Đề 1 – Bài tập, đề thi trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh

A A. Overfitting là hiện tượng mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới, do đó giảm khả năng tổng quát hóa. B B. Overfitting là hiện tượng mô hình học quá chậm. C C. Overfitting là hiện tượng thiếu dữ liệu huấn luyện. D D. Overfitting không phải là một vấn đề trong khoa học dữ liệu.

A A. Tập trung quá nhiều vào kỹ thuật và bỏ qua hiểu biết về nghiệp vụ kinh doanh. B B. Sử dụng dữ liệu quá cũ. C C. Không sử dụng công cụ trực quan hóa dữ liệu. D D. Chỉ sử dụng dữ liệu cấu trúc.

A A. Phân tích cảm xúc khách hàng từ đánh giá sản phẩm. B B. Tự động hóa dịch vụ khách hàng qua chatbot. C C. Trích xuất thông tin từ văn bản pháp lý. D D. Tất cả các đáp án trên.

A A. Phân tích hồi quy tuyến tính. B B. Phân cụm (Clustering). C C. Kiểm định giả thuyết thống kê. D D. Phân tích phương sai (ANOVA).

A A. Tăng cường bảo mật dữ liệu người dùng. B B. Tối ưu hóa trải nghiệm người dùng và tỷ lệ chuyển đổi. C C. Giảm chi phí lưu trữ dữ liệu. D D. Cải thiện hiệu suất phần cứng máy chủ.

A A. Bảng dữ liệu bán hàng. B B. Dữ liệu nhật ký giao dịch ngân hàng. C C. Đánh giá sản phẩm trực tuyến bằng văn bản. D D. Cơ sở dữ liệu khách hàng quan hệ.

A A. Khi dữ liệu có cấu trúc đơn giản và ít chiều. B B. Khi cần độ chính xác dự đoán rất cao và khả năng giải thích không quá quan trọng. C C. Khi ưu tiên tính dễ dàng giải thích và hiểu mô hình hơn độ chính xác. D D. Khi dữ liệu huấn luyện rất nhỏ.

A A. Tăng số lượng dữ liệu. B B. Giảm số lượng biến đầu vào (features) trong dữ liệu để đơn giản hóa mô hình và giảm overfitting. C C. Tăng độ chính xác của mô hình. D D. Trực quan hóa dữ liệu nhiều chiều.

A A. Quá trình lựa chọn phần cứng máy tính phù hợp. B B. Quá trình tạo ra các thuộc tính (features) mới và phù hợp từ dữ liệu thô để cải thiện hiệu suất mô hình. C C. Quá trình triển khai mô hình máy học vào sản xuất. D D. Quá trình trực quan hóa dữ liệu.

A A. Tạo ra các báo cáo tài chính. B B. Khám phá các mẫu ẩn và thông tin giá trị từ lượng lớn dữ liệu. C C. Quản lý hệ thống email marketing. D D. Phát triển ứng dụng di động cho doanh nghiệp.

A A. Phân loại khách hàng thành các nhóm. B B. Dự đoán giá nhà dựa trên các yếu tố như diện tích, vị trí. C C. Phát hiện gian lận. D D. Phân tích cảm xúc từ đánh giá sản phẩm.

A A. Giảm sự phụ thuộc vào quyết định dựa trên trực giác. B B. Cá nhân hóa trải nghiệm khách hàng. C C. Tối ưu hóa hoạt động và tăng hiệu quả. D D. Tất cả các đáp án trên.

A A. Microsoft Excel. B B. Pandas. C C. SAP. D D. SPSS.

A A. Lưu trữ dữ liệu lịch sử. B B. Trực quan hóa dữ liệu và các chỉ số hiệu suất chính (KPIs) một cách trực quan và dễ hiểu. C C. Xây dựng mô hình máy học. D D. Thực hiện kiểm định giả thuyết thống kê.

A A. Xác định phân khúc thị trường mục tiêu. B B. Cá nhân hóa quảng cáo và nội dung. C C. Đo lường hiệu quả chiến dịch marketing. D D. Tất cả các đáp án trên.

A A. Mô tả dữ liệu kinh doanh hiện tại. B B. Dự đoán các xu hướng và kết quả có thể xảy ra trong tương lai. C C. Phân tích dữ liệu lịch sử để tìm hiểu quá khứ. D D. Tối ưu hóa quy trình làm việc hàng ngày.

A A. Sự đánh đổi giữa tốc độ và độ chính xác của mô hình. B B. Sự đánh đổi giữa độ phức tạp của mô hình và khả năng tổng quát hóa. C C. Sự đánh đổi giữa chi phí huấn luyện và chi phí triển khai mô hình. D D. Sự đánh đổi giữa dữ liệu cấu trúc và dữ liệu phi cấu trúc.

A A. Dữ liệu hình ảnh từ mạng xã hội. B B. Dữ liệu văn bản từ đánh giá sản phẩm. C C. Dữ liệu chuỗi thời gian về giá cổ phiếu và chỉ số kinh tế. D D. Dữ liệu âm thanh từ cuộc gọi chăm sóc khách hàng.

A A. Phân tích dữ liệu không gian. B B. Dự báo các biến số kinh tế theo thời gian (ví dụ: GDP, lạm phát). C C. Phân tích dữ liệu hình ảnh. D D. Phân tích dữ liệu văn bản.

A A. Mô hình hồi quy tuyến tính. B B. Mô hình cây quyết định (Decision Tree) hoặc Rừng ngẫu nhiên (Random Forest). C C. Mô hình ARIMA. D D. Mô hình K-means clustering.

A A. Sự thiếu hụt các công cụ phần mềm phân tích dữ liệu. B B. Khả năng giải thích kết quả mô hình và đảm bảo tính minh bạch. C C. Chi phí đầu tư vào phần cứng máy tính quá cao. D D. Sự phản đối từ các nhà kinh tế truyền thống.

A A. Thu thập dữ liệu thị trường chứng khoán. B B. Áp dụng các phương pháp thống kê và máy học để phân tích dữ liệu và đưa ra quyết định kinh doanh và kinh tế. C C. Xây dựng phần mềm kế toán. D D. Quản lý cơ sở dữ liệu khách hàng.

A A. Phân tích báo cáo tài chính cuối năm. B B. Dự báo nhu cầu sản phẩm để tối ưu hóa tồn kho. C C. Đánh giá hiệu quả chiến dịch marketing. D D. Phân tích rủi ro tín dụng khách hàng.

A A. Bảo vệ quyền riêng tư dữ liệu khách hàng. B B. Tránh sử dụng thuật toán thiên vị. C C. Đảm bảo tính minh bạch trong việc sử dụng dữ liệu. D D. Tất cả các đáp án trên.

A A. Dự báo giá trị tương lai của một biến kinh tế. B B. Xác định mối quan hệ nhân quả giữa các biến kinh tế. C C. Phân loại dữ liệu kinh tế theo nhóm ngành. D D. Tất cả các đáp án trên.

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá độ tin cậy và khả năng tổng quát hóa của mô hình. C C. Giảm kích thước dữ liệu. D D. Trực quan hóa kết quả mô hình.

A A. Phát hiện gian lận giao dịch thẻ tín dụng. B B. Dự báo rủi ro tín dụng. C C. Tối ưu hóa chuỗi cung ứng sản xuất. D D. Giao dịch thuật toán (Algorithmic trading).

A A. Kỹ năng lập trình. B B. Kiến thức về thống kê và máy học. C C. Hiểu biết về kinh tế và kinh doanh. D D. Tất cả các đáp án trên.

A A. Đa cộng tuyến (Multicollinearity). B B. Phương sai sai số thay đổi (Heteroskedasticity). C C. Nội sinh (Endogeneity). D D. Tự tương quan (Autocorrelation).

A A. Dự đoán xu hướng thị trường chứng khoán. B B. Xác định mối quan hệ nguyên nhân - kết quả giữa các biến kinh tế. C C. Mô tả đặc điểm của dữ liệu kinh tế. D D. Tối ưu hóa chiến lược marketing.