Đề 2 – Bài tập, đề thi trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh

1. Trong kiến trúc khoa học dữ liệu, `data warehouse′ (kho dữ liệu) có vai trò gì?

A. Thu thập dữ liệu trực tuyến từ website.

B. Lưu trữ dữ liệu đã được tích hợp, làm sạch và chuẩn hóa để phân tích và báo cáo.

C. Xử lý dữ liệu theo thời gian thực.

D. Trực quan hóa dữ liệu.

2. Đâu là một ví dụ về ứng dụng của xử lý ngôn ngữ tự nhiên (NLP) trong kinh doanh?

A. Phân tích cảm xúc khách hàng từ đánh giá sản phẩm trực tuyến.

B. Dự báo thời tiết.

C. Điều khiển robot công nghiệp.

D. Thiết kế mạch điện tử.

3. Trong lĩnh vực tài chính, khoa học dữ liệu có thể được ứng dụng để làm gì?

A. Tối ưu hóa công thức nấu ăn trong nhà hàng.

B. Dự đoán giá cổ phiếu và quản lý rủi ro.

C. Phân tích chất lượng không khí.

D. Thiết kế giao diện người dùng cho website.

4. Ứng dụng nào sau đây KHÔNG thuộc lĩnh vực khoa học dữ liệu trong kinh doanh?

A. Phát hiện gian lận thẻ tín dụng.

B. Dự báo nhu cầu sản phẩm.

C. Chẩn đoán bệnh dựa trên ảnh chụp X-quang.

D. Tối ưu hóa chuỗi cung ứng.

5. Trong phân tích chuỗi thời gian, thành phần `tính mùa vụ` (seasonality) đề cập đến điều gì?

A. Xu hướng tăng hoặc giảm dài hạn của dữ liệu.

B. Biến động ngẫu nhiên không theo quy luật.

C. Sự biến động lặp lại theo chu kỳ cố định trong năm (ví dụ: hàng tháng hoặc hàng quý).

D. Sự thay đổi đột ngột và bất thường trong dữ liệu.

6. Công cụ nào sau đây KHÔNG phải là một ngôn ngữ lập trình phổ biến trong khoa học dữ liệu?

A. Python.

B. R.

C. Java.

D. SQL.

7. Ứng dụng của khoa học dữ liệu trong marketing thường tập trung vào điều gì?

A. Tối ưu hóa quy trình sản xuất.

B. Cá nhân hóa trải nghiệm khách hàng, dự đoán hành vi mua sắm và tối ưu hóa chiến dịch quảng cáo.

C. Quản lý rủi ro tài chính.

D. Tuyển dụng nhân sự.

8. Mô hình học máy nào thường được sử dụng để dự đoán giá nhà dựa trên các đặc điểm như diện tích, vị trí, số phòng ngủ?

A. Cây quyết định (Decision Tree).

B. Hồi quy tuyến tính (Linear Regression).

C. Máy học hỗ trợ vectơ (Support Vector Machine - SVM) cho phân loại.

D. K-Means Clustering.

9. Trong quá trình triển khai dự án khoa học dữ liệu, giai đoạn nào thường tốn nhiều thời gian và công sức nhất?

A. Xây dựng mô hình học máy.

B. Thu thập, làm sạch và chuẩn bị dữ liệu.

C. Đánh giá mô hình.

D. Triển khai mô hình vào thực tế.

10. Phương pháp học máy nào thích hợp nhất cho bài toán dự đoán khả năng khách hàng rời bỏ dịch vụ (customer churn)?

A. Hồi quy tuyến tính.

B. Phân loại (Classification).

C. Phân cụm (Clustering).

D. Giảm chiều dữ liệu.

11. Trong khoa học dữ liệu, `bias′ (thiên vị) có thể xuất hiện từ đâu?

A. Do sử dụng các thuật toán học máy quá phức tạp.

B. Do dữ liệu huấn luyện không đại diện cho toàn bộ quần thể hoặc do thiên vị trong quá trình thu thập dữ liệu.

C. Do mô hình được huấn luyện quá nhanh.

D. Do thiếu công cụ trực quan hóa dữ liệu.

12. Trong bối cảnh kinh doanh, `Big Data′ thường được mô tả bằng đặc điểm nào sau đây?

A. Dữ liệu có cấu trúc rõ ràng và dễ dàng truy vấn.

B. Dữ liệu có khối lượng lớn, tốc độ tạo sinh nhanh và đa dạng về loại hình.

C. Dữ liệu chỉ bao gồm các con số và dữ liệu định lượng.

D. Dữ liệu được lưu trữ tập trung trong một cơ sở dữ liệu duy nhất.

13. Đánh giá mô hình phân loại thường sử dụng ma trận nhầm lẫn (confusion matrix) để tính toán các độ đo nào?

A. RMSE (Root Mean Squared Error).

B. Độ chính xác (Accuracy), ĐộRecall (Recall), Độ đo F1 (F1-score).

C. R-squared.

D. Giá trị p (p-value).

14. Phương pháp nào sau đây thuộc nhóm học máy không giám sát (unsupervised learning)?

A. Hồi quy tuyến tính.

B. Cây quyết định (cho bài toán phân loại).

C. K-Means Clustering.

D. Mạng nơ-ron (Neural Networks) cho phân loại.

15. Phương pháp khai thác dữ liệu nào thường được sử dụng để phân khúc khách hàng dựa trên hành vi mua sắm?

A. Phân tích hồi quy tuyến tính.

B. Phân cụm (Clustering).

C. Phân tích chuỗi thời gian.

D. Phân tích phương sai (ANOVA).

16. Phương pháp đánh giá mô hình hồi quy nào đo lường trung bình bình phương sai số giữa giá trị dự đoán và giá trị thực tế?

A. Độ chính xác (Accuracy).

B. RMSE (Root Mean Squared Error).

C. Độ Recall (Recall).

D. Độ đo F1 (F1-score).

17. Khái niệm `data mining′ (khai thác dữ liệu) liên quan mật thiết đến hoạt động nào?

A. Xây dựng cơ sở dữ liệu.

B. Tìm kiếm các mẫu, xu hướng và tri thức ẩn chứa trong dữ liệu lớn.

C. Bảo mật dữ liệu.

D. Sao lưu dữ liệu.

18. Kỹ thuật nào thường được sử dụng để xử lý dữ liệu bị thiếu (missing values) trong tập dữ liệu?

A. Phân tích hồi quy.

B. Loại bỏ các bản ghi chứa giá trị thiếu hoặc điền giá trị thiếu (imputation).

C. Phân cụm dữ liệu.

D. Giảm chiều dữ liệu.

19. Đâu là một thách thức đạo đức quan trọng trong việc ứng dụng khoa học dữ liệu vào kinh doanh?

A. Sự thiếu hụt công cụ phân tích dữ liệu.

B. Nguy cơ phân biệt đối xử và thiên vị do dữ liệu hoặc thuật toán.

C. Chi phí đầu tư vào cơ sở hạ tầng dữ liệu quá cao.

D. Khó khăn trong việc thu thập đủ dữ liệu.

20. Mục tiêu chính của việc `giảm chiều dữ liệu′ (dimensionality reduction) trong khoa học dữ liệu là gì?

A. Tăng độ phức tạp của mô hình học máy.

B. Giảm số lượng biến đầu vào để đơn giản hóa mô hình và tránh `lời nguyền chiều dữ liệu′.

C. Cải thiện khả năng giải thích kết quả mô hình bằng cách thêm nhiều biến.

D. Tăng kích thước bộ dữ liệu huấn luyện.

21. Trong quá trình xây dựng mô hình 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 rất tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra.

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

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

22. Trong khoa học dữ liệu, `feature engineering′ đề cập đến hoạt động nào?

A. Lựa chọn thuật toán học máy phù hợp nhất.

B. Xây dựng và biến đổi các thuộc tính đầu vào để cải thiện hiệu suất mô hình.

C. Đánh giá hiệu suất của mô hình dự đoán.

D. Thu thập và làm sạch dữ liệu từ các nguồn khác nhau.

23. Đâu là vai trò chính của khoa học dữ liệu trong kinh doanh hiện đại?

A. Giảm chi phí hoạt động bằng cách thay thế nhân lực.

B. Tăng cường khả năng ra quyết định dựa trên bằng chứng và phân tích.

C. Tạo ra các báo cáo tài chính phức tạp hơn cho nhà đầu tư.

D. Tự động hóa hoàn toàn quy trình sản xuất và quản lý.

24. Mục tiêu của việc `làm sạch dữ liệu′ (data cleaning) là gì?

A. Tăng kích thước của tập dữ liệu.

B. Cải thiện chất lượng dữ liệu bằng cách xử lý giá trị thiếu, dữ liệu nhiễu, và dữ liệu không nhất quán.

C. Mã hóa dữ liệu để bảo mật thông tin.

D. Giảm số lượng biến trong dữ liệu.

25. Trong mô hình cây quyết định, `entropy′ được sử dụng để đo lường điều gì?

A. Độ chính xác của mô hình.

B. Độ thuần khiết của một tập hợp dữ liệu.

C. Độ phức tạp của cây quyết định.

D. Sai số dự đoán của mô hình.

26. Công cụ nào sau đây thường được sử dụng để trực quan hóa dữ liệu trong khoa học dữ liệu?

A. Microsoft Word.

B. Microsoft Excel.

C. Tableau hoặc Power BI.

D. Notepad.

27. Trong khoa học dữ liệu, `dữ liệu nhiễu′ (noisy data) đề cập đến loại dữ liệu nào?

A. Dữ liệu đã được làm sạch và chuẩn hóa.

B. Dữ liệu có chứa lỗi, giá trị ngoại lệ hoặc thông tin không chính xác.

C. Dữ liệu được thu thập từ các nguồn tin cậy.

D. Dữ liệu có cấu trúc rõ ràng và dễ phân tích.

28. Thuật ngữ nào sau đây mô tả quá trình sử dụng mô hình thống kê để dự đoán giá trị tương lai dựa trên dữ liệu quá khứ?

A. Phân tích mô tả.

B. Phân tích dự đoán.

C. Phân tích chẩn đoán.

D. Phân tích quy chuẩn.

29. Mạng nơ-ron nhân tạo (Artificial Neural Networks) được lấy cảm hứng từ cấu trúc của hệ thống nào?

A. Hệ thống tiêu hóa của con người.

B. Hệ thống thần kinh sinh học.

C. Hệ thống tuần hoàn máu.

D. Hệ thống hô hấp.

30. Đâu là một kỹ năng quan trọng đối với một chuyên gia khoa học dữ liệu trong kinh doanh?

A. Khả năng thiết kế phần cứng máy tính.

B. Khả năng giao tiếp hiệu quả kết quả phân tích dữ liệu cho người không chuyên môn và hiểu biết về kinh doanh.

C. Khả năng viết tiểu thuyết khoa học viễn tưởng.

D. Khả năng hàn mạch điện tử.