[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_thu%E1%BA%ADt%20to%C3%A1n%20m%C3%A1y%20h%E1%BB%8Dc{\"limit\":5}":3,"_public_topic_byId_thuật toán máy học":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":22,"keywordCount":10,"enrichTopicLink":23,"status":24,"createTime":25,"updateTime":26,"publishTime":27,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":28,"relateTopics":29},"thuật toán máy học","Thuật toán máy học là gì? Các nghiên cứu khoa học liên quan","Thuật toán máy học là tập hợp các phương pháp cho phép máy tính học từ dữ liệu và đưa ra dự đoán mà không cần lập trình chi tiết từng bước. Chúng đóng vai trò nền tảng trong các hệ thống trí tuệ nhân tạo hiện đại, giúp mô hình cải thiện hiệu suất thông qua trải nghiệm và dữ liệu huấn luyện. ","\u003Cdiv>\u003Ch2>Định nghĩa thuật toán máy học\u003C\u002Fh2>\u003Cp>Thuật toán máy học là tập hợp các quy trình, mô hình toán học hoặc phương pháp tối ưu được sử dụng để xây dựng hệ thống có khả năng học từ dữ liệu. Khác với lập trình truyền thống, nơi nhà phát triển phải chỉ định mọi bước xử lý, thuật toán máy học giúp máy tính trích xuất quy luật ẩn từ dữ liệu đầu vào để thực hiện các tác vụ như phân loại, dự đoán, hoặc ra quyết định.\u003C\u002Fp>\u003Cp>Về bản chất, các thuật toán này là cầu nối giữa dữ liệu và mô hình. Dữ liệu càng phong phú và đa dạng, mô hình được huấn luyện bằng thuật toán càng có khả năng tổng quát hóa tốt. Trong kỷ nguyên dữ liệu lớn và trí tuệ nhân tạo hiện nay, thuật toán máy học là nền tảng của nhiều ứng dụng trong thực tế như nhận diện hình ảnh, xử lý ngôn ngữ tự nhiên, phân tích tài chính, hay chẩn đoán y khoa.\u003C\u002Fp>\u003Cp>Theo \u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Ftopics\u002Fmachine-learning\">IBM\u003C\u002Fa>, thuật toán máy học chính là phần lõi cho phép hệ thống tự động cải thiện hiệu suất thông qua kinh nghiệm, cụ thể là thông qua việc học từ tập dữ liệu lịch sử.\u003C\u002Fp>\n\n\u003Ch2>Phân loại các thuật toán máy học\u003C\u002Fh2>\u003Cp>Thuật toán máy học được phân loại dựa trên cách chúng học từ dữ liệu và mục tiêu học. Phân loại cơ bản nhất chia thành ba nhóm chính: học có giám sát, học không giám sát, và học tăng cường. Mỗi nhóm phục vụ cho các loại bài toán khác nhau và yêu cầu các chiến lược huấn luyện khác nhau.\u003C\u002Fp>\u003Cp>Học có giám sát (supervised learning) sử dụng tập dữ liệu có nhãn, trong đó mỗi mẫu dữ liệu được gán với một đầu ra mong muốn. Mục tiêu là học được hàm ánh xạ từ đầu vào đến đầu ra. Học không giám sát (unsupervised learning) làm việc với dữ liệu chưa gán nhãn, thường dùng để tìm cấu trúc tiềm ẩn hoặc phân cụm. Trong khi đó, học tăng cường (reinforcement learning) cho phép một tác nhân học cách tương tác với môi trường và nhận phần thưởng từ hành động của mình.\u003C\u002Fp>\u003Cp>Một số phân nhóm thuật toán chi tiết hơn gồm:\u003C\u002Fp>\u003Cul>\u003Cli>Học bán giám sát (semi-supervised learning): kết hợp dữ liệu có nhãn và không nhãn\u003C\u002Fli>\u003Cli>Học tự giám sát (self-supervised learning): sinh nhãn từ chính dữ liệu để huấn luyện\u003C\u002Fli>\u003Cli>Học chuyển tiếp (transfer learning): tận dụng kiến thức từ bài toán khác để học nhanh hơn\u003C\u002Fli>\u003C\u002Ful>\n\n\u003Ch2>Các thuật toán phổ biến trong học có giám sát\u003C\u002Fh2>\u003Cp>Học có giám sát là nhóm phổ biến nhất trong thực tiễn triển khai mô hình máy học. Các thuật toán điển hình bao gồm hồi quy tuyến tính, hồi quy logistic, cây quyết định, rừng ngẫu nhiên, máy vector hỗ trợ (SVM), và K-láng giềng gần nhất (KNN). Mỗi thuật toán có ưu nhược điểm riêng và phù hợp với từng loại bài toán.\u003C\u002Fp>\u003Cp>Hồi quy tuyến tính được sử dụng để dự đoán giá trị liên tục. Mô hình tìm đường thẳng (hoặc siêu phẳng) tốt nhất mô tả mối quan hệ giữa biến độc lập và biến phụ thuộc. Công thức chuẩn được biểu diễn như sau: \u003Cbr>\u003Cscript type=\"math\u002Ftex\">\\hat{y} = \\beta_0 + \\beta_1 x_1 + \\beta_2 x_2 + \\ldots + \\beta_n x_n\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Các thuật toán phân loại như hồi quy logistic hoặc SVM lại thích hợp cho các bài toán nhị phân hoặc đa lớp. Trong khi đó, cây quyết định và rừng ngẫu nhiên có khả năng xử lý dữ liệu không tuyến tính, và thường được sử dụng nhiều trong các hệ thống khuyến nghị, chẩn đoán bệnh hoặc phát hiện gian lận.\u003C\u002Fp>\u003Cp>Bảng so sánh các thuật toán có giám sát tiêu biểu:\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\u003Cthead>\u003Ctr>\u003Cth>Thuật toán\u003C\u002Fth>\u003Cth>Loại bài toán\u003C\u002Fth>\u003Cth>Ưu điểm\u003C\u002Fth>\u003Cth>Nhược điểm\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Linear Regression\u003C\u002Ftd>\u003Ctd>Hồi quy\u003C\u002Ftd>\u003Ctd>Đơn giản, dễ giải thích\u003C\u002Ftd>\u003Ctd>Không xử lý tốt quan hệ phi tuyến\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Logistic Regression\u003C\u002Ftd>\u003Ctd>Phân loại\u003C\u002Ftd>\u003Ctd>Hiệu quả với bài toán tuyến tính\u003C\u002Ftd>\u003Ctd>Giả định phân phối tuyến tính\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>SVM\u003C\u002Ftd>\u003Ctd>Phân loại\u003C\u002Ftd>\u003Ctd>Hiệu quả với dữ liệu phức tạp\u003C\u002Ftd>\u003Ctd>Chi phí tính toán cao với dữ liệu lớn\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Random Forest\u003C\u002Ftd>\u003Ctd>Phân loại & Hồi quy\u003C\u002Ftd>\u003Ctd>Khả năng tổng quát tốt\u003C\u002Ftd>\u003Ctd>Thiếu khả năng giải thích rõ ràng\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Các thuật toán phổ biến trong học không giám sát\u003C\u002Fh2>\u003Cp>Trong học không giám sát, mô hình phải tự tìm hiểu cấu trúc dữ liệu mà không có thông tin gán nhãn trước đó. Các thuật toán nổi bật trong nhóm này bao gồm K-means, phân cụm phân cấp (hierarchical clustering), phân tích thành phần chính (PCA), và autoencoder.\u003C\u002Fp>\u003Cp>K-means là thuật toán phân cụm đơn giản và hiệu quả, dùng để nhóm các điểm dữ liệu thành k cụm sao cho khoảng cách nội cụm nhỏ nhất. Công thức tối ưu của K-means nhằm mục tiêu tối thiểu tổng bình phương khoảng cách từ mỗi điểm đến trung tâm cụm: \u003Cscript type=\"math\u002Ftex\">\\arg\\min_{S} \\sum_{i=1}^{k} \\sum_{x \\in S_i} \\| x - \\mu_i \\|^2\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>PCA lại được sử dụng để giảm chiều dữ liệu trong khi vẫn giữ lại các thành phần biến thiên quan trọng. Autoencoder, thuộc lĩnh vực học sâu, học cách mã hóa đầu vào thành không gian ẩn và tái tạo lại đầu ra, từ đó có thể áp dụng cho nén dữ liệu, phát hiện bất thường và tiền xử lý dữ liệu.\u003C\u002Fp>\u003Cp>Một số ứng dụng thực tế của học không giám sát:\u003C\u002Fp>\u003Cul>\u003Cli>Phân nhóm khách hàng theo hành vi tiêu dùng\u003C\u002Fli>\u003Cli>Giảm chiều dữ liệu trước khi huấn luyện\u003C\u002Fli>\u003Cli>Phát hiện điểm bất thường trong dữ liệu tài chính\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2>Học tăng cường và các thuật toán tiêu biểu\u003C\u002Fh2>\u003Cp>Học tăng cường (Reinforcement Learning – RL) là một nhánh của học máy trong đó một tác nhân (agent) học cách hành động trong môi trường bằng cách nhận phần thưởng (reward) hoặc hình phạt cho mỗi hành động. Mục tiêu là tìm ra chính sách hành động tối ưu để tối đa hóa tổng phần thưởng tích lũy theo thời gian.\u003C\u002Fp>\u003Cp>Quá trình học diễn ra thông qua thử – sai. Mỗi lần tác nhân tương tác với môi trường, nó sẽ quan sát trạng thái hiện tại \u003Cscript type=\"math\u002Ftex\"> s \u003C\u002Fscript>, chọn hành động \u003Cscript type=\"math\u002Ftex\"> a \u003C\u002Fscript>, nhận phần thưởng \u003Cscript type=\"math\u002Ftex\"> r \u003C\u002Fscript> và chuyển sang trạng thái mới \u003Cscript type=\"math\u002Ftex\"> s' \u003C\u002Fscript>. Một thuật toán RL điển hình là Q-learning, với công thức cập nhật giá trị hành động như sau: \u003Cscript type=\"math\u002Ftex\">Q(s,a) \\leftarrow Q(s,a) + \\alpha [r + \\gamma \\max_{a'} Q(s',a') - Q(s,a)]\u003C\u002Fscript> Trong đó \u003Cscript type=\"math\u002Ftex\"> \\alpha \u003C\u002Fscript> là tốc độ học và \u003Cscript type=\"math\u002Ftex\"> \\gamma \u003C\u002Fscript> là hệ số chiết khấu phần thưởng tương lai.\u003C\u002Fp>\u003Cp>Các thuật toán học tăng cường nổi bật hiện nay gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Q-learning:\u003C\u002Fstrong> Học bảng Q cho các cặp trạng thái – hành động\u003C\u002Fli>\u003Cli>\u003Cstrong>Deep Q-Network (DQN):\u003C\u002Fstrong> Dùng mạng neural để xấp xỉ hàm Q trong môi trường có không gian trạng thái lớn\u003C\u002Fli>\u003Cli>\u003Cstrong>Policy Gradient:\u003C\u002Fstrong> Tối ưu trực tiếp chính sách hành động bằng hàm mất mát gradient\u003C\u002Fli>\u003Cli>\u003Cstrong>Proximal Policy Optimization (PPO):\u003C\u002Fstrong> Thuật toán gradient ổn định và phổ biến trong huấn luyện AI chơi game\u003C\u002Fli>\u003C\u002Ful>\n\n\u003Ch2>Ứng dụng thực tế của các thuật toán máy học\u003C\u002Fh2>\u003Cp>Thuật toán máy học đã và đang được ứng dụng sâu rộng trong hầu hết các lĩnh vực khoa học, công nghệ và đời sống. Trong y tế, mô hình học máy giúp phát hiện ung thư từ ảnh X-quang, phân tích trình tự gene, và dự đoán nguy cơ bệnh mãn tính. Trong tài chính, các thuật toán được dùng để phân tích hành vi tín dụng, phát hiện gian lận giao dịch, và tối ưu hóa danh mục đầu tư.\u003C\u002Fp>\u003Cp>Trong ngành bán lẻ và thương mại điện tử, các thuật toán như collaborative filtering hoặc deep learning recommendation engine được dùng để cá nhân hóa trải nghiệm người dùng và gợi ý sản phẩm. Trong giao thông và ô tô tự hành, thuật toán học sâu kết hợp học tăng cường giúp xe tự học cách lái trong môi trường thực tế.\u003C\u002Fp>\u003Cp>Dưới đây là bảng minh họa một số ứng dụng theo lĩnh vực:\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\u003Cthead>\u003Ctr>\u003Cth>Lĩnh vực\u003C\u002Fth>\u003Cth>Ứng dụng\u003C\u002Fth>\u003Cth>Thuật toán sử dụng\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Y tế\u003C\u002Ftd>\u003Ctd>Chẩn đoán ảnh y khoa\u003C\u002Ftd>\u003Ctd>CNN, SVM\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Tài chính\u003C\u002Ftd>\u003Ctd>Phát hiện gian lận\u003C\u002Ftd>\u003Ctd>Random Forest, Anomaly Detection\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Thương mại\u003C\u002Ftd>\u003Ctd>Gợi ý sản phẩm\u003C\u002Ftd>\u003Ctd>KNN, Matrix Factorization\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Giao thông\u003C\u002Ftd>\u003Ctd>Xe tự hành\u003C\u002Ftd>\u003Ctd>DQN, PPO\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Cp>Tham khảo ứng dụng học máy trong y học tại \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41746-019-0148-3\">Nature Digital Medicine\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Đánh giá hiệu suất thuật toán máy học\u003C\u002Fh2>\u003Cp>Đánh giá mô hình là bước quan trọng để kiểm tra mức độ hiệu quả và khả năng tổng quát của thuật toán máy học. Việc lựa chọn chỉ số đánh giá phù hợp phụ thuộc vào loại bài toán: phân loại, hồi quy, hay phân cụm.\u003C\u002Fp>\u003Cp>Với bài toán phân loại, các chỉ số phổ biến gồm độ chính xác (accuracy), độ chính xác thực sự (precision), độ nhạy (recall), và F1-score. Đối với hồi quy, có thể sử dụng sai số bình phương trung bình (MSE), sai số tuyệt đối trung bình (MAE), hoặc hệ số xác định \u003Cscript type=\"math\u002Ftex\"> R^2 \u003C\u002Fscript>. Với các thuật toán phân cụm, chỉ số Silhouette hoặc chỉ số Davies–Bouldin được dùng để đánh giá chất lượng phân nhóm.\u003C\u002Fp>\u003Cp>Một số chỉ số đánh giá tiêu biểu:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Accuracy:\u003C\u002Fstrong> Tỷ lệ dự đoán đúng trên tổng số mẫu\u003C\u002Fli>\u003Cli>\u003Cstrong>F1-score:\u003C\u002Fstrong> Trung bình điều hòa của precision và recall\u003C\u002Fli>\u003Cli>\u003Cstrong>MSE:\u003C\u002Fstrong> Trung bình bình phương sai số dự đoán\u003C\u002Fli>\u003Cli>\u003Cstrong>Silhouette score:\u003C\u002Fstrong> Mức độ tách biệt giữa các cụm\u003C\u002Fli>\u003C\u002Ful>\n\n\u003Ch2>Thách thức và hạn chế của các thuật toán máy học\u003C\u002Fh2>\u003Cp>Dù đạt được nhiều thành tựu, thuật toán máy học vẫn đối mặt với không ít thách thức. Đầu tiên là nhu cầu lớn về dữ liệu huấn luyện chất lượng cao. Dữ liệu không đầy đủ, mất cân bằng hoặc nhiễu sẽ ảnh hưởng nghiêm trọng đến hiệu suất mô hình.\u003C\u002Fp>\u003Cp>Tiếp theo là vấn đề thiếu khả năng giải thích (interpretability), đặc biệt trong các mô hình học sâu. Điều này gây khó khăn khi ứng dụng vào các lĩnh vực đòi hỏi tính minh bạch như y tế, tài chính hoặc pháp luật. Ngoài ra, các thuật toán còn dễ bị ảnh hưởng bởi thiên lệch (bias) trong dữ liệu, làm tăng rủi ro tái tạo bất công xã hội.\u003C\u002Fp>\u003Cp>Thách thức khác gồm:\u003C\u002Fp>\u003Cul>\u003Cli>Chi phí tính toán và năng lượng cao đối với mô hình phức tạp\u003C\u002Fli>\u003Cli>Overfitting nếu mô hình quá phức tạp so với dữ liệu\u003C\u002Fli>\u003Cli>Thiếu khả năng tái sử dụng mô hình cho bài toán khác\u003C\u002Fli>\u003C\u002Ful>\n\n\u003Ch2>Xu hướng phát triển của thuật toán máy học\u003C\u002Fh2>\u003Cp>Các nghiên cứu hiện đại đang tập trung phát triển thuật toán có khả năng học với dữ liệu hạn chế (few-shot learning), không cần nhãn (self-supervised learning), hoặc kết hợp học có cấu trúc (graph-based learning). Đồng thời, AutoML (Automated Machine Learning) đang giúp giảm bớt yêu cầu kỹ thuật bằng cách tự động hóa quy trình chọn mô hình, xử lý dữ liệu và tinh chỉnh siêu tham số.\u003C\u002Fp>\u003Cp>Trí tuệ nhân tạo có khả năng giải thích (Explainable AI – XAI) cũng là một lĩnh vực phát triển mạnh, với mục tiêu tăng độ tin cậy và minh bạch trong các quyết định dựa trên mô hình học máy. Việc kết hợp giữa tính chính xác và khả năng giải thích đang trở thành ưu tiên hàng đầu trong các ứng dụng nhạy cảm.\u003C\u002Fp>\u003Cp>Các thư viện mã nguồn mở đóng vai trò quan trọng trong phổ cập thuật toán ML:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002F\">Scikit-learn:\u003C\u002Fa> thư viện học máy đơn giản và phổ biến trong Python\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.tensorflow.org\u002F\">TensorFlow:\u003C\u002Fa> framework học sâu mạnh mẽ do Google phát triển\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fpytorch.org\u002F\">PyTorch:\u003C\u002Fa> framework học sâu được ưa chuộng nhờ sự linh hoạt và trực quan\u003C\u002Fli>\u003C\u002Ful>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\u003Col>\u003Cli>IBM. (n.d.). What is machine learning? Retrieved from \u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Ftopics\u002Fmachine-learning\">https:\u002F\u002Fwww.ibm.com\u002Ftopics\u002Fmachine-learning\u003C\u002Fa>\u003C\u002Fli>\u003Cli>Scikit-learn Documentation. (n.d.). Retrieved from \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002F\">https:\u002F\u002Fscikit-learn.org\u002F\u003C\u002Fa>\u003C\u002Fli>\u003Cli>Google AI. (n.d.). TensorFlow. Retrieved from \u003Ca href=\"https:\u002F\u002Fwww.tensorflow.org\u002F\">https:\u002F\u002Fwww.tensorflow.org\u002F\u003C\u002Fa>\u003C\u002Fli>\u003Cli>Meta AI. (n.d.). PyTorch. Retrieved from \u003Ca href=\"https:\u002F\u002Fpytorch.org\u002F\">https:\u002F\u002Fpytorch.org\u002F\u003C\u002Fa>\u003C\u002Fli>\u003Cli>Topol, E. (2019). High-performance medicine: the convergence of human and artificial intelligence. \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41746-019-0148-3\">Nature Digital Medicine\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",{"id":18,"researcherId":10,"name":19,"imageUrl":20},[13],false,"PUBLISHED","2025-09-13T16:38:16.671+00:00","2025-09-13T16:46:03.060+00:00","2025-09-13T16:46:03.057+00:00",233,[30,33,36,47,50,53,58,68,73,79],{"id":31,"title":32,"term":31,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"định lượng","Định lượng là gì? Các công bố khoa học về Định lượng",{"id":34,"title":35,"term":34,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"khai thác văn bản","Khai thác văn bản là gì? Các nghiên cứu khoa học liên quan",{"id":37,"title":38,"term":39,"englishTitle":40,"definition":41,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"thẻ thanh toán","Thẻ thanh toán là gì? Ý nghĩa và ứng dụng chuyên sâu","Thẻ thanh toán","Payment card \u002F Bank card","Thẻ thanh toán là phương tiện thanh toán không dùng tiền mặt do các tổ chức tài chính hoặc ngân hàng phát hành, cho phép chủ thẻ thực hiện các giao dịch thanh toán hàng hóa dịch vụ, rút tiền mặt hoặc chuyển khoản thông qua các kênh điện tử và mạng lưới chấp nhận thẻ toàn cầu.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":48,"title":49,"term":48,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"hành vi mua sắm","Hành vi mua sắm là gì? Các nghiên cứu khoa học liên quan",{"id":51,"title":52,"term":51,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"giải đoán","Giải đoán là gì? Các công bố khoa học về Giải đoán",{"id":54,"title":55,"term":54,"englishTitle":56,"definition":57,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"hành vi khách hàng","Hành vi khách hàng là gì? Tổng quan học thuật","consumer behavior \u002F customer behavior","Hành vi khách hàng (consumer behavior) là ngành khoa học hành vi nghiên cứu các quá trình tâm lý, xã hội và kinh tế mà cá nhân hoặc tổ chức trải qua khi nhận thức nhu cầu, tìm kiếm thông tin, đánh giá, mua sắm, sử dụng và loại bỏ các sản phẩm hoặc dịch vụ.",{"id":59,"title":60,"term":59,"englishTitle":61,"definition":62,"discipline":63,"disciplineCode":64,"disciplineLabel":65,"disciplineColor":66,"disciplineIcon":67},"thiết kế thí nghiệm","Thiết kế thí nghiệm là gì? Khái niệm, cơ chế và ứng dụng","Design of experiments (DOE)","Thiết kế thí nghiệm là phương pháp thống kê ứng dụng có cấu trúc nhằm lập kế hoạch, triển khai và phân tích các thử nghiệm khoa học, cho phép thay đổi đồng thời nhiều yếu tố đầu vào để đánh giá tác động độc lập và tương tác qua lại của chúng đối với các biến phản hồi đầu ra.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":69,"title":70,"term":69,"englishTitle":71,"definition":72,"discipline":63,"disciplineCode":64,"disciplineLabel":65,"disciplineColor":66,"disciplineIcon":67},"dự đoán kết quả","Dự đoán kết quả là gì? Các nghiên cứu khoa học liên quan","Outcome prediction \u002F Prognostic prediction","Dự đoán kết quả là quá trình ứng dụng các mô hình xác suất thống kê, học máy và dữ liệu lịch sử nhằm ước tính xác suất xảy ra của các biến cố đầu ra cụ thể trong một hệ thống hoặc quần thể nghiên cứu.",{"id":74,"title":75,"term":76,"englishTitle":77,"definition":78,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"thị trường tài chính","Thị trường tài chính là gì? Các nghiên cứu khoa học ","Thị trường tài chính","financial market","Thị trường tài chính (financial market) là hệ thống cơ chế và địa điểm trao đổi, mua bán các công cụ tài chính như cổ phiếu, trái phiếu, tiền tệ và các công cụ phái sinh, đóng vai trò dẫn truyền và phân bổ nguồn vốn nhàn rỗi từ người tiết kiệm sang người đầu tư trong nền kinh tế.",{"id":80,"title":81,"term":80,"englishTitle":82,"definition":83,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"hiếp dâm","hiếp dâm là gì? Ý nghĩa và ứng dụng chuyên sâu","Rape \u002F Sexual violence","Hiếp dâm (rape) là hành vi xâm hại tình dục nghiêm trọng được thực hiện bằng vũ lực, đe dọa dùng vũ lực hoặc lợi dụng tình trạng không thể tự vệ của nạn nhân để thực hiện quan hệ tình dục trái ý muốn, cấu thành tội phạm hình sự đặc biệt nghiêm trọng."]