Đề 2 – Bài tập, đề thi trắc nghiệm online Học máy

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Giảm độ phức tạp của mô hình (ví dụ: sử dụng regularization). C C. Sử dụng cross-validation để đánh giá mô hình. D D. Tất cả các đáp án trên.

A A. Phân loại hình ảnh. B B. Giảm chiều dữ liệu đầu vào. C C. Tự động học các đặc trưng không gian từ dữ liệu đầu vào (ví dụ: hình ảnh). D D. Tối ưu hóa trọng số của mạng.

A A. Tìm hyperplane tối ưu để phân tách các lớp. B B. Phân chia dữ liệu một cách đệ quy dựa trên các đặc trưng (features) để tạo ra cấu trúc cây quyết định. C C. Tìm trung tâm của các cụm dữ liệu. D D. Tính khoảng cách đến các điểm lân cận gần nhất.

A A. Một lĩnh vực của khoa học máy tính cho phép máy tính học hỏi từ dữ liệu mà không cần được lập trình rõ ràng. B B. Một phương pháp lập trình tuyến tính để giải quyết các bài toán tối ưu hóa. C C. Một kỹ thuật nén dữ liệu để giảm dung lượng lưu trữ. D D. Một loại ngôn ngữ lập trình bậc cao chuyên dụng cho phân tích dữ liệu.

A A. Linear Regression B B. K-means C C. Logistic Regression D D. Support Vector Machine

A A. Hai loại thuật toán học máy khác nhau. B B. Hai phương pháp đánh giá mô hình khác nhau. C C. Bias là lỗi do đơn giản hóa quá mức mô hình, Variance là lỗi do mô hình quá nhạy cảm với sự biến động trong dữ liệu huấn luyện. D D. Bias là độ chính xác của mô hình trên dữ liệu huấn luyện, Variance là độ chính xác trên dữ liệu kiểm tra.

A A. Tăng tốc độ huấn luyện. B B. Giảm overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện. C C. Tăng độ chính xác trên dữ liệu huấn luyện. D D. Thêm lớp ẩn vào mạng nơ-ron.

A A. K-means clustering B B. Support Vector Machines (SVM) C C. Q-learning D D. Principal Component Analysis (PCA)

A A. Dự đoán giá trị của một biến mục tiêu dựa trên các biến đầu vào đã cho. B B. Tìm kiếm cấu trúc ẩn, mẫu hoặc nhóm trong dữ liệu không có nhãn. C C. Huấn luyện một tác nhân (agent) để đưa ra chuỗi hành động tối ưu trong một môi trường để tối đa hóa phần thưởng. D D. Giảm số chiều của dữ liệu trong khi vẫn giữ được thông tin quan trọng nhất.

A A. Khi dữ liệu huấn luyện rất lớn và phức tạp. B B. Khi cần độ chính xác tuyệt đối trên dữ liệu huấn luyện. C C. Khi dữ liệu có cấu trúc đơn giản, mối quan hệ tuyến tính hoặc khi cần mô hình dễ giải thích. D D. Khi muốn đạt được hiệu suất tốt nhất trên mọi loại dữ liệu.

A A. Regularization B B. Principal Component Analysis (PCA) C C. Cross-validation D D. Gradient Descent

A A. Hồi quy tuyến tính dự đoán biến mục tiêu liên tục, trong khi hồi quy logistic dự đoán biến mục tiêu rời rạc (phân loại). B B. Hồi quy tuyến tính sử dụng hàm kích hoạt sigmoid, trong khi hồi quy logistic sử dụng hàm kích hoạt tuyến tính. C C. Hồi quy logistic chỉ có thể xử lý dữ liệu tuyến tính, trong khi hồi quy tuyến tính có thể xử lý dữ liệu phi tuyến. D D. Hồi quy tuyến tính mạnh mẽ hơn trước overfitting so với hồi quy logistic.

A A. Luôn có đủ dữ liệu huấn luyện chất lượng cao. B B. Dữ liệu luôn sạch và được gán nhãn chính xác. C C. Xử lý dữ liệu nhiễu, dữ liệu thiếu và dữ liệu không cân bằng. D D. Thuật toán học máy luôn hoạt động tốt ngay từ đầu.

A A. Cây quyết định sâu (Deep decision trees). B B. Mạng nơ-ron nhiều lớp (Deep neural networks). C C. Máy vector hỗ trợ sâu (Deep support vector machines). D D. Hồi quy tuyến tính sâu (Deep linear regression).

A A. Mô hình hồi quy (Regression) B B. Mô hình phân cụm (Clustering) C C. Mô hình phân loại (Classification) D D. Mô hình giảm chiều (Dimensionality Reduction)

A A. Học tăng cường (Reinforcement Learning) B B. Học không giám sát (Unsupervised Learning) C C. Học bán giám sát (Semi-supervised Learning) D D. Học có giám sát (Supervised Learning)

A A. Tối ưu hóa siêu tham số của mô hình. B B. Đánh giá khả năng khái quát hóa của mô hình trên dữ liệu chưa từng thấy. C C. Giảm kích thước tập dữ liệu huấn luyện. D D. Chọn thuật toán học máy tốt nhất.

A A. Dễ dàng xử lý dữ liệu phi tuyến. B B. Hiệu quả cao trong việc xử lý dữ liệu kích thước lớn. C C. Khả năng khái quát hóa tốt, đặc biệt trong không gian đặc trưng (feature space) có số chiều cao. D D. Ít bị ảnh hưởng bởi nhiễu trong dữ liệu.

A A. Nhận dạng hình ảnh (Image recognition). B B. Dịch máy (Machine translation). C C. Thiết kế vi mạch (Circuit design). D D. Lọc thư rác (Spam filtering).

A A. Lựa chọn thuật toán học máy phù hợp nhất. B B. Tối ưu hóa các tham số nội tại của mô hình (ví dụ: trọng số trong mạng nơ-ron). C C. Tìm kiếm các giá trị tối ưu cho các siêu tham số của mô hình (ví dụ: learning rate, số lượng lớp ẩn). D D. Đánh giá hiệu suất của mô hình trên dữ liệu kiểm tra.

A A. Học tăng cường B B. Học không giám sát C C. Học có giám sát D D. Học bán giám sát

A A. Tối ưu hóa tham số của một mô hình cụ thể. B B. Lựa chọn mô hình học máy tốt nhất từ một tập hợp các mô hình khác nhau cho một bài toán cụ thể. C C. Huấn luyện mô hình trên toàn bộ tập dữ liệu. D D. Đánh giá hiệu suất của một mô hình duy nhất.

A A. K-means clustering B B. Q-learning C C. Principal Component Analysis (PCA) D D. Linear Regression

A A. Huấn luyện một mô hình duy nhất với nhiều thuật toán khác nhau. B B. Kết hợp dự đoán từ nhiều mô hình học máy khác nhau để cải thiện hiệu suất tổng thể. C C. Chia nhỏ dữ liệu huấn luyện thành nhiều phần và huấn luyện mô hình trên từng phần. D D. Sử dụng một mô hình học máy duy nhất cho nhiều bài toán khác nhau.

A A. Tính toán độ lỗi (loss) của mạng. B B. Đưa tính phi tuyến vào mạng nơ-ron. C C. Tối ưu hóa trọng số (weights) của mạng. D D. Khởi tạo giá trị đầu vào cho mạng.

A A. Chọn đặc trưng (feature selection). B B. Giảm chiều dữ liệu. C C. Tối ưu hóa tham số của mô hình (ví dụ: trọng số trong mạng nơ-ron) để giảm thiểu hàm mất mát (loss function). D D. Phân cụm dữ liệu.

A A. Tăng tốc độ huấn luyện mô hình. B B. Giảm overfitting bằng cách thêm một hình phạt vào hàm mất mát (loss function). C C. Cải thiện độ chính xác trên dữ liệu huấn luyện. D D. Tăng kích thước tập dữ liệu huấn luyện.

A A. Lựa chọn thuật toán học máy phù hợp nhất cho bài toán. B B. Tối ưu hóa siêu tham số của mô hình học máy. C C. Trích xuất, biến đổi và lựa chọn các đặc trưng (features) có ý nghĩa từ dữ liệu thô để cải thiện hiệu suất mô hình. D D. Đánh giá hiệu suất của mô hình học máy trên tập dữ liệu kiểm tra.

A A. Số lượng True Positives chia cho tổng số lượng thực tế là Positive. B B. Số lượng True Positives chia cho tổng số lượng dự đoán là Positive. C C. Số lượng True Negatives chia cho tổng số lượng thực tế là Negative. D D. Số lượng True Negatives chia cho tổng số lượng dự đoán là Negative.

A A. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới. B B. Mô hình học quá kém trên cả dữ liệu huấn luyện và dữ liệu mới. C C. Mô hình không đủ dữ liệu để học. D D. Dữ liệu huấn luyện bị nhiễu.