Đề 12 – Bài tập, đề thi trắc nghiệm online Khai phá dữ liệu

A A. Độ chính xác (Accuracy) B B. Độ thu hồi (Recall) C C. Giá trị trung bình (Mean) D D. F1-score

A A. Phân loại dữ liệu dựa trên thuộc tính. B B. Dự đoán giá trị tương lai dựa trên các mẫu trong dữ liệu theo thời gian. C C. Phân nhóm dữ liệu thành các cụm khác nhau. D D. Tìm các luật kết hợp giữa các sự kiện.

A A. Đánh giá mô hình B B. Tiền xử lý dữ liệu C C. Lựa chọn dữ liệu D D. Khai phá mẫu

A A. Dữ liệu được mã hóa bằng nhiều ngôn ngữ khác nhau. B B. Dữ liệu không đầy đủ hoặc bị lỗi, có thể gây sai lệch trong phân tích. C C. Dữ liệu có kích thước quá lớn, gây khó khăn trong xử lý. D D. Dữ liệu không liên quan đến mục tiêu khai phá.

A A. Đơn giản hóa mô hình học máy. B B. Kết hợp dự đoán của nhiều mô hình học máy để cải thiện độ chính xác và độ ổn định. C C. Giảm kích thước dữ liệu huấn luyện. D D. Tăng tốc độ huấn luyện mô hình.

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Đánh giá độ tin cậy của mô hình trên dữ liệu chưa từng thấy. C C. Giảm độ phức tạp của mô hình. D D. Làm sạch dữ liệu nhiễu.

A A. Dữ liệu văn bản (Text data) B B. Dữ liệu hình ảnh (Image data) C C. Dữ liệu âm thanh (Audio data) D D. Dữ liệu không tồn tại (Non-existent data)

A A. k-Means B B. Apriori C C. Support Vector Machine (SVM) D D. Decision Tree

A A. Sự gia tăng kích thước của dữ liệu theo thời gian. B B. Sự thay đổi về phân phối thống kê của dữ liệu đầu vào theo thời gian, làm giảm hiệu suất mô hình. C C. Sự di chuyển vật lý của trung tâm dữ liệu. D D. Lỗi trong quá trình nhập liệu dữ liệu.

A A. Phân cụm (Clustering) B B. Phân loại (Classification) C C. Khai phá chuỗi thời gian (Sequential Pattern Mining) D D. Khai thác luật kết hợp (Association Rule Mining)

A A. Chọn thuật toán khai phá dữ liệu. B B. Xây dựng mô hình dự đoán. C C. Xử lý giá trị thiếu, loại bỏ dữ liệu nhiễu và chuẩn hóa dữ liệu. D D. Đánh giá hiệu suất mô hình.

A A. Thu thập dữ liệu thời gian thực. B B. Lưu trữ và quản lý dữ liệu đã được tích hợp và làm sạch, phục vụ cho phân tích và báo cáo. C C. Tiền xử lý dữ liệu thô. D D. Trực quan hóa dữ liệu.

A A. Phân loại văn bản theo chủ đề. B B. Xác định cảm xúc hoặc ý kiến được thể hiện trong văn bản. C C. Tóm tắt nội dung chính của văn bản. D D. Dịch văn bản sang ngôn ngữ khác.

A A. Trực quan hóa dữ liệu. B B. Lưu trữ và xử lý phân tán dữ liệu có kích thước cực lớn. C C. Xây dựng giao diện người dùng cho ứng dụng khai phá dữ liệu. D D. Mã hóa dữ liệu để bảo mật.

A A. Quá trình lựa chọn thuật toán khai phá dữ liệu phù hợp. B B. Quá trình chuyển đổi và tạo ra các thuộc tính (features) mới từ dữ liệu thô để cải thiện hiệu suất mô hình. C C. Quá trình đánh giá chất lượng dữ liệu. D D. Quá trình trực quan hóa dữ liệu.

A A. Khai phá dữ liệu là một nhánh của Học máy. B B. Học máy tập trung vào dữ liệu lớn hơn Khai phá dữ liệu. C C. Khai phá dữ liệu tập trung vào khám phá tri thức, Học máy tập trung vào xây dựng mô hình dự đoán. D D. Không có sự khác biệt đáng kể giữa Khai phá dữ liệu và Học máy.

A A. Phát hiện gian lận thẻ tín dụng B B. Dự đoán xu hướng thị trường chứng khoán C C. Tối ưu hóa thiết kế phần cứng máy tính D D. Cá nhân hóa trải nghiệm người dùng trên website thương mại điện tử

A A. Phân tích hồi quy tuyến tính (Linear Regression) B B. Phân tích chuỗi thời gian (Time Series Analysis) C C. Phát hiện dị thường (Anomaly Detection) D D. Phân tích thành phần chính (Principal Component Analysis - PCA)

A A. Tỷ lệ dự đoán đúng trên tổng số mẫu thực tế là tích cực. B B. Tỷ lệ dự đoán đúng là tích cực trên tổng số mẫu được dự đoán là tích cực. C C. Tỷ lệ dự đoán đúng trên tổng số mẫu. D D. Tỷ lệ mẫu thực tế là tích cực được dự đoán đúng.

A A. Chuẩn hóa dữ liệu (Data normalization) B B. Rời rạc hóa dữ liệu (Data discretization) C C. Điền giá trị thiếu (Imputation) D D. Lựa chọn thuộc tính (Feature selection)

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

A A. RapidMiner B B. Weka C C. KNIME D D. scikit-learn

A A. Tăng số lượng thuộc tính (features) của dữ liệu. B B. Giảm số lượng thuộc tính của dữ liệu trong khi vẫn giữ được thông tin quan trọng. C C. Tăng kích thước của tập dữ liệu. D D. Làm sạch dữ liệu nhiễu.

A A. Quá trình thu thập dữ liệu từ nhiều nguồn khác nhau. B B. Quá trình chuyển đổi dữ liệu thô thành định dạng dễ đọc hơn. C C. Quá trình khám phá tri thức hữu ích từ lượng lớn dữ liệu. D D. Quá trình lưu trữ và quản lý dữ liệu hiệu quả.

A A. Độ tin cậy của luật kết hợp. B B. Tần suất xuất hiện của một tập mục trong cơ sở dữ liệu. C C. Độ cải thiện của luật so với dự đoán ngẫu nhiên. D D. Mức độ quan trọng của luật đối với người dùng.

A A. Mô hình quá đơn giản và không thể nắm bắt được các mẫu trong dữ liệu. B B. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới. C C. Mô hình được huấn luyện trên dữ liệu nhiễu. D D. Mô hình không đủ dữ liệu để học.

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

A A. Dữ liệu có độ nhiễu cao (High noise data). B B. Dữ liệu có kích thước nhỏ (Small data size). C C. Tính riêng tư và bảo mật dữ liệu (Data privacy and security). D D. Khả năng mở rộng của thuật toán (Scalability of algorithms).

A A. Giảm chi phí lưu trữ dữ liệu. B B. Tăng cường bảo mật dữ liệu. C C. Cải thiện việc ra quyết định dựa trên tri thức từ dữ liệu. D D. Tự động hóa hoàn toàn quy trình kinh doanh.

A A. Tốc độ xử lý dữ liệu chậm. B B. Sự thiếu hụt các thuật toán hiệu quả. C C. Xâm phạm quyền riêng tư và sử dụng dữ liệu cá nhân không được phép. D D. Chi phí lưu trữ dữ liệu cao.