Đề 11 – Bài tập, đề thi trắc nghiệm online Học máy

A A. Accuracy B B. Precision C C. Recall D D. F1-score

A A. Huấn luyện một mô hình học máy duy nhất với lượng dữ liệu lớn. B B. Kết hợp dự đoán của nhiều mô hình học máy khác nhau (thường là yếu hơn) để tạo ra một mô hình mạnh mẽ hơn. C C. Sử dụng các mô hình học máy đơn giản để giải quyết các bài toán phức tạp. D D. Chia nhỏ bài toán lớn thành nhiều bài toán nhỏ hơn và giải quyết từng bài.

A A. Chọn thuật toán học máy phù hợp nhất. B B. Thu thập và làm sạch dữ liệu. C C. Biến đổi, tạo ra các đặc trưng mới từ dữ liệu thô, có thể giúp mô hình học tốt hơn. D D. Đánh giá hiệu năng mô hình.

A A. Nhãn dữ liệu (labels). B B. Phần thưởng (rewards) hoặc hình phạt (penalties). C C. Dữ liệu không có nhãn. D D. Siêu tham số.

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Đánh giá một cách khách quan hiệu năng của mô hình và giảm thiểu sự thiên vị do phân chia tập huấn luyện - kiểm thử ngẫu nhiên. C C. Tối ưu hóa siêu tham số (hyperparameters) của mô hình. D D. Giảm thời gian huấn luyện mô hình.

A A. Học có giám sát sử dụng dữ liệu có nhãn (labeled data), trong khi học không giám sát sử dụng dữ liệu không có nhãn. B B. Học có giám sát chỉ áp dụng cho các bài toán phân loại, còn học không giám sát chỉ áp dụng cho bài toán hồi quy. C C. Học có giám sát đòi hỏi nhiều dữ liệu hơn học không giám sát. D D. Học có giám sát luôn cho kết quả chính xác hơn học không giám sát.

A A. Tỷ lệ giữa số lượng dự đoán đúng trên tổng số lượng mẫu. B B. Tỷ lệ giữa số lượng dự đoán đúng dương tính trên tổng số mẫu dương tính thực tế. C C. Tỷ lệ giữa số lượng dự đoán đúng âm tính trên tổng số mẫu âm tính thực tế. D D. Trung bình cộng của 'độ chính xác dương' (precision) và 'độ phủ' (recall).

A A. Tăng số lượng đặc trưng (features) của dữ liệu. B B. Giảm số lượng đặc trưng của dữ liệu trong khi vẫn giữ lại thông tin quan trọng. C C. Tăng độ chính xác của mô hình học máy. D D. Tăng tốc độ huấn luyện mô hình học máy.

A A. Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) B B. Nhận dạng hình ảnh (Image Recognition) và thị giác máy tính (Computer Vision) C C. Dự báo chuỗi thời gian (Time Series Forecasting) D D. Phân tích dữ liệu dạng bảng (Tabular Data Analysis)

A A. Đánh giá hiệu năng của mô hình. B B. Tìm giá trị tối ưu của các tham số mô hình (ví dụ: trọng số trong mạng nơ-ron) bằng cách tối thiểu hóa hàm mất mát (loss function). C C. Tiền xử lý dữ liệu đầu vào. D D. Giảm chiều dữ liệu.

A A. Phát hiện gian lận thẻ tín dụng. B B. Dự báo thời tiết chính xác tuyệt đối trong dài hạn. C C. Xe tự lái. D D. Lọc thư rác (spam).

A A. Mô hình hoạt động kém hiệu quả trên tập huấn luyện. B B. Mô hình hoạt động kém hiệu quả trên một số nhóm đối tượng nhất định trong thực tế, do phản ánh sự thiên vị trong dữ liệu. C C. Mô hình bị quá khớp (overfitting). D D. Mô hình huấn luyện quá nhanh.

A A. Chẩn đoán bệnh từ hình ảnh y tế (X-quang, CT scan, MRI). B B. Phát triển thuốc mới. C C. Cá nhân hóa điều trị bệnh. D D. Tất cả các phương án trên.

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 'chính quy hóa' (regularization). D D. Tất cả các phương án trên.

A A. Tăng độ chính xác của mô hình. B B. Giải thích các dự đoán của mô hình, đặc biệt là các mô hình phức tạp như mạng nơ-ron, bằng cách đo lường đóng góp của từng đặc trưng. C C. Giảm chiều dữ liệu. D D. Tối ưu hóa siêu tham số.

A A. K-means Clustering B B. Linear Regression C C. Decision Tree D D. Neural Network (Mạng nơ-ron)

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

A A. Siêu tham số được học từ dữ liệu, còn tham số được thiết lập thủ công trước khi huấn luyện. B B. Tham số được học từ dữ liệu, còn siêu tham số được thiết lập thủ công trước khi huấn luyện. C C. Siêu tham số chỉ tồn tại trong mô hình học sâu (Deep Learning), còn tham số tồn tại trong tất cả các mô hình học máy. D D. Không có sự khác biệt, hai khái niệm này là tương đương.

A A. Tuyến tính hóa đầu ra của mỗi nơ-ron. B B. Giới thiệu tính phi tuyến vào mạng nơ-ron, cho phép mô hình học các quan hệ phức tạp. C C. Giảm tốc độ huấn luyện mạng nơ-ron. D D. Tăng kích thước của mạng nơ-ron.

A A. K-means Clustering B B. Principal Component Analysis (PCA) C C. Linear Regression D D. Apriori Algorithm

A A. Chuyển dữ liệu từ định dạng này sang định dạng khác. B B. Tái sử dụng kiến thức đã học được từ một bài toán (hoặc tập dữ liệu) để giải quyết một bài toán (hoặc tập dữ liệu) khác liên quan. C C. Chuyển giao mô hình học máy từ người này sang người khác. D D. Chuyển đổi mô hình học máy từ môi trường huấn luyện sang môi trường thực tế.

A A. Diện tích dưới đường cong ROC, thể hiện khả năng phân loại tổng thể của mô hình phân loại nhị phân. AUC càng cao, mô hình càng tốt. B B. Một loại thuật toán học máy. C C. Một phương pháp tiền xử lý dữ liệu. D D. Một siêu tham số của mô hình học máy.

A A. Độ chính xác của mô hình hồi quy. B B. Hiệu năng của mô hình phân loại nhị phân ở các ngưỡng phân loại khác nhau. C C. Sự phân bố của dữ liệu đầu vào. D D. Độ phức tạp của mô hình.

A A. Mô hình học quá tốt trên tập huấn luyện nhưng kém hiệu quả trên tập kiểm thử. B B. Mô hình học quá kém trên cả tập huấn luyện và tập kiểm thử. C C. Mô hình huấn luyện quá chậm. D D. Dữ liệu huấn luyện chứa quá nhiều nhiễu.

A A. Để tăng tốc độ huấn luyện mô hình. B B. Để đánh giá hiệu năng của mô hình trên dữ liệu mới, chưa từng thấy trong quá trình huấn luyện. C C. Để đơn giản hóa quá trình tiền xử lý dữ liệu. D D. Để giảm kích thước bộ nhớ cần thiết để lưu trữ dữ liệu.

A A. K-means Clustering B B. Support Vector Machine (SVM) C C. Random Forest D D. Linear Regression

A A. Một lĩnh vực khoa học máy tính tập trung vào việc viết mã chương trình một cách thủ công để thực hiện các tác vụ cụ thể. B B. Một lĩnh vực khoa học máy tính cho phép hệ thống máy tính học hỏi từ dữ liệu mà không cần được lập trình một cách rõ ràng. C C. Một phương pháp thống kê truyền thống để phân tích dữ liệu và rút ra kết luận. D D. Một tập hợp các công cụ phần mềm được sử dụng để quản lý và lưu trữ dữ liệu lớn.

A A. Dữ liệu hình ảnh tĩnh. B B. Dữ liệu dạng chuỗi (sequential data) như văn bản, chuỗi thời gian, hoặc âm thanh. C C. Dữ liệu dạng bảng không có thứ tự thời gian. D D. Dữ liệu rời rạc không có cấu trúc.

A A. Số lượng đặc trưng (features) trong dữ liệu. B B. Số lượng cụm (clusters) mong muốn. C C. Số lần lặp tối đa của thuật toán. D D. Kích thước của tập dữ liệu.

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