Đề 1 – Bài tập, đề thi trắc nghiệm online Học máy

A A. Decision Tree (Cây quyết định) B B. Support Vector Machine (SVM) với kernel RBF C C. Logistic Regression (Hồi quy Logistic) D D. Random Forest (Rừng ngẫu nhiên)

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 và độ phức tạp của mô hình. C C. Sự đánh đổi giữa độ chệch (bias - lỗi do giả định đơn giản hóa mô hình) và phương sai (variance - độ nhạy của mô hình với sự thay đổi trong dữ liệu huấn luyện). D D. Sự đánh đổi giữa kích thước dữ liệu huấn luyện và kích thước dữ liệu kiểm tra.

A A. Một lĩnh vực khoa học máy tính tập trung vào việc tạo ra các chương trình có khả năng tự viết mã. 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 nhánh của thống kê toán học sử dụng máy tính để thực hiện các phép tính phức tạp. D D. Một phương pháp lập trình hướng đối tượng tiên tiến, tập trung vào việc xây dựng các lớp và đối tượng thông minh.

A A. Mean Squared Error (MSE) B B. R-squared C C. Accuracy D D. Root Mean Squared Error (RMSE)

A A. Tăng kích thước dữ liệu huấn luyện. B B. Giảm chiều dữ liệu. C C. Ước tính hiệu suất của mô hình trên dữ liệu chưa từng thấy và giảm thiểu overfitting. D D. Tăng tốc độ huấn luyện mô hình.

A A. Linear Regression. B B. K-Means Clustering. C C. Isolation Forest. D D. Logistic Regression.

A A. Độ chính xác của mô hình trong việc dự đoán từ tiếp theo. B B. Độ phức tạp của mô hình ngôn ngữ. C C. Đo lường mức độ 'bất ngờ' của mô hình khi gặp một chuỗi văn bản. D D. Tốc độ xử lý văn bản của mô hình.

A A. Giảm chiều dữ liệu. B B. Phân loại dữ liệu. C C. Trích xuất đặc trưng cục bộ từ dữ liệu đầu vào (ví dụ: ảnh). D D. Tăng cường dữ liệu huấn luyện.

A A. Lựa chọn thuật toán học máy phù hợp nhất. B B. Tối ưu hóa siêu tham số của mô hình. C C. Biến đổi và tạo ra các đặc trưng mới từ dữ liệu thô để cải thiện hiệu suất mô hình. D D. Chia dữ liệu thành tập huấn luyện và tập kiểm tra.

A A. Các phương pháp để tiền xử lý dữ liệu. B B. Các phương pháp để đánh giá mô hình. C C. Các phương pháp kết hợp dự đoán của nhiều mô hình học máy riêng lẻ để tạo ra một dự đoán tổng hợp tốt hơn. D D. Các phương pháp để tối ưu hóa siêu tham số.

A A. Tăng độ chính xác của mô hình. B B. Giảm overfitting. C C. Ổn định và tăng tốc độ huấn luyện bằng cách chuẩn hóa đầu ra của các lớp trung gian. D D. Giảm số lượng tham số của mô hình.

A A. Phân cụm dữ liệu dựa trên số lượng cụm mong muốn. B B. Phân cụm dữ liệu dựa trên khoảng cách đến trung tâm cụm. C C. Phân cụm dữ liệu dựa trên mật độ điểm dữ liệu và xác định các điểm nhiễu. D D. Phân cụm dữ liệu dựa trên phân cấp.

A A. Principal Component Analysis (PCA) B B. One-Hot Encoding C C. Oversampling và Undersampling D D. Cross-Validation

A A. Giảm tốc độ học của mô hình. B B. Tăng chiều dữ liệu đầu vào. C C. Giới thiệu tính phi tuyến vào mô hình. D D. Chuẩn hóa dữ liệu đầu vào.

A A. Loại bỏ các từ dừng (stopwords). B B. Chuyển đổi từ thành các vector số biểu diễn ngữ nghĩa của từ. C C. Phân tích cú pháp câu. D D. Dịch văn bản giữa các ngôn ngữ.

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. Tăng cường dữ liệu huấn luyện. B B. Giảm chiều dữ liệu. C C. Ngăn chặn overfitting bằng cách thêm một hình phạt vào hàm mất mát để hạn chế độ phức tạp của mô hình. D D. Tăng tốc độ huấn luyện mô hình.

A A. Dữ liệu dạng bảng. B B. Dữ liệu ảnh tĩnh. C C. Dữ liệu chuỗi thời gian hoặc dữ liệu tuần tự. D D. Dữ liệu văn bản không có cấu trúc.

A A. Chọn ra các đặc trưng quan trọng nhất. B B. Tìm ra tham số tối ưu của mô hình để giảm thiểu hàm mất mát (loss function). C C. Phân cụm dữ liệu thành các nhóm. D D. Đánh giá hiệu suất của mô hình.

A A. Tốc độ huấn luyện mô hình chậm. B B. Thiếu dữ liệu huấn luyện. C C. Sự thiên vị (bias) trong dữ liệu và thuật toán dẫn đến kết quả không công bằng hoặc phân biệt đối xử. D D. Khả năng diễn giải mô hình kém.

A A. Phân loại ảnh. B B. Dự đoán chuỗi thời gian. C C. Sinh dữ liệu mới tương tự như dữ liệu huấn luyện. D D. Phân tích cảm xúc văn bản.

A A. Hiệu suất cao trên dữ liệu có chiều cao. B B. Khả năng xử lý tốt dữ liệu phi tuyến tính phức tạp. C C. Dễ dàng diễn giải và trực quan hóa. D D. Ít bị overfitting.

A A. Giảm số lượng chiều dữ liệu đầu vào. B B. Tăng tốc độ huấn luyện mô hình. C C. Ánh xạ dữ liệu vào không gian chiều cao hơn để tìm siêu phẳng phân tách tuyến tính. D D. Chuẩn hóa dữ liệu đầu vào.

A A. Huấn luyện mô hình trên nhiều GPU để tăng tốc độ. B B. Sử dụng kiến thức đã học từ một bài toán (hoặc tập dữ liệu) để cải thiện hiệu suất trên một bài toán (hoặc tập dữ liệu) khác liên quan. C C. Chuyển đổi dữ liệu từ dạng không cấu trúc sang dạng cấu trúc. D D. Chuyển đổi mô hình từ dạng tuyến tính sang dạng phi tuyến.

A A. Khả năng diễn giải kém. B B. Yêu cầu tính toán lớn khi dự đoán trên dữ liệu lớn. C C. Dễ bị underfitting. D D. Không hiệu quả với dữ liệu có nhiều chiều.

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

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. D D. Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.

A A. One-Hot Encoding B B. Principal Component Analysis (PCA) C C. Cross-Validation D D. Gradient Descent

A A. Huấn luyện song song nhiều mô hình độc lập và lấy trung bình kết quả. B B. Huấn luyện tuần tự các mô hình, mỗi mô hình tập trung vào việc sửa lỗi của các mô hình trước đó. C C. Chia dữ liệu thành nhiều phần và huấn luyện mỗi mô hình trên một phần dữ liệu. D D. Chọn ngẫu nhiên các đặc trưng và huấn luyện nhiều cây quyết định.

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