Đề 7 – Bài tập, đề thi trắc nghiệm online Học máy

A A. Một thuật toán tối ưu hóa để tìm cực trị toàn cục. B B. Một phương pháp để giảm overfitting trong mạng nơ-ron. C C. Một thuật toán để tính gradient của hàm mất mát (loss function) đối với trọng số (weights) trong mạng nơ-ron. D D. Một kỹ thuật để tăng tốc độ huấn luyện mạng nơ-ron.

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

A A. Dữ liệu có nhiều nhiễu. B B. Dữ liệu có số chiều rất lớn. C C. Dữ liệu có biên quyết định tuyến tính hoặc gần tuyến tính. D D. Dữ liệu có mối quan hệ phi tuyến phức tạp.

A A. Số lượng cụm (clusters) cần tìm. B B. Số chiều dữ liệu. C C. Số lượng hàng xóm gần nhất được xem xét để phân loại hoặc hồi quy. D D. Số lần lặp huấn luyện.

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá khả năng khái quát hóa của mô hình trên dữ liệu chưa từng thấy. C C. Giảm overfitting bằng cách tăng dữ liệu huấn luyện. D D. Chọn ra các đặc trưng quan trọng nhất.

A A. Đánh giá hiệu suất mô hình hồi quy. B B. Trực quan hóa dữ liệu đầu vào. C C. Đánh giá hiệu suất mô hình phân loại và hiểu rõ hơn về các loại lỗi. D D. Chọn thuật toán học máy phù hợp.

A A. Quá trình chọn thuật toán học máy tốt nhất. B B. Quá trình tinh chỉnh siêu tham số của mô hình. C C. Quá trình biến đổi dữ liệu thô thành các đặc trưng phù hợp hơn để mô hình học. D D. Quá trình đánh giá hiệu suất mô hình.

A A. Mô hình sẽ hội tụ nhanh hơn đến nghiệm tối ưu. B B. Mô hình có thể không hội tụ hoặc dao động xung quanh nghiệm tối ưu. C C. Mô hình sẽ bị overfitting. D D. Mô hình sẽ bị underfitting.

A A. Boosting huấn luyện song song các mô hình, trong khi Bagging huấn luyện tuần tự. B B. Boosting sử dụng lấy mẫu có hoàn lại, trong khi Bagging không. C C. Boosting tập trung vào việc giảm phương sai (variance), trong khi Bagging tập trung vào việc giảm độ chệch (bias). D D. Boosting huấn luyện tuần tự các mô hình, mỗi mô hình cố gắng sửa lỗi của mô hình trước, trong khi Bagging huấn luyện song song các mô hình độc lập.

A A. Một phương pháp để giảm overfitting. B B. Một kỹ thuật để tăng tốc độ huấn luyện. C C. Một phương pháp kết hợp dự đoán của nhiều mô hình học máy để cải thiện hiệu suất tổng thể. D D. Một cách để trực quan hóa dữ liệu.

A A. Tăng kích thước dữ liệu huấn luyện. B B. Giảm độ phức tạp của mô hình. C C. Sử dụng kỹ thuật regularization (chính quy hóa). D D. Tất cả các đáp án trên.

A A. Convolution. B B. Recurrence. C C. Attention (Cơ chế chú ý). D D. Pooling.

A A. Hồi quy. B B. Phân cụm. C C. Phân loại nhị phân (Binary classification). D D. Giảm chiều dữ liệu.

A A. Từ dữ liệu đã được gán nhãn. B B. Từ dữ liệu không có nhãn. C C. Tương tác với môi trường và nhận phần thưởng hoặc hình phạt. D D. Quan sát hành vi của các agent khác.

A A. Tăng tốc độ tính toán. B B. Giảm số lượng tham số của mô hình. C C. Giới thiệu tính phi tuyến vào mạng nơ-ron, cho phép mô hình học các quan hệ phức tạp. D D. Chuẩn hóa dữ liệu đầu vào.

A A. RMSE (Root Mean Squared Error) B B. MAE (Mean Absolute Error) C C. Accuracy (Độ chính xác) D D. R-squared

A A. Hồi quy Logistic (Logistic Regression). B B. Máy vector hỗ trợ (Support Vector Machine). C C. Cây quyết định (Decision Tree). D D. Mạng nơ-ron (Neural Network).

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

A A. Tăng cường khả năng diễn giải của mô hình. B B. Đảm bảo rằng các đặc trưng có phạm vi giá trị khác nhau không ảnh hưởng không cân xứng đến mô hình. C C. Giảm overfitting bằng cách làm mịn dữ liệu. D D. Xử lý dữ liệu bị thiếu.

A A. Một lĩnh vực khoa học máy tính tập trung vào việc lập trình máy tính. B B. Một phương pháp cho phép máy tính học từ dữ liệu mà không cần được lập trình một cách rõ ràng. C C. Một kỹ thuật để tạo ra các chương trình máy tính phức tạp. D D. Một công cụ để phân tích dữ liệu và tạo ra báo cáo.

A A. Huấn luyện một mô hình duy nhất trên toàn bộ dữ liệu. B B. Huấn luyện tuần tự các mô hình, mỗi mô hình tập trung vào việc sửa lỗi của mô hình trước. C C. Huấn luyện song song nhiều mô hình trên các tập con dữ liệu được lấy mẫu có hoàn lại (bootstrap samples). D D. Chia dữ liệu thành các cụm và huấn luyện mô hình riêng cho mỗi cụm.

A A. Một thuật toán để giảm chiều dữ liệu. B B. Một phương pháp đánh giá hiệu suất mô hình. C C. Một thuật toán tối ưu hóa để tìm cực tiểu của hàm mất mát bằng cách đi theo hướng ngược gradient. D D. Một kỹ thuật để xử lý dữ liệu bị thiếu.

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

A A. Dữ liệu rời rạc. B B. Dữ liệu có cấu trúc cây. C C. Dữ liệu chuỗi (sequential data) như văn bản hoặc chuỗi thời gian. D D. Dữ liệu không gian.

A A. Feature scaling (co giãn đặc trưng). B B. Regularization (chính quy hóa). C C. Imputation (điền giá trị thiếu). D D. One-hot encoding.

A A. t-SNE (t-distributed Stochastic Neighbor Embedding) B B. PCA (Principal Component Analysis) C C. UMAP (Uniform Manifold Approximation and Projection) D D. Autoencoders

A A. Sự đánh đổi giữa tốc độ huấn luyện và độ chính xác của mô hình. B B. Sự đánh đổi giữa khả năng diễn giải mô hình và hiệu suất dự đoán. C C. Sự đánh đổi giữa độ chệch (bias) và phương sai (variance) trong lỗi dự đoán của mô hình. D D. Sự đánh đổi giữa kích thước dữ liệu huấn luyện và kích thước mô hình.

A A. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém 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.

A A. Dữ liệu số (numerical data). B B. Dữ liệu văn bản (text data). C C. Dữ liệu phạm trù (categorical data). D D. Dữ liệu chuỗi thời gian (time series data).

A A. Hồi quy tuyến tính (Linear Regression) B B. Phân cụm K-means (K-means Clustering) C C. Máy vector hỗ trợ (Support Vector Machine) D D. Rừng ngẫu nhiên (Random Forest)