Đề 5 – Bài tập, đề thi trắc nghiệm online Khai phá dữ liệu

A A. Dữ liệu có kích thước nhỏ. B B. Dữ liệu đến liên tục và nhanh chóng. C C. Dữ liệu có cấu trúc cố định. D D. Dữ liệu tĩnh và không thay đổi theo thời gian.

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

A A. Dữ liệu có cấu trúc phức tạp. B B. Dữ liệu bị thiếu giá trị. C C. Dữ liệu chứa lỗi, giá trị ngoại lệ hoặc không nhất quán. D D. Dữ liệu có kích thước quá lớn.

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

A A. Độ chính xác (accuracy) và độ phủ (recall). B B. Độ chính xác (precision) và độ phủ (recall). C C. Độ chính xác (precision) và độ đo F2-score. D D. Độ phủ (recall) và độ đo AUC-ROC.

A A. Hiệu suất cao với dữ liệu nhiễu. B B. Khả năng xử lý dữ liệu có chiều cao. C C. Dễ dàng diễn giải và trực quan hóa. D D. Luôn tìm ra mô hình tối ưu toàn cục.

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

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

A A. Âm tính giả (False Negative). B B. Dương tính giả (False Positive). C C. Âm tính thật (True Negative). D D. Dương tính thật (True Positive).

A A. Sự thiếu hụt các thuật toán khai phá dữ liệu. B B. Khả năng tính toán và lưu trữ dữ liệu. C C. Sự đơn giản của dữ liệu lớn. D D. Sự nhất quán của dữ liệu lớn.

A A. Mô hình quá đơn giản và không nắm bắt được các mẫu trong dữ liệu. B B. Mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến kém hiệu quả trên dữ liệu mới. C C. Dữ liệu huấn luyện quá nhỏ. D D. Thuật toán khai phá dữ liệu không phù hợp.

A A. Trực quan hóa dữ liệu đầu vào. B B. Tính toán độ đo AUC-ROC. C C. Thống kê số lượng dự đoán đúng và sai cho từng lớp. D D. Giảm chiều dữ liệu đầu vào.

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

A A. P(A và B) / P(A) B B. P(A và B) / P(B) C C. P(A) / P(A và B) D D. P(B) / P(A và B)

A A. Số lượng chiều dữ liệu. B B. Số lượng mẫu dữ liệu. C C. Số lượng cụm mong muốn. D D. Số lần lặp tối đa của thuật toán.

A A. Đánh giá nội tại (Internal validation). B B. Kiểm định chéo (Cross-validation). C C. Đánh giá trực quan (Visual validation). D D. Đánh giá thống kê (Statistical validation).

A A. Tăng số lượng thuộc tính của dữ liệu. B B. Giảm số lượng mẫu dữ liệu. C C. Giảm số lượng thuộc tính nhưng vẫn giữ được thông tin quan trọng. D D. Tăng độ chính xác của dữ liệu.

A A. Chuẩn hóa dữ liệu (Data normalization). B B. Rời rạc hóa dữ liệu (Data discretization). C C. Thay thế bằng giá trị trung bình (Mean imputation). D D. Giảm chiều dữ liệu (Dimensionality reduction).

A A. Dữ liệu giao dịch mua bán. B B. Dữ liệu cảm biến thời gian thực. C C. Dữ liệu bản đồ và vị trí địa lý. D D. Dữ liệu văn bản mạng xã hội.

A A. K-Means. B B. DBSCAN. C C. Naive Bayes. D D. Phân cụm phân cấp (Hierarchical Clustering).

A A. Phát hiện gian lận thẻ tín dụng. B B. Dự báo thời tiết. C C. Đề xuất sản phẩm cho khách hàng trực tuyến. D D. Phân tích rủi ro tín dụng.

A A. Phân cụm dữ liệu tĩnh. B B. Dự đoán giá trị tương lai dựa trên dữ liệu quá khứ. C C. Phân loại văn bản. D D. Tìm luật kết hợp trong dữ liệu không gian.

A A. Dự đoán sự bùng phát dịch bệnh. B B. Phân tích hình ảnh y tế để chẩn đoán bệnh. C C. Quản lý kho hàng. D D. Cá nhân hóa phương pháp điều trị.

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

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Giảm độ phức tạp của mô hình. C C. Sử dụng kỹ thuật chính quy hóa (regularization). D D. Tất cả các đáp án trên.

A A. Làm sạch và chuẩn hóa dữ liệu. B B. Xác định mục tiêu kinh doanh và bài toán khai phá dữ liệu cần giải quyết. C C. Lựa chọn thuật toán và mô hình khai phá dữ liệu phù hợp. D D. Đánh giá hiệu quả của mô hình khai phá dữ liệu.

A A. Loại bỏ từ dừng (stop words). B B. Đánh trọng số cho từ dựa trên tần suất xuất hiện trong văn bản và toàn bộ tập văn bản. C C. Phân tích cảm xúc (sentiment analysis). D D. Tóm tắt văn bản (text summarization).

A A. Giảm số lượng thuộc tính. B B. Chuyển đổi dữ liệu định tính thành định lượng. C C. Đưa các thuộc tính về cùng một thang đo giá trị. D D. Xử lý dữ liệu thiếu.

A A. Học có giám sát (Supervised learning). B B. Học bán giám sát (Semi-supervised learning). C C. Học không giám sát (Unsupervised learning). D D. Học tăng cường (Reinforcement learning).

A A. Quá trình thu thập dữ liệu từ nhiều nguồn khác nhau. B B. Quá trình phân tích dữ liệu thống kê để kiểm định các giả thuyết. 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 trình bày thông tin dễ hiểu.