Đề 10 – Bài tập, đề thi trắc nghiệm online Học máy

A A. Phân loại dữ liệu. B B. Phân cụm dữ liệu. C C. Giảm chiều dữ liệu bằng cách tìm các thành phần chính. D D. Dự đoán giá trị liên tục.

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá hiệu suất mô hình một cách khách quan trên dữ liệu độc lập. C C. Cải thiện độ chính xác của dữ liệu huấn luyện. D D. Giảm kích thước của tập dữ liệu.

A A. Nhãn dữ liệu (data labels). B B. Phần thưởng (rewards) hoặc hình phạt (penalties). C C. Gradient của hàm mất mát. D D. Thông tin về cấu trúc 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 kiểm tra nhưng kém trên dữ liệu huấn luyện. C C. Mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra mới. D D. Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.

A A. Huấn luyện một mô hình duy nhất trên nhiều tập dữ liệu khác nhau. B B. Kết hợp dự đoán của nhiều mô hình học máy khác nhau để cải thiện hiệu suất tổng thể. C C. Sử dụng nhiều thuật toán tối ưu hóa khác nhau trong quá trình huấn luyện. D D. Phân chia dữ liệu thành nhiều phần và huấn luyện mô hình trên mỗi phần.

A A. Chọn đặc trưng (feature selection) tốt nhất. B B. Tìm giá trị tham số của mô hình sao cho hàm mất mát (loss function) đạt giá trị nhỏ nhất. C C. Phân cụm dữ liệu. D D. Giảm chiều dữ liệu.

A A. Một phương pháp mã hóa văn bản thành dạng hình ảnh. B B. Một kỹ thuật biểu diễn từ vựng thành các vector số thực trong không gian nhiều chiều. C C. Một thuật toán để phân tích cú pháp của câu. D D. Một phương pháp để loại bỏ stop words (từ dừng) khỏi văn bản.

A A. Ưu tiên các mô hình phức tạp để đạt độ chính xác cao nhất. B B. Ưu tiên các mô hình đơn giản nhất có thể giải thích dữ liệu một cách hợp lý. C C. Ưu tiên các mô hình được huấn luyện nhanh nhất. D D. Ưu tiên các mô hình có ít tham số nhất.

A A. Tăng độ phức tạp của cây. B B. Giảm entropy hoặc Gini impurity của các nút con. C C. Tăng số lượng mẫu trong mỗi nút lá. D D. Tạo ra các cây sâu hơn để mô hình hóa dữ liệu tốt hơn.

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. Overfitting. B B. Vanishing gradients (gradient biến mất). C C. Exploding gradients (gradient bùng nổ). D D. Internal covariate shift.

A A. Tốc độ huấn luyện và độ chính xác. B B. Độ phức tạp của mô hình và khả năng khái quát hóa. C C. Precision và Recall. D D. Dữ liệu huấn luyện và dữ liệu kiểm tra.

A A. L1 regularization khuyến khích các tham số lớn, L2 regularization khuyến khích các tham số nhỏ. B B. L1 regularization tạo ra các mô hình phức tạp hơn, L2 regularization tạo ra các mô hình đơn giản hơn. C C. L1 regularization có xu hướng tạo ra các tham số thưa thớt (sparse), L2 regularization không. D D. L1 regularization chỉ dùng cho bài toán hồi quy, L2 regularization chỉ dùng cho bài toán phân loại.

A A. Hồi quy (Regression). B B. Phân cụm (Clustering). C C. Phân loại nhị phân (Binary Classification). D D. Giảm chiều dữ liệu (Dimensionality Reduction).

A A. Dữ liệu số liên tục (continuous numerical data). B B. Dữ liệu văn bản (text data). C C. Dữ liệu phân loại (categorical data). D D. Dữ liệu chuỗi thời gian (time series data).

A A. Tăng tốc độ huấn luyện SVM. B B. Xử lý dữ liệu phi tuyến tính bằng cách ánh xạ dữ liệu vào không gian chiều cao hơn. C C. Giảm số chiều dữ liệu đầu vào. D D. Cải thiện khả năng giải thích của mô hình SVM.

A A. Một hàm mất mát (loss function) dùng để đo lỗi của mô hình. B B. Một hàm kích hoạt (activation function) thường dùng trong các lớp ẩn của mạng nơ-ron sâu. C C. Một thuật toán tối ưu hóa (optimization algorithm) để huấn luyện mạng nơ-ron. D D. Một phương pháp chính quy hóa (regularization method) để tránh overfitting.

A A. Phân loại (Classification) B B. Hồi quy (Regression) C C. Phân cụm (Clustering) D D. Giảm chiều dữ liệu (Dimensionality Reduction)

A A. Tỷ lệ mẫu dự đoán đúng là dương tính trên tổng số mẫu thực tế là dương tính. B B. Tỷ lệ mẫu dự đoán đúng là dương tính trên tổng số mẫu được dự đoán là dương tính. C C. Tỷ lệ mẫu dự đoán đúng là âm tính trên tổng số mẫu thực tế là âm tính. D D. Tỷ lệ mẫu dự đoán đúng trên tổng số mẫu.

A A. Tăng kích thước tập 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 phương án trên.

A A. Tăng số chiều của feature maps. B B. Giảm kích thước không gian của feature maps và giảm số lượng tham số. C C. Thêm tính phi tuyến vào mạng. D D. Chuẩn hóa dữ liệu đầu vào.

A A. Điều chỉnh dữ liệu huấn luyện để cải thiện chất lượng. B B. Điều chỉnh các tham số bên trong của mô hình trong quá trình huấn luyện. C C. Chọn các giá trị tối ưu cho các siêu tham số của mô hình (ví dụ: learning rate, số lượng lớp trong mạng nơ-ron). D D. Điều chỉnh các thuật toán tối ưu hóa để huấn luyện nhanh hơn.

A A. Tăng tốc độ hội tụ của mô hình. B B. Giảm overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện. C C. Cải thiện khả năng giải thích của mô hình. D D. Tăng độ chính xác trên dữ liệu huấn luyện.

A A. Boosting huấn luyện các mô hình song song, Bagging huấn luyện tuần tự. B B. Bagging tập trung giảm bias, Boosting tập trung giảm variance. C C. Bagging huấn luyện các mô hình độc lập, Boosting huấn luyện tuần tự và các mô hình sau tập trung vào các mẫu mà mô hình trước đó dự đoán sai. D D. Boosting chỉ sử dụng cho bài toán phân loại, Bagging chỉ sử dụng cho bài toán hồi quy.

A A. Khi cần một mô hình dễ giải thích và trực quan. B B. Khi dữ liệu huấn luyện rất nhỏ. C C. Khi cần cải thiện độ chính xác và giảm overfitting so với cây quyết định đơn lẻ. D D. Khi cần thời gian huấn luyện nhanh nhất.

A A. Quá trình chọn các đặc trưng quan trọng nhất cho mô hình. B B. Quá trình biến đổi dữ liệu để các đặc trưng có phạm vi giá trị tương tự nhau. C C. Quá trình tạo ra các đặc trưng mới từ các đặc trưng hiện có. D D. Quá trình loại bỏ các đặc trưng không liên quan.

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

A A. Chuyển dữ liệu từ định dạng này sang định dạng khác. B B. Áp dụng kiến thức đã học từ một bài toán này sang một bài toán khác liên quan. C C. Chuyển mô hình từ CPU sang GPU để tăng tốc độ tính toán. D D. Chuyển dữ liệu huấn luyện từ tập huấn luyện sang tập kiểm tra.

A A. Một lĩnh vực của khoa học máy tính cho phép máy tính tự lập trình. B B. Một tập hợp các thuật toán cho phép máy tính học hỏi từ dữ liệu mà không cần được lập trình một cách rõ ràng. C C. Một phương pháp thống kê để phân tích dữ liệu lớn và đưa ra dự đoán. D D. Một công nghệ phần mềm cho phép máy tính thực hiện các tác vụ mà con người có thể làm.

A A. Precision và Support. B B. Recall và Specificity. C C. Precision và Recall. D D. Accuracy và Precision.