Đề 14 – Bài tập, đề thi trắc nghiệm online Học máy

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

A A. Đo lường độ chính xác của cây quyết định. B B. Xác định thuộc tính tốt nhất để phân chia nút trong quá trình xây dựng cây. C C. Kiểm soát độ phức tạp của cây quyết định để tránh overfitting. D D. Tính toán độ sâu tối ưu của cây quyết định.

A A. Tăng tốc độ huấn luyện SVM. B B. Biến đổi dữ liệu đầu vào sang một không gian chiều cao hơn để có thể tìm được siêu phẳng phân tách tuyến tính, ngay cả khi dữ liệu không phân tách tuyến tính trong không gian gốc. C C. Giảm số lượng vector hỗ trợ. D D. Đơn giản hóa bài toán tối ưu hóa trong SVM.

A A. Tăng tốc độ huấn luyện mạng nơ-ron. B B. Giảm overfitting bằng cách ngẫu nhiên bỏ qua (dropout) một số nơ-ron trong quá trình huấn luyện. C C. Tăng độ chính xác của mạng nơ-ron trên dữ liệu huấn luyện. D D. Giảm kích thước của mạng nơ-ron.

A A. Đánh giá hiệu suất của mô hình hồi quy. B B. Trực quan hóa cấu trúc của dữ liệu đầu vào. C C. Phân tích chi tiết hiệu suất của mô hình phân loại bằng cách hiển thị số lượng dự đoán đúng và sai cho từng lớp. D D. Chọn thuật toán học máy phù hợp nhất cho bài toán.

A A. Học tăng cường. B B. Học không giám sát. C C. Học có giám sát. D D. Học bán giám sát.

A A. Một kỹ thuật để tăng tốc độ huấn luyện mạng nơ-ron. B B. Một thuật toán để tính toán gradient của hàm mất mát đối với các tham số của mạng nơ-ron. C C. Một phương pháp để trực quan hóa cấu trúc của mạng nơ-ron. D D. Một kỹ thuật để giảm overfitting trong mạng nơ-ron.

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 dự đoán là dương tính. C C. Tỷ lệ mẫu thực tế là dương tính trên tổng số mẫu. D D. Tỷ lệ mẫu dự đoán sai trên tổng số mẫu thực tế là âm tính.

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Giảm độ phức tạp của mô hình (ví dụ: pruning cây quyết định). C C. Sử dụng kỹ thuật Regularization (ví dụ: L1, L2 regularization). D D. Tất cả các phương pháp trên.

A A. Một phương pháp để chuyển đổi dữ liệu từ dạng số sang dạng văn bản. B B. Một kỹ thuật để huấn luyện mô hình trên một tập dữ liệu lớn và sau đó sử dụng kiến thức đã học được để giải quyết một bài toán tương tự nhưng với tập dữ liệu nhỏ hơn. C C. Một cách để chuyển đổi mô hình học máy từ học có giám sát sang học không giám sát. D D. Một phương pháp để tăng tốc độ huấn luyện mô hình.

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

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá khả năng tổng quát hóa của mô hình học máy trên dữ liệu mới. C C. Cải thiện độ chính xác của mô hình trên dữ liệu huấn luyện. D D. Giảm kích thước của tập dữ liệu huấn luyện.

A A. Một lĩnh vực của khoa học máy tính cho phép máy tính học hỏi từ dữ liệu mà không cần được lập trình явно. B B. Một phương pháp lập trình máy tính truyền thống dựa trên các quy tắc được xác định trước. C C. Một loại ngôn ngữ lập trình mới được sử dụng để phát triển phần mềm. D D. Một công cụ phần cứng đặc biệt giúp tăng tốc độ xử lý dữ liệu.

A A. Underfitting dữ liệu huấn luyện. B B. Khả năng tổng quát hóa tốt trên dữ liệu mới. C C. Overfitting dữ liệu huấn luyện, tức là mô hình quá phức tạp và học cả nhiễu trong dữ liệu huấn luyện. D D. Độ chính xác thấp trên dữ liệu huấn luyện.

A A. Trung bình cộng của Precision và Recall; (Precision + Recall) / 2. B B. Trung bình điều hòa của Precision và Recall; 2 * (Precision * Recall) / (Precision + Recall). C C. Tích của Precision và Recall; Precision * Recall. D D. Hiệu của Precision và Recall; Precision - Recall.

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

A A. Giảm số lượng lớp trong mạng nơ-ron. B B. Tăng tốc độ huấn luyện và cải thiện độ ổn định bằng cách chuẩn hóa đầu ra của mỗi lớp trong mỗi mini-batch. C C. Đơn giản hóa kiến trúc mạng nơ-ron. D D. Giảm kích thước dữ liệu huấn luyện.

A A. Phân tích cú pháp của câu. B B. Biểu diễn từ ngữ thành các vector số thực có ý nghĩa ngữ nghĩa, giúp máy tính hiểu được mối quan hệ giữa các từ. C C. Dịch ngôn ngữ từ ngôn ngữ này sang ngôn ngữ khác. D D. Tạo ra văn bản mới.

A A. Một thuật toán học máy đơn lẻ mạnh mẽ. B B. Một kỹ thuật kết hợp dự đoán của nhiều mô hình học máy khác nhau (ví dụ: Bagging, Boosting, Stacking) để cải thiện hiệu suất tổng thể. C C. Một phương pháp để đơn giản hóa mô hình học máy. D D. Một cách để chuẩn hóa dữ liệu đầu vào.

A A. Overfitting dữ liệu huấn luyện. B B. Underfitting dữ liệu huấn luyện, tức là mô hình quá đơn giản và không thể nắm bắt được các mẫu phức tạp trong dữ liệu. C C. Độ chính xác cao trên cả dữ liệu huấn luyện và dữ liệu kiểm tra. D D. Phương sai lớn trên dữ liệu kiểm tra.

A A. RNN xử lý dữ liệu tuần tự (sequence data), trong khi CNN thường được sử dụng cho dữ liệu ảnh. B B. RNN có số lượng tham số ít hơn CNN. C C. CNN có khả năng học các mối quan hệ thời gian tốt hơn RNN. D D. RNN chỉ có thể được sử dụng cho học không giám sát, trong khi CNN chỉ dùng cho học có giám sát.

A A. Chọn kiến trúc mạng nơ-ron phù hợp. B B. Tối ưu hóa các tham số (weights và biases) của mạng nơ-ron để giảm thiểu hàm mất mát (loss function). C C. Đánh giá hiệu suất của mạng nơ-ron. D D. Chuẩn hóa dữ liệu đầu vào cho mạng nơ-ron.

A A. Tăng độ phân giải của ảnh. B B. Tăng số lượng đặc trưng được phát hiện. C C. Giảm kích thước không gian của feature maps và làm cho các đặc trưng trở nên bất biến hơn với các biến đổi nhỏ (ví dụ: dịch chuyển, xoay nhẹ). D D. Cải thiện độ chính xác của mô hình trên dữ liệu huấn luyện.

A A. Tăng số chiều của dữ liệu. B B. Tìm các thành phần chính (principal components) của dữ liệu, là các hướng mà dữ liệu có phương sai lớn nhất, và giảm số chiều bằng cách giữ lại một số thành phần chính quan trọng nhất. C C. Phân loại dữ liệu thành các nhóm khác nhau. D D. Cải thiện độ chính xác của mô hình học máy.

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

A A. Phân loại dữ liệu thành các nhóm khác nhau. B B. Dự đoán giá trị của một biến số liên tục. C C. Huấn luyện một tác nhân (agent) để đưa ra chuỗi hành động tối ưu trong một môi trường để tối đa hóa phần thưởng tích lũy. D D. Tìm kiếm cấu trúc ẩn trong dữ liệu không có nhãn.

A A. Hiệu suất của mô hình hồi quy. B B. Hiệu suất của mô hình phân cụm. C C. Hiệu suất của mô hình phân loại nhị phân ở các ngưỡng phân loại khác nhau. D D. Độ phức tạp của mô hình phân loại.

A A. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới. B B. Mô hình không học được các mẫu trong dữ liệu huấn luyện. C C. Dữ liệu huấn luyện quá lớn khiến mô hình học chậm. D D. Thuật toán học máy được sử dụng không phù hợp.

A A. Cây quyết định (Decision Tree) B B. K-Means Clustering C C. Hồi quy tuyến tính (Linear Regression) D D. Máy vector hỗ trợ (Support Vector Machine)

A A. Tăng kích thước ảnh đầu vào. B B. Giảm số lượng màu sắc trong ảnh. C C. Phát hiện các đặc trưng cục bộ (local features) trong ảnh, như cạnh, góc, kết cấu. D D. Thay đổi độ sáng của ảnh.