Đề 11 – Bài tập, đề thi trắc nghiệm online Học máy

Tinh chỉnh siêu tham số (hyperparameter tuning) là quá trình tìm kiếm bộ giá trị siêu tham số (các tham số không được học từ dữ liệu) tốt nhất cho một mô hình học máy, nhằm tối ưu hóa hiệu suất của mô hình trên dữ liệu kiểm tra.

Kiểm tra chéo k-phần (k-fold cross-validation) là phương pháp đánh giá mô hình mạnh mẽ, giúp ước tính hiệu suất mô hình một cách đáng tin cậy bằng cách chia dữ liệu thành k phần và lặp lại quá trình huấn luyện và kiểm tra k lần.

Học có giám sát (Supervised Learning) sử dụng dữ liệu đã gán nhãn (input-output pairs) để huấn luyện mô hình dự đoán output cho input mới. Các loại học khác không sử dụng dữ liệu gán nhãn theo cách này.

Mạng CNN được thiết kế đặc biệt để xử lý dữ liệu dạng lưới, như ảnh. Các lớp tích chập (convolutional layers) có khả năng trích xuất các đặc trưng không gian cục bộ, làm cho CNN rất hiệu quả trong thị giác máy tính.

Tốc độ học (learning rate) là một siêu tham số quan trọng trong Gradient Descent, quyết định kích thước của mỗi bước nhảy mà thuật toán thực hiện trong không gian tham số để tìm cực tiểu của hàm mất mát. Tốc độ học quá lớn có thể khiến thuật toán bỏ qua cực tiểu, quá nhỏ có thể làm chậm quá trình hội tụ.

Mô hình hộp đen (black box model) là các mô hình phức tạp mà logic bên trong khó hoặc không thể giải thích được. Ví dụ điển hình là mạng nơ-ron sâu. Ngược lại, `mô hình hộp trắng′ (white box model) như cây quyết định dễ dàng diễn giải hơn.

Học chuyển giao (transfer learning) là kỹ thuật sử dụng kiến thức (ví dụ: trọng số mô hình đã huấn luyện) từ một bài toán (thường là bài toán lớn với nhiều dữ liệu) để cải thiện hiệu suất trên một bài toán khác, thường là bài toán có ít dữ liệu hơn.

Trong thuật toán K-Means, `K′ là một tham số do người dùng xác định trước, chỉ định số lượng cụm mà thuật toán sẽ cố gắng tìm và phân chia dữ liệu thành.

Phân cụm (Clustering) là kỹ thuật học không giám sát chính, được thiết kế để tìm ra cấu trúc ẩn trong dữ liệu bằng cách nhóm các điểm dữ liệu tương tự thành các cụm dựa trên đặc điểm của chúng.

Random Forest là một thuật toán học máy dựa trên cây quyết định, hoạt động bằng cách xây dựng nhiều cây quyết định trong quá trình huấn luyện và tổng hợp dự đoán của chúng. Các lựa chọn khác không thuộc loại này.

Nguyên tắc `dao cạo Occam′ (Occam′s Razor) khuyến khích lựa chọn giải thích đơn giản nhất trong số các giải thích có hiệu quả tương đương. Trong học máy, nó thường được hiểu là ưu tiên mô hình đơn giản hơn nếu nó đạt được hiệu suất tương đương với mô hình phức tạp hơn, để tránh quá khớp và dễ diễn giải hơn.

Máy vectơ hỗ trợ (SVM) là một thuật toán mạnh mẽ và phổ biến cho cả bài toán phân loại và hồi quy. Trong bài toán phân loại nhị phân, SVM tìm kiếm siêu phẳng tối ưu để phân tách hai lớp.

Điền giá trị thiếu (imputation) là một kỹ thuật phổ biến để xử lý dữ liệu bị thiếu bằng cách ước tính và thay thế các giá trị bị thiếu bằng các giá trị hợp lý, ví dụ như giá trị trung bình, trung vị, hoặc các giá trị dự đoán.

Quá khớp (Overfitting) xảy ra khi mô hình trở nên quá phức tạp và `học thuộc lòng′ dữ liệu huấn luyện, bao gồm cả nhiễu. Do đó, nó hoạt động rất tốt trên dữ liệu huấn luyện nhưng kém khi tổng quát hóa dữ liệu mới (kiểm tra).

MSE (Mean Squared Error) là độ đo hiệu suất phổ biến cho các bài toán hồi quy, đo lường sự khác biệt bình phương trung bình giữa giá trị dự đoán và giá trị thực tế. Các độ đo còn lại (Accuracy, Recall, F1-Score) được dùng cho bài toán phân loại.

Ma trận nhầm lẫn là công cụ mạnh mẽ để đánh giá hiệu suất của mô hình phân loại bằng cách hiển thị số lượng dự đoán đúng và sai cho từng lớp. Nó cung cấp thông tin chi tiết hơn so với chỉ độ chính xác tổng thể.

Dữ liệu lớn cung cấp nhiều thông tin hơn cho mô hình học máy, giúp mô hình học được các mẫu phức tạp và cải thiện khả năng tổng quát hóa, dẫn đến độ chính xác cao hơn trên dữ liệu mới. Tuy nhiên, dữ liệu lớn cũng có thể làm tăng chi phí tính toán.

Lan truyền ngược (backpropagation) là thuật toán cốt lõi để huấn luyện mạng nơ-ron. Nó tính toán gradient của hàm mất mát (loss function) đối với trọng số của mạng và sử dụng gradient này để cập nhật trọng số theo hướng giảm độ mất mát.

Học tăng cường (Reinforcement Learning) hoạt động dựa trên cơ chế phần thưởng và hình phạt. Tác nhân học cách hành động để tối đa hóa phần thưởng nhận được từ môi trường.

Chuẩn hóa dữ liệu (normalization) nhằm mục đích đưa các đặc trưng có phạm vi giá trị khác nhau về cùng một thang đo chung (ví dụ: 0 đến 1). Điều này giúp các thuật toán học máy hoạt động hiệu quả hơn, đặc biệt là các thuật toán dựa trên khoảng cách.

Hàm kích hoạt (activation function) là yếu tố quan trọng tạo ra tính phi tuyến trong mạng nơ-ron. Nếu không có hàm kích hoạt phi tuyến, mạng nơ-ron sâu sẽ chỉ tương đương với một mô hình tuyến tính đơn giản.

Tập kiểm chứng (validation set) được sử dụng trong quá trình huấn luyện để theo dõi hiệu suất mô hình và tinh chỉnh siêu tham số. Nó giúp lựa chọn mô hình tốt nhất và tránh hiện tượng quá khớp với tập huấn luyện trước khi đánh giá cuối cùng trên tập kiểm tra.

Học máy có rất nhiều ứng dụng trong nhận dạng hình ảnh, dịch máy, và hệ thống đề xuất. Thiết kế chip điện tử thủ công, dù có thể được hỗ trợ bởi công cụ tự động hóa, nhưng không phải là ứng dụng cốt lõi của học máy. Câu này kiểm tra hiểu biết về phạm vi ứng dụng của ML.

Cả tăng dữ liệu, giảm độ phức tạp mô hình và chính quy hóa đều là các phương pháp hiệu quả để giảm quá khớp. Tăng dữ liệu giúp mô hình khái quát tốt hơn, giảm độ phức tạp làm mô hình đơn giản hơn, và chính quy hóa phạt các mô hình phức tạp.

Kỹ thuật đặc trưng (feature engineering) là quá trình quan trọng trong học máy, bao gồm việc chọn lọc, biến đổi và tạo ra các đặc trưng đầu vào tốt hơn từ dữ liệu thô. Mục tiêu là làm cho dữ liệu dễ hiểu hơn đối với mô hình học máy và cải thiện hiệu suất.

Học máy (Machine Learning - ML) tập trung vào việc phát triển các hệ thống có thể học hỏi từ dữ liệu, xác định mẫu và đưa ra quyết định với sự can thiệp tối thiểu của con người. Đáp án 2 thể hiện đúng bản chất này.

Độ lệch (Bias) và phương sai (Variance) là hai nguồn lỗi chính ảnh hưởng đến khả năng tổng quát hóa của mô hình học máy. Mô hình có độ lệch cao thường `khớp thiếu′ (underfit), còn mô hình có phương sai cao thường `quá khớp′ (overfit).

RNN được thiết kế để xử lý dữ liệu tuần tự hoặc chuỗi, nơi mà thứ tự của dữ liệu rất quan trọng. Khả năng `ghi nhớ` thông tin từ các bước thời gian trước đó làm cho RNN phù hợp với xử lý ngôn ngữ tự nhiên, dịch máy, và dự báo chuỗi thời gian.

Lời nguyền chiều dữ liệu đề cập đến các vấn đề phát sinh khi làm việc với dữ liệu có số chiều (số lượng đặc trưng) rất lớn. Giảm số lượng đặc trưng (feature selection hoặc reduction) là một phương pháp chính để đối phó với vấn đề này.

PCA (Principal Component Analysis) là một kỹ thuật giảm chiều dữ liệu thuộc học không giám sát, giúp tìm ra các thành phần chính giữ lại phần lớn phương sai của dữ liệu mà không cần nhãn. Các lựa chọn khác thường là thuật toán học có giám sát.