1. Trong học máy, thuật ngữ `feature engineering` (kỹ thuật đặc trưng) đề cập đến điều gì?
A. Quá trình lựa chọn thuật toán học máy phù hợp nhất.
B. Quá trình tạo và biến đổi các đặc trưng đầu vào để cải thiện hiệu suất mô hình.
C. Quá trình tối ưu hóa siêu tham số của mô hình.
D. Quá trình triển khai mô hình học máy vào sản xuất.
2. Trong học máy, phương pháp nào thường được sử dụng để giảm số lượng chiều dữ liệu trong khi vẫn giữ được thông tin quan trọng?
A. Mã hóa một nóng (One-hot encoding)
B. Chuẩn hóa Min-Max (Min-Max scaling)
C. Phân tích thành phần chính (Principal Component Analysis - PCA)
D. Hồi quy tuyến tính (Linear Regression)
3. Thuật toán nào sau đây là một ví dụ về học có giám sát (supervised learning)?
A. K-means clustering
B. Principal Component Analysis (PCA)
C. Linear Regression
D. Association Rule Learning
4. Đâu là một nhược điểm chính của thuật toán K-means?
A. Nó luôn tìm thấy các cụm tối ưu toàn cục.
B. Nó nhạy cảm với việc khởi tạo các centroid ban đầu.
C. Nó có thể xử lý dữ liệu phi cấu trúc.
D. Nó không yêu cầu xác định số lượng cụm trước.
5. Trong ngữ cảnh của học sâu, hàm kích hoạt ReLU (Rectified Linear Unit) được sử dụng phổ biến vì lý do nào?
A. Nó giới hạn đầu ra trong khoảng từ 0 đến 1.
B. Nó giúp giải quyết vấn đề vanishing gradient.
C. Nó làm cho mạng nơ-ron trở nên tuyến tính.
D. Nó làm chậm quá trình hội tụ.
6. Trong học máy, thuật ngữ `data augmentation` (tăng cường dữ liệu) đề cập đến điều gì?
A. Quá trình làm sạch và chuẩn hóa dữ liệu.
B. Quá trình tạo ra các mẫu dữ liệu mới từ dữ liệu hiện có.
C. Quá trình giảm chiều dữ liệu.
D. Quá trình lựa chọn các đặc trưng quan trọng nhất.
7. Trong học máy, `F1-score` là gì?
A. Một phương pháp để chuẩn hóa dữ liệu.
B. Trung bình điều hòa của precision và recall.
C. Một thuật toán để giảm chiều dữ liệu.
D. Một cách để trực quan hóa dữ liệu.
8. Đâu là một ứng dụng phổ biến của thuật toán Random Forest?
A. Phân cụm dữ liệu.
B. Dự đoán chuỗi thời gian.
C. Phân loại và hồi quy.
D. Giảm chiều dữ liệu.
9. Trong học máy, mục tiêu của việc sử dụng `dropout` trong mạng nơ-ron là gì?
A. Để tăng tốc độ huấn luyện.
B. Để giảm overfitting.
C. Để tăng kích thước của mạng.
D. Để cải thiện khả năng diễn giải của mạng.
10. Đâu là một ví dụ về thuật toán học không giám sát (unsupervised learning)?
A. Decision Tree
B. Support Vector Machine (SVM)
C. K-means clustering
D. Linear Regression
11. Trong học máy, thuật ngữ `gradient descent` (hạ gradient) đề cập đến điều gì?
A. Một phương pháp để giảm chiều dữ liệu.
B. Một thuật toán để tìm giá trị nhỏ nhất của một hàm.
C. Một kỹ thuật để chuẩn hóa dữ liệu.
D. Một cách để trực quan hóa dữ liệu.
12. Trong học máy, `bias` (độ lệch) và `variance` (phương sai) là gì?
A. Hai phương pháp để chuẩn hóa dữ liệu.
B. Hai loại lỗi có thể xảy ra trong mô hình học máy.
C. Hai thuật toán khác nhau để phân cụm dữ liệu.
D. Hai cách để giảm chiều dữ liệu.
13. Thuật toán nào sau đây thường được sử dụng để tìm các mối quan hệ giữa các mục trong một tập dữ liệu lớn (ví dụ: các sản phẩm thường được mua cùng nhau)?
A. Linear Regression
B. K-means clustering
C. Association Rule Learning (Luật kết hợp)
D. Principal Component Analysis (PCA)
14. Phương pháp nào sau đây được sử dụng để đánh giá hiệu suất của mô hình hồi quy?
A. Confusion Matrix
B. Accuracy
C. Mean Squared Error (MSE)
D. Precision
15. Đâu là một lợi ích chính của việc sử dụng mạng nơ-ron tích chập (Convolutional Neural Network - CNN) trong xử lý ảnh?
A. CNN có thể tự động học các đặc trưng quan trọng từ ảnh.
B. CNN không yêu cầu dữ liệu huấn luyện.
C. CNN luôn cho kết quả chính xác 100%.
D. CNN dễ dàng diễn giải hơn các mô hình khác.
16. Trong học máy, thuật ngữ `hyperparameter` (siêu tham số) đề cập đến điều gì?
A. Các tham số được học bởi mô hình trong quá trình huấn luyện.
B. Các tham số được đặt trước khi huấn luyện mô hình.
C. Các tham số được sử dụng để chuẩn hóa dữ liệu.
D. Các tham số được sử dụng để giảm chiều dữ liệu.
17. Thuật toán nào sau đây là một ví dụ về học tăng cường (reinforcement learning)?
A. Linear Regression
B. K-Nearest Neighbors (KNN)
C. Q-learning
D. Support Vector Machine (SVM)
18. Phương pháp nào sau đây được sử dụng để đánh giá hiệu suất của mô hình phân loại?
A. Mean Squared Error (MSE)
B. R-squared
C. Confusion Matrix
D. Root Mean Squared Error (RMSE)
19. Mục tiêu của việc sử dụng hàm mất mát (loss function) trong học máy là gì?
A. Để đánh giá hiệu suất của mô hình.
B. Để đo lường sự khác biệt giữa dự đoán của mô hình và giá trị thực tế.
C. Để chuẩn hóa dữ liệu.
D. Để giảm chiều dữ liệu.
20. Trong học máy, cross-validation (kiểm định chéo) được sử dụng để làm gì?
A. Để tăng kích thước tập dữ liệu.
B. Để ước tính hiệu suất của mô hình trên dữ liệu chưa thấy.
C. Để giảm độ phức tạp của mô hình.
D. Để trực quan hóa dữ liệu.
21. Mục tiêu chính của việc sử dụng một `validation set` (tập kiểm định) trong quá trình huấn luyện mô hình học máy là gì?
A. Để huấn luyện mô hình.
B. Để đánh giá hiệu suất của mô hình trên dữ liệu chưa thấy trong quá trình huấn luyện.
C. Để cải thiện khả năng diễn giải của mô hình.
D. Để giảm kích thước của mô hình.
22. Trong học máy, `precision` (độ chính xác) đo lường điều gì?
A. Tỷ lệ dự đoán đúng trên tổng số dự đoán.
B. Tỷ lệ dự đoán đúng trên tổng số thực tế là đúng.
C. Tỷ lệ dự đoán đúng trên tổng số dự đoán là đúng.
D. Tỷ lệ dự đoán sai trên tổng số thực tế là sai.
23. Phương pháp nào sau đây thường được sử dụng để xử lý dữ liệu bị thiếu trong tập dữ liệu?
A. Giảm chiều dữ liệu.
B. Chuẩn hóa dữ liệu.
C. Điền giá trị trung bình hoặc trung vị.
D. Tăng cường dữ liệu.
24. Phương pháp nào sau đây được sử dụng để giảm overfitting trong cây quyết định (decision tree)?
A. Chuẩn hóa L1.
B. Cắt tỉa cây (Pruning).
C. Tăng cường dữ liệu.
D. Phân tích thành phần chính (PCA).
25. Kỹ thuật nào trong học máy giúp ngăn chặn overfitting bằng cách thêm một khoản phạt vào hàm mất mát dựa trên độ lớn của các hệ số?
A. Tăng cường độ dốc (Gradient Boosting)
B. Chuẩn hóa (Regularization)
C. Phân cụm K-means (K-means clustering)
D. Mạng nơ-ron tích chập (Convolutional Neural Network)
26. Trong học máy, thuật ngữ `ensemble learning` (học kết hợp) đề cập đến điều gì?
A. Một phương pháp để chuẩn hóa dữ liệu.
B. Một kỹ thuật để kết hợp nhiều mô hình học máy để cải thiện hiệu suất.
C. Một thuật toán để giảm chiều dữ liệu.
D. Một cách để trực quan hóa dữ liệu.
27. Đâu là một ứng dụng phổ biến của thuật toán Support Vector Machine (SVM)?
A. Phân cụm dữ liệu.
B. Dự đoán chuỗi thời gian.
C. Phân loại hình ảnh.
D. Giảm chiều dữ liệu.
28. Trong học máy, `recall` (độ phủ) đo lường điều gì?
A. Tỷ lệ dự đoán đúng trên tổng số dự đoán.
B. Tỷ lệ dự đoán đúng trên tổng số thực tế là đúng.
C. Tỷ lệ dự đoán sai trên tổng số dự đoán.
D. Tỷ lệ dự đoán sai trên tổng số thực tế là sai.
29. Trong học máy, kỹ thuật `one-hot encoding` (mã hóa một nóng) được sử dụng để làm gì?
A. Để chuẩn hóa dữ liệu số.
B. Để chuyển đổi dữ liệuCategorical (phân loại) thành dạng số.
C. Để giảm chiều dữ liệu.
D. Để tăng cường dữ liệu.
30. Trong học máy, `overfitting` (quá khớp) xảy ra khi nào?
A. Mô hình hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.
B. Mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra.
C. Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.
D. Mô hình không thể học được từ dữ liệu huấn luyện.
