Đề 9 – Bài tập, đề thi trắc nghiệm online Khai phá dữ liệu

A A. Học có giám sát sử dụng dữ liệu lớn hơn, học không giám sát sử dụng dữ liệu nhỏ hơn. B B. Học có giám sát cần dữ liệu có nhãn (labeled data), học không giám sát không cần. C C. Học có giám sát cho kết quả chính xác hơn học không giám sát. D D. Học có giám sát chỉ áp dụng cho dữ liệu số, học không giám sát cho dữ liệu phi số.

A A. Mô hình quá đơn giản và không nắm bắt được mẫu trong dữ liệu. B B. Mô hình hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu kiểm thử. C C. Mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến kém hiệu quả trên dữ liệu mới. D D. Mô hình không hội tụ trong quá trình huấn luyện.

A A. Độ chính xác tổng thể của mô hình. B B. Phân phối xác suất dự đoán của mô hình. C C. Số lượng dự đoán đúng và sai cho từng lớp. D D. Độ phức tạp của mô hình.

A A. Phân cụm không gian chỉ áp dụng cho dữ liệu hình ảnh. B B. Phân cụm không gian xem xét vị trí địa lý và mối quan hệ không gian giữa các đối tượng. C C. Phân cụm không gian luôn cho kết quả chính xác hơn. D D. Phân cụm không gian không sử dụng thuật toán k-means.

A A. Tăng tốc độ huấn luyện mô hình. B B. Đánh giá độ tin cậy và khả năng khái quát hóa của mô hình. C C. Giảm chiều dữ liệu đầu vào. D D. Trực quan hóa kết quả khai phá dữ liệu.

A A. Phân tích dữ liệu tĩnh tại một thời điểm. B B. Phân tích dữ liệu có cấu trúc dạng bảng. C C. Phân tích dữ liệu theo thời gian để tìm kiếm mẫu, xu hướng, và dự đoán. D D. Phân tích dữ liệu hình ảnh theo thời gian.

A A. Phân tích cấu trúc mạng lưới quan hệ. B B. Xác định chủ đề thảo luận phổ biến. C C. Xác định thái độ, ý kiến (tích cực, tiêu cực, trung lập) trong văn bản. D D. Dự đoán lan truyền thông tin trong mạng xã hội.

A A. Thuật toán phân cụm. B B. Thuật toán khai thác luật kết hợp. C C. Thuật toán học ансамбль (ensemble learning). D D. Thuật toán giảm chiều dữ liệu.

A A. Độ chính xác của luật. B B. Tần suất xuất hiện của tập mục trong cơ sở dữ liệu. C C. Độ tin cậy của luật. D D. Mức độ thú vị của luật.

A A. Nội dung văn bản trên các trang web. B B. Cấu trúc liên kết giữa các trang web. C C. Hành vi duyệt web của người dùng (log truy cập web). D D. Hình ảnh và video trên các trang web.

A A. Phân loại dữ liệu thành các nhóm. B B. Dự đoán xu hướng trong dữ liệu. C C. Xác định các điểm dữ liệu bất thường, khác biệt so với phần lớn dữ liệu. D D. Giảm nhiễu trong dữ liệu.

A A. Phân cụm (clustering). B B. Hồi quy (regression) và phân loại (classification). C C. Giảm chiều dữ liệu (dimensionality reduction). D D. Khai thác luật kết hợp (association rule mining).

A A. Xử lý ngôn ngữ tự nhiên. B B. Phân tích mạng xã hội. C C. Phân tích hành vi khách hàng và marketing. D D. Phân tích dữ liệu cảm biến.

A A. Tạo ra các báo cáo thống kê mô tả dữ liệu hiện có. B B. Tối ưu hóa hiệu suất của hệ quản trị cơ sở dữ liệu. C C. Phát hiện tri thức, mẫu ẩn, và xu hướng tiềm ẩn từ lượng lớn dữ liệu. D D. Xây dựng giao diện người dùng thân thiện cho các ứng dụng dữ liệu.

A A. Đánh giá mô hình B B. Tiền xử lý dữ liệu C C. Triển khai mô hình D D. Khai thác mẫu

A A. Độ chính xác của luật. B B. Mức độ thú vị của luật, so với việc chọn ngẫu nhiên. C C. Tần suất xuất hiện của luật. D D. Độ tin cậy của luật.

A A. Phân loại (classification). B B. Phân cụm (clustering). C C. Giảm chiều dữ liệu (dimensionality reduction). D D. Khai thác luật kết hợp (association rule mining).

A A. Microsoft Excel. B B. Apache Hadoop. C C. Scikit-learn. D D. Adobe Photoshop.

A A. Tăng số lượng thuộc tính của dữ liệu. B B. Chọn ra tập hợp con các thuộc tính quan trọng nhất để xây dựng mô hình. C C. Chuyển đổi dữ liệu sang định dạng khác. D D. Tăng kích thước dữ liệu huấn luyện.

A A. Dữ liệu quá nhỏ để phân tích. B B. Thiếu các thuật toán khai phá dữ liệu hiệu quả. C C. Khả năng mở rộng và hiệu suất tính toán với lượng dữ liệu khổng lồ. D D. Dữ liệu quá sạch và dễ xử lý.

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

A A. Khi dữ liệu có quá ít thuộc tính. B B. Khi cần tăng độ phức tạp của mô hình. C C. Khi dữ liệu có quá nhiều thuộc tính, gây khó khăn trong xử lý và giảm hiệu suất. D D. Khi muốn tăng cường tính bảo mật của dữ liệu.

A A. Tỷ lệ số lượng dự đoán đúng trên tổng số dự đoán. B B. Tỷ lệ số lượng dự đoán đúng trên tổng số mẫu thực tế thuộc lớp dương tính. C C. Tỷ lệ số lượng dự đoán dương tính đúng trên tổng số mẫu dự đoán dương tính. D D. Trung bình cộng của độ chính xác và độ phủ.

A A. Dự báo thời tiết. B B. Phát hiện gian lận thẻ tín dụng. C C. Dự đoán nguy cơ mắc bệnh và hỗ trợ chẩn đoán. D D. Tối ưu hóa chuỗi cung ứng.

A A. Phân loại (classification). B B. Hồi quy (regression). C C. Phân cụm (clustering). D D. Khai thác luật kết hợp (association rule mining).

A A. Dự đoán giá trị liên tục (regression). B B. Phân loại đối tượng vào các nhóm định trước (classification). C C. Nhóm các đối tượng tương tự nhau thành cụm (grouping similar objects). D D. Tìm kiếm luật kết hợp giữa các thuộc tính (association rule mining).

A A. Tần suất xuất hiện của tiền đề. B B. Xác suất xuất hiện hậu quả khi tiền đề đã xảy ra. C C. Mức độ thú vị của luật. D D. Tần suất xuất hiện của hậu quả.

A A. A là tiền đề (antecedent), B là hậu quả (consequent). B B. A là thuộc tính đầu vào, B là thuộc tính đầu ra. C C. A là biến phụ thuộc, B là biến độc lập. D D. A và B đều là biến mục tiêu.

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. Khoảng cách tối thiểu giữa các cụm.

A A. Phân loại sử dụng dữ liệu có nhãn, hồi quy thì không. B B. Phân loại dự đoán giá trị rời rạc (nhãn lớp), hồi quy dự đoán giá trị liên tục. C C. Phân loại chỉ áp dụng cho dữ liệu văn bản, hồi quy cho dữ liệu số. D D. Phân loại luôn cho kết quả chính xác hơn hồi quy.