1. Trong học máy, `transfer learning` là gì?
A. Quá trình chuyển dữ liệu từ định dạng này sang định dạng khác.
B. Quá trình sử dụng kiến thức học được từ một bài toán để giải quyết một bài toán khác liên quan.
C. Quá trình chuyển giao mô hình từ một người sang người khác.
D. Quá trình chuyển đổi mô hình từ môi trường thử nghiệm sang môi trường sản xuất.
2. Trong học máy, kỹ thuật nào thường được sử dụng để giảm số lượng chiều dữ liệu trong khi vẫn giữ lại thông tin quan trọng nhất?
A. Chuẩn hóa dữ liệu (Data Normalization)
B. Giảm chiều (Dimensionality Reduction)
C. Tăng cường dữ liệu (Data Augmentation)
D. Phân cụm dữ liệu (Data Clustering)
3. Phương pháp nào sau đây được sử dụng để xử lý dữ liệu bị thiếu (missing data) trong học máy?
A. Principal Component Analysis (PCA)
B. Imputation (điền giá trị)
C. Regularization
D. Cross-validation
4. Trong học máy, `F1-score` là gì và nó được tính như thế nào?
A. Trung bình cộng của precision và recall.
B. Trung bình điều hòa của precision và recall.
C. Tích của precision và recall.
D. Hiệu của precision và recall.
5. Phương pháp nào sau đây được sử dụng để tạo ra dữ liệu mới từ dữ liệu hiện có?
A. Principal Component Analysis (PCA)
B. Data Augmentation (tăng cường dữ liệu)
C. Regularization
D. Cross-validation
6. 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 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.
7. Mô hình học máy nào phù hợp để dự đoán liệu một khách hàng có rời bỏ dịch vụ (churn) hay không?
A. K-Means Clustering
B. Linear Regression
C. Logistic Regression
D. Principal Component Analysis (PCA)
8. Trong học máy, thuật ngữ `epoch` đề cập đến điều gì?
A. Một lần lặp qua toàn bộ tập dữ liệu huấn luyện trong quá trình huấn luyện.
B. Một phần nhỏ của tập dữ liệu huấn luyện được sử dụng trong mỗi lần cập nhật trọng số.
C. Một phương pháp để đánh giá hiệu suất của mô hình.
D. Một kỹ thuật để chuẩn hóa dữ liệu.
9. Phương pháp nào sau đây được sử dụng để đánh giá hiệu suất của một mô hình phân loại?
A. Mean Squared Error (MSE)
B. R-squared
C. Confusion Matrix
D. Root Mean Squared Error (RMSE)
10. Thuật toán nào sau đây là một phương pháp học không giám sát (unsupervised learning)?
A. Support Vector Machine (SVM)
B. K-Nearest Neighbors (KNN)
C. K-Means Clustering
D. Decision Tree
11. Trong học máy, `clustering` được sử dụng để làm gì?
A. Dự đoán giá trị của một biến số liên tục.
B. Phân loại dữ liệu vào các nhóm khác nhau.
C. Tìm các mối quan hệ tuyến tính giữa các biến.
D. Giảm số lượng chiều dữ liệu.
12. Trong học máy, `feature engineering` là gì?
A. Quá trình chọn thuật toán học máy tốt nhất cho một bài toán cụ thể.
B. Quá trình tạo và biến đổi các biến đầu vào để cải thiện hiệu suất mô hình.
C. Quá trình tối ưu hóa các tham số của mô hình học máy.
D. Quá trình đánh giá hiệu suất của mô hình học máy.
13. Thuật toán nào sau đây thường được sử dụng để giảm chiều dữ liệu trong xử lý ảnh?
A. Principal Component Analysis (PCA)
B. Linear Discriminant Analysis (LDA)
C. K-Nearest Neighbors (KNN)
D. Support Vector Machine (SVM)
14. Phương pháp nào sau đây được sử dụng để phát hiện gian lận trong giao dịch thẻ tín dụng?
A. K-Means Clustering
B. Anomaly Detection (phát hiện bất thường)
C. Linear Regression
D. Principal Component Analysis (PCA)
15. Kiến trúc mạng nơ-ron nào phù hợp nhất cho việc xử lý dữ liệu chuỗi (ví dụ: văn bản, chuỗi thời gian)?
A. Convolutional Neural Network (CNN)
B. Recurrent Neural Network (RNN)
C. Deep Neural Network (DNN)
D. Generative Adversarial Network (GAN)
16. Phương pháp học máy nào phù hợp nhất để dự đoán giá nhà dựa trên các yếu tố như diện tích, vị trí và số phòng ngủ?
A. Hồi quy tuyến tính (Linear Regression)
B. Phân loại Logistic (Logistic Regression)
C. Máy học tăng cường (Boosting)
D. K-Means Clustering
17. Mạng nơ-ron nào phù hợp để nhận diện hình ảnh?
A. Recurrent Neural Network (RNN)
B. Convolutional Neural Network (CNN)
C. Deep Neural Network (DNN)
D. Generative Adversarial Network (GAN)
18. Trong bối cảnh của học máy, mục đích chính của việc sử dụng một hàm mất mát (loss function) là gì?
A. Để chuẩn hóa dữ liệu đầu vào.
B. Để đo lường sự khác biệt giữa dự đoán của mô hình và giá trị thực tế.
C. Để tăng tốc độ huấn luyện mô hình.
D. Để giảm số lượng chiều của dữ liệu.
19. Trong học máy, `precision` và `recall` là gì và chúng liên quan đến nhau như thế nào?
A. Precision là tỷ lệ dự đoán đúng trên tổng số dự đoán, recall là tỷ lệ dự đoán đúng trên tổng số thực tế; chúng thường có sự đánh đổi lẫn nhau.
B. Precision là tỷ lệ dự đoán sai trên tổng số dự đoán, recall là tỷ lệ dự đoán sai trên tổng số thực tế; chúng luôn cùng tăng hoặc cùng giảm.
C. Precision là tỷ lệ dự đoán đúng trên tổng số thực tế, recall là tỷ lệ dự đoán đúng trên tổng số dự đoán; chúng độc lập với nhau.
D. Precision và recall đều là các biện pháp đánh giá hiệu suất mô hình hồi quy; chúng không liên quan đến nhau.
20. Thuật toán nào sau đây là một phương pháp học bán giám sát (semi-supervised learning)?
A. Support Vector Machine (SVM)
B. K-Nearest Neighbors (KNN)
C. Self-Training
D. Linear Regression
21. Trong ngữ cảnh của mạng nơ-ron, hàm kích hoạt (activation function) có vai trò gì?
A. Tính toán độ chính xác của mô hình.
B. Giới thiệu tính phi tuyến vào mạng nơ-ron.
C. Chuẩn hóa dữ liệu đầu vào.
D. Tối ưu hóa trọng số của các kết nối.
22. Trong học máy, `one-hot encoding` được sử dụng để làm gì?
A. Chuẩn hóa dữ liệu số.
B. Mã hóa dữ liệu phân loại thành dạng số.
C. Giảm chiều dữ liệu.
D. Tăng cường dữ liệu.
23. Trong học máy, `regularization` là gì và tại sao nó lại quan trọng?
A. Một kỹ thuật để tăng kích thước tập dữ liệu; quan trọng để cải thiện độ chính xác.
B. Một kỹ thuật để giảm overfitting; quan trọng để cải thiện khả năng khái quát hóa.
C. Một kỹ thuật để tăng tốc độ huấn luyện; quan trọng để giảm thời gian tính toán.
D. Một kỹ thuật để chuẩn hóa dữ liệu; quan trọng để đảm bảo tính nhất quán.
24. Trong học máy, khái niệm `bias-variance tradeoff` đề cập đến điều gì?
A. Sự cân bằng giữa tốc độ huấn luyện và độ chính xác.
B. Sự cân bằng giữa độ phức tạp của mô hình và khả năng khái quát hóa.
C. Sự cân bằng giữa kích thước tập dữ liệu huấn luyện và kích thước tập dữ liệu kiểm tra.
D. Sự cân bằng giữa độ chính xác và độ thu hồi.
25. Thuật toán nào sau đây là một phương pháp học tăng cường (ensemble learning)?
A. Support Vector Machine (SVM)
B. K-Nearest Neighbors (KNN)
C. Random Forest
D. Linear Regression
26. Trong học máy, `ROC curve` (Receiver Operating Characteristic curve) được sử dụng để làm gì?
A. Đánh giá hiệu suất của mô hình hồi quy.
B. Đánh giá hiệu suất của mô hình phân loại ở các ngưỡng khác nhau.
C. Giảm chiều dữ liệu.
D. Chuẩn hóa dữ liệu.
27. Trong học máy, `gradient descent` là gì và nó được sử dụng để làm gì?
A. Một phương pháp để giảm chiều dữ liệu; được sử dụng để tăng tốc độ huấn luyện.
B. Một thuật toán tối ưu hóa; được sử dụng để tìm giá trị nhỏ nhất của hàm mất mát.
C. Một phương pháp để chuẩn hóa dữ liệu; được sử dụng để cải thiện độ chính xác.
D. Một kỹ thuật để đánh giá hiệu suất mô hình; được sử dụng để chọn mô hình tốt nhất.
28. Trong học máy, `cross-validation` được sử dụng để làm gì?
A. Tăng kích thước tập dữ liệu huấn luyện.
B. Đánh giá hiệu suất của mô hình trên dữ liệu chưa thấy.
C. Giảm số lượng chiều dữ liệu.
D. Cải thiện tốc độ huấn luyện mô hình.
29. Phương pháp học máy nào phù hợp nhất để phân loại email thành `spam` hoặc `không spam`?
A. K-Means Clustering
B. Linear Regression
C. Logistic Regression
D. Principal Component Analysis (PCA)
30. Phương pháp nào sau đây thường được sử dụng để xử lý dữ liệu không cân bằng (imbalanced data)?
A. Principal Component Analysis (PCA)
B. Oversampling (lấy mẫu quá mức) hoặc Undersampling (lấy mẫu dưới mức).
C. Regularization
D. Cross-validation
