Đề 8 – Bài tập, đề thi trắc nghiệm online Khai phá dữ liệu

A A. Phân nhóm các chuỗi thời gian có hình dạng tương tự. B B. Dự đoán giá trị tương lai của chuỗi thời gian. C C. Tìm luật kết hợp giữa các sự kiện trong chuỗi thời gian. D D. Phân loại các chuỗi thời gian vào các danh mục khác nhau.

A A. Dự đoán xu hướng lan truyền thông tin trên mạng xã hội. B B. Phân loại người dùng mạng xã hội theo sở thích. C C. Tìm các nhóm người dùng có liên kết chặt chẽ với nhau trong mạng xã hội. D D. Phân tích cảm xúc của các bài đăng trên mạng xã hội.

A A. Phân loại văn bản theo chủ đề. B B. Trích xuất thực thể có tên từ văn bản. C C. Đánh trọng số cho từ trong văn bản dựa trên tần suất xuất hiện và độ hiếm của từ. D D. Phân tích cảm xúc của văn bản.

A A. Các thuật toán phân cụm và phân loại dựa trên khoảng cách. B B. Các thuật toán khai thác luật kết hợp. C C. Các thuật toán hồi quy tuyến tính. D D. Các thuật toán dự báo chuỗi thời gian.

A A. Phân loại B B. Phân cụm C C. Khai thác luật kết hợp D D. Hồi quy

A A. Feature selection tạo ra thuộc tính mới, feature extraction chọn thuộc tính hiện có. B B. Feature selection chọn một tập con thuộc tính hiện có, feature extraction tạo ra thuộc tính mới từ thuộc tính hiện có. C C. Feature selection áp dụng cho dữ liệu số, feature extraction cho dữ liệu văn bản. D D. Feature selection luôn làm giảm chiều dữ liệu, feature extraction luôn tăng chiều 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 mạng xã hội.

A A. Dự đoán nguy cơ mắc bệnh dựa trên hồ sơ bệnh án. B B. Phân tích hình ảnh y tế để hỗ trợ chẩn đoán. C C. Tối ưu hóa lộ trình giao hàng của các công ty thương mại điện tử. D D. Phát hiện gian lận bảo hiểm y tế.

A A. Phân loại B B. Phân cụm C C. Hồi quy D D. Khai thác luật kết hợp

A A. Phân cụm dữ liệu. B B. Thay thế bằng giá trị trung bình/trung vị. C C. Giảm chiều dữ liệu. D D. Khai thác luật kết hợp.

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 của thuật toán. C C. Khó khăn trong việc biểu diễn tri thức khai phá được. D D. Sự khan hiếm dữ liệu.

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Đánh giá hiệu năng của mô hình trên dữ liệu độc lập. C C. Giảm thiểu overfitting bằng cách đơn giản hóa mô hình. D D. Chọn thuật toán khai phá dữ liệu phù hợp nhất.

A A. Khai thác dữ liệu từ các nguồn công khai. B B. Sử dụng dữ liệu tổng hợp và ẩn danh. C C. Khai thác dữ liệu cá nhân nhạy cảm như thông tin y tế, tài chính, hành vi trực tuyến. D D. Phân tích dữ liệu thống kê cho mục đích nghiên cứu khoa học.

A A. Tỷ lệ dự đoán đúng trên tổng số mẫu thực tế là dương tính. B B. Tỷ lệ dự đoán đúng trên tổng số mẫu được dự đoán là dương tính. C C. Tỷ lệ mẫu âm tính được dự đoán đúng trên tổng số mẫu âm tính thực tế. D D. Tỷ lệ mẫu dương tính được dự đoán đúng trên tổng số mẫu âm tính thực tế.

A A. Phân loại B B. Phân cụm C C. Giảm chiều dữ liệu D D. Khai thác luật kết hợp

A A. Đánh giá mô hình B B. Tiền xử lý dữ liệu C C. Khai thác mẫu D D. Biểu diễn tri thức

A A. Chuẩn hóa dữ liệu (Normalization) B B. Rút gọn chiều dữ liệu (Dimensionality Reduction) C C. Phân cụm dữ liệu (Clustering) D D. Làm sạch dữ liệu (Data Cleaning)

A A. Mô hình quá phức tạp và hoạt động kém trên dữ liệu mới. B B. Dữ liệu đầu vào chứa quá nhiều giá trị ngoại lai. C C. Thuật toán khai phá dữ liệu không hội tụ. D D. Mô hình quá đơn giản và không nắm bắt được các mẫu trong dữ liệu.

A A. Độ tin cậy của luật kết hợp được sinh ra từ tập mục đó. B B. Tần suất xuất hiện của tập mục trong cơ sở dữ liệu giao dịch. C C. Độ quan trọng của tập mục đối với việc phân loại. D D. Mức độ cải thiện hiệu suất dự đoán khi sử dụng tập mục đó.

A A. Tăng tốc độ tính toán của thuật toán khai phá. B B. Làm cho kết quả khai phá dễ hiểu và hữu ích cho người dùng. C C. Cải thiện độ chính xác của mô hình dự đoán. D D. Tự động hóa quá trình thu thập dữ liệu.

A A. Chia nhỏ dữ liệu thành các phần nhỏ để huấn luyện mô hình nhanh hơn. B B. Kết hợp kết quả dự đoán của nhiều mô hình học máy để cải thiện độ chính xác và độ ổn định. C C. Tự động hóa quá trình lựa chọn thuật toán khai phá dữ liệu tốt nhất. D D. Giảm overfitting bằng cách đơn giản hóa mô hình.

A A. Nội dung của các trang web. B B. Cấu trúc liên kết giữa các trang web. C C. Hành vi duyệt web của người dùng. D D. Metadata của các trang web.

A A. Giảm kích thước tập dữ liệu. B B. Ước lượng độ tin cậy của mô hình hoặc thống kê. C C. Tăng tốc độ huấn luyện mô hình. D D. Xử lý dữ liệu ngoại lai.

A A. Phân cụm; dễ dàng xử lý dữ liệu nhiễu. B B. Phân loại và hồi quy; dễ diễn giải và trực quan hóa. C C. Khai thác luật kết hợp; hiệu quả với dữ liệu kích thước lớn. D D. Giảm chiều dữ liệu; bảo toàn thông tin tốt.

A A. Trực quan hóa cấu trúc dữ liệu đầu vào. B B. Đánh giá chi tiết hiệu năng của mô hình phân loại. C C. Lựa chọn thuộc tính quan trọng nhất cho mô hình. D D. So sánh hiệu năng giữa các thuật toán phân loại khác nhau.

A A. Tăng độ phức tạp của mô hình. B B. Giảm số lượng biến đầu vào trong khi vẫn giữ được thông tin quan trọng. C C. Tăng cường nhiễu trong dữ liệu. D D. Tăng tốc độ thu thập dữ liệu.

A A. Tỷ lệ dự đoán đúng trên tổng số mẫu được dự đoán là dương tính. B B. Tỷ lệ dự đoán đúng trên tổng số mẫu thực tế là dương tính. C C. Tỷ lệ mẫu âm tính được dự đoán đúng trên tổng số mẫu âm tính thực tế. D D. Tỷ lệ mẫu dương tính được dự đoán đúng trên tổng số mẫu âm tính thực tế.

A A. Tần suất xuất hiện của luật kết hợp trong cơ sở dữ liệu. B B. Xác suất điều kiện kéo theo kết luận trong luật kết hợp là đúng. C C. Mức độ quan trọng của luật kết hợp đối với việc dự đoán. D D. Độ phổ biến của các mục trong luật kết hợp.

A A. Phân loại; DBSCAN nhanh hơn k-means. B B. Phân cụm; DBSCAN không yêu cầu xác định trước số cụm và có thể tìm cụm có hình dạng bất kỳ. C C. Hồi quy; DBSCAN chính xác hơn k-means. D D. Khai thác luật kết hợp; DBSCAN dễ cài đặt hơn k-means.

A A. Phân loại B B. Hồi quy C C. Phân cụm D D. Dự báo chuỗi thời gian