",2002,"https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1033770\u002F","10.1109\u002FTKDE.2002.1033770","\u003Cp>Nghiên cứu khoa học máy tính đề xuất thuật toán phân cụm không gian \u003Ci>CLARANS\u003C\u002Fi> ứng dụng trong quy trình \u003Cb class=\"publication-topic-keywords\">khai phá dữ liệu\u003C\u002Fb> \u003Ci>spatial data mining\u003C\u002Fi> quy mô lớn. Bằng cách kết hợp kỹ thuật tìm kiếm ngẫu nhiên trên đồ thị với phép tối ưu medoid, giải pháp vượt trội hơn các thuật toán k-medoids truyền thống về tốc độ tính toán và khả năng khử nhiễu. Thực nghiệm trên tập dữ liệu đa chiều xác thực hiệu năng gom cụm vượt bậc.\u003C\u002Fp>",[36],{"publicationId":37,"title":38,"originalTitle":11,"authorNames":39,"authorCount":15,"journalName":42,"vietnamJournal":43,"publishDate":11,"publishYear":44,"totalCitation":45,"url":46,"doi":11,"summary":47},"b78d8a45-8c9b-47f5-9777-e22f43e691bb","Khai phá tập sinh tối thiểu của tập hiếm đóng từ dữ liệu giao dịch có trọng số của items",[40,41],"PT Huấn","LH Bắc","Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng",true,2021,0,"https:\u002F\u002Fjst-ud.vn\u002Fjst-ud\u002Farticle\u002Fview\u002F7435","\u003Cp>Đề xuất thuật toán \u003Ci>MGCRSI\u003C\u002Fi> phục vụ bài toán \u003Cb class=\"publication-topic-keywords\">khai phá dữ liệu\u003C\u002Fb> tìm kiếm tập sinh tối thiểu của các tập mục hiếm đóng từ cơ sở dữ liệu giao dịch có trọng số. Cấu trúc cây mở rộng giúp cắt tỉa không gian tìm kiếm hiệu quả và loại bỏ các quy tắc kết hợp dư thừa mà thuật toán \u003Ci>Apriori\u003C\u002Fi> kinh điển gặp phải. Kết quả thử nghiệm cho thấy phương pháp giảm thiểu đáng kể chi phí bộ nhớ và thời gian xử lý dữ liệu.\u003C\u002Fp>",[],{"code":4,"data":50,"meta":11},{"id":51,"title":52,"description":53,"content":54,"term":51,"englishTitle":11,"synonyms":11,"definition":11,"discipline":11,"references":11,"faqs":11,"createUser":55,"publishUser":11,"keywords":59,"keywordCount":66,"enrichTopicLink":17,"status":67,"createTime":68,"updateTime":69,"publishTime":11,"linkEnrichedTime":70,"publicationScanTime":71,"contentErrorMessage":11,"viewCount":72,"relateTopics":73},"khai phá dữ liệu","Khai phá dữ liệu là gì? Các công bố khoa học về Khai phá dữ liệu","Khai phá dữ liệu (Data Mining) là quy trình phân tích dữ liệu tự động hoặc bán tự động để khám phá các mẫu, thông tin hữu ích và kiến thức độc đáo từ bộ dữ liệu...","{\"ops\":[{\"insert\":\"Khai phá dữ liệu (Data Mining) là quy trình phân tích dữ liệu tự động hoặc bán tự động để khám phá các mẫu, thông tin hữu ích và kiến thức độc đáo từ bộ dữ liệu lớn. Nó bao gồm việc áp dụng các kỹ thuật phân tích dữ liệu, thuật toán máy học và trí tuệ nhân tạo để tìm kiếm các mẫu ẩn, quy tắc, thông tin tiềm ẩn trong dữ liệu, từ đó giúp người dùng hiểu rõ hơn về dữ liệu và đưa ra quyết định thông minh. Việc khai phá dữ liệu được áp dụng rộng rãi trong nhiều lĩnh vực, bao gồm kinh doanh, y tế, marketing, khoa học, và xã hội học.\\nKhai phá dữ liệu là quá trình tìm kiếm thông tin, mô hình, cấu trúc và kiến thức từ dữ liệu không cấu trúc, dữ liệu lớn hay dữ liệu phức tạp. Nó tập trung vào việc {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} để khám phá các mẫu, quy tắc, tổ chức, mối quan hệ hoặc tri thức ẩn trong dữ liệu.\\n\\nCác kỹ thuật khai phá dữ liệu thường sử dụng các phép toán dựa trên số học, thống kê, máy học và {{topic|%7B%22topic%22%3A%22tr%C3%AD%20tu%E1%BB%87%20nh%C3%A2n%20t%E1%BA%A1o%22%7D}} để phân tích dữ liệu. Dưới đây là một số kỹ thuật khai phá dữ liệu phổ biến:\\n\\n1. Phân cụm (Clustering): Phân cụm nhóm các đối tượng tương tự lại với nhau dựa trên các thuộc tính chung. Phân cụm giúp hiểu về cấu trúc của dữ liệu và cung cấp quan điểm tổng thể về sự tương quan giữa các đối tượng.\\n\\n2. Phân loại (Classification): Xây dựng các mô hình để {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20lo%E1%BA%A1i%20%C4%91%E1%BB%91i%20t%C6%B0%E1%BB%A3ng%22%7D}} vào các nhãn được xác định sẵn. Các thuật toán phân loại học từ dữ liệu huấn luyện và sau đó phân loại các mẫu mới dựa trên mô hình đã học.\\n\\n3. Học tập theo quy tắc (Association rule learning): Tìm kiếm các quy tắc liên kết giữa các biến\u002Ftuần tự. Ví dụ: \\\"Nếu khách hàng mua sản phẩm X, họ thường cũng mua sản phẩm Y\\\".\\n\\n4. Dự đoán (Prediction): Dự đoán giá trị hoặc quyết định tương lai dựa trên các biến đã biết. Các mô hình machine learning được sử dụng để ước lượng và {{topic|%7B%22topic%22%3A%22d%E1%BB%B1%20%C4%91o%C3%A1n%20k%E1%BA%BFt%20qu%E1%BA%A3%22%7D}}.\\n\\n5. Phân tích chuỗi thời gian (Time series analysis): Phân tích và dự đoán xu hướng và mô hình của dữ liệu trong tuần tự thời gian.\\n\\nTrong quy trình khai phá dữ liệu, người sử dụng thường tiến hành các bước sau: {{topic|%7B%22topic%22%3A%22thu%20th%E1%BA%ADp%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}}, {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} (lọc, chuẩn hóa, biến đổi), chọn mô hình và thuật toán phù hợp, thực hiện đào tạo mô hình, đánh giá và tinh chỉnh, và cuối cùng sử dụng kết quả để rút ra thông tin hữu ích và đưa ra quyết định.\\n\"}]}",{"id":56,"researcherId":11,"name":57,"imageUrl":58},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[60,61,62,63,64,65],"phân tích dữ liệu","trí tuệ nhân tạo","phân loại đối tượng","dự đoán kết quả","thu thập dữ liệu","xử lý dữ liệu",6,"PUBLISHED","2023-08-15T12:55:33.820+00:00","2026-09-06T08:09:25.538+00:00","2026-09-06T08:09:25.216+00:00","2026-09-06T07:24:53.943+00:00",380,[74,77,80,83,86,89,92,95,98,101],{"id":75,"title":76,"term":75,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":78,"title":79,"term":78,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":81,"title":82,"term":81,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":84,"title":85,"term":84,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"hình thái","Hình thái là gì? Các công bố khoa học về Hình thái",{"id":87,"title":88,"term":87,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":90,"title":91,"term":90,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"học thuật","Học thuật là gì? Các nghiên cứu khoa học về Học thuật",{"id":93,"title":94,"term":93,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":96,"title":97,"term":96,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":99,"title":100,"term":99,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"in silico","In silico là gì? Các công bố khoa học về In silico",{"id":102,"title":103,"term":102,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI"]