Đề 1 – Bài tập, đề thi trắc nghiệm online Khai phá dữ liệu

A A. Hồi quy tuyến tính B B. Phân cụm (Clustering) C C. Luật kết hợp (Association Rule Mining) D D. Phân tích chuỗi thời gian

A A. Dung lượng dữ liệu quá nhỏ để khai phá. B B. Dữ liệu tĩnh và không thay đổi theo thời gian. C C. Dữ liệu đến liên tục và cần xử lý theo thời gian thực. D D. Thiếu các thuật toán khai phá dữ liệu phù hợp.

A A. Độ quan trọng của các thuộc tính đầu vào. B B. Phân phối xác suất của các lớp. C C. Số lượng dự đoán đúng và sai cho từng lớp. D D. Độ phức tạp của mô hình phân loại.

A A. Phân cụm (Clustering) B B. Hồi quy (Regression) C C. Phân loại (Classification) D D. Luật kết hợp (Association Rule Mining)

A A. Dự đoán nguy cơ mắc bệnh của bệnh nhân. B B. Phân tích hiệu quả của các phương pháp điều trị khác nhau. C C. Tối ưu hóa lịch trình làm việc của nhân viên y tế. D D. Phát hiện gian lận trong thanh toán bảo hiểm y tế.

A A. Học có giám sát sử dụng dữ liệu có nhãn, học không giám sát sử dụng dữ liệu không nhãn. B B. Học có giám sát chỉ dùng cho dữ liệu số, học không giám sát dùng cho mọi loại dữ liệu. C C. Học có giám sát luôn cho kết quả chính xác hơn học không giám sát. D D. Học có giám sát chỉ áp dụng cho bài toán phân loại, học không giám sát cho bài toán phân cụm.

A A. Dự đoán giá trị của một biến số liên tục. B B. Tìm ra các mối quan hệ thú vị giữa các biến số trong cơ sở dữ liệu. C C. Phân loại dữ liệu vào các nhóm đã biết trước. D D. Giảm số chiều dữ liệu để đơn giản hóa phân tích.

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá khả năng khái quát hóa của mô hình trên dữ liệu mới. C C. Làm sạch dữ liệu huấn luyện. D D. Chọn thuật toán khai phá dữ liệu phù hợp nhất.

A A. Tập phổ biến (frequent itemset) luôn là tập con của một tập phổ biến khác. B B. Mọi tập con của một tập phổ biến đều là tập phổ biến. C C. Tập không phổ biến (infrequent itemset) luôn là tập cha của một tập không phổ biến khác. D D. Mọi tập cha của một tập không phổ biến đều là tập không phổ biến.

A A. Loại bỏ các giá trị trùng lặp trong dữ liệu. B B. Chuyển đổi dữ liệu sang định dạng phù hợp với thuật toán. C C. Đưa các thuộc tính số về cùng một thang đo giá trị. D D. Xử lý các giá trị bị thiếu trong dữ liệu.

A A. Tăng số lượng thuộc tính của dữ liệu để có thêm thông tin. B B. Giảm số lượng thuộc tính của dữ liệu trong khi vẫn giữ lại thông tin quan trọng. C C. Tăng độ chính xác của dữ liệu bằng cách loại bỏ nhiễu. D D. Phân chia dữ liệu thành các tập nhỏ hơn để xử lý song song.

A A. Quá trình thu thập dữ liệu từ nhiều nguồn khác nhau. B B. Quá trình phân tích dữ liệu lịch sử để tạo báo cáo. C C. Quá trình khám phá tri thức hữu ích từ lượng lớn dữ liệu. D D. Quá trình trực quan hóa dữ liệu để dễ dàng nhận biết xu hướng.

A A. Dễ dàng giải thích cách mô hình đưa ra quyết định. B B. Khó hoặc không thể hiểu được logic bên trong của mô hình. C C. Luôn cho kết quả chính xác tuyệt đối. D D. Chỉ áp dụng cho dữ liệu văn bản.

A A. Dữ liệu nhiễu có thể làm giảm độ chính xác của mô hình khai phá. B B. Dữ liệu nhiễu luôn phải được loại bỏ hoàn toàn trước khi khai phá. C C. Dữ liệu nhiễu có thể bao gồm giá trị ngoại lai hoặc lỗi nhập liệu. D D. Các kỹ thuật tiền xử lý dữ liệu có thể giúp giảm thiểu ảnh hưởng của dữ liệu nhiễu.

A A. Tốc độ xử lý dữ liệu chậm. B B. Khả năng bị lộ thông tin cá nhân và xâm phạm quyền riêng tư. C C. Chi phí triển khai hệ thống khai phá dữ liệu cao. D D. Sự phức tạp của các thuật toán khai phá dữ liệu.

A A. Chuẩn hóa dữ liệu (Normalization) B B. Phân cụm K-means (K-means Clustering) C C. Xử lý giá trị thiếu (Missing value imputation) D D. Rời rạc hóa dữ liệu (Data discretization)

A A. Phân cụm (Clustering) B B. Phát hiện dị thường (Anomaly Detection) C C. Hồi quy (Regression) D D. Phân tích chuỗi thời gian

A A. Khi dữ liệu có kích thước nhỏ và ít thuộc tính. B B. Khi cần cải thiện độ chính xác và tính ổn định của mô hình dự đoán. C C. Khi chỉ có một thuật toán học máy duy nhất phù hợp với dữ liệu. D D. Khi muốn giảm thiểu thời gian huấn luyện mô hình.

A A. Độ chính xác (Accuracy) B B. Độ thu hồi (Recall) C C. Độ đo F1 (F1-score) D D. Độ chính xác (Precision)

A A. Phân loại (Classification) B B. Phân cụm (Clustering) C C. Hồi quy (Regression) D D. Dự báo (Forecasting)

A A. Phân loại (Classification) B B. Phân cụm (Clustering) C C. Giảm chiều dữ liệu (Dimensionality Reduction) D D. Luật kết hợp (Association Rule Mining)

A A. Phân tích ngữ nghĩa của văn bản. B B. Biểu diễn văn bản dưới dạng vector số dựa trên tần suất xuất hiện của từ. C C. Tóm tắt nội dung chính của văn bản. D D. Phân loại văn bản theo chủ đề.

A A. Đánh giá mô hình B B. Tiền xử lý dữ liệu C C. Triển khai mô hình D D. Lựa chọn thuật toán khai phá

A A. Nội dung văn bản trên các trang web. B B. Cấu trúc liên kết giữa các trang web. C C. Hành vi duyệt web của người dùng. D D. Hình ảnh và video trên các trang web.

A A. Hold-out validation (Kiểm định giữ lại) B B. Leave-one-out cross-validation (Kiểm định chéo loại bỏ từng mẫu) C C. Random subsampling validation (Kiểm định lấy mẫu ngẫu nhiên) D D. Bootstrap validation (Kiểm định Bootstrap)

A A. Mô hình hoạt động quá chậm do dữ liệu quá lớn. B B. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới. C C. Dữ liệu đầu vào chứa quá nhiều giá trị ngoại lai. D D. Thuật toán khai phá không phù hợp với loại dữ liệu.

A A. Dữ liệu văn bản B B. Dữ liệu chuỗi thời gian C C. Dữ liệu địa lý và không gian D D. Dữ liệu hình ảnh

A A. Độ phổ biến của một mục hàng trong cơ sở dữ liệu. B B. Mức độ tin cậy của một luật kết hợp. C C. Mức độ hữu ích của một luật kết hợp so với việc lựa chọn ngẫu nhiên. D D. Tỷ lệ các giao dịch chứa cả hai mục hàng trong luật.

A A. SPSS Modeler B B. SAS Enterprise Miner C C. RapidMiner D D. Tableau

A A. Khai phá dữ liệu chỉ có thể áp dụng cho dữ liệu nhỏ. B B. Dữ liệu lớn không liên quan đến khai phá dữ liệu. C C. Khai phá dữ liệu là một công cụ quan trọng để phân tích và khai thác giá trị từ dữ liệu lớn. D D. Dữ liệu lớn làm cho khai phá dữ liệu trở nên kém hiệu quả hơn.