1. Trong bối cảnh học máy giải thích được (Explainable AI - XAI), phương pháp nào sau đây giúp hiểu rõ quyết định của mô hình?
A. Mạng nơ-ron sâu với nhiều lớp ẩn.
B. Mô hình hộp đen (Black box models) không thể giải thích.
C. Mô hình cây quyết định và các phương pháp dựa trên tầm quan trọng đặc trưng (feature importance).
D. Mô hình luôn đạt độ chính xác 100%.
2. Phương pháp học máy nào mà mô hình được huấn luyện trên dữ liệu đã được gán nhãn?
A. Học tăng cường (Reinforcement Learning)
B. Học không giám sát (Unsupervised Learning)
C. Học bán giám sát (Semi-supervised Learning)
D. Học có giám sát (Supervised Learning)
3. Mô hình 'Naive Bayes′ dựa trên giả định nào?
A. Các đặc trưng đầu vào độc lập tuyến tính.
B. Các đặc trưng đầu vào độc lập có điều kiện.
C. Dữ liệu phải được phân phối chuẩn.
D. Mối quan hệ giữa đầu vào và đầu ra là tuyến tính.
4. Khái niệm 'gradient vanishing′ thường gặp phải trong quá trình huấn luyện loại mạng nơ-ron nào?
A. Mạng nơ-ron truyền thẳng (Feedforward Neural Networks).
B. Mạng nơ-ron tích chập (CNNs).
C. Mạng nơ-ron hồi quy (RNNs) sâu.
D. Mạng tự mã hóa (Autoencoders).
5. Hàm kích hoạt (activation function) trong mạng nơ-ron có vai trò gì?
A. Tăng tốc độ hội tụ của mô hình.
B. Giới thiệu tính phi tuyến vào mô hình.
C. Chuẩn hóa dữ liệu đầu vào cho mỗi lớp.
D. Tính toán độ mất mát của mô hình.
6. Độ đo F1-score là trung bình điều hòa của độ đo nào?
A. Độ chính xác (accuracy) và độ phủ (recall).
B. Độ chính xác (precision) và độ phủ (recall).
C. Độ chính xác (precision) và độ đo F0.5.
D. Độ phủ (recall) và độ đo F2.
7. Phương pháp học máy nào thường được sử dụng cho bài toán phân cụm (clustering)?
A. Hồi quy logistic (Logistic Regression).
B. Máy vector hỗ trợ (Support Vector Machine - SVM).
C. K-Means.
D. Mạng nơ-ron tích chập (CNN).
8. Học máy (Machine Learning) chủ yếu tập trung vào việc cho phép máy tính làm gì?
A. Thực hiện các nhiệm vụ theo lệnh rõ ràng của con người.
B. Học hỏi từ dữ liệu mà không cần được lập trình một cách rõ ràng.
C. Thay thế hoàn toàn vai trò của lập trình viên.
D. Tăng tốc độ xử lý dữ liệu đầu vào.
9. Kỹ thuật 'ensemble learning′ sử dụng phương pháp nào để cải thiện hiệu suất mô hình?
A. Tối ưu hóa siêu tham số.
B. Kết hợp dự đoán của nhiều mô hình học máy.
C. Giảm chiều dữ liệu đầu vào.
D. Chuẩn hóa dữ liệu huấn luyện.
10. Phương pháp học máy nào thường được sử dụng để giảm chiều dữ liệu (dimensionality reduction)?
A. Hồi quy tuyến tính (Linear Regression).
B. Phân tích thành phần chính (Principal Component Analysis - PCA).
C. Cây quyết định (Decision Tree).
D. Mạng nơ-ron truyền thẳng (Feedforward Neural Network).
11. Trong học máy, 'bias-variance tradeoff′ mô tả sự đánh đổi giữa hai loại lỗi nào?
A. Lỗi huấn luyện và lỗi kiểm tra.
B. Lỗi do độ chệch (bias) và lỗi do phương sai (variance).
C. Lỗi dương tính giả và lỗi âm tính giả.
D. Lỗi phân loại và lỗi hồi quy.
12. Mô hình 'Generative Adversarial Networks′ (GANs) được sử dụng chủ yếu cho loại tác vụ nào?
A. Phân loại ảnh.
B. Phát sinh dữ liệu mới.
C. Phát hiện đối tượng trong ảnh.
D. Dự đoán chuỗi thời gian.
13. Ứng dụng nào sau đây KHÔNG phải là một ví dụ điển hình của học máy?
A. Hệ thống đề xuất sản phẩm trên các trang thương mại điện tử.
B. Phần mềm soạn thảo văn bản cơ bản (như Notepad).
C. Xe tự lái.
D. Bộ lọc thư rác (spam) trong email.
14. Trong học tăng cường, 'môi trường′ (environment) đề cập đến điều gì?
A. Dữ liệu huấn luyện được sử dụng để đào tạo tác nhân.
B. Không gian mà tác nhân tương tác và hành động.
C. Thuật toán học tăng cường cụ thể được sử dụng.
D. Bộ phần thưởng và hình phạt được định nghĩa.
15. Trong thuật toán K-Means, 'K′ đại diện cho điều gì?
A. Số chiều của dữ liệu.
B. Số lần lặp tối đa của thuật toán.
C. Số lượng cụm (clusters) mong muốn.
D. Hằng số tốc độ học.
16. Mô hình 'Random Forest′ là một ví dụ của phương pháp ensemble learning nào?
A. Boosting.
B. Bagging.
C. Stacking.
D. Voting.
17. Thuật toán Gradient Descent được sử dụng để làm gì trong huấn luyện mạng nơ-ron?
A. Khởi tạo trọng số ban đầu của mạng.
B. Tính toán độ chính xác của mô hình.
C. Cập nhật trọng số để giảm thiểu hàm mất mát.
D. Chọn hàm kích hoạt phù hợp.
18. Phương pháp 'transfer learning′ (học chuyển giao) mang lại lợi ích gì?
A. Tăng độ chính xác trên dữ liệu huấn luyện.
B. Giảm nhu cầu về dữ liệu huấn luyện lớn và thời gian huấn luyện.
C. Tự động lựa chọn thuật toán học máy.
D. Cải thiện khả năng diễn giải của mô hình.
19. Độ đo 'độ chính xác′ (accuracy) trong bài toán phân loại (classification) được tính bằng công thức nào?
A. Tổng số dự đoán đúng chia cho tổng số mẫu.
B. Số dự đoán đúng dương tính chia cho tổng số dự đoán dương tính.
C. Số dự đoán đúng dương tính chia cho tổng số mẫu thực tế dương tính.
D. Tổng số dự đoán sai chia cho tổng số mẫu.
20. Trong học sâu (Deep Learning), mạng nơ-ron tích chập (Convolutional Neural Network - CNN) thường được sử dụng cho loại dữ liệu nào?
A. Dữ liệu dạng bảng (tabular data).
B. Dữ liệu văn bản (text data).
C. Dữ liệu hình ảnh (image data).
D. Dữ liệu chuỗi thời gian (time series data).
21. Trong ngữ cảnh học máy, 'feature engineering′ là quá trình gì?
A. Tự động chọn thuật toán học máy tốt nhất.
B. Chuẩn hóa và làm sạch dữ liệu.
C. Thiết kế và biến đổi các đặc trưng đầu vào để cải thiện hiệu suất mô hình.
D. Tối ưu hóa siêu tham số của mô hình.
22. Trong học máy, 'hyperparameter′ là gì?
A. Tham số được mô hình học từ dữ liệu.
B. Tham số được con người thiết lập trước khi huấn luyện mô hình.
C. Đặc trưng đầu vào của dữ liệu.
D. Kết quả dự đoán của mô hình.
23. Thuật toán 'Support Vector Machine′ (SVM) hoạt động bằng cách nào?
A. Tìm đường biên quyết định tối ưu hóa khoảng cách lề (margin) lớn nhất.
B. Xây dựng cây quyết định từ dữ liệu.
C. Phân cụm dữ liệu dựa trên khoảng cách.
D. Sử dụng gradient descent để tối ưu hóa hàm mất mát.
24. Kỹ thuật 'regularization′ được sử dụng trong học máy nhằm mục đích gì?
A. Tăng tốc độ huấn luyện mô hình.
B. Giảm thiểu hiện tượng overfitting.
C. Tăng độ chính xác trên dữ liệu huấn luyện.
D. Chuẩn hóa dữ liệu đầu vào.
25. Kỹ thuật 'cross-validation′ được sử dụng để làm gì trong học máy?
A. Tăng kích thước dữ liệu huấn luyện.
B. Đánh giá hiệu năng mô hình một cách khách quan.
C. Tối ưu hóa siêu tham số của mô hình.
D. Giảm thời gian huấn luyện mô hình.
26. Thuật ngữ 'overfitting′ trong học máy mô tả hiện tượng gì?
A. Mô hình hoạt động quá chậm do kích thước lớn.
B. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới.
C. Dữ liệu huấn luyện không đủ lớn để mô hình học hiệu quả.
D. Mô hình không thể hội tụ trong quá trình huấn luyện.
27. Phương pháp 'Boosting′ trong ensemble learning hoạt động như thế nào?
A. Huấn luyện song song nhiều mô hình độc lập.
B. Huấn luyện tuần tự các mô hình, mỗi mô hình tập trung vào sửa lỗi của mô hình trước.
C. Lấy trung bình dự đoán của các mô hình.
D. Chọn mô hình có hiệu suất tốt nhất.
28. Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) đặc biệt phù hợp với loại dữ liệu nào?
A. Dữ liệu hình ảnh tĩnh.
B. Dữ liệu dạng bảng độc lập.
C. Dữ liệu chuỗi có tính tuần tự (sequential data).
D. Dữ liệu không có cấu trúc.
29. Kỹ thuật 'dropout′ trong mạng nơ-ron được sử dụng để làm gì?
A. Tăng tốc độ huấn luyện.
B. Giảm overfitting.
C. Tăng độ chính xác trên dữ liệu huấn luyện.
D. Chuẩn hóa dữ liệu đầu vào.
30. Mô hình 'cây quyết định′ (Decision Tree) hoạt động dựa trên nguyên tắc nào?
A. Tìm đường biên quyết định tuyến tính phân tách dữ liệu.
B. Phân chia dữ liệu thành các vùng dựa trên các luật quyết định.
C. Tính toán khoảng cách giữa các điểm dữ liệu.
D. Tối ưu hóa hàm mục tiêu bằng gradient descent.
