[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_nhi%E1%BB%87m%20v%E1%BB%A5%20ph%C3%A2n%20lo%E1%BA%A1i{\"limit\":5}":3,"_public_topic_byId_nhi%E1%BB%87m%20v%E1%BB%A5%20ph%C3%A2n%20lo%E1%BA%A1i":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":13,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":25,"keywordCount":26,"enrichTopicLink":27,"status":28,"createTime":29,"updateTime":30,"publishTime":31,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":32,"wikidataId":10,"relateTopics":33},"nhiệm vụ phân loại","Nhiệm vụ phân loại là gì? Các nghiên cứu khoa học liên quan","Nhiệm vụ phân loại là bài toán học máy gán nhãn đầu vào vào các lớp rời rạc dựa trên đặc trưng đã học từ dữ liệu có gán nhãn. Đây là một dạng học có giám sát, áp dụng trong nhiều lĩnh vực như y tế, ngôn ngữ và thị giác máy tính để phân biệt các đối tượng theo nhóm cụ thể. ","\u003Cdiv>\u003Ch2>Khái niệm nhiệm vụ phân loại\u003C\u002Fh2>\n\u003Cp>Nhiệm vụ phân loại (classification task) là một bài toán trong học máy, trong đó mục tiêu là gán đầu vào vào một hoặc nhiều lớp (categories) xác định trước. Mỗi mẫu dữ liệu đầu vào sẽ được mô hình dự đoán thuộc về một hoặc nhiều nhãn rời rạc. Phân loại là một nhánh con của bài toán học có giám sát (supervised learning), vì dữ liệu huấn luyện phải đi kèm với nhãn đúng để mô hình học được mối quan hệ giữa đặc trưng và nhãn đầu ra.\u003C\u002Fp>\n\u003Cp>Khác với hồi quy – nơi đầu ra là giá trị liên tục – phân loại chỉ quan tâm đến các đầu ra rời rạc. Ví dụ, bài toán xác định một email có phải là spam hay không là bài toán phân loại nhị phân. Trong khi đó, nhận diện chữ số viết tay từ 0 đến 9 là phân loại đa lớp. Việc chọn mô hình phân loại phù hợp sẽ phụ thuộc vào loại dữ liệu, số lượng lớp và yêu cầu chính xác.\u003C\u002Fp>\n\u003Cp>Theo tài liệu từ Scikit-learn, một thư viện học máy phổ biến, các mô hình phân loại là thành phần cốt lõi trong các ứng dụng như phân tích văn bản, thị giác máy tính và hệ thống đề xuất. Tham khảo thêm tại \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Flinear_model.html#logistic-regression\" target=\"_blank\" rel=\"noopener\">Scikit-learn - Logistic Regression\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Phân loại theo số lượng lớp\u003C\u002Fh2>\n\u003Cp>Bài toán phân loại có thể được phân chia thành nhiều loại dựa trên cấu trúc nhãn đầu ra. Sự khác biệt giữa các loại này ảnh hưởng trực tiếp đến kiến trúc mô hình, cách tính hàm mất mát, cũng như chiến lược đánh giá hiệu quả.\u003C\u002Fp>\n\u003Cp>Các dạng chính gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Phân loại nhị phân (Binary Classification):\u003C\u002Fstrong> Chỉ có hai nhãn, ví dụ: dương tính\u002Fâm tính, hợp lệ\u002Fkhông hợp lệ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân loại đa lớp (Multiclass Classification):\u003C\u002Fstrong> Nhiều nhãn rời rạc, một mẫu chỉ thuộc một lớp duy nhất. Ví dụ: nhận diện loài hoa.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân loại đa nhãn (Multilabel Classification):\u003C\u002Fstrong> Một mẫu có thể thuộc nhiều lớp cùng lúc. Ví dụ: phân loại thể loại của một bộ phim (có thể vừa là hành động, tâm lý, kinh dị).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Trong bài toán đa nhãn, mô hình thường phải học cách xử lý các mối quan hệ giữa các nhãn (label correlation), do đó yêu cầu cấu trúc mô hình phức tạp hơn so với các dạng còn lại.\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Loại phân loại\u003C\u002Fth>\n      \u003Cth>Số lượng nhãn\u003C\u002Fth>\n      \u003Cth>Một mẫu có thể có nhiều nhãn?\u003C\u002Fth>\n      \u003Cth>Ví dụ\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Nhị phân\u003C\u002Ftd>\n      \u003Ctd>2\u003C\u002Ftd>\n      \u003Ctd>Không\u003C\u002Ftd>\n      \u003Ctd>Phát hiện email spam\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Đa lớp\u003C\u002Ftd>\n      \u003Ctd>&gt; 2\u003C\u002Ftd>\n      \u003Ctd>Không\u003C\u002Ftd>\n      \u003Ctd>Nhận diện chữ số viết tay\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Đa nhãn\u003C\u002Ftd>\n      \u003Ctd>&gt; 2\u003C\u002Ftd>\n      \u003Ctd>Có\u003C\u002Ftd>\n      \u003Ctd>Phân loại thể loại phim\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Quy trình tổng quát của một bài toán phân loại\u003C\u002Fh2>\n\u003Cp>Một quy trình phân loại điển hình trong học máy được triển khai theo các bước lặp đi lặp lại từ tiền xử lý dữ liệu đến triển khai mô hình. Việc tuân thủ quy trình chuẩn giúp mô hình đạt độ chính xác và khả năng tổng quát cao nhất.\u003C\u002Fp>\n\u003Cp>Các bước cơ bản bao gồm:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>\u003Cstrong>Thu thập dữ liệu:\u003C\u002Fstrong> Dữ liệu phải đại diện tốt cho các lớp cần phân loại. Có thể là ảnh, văn bản, tín hiệu sinh học, v.v.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tiền xử lý:\u003C\u002Fstrong> Làm sạch, chuẩn hóa, xử lý giá trị thiếu, mã hóa nhãn, trích xuất đặc trưng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Chia tập:\u003C\u002Fstrong> Phân chia dữ liệu thành tập huấn luyện, kiểm tra và\u002Fhoặc kiểm định chéo (cross-validation).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Huấn luyện mô hình:\u003C\u002Fstrong> Sử dụng tập huấn luyện để học mối quan hệ giữa đặc trưng và nhãn.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Đánh giá mô hình:\u003C\u002Fstrong> Dùng tập kiểm tra để tính các chỉ số hiệu suất như accuracy, precision, recall, F1.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Triển khai và theo dõi:\u003C\u002Fstrong> Đưa mô hình vào sử dụng thực tế và giám sát chất lượng theo thời gian.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Việc lựa chọn thuật toán phù hợp cần dựa vào tính chất của dữ liệu, khả năng giải thích, thời gian huấn luyện và độ nhạy với nhiễu. Mô hình đơn giản như logistic regression có thể đạt hiệu quả cao nếu dữ liệu được xử lý tốt.\u003C\u002Fp>\n\n\u003Ch2>Hàm mất mát và đánh giá hiệu suất\u003C\u002Fh2>\n\u003Cp>Trong bài toán phân loại, hàm mất mát được dùng để đo lường sai số giữa nhãn thực tế và đầu ra dự đoán. Hàm phổ biến nhất là \u003Cstrong>cross-entropy\u003C\u002Fstrong> (log loss), với công thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">L = - \\frac{1}{N} \\sum_{i=1}^N \\sum_{c=1}^C y_{i,c} \\log(\\hat{y}_{i,c})\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">y_{i,c}\u003C\u002Fscript> là nhãn thực tế và \u003Cscript type=\"math\u002Ftex\">\\hat{y}_{i,c}\u003C\u002Fscript> là xác suất mô hình dự đoán cho lớp c tại mẫu i. Giá trị mất mát càng thấp cho thấy mô hình dự đoán càng gần với thực tế.\u003C\u002Fp>\n\u003Cp>Đánh giá hiệu suất mô hình không chỉ dựa vào accuracy (độ chính xác), đặc biệt với dữ liệu mất cân bằng. Các chỉ số quan trọng khác gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Precision:\u003C\u002Fstrong> Tỷ lệ mẫu dự đoán đúng trên tổng số mẫu được dự đoán thuộc lớp đó.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Recall:\u003C\u002Fstrong> Tỷ lệ mẫu dự đoán đúng trên tổng số mẫu thực sự thuộc lớp đó.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>F1 score:\u003C\u002Fstrong> Trung bình điều hòa giữa precision và recall.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Confusion matrix:\u003C\u002Fstrong> Ma trận thể hiện sự phân bố giữa dự đoán và thực tế, hữu ích trong phân tích lỗi.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Xem thêm phân tích từ Google tại \u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fcrash-course\u002Fclassification\u002Fprecision-and-recall\" target=\"_blank\" rel=\"noopener\">Google ML Crash Course - Precision and Recall\u003C\u002Fa>.\u003C\u002Fp>\n\u003Ch2>Các thuật toán phân loại phổ biến\u003C\u002Fh2>\n\u003Cp>Trong học máy, nhiều thuật toán phân loại đã được phát triển và ứng dụng thành công trong các lĩnh vực khác nhau. Việc lựa chọn thuật toán phù hợp không chỉ phụ thuộc vào loại dữ liệu mà còn vào hiệu suất, khả năng diễn giải và tốc độ huấn luyện.\u003C\u002Fp>\n\u003Cp>Một số thuật toán phân loại phổ biến bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Logistic Regression:\u003C\u002Fstrong> Là mô hình phân loại tuyến tính, đơn giản nhưng hiệu quả với dữ liệu có thể phân tách được. Sử dụng hàm sigmoid để dự đoán xác suất thuộc về một lớp cụ thể.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Support Vector Machines (SVM):\u003C\u002Fstrong> Tối ưu hóa siêu phẳng phân tách hai lớp với khoảng cách lớn nhất. Có thể mở rộng sang bài toán phi tuyến qua kernel trick.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Decision Trees và Random Forest:\u003C\u002Fstrong> Cấu trúc dạng cây giúp phân chia không gian đặc trưng thành các vùng phân loại. Random Forest kết hợp nhiều cây để giảm overfitting và tăng độ chính xác.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>K-Nearest Neighbors (KNN):\u003C\u002Fstrong> Không yêu cầu huấn luyện mô hình, phân loại dựa trên đa số láng giềng gần nhất theo khoảng cách.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Naive Bayes:\u003C\u002Fstrong> Dựa trên định lý Bayes và giả định độc lập giữa các đặc trưng. Đơn giản, nhanh và đặc biệt hiệu quả với dữ liệu văn bản.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Neural Networks:\u003C\u002Fstrong> Mô hình mạng nơ-ron nhiều lớp có khả năng học biểu diễn phức tạp, phù hợp với dữ liệu có độ phi tuyến cao.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Bảng sau tóm tắt đặc điểm nổi bật của các thuật toán:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Thuật toán\u003C\u002Fth>\n      \u003Cth>Ưu điểm\u003C\u002Fth>\n      \u003Cth>Hạn chế\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Logistic Regression\u003C\u002Ftd>\n      \u003Ctd>Dễ triển khai, giải thích rõ\u003C\u002Ftd>\n      \u003Ctd>Chỉ phù hợp dữ liệu tuyến tính\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>SVM\u003C\u002Ftd>\n      \u003Ctd>Hiệu quả cao với biên phân tách rõ\u003C\u002Ftd>\n      \u003Ctd>Khó mở rộng với tập lớn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Random Forest\u003C\u002Ftd>\n      \u003Ctd>Chống overfitting tốt\u003C\u002Ftd>\n      \u003Ctd>Thiếu khả năng giải thích từng quyết định\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>KNN\u003C\u002Ftd>\n      \u003Ctd>Không cần huấn luyện\u003C\u002Ftd>\n      \u003Ctd>Chậm khi dự đoán tập lớn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Naive Bayes\u003C\u002Ftd>\n      \u003Ctd>Hiệu quả với dữ liệu rời rạc\u003C\u002Ftd>\n      \u003Ctd>Giả định đặc trưng độc lập\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Neural Networks\u003C\u002Ftd>\n      \u003Ctd>Học đặc trưng phi tuyến mạnh\u003C\u002Ftd>\n      \u003Ctd>Yêu cầu dữ liệu và tài nguyên lớn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Phân loại tuyến tính và phi tuyến\u003C\u002Fh2>\n\u003Cp>Một cách phân loại khác là dựa vào khả năng mô hình hóa mối quan hệ giữa đặc trưng và nhãn đầu ra là tuyến tính hay phi tuyến. Việc hiểu rõ sự khác biệt này giúp chọn mô hình và xử lý dữ liệu hợp lý hơn.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Mô hình phân loại tuyến tính\u003C\u002Fstrong> sử dụng ranh giới phân tách là một siêu phẳng (hyperplane). Với dữ liệu có thể phân tách tuyến tính, các mô hình như logistic regression hoặc linear SVM đạt hiệu quả cao. Đặc điểm của các mô hình này là đơn giản, ít tham số và dễ giải thích.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Mô hình phân loại phi tuyến\u003C\u002Fstrong> có khả năng học các ranh giới phức tạp, không tuyến tính. Chúng sử dụng các kỹ thuật như kernel (trong SVM) hoặc nhiều lớp ẩn (trong neural networks) để ánh xạ dữ liệu sang không gian mới. Ví dụ, Kernel SVM có thể dùng hàm RBF để xử lý dữ liệu không phân tách được tuyến tính trong không gian gốc.\u003C\u002Fp>\n\u003Cp>Công thức tổng quát cho mô hình tuyến tính:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">f(x) = w^T x + b\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong khi đó, mô hình phi tuyến có thể biểu diễn dưới dạng:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">f(x) = w^T \\phi(x) + b\u003C\u002Fscript>, với \u003Cscript type=\"math\u002Ftex\">\\phi(x)\u003C\u002Fscript> là ánh xạ phi tuyến.\u003C\u002Fp>\n\n\u003Ch2>Vấn đề mất cân bằng lớp\u003C\u002Fh2>\n\u003Cp>Dữ liệu trong thực tế thường không phân bố đều giữa các lớp. Trong các bài toán như phát hiện gian lận, ung thư, hoặc lỗi hiếm gặp trong sản xuất, một lớp chiếm tỷ lệ cực nhỏ so với phần còn lại. Điều này khiến mô hình dễ học theo xu hướng bỏ qua lớp hiếm và đạt accuracy cao nhưng vô nghĩa.\u003C\u002Fp>\n\u003Cp>Ví dụ, nếu chỉ 1% dữ liệu là lỗi sản phẩm, mô hình dự đoán toàn bộ là \"không lỗi\" vẫn đạt 99% độ chính xác – nhưng không có giá trị thực tế. Vì vậy, cần áp dụng các kỹ thuật để xử lý mất cân bằng:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Oversampling:\u003C\u002Fstrong> Tăng số lượng mẫu của lớp thiểu số, ví dụ bằng kỹ thuật SMOTE (Synthetic Minority Over-sampling Technique).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Undersampling:\u003C\u002Fstrong> Giảm số lượng mẫu lớp đa số.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Điều chỉnh trọng số mất mát:\u003C\u002Fstrong> Gán trọng số cao hơn cho lớp hiếm khi tính hàm mất mát.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Trong các thư viện như \u003Ca href=\"https:\u002F\u002Fimbalanced-learn.org\u002Fstable\u002F\" target=\"_blank\" rel=\"noopener\">Imbalanced-learn\u003C\u002Fa>, các kỹ thuật này được tích hợp sẵn giúp quá trình huấn luyện hiệu quả hơn trong điều kiện dữ liệu lệch lớp.\u003C\u002Fp>\n\n\u003Ch2>Phân loại trong học sâu (Deep Learning)\u003C\u002Fh2>\n\u003Cp>Với sự phát triển của học sâu, các mô hình mạng nơ-ron ngày càng được ứng dụng nhiều cho bài toán phân loại, đặc biệt trong các lĩnh vực yêu cầu trích xuất đặc trưng phức tạp như ảnh, âm thanh và văn bản.\u003C\u002Fp>\n\u003Cp>Trong các mô hình như CNN (convolutional neural networks), RNN (recurrent neural networks) hoặc Transformer, lớp cuối cùng thường là một lớp dense sử dụng hàm softmax để dự đoán xác suất các lớp. Hàm mất mát đi kèm là cross-entropy:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">L = - \\sum_{c=1}^{C} y_c \\log(\\hat{y}_c)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Deep learning cho phép mô hình học trực tiếp từ dữ liệu thô mà không cần trích xuất đặc trưng thủ công. Tuy nhiên, nó đòi hỏi lượng dữ liệu lớn, phần cứng mạnh và kỹ năng tối ưu hóa mô hình tốt.\u003C\u002Fp>\n\u003Cp>Trong phân loại ảnh, mạng CNN đã giúp đạt độ chính xác vượt trội so với các phương pháp truyền thống. Trong xử lý ngôn ngữ tự nhiên, Transformer như BERT và GPT cũng được huấn luyện cho các bài toán phân loại văn bản, phân tích cảm xúc, nhận diện ý định.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tế của phân loại\u003C\u002Fh2>\n\u003Cp>Phân loại là một trong những ứng dụng phổ biến và có tác động thực tế cao nhất của học máy. Các mô hình phân loại được triển khai trong nhiều lĩnh vực:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Y tế:\u003C\u002Fstrong> Chẩn đoán bệnh từ hình ảnh X-quang, MRI, dữ liệu xét nghiệm. Ví dụ: phân loại tế bào ung thư.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>An ninh mạng:\u003C\u002Fstrong> Phát hiện email spam, mã độc, hành vi tấn công.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Ngôn ngữ:\u003C\u002Fstrong> Phân loại cảm xúc, nhận diện chủ đề văn bản, phân tích ý định người dùng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Công nghiệp:\u003C\u002Fstrong> Phân loại lỗi sản phẩm, tự động kiểm tra chất lượng bằng hình ảnh.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Mô hình phân loại cũng đóng vai trò trung tâm trong các hệ thống khuyến nghị (recommendation systems), chatbot, và ứng dụng AI tương tác thực tế.\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Flinear_model.html#logistic-regression\" target=\"_blank\" rel=\"noopener\">Scikit-learn - Logistic Regression\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fcrash-course\u002Fclassification\u002Fprecision-and-recall\" target=\"_blank\" rel=\"noopener\">Google ML Crash Course - Precision and Recall\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fimbalanced-learn.org\u002Fstable\u002Fover_sampling.html\" target=\"_blank\" rel=\"noopener\">Imbalanced-learn - Over-sampling\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fmachinelearningmastery.com\u002Ftypes-of-classification-in-machine-learning\u002F\" target=\"_blank\" rel=\"noopener\">Machine Learning Mastery - Types of Classification\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fdeepai.org\u002Fmachine-learning-glossary-and-terms\u002Fclassification\" target=\"_blank\" rel=\"noopener\">DeepAI - Classification\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],1,false,"PUBLISHED","2025-11-10T03:47:44.614+00:00","2025-11-11T09:00:16.205+00:00","2025-11-11T09:00:16.201+00:00",140,[34,45,56,67,78,84,95,106,112,118],{"id":35,"title":36,"term":37,"englishTitle":38,"definition":39,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"máy quang phổ echelle","Máy quang phổ echelle (echelle spectrometer) là gì?","Máy quang phổ echelle","echelle spectrometer","Máy quang phổ echelle là loại máy quang phổ nhiễu xạ độ phân giải cao, kết hợp cách tử echelle làm việc ở bậc nhiễu xạ cao với phần tử tán sắc chéo đặt vuông góc để tách các bậc phổ chồng lấp thành ảnh phổ hai chiều trên đầu thu mảng. Kiến trúc này cho phép ghi nhận đồng thời dải bước sóng rộng với năng suất phân giải lớn mà không cần quét cơ học.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":46,"title":47,"term":48,"englishTitle":49,"definition":50,"discipline":51,"disciplineCode":52,"disciplineLabel":53,"disciplineColor":54,"disciplineIcon":55},"hẹp tắc động mạch nội sọ","Hẹp tắc động mạch nội sọ là gì? Cơ chế và điều trị","Hẹp tắc động mạch nội sọ","intracranial arterial stenosis","Hẹp tắc động mạch nội sọ là tình trạng thu hẹp lòng mạch hoặc bít tắc hoàn toàn một hay nhiều động mạch lớn bên trong hộp sọ, làm giảm lưu lượng máu nuôi não và gây nguy cơ cao đột quỵ thiếu máu não, trong đó căn nguyên phổ biến nhất là xơ vữa động mạch.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":57,"title":58,"term":59,"englishTitle":60,"definition":61,"discipline":62,"disciplineCode":63,"disciplineLabel":64,"disciplineColor":65,"disciplineIcon":66},"phép biện chứng","Phép biện chứng (dialectic) là gì?","Phép biện chứng","dialectic","Phép biện chứng là một truyền thống phương pháp luận và lý luận triết học, trong thời cổ đại chỉ nghệ thuật đối thoại hỏi đáp truy tìm chân lý, còn trong triết học cận hiện đại chỉ học thuyết về sự vận động, mối liên hệ và chuyển hóa của khái niệm hoặc hiện thực thông qua mâu thuẫn.","HUMANITIES","humanities","Nhân văn và nghệ thuật","#9333EA","book-open",{"id":68,"title":69,"term":70,"englishTitle":71,"definition":72,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"vật liệu hybrid","Vật liệu hybrid (hybrid material) là gì?","Vật liệu hybrid","hybrid material","Vật liệu hybrid (vật liệu lai) là vật liệu cấu tạo từ hỗn hợp trộn lẫn mật thiết giữa thành phần hữu cơ, vô cơ hoặc cả hai, thường đan xen ở thang kích thước nhỏ hơn 1 µm (IUPAC, 2007) nhằm tạo ra tính chất hiệp đồng vượt trội so với từng thành phần đơn lẻ.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":79,"title":80,"term":81,"englishTitle":82,"definition":83,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"đường cong quantum seiberg witten","Đường cong quantum Seiberg-Witten là gì? Cơ chế và ứng dụng","Đường cong quantum Seiberg-Witten","quantum Seiberg-Witten curve","Đường cong quantum Seiberg-Witten là phiên bản lượng tử hóa của đường cong đại số Seiberg-Witten cổ điển, thu được khi nâng tọa độ trên đường cong lên toán tử không giao hoán để tạo thành phương trình vi phân hoặc sai phân tuyến tính trong giới hạn Nekrasov-Shatashvili của lý thuyết chuẩn siêu đối xứng N = 2.",{"id":85,"title":86,"term":87,"englishTitle":88,"definition":89,"discipline":90,"disciplineCode":91,"disciplineLabel":92,"disciplineColor":93,"disciplineIcon":94},"sản xuất giống","Sản xuất giống (seed production) là gì?","Sản xuất giống","seed production","Sản xuất giống (seed production) là quá trình tổ chức nhân số lượng, kiểm soát chất lượng và cung ứng vật liệu nhân giống từ nguồn giống gốc nhằm duy trì độ thuần di truyền, phẩm chất sinh lý và trạng thái sạch bệnh của giống trong sản xuất nông nghiệp.","AGRICULTURAL_SCIENCES","agricultural-sciences","Khoa học nông nghiệp","#2F9E44","sprout",{"id":96,"title":97,"term":98,"englishTitle":99,"definition":100,"discipline":101,"disciplineCode":102,"disciplineLabel":103,"disciplineColor":104,"disciplineIcon":105},"lý thuyết hình ảnh","Lý thuyết hình ảnh (image theory) là gì?","Lý thuyết hình ảnh","image theory","Lý thuyết hình ảnh (image theory) là một lý thuyết tâm lý học mô tả quá trình ra quyết định cá nhân và tổ chức do Lee Roy Beach và Terence R. Mitchell đề xuất năm 1987. Thay vì tối đa hóa hữu dụng kỳ vọng, lý thuyết này cho rằng con người sàng lọc phương án dựa trên mức độ tương thích với hệ thống giá trị, mục tiêu và kế hoạch sẵn có.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":107,"title":108,"term":109,"englishTitle":110,"definition":111,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"tổng hợp urê","Tổng hợp urê (urea synthesis) là gì?","Tổng hợp urê","urea synthesis","Tổng hợp urê là quá trình hóa học và công nghệ chuyển hóa amoniac (NH3) và carbon dioxide (CO2) — hoặc các nguồn carbon, nitơ thay thế qua lộ trình điện hóa, quang hóa — thành urê (CO(NH2)2), hợp chất đạm nền tảng của ngành phân bón và hóa chất công nghiệp.",{"id":113,"title":114,"term":115,"englishTitle":116,"definition":117,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"hấp phụ hóa học","Hấp phụ hóa học (chemisorption) là gì?","Hấp phụ hóa học","chemisorption","Hấp phụ hóa học (chemisorption) là quá trình hấp phụ phát sinh từ sự hình thành liên kết hóa học mạnh giữa chất bị hấp phụ và các tâm hoạt tính trên bề mặt chất hấp phụ, tạo thành một đơn lớp trên bề mặt.",{"id":119,"title":120,"term":121,"englishTitle":122,"definition":123,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"mô đun đàn hồi động","Mô đun đàn hồi động (dynamic elastic modulus) là gì?","Mô đun đàn hồi động","dynamic elastic modulus","Mô đun đàn hồi động là đại lượng cơ học đặc trưng cho độ cứng đàn hồi của vật liệu dưới tải trọng biến thiên theo thời gian, dao động điều hòa hoặc sóng ứng suất biên độ nhỏ. Đại lượng này thường được xác định không phá hủy bằng đo tần số cộng hưởng, vận tốc xung siêu âm hoặc phân tích cơ động học."]