Đề 13 – Bài tập, đề thi trắc nghiệm online Khai phá dữ liệu

A A. Độ chính xác của việc gán nhãn cụm (nếu có nhãn tham khảo). B B. Chất lượng phân cụm, đo lường mức độ các điểm dữ liệu trong cùng một cụm tương tự nhau và khác biệt với các cụm khác. C C. Thời gian tính toán để thực hiện phân cụm. D D. Số lượng cụm được tạo ra.

A A. Lựa chọn dữ liệu (Data Selection) B B. Tiền xử lý dữ liệu (Data Preprocessing) C C. Khai phá mẫu (Pattern Mining) D D. Đánh giá mẫu (Pattern Evaluation)

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Đánh giá khả năng khái quát hóa của mô hình trên dữ liệu mới. C C. Giảm thời gian huấn luyện mô hình. D D. Lựa chọn thuật toán khai phá dữ liệu phù hợp nhất.

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

A A. Phân lớp (Classification) B B. Hồi quy (Regression) C C. Phân cụm (Clustering) D D. Dự đoán (Prediction)

A A. Số chiều của dữ liệu. B B. Số lượng cụm mong muốn. C C. Số lần lặp tối đa của thuật toán. D D. Kích thước của bộ dữ liệu đầu vào.

A A. Phát hiện gian lận thẻ tín dụng. B B. Dự báo thời tiết hàng ngày. C C. Đề xuất sản phẩm cho khách hàng trực tuyến. D D. Phân tích cảm xúc từ bình luận trên mạng xã hội.

A A. Khi dữ liệu có kích thước nhỏ. B B. Khi yêu cầu về khả năng diễn giải mô hình là ưu tiên hàng đầu. C C. Khi mối quan hệ giữa các thuộc tính và biến mục tiêu rất phức tạp và phi tuyến. D D. Khi thời gian huấn luyện mô hình là yếu tố hạn chế.

A A. Dữ liệu bị mất mát hoặc hỏng hóc trong quá trình thu thập. B B. Phân phối thống kê của dữ liệu đầu vào thay đổi theo thời gian, làm giảm hiệu suất mô hình đã huấn luyện. C C. Dữ liệu chứa nhiều giá trị ngoại lai. D D. Kích thước dữ liệu tăng lên quá nhanh.

A A. Chia nhỏ dữ liệu thành các phần nhỏ hơn để huấn luyện mô hình nhanh hơn. B B. Kết hợp dự đoán của nhiều mô hình học máy khác nhau để cải thiện độ chính xác và độ ổn định. C C. Tự động lựa chọn thuật toán học máy tốt nhất cho một bài toán cụ thể. D D. Chuẩn hóa dữ liệu đầu vào để mô hình dễ học hơn.

A A. Học có giám sát sử dụng dữ liệu có nhãn lớp, trong khi học không giám sát sử dụng dữ liệu không có nhãn lớp. B B. Học có giám sát chỉ áp dụng cho dữ liệu số, học không giám sát chỉ áp dụng cho dữ liệu văn bản. C C. Học có giám sát cho kết quả chính xác hơn học không giám sát. D D. Học có giám sát nhanh hơn học không giám sát.

A A. One-Hot Encoding B B. PCA (Principal Component Analysis) C C. Z-score Standardization D D. Min-Max Scaling

A A. Quá trình thu thập và lưu trữ dữ liệu từ nhiều nguồn khác nhau. B B. Quá trình phân tích dữ liệu thống kê để kiểm định các giả thuyết định trước. C C. Quá trình khám phá tri thức hữu ích, tiềm ẩn từ lượng lớn dữ liệu, thường bằng các phương pháp tự động hoặc bán tự động. D D. Quá trình trực quan hóa dữ liệu để tạo ra các báo cáo và dashboard.

A A. Sự thiếu hụt các thuật toán khai phá dữ liệu hiệu quả. B B. Khả năng mở rộng và hiệu suất tính toán khi xử lý lượng dữ liệu khổng lồ. C C. Chi phí lưu trữ dữ liệu quá cao. D D. Sự phức tạp trong việc trực quan hóa kết quả khai phá.

A A. Phân tích cảm xúc khách hàng. B B. Phát hiện gian lận tài chính. C C. Đề xuất sản phẩm cá nhân hóa. D D. Phân tích mạng xã hội.

A A. Độ chính xác tổng thể của mô hình. 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.

A A. Cây quyết định (Decision Tree) B B. K-Means C C. Máy học véc tơ hỗ trợ (Support Vector Machine) D D. Mạng nơ-ron (Neural Network)

A A. Tăng số lượng thuộc tính để mô hình phức tạp hơn. B B. Giảm số lượng thuộc tính bằng cách loại bỏ các thuộc tính không liên quan hoặc dư thừa. C C. Chuyển đổi dữ liệu dạng số sang dạngCategorical. D D. Tạo ra các thuộc tính mới từ các thuộc tính hiện có.

A A. Giảm kích thước tập dữ liệu để tăng tốc độ huấn luyện. B B. Tạo ra các mẫu dữ liệu mới từ dữ liệu hiện có để tăng tính đa dạng và cải thiện khả năng khái quát hóa của mô hình. C C. Làm sạch dữ liệu bị nhiễu. D D. Chuẩn hóa dữ liệu về cùng một thang đo.

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. Dữ liệu huấn luyện chứa quá nhiều giá trị ngoại lai. D D. Quá trình khai phá dữ liệu sử dụng quá nhiều tài nguyên tính toán.

A A. RMSE (Root Mean Squared Error) B B. Độ chính xác (Accuracy) C C. MAE (Mean Absolute Error) D D. R-squared

A A. Volume (Khối lượng). B B. Velocity (Tốc độ). C C. Veracity (Độ xác thực). D D. Vocabulary (Từ vựng).

A A. Tỷ lệ các giao dịch chứa cả A và B trên tổng số giao dịch. B B. Tỷ lệ các giao dịch chứa B trong số các giao dịch chứa A. C C. Tỷ lệ các giao dịch chứa A trong số các giao dịch chứa B. D D. Tổng số giao dịch chứa cả A và B.

A A. Chỉ bằng cách tạo ra các báo cáo trực quan về dữ liệu quá khứ. B B. Bằng cách khám phá các mẫu, xu hướng và tri thức ẩn để dự đoán tương lai, phân tích rủi ro và tối ưu hóa hoạt động. C C. Chỉ bằng cách tự động hóa các tác vụ thu thập và tiền xử lý dữ liệu. D D. Chỉ bằng cách cải thiện tốc độ truy vấn dữ liệu.

A A. Tỷ lệ các giao dịch chứa cả A và B trên tổng số giao dịch. B B. Tỷ lệ các giao dịch chứa B trong số các giao dịch chứa A. C C. Tỷ lệ các giao dịch chứa A trong số các giao dịch chứa B. D D. Tổng số giao dịch chứa cả A và B.

A A. Dữ liệu văn bản. B B. Dữ liệu chuỗi thời gian. C C. Dữ liệu địa lý và không gian (ví dụ: vị trí, bản đồ, hình ảnh vệ tinh). D D. Dữ liệu giao dịch thương mại điện tử.

A A. Phân cụm K-Means. B B. Hồi quy tuyến tính. C C. Mô hình ARIMA (Autoregressive Integrated Moving Average). D D. Phân tích thành phần chính PCA.

A A. Nội dung văn bản và đa phương tiện trên các trang web. B B. Cấu trúc liên kết giữa các trang web. C C. Hành vi duyệt web của người dùng (ví dụ: nhật ký truy cập, clickstream). D D. Metadata của các trang web (ví dụ: thẻ meta, mô tả).

A A. Phân tích cảm xúc văn bản. B B. Trích xuất thông tin từ văn bản. C C. Tính toán trọng số của từ trong một tài liệu và trong toàn bộ tập tài liệu. D D. Phân loại văn bản theo chủ đề.

A A. Khó khăn trong việc trực quan hóa dữ liệu nhiều chiều. B B. Sự suy giảm hiệu suất của các thuật toán học máy khi số chiều dữ liệu tăng cao. C C. Chi phí tính toán tăng theo cấp số nhân với số chiều dữ liệu. D D. Tất cả các đáp án trên.