Đề 3 – Bài tập, đề thi trắc nghiệm online Học máy

A A. Trích xuất đặc trưng cục bộ từ dữ liệu đầu vào (ví dụ: ảnh). B B. Phân loại dữ liệu đầu vào. C C. Tăng chiều dữ liệu đầu vào. D D. Giảm kích thước dữ liệu đầu vào.

A A. Phần thưởng (rewards) hoặc hình phạt (penalties). B B. Dữ liệu có nhãn (labeled data). C C. Dữ liệu không nhãn (unlabeled data). D D. Ví dụ về hành động đúng trong từng trạng thái.

A A. Phân loại một điểm dữ liệu dựa trên lớp phổ biến nhất của K điểm dữ liệu lân cận nó. B B. Tìm siêu phẳng tối ưu để phân tách các lớp dữ liệu. C C. Xây dựng cây quyết định dựa trên các đặc trưng của dữ liệu. D D. Phân cụm dữ liệu thành K cụm dựa trên khoảng cách đến các trung tâm cụm.

A A. Hiệu quả trong không gian chiều cao và khả năng tổng quát hóa tốt. B B. Luôn cho độ chính xác cao hơn các thuật toán khác. C C. Dễ dàng xử lý dữ liệu phi tuyến mà không cần kernel trick. D D. Huấn luyện rất nhanh ngay cả với dữ liệu lớn.

A A. (Số lượng dự đoán đúng) / (Tổng số lượng dự đoán) B B. (Số lượng dự đoán đúng dương tính) / (Tổng số lượng thực tế là dương tính) C C. (Số lượng dự đoán đúng âm tính) / (Tổng số lượng thực tế là âm tính) D D. (Số lượng dự đoán đúng dương tính) / (Tổng số lượng dự đoán là dương tính)

A A. Đo lường sự khác biệt giữa dự đoán của mô hình và giá trị thực tế. B B. Chọn thuật toán học máy phù hợp cho bài toán. C C. Tiền xử lý dữ liệu đầu vào. D D. Đánh giá độ chính xác của mô hình.

A A. Gradient trở nên quá nhỏ khi lan truyền ngược qua nhiều lớp, làm chậm hoặc ngừng quá trình huấn luyện các lớp đầu. B B. Gradient trở nên quá lớn, gây ra sự bất ổn trong quá trình huấn luyện. C C. Gradient luôn bằng 0 do hàm kích hoạt không phù hợp. D D. Gradient không thể tính toán được do lỗi phần cứng.

A A. Học có giám sát sử dụng dữ liệu có nhãn (labeled data), trong khi học không giám sát sử dụng dữ liệu không nhãn. B B. Học có giám sát chỉ áp dụng cho bài toán hồi quy, còn học không giám sát chỉ áp dụng cho bài toán phân loại. C C. Học có giám sát luôn cho kết quả chính xác hơn học không giám sát. D D. Học có giám sát đòi hỏi nhiều dữ liệu hơn học không giám sát.

A A. Khả năng giải thích của mô hình (interpretability), tính công bằng (fairness), và chi phí tính toán. B B. Kích thước tập dữ liệu huấn luyện. C C. Số lượng tham số của mô hình. D D. Ngôn ngữ lập trình sử dụng để xây dựng mô hình.

A A. Tính toán gradient của hàm mất mát (loss function) đối với các trọng số của mạng. B B. Truyền dữ liệu đầu vào qua mạng nơ-ron để tạo ra dự đoán. C C. Chọn hàm kích hoạt phù hợp cho từng lớp trong mạng. D D. Chia tập dữ liệu thành các batch nhỏ để huấn luyện hiệu quả hơn.

A A. Một lĩnh vực của khoa học máy tính cho phép máy tính học hỏi từ dữ liệu mà không cần được lập trình rõ ràng. B B. Một phương pháp lập trình máy tính truyền thống để thực hiện các tác vụ cụ thể. C C. Một tập hợp các thuật toán thống kê được sử dụng để phân tích dữ liệu. D D. Một loại phần mềm ứng dụng được sử dụng để tự động hóa các quy trình kinh doanh.

A A. Đánh giá độ tin cậy của mô hình và lựa chọn mô hình tốt nhất. B B. Tăng kích thước tập dữ liệu huấn luyện. C C. Giảm thời gian huấn luyện mô hình. D D. Trực quan hóa dữ liệu đầu vào.

A A. Bias là lỗi do giả định đơn giản hóa mô hình, variance là lỗi do mô hình quá nhạy cảm với dữ liệu huấn luyện. B B. Bias là lỗi do dữ liệu huấn luyện bị nhiễu, variance là lỗi do mô hình không đủ phức tạp. C C. Bias và variance đều là lỗi do quá trình tiền xử lý dữ liệu. D D. Bias và variance đều là lỗi do chọn sai thuật toán học máy.

A A. Giảm kích thước không gian của bản đồ đặc trưng (feature maps) và tăng tính bất biến vị trí. B B. Tăng số lượng đặc trưng được trích xuất. C C. Phân loại các đặc trưng đã trích xuất. D D. Tăng độ phức tạp của mô hình.

A A. Biểu diễn từ ngữ thành các vector số trong không gian nhiều chiều, giữ lại thông tin ngữ nghĩa. B B. Loại bỏ các từ dừng (stop words) khỏi văn bản. C C. Phân tích cú pháp của câu văn. D D. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

A A. Đánh giá hiệu năng của mô hình trên dữ liệu mới, chưa từng được sử dụng trong quá trình huấn luyện. B B. Tăng tốc độ huấn luyện mô hình bằng cách giảm lượng dữ liệu huấn luyện. C C. Cải thiện độ chính xác của mô hình trên tập huấn luyện. D D. Đảm bảo rằng mô hình không bị quá khớp (overfitting) trên tập huấn luyện.

A A. Quá khớp (overfitting). B B. Huấn luyện chậm. C C. Thiếu dữ liệu huấn luyện. D D. Dữ liệu đầu vào có nhiều nhiễu.

A A. Thiếu dữ liệu huấn luyện chất lượng cao và đảm bảo tính công bằng, minh bạch của mô hình. B B. Tốc độ tính toán của máy tính quá chậm. C C. Thuật toán học máy còn quá đơn giản. D D. Ứng dụng học máy còn quá ít trong thực tế.

A A. Cây quyết định (Decision Tree) B B. K-means clustering C C. Hồi quy tuyến tính (Linear Regression) D D. Mạng nơ-ron (Neural Network)

A A. Tìm giá trị tối ưu của các tham số mô hình để tối thiểu hóa hàm mất mát. B B. Phân tích gradient của dữ liệu đầu vào. C C. Giảm chiều dữ liệu. D D. Phân cụm dữ liệu.

A A. Khi tập dữ liệu có sự mất cân bằng lớp (imbalanced dataset). B B. Khi độ chính xác (accuracy) của mô hình quá cao. C C. Khi mô hình bị quá khớp (overfitting). D D. Khi tập dữ liệu huấn luyện rất lớn.

A A. Soạn thảo văn bản bằng tay. B B. Phân loại ảnh. C C. Dự đoán giá cổ phiếu. D D. Nhận dạng giọng nói.

A A. Random Forest xây dựng các cây quyết định song song và độc lập, trong khi Boosting xây dựng các cây tuần tự và phụ thuộc lẫn nhau. B B. Random Forest chỉ sử dụng cho bài toán phân loại, còn Boosting chỉ sử dụng cho bài toán hồi quy. C C. Random Forest có xu hướng bị quá khớp hơn Boosting. D D. Boosting đơn giản và dễ huấn luyện hơn Random Forest.

A A. Giới thiệu tính phi tuyến vào mạng, cho phép mô hình học các mối quan hệ phức tạp. B B. Tính toán đạo hàm của hàm mất mát (loss function) để cập nhật trọng số. C C. Khởi tạo trọng số ban đầu cho mạng nơ-ron. D D. Chuẩn hóa dữ liệu đầu vào trước khi đưa vào mạng.

A A. Dữ liệu chuỗi tuần tự (sequential data) như văn bản, chuỗi thời gian. B B. Dữ liệu dạng bảng (tabular data). C C. Dữ liệu ảnh (image data). D D. Dữ liệu âm thanh (audio data).

A A. Tỷ lệ các trường hợp dương tính thực tế được mô hình dự đoán đúng. B B. Tỷ lệ các trường hợp dương tính được dự đoán đúng trong số tất cả các dự đoán dương tính. C C. Tỷ lệ các trường hợp âm tính thực tế được mô hình dự đoán đúng. D D. Tỷ lệ các trường hợp âm tính được dự đoán đúng trong số tất cả các dự đoán âm tính.

A A. Tăng độ phức tạp của mô hình. B B. Sử dụng kỹ thuật chính quy hóa (regularization). C C. Giảm kích thước tập dữ liệu huấn luyện. D D. Tăng số lượng đặc trưng (features) đầu vào.

A A. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu kiểm thử. B B. Mô hình không học được các mẫu (patterns) quan trọng từ dữ liệu huấn luyện. C C. Mô hình huấn luyện quá chậm do dữ liệu quá lớn. D D. Dữ liệu huấn luyện không đủ để mô hình học hiệu quả.

A A. Giảm số chiều dữ liệu bằng cách tìm các thành phần chính. B B. Phân loại dữ liệu thành các nhóm khác nhau. C C. Dự đoán giá trị của một biến số liên tục. D D. Tăng độ chính xác của mô hình học máy.

A A. Cơ chế tự chú ý (self-attention), cho phép mô hình tập trung vào các phần quan trọng của chuỗi đầu vào một cách linh hoạt. B B. Sử dụng lớp tích chập thay vì lớp hồi quy. C C. Loại bỏ hoàn toàn lớp ẩn. D D. Tăng độ sâu của mạng nơ-ron.