Đề 15 – Bài tập, đề thi trắc nghiệm online Học máy

1. Mạng nơ-ron (Neural Network) lấy cảm hứng từ cấu trúc nào?

A. Hệ thống tuần hoàn máu.

B. Cấu trúc của bộ não con người.

C. Chu trình trao đổi chất của tế bào.

D. Hệ thống điện trong máy tính.

2. Kỹ thuật `Dropout′ thường được sử dụng để giảm overfitting trong loại mô hình nào?

A. Cây quyết định.

B. Máy vector hỗ trợ (SVM).

C. Mạng nơ-ron sâu (Deep Neural Networks).

D. K-means Clustering.

3. Mục tiêu chính của Feature Engineering (kỹ thuật đặc trưng) là gì?

A. Giảm kích thước dữ liệu.

B. Tăng tốc độ huấn luyện mô hình.

C. Cải thiện hiệu suất mô hình bằng cách tạo ra các đặc trưng phù hợp.

D. Đơn giản hóa mô hình học máy.

4. Trong học máy tăng cường (Reinforcement Learning), `agent′ học hỏi thông qua điều gì?

A. Dữ liệu được gán nhãn.

B. Dữ liệu không được gán nhãn.

C. Tương tác với môi trường và nhận phần thưởng∕hình phạt.

D. Phân tích thống kê dữ liệu lịch sử.

5. Learning rate (tốc độ học) là một siêu tham số quan trọng trong thuật toán nào?

A. K-means Clustering.

B. Principal Component Analysis (PCA).

C. Gradient Descent.

D. Decision Tree.

6. Hàm mất mát (Loss function) có vai trò gì trong huấn luyện mô hình học máy?

A. Đo lường hiệu suất mô hình trên dữ liệu kiểm tra.

B. Đo lường sai số giữa dự đoán của mô hình và giá trị thực tế.

C. Xác định độ phức tạp của mô hình.

D. Chuẩn hóa dữ liệu đầu vào.

7. Cross-validation (kiểm định chéo) được sử dụng để làm gì trong học máy?

A. Huấn luyện mô hình nhanh hơn.

B. Đánh giá khả năng khái quát hóa của mô hình trên dữ liệu mới.

C. Giảm overfitting.

D. Tăng độ chính xác trên dữ liệu huấn luyện.

8. Đâu là một ứng dụng phổ biến của học máy trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP)?

A. Dự đoán giá cổ phiếu.

B. Phân loại ảnh mèo và chó.

C. Phân tích cảm xúc văn bản.

D. Phát hiện gian lận thẻ tín dụng.

9. Trong học máy, `overfitting′ 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 kiểm tra nhưng kém trên dữ liệu huấn luyện.

C. Mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra mới.

D. Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.

10. ROC curve (đường cong ROC) và AUC thường được sử dụng để đánh giá mô hình nào?

A. Mô hình hồi quy tuyến tính.

B. Mô hình phân loại nhị phân.

C. Mô hình phân cụm K-means.

D. Mô hình giảm chiều PCA.

11. Phương pháp nào sau đây KHÔNG phải là kỹ thuật giảm chiều dữ liệu?

A. Principal Component Analysis (PCA).

B. Linear Discriminant Analysis (LDA).

C. K-Nearest Neighbors (KNN).

D. t-distributed Stochastic Neighbor Embedding (t-SNE).

12. Mục đích của việc chuẩn hóa dữ liệu (Data Normalization) trong học máy là gì?

A. Tăng kích thước tập dữ liệu.

B. Giảm độ phức tạp của mô hình.

C. Đưa các đặc trưng về cùng thang đo để thuật toán học hiệu quả hơn.

D. Loại bỏ dữ liệu nhiễu.

13. Bias-Variance tradeoff (đánh đổi giữa Bias và Variance) đề cập đến vấn đề gì?

A. Đánh đổi giữa tốc độ huấn luyện và độ chính xác.

B. Đánh đổi giữa khả năng diễn giải mô hình và độ phức tạp.

C. Đánh đổi giữa overfitting và underfitting.

D. Đánh đổi giữa độ chính xác và độ tin cậy của dữ liệu.

14. Backpropagation là thuật toán được sử dụng để làm gì trong mạng nơ-ron?

A. Dự đoán đầu ra.

B. Tính toán độ lỗi.

C. Cập nhật trọng số.

D. Khởi tạo mạng nơ-ron.

15. Đâu là định nghĩa chính xác nhất về Học máy?

A. Lập trình rõ ràng các thuật toán để máy tính thực hiện nhiệm vụ.

B. Sử dụng máy tính để giải các bài toán thống kê phức tạp.

C. Khả năng của máy tính học hỏi từ dữ liệu mà không cần được lập trình một cách rõ ràng.

D. Xây dựng các hệ thống máy tính có khả năng tư duy và lập luận như con người.

16. Boosting và Bagging là hai kỹ thuật gì trong học máy?

A. Kỹ thuật giảm chiều dữ liệu.

B. Kỹ thuật Feature Engineering.

C. Kỹ thuật Ensemble Learning.

D. Kỹ thuật chuẩn hóa dữ liệu.

17. Thuật toán Random Forest thuộc loại học máy nào?

A. Học máy không giám sát.

B. Học máy bán giám sát.

C. Học máy có giám sát.

D. Học máy tăng cường.

18. Đâu là một ví dụ về thuật toán học máy dựa trên cây quyết định?

A. Support Vector Machine (SVM).

B. Linear Regression.

C. Decision Tree.

D. K-means Clustering.

19. Khái niệm `Transfer Learning′ (học chuyển giao) trong học máy đề cập đến điều gì?

A. Chuyển đổi dữ liệu từ dạng có cấu trúc sang dạng phi cấu trúc.

B. Sử dụng kiến thức đã học từ một bài toán để giải quyết một bài toán khác liên quan.

C. Chuyển đổi mô hình từ môi trường huấn luyện sang môi trường thực tế.

D. Chuyển đổi thuật toán học máy từ giám sát sang không giám sát.

20. Ma trận nhầm lẫn (Confusion Matrix) thường được sử dụng trong bài toán nào?

A. Hồi quy.

B. Phân cụm.

C. Phân loại.

D. Giảm chiều dữ liệu.

21. Batch Gradient Descent, Stochastic Gradient Descent (SGD) và Mini-batch Gradient Descent khác nhau chủ yếu ở điểm nào?

A. Loại hàm kích hoạt sử dụng.

B. Kích thước batch dữ liệu sử dụng để tính toán gradient.

C. Phương pháp khởi tạo trọng số.

D. Thuật toán tối ưu hóa khác nhau.

22. Transformer Networks, kiến trúc mạng nơ-ron đặc biệt, đã đạt được thành công lớn trong lĩnh vực nào?

A. Thị giác máy tính.

B. Xử lý ngôn ngữ tự nhiên (NLP).

C. Học máy tăng cường.

D. Phân tích dữ liệu chuỗi thời gian.

23. Phương pháp nào giúp giảm thiểu `overfitting′ trong mô hình học máy?

A. Tăng kích thước tập dữ liệu huấn luyện.

B. Giảm độ phức tạp của mô hình.

C. Sử dụng kỹ thuật Regularization (chính quy hóa).

D. Tất cả các đáp án trên.

24. Hàm kích hoạt (Activation function) có vai trò gì trong mạng nơ-ron?

A. Tính toán độ chính xác của mô hình.

B. Giới thiệu tính phi tuyến vào mạng nơ-ron.

C. Khởi tạo các trọng số của mạng nơ-ron.

D. Chuẩn hóa dữ liệu đầu vào.

25. Thuật toán học máy nào thường được sử dụng cho bài toán phân loại?

A. K-means Clustering

B. Linear Regression

C. Support Vector Machine (SVM)

D. Principal Component Analysis (PCA)

26. Mô hình Generative Adversarial Networks (GANs) được sử dụng chủ yếu để làm gì?

A. Phân loại dữ liệu.

B. Phân cụm dữ liệu.

C. Sinh dữ liệu mới tương tự dữ liệu huấn luyện.

D. Dự đoán chuỗi thời gian.

27. Giải thích SHAP (SHapley Additive exPlanations) được sử dụng để làm gì trong học máy?

A. Tăng tốc độ huấn luyện mô hình.

B. Giải thích dự đoán của mô hình học máy.

C. Giảm chiều dữ liệu.

D. Chuẩn hóa dữ liệu.

28. Mô hình học máy nào phù hợp nhất cho bài toán phát hiện gian lận thẻ tín dụng (dữ liệu không cân bằng, lớp gian lận rất ít)?

A. Linear Regression.

B. K-means Clustering.

C. Random Forest hoặc Gradient Boosting.

D. Principal Component Analysis (PCA).

29. Độ đo `Precision′ trong đánh giá mô hình phân loại đo lường điều gì?

A. Tỷ lệ dự đoán đúng trên tổng số mẫu thực tế là positive.

B. Tỷ lệ dự đoán đúng là positive trên tổng số mẫu được dự đoán là positive.

C. Tỷ lệ dự đoán sai là positive trên tổng số mẫu thực tế là negative.

D. Tỷ lệ dự đoán sai là negative trên tổng số mẫu được dự đoán là negative.

30. Trong học máy không giám sát, thuật toán nào thường được dùng để phân cụm dữ liệu?

A. Decision Tree

B. K-Nearest Neighbors (KNN)

C. K-means Clustering

D. Naive Bayes