Đề 2 – Đề thi, câu hỏi trắc nghiệm online Học máy

1. Trong học máy, mục đích của việc sử dụng 'early stopping' là gì?

A. Để tăng tốc độ huấn luyện

B. Để giảm overfitting

C. Để cải thiện độ chính xác

D. Để giảm số lượng tham số

2. Trong học máy, 'feature engineering' đề cập đến điều gì?

A. Quá trình chọn các thuật toán học máy phù hợp nhất

B. Quá trình tạo và biến đổi các đặc trưng từ dữ liệu thô

C. Quá trình tối ưu hóa các tham số của mô hình

D. Quá trình giảm chiều dữ liệu

3. Trong học máy, thuật ngữ 'recall' có nghĩa là gì?

A. Tỷ lệ dự đoán đúng trên tổng số dự đoán

B. Tỷ lệ các trường hợp dương tính thực tế được dự đoán đúng

C. Tỷ lệ các trường hợp âm tính thực tế được dự đoán đúng

D. Độ chính xác của mô hình trên dữ liệu huấn luyện

4. Trong học máy, thuật ngữ 'batch size' đề cập đến điều gì?

A. Kích thước của tập dữ liệu huấn luyện

B. Số lượng mẫu được sử dụng trong mỗi lần cập nhật tham số

C. Kích thước của mạng nơ-ron

D. Tốc độ huấn luyện mô hình

5. Trong học máy, mục đích của việc sử dụng hàm 'sigmoid' trong lớp đầu ra của mô hình phân loại nhị phân là gì?

A. Để giới thiệu tính phi tuyến

B. Để chuyển đổi đầu ra thành xác suất

C. Để tăng tốc độ huấn luyện

D. Để giảm overfitting

6. Thuật toán học máy nào thường được sử dụng để phân loại email thành spam và không spam?

A. K-means

B. Naive Bayes

C. PCA

D. Linear Regression

7. Phương pháp nào sau đây là một kỹ thuật học không giám sát?

A. Hồi quy Logistic

B. Cây quyết định

C. K-means Clustering

D. Mạng nơ-ron

8. Trong học máy, 'precision' được định nghĩa như thế nào?

A. Tỷ lệ các trường hợp dương tính thực tế được dự đoán đúng

B. Tỷ lệ dự đoán đúng trên tổng số dự đoán

C. Tỷ lệ các trường hợp được dự đoán là dương tính thực sự là dương tính

D. Độ chính xác của mô hình trên dữ liệu huấn luyện

9. Trong học máy, kỹ thuật nào được sử dụng để giảm số lượng chiều dữ liệu trong khi vẫn giữ lại thông tin quan trọng nhất?

A. Chuẩn hóa dữ liệu

B. Giảm chiều dữ liệu

C. Phân tích thành phần chính (PCA)

D. Tăng cường dữ liệu

10. Trong học máy, thuật ngữ 'bias' đề cập đến điều gì?

A. Sai số ngẫu nhiên trong dữ liệu

B. Sai số hệ thống do giả định đơn giản hóa của mô hình

C. Mức độ phức tạp của mô hình

D. Tốc độ học của thuật toán

11. Kỹ thuật nào sau đây được sử dụng để chọn một tập hợp con các đặc trưng quan trọng nhất từ tập dữ liệu?

A. Dimensionality Reduction

B. Feature Selection

C. Normalization

D. Regularization

12. Phương pháp nào sau đây thường được sử dụng để xử lý dữ liệu không cân bằng (imbalanced data) trong học máy?

A. Normalization

B. Regularization

C. Oversampling hoặc undersampling

D. Dimensionality reduction

13. Trong học máy, 'gradient descent' là gì?

A. Một thuật toán để giảm chiều dữ liệu

B. Một thuật toán để tối ưu hóa các tham số của mô hình

C. Một phương pháp để đánh giá hiệu suất của mô hình

D. Một kỹ thuật để xử lý dữ liệu bị thiếu

14. Thuật toán nào sau đây thường được sử dụng để tìm các nhóm khách hàng tương tự nhau dựa trên hành vi mua sắm của họ?

A. Linear Regression

B. Decision Tree

C. K-Means Clustering

D. Support Vector Machine

15. Trong ngữ cảnh của mạng nơ-ron, hàm kích hoạt (activation function) có vai trò gì?

A. Tính toán độ chính xác của mô hình

B. Giới thiệu tính phi tuyến vào mô hình

C. Giảm số lượng tham số

D. Chuẩn hóa dữ liệu đầu vào

16. Đâu là một phương pháp đánh giá hiệu suất mô hình phân loại?

A. Mean Squared Error (MSE)

B. R-squared

C. Accuracy

D. Root Mean Squared Error (RMSE)

17. Trong học máy, thuật ngữ 'learning rate' đề cập đến điều gì?

A. Tốc độ thu thập dữ liệu

B. Tốc độ huấn luyện mô hình

C. Kích thước của bước nhảy trong quá trình tối ưu hóa

D. Độ chính xác của mô hình

18. Phương pháp nào sau đây có thể giúp cải thiện khả năng khái quát hóa của mô hình học máy?

A. Tăng kích thước của mạng nơ-ron

B. Sử dụng dữ liệu huấn luyện phức tạp hơn

C. Áp dụng regularization

D. Giảm kích thước tập dữ liệu

19. Kỹ thuật nào sau đây được sử dụng để xử lý dữ liệu bị thiếu trong tập dữ liệu học máy?

A. Normalization

B. Imputation

C. Regularization

D. Dimensionality Reduction

20. Trong học máy, hàm mất mát (loss function) được sử dụng để làm gì?

A. Đo lường hiệu suất của mô hình

B. Tìm các đặc trưng quan trọng nhất

C. Tối ưu hóa các tham số của mô hình

D. Giảm kích thước dữ liệu

21. Trong học máy, thuật toán nào được sử dụng để tìm kiếm các quy luật kết hợp giữa các mục trong một tập dữ liệu?

A. K-means

B. Apriori

C. Linear Regression

D. Decision Tree

22. Trong học máy, thuật ngữ nào mô tả hiện tượng mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới?

A. Underfitting

B. Overfitting

C. Regularization

D. Gradient Descent

23. Thuật ngữ nào mô tả quá trình điều chỉnh các tham số của mô hình học máy để giảm thiểu hàm mất mát?

A. Regularization

B. Optimization

C. Normalization

D. Dimensionality Reduction

24. Trong học máy, 'F1-score' là gì?

A. Một thước đo độ chính xác của mô hình

B. Trung bình điều hòa của precision và recall

C. Một phương pháp giảm chiều dữ liệu

D. Một thuật toán để tối ưu hóa các tham số

25. Trong học máy, thuật ngữ 'one-hot encoding' dùng để chỉ điều gì?

A. Một phương pháp chuẩn hóa dữ liệu

B. Một kỹ thuật giảm chiều dữ liệu

C. Một cách biểu diễn các biến phân loại dưới dạng số

D. Một thuật toán để phát hiện ngoại lệ

26. Mục tiêu chính của việc sử dụng 'cross-validation' trong học máy là gì?

A. Tăng tốc độ huấn luyện mô hình

B. Ước tính hiệu suất của mô hình trên dữ liệu mới

C. Giảm thiểu overfitting

D. Tối ưu hóa các tham số của mô hình

27. Phương pháp nào sau đây được sử dụng để giảm kích thước của tập dữ liệu bằng cách loại bỏ các đặc trưng ít quan trọng nhất?

A. Normalization

B. Regularization

C. Feature Selection

D. Principal Component Analysis (PCA)

28. Trong học máy, mục đích của việc sử dụng 'dropout' trong mạng nơ-ron là gì?

A. Để tăng tốc độ huấn luyện

B. Để giảm overfitting

C. Để cải thiện độ chính xác

D. Để giảm số lượng tham số

29. Đâu là một kỹ thuật phổ biến để tránh overfitting trong mô hình học máy?

A. Tăng kích thước tập dữ liệu huấn luyện

B. Sử dụng regularization

C. Giảm số lượng đặc trưng

D. Tất cả các đáp án trên

30. Phương pháp học máy nào phù hợp nhất để dự đoán giá nhà dựa trên các đặc điểm như diện tích, vị trí và số phòng ngủ?

A. Hồi quy tuyến tính

B. Phân cụm K-means

C. Phân loại Logistic

D. Máy vector hỗ trợ (SVM) cho phân loại