Đề 9 – Bài tập, đề thi trắc nghiệm online Học máy

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

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 phương án trên.

A A. Tìm kiếm thuật toán phù hợp. B B. Thu thập và xử lý dữ liệu chất lượng cao. C C. Huấn luyện mô hình. D D. Đánh giá mô hình.

A A. Tìm kiếm tham số tối ưu cho mô hình bằng cách tối thiểu hóa hàm mất mát. B B. Phân cụm dữ liệu. C C. Giảm chiều dữ liệu. D D. Chọn đặc trưng quan trọng nhất.

A A. Boosting B B. Bagging C C. Stacking D D. Gradient Descent

A A. Sai số do mô hình quá đơn giản, không nắm bắt được các quy luật phức tạp trong dữ liệu. B B. Sai số do mô hình quá nhạy cảm với sự thay đổi nhỏ trong dữ liệu huấn luyện. C C. Sai số ngẫu nhiên không thể tránh khỏi. D D. Sai số do lựa chọn thuật toán không phù hợp.

A A. Học tăng cường (Reinforcement Learning) B B. Học không giám sát (Unsupervised Learning) C C. Học bán giám sát (Semi-supervised Learning) D D. Học sâu (Deep Learning)

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

A A. 2x2 B B. nxn, với n là số lượng mẫu dữ liệu. C C. nxn, với n là số lượng lớp. D D. MxN, với M là số lượng mẫu huấn luyện và N là số lượng mẫu kiểm tra.

A A. Giảm chiều dữ liệu. B B. Thêm tính phi tuyến vào mạng nơ-ron. C C. Tối ưu hóa tham số mô hình. D D. Chuẩn hóa dữ liệu đầu vào.

A A. Cross-entropy loss. B B. Mean Squared Error (MSE). C C. Hinge loss. D D. Log loss.

A A. Tăng tốc độ huấn luyện mô hình. B B. Giảm hiện tượng quá khớp (Overfitting) bằng cách thêm phạt vào hàm mất mát. C C. Cải thiện độ chính xác của mô hình trên dữ liệu huấn luyện. D D. Chọn lọc đặc trưng quan trọng.

A A. Mô hình hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra. B B. Mô hình hoạt động tốt trên dữ liệu kiểm tra nhưng kém trên dữ liệu huấn luyện. C C. Mô hình hoạt động rất tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra mới. D D. Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.

A A. Tăng kích thước tập dữ liệu. B B. Giảm số lượng thuộc tính. C C. Đưa các thuộc tính về cùng một thang đo để tránh ảnh hưởng bởi sự khác biệt về đơn vị đo lường. D D. Loại bỏ dữ liệu nhiễu.

A A. Phân loại (Classification) B B. Hồi quy (Regression) C C. Phân cụm (Clustering) D D. Giảm chiều dữ liệu (Dimensionality Reduction)

A A. Dữ liệu có số lượng lớn thuộc tính hơn số lượng mẫu. B B. Dữ liệu tuyến tính không phân tách được. C C. Dữ liệu có nhiều nhiễu. D D. Dữ liệu tuyến tính phân tách được hoặc gần phân tách được.

A A. Một lĩnh vực khoa học máy tính tập trung vào việc xây dựng các chương trình máy tính phức tạp. B B. Một lĩnh vực của trí tuệ nhân tạo cho phép hệ thống máy tính học hỏi từ dữ liệu mà không cần được lập trình rõ ràng. C C. Quá trình máy tính tự động cải thiện hiệu suất thông qua kinh nghiệm. D D. Một phương pháp thống kê để phân tích dữ liệu và đưa ra dự đoán.

A A. Gradient Boosting xây dựng cây tuần tự, trong khi Random Forest xây dựng cây song song. B B. Random Forest sử dụng bagging, trong khi Gradient Boosting sử dụng boosting. C C. Gradient Boosting thường cho độ chính xác cao hơn Random Forest nhưng dễ bị overfitting hơn. D D. Tất cả các phương án trên.

A A. Xử lý ngôn ngữ tự nhiên (Natural Language Processing) B B. Nhận dạng hình ảnh (Image Recognition) C C. Dự báo chuỗi thời gian (Time Series Forecasting) D D. Học tăng cường (Reinforcement Learning)

A A. Dữ liệu dạng bảng. B B. Dữ liệu hình ảnh tĩnh. C C. Dữ liệu chuỗi thời gian hoặc dữ liệu tuần tự. D D. Dữ liệu không có cấu trúc.

A A. Dự báo thời tiết. B B. Phân tích chứng khoán. C C. Chẩn đoán bệnh từ hình ảnh y tế. D D. Lập trình game.

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

A A. Phân loại văn bản. B B. Biểu diễn từ ngữ thành vector số học để máy tính có thể xử lý. C C. Tách từ trong câu. D D. Tổng hợp văn bản.

A A. Môi trường mà agent tương tác. B B. Hàm mục tiêu mà agent cố gắng tối ưu hóa. C C. Thực thể ra quyết định và hành động trong môi trường. D D. Thuật toán học được agent sử dụng.

A A. Tăng tốc độ huấn luyện. B B. Giảm hiện tượng quá khớp (Overfitting). C C. Cải thiện độ chính xác trên dữ liệu huấn luyện. D D. Chọn lọc đặc trưng.

A A. Độ chính xác (Accuracy) và độ bao phủ (Recall). B B. Độ chính xác (Precision) và độ bao phủ (Recall). C C. Độ chính xác (Precision) và độ đặc hiệu (Specificity). D D. Độ bao phủ (Recall) và độ đặc hiệu (Specificity).

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới. C C. Giảm kích thước dữ liệu huấn luyện. D D. Chọn đặc trưng tốt nhất.

A A. Chọn thuật toán học máy phù hợp. B B. Tối ưu hóa tham số mô hình. C C. Biến đổi và tạo ra các đặc trưng (features) mới từ dữ liệu thô để cải thiện hiệu suất mô hình. D D. Đánh giá hiệu suất mô hình.

A A. Đo lường độ thuần khiết của một nút. B B. Xác định độ sâu tối ưu của cây. C C. Tính toán độ quan trọng của thuộc tính. D D. Cân bằng cây quyết định.

A A. K-means. B B. Logistic Regression hoặc các mô hình cây quyết định. C C. PCA. D D. Word2Vec.