Đề 12 – Bài tập, đề thi trắc nghiệm online Xử lý ngôn ngữ tự nhiên

A A. Dịch máy B B. Đo lường tầm quan trọng của một từ trong một văn bản so với một tập hợp các văn bản C C. Phân tích cảm xúc D D. Tạo sinh văn bản

A A. Tăng tốc độ huấn luyện mô hình B B. Tìm kiếm chuỗi đầu ra có xác suất cao nhất trong các tác vụ sinh tạo ngôn ngữ như dịch máy hoặc tóm tắt văn bản C C. Giảm kích thước từ vựng D D. Phân tích cú pháp câu

A A. Word embeddings B B. Dữ liệu chú giải cú pháp phụ thuộc (dependency parsing) C C. Dữ liệu văn bản thô D D. Dữ liệu âm thanh

A A. 'Con mèo đang ngủ trên ghế' B B. 'Tôi thấy con dơi bay trong đêm' C C. 'Thời tiết hôm nay đẹp' D D. 'Máy tính rất hữu ích'

A A. Xử lý ngôn ngữ mơ hồ (Ambiguity) B B. Hiểu ngữ cảnh (Context understanding) C C. Dịch từ tiếng Anh sang tiếng Anh D D. Xử lý ngôn ngữ có tính sáng tạo và ẩn dụ (Creativity and metaphor)

A A. Dịch các đại từ nhân xưng B B. Xác định tất cả các biểu thức ngôn ngữ (ví dụ: đại từ, cụm danh từ) tham chiếu đến cùng một thực thể trong văn bản C C. Sửa lỗi chính tả và ngữ pháp D D. Tóm tắt các đoạn văn dài

A A. Sử dụng cơ chế attention (cơ chế chú ý) để cho phép mô hình tập trung vào các phần quan trọng của chuỗi đầu vào B B. Tăng số lượng lớp ẩn trong mạng C C. Sử dụng hàm kích hoạt ReLU thay vì sigmoid D D. Áp dụng kỹ thuật dropout

A A. Từ tiếp theo trong chuỗi chỉ phụ thuộc vào N-1 từ đứng trước nó B B. Tất cả các từ trong chuỗi đều độc lập với nhau C C. Ngôn ngữ là tuyến tính và không có cấu trúc D D. Mô hình ngôn ngữ cần phải được huấn luyện trên dữ liệu đa ngôn ngữ

A A. Few-shot learning đòi hỏi nhiều dữ liệu huấn luyện hơn zero-shot learning B B. Few-shot learning cho phép mô hình học từ một số lượng nhỏ ví dụ huấn luyện cho nhiệm vụ mới, trong khi zero-shot learning không sử dụng bất kỳ ví dụ nào C C. Few-shot learning chỉ áp dụng cho mô hình Transformer, zero-shot learning thì không D D. Không có sự khác biệt, đây là hai thuật ngữ thay thế cho nhau

A A. Stemming chậm hơn lemmatization B B. Lemmatization tạo ra dạng gốc đúng ngữ pháp (lemma), trong khi stemming có thể tạo ra gốc từ không có nghĩa C C. Stemming sử dụng từ điển, lemmatization thì không D D. Lemmatization chỉ áp dụng cho tiếng Anh, stemming áp dụng cho mọi ngôn ngữ

A A. Convolutional Neural Network (CNN) B B. Recurrent Neural Network (RNN) truyền thống C C. Feedforward Neural Network (FFNN) D D. Generative Adversarial Network (GAN)

A A. Mô hình học mà không cần bất kỳ dữ liệu huấn luyện nào B B. Mô hình có khả năng thực hiện các nhiệm vụ mà nó chưa từng được huấn luyện trực tiếp, chỉ dựa trên mô tả bằng ngôn ngữ tự nhiên của nhiệm vụ C C. Mô hình được huấn luyện trên dữ liệu tổng hợp (synthetic data) D D. Mô hình có độ chính xác bằng 0 trên tập kiểm tra

A A. Phân tích cú pháp (Parsing) B B. Phân tích ngữ nghĩa (Semantic Analysis) C C. Phân tích tài chính (Financial Analysis) D D. Sinh tạo ngôn ngữ (Language Generation)

A A. Chơi game B B. Phân tích bệnh án điện tử để hỗ trợ chẩn đoán và điều trị C C. Tạo nhạc D D. Dịch sách văn học

A A. Dịch tên riêng từ ngôn ngữ này sang ngôn ngữ khác B B. Xác định và phân loại các thực thể có tên trong văn bản, ví dụ: tên người, tổ chức, địa điểm, ngày tháng, v.v. C C. Tạo ra tên mới cho sản phẩm hoặc công ty D D. Kiểm tra chính tả tên riêng

A A. Chuyển đổi văn bản thành giọng nói B B. Chia văn bản thành các đơn vị nhỏ hơn, chẳng hạn như từ hoặc cụm từ C C. Loại bỏ các từ dừng (stop words) khỏi văn bản D D. Gán nhãn từ loại (Part-of-Speech tagging) cho mỗi từ

A A. Tăng cường ngữ nghĩa của văn bản B B. Giảm số lượng từ khác nhau bằng cách đưa các từ về dạng gốc chung C C. Chuyển đổi văn bản thành chữ hoa D D. Phát hiện ngôn ngữ của văn bản

A A. Phân loại ảnh B B. Xử lý dữ liệu chuỗi tuần tự như văn bản hoặc giọng nói C C. Phát hiện đối tượng trong ảnh D D. Tạo ảnh từ văn bản

A A. Chúng mang nhiều thông tin quan trọng B B. Chúng xuất hiện rất ít trong văn bản C C. Chúng xuất hiện thường xuyên nhưng ít mang ý nghĩa ngữ nghĩa trong nhiều tác vụ NLP D D. Chúng gây ra lỗi chính tả

A A. Mã hóa One-Hot B B. PCA (Principal Component Analysis) C C. Stemming (cắt gốc từ) D D. Lemmatization (nguyên dạng hóa từ)

A A. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác B B. Ước tính xác suất xuất hiện của một chuỗi từ hoặc dự đoán từ tiếp theo trong câu C C. Phân loại văn bản theo chủ đề D D. Tóm tắt văn bản dài thành văn bản ngắn hơn

A A. Huấn luyện lại toàn bộ mô hình từ đầu với dữ liệu mới B B. Tiếp tục huấn luyện một mô hình đã được tiền huấn luyện (pre-trained model) trên một tập dữ liệu cụ thể cho một nhiệm vụ cụ thể C C. Thay đổi kiến trúc mạng nơ-ron D D. Giảm kích thước mô hình để triển khai trên thiết bị di động

A A. Mô hình hoạt động nhanh hơn B B. Mô hình đưa ra các dự đoán không công bằng hoặc phân biệt đối xử đối với một số nhóm người nhất định C C. Mô hình dễ dàng khái quát hóa sang các ngôn ngữ khác D D. Mô hình trở nên dễ giải thích hơn

A A. Mã hóa văn bản thành hình ảnh B B. Biểu diễn từ dưới dạng vector số trong không gian nhiều chiều, thể hiện quan hệ ngữ nghĩa giữa các từ C C. Tăng tốc độ xử lý văn bản D D. Giảm dung lượng lưu trữ văn bản

A A. Hệ thống dịch máy B B. Hệ thống phân tích cảm xúc C C. Hệ thống tóm tắt văn bản D D. Hệ thống trả lời câu hỏi

A A. Tăng tốc độ tính toán của mạng B B. Cho phép mô hình học cách gán trọng số khác nhau cho các phần khác nhau của đầu vào khi tạo ra đầu ra C C. Giảm kích thước bộ nhớ cần thiết để huấn luyện mô hình D D. Cải thiện khả năng phân loại văn bản

A A. Hệ thống phân loại văn bản B B. Hệ thống dịch máy C C. Hệ thống nhận dạng giọng nói D D. Hệ thống tóm tắt văn bản

A A. Tạo sinh văn bản tự động B B. Hiểu ngữ cảnh hai chiều của từ trong câu, xem xét cả từ trước và sau từ đó C C. Dịch ngôn ngữ theo thời gian thực D D. Phân tích cảm xúc với độ chính xác tuyệt đối

A A. Toán học thuần túy B B. Vật lý lý thuyết C C. Khoa học máy tính và trí tuệ nhân tạo D D. Ngôn ngữ học ứng dụng

A A. Dịch máy (Machine Translation) B B. Phân tích cảm xúc (Sentiment Analysis) C C. Dự báo thời tiết (Weather Forecasting) D D. Trợ lý ảo (Virtual Assistants)