Đề 13 – Bài tập, đề thi trắc nghiệm online Học máy

A A. Thử nghiệm các hành động ngẫu nhiên để khám phá môi trường. B B. Lựa chọn hành động mà agent tin là tốt nhất dựa trên kinh nghiệm đã học được. C C. Tối ưu hóa tốc độ học của agent. D D. Đánh giá hiệu suất của agent trong môi trường mới.

A A. Phân tích tình cảm văn bản (sentiment analysis). B B. Đánh giá tầm quan trọng của từ trong một văn bản so với tập hợp văn bản (corpus). C C. Tạo word embedding. D D. Thực hiện dịch máy.

A A. Huấn luyện mô hình (model training). B B. Đánh giá mô hình (model evaluation). C C. Tiền xử lý dữ liệu (data preprocessing). D D. Triển khai mô hình (model deployment).

A A. Tăng kích thước dữ liệu huấn luyện. B B. Giảm độ phức tạp của mô hình. C C. Tăng số lượng đặc trưng (features) đầu vào. D D. Sử dụng dữ liệu kiểm thử (test data) thường xuyên hơn trong quá trình huấn luyện.

A A. Tăng tốc độ huấn luyện mạng. B B. Giảm overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện. C C. Tăng độ chính xác của mô hình trên dữ liệu huấn luyện. D D. Giúp mạng nơ-ron diễn giải kết quả dễ dàng hơn.

A A. Quá trình huấn luyện sẽ hội tụ nhanh hơn. B B. Quá trình huấn luyện có thể không hội tụ hoặc dao động xung quanh cực tiểu. C C. Mô hình sẽ overfitting dữ liệu huấn luyện. D D. Độ chính xác của mô hình sẽ tăng lên đáng kể.

A A. Học có giám sát sử dụng dữ liệu đã được gán nhãn, trong khi học không giám sát sử dụng dữ liệu chưa được gán nhãn. B B. Học có giám sát chỉ áp dụng cho bài toán phân loại, còn học không giám sát chỉ áp dụng cho bài toán hồi quy. C C. Học có giám sát luôn cho kết quả chính xác hơn học không giám sát. D D. Học không giám sát cần nhiều dữ liệu huấn luyện hơn học có giám sát.

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)

A A. L1 regularization hiệu quả hơn trong việc giảm overfitting so với L2 regularization. B B. L1 regularization có xu hướng tạo ra các tham số mô hình thưa thớt (sparse), trong khi L2 regularization không. C C. L2 regularization phù hợp hơn cho dữ liệu có nhiều đặc trưng nhiễu. D D. L1 regularization dễ dàng tính toán hơn L2 regularization.

A A. Dữ liệu bị thiếu (missing data). B B. Overfitting. C C. Underfitting. D D. Dữ liệu nhiễu (noisy data).

A A. Bài toán hồi quy. B B. Bài toán phân cụm. C C. Bài toán phân loại nhị phân. D D. Bài toán giảm chiều dữ liệu.

A A. Việc huấn luyện mô hình trở nên nhanh hơn. B B. Hiệu suất của một số thuật toán học máy có thể giảm đi khi số chiều dữ liệu tăng lên. C C. Dữ liệu trở nên dễ dàng trực quan hóa hơn. D D. Overfitting ít có khả năng xảy ra hơn.

A A. Chọn thuật toán học máy phù hợp nhất. B B. Tối ưu hóa tham số của mô hình. C C. Tạo ra các đặc trưng mới từ dữ liệu thô hiện có để cải thiện hiệu suất mô hình. D D. Giảm kích thước của dữ liệu huấn luyện.

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 từ dữ liệu huấn luyện. C C. Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu mới. D D. Mô hình cần thêm dữ liệu huấn luyện để cải thiện hiệu suất.

A A. Giảm độ phức tạp tính toán của mạng. B B. Giới thiệu tính phi tuyến vào mạng, cho phép mạng học các mối quan hệ phức tạp hơn. C C. Tăng tốc độ hội tụ của quá trình huấn luyện. D D. Chuẩn hóa dữ liệu đầu vào trước khi đưa vào mạng.

A A. Khi dữ liệu huấn luyện rất lớn và phức tạp. B B. Khi cần độ chính xác dự đoán cao nhất có thể. C C. Khi dữ liệu ít và mối quan hệ giữa các đặc trưng và mục tiêu là tuyến tính hoặc gần tuyến tính. D D. Khi cần một mô hình có khả năng diễn giải kết quả kém hơn.

A A. Dữ liệu hình ảnh tĩnh. B B. Dữ liệu dạng bảng (tabular data). C C. Dữ liệu chuỗi thời gian (time series) hoặc dữ liệu tuần tự (sequential data). D D. Dữ liệu âm thanh độc lập.

A A. Dự đoán đầu ra cho dữ liệu mới. B B. Tính toán độ chính xác của mô hình. C C. Cập nhật trọng số (weights) của mạng để giảm thiểu hàm mất mát (loss function). D D. Lựa chọn kiến trúc mạng nơ-ron phù hợp.

A A. Số lượng dự đoán đúng trên tổng số dự đoán. B B. Số lượng dự đoán đúng dương tính trên tổng số thực tế là dương tính. C C. Số lượng dự đoán đúng dương tính trên tổng số dự đoán là dương tính. D D. Số lượng dự đoán đúng âm tính trên tổng số thực tế là âm tính.

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

A A. Tăng độ chính xác của mô hình bằng cách loại bỏ các đặc trưng không quan trọng. B B. Đảm bảo rằng tất cả các đặc trưng đóng góp vào mô hình một cách đồng đều và thuật toán hội tụ nhanh hơn. C C. Giảm kích thước của dữ liệu huấn luyện để tăng tốc độ huấn luyện. D D. Chuyển đổi dữ liệu dạng categorical (phân loại) sang dạng numerical (số).

A A. Boosting tạo ra các mô hình độc lập song song, trong khi Bagging tạo ra các mô hình tuần tự. B B. Boosting tập trung vào việc giảm variance, trong khi Bagging tập trung vào việc giảm bias. C C. Boosting huấn luyện các mô hình yếu (weak learners) tuần tự, trong đó mỗi mô hình tập trung vào việc sửa lỗi của các mô hình trước đó, trong khi Bagging huấn luyện các mô hình độc lập song song. D D. Boosting chỉ sử dụng được cho bài toán phân loại, còn Bagging chỉ sử dụng được cho bài toán hồi quy.

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

A A. Chọn đặc trưng (feature selection) tốt nhất. B B. Tìm giá trị tối ưu của tham số mô hình (ví dụ: trọng số trong hồi quy tuyến tính hoặc mạng nơ-ron) để giảm thiểu hàm mất mát. C C. Đánh giá hiệu suất của mô hình. D D. Phân tích dữ liệu đầu vào.

A A. Loại bỏ từ dừng (stop words) khỏi văn bản. B B. Chuyển đổi từ ngữ thành các vector số, giúp máy tính có thể hiểu và xử lý ngôn ngữ tự nhiên. C C. Phân tích cú pháp của câu. D D. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

A A. Overfitting. B B. Underfitting. C C. Variance cao. D D. Mô hình hoạt động kém trên dữ liệu huấn luyện nhưng tốt trên dữ liệu kiểm thử.

A A. Tăng số lượng đặc trưng. B B. Tìm ra các thành phần chính (principal components) là tổ hợp tuyến tính của các đặc trưng ban đầu, giữ lại phần lớn phương sai của dữ liệu. C C. Loại bỏ tất cả các đặc trưng ít quan trọng. D D. Cải thiện khả năng diễn giải của mô hình bằng cách tăng độ phức tạp.

A A. Xử lý ngôn ngữ tự nhiên. B B. Dự báo chuỗi thời gian tài chính. C C. Thị giác máy tính (computer vision) và phân tích hình ảnh. D D. Hệ thống đề xuất sản phẩm.

A A. Thời gian huấn luyện. B B. Độ chính xác của dự đoán. C C. Phần thưởng tích lũy (cumulative reward). D D. Số lượng trạng thái (states) đã khám phá.

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá khách quan hiệu suất của mô hình trên dữ liệu chưa từng thấy. C C. Giảm overfitting bằng cách sử dụng nhiều tập dữ liệu huấn luyện khác nhau. D D. Chọn ra thuật toán học máy tốt nhất cho một bài toán cụ thể.