Đề 8 – Bài tập, đề thi trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh

A A. Hồi quy tuyến tính B B. Phân tích phương sai (ANOVA) C C. Quản lý dự án Agile D D. Cây quyết định

A A. Dự báo doanh số B B. Phân tích rủi ro tín dụng C C. Phân cụm khách hàng D D. Tối ưu hóa chuỗi cung ứng

A A. Linear Regression B B. K-means C C. Decision Tree D D. Principal Component Analysis (PCA)

A A. Dữ liệu bị thiếu (missing data). B B. Overfitting (quá khớp). C C. Dữ liệu nhiễu (noisy data). D D. Dữ liệu không cân bằng (imbalanced data).

A A. Phân loại dữ liệu văn bản. B B. Phân tích dữ liệu hình ảnh. C C. Phân tích dữ liệu có thứ tự thời gian để dự báo hoặc hiểu các xu hướng theo thời gian. D D. Phân tích dữ liệu không gian địa lý.

A A. Kỹ thuật giảm chiều dữ liệu. B B. Kỹ thuật làm sạch dữ liệu. C C. Kỹ thuật kết hợp dự đoán của nhiều mô hình học máy khác nhau để cải thiện hiệu suất tổng thể. D D. Kỹ thuật chọn lọc thuộc tính (feature selection).

A A. Bảng dữ liệu doanh số bán hàng B B. Cơ sở dữ liệu khách hàng quan hệ (Relational database) C C. Bình luận của khách hàng trên mạng xã hội D D. Báo cáo tài chính của công ty

A A. Phân tích cảm xúc khách hàng (Sentiment analysis) B B. Dự báo nhu cầu (Demand forecasting) C C. Tối ưu hóa giá động (Dynamic pricing) D D. Phân tích giỏ hàng (Market basket analysis)

A A. Bằng cách mã hóa dữ liệu giao dịch. B B. Bằng cách xây dựng mô hình phát hiện bất thường (anomaly detection) dựa trên lịch sử giao dịch. C C. Bằng cách tăng cường bảo mật hệ thống giao dịch. D D. Bằng cách dự báo xu hướng thị trường tài chính.

A A. RMSE (Root Mean Squared Error) B B. R-squared C C. Accuracy, Precision, Recall, F1-score D D. Mean Absolute Error (MAE)

A A. Chi phí phần mềm phân tích dữ liệu quá cao. B B. Sự thiếu hụt nhân lực có kỹ năng phân tích dữ liệu. C C. Khó khăn trong việc thu thập dữ liệu từ đối thủ cạnh tranh. D D. Sự phản đối từ các bộ phận khác trong doanh nghiệp.

A A. Tăng dung lượng lưu trữ dữ liệu. B B. Giúp con người dễ dàng hiểu và nhận diện các mẫu, xu hướng trong dữ liệu phức tạp. C C. Tăng tốc độ xử lý dữ liệu. D D. Bảo mật dữ liệu.

A A. Hồi quy Logistic B B. Phân tích thành phần chính (Principal Component Analysis - PCA) C C. K-Nearest Neighbors (KNN) D D. Naive Bayes

A A. Tăng dung lượng lưu trữ dữ liệu. B B. Cải thiện chất lượng dữ liệu bằng cách xử lý dữ liệu thiếu, sai lệch, hoặc không nhất quán. C C. Tăng tốc độ truy xuất dữ liệu. D D. Bảo mật dữ liệu khỏi truy cập trái phép.

A A. Giảm kích thước của tập dữ liệu B B. Tăng tốc độ xử lý dữ liệu C C. Tạo ra các thuộc tính (features) mới, phù hợp hơn từ dữ liệu hiện có để cải thiện hiệu suất mô hình. D D. Chọn ra các thuật toán học máy tốt nhất.

A A. Thu thập và phân tích dữ liệu để đưa ra quyết định và dự đoán trong bối cảnh kinh tế và kinh doanh. B B. Phát triển phần mềm và ứng dụng cho các doanh nghiệp. C C. Nghiên cứu các mô hình kinh tế vĩ mô. D D. Quản lý hệ thống thông tin của doanh nghiệp.

A A. Tăng cường bảo mật dữ liệu khách hàng B B. Dự đoán khách hàng nào có khả năng rời bỏ dịch vụ/sản phẩm. C C. Tối ưu hóa trải nghiệm người dùng trên website. D D. Phát triển sản phẩm mới dựa trên phản hồi của khách hàng.

A A. Mô hình học máy hoạt động nhanh hơn. B B. Mô hình học máy đưa ra dự đoán thiên vị và không công bằng trong thực tế. C C. Tăng độ chính xác của mô hình trên dữ liệu kiểm tra. D D. Giảm overfitting của mô hình.

A A. Quản lý rủi ro tài chính B B. Tối ưu hóa chiến dịch marketing C C. Dự báo nhu cầu sản xuất D D. Quản lý chuỗi cung ứng

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

A A. Dữ liệu hình ảnh từ vệ tinh B B. Dữ liệu giao dịch chứng khoán theo thời gian thực C C. Dữ liệu khảo sát mức độ hài lòng của khách hàng D D. Dữ liệu cảm biến môi trường

A A. Mô hình học máy hoạt động quá chậm. B B. Mô hình học máy học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới. C C. Dữ liệu huấn luyện có quá nhiều thuộc tính. D D. Mô hình học máy không đủ mạnh để học từ dữ liệu.

A A. Chỉ để thu thập dữ liệu kinh tế. B B. Để mô phỏng và dự đoán tác động của các chính sách kinh tế khác nhau trước khi thực thi. C C. Để thay thế hoàn toàn các nhà kinh tế học. D D. Để tạo ra các báo cáo thống kê.

A A. Validity, Veracity, Value B B. Volume, Velocity, Variety C C. Visualization, Verification, Versioning D D. Volatility, Vulnerability, Virality

A A. K-means clustering B B. Support Vector Machines (SVM) C C. Mạng nơ-ron hồi quy (Recurrent Neural Networks - RNNs) D D. Principal Component Analysis (PCA)

A A. Làm tăng độ chính xác của mô hình. B B. Gây ra ước lượng thiên lệch và không nhất quán của các hệ số. C C. Giảm thiểu sai số ngẫu nhiên trong dữ liệu. D D. Không ảnh hưởng đến kết quả phân tích.

A A. Làm sạch dữ liệu. B B. Đánh giá khách quan hiệu suất của mô hình học máy trên dữ liệu mới. C C. Giảm chiều dữ liệu. D D. Tăng tốc độ huấn luyện mô hình.

A A. Tối ưu hóa quy trình sản xuất B B. Dự báo doanh thu C C. Phân tích tỷ lệ nhân viên nghỉ việc (employee attrition analysis) D D. Quản lý kho hàng

A A. Phân tích rủi ro tín dụng B B. Hệ thống gợi ý sản phẩm (Recommendation systems) C C. Dự báo chuỗi cung ứng D D. Phân tích tình hình kinh tế vĩ mô

A A. Python B B. R C C. Java D D. SQL