Đề 13 – Bài tập, đề thi trắc nghiệm online Xử lý ngôn ngữ tự nhiên

A A. Học từ dữ liệu không có nhãn. B B. Thực hiện tác vụ mà không cần được huấn luyện trực tiếp cho tác vụ đó. C C. Huấn luyện mô hình trên dữ liệu tổng hợp (synthetic data). D D. Đưa ra dự đoán với độ chính xác bằng 0.

A A. Khả năng ngôn ngữ thay đổi theo thời gian. B B. Việc một từ hoặc cụm từ có thể có nhiều nghĩa khác nhau. C C. Sự khác biệt giữa ngôn ngữ nói và ngôn ngữ viết. D D. Khó khăn trong việc thu thập dữ liệu văn bản đủ lớn.

A A. Dịch máy. B B. Nhận dạng khuôn mặt. C C. Phân tích cảm xúc văn bản. D D. Chatbot.

A A. Các phương pháp cải thiện độ chính xác của mô hình NLP. B B. Các kỹ thuật tấn công mô hình NLP bằng cách tạo ra các đầu vào được thiết kế đặc biệt để đánh lừa mô hình. C C. Các phương pháp phát hiện lỗi sai trong dữ liệu văn bản. D D. Các kỹ thuật tăng cường dữ liệu huấn luyện.

A A. Chuyển đổi văn bản thành giọng nói. B B. Chia văn bản thành các đơn vị nhỏ hơn, ví dụ như từ hoặc cụm từ. C C. Loại bỏ các từ dừng (stop words) khỏi văn bản. D D. Gán nhãn từ loại (part-of-speech tagging) cho các từ.

A A. Tạo ra văn bản gốc từ dữ liệu có cấu trúc. B B. Tự động chuyển đổi văn bản từ ngôn ngữ này sang ngôn ngữ khác. C C. Phân tích cảm xúc trong văn bản đa ngôn ngữ. D D. Tóm tắt văn bản bằng nhiều ngôn ngữ.

A A. Khả năng xử lý dữ liệu tuần tự tốt hơn. B B. Khả năng xử lý song song tốt hơn và giải quyết vấn đề phụ thuộc xa (long-range dependencies) hiệu quả hơn. C C. Yêu cầu ít dữ liệu huấn luyện hơn. D D. Dễ dàng giải thích hơn.

A A. Kích thước của văn bản đầu vào. B B. Số lượng từ xung quanh từ mục tiêu được xem xét để hiểu ngữ cảnh. C C. Thời gian cần thiết để xử lý một câu. D D. Giao diện người dùng của một ứng dụng NLP.

A A. Phân tích cấu trúc ngữ pháp của câu. B B. Dự đoán xác suất xuất hiện của một chuỗi từ. C C. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác. D D. Nhận dạng thực thể có tên (Named Entity Recognition).

A A. Biểu diễn mối quan hệ ngữ nghĩa giữa các từ. B B. Biểu diễn cấu trúc cú pháp của một câu. C C. Biểu diễn các thực thể có tên trong văn bản. D D. Biểu diễn tần suất xuất hiện của các từ.

A A. Tự động tạo sinh dữ liệu huấn luyện. B B. Chọn lọc các mẫu dữ liệu 'thông tin' nhất để con người gán nhãn, nhằm tối ưu hóa hiệu quả huấn luyện. C C. Huấn luyện mô hình trên dữ liệu từ nhiều nguồn khác nhau. D D. Sử dụng phản hồi của người dùng để cải thiện mô hình.

A A. Thiết kế phần cứng máy tính. B B. Tương tác giữa máy tính và ngôn ngữ con người. C C. Phát triển các thuật toán toán học thuần túy. D D. Nghiên cứu về tâm lý học hành vi.

A A. Phân loại ảnh. B B. Xử lý dữ liệu tuần tự như chuỗi văn bản. C C. Phát hiện đối tượng trong ảnh. D D. Giảm chiều dữ liệu.

A A. Huấn luyện mô hình với rất ít dữ liệu có nhãn. B B. Huấn luyện mô hình trên dữ liệu đa ngôn ngữ. C C. Giảm số lượng tham số của mô hình. D D. Tăng tốc độ huấn luyện mô hình.

A A. Loại bỏ các từ dừng (stop words). B B. Tập trung vào các phần quan trọng nhất của dữ liệu đầu vào khi xử lý. C C. Chia nhỏ văn bản thành các token. D D. Mã hóa văn bản thành vector số.

A A. Dịch tên riêng sang ngôn ngữ khác. B B. Xác định và phân loại các thực thể có tên trong văn bản (ví dụ: người, tổ chức, địa điểm). C C. Sửa lỗi chính tả trong tên riêng. D D. Tạo ra tên mới cho sản phẩm hoặc công ty.

A A. Đo độ tương đồng giữa hai văn bản. B B. Tính trọng số của từ trong một văn bản và trong tập hợp văn bản. C C. Phân loại văn bản dựa trên chủ đề. D D. Tóm tắt văn bản.

A A. Huấn luyện mô hình NLP trên dữ liệu phân tán ở nhiều thiết bị mà không cần tập trung dữ liệu. B B. Huấn luyện mô hình NLP trên dữ liệu tổng hợp từ nhiều nguồn. C C. Huấn luyện mô hình NLP trên dữ liệu công khai. D D. Tăng tốc độ huấn luyện mô hình NLP trên một máy tính duy nhất.

A A. Phân tích cú pháp. B B. Word embeddings (biểu diễn từ thành vector số). C C. Tách từ (tokenization). D D. Loại bỏ từ dừng (stop word removal).

A A. Tự động dịch văn bản. B B. Tương tác với người dùng thông qua ngôn ngữ tự nhiên. C C. Phân tích dữ liệu tài chính. D D. Điều khiển robot vật lý.

A A. Đánh giá chất lượng dịch máy. B B. Biểu diễn tri thức về thế giới và mối quan hệ giữa các khái niệm. C C. Phân tích cảm xúc trong ngôn ngữ hình tượng. D D. Tạo sinh văn bản theo phong cách cụ thể.

A A. Mô hình phân loại văn bản. B B. Mô hình dịch máy. C C. Mô hình phân tích cảm xúc. D D. Mô hình tóm tắt văn bản.

A A. Mã hóa ASCII. B B. One-hot encoding và Word embeddings. C C. Mã hóa nhị phân. D D. Mã hóa thập lục phân.

A A. Tăng độ dài của văn bản. B B. Giảm số lượng từ duy nhất trong văn bản và chuẩn hóa từ về dạng gốc. C C. Phân tích cấu trúc ngữ pháp của câu. D D. Dịch văn bản sang ngôn ngữ khác.

A A. Dịch văn bản sang ngôn ngữ khác. B B. Xác định cảm xúc hoặc thái độ được thể hiện trong văn bản (ví dụ: tích cực, tiêu cực, trung lập). C C. Tóm tắt nội dung chính của văn bản. D D. Phân tích cấu trúc ngữ pháp của văn bản.

A A. Thay thế hoàn toàn dữ liệu văn bản. B B. Cung cấp thông tin cấu trúc về thực thể và mối quan hệ giữa chúng, giúp mô hình NLP hiểu ngữ cảnh và suy luận tốt hơn. C C. Tăng tốc độ xử lý dữ liệu văn bản. D D. Giảm kích thước mô hình NLP.

A A. Dịch các đại từ nhân xưng. B B. Xác định các cụm từ hoặc đại từ nào trong văn bản đề cập đến cùng một thực thể. C C. Phân tích quan điểm trái chiều trong văn bản. D D. Tóm tắt văn bản bằng cách loại bỏ các tham chiếu.

A A. Tăng độ chính xác của mô hình NLP. B B. Làm cho quyết định của mô hình NLP dễ hiểu và dễ giải thích hơn cho con người. C C. Giảm thời gian huấn luyện mô hình NLP. D D. Triển khai mô hình NLP trên các thiết bị di động.

A A. Phân tích cú pháp. B B. Phân tích ngữ nghĩa. C C. Biên dịch mã nguồn. D D. Tạo sinh ngôn ngữ.

A A. Mô hình ngôn ngữ dựa trên RNN. B B. Mô hình ngôn ngữ dựa trên Transformer được huấn luyện trước trên lượng lớn dữ liệu văn bản. C C. Thuật toán stemming. D D. Phương pháp biểu diễn văn bản bằng TF-IDF.