Đề 14 – Bài tập, đề thi trắc nghiệm online Khai phá dữ liệu

A A. Quá trình thu thập dữ liệu từ nhiều nguồn khác nhau. B B. Quá trình phân tích dữ liệu lớn để tìm ra các mẫu, xu hướng và thông tin hữu ích. C C. Quá trình lưu trữ và quản lý dữ liệu một cách hiệu quả. D D. Quá trình trực quan hóa dữ liệu để dễ dàng hiểu và trình bày.

A A. Khi cần phân tích chi tiết từng giao dịch cá nhân. B B. Khi cần bảo vệ quyền riêng tư và ẩn danh thông tin cá nhân. C C. Khi dữ liệu gốc quá lớn và khó xử lý. D D. Cả 2 và 3.

A A. Học có giám sát sử dụng dữ liệu có nhãn, học không giám sát sử dụng dữ liệu không nhãn. B B. Học có giám sát chỉ áp dụng cho dữ liệu số, học không giám sát áp dụng cho mọi loại dữ liệu. C C. Học có giám sát cho kết quả chính xác hơn học không giám sát. D D. Học có giám sát phức tạp hơn học không giám sát.

A A. Tăng số lượng thuộc tính của dữ liệu để mô tả chi tiết hơn. B B. Giảm số lượng thuộc tính của dữ liệu trong khi vẫn giữ được thông tin quan trọng. C C. Tăng kích thước của tập dữ liệu để có nhiều thông tin hơn. D D. Thay đổi định dạng dữ liệu để dễ dàng phân tích hơn.

A A. Dự báo thời tiết cho bệnh nhân. B B. Phát hiện sớm bệnh tật và cá nhân hóa phác đồ điều trị. C C. Quản lý kho thuốc. D D. Tối ưu hóa lịch hẹn khám bệnh.

A A. Đánh giá mô hình B B. Chuẩn bị dữ liệu C C. Lựa chọn mô hình D D. Hiểu bài toán nghiệp vụ

A A. Dữ liệu định tính là dữ liệu số, định lượng là dữ liệu chữ. B B. Dữ liệu định tính mô tả thuộc tính, đặc điểm, định lượng đo lường bằng số. C C. Dữ liệu định tính dễ phân tích hơn dữ liệu định lượng. D D. Dữ liệu định tính luôn chính xác hơn dữ liệu định lượng.

A A. Kết hợp nhiều mô hình học máy khác nhau để cải thiện hiệu suất tổng thể. B B. Chia nhỏ dữ liệu thành nhiều phần nhỏ để huấn luyện mô hình nhanh hơn. C C. Sử dụng một mô hình học máy duy nhất với nhiều tham số. D D. Tự động lựa chọn mô hình học máy tốt nhất cho một bài toán cụ thể.

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá khách quan hiệu suất của mô hình trên dữ liệu chưa từng thấy. C C. Giảm thiểu overfitting. D D. Lựa chọn thuật toán tốt nhất.

A A. Phân tích thành phần chính (Principal Component Analysis - PCA). B B. Mạng nơ-ron hồi quy (Recurrent Neural Networks - RNNs). C C. Cây quyết định (Decision Trees). D D. K-Means.

A A. Sự thiếu hụt các thuật toán khai phá dữ liệu phù hợp. B B. Khả năng mở rộng và hiệu suất tính toán. C C. Sự khó khăn trong việc thu thập dữ liệu. D D. Sự thiếu hụt nhân lực có kỹ năng phân tích dữ liệu.

A A. Xác định chủ đề chính của văn bản. B B. Phân loại văn bản theo thể loại. C C. Xác định thái độ, cảm xúc (tích cực, tiêu cực, trung lập) thể hiện trong văn bản. D D. Tóm tắt nội dung chính của văn bản.

A A. Mô hình dễ dàng giải thích logic bên trong. B B. Mô hình có cấu trúc đơn giản. C C. Mô hình phức tạp, khó hoặc không thể hiểu được cơ chế hoạt động bên trong. D D. Mô hình chỉ hoạt động trên dữ liệu văn bản.

A A. Tăng độ chính xác của mô hình. B B. Giảm overfitting. C C. Khó khăn trong việc diễn giải ý nghĩa của từng biến độc lập. D D. Tăng tốc độ huấn luyện mô hình.

A A. Phân tích cảm xúc khách hàng. B B. Dự báo thời tiết. C C. Phân tích điểm nóng tội phạm. D D. Gợi ý phim ảnh.

A A. Trung bình cộng của độ chính xác và độ phủ, quan trọng khi dữ liệu cân bằng. B B. Trung bình điều hòa của độ chính xác và độ phủ, quan trọng khi dữ liệu mất cân bằng. C C. Tỷ lệ giữa số dự đoán đúng và tổng số mẫu, quan trọng khi cần độ chính xác cao. D D. Diện tích dưới đường cong ROC, quan trọng khi so sánh hiệu suất của nhiều mô hình.

A A. Phân loại (Classification) B B. Hồi quy (Regression) C C. Phân cụm (Clustering) D D. Khai thác luật kết hợp (Association Rule Mining)

A A. Hiệu suất cao trên dữ liệu lớn. B B. Dễ dàng giải thích và trực quan hóa. C C. Khả năng xử lý dữ liệu phi tuyến tính tốt. D D. Ít bị ảnh hưởng bởi dữ liệu nhiễu.

A A. Mô hình quá phức tạp và học quá tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới. B B. Mô hình quá đơn giản và không thể nắm bắt được các mẫu trong dữ liệu huấn luyện. C C. Dữ liệu huấn luyện quá ít so với độ phức tạp của bài toán. D D. Quá trình huấn luyện mô hình chưa đạt đến điểm hội tụ.

A A. Mô hình hoạt động tốt hơn trên dữ liệu mới. B B. Mô hình đưa ra dự đoán không công bằng hoặc phân biệt đối xử với một số nhóm. C C. Tăng tốc độ huấn luyện mô hình. D D. Giảm overfitting.

A A. Phân loại (Classification) B B. Hồi quy (Regression) C C. Phân cụm (Clustering) D D. Khai thác luật kết hợp (Association Rule Mining)

A A. Chuẩn hóa dữ liệu. B B. Giảm chiều dữ liệu. C C. Làm sạch dữ liệu nhiễu. D D. Điền giá trị thiếu.

A A. Nội dung văn bản trên các trang web. B B. Cấu trúc liên kết giữa các trang web. C C. Hành vi duyệt web của người dùng (ví dụ: nhật ký truy cập web). D D. Hình ảnh và video trên các trang web.

A A. Phân tích rủi ro tín dụng trong ngân hàng. B B. Dự báo thời tiết. C C. Gợi ý sản phẩm cho khách hàng trong thương mại điện tử. D D. Kiểm soát chất lượng sản phẩm trong sản xuất.

A A. Lựa chọn thuật toán khai phá dữ liệu phù hợp nhất. B B. Lựa chọn một tập con các thuộc tính (features) quan trọng nhất từ dữ liệu. C C. Lựa chọn định dạng lưu trữ dữ liệu tối ưu. D D. Lựa chọn phương pháp đánh giá mô hình phù hợp nhất.

A A. Dự đoán giá trị liên tục (ví dụ: dự báo doanh số). B B. Phân loại đối tượng vào các nhóm định trước. C C. Tìm cấu trúc ẩn trong dữ liệu và nhóm các đối tượng tương tự. D D. Tìm mối quan hệ nhân quả giữa các biến.

A A. Phân loại (Classification) B B. Hồi quy (Regression) C C. Phân cụm (Clustering) D D. Khai thác luật kết hợp (Association Rule Mining)

A A. Phân loại dữ liệu thành các nhóm. B B. Dự đoán giá trị tương lai. C C. Xác định các điểm dữ liệu khác biệt đáng kể so với phần lớn dữ liệu còn lại. D D. Tìm các mối quan hệ giữa các thuộc tính.

A A. Tổng số dự đoán đúng chia cho tổng số mẫu. B B. Tổng số dự đoán đúng chia cho tổng số dự đoán dương tính. C C. Tổng số mẫu thực tế dương tính chia cho tổng số dự đoán dương tính. D D. Tổng số mẫu thực tế âm tính chia cho tổng số dự đoán âm tính.

A A. Chuẩn hóa dữ liệu (Data Normalization) B B. Giảm chiều dữ liệu (Dimensionality Reduction) C C. Phân loại dữ liệu (Data Classification) D D. Làm sạch dữ liệu (Data Cleaning)