Đề 5 – Bài tập, đề thi trắc nghiệm online Học máy

A A. Mô hình hồi quy (Regression models). B B. Mô hình phân cụm (Clustering models). C C. Mô hình phân loại nhị phân (Binary classification models). D D. Mô hình giảm chiều dữ liệu (Dimensionality reduction models).

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Giảm độ phức tạp của mô hình (ví dụ, sử dụng ít lớp hơn trong mạng nơ-ron). C C. Sử dụng kỹ thuật 'regularization' (chính quy hóa). D D. Tất cả các phương án trên.

A A. Dữ liệu dạng bảng (tabular data). B B. Dữ liệu văn bản (text data). C C. Dữ liệu hình ảnh (image data). D D. Dữ liệu chuỗi thời gian (time series data).

A A. Dữ liệu hình ảnh (image data). B B. Dữ liệu rời rạc (discrete data). C C. Dữ liệu chuỗi thời gian (time series data) và dữ liệu văn bản (text data). D D. Dữ liệu không có cấu trúc (unstructured data).

A A. Phân cụm dữ liệu lớn. B B. Hồi quy tuyến tính. C C. Phân loại, đặc biệt là trong không gian đặc trưng chiều cao. D D. Giảm chiều dữ liệu.

A A. Mô hình hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra. B B. Mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra. C C. Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu kiểm tra. D D. Mô hình quá đơn giản và không nắm bắt được các mẫu trong dữ liệu huấn luyện.

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Đánh giá mô hình một cách khách quan hơn bằng cách sử dụng nhiều phân chia dữ liệu huấn luyện và kiểm tra khác nhau. C C. Giảm số lượng đặc trưng trong dữ liệu. D D. Tối ưu hóa hàm mất mát.

A A. Giảm số lượng đặc trưng trong dữ liệu. B B. Đảm bảo tất cả các đặc trưng có cùng phạm vi giá trị, giúp các thuật toán hội tụ nhanh hơn và hiệu quả hơn. C C. Tăng độ phức tạp của mô hình học máy. D D. Tạo thêm dữ liệu huấn luyện.

A A. Tăng độ chính xác của mô hình. B B. Giảm độ phức tạp tính toán, loại bỏ nhiễu và có thể cải thiện hiệu suất mô hình bằng cách giảm số lượng đặc trưng. C C. Tạo ra các đặc trưng mới. D D. Chuẩn hóa dữ liệu.

A A. Dự đoán đầu ra của mạng. B B. Tính toán độ chính xác của mô hình. C C. Cập nhật trọng số (weights) của mạng để giảm thiểu hàm mất mát (loss function). D D. Khởi tạo trọng số ban đầu của mạng.

A A. Nhận dạng giọng nói. B B. Dự báo thời tiết chính xác 100% trong dài hạn. C C. Hệ thống đề xuất sản phẩm. D D. Xe tự lái.

A A. Việc mô hình trở nên quá phức tạp khi có quá nhiều tham số. B B. Hiệu suất của nhiều thuật toán học máy giảm đáng kể khi số lượng đặc trưng (chiều dữ liệu) tăng lên quá cao. C C. Khó khăn trong việc thu thập dữ liệu huấn luyện đủ lớn. D D. Việc mô hình bị overfitting trên dữ liệu huấn luyện.

A A. Để trực quan hóa dữ liệu đầu vào. B B. Để đánh giá hiệu suất của mô hình phân loại bằng cách hiển thị số lượng dự đoán đúng và sai. C C. Để chọn các đặc trưng quan trọng nhất cho mô hình. D D. Để tối ưu hóa siêu tham số của mô hình.

A A. Sự đánh đổi giữa tốc độ huấn luyện và tốc độ dự đoán của mô hình. B B. Sự đánh đổi giữa độ chính xác và độ phủ của mô hình. C C. Sự đánh đổi giữa khả năng khái quát hóa (variance) và độ phù hợp với dữ liệu huấn luyện (bias) của mô hình. D D. Sự đánh đổi giữa số lượng đặc trưng và kích thước tập dữ liệu.

A A. Siêu tham số được học từ dữ liệu, trong khi tham số được thiết lập thủ công. B B. Tham số được học từ dữ liệu, trong khi siêu tham số được thiết lập thủ công trước khi huấn luyện mô hình. C C. Siêu tham số chỉ áp dụng cho mạng nơ-ron, còn tham số áp dụng cho tất cả các thuật toán học máy. D D. Tham số quyết định kiến trúc mô hình, còn siêu tham số điều chỉnh quá trình huấn luyện.

A A. Bằng cách được cung cấp dữ liệu đã gán nhãn. B B. Bằng cách tìm kiếm cấu trúc ẩn trong dữ liệu không nhãn. C C. Bằng cách tương tác với môi trường và nhận phần thưởng hoặc hình phạt dựa trên hành động của mình. D D. Bằng cách sao chép hành vi của chuyên gia con người.

A A. Tăng tốc độ huấn luyện mô hình. B B. Giảm overfitting bằng cách dừng quá trình huấn luyện khi hiệu suất trên tập kiểm tra không còn cải thiện. C C. Tối ưu hóa siêu tham số. D D. Lựa chọn mô hình tốt nhất từ nhiều mô hình khác nhau.

A A. Luôn đạt độ chính xác cao nhất so với các thuật toán khác. B B. Dễ dàng diễn giải và trực quan hóa, có thể hiểu rõ logic quyết định của mô hình. C C. Hoạt động tốt trên dữ liệu có chiều cao. D D. Không bị ảnh hưởng bởi overfitting.

A A. Tỷ lệ dự đoán đúng trên tổng số mẫu thực tế là tích cực. B B. Tỷ lệ dự đoán đúng là tích cực trên tổng số mẫu được dự đoán là tích cực. C C. Tỷ lệ mẫu thực tế là tích cực được dự đoán chính xác. D D. Tỷ lệ mẫu thực tế là tiêu cực được dự đoán chính xác.

A A. Computer Vision (Thị giác máy tính). B B. Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP). C C. Học tăng cường (Reinforcement Learning). D D. Phân tích dữ liệu chuỗi thời gian (Time Series Data Analysis).

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

A A. Phân cụm dữ liệu. B B. Tìm kiếm giá trị tối ưu của tham số mô hình bằng cách di chuyển theo hướng ngược lại của gradient hàm mất mát. C C. Giảm chiều dữ liệu. D D. Phân loại dữ liệu.

A A. Phân loại hình ảnh. B B. Phát hiện đối tượng trong hình ảnh. C C. Sinh dữ liệu mới, ví dụ như tạo ra hình ảnh, âm thanh hoặc văn bản giả mạo nhưng chân thực. D D. Phân tích dữ liệu chuỗi thời gian.

A A. Tính toán trọng số (weights) của các kết nối. B B. Giới thiệu tính phi tuyến vào mạng, cho phép mô hình học các mối quan hệ phức tạp. C C. Chuẩn hóa dữ liệu đầu vào. D D. Giảm số lượng tham số của mạng.

A A. Các phương pháp để tiền xử lý dữ liệu. B B. Các phương pháp kết hợp dự đoán của nhiều mô hình học máy khác nhau để cải thiện hiệu suất tổng thể. C C. Các phương pháp để đánh giá mô hình học máy. D D. Các phương pháp để tối ưu hóa tham số mô hình.

A A. Khó diễn giải kết quả. B B. Tính toán chậm trong giai đoạn dự đoán, đặc biệt với dữ liệu lớn. C C. Dễ bị overfitting. D D. Chỉ hoạt động với dữ liệu số.

A A. Tăng tốc độ huấn luyện mạng nơ-ron. B B. Giảm overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện. C C. Tối ưu hóa hàm kích hoạt. D D. Chuẩn hóa dữ liệu đầu vào.

A A. Học tăng cường (Reinforcement Learning) B B. Học không giám sát (Unsupervised Learning) C C. Học có giám sát (Supervised Learning) D D. Học sâu (Deep Learning)

A A. Tỷ lệ dự đoán đúng trên tổng số mẫu thực tế là tích cực. B B. Tỷ lệ dự đoán đúng là tích cực trên tổng số mẫu được dự đoán là tích cực. C C. Tỷ lệ mẫu thực tế là tích cực được dự đoán chính xác. D D. Tỷ lệ mẫu thực tế là tiêu cực được dự đoán chính xác.

A A. Một lĩnh vực khoa học máy tính tập trung vào việc tạo ra các chương trình máy tính phức tạp. B B. Một phương pháp lập trình cho phép máy tính thực hiện các tác vụ mà không cần được lập trình rõ ràng, dựa trên dữ liệu. C C. Một tập hợp các thuật toán thống kê được sử dụng để phân tích dữ liệu lớn. D D. Một nhánh của trí tuệ nhân tạo tập trung vào việc xây dựng robot thông minh.