Đề 5 – Bài tập, đề thi trắc nghiệm online Học máy

Độ trễ (latency) trong học máy, đặc biệt trong môi trường sản xuất, thường chỉ thời gian phản hồi của mô hình, tức là khoảng thời gian từ khi nhận yêu cầu dự đoán đến khi trả về kết quả. Độ trễ thấp là quan trọng trong các ứng dụng thời gian thực.

Kernel trick cho phép SVM xử lý dữ liệu không phân tách tuyến tính bằng cách ánh xạ dữ liệu sang không gian chiều cao hơn thông qua hàm kernel, nơi mà dữ liệu có thể trở nên phân tách tuyến tính.

Dự báo thời tiết chính xác tuyệt đối trong dài hạn vượt quá khả năng hiện tại của học máy và khoa học nói chung do tính chất phức tạp và hỗn loạn của hệ thống thời tiết. Các ứng dụng còn lại là những lĩnh vực mà học máy đã chứng minh được hiệu quả.

Kiểm định chéo chia dữ liệu thành nhiều phần, huấn luyện mô hình trên một số phần và kiểm tra trên phần còn lại, lặp lại quá trình này để có đánh giá tổng quan và khách quan về khả năng khái quát hóa của mô hình.

Đường cong ROC và độ đo AUC (Area Under the Curve) thường được dùng để đánh giá hiệu suất của mô hình phân loại nhị phân, thể hiện sự đánh đổi giữa tỷ lệ dương tính thật (True Positive Rate) và tỷ lệ dương tính giả (False Positive Rate) ở các ngưỡng phân loại khác nhau.

Học có giám sát sử dụng dữ liệu đầu vào đã được gán nhãn để học một hàm ánh xạ đầu vào đến đầu ra. Các loại hình học máy khác có cách tiếp cận khác với dữ liệu và nhãn.

Học tập chuyển giao tận dụng kiến thức đã học từ một bài toán (hoặc bộ dữ liệu) để cải thiện hiệu suất trên một bài toán khác. Huấn luyện mô hình từ đầu không sử dụng kiến thức chuyển giao, do đó không thuộc nhóm này.

t-SNE là một thuật toán giảm chiều dữ liệu phi tuyến tính, đặc biệt hiệu quả trong việc trực quan hóa dữ liệu có chiều cao trên không gian 2D hoặc 3D. PCA, ICA, và LDA là các phương pháp giảm chiều dữ liệu tuyến tính.

Dropout là một kỹ thuật регуляризаци trong mạng nơ-ron, giúp giảm overfitting bằng cách ngẫu nhiên tắt một số nơ-ron trong quá trình huấn luyện, buộc mạng phải học các đặc trưng phân tán hơn và ít phụ thuộc vào nơ-ron cụ thể.

Mã hóa one-hot và TF-IDF là các kỹ thuật phổ biến để chuyển đổi văn bản thành dạng số, phù hợp cho các thuật toán học máy. Chuẩn hóa Z-score thường dùng cho dữ liệu số, PCA cho giảm chiều dữ liệu, và K-Means cho phân cụm.

Naive Bayes giả định rằng các thuộc tính là độc lập có điều kiện với nhau khi biết lớp đầu ra. Giả định này đơn giản hóa việc tính toán xác suất và giúp thuật toán hoạt động nhanh chóng, nhưng có thể không đúng trong nhiều trường hợp thực tế.

Bias-variance tradeoff là sự cân bằng giữa việc mô hình quá đơn giản (high bias, underfitting) và mô hình quá phức tạp (high variance, overfitting). Mục tiêu là tìm mô hình có sự cân bằng tốt để đạt hiệu suất khái quát hóa tối ưu.

Bagging tạo ra nhiều bộ dữ liệu con bằng cách lấy mẫu có hoàn lại từ dữ liệu gốc, huấn luyện một mô hình trên mỗi bộ dữ liệu con, và sau đó tổng hợp kết quả (ví dụ, bằng cách lấy trung bình hoặc bỏ phiếu) để giảm phương sai và cải thiện độ ổn định.

Hàm kích hoạt thêm tính phi tuyến vào mạng nơ-ron, cho phép mô hình xấp xỉ các hàm phi tuyến phức tạp. Nếu không có hàm kích hoạt phi tuyến, mạng nơ-ron nhiều lớp sẽ tương đương với một mô hình tuyến tính đơn giản.

Độ phân giải (resolution) thường được dùng để chỉ số lượng chi tiết hoặc độ nét của hình ảnh, ví dụ như số pixel trên mỗi đơn vị diện tích. Với dữ liệu khác, các thuật ngữ khác sẽ phù hợp hơn.

Chuẩn hóa dữ liệu giúp các thuộc tính có phạm vi giá trị khác nhau không gây ảnh hưởng không cân đối đến thuật toán, đặc biệt là các thuật toán nhạy cảm với khoảng cách như K-NN hoặc Gradient Descent.

RMSE (Root Mean Squared Error) là độ đo phổ biến cho bài toán hồi quy, đánh giá sự khác biệt giữa giá trị dự đoán và giá trị thực tế. Các độ đo còn lại (Accuracy, F1-score, Recall) được sử dụng để đánh giá mô hình phân loại.

Trong K-Means, `K′ là một tham số đầu vào quan trọng, xác định số lượng cụm mà thuật toán sẽ cố gắng phân chia dữ liệu thành. Việc chọn giá trị K phù hợp là rất quan trọng để đạt được kết quả phân cụm tốt.

Boosting là phương pháp ансамбль tuần tự, trong đó các mô hình yếu được huấn luyện kế tiếp nhau và mỗi mô hình cố gắng khắc phục sai sót của mô hình trước. Bagging huấn luyện mô hình song song và độc lập.

Rừng ngẫu nhiên sử dụng nhiều cây quyết định và tổng hợp kết quả, giúp giảm phương sai và hạn chế quá khớp so với một cây quyết định đơn lẻ, từ đó thường đạt hiệu suất tốt hơn.

Gradient Descent là thuật toán tối ưu hóa được sử dụng để cập nhật trọng số của mô hình theo hướng ngược gradient của hàm mất mát, nhằm tìm điểm cực tiểu của hàm mất mát và tối ưu hóa mô hình.

K-Means là thuật toán phân cụm, thuộc nhóm học không giám sát. Các thuật toán còn lại (Cây quyết định, SVM, Hồi quy Logistic) đều là các thuật toán học có giám sát, sử dụng dữ liệu có nhãn để huấn luyện.

Feature engineering là quá trình tạo ra các thuộc tính mới hoặc biến đổi các thuộc tính hiện có từ dữ liệu thô, nhằm giúp mô hình học máy dễ dàng nhận biết và nắm bắt các mẫu trong dữ liệu, từ đó cải thiện hiệu suất.

Quá khớp xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, nắm bắt cả nhiễu, dẫn đến khả năng khái quát hóa kém trên dữ liệu mới (dữ liệu kiểm tra).

Giảm độ phức tạp của mô hình, như tỉa cây quyết định hoặc giảm số lớp mạng nơ-ron, giúp mô hình khái quát hóa tốt hơn, tránh học thuộc lòng dữ liệu huấn luyện và giảm quá khớp.

Ma trận nhầm lẫn là công cụ đánh giá hiệu suất cho các mô hình phân loại, hiển thị số lượng dự đoán đúng và sai cho từng lớp, từ đó tính toán các độ đo như Precision, Recall, F1-score.

KNN cần lưu trữ toàn bộ dữ liệu huấn luyện và tính toán khoảng cách đến tất cả các điểm dữ liệu huấn luyện trong quá trình dự đoán, dẫn đến tốn kém về bộ nhớ và thời gian, đặc biệt khi dữ liệu lớn.

CNN được thiết kế đặc biệt để xử lý dữ liệu dạng lưới như hình ảnh và video, nhờ khả năng nhận diện các mẫu không gian cục bộ thông qua các lớp tích chập và gộp (pooling).

Học máy là một nhánh AI tập trung vào việc cho phép máy tính học từ dữ liệu, trái với lập trình trực tiếp. Các lựa chọn khác đưa ra những khẳng định sai về phạm vi, độ chính xác và mối quan hệ của Học máy với các lĩnh vực khác.

Trong RL, môi trường là bối cảnh mà tác nhân hoạt động, nhận quan sát và thực hiện hành động. Tác nhân tương tác với môi trường để học hỏi và tối ưu hóa chính sách của mình.