Đề 8 – Bài tập, đề thi trắc nghiệm online Học máy

A A. Quá trình lựa chọn thuật toán học máy phù hợp nhất cho bài toán. B B. Quá trình tối ưu hóa siêu tham số (hyperparameters) của mô hình. C C. Quá trình tạo ra các đặc trưng (features) mới và hữu ích từ dữ liệu thô để cải thiện hiệu suất mô hình. D D. Quá trình giảm số lượng đặc trưng đầu vào để giảm độ phức tạp của mô hình.

A A. Khả năng xử lý dữ liệu phi tuyến tính kém. B B. Dễ bị quá khớp (overfitting) trên dữ liệu huấn luyện, đặc biệt với cây sâu. C C. Yêu cầu tính toán lớn khi dữ liệu có kích thước lớn. D D. Khó diễn giải kết quả và logic của mô hình.

A A. Bằng cách được cung cấp dữ liệu huấn luyện đã được 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 phạt dựa trên hành động của mình. D D. Bằng cách phân tích dữ liệu lịch sử để dự đoán tương lai.

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 của mô hình. C C. Sự đánh đổi giữa việc mô hình quá đơn giản (high bias, underfitting) và quá phức tạp (high variance, overfitting). D D. Sự đánh đổi giữa kích thước tập dữ liệu huấn luyện và kích thước tập dữ liệu kiểm tra.

A A. Mô hình hoạt động chậm hơn. B B. Mô hình đưa ra dự đoán không chính xác trên dữ liệu mới. C C. Mô hình củng cố và khuếch đại các thành kiến xã hội hiện có, dẫn đến phân biệt đối xử hoặc bất công. D D. Mô hình khó diễn giải hơn.

A A. Feature scaling (Chuẩn hóa đặc trưng). B B. Dimensionality reduction (Giảm chiều dữ liệu). C C. Imputation (Điền giá trị thiếu) hoặc loại bỏ các hàng/cột chứa giá trị thiếu. D D. One-hot encoding.

A A. Tăng độ chính xác của mô hình AI. B B. Giảm thời gian huấn luyện mô hình AI. C C. Làm cho quyết định của mô hình AI trở nên dễ hiểu và minh bạch hơn đối với con người. D D. Tự động hóa quá trình phát triển mô hình AI.

A A. Xử lý ngôn ngữ tự nhiên (NLP). B B. Dự báo chuỗi thời gian. C C. Thị giác máy tính (Computer Vision) và xử lý ảnh. D D. Học tăng cường (Reinforcement Learning).

A A. Accuracy (Độ chính xác) B B. Precision (Độ chuẩn xác) C C. Recall (Độ phủ) D D. Mean Squared Error (MSE - Sai số bình phương trung bình)

A A. Một lĩnh vực khoa học máy tính tập trung vào việc lập trình máy tính để thực hiện các tác vụ cụ thể theo lệnh của con người. B B. Một phương pháp cho phép máy tính học hỏi từ dữ liệu mà không cần được lập trình một cách rõ ràng, để đưa ra dự đoán hoặc quyết định. C C. Một nhánh của thống kê toán học sử dụng các thuật toán phức tạp để phân tích dữ liệu và tạo ra các mô hình. D D. Một công cụ phần mềm mạnh mẽ giúp tự động hóa các quy trình phân tích dữ liệu thủ công.

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá khả năng tổng quát hóa (generalization) của mô hình trên dữ liệu mới, chưa từng thấy. C C. Giảm thiểu nguy cơ quá khớp (overfitting) trên tập huấn luyện. D D. Cải thiện độ chính xác của mô hình trên tập huấn luyện.

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá độ tin cậy của ước tính hiệu suất mô hình và giảm thiểu sự thiên vị do phân chia dữ liệu huấn luyện-kiểm tra ngẫu nhiên. C C. Giảm kích thước tập dữ liệu huấn luyện. D D. Chọn thuật toán học máy tốt nhất.

A A. Khi dữ liệu huấn luyện có kích thước rất lớn. B B. Khi bài toán yêu cầu độ chính xác tuyệt đối. C C. Khi dữ liệu có cấu trúc đơn giản và mối quan hệ tuyến tính, hoặc khi cần mô hình dễ diễn giải và tính toán nhanh. D D. Khi cần xử lý dữ liệu phi cấu trúc như ảnh hoặc văn bản.

A A. Chọn đặc trưng phù hợp. B B. Tìm giá trị tối ưu của tham số mô hình (ví dụ: weights trong Linear Regression, Neural Networks) bằng cách đi theo hướng ngược với gradient của hàm mất mát. C C. Giảm chiều dữ liệu. D D. Phân cụm dữ liệu.

A A. Tăng độ chính xác của mô hình. B B. Giảm overfitting và cải thiện hiệu suất tính toán (tốc độ huấn luyện, giảm bộ nhớ). C C. Tăng khả năng diễn giải mô hình. D D. Tất cả các đáp án trên đều đúng.

A A. Tăng tốc độ huấn luyện. B B. Ngăn chặn overfitting bằng cách dừng quá trình huấn luyện khi hiệu suất trên tập validation (kiểm chứng) bắt đầu giảm. C C. Chọn thuật toán học máy tốt nhất. D D. Tối ưu hóa siêu tham số.

A A. Tăng độ phức tạp của mạng. B B. Giảm overfitting bằng cách ngẫu nhiên bỏ qua (dropout) một số nơ-ron trong quá trình huấn luyện. C C. Tăng tốc độ dự đoán (inference). D D. Thay đổi hàm kích hoạt.

A A. Tối ưu hóa các tham số nội tại (weights) của mô hình. B B. Lựa chọn và điều chỉnh các tham số bên ngoài mô hình (hyperparameters) để cải thiện hiệu suất mô hình. C C. Chuẩn hóa dữ liệu đầu vào. D D. Chọn thuật toán học máy phù hợp.

A A. K-Nearest Neighbors (KNN) B B. Support Vector Machine (SVM) C C. Random Forest D D. Linear Regression

A A. Dự đoán đầu ra của mạng. B B. Khởi tạo trọng số ban đầu của mạng. C C. Tính toán gradient của hàm mất mát (loss function) theo trọng số và cập nhật trọng số để giảm thiểu mất mát. D D. Chọn kiến trúc mạng nơ-ron phù hợp.

A A. Tối ưu hóa hàm mất mát. B B. Tăng tốc độ huấn luyện và ổn định quá trình huấn luyện mạng nơ-ron bằng cách chuẩn hóa đầu ra của mỗi lớp. C C. Giảm kích thước mô hình. D D. Tăng độ chính xác trên tập kiểm tra.

A A. Thuật toán phân loại (Classification). B B. Thuật toán hồi quy (Regression). C C. Thuật toán giảm chiều dữ liệu (Dimensionality Reduction). D D. Thuật toán phân cụm (Clustering).

A A. Dữ liệu dạng bảng (tabular data). B B. Dữ liệu ảnh tĩnh. C C. Dữ liệu chuỗi (sequential data) như văn bản, âm thanh, chuỗi thời gian. D D. Dữ liệu rời rạc.

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Sử dụng mô hình phức tạp hơn. C C. Giảm độ phức tạp của mô hình (ví dụ: pruning cây quyết định, giảm số lớp trong mạng nơ-ron). D D. Tăng số lượng đặc trưng đầu vào.

A A. Tối ưu hóa trọng số (weights) của mạng. B B. Giới thiệu tính phi tuyến tính vào mạng, cho phép mô hình học các mối quan hệ phức tạp. C C. Chuẩn hóa đầu vào của mạng. D D. Tính toán sai số giữa dự đoán và giá trị thực tế.

A A. Độ chính xác tổng thể của mô hình. B B. Phân bố xác suất dự đoán của mô hình. C C. Số lượng dự đoán đúng và sai cho từng lớp (class). D D. Độ phức tạp tính toán của thuật toán phân loại.

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

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. Độ phức tạp của thuật toán huấn luyện. B B. Khả năng diễn giải của mô hình. C C. Hiệu suất tính toán (tốc độ dự đoán, yêu cầu tài nguyên), khả năng bảo trì, và tính ổn định của mô hình trong môi trường thực tế. D D. Kích thước của tập dữ liệu huấn luyện.

A A. Tăng độ chính xác của mô hình phân loại. B B. Trực quan hóa dữ liệu có chiều cao bằng cách chiếu dữ liệu xuống không gian 2D hoặc 3D. C C. Xử lý dữ liệu bị thiếu. D D. Tất cả các đáp án trên đều đúng.