Đề 4 – Bài tập, đề thi trắc nghiệm online Học máy

A A. Hyperparameter được học từ dữ liệu, còn parameter được thiết lập thủ công. B B. Parameter được học từ dữ liệu trong quá trình huấn luyện, còn hyperparameter được thiết lập trước khi huấn luyện và không thay đổi trong quá trình huấn luyện. C C. Hyperparameter chỉ áp dụng cho mạng nơ-ron, còn parameter áp dụng cho các mô hình khác. D D. Parameter quyết định kiến trúc mô hình, còn hyperparameter quyết định hàm mất mát.

A A. Hoạt động tốt với dữ liệu phi tuyến tính và độ chính xác cao nhất trong mọi trường hợp. B B. Dễ hiểu, dễ diễn giải, và có thể xử lý cả dữ liệu số và dữ liệu phân loại. C C. Không bị ảnh hưởng bởi overfitting. D D. Luôn tìm được nghiệm tối ưu toàn cục.

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Giảm độ phức tạp của mô hình. C C. Sử dụng nhiều features hơn. D D. Tăng số lượng epochs huấn luyện.

A A. Nội dung của các mục (items) được khuyến nghị. B B. Thông tin nhân khẩu học của người dùng. C C. Tương tác và sở thích của người dùng khác có hành vi tương tự. D D. Các đặc điểm kỹ thuật của hệ thống.

A A. Khi dữ liệu có nhiều chiều và phức tạp. B B. Khi cần một mô hình có khả năng diễn giải cao và tốc độ huấn luyện nhanh, đặc biệt hiệu quả với dữ liệu văn bản. C C. Khi dữ liệu có quan hệ phi tuyến tính mạnh mẽ. D D. Khi cần độ chính xác tuyệt đối và sẵn sàng chấp nhận thời gian huấn luyện lâu.

A A. Chọn features quan trọng nhất. B B. Giảm số lượng features. C C. Đưa các features về cùng một thang đo, giúp các thuật toán (đặc biệt là gradient descent) hội tụ nhanh hơn và hiệu quả hơn. D D. Tăng độ phức tạp của dữ liệu.

A A. Sự thiếu hụt thuật toán học máy. B B. Thu thập và chuẩn bị dữ liệu chất lượng cao, cũng như duy trì và cập nhật mô hình theo thời gian. C C. Chi phí phần cứng quá cao để huấn luyện mô hình. D D. Sự phức tạp trong việc lựa chọn ngôn ngữ lập trình phù hợp.

A A. Mô hình tuyến tính (Linear model). B B. Mô hình dựa trên cây (Tree-based model). C C. Mô hình dựa trên khoảng cách (Distance-based model). D D. Mô hình dựa trên mạng nơ-ron (Neural network model).

A A. Dữ liệu ảnh tĩnh. B B. Dữ liệu dạng bảng. C C. Dữ liệu chuỗi thời gian hoặc dữ liệu tuần tự (sequential data). D D. Dữ liệu không có cấu trúc.

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

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Đánh giá mô hình trên nhiều phân chia khác nhau của dữ liệu để có ước tính hiệu suất ổn định hơn. C C. Giảm overfitting bằng cách chia nhỏ mô hình. D D. Tăng tốc độ huấn luyện mô hình.

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 dữ liệu (Dimensionality Reduction).

A A. Để tăng tốc độ huấn luyện mô hình. B B. Để đánh giá hiệu suất của mô hình trên dữ liệu mới, chưa từng thấy trước đó. C C. Để giảm thiểu lượng dữ liệu cần thiết cho huấn luyện. D D. Để cải thiện khả năng diễn giải của mô hình.

A A. Một thuật toán học máy cụ thể. B B. Một phần mềm được sử dụng để triển khai mô hình học máy. C C. Một thuộc tính hoặc biến số đầu vào được sử dụng để huấn luyện mô hình. D D. Kết quả đầu ra của một mô hình học máy.

A A. Khởi tạo trọng số ban đầu cho mạng. B B. Tính toán gradient để cập nhật trọng số. C C. Giới thiệu tính phi tuyến vào mạng, cho phép mô hình học các quan hệ phức tạp. D D. Chia dữ liệu thành các mini-batch trong quá trình huấn luyện.

A A. Xử lý ngôn ngữ tự nhiên. B B. Dự báo chuỗi thời gian. C C. Thị giác máy tính (Computer Vision) và xử lý ảnh. D D. Hệ thống khuyến nghị.

A A. Chọn thuật toán học máy tốt nhất. B B. Cải thiện hiệu suất mô hình bằng cách tạo ra các features mới và/hoặc biến đổi các features hiện có sao cho chúng phù hợp hơn với thuật toán và bài toán. C C. Giảm kích thước tập dữ liệu. D D. Tăng độ phức tạp của mô hình.

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. F1-score. B B. Precision (Độ chính xác). C C. Recall (Độ phủ). D D. Mean Squared Error (MSE - Lỗi bình phương trung bình).

A A. Chọn features quan trọng nhất. B B. Tìm giá trị tối ưu của các tham số mô hình (ví dụ: trọng số trong mạng nơ-ron) để giảm thiểu hàm mất mát (loss function). C C. Phân cụm dữ liệu. D D. Giảm chiều dữ liệu.

A A. Tăng độ phức tạp của mô hình. B B. Giảm overfitting và cải thiện khả năng tổng quát hóa của mô hình. C C. Tăng tốc độ huấn luyện mô hình. D D. Cải thiện khả năng diễn giải của mô hình.

A A. Tầm quan trọng của các features trong mô hình. B B. Phân bố dữ liệu trong tập huấn luyện. C C. Số lượng clusters tìm được trong thuật toán K-Means. D D. Thống kê chi tiết về số lượng dự đoán đúng và sai cho từng lớp trong bài toán phân loại.

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

A A. Dữ liệu đã được gán nhãn. B B. Phản hồi dưới dạng phần thưởng (rewards) hoặc hình phạt (penalties) từ môi trường. C C. Phân tích cấu trúc dữ liệu. D D. Phân cụm dữ liệu.

A A. Tốc độ huấn luyện và độ chính xác của mô hình. B B. Khả năng mô hình khớp với dữ liệu huấn luyện và khả năng tổng quát hóa trên dữ liệu mới. C C. Kích thước mô hình và thời gian suy luận. D D. Số lượng features và kích thước tập dữ liệu.

A A. Huấn luyện một mô hình duy nhất với nhiều thuật toán khác nhau. B B. Kết hợp dự đoán của nhiều mô hình học máy khác nhau (thường là mô hình yếu) để tạo ra một mô hình mạnh mẽ hơn. C C. Chia nhỏ tập dữ liệu huấn luyện thành nhiều phần nhỏ hơn. D D. Tự động lựa chọn features quan trọng nhất.

A A. Lập trình thủ công các quy tắc rõ ràng để giải quyết vấn đề. B B. Phát triển phần mềm ứng dụng trên nền tảng web. C C. Cho phép máy tính học hỏi từ dữ liệu mà không cần được lập trình một cách rõ ràng. D D. Xây dựng cơ sở dữ liệu lớn và phức tạp.

A A. Khởi tạo kiến trúc mạng. B B. Tính toán gradient của hàm mất mát đối với các trọng số của mạng. C C. Chọn hàm kích hoạt phù hợp. D D. Chuẩn hóa dữ liệu đầu vào.

A A. Hồi quy. B B. Phân cụm. C C. Phân loại và hồi quy. D D. Giảm chiều dữ liệu.

A A. Mô hình hoạt động kém trên cả tập huấn luyện và tập kiểm thử. B B. Mô hình hoạt động tốt trên tập huấn luyện nhưng kém trên tập kiểm thử. C C. Mô hình hoạt động tốt trên cả tập huấn luyện và tập kiểm thử. D D. Mô hình không thể học được từ dữ liệu huấn luyện.