15+ Đề Trắc nghiệm Tin học 12 Kết nối tri thức Bài 25: Làm quen với Học máy

Câu 1: Trong bối cảnh phát triển của trí tuệ nhân tạo (AI), Học máy (Machine Learning) đóng vai trò như thế nào?

• A. Là một nhánh độc lập, ít liên quan đến các lĩnh vực khác của AI.
• B. Là một lĩnh vực cốt lõi, cung cấp khả năng tự động học và ra quyết định cho hệ thống AI.
• C. Chỉ tập trung vào việc xử lý dữ liệu văn bản, không áp dụng cho hình ảnh hoặc âm thanh.
• D. Đóng vai trò thứ yếu, hỗ trợ các kỹ thuật lập trình truyền thống trong AI.

Câu 2: Để huấn luyện một mô hình Học máy nhận diện mèo và chó trong ảnh, loại dữ liệu nào sau đây là phù hợp nhất?

• A. Bộ sưu tập ảnh mèo và chó đã được gán nhãn "mèo" hoặc "chó" tương ứng.
• B. Bộ sưu tập lớn các ảnh động vật khác nhau, không phân loại hoặc gán nhãn.
• C. Các đoạn mã chương trình mô tả đặc điểm hình dạng của mèo và chó.
• D. Dữ liệu về môi trường sống và tập tính của mèo và chó trong tự nhiên.

Câu 3: Phương pháp Học máy nào thích hợp để phân nhóm khách hàng dựa trên hành vi mua sắm trực tuyến của họ mà không cần biết trước các nhóm khách hàng?

• A. Học tăng cường (Reinforcement Learning)
• B. Học có giám sát (Supervised Learning)
• C. Học không giám sát (Unsupervised Learning)
• D. Học sâu (Deep Learning)

Câu 4: Ứng dụng nào sau đây thể hiện rõ nhất vai trò của Học máy trong việc dự báo và phân tích xu hướng thị trường?

• A. Phần mềm soạn thảo văn bản tự động kiểm tra lỗi chính tả.
• B. Hệ thống quản lý cơ sở dữ liệu khách hàng của một cửa hàng.
• C. Công cụ tìm kiếm trên Internet, sắp xếp kết quả theo mức độ liên quan.
• D. Nền tảng giao dịch chứng khoán tự động, dự đoán biến động giá cổ phiếu.

Câu 5: Trong các bước xây dựng mô hình Học máy, giai đoạn nào tập trung vào việc lựa chọn thuật toán và điều chỉnh các tham số để mô hình học được từ dữ liệu?

• A. Thu thập và tiền xử lý dữ liệu
• B. Huấn luyện mô hình (Model Training)
• C. Đánh giá và kiểm thử mô hình
• D. Triển khai và ứng dụng mô hình

Câu 6: Công nghệ Học máy nào được sử dụng phổ biến trong các hệ thống trợ lý ảo (virtual assistants) như Siri, Google Assistant, để chuyển đổi giọng nói thành văn bản và hiểu lệnh?

• A. Nhận dạng chữ viết tay (Handwriting Recognition)
• B. Dịch máy tự động (Machine Translation)
• C. Nhận dạng tiếng nói (Speech Recognition)
• D. Phân tích cảm xúc văn bản (Sentiment Analysis)

Câu 7: Học máy có thể đóng góp vào việc cải thiện chất lượng dịch vụ khách hàng trong lĩnh vực thương mại điện tử như thế nào?

• A. Đề xuất sản phẩm cá nhân hóa cho từng khách hàng dựa trên lịch sử mua sắm và sở thích.
• B. Tự động tạo ra các báo cáo tài chính hàng quý cho doanh nghiệp.
• C. Tối ưu hóa quy trình quản lý kho hàng và vận chuyển sản phẩm.
• D. Phát triển các chiến dịch quảng cáo trên mạng xã hội dựa trên nhân khẩu học.

Câu 8: Để xây dựng một hệ thống lọc thư rác (spam filter) hiệu quả, Học máy cần học từ loại dữ liệu nào?

• A. Dữ liệu về địa chỉ IP và thông tin máy chủ gửi thư.
• B. Bộ sưu tập thư điện tử đã được gán nhãn "spam" hoặc "không spam".
• C. Danh sách các từ khóa thường xuất hiện trong thư quảng cáo.
• D. Thông tin cá nhân và lịch sử duyệt web của người dùng.

Câu 9: Học máy giúp tự động hóa các nhiệm vụ phức tạp như phân tích hình ảnh y tế (X-quang, CT scan) để hỗ trợ bác sĩ trong việc chẩn đoán bệnh. Lợi ích chính của ứng dụng này là gì?

• A. Giảm chi phí đầu tư vào trang thiết bị y tế hiện đại.
• B. Thay thế hoàn toàn vai trò của bác sĩ trong quá trình chẩn đoán.
• C. Tăng tốc độ và độ chính xác trong việc phân tích hình ảnh, hỗ trợ chẩn đoán sớm và chính xác hơn.
• D. Đơn giản hóa quy trình quản lý hồ sơ bệnh án điện tử.

Câu 10: Mô hình Học máy nào có thể được sử dụng để dự đoán khả năng một khách hàng có chấp nhận khoản vay từ ngân hàng hay không, dựa trên thông tin cá nhân và lịch sử tín dụng của họ?

• A. Mô hình phân cụm (Clustering Model)
• B. Mô hình giảm chiều dữ liệu (Dimensionality Reduction Model)
• C. Mô hình sinh dữ liệu (Generative Model)
• D. Mô hình phân loại (Classification Model)

Câu 11: Phát biểu nào sau đây mô tả đúng nhất cách thức hoạt động cơ bản của Học máy?

• A. Máy tính được lập trình sẵn các quy tắc và thuật toán cụ thể để giải quyết vấn đề.
• B. Máy tính tự học từ dữ liệu để nhận diện mẫu và đưa ra dự đoán hoặc quyết định mà không cần lập trình chi tiết.
• C. Máy tính sử dụng các cảm biến để thu thập thông tin từ môi trường và phản ứng một cách thụ động.
• D. Máy tính chỉ có thể thực hiện các nhiệm vụ đã được con người hướng dẫn từng bước một.

Câu 12: So sánh giữa Học có giám sát và Học không giám sát, điểm khác biệt chính nằm ở yếu tố nào?

• A. Sự hiện diện của dữ liệu có nhãn (labeled data) trong quá trình huấn luyện.
• B. Khả năng xử lý dữ liệu dạng số (numerical data) so với dữ liệu phi cấu trúc (unstructured data).
• C. Mức độ phức tạp của thuật toán và mô hình được sử dụng.
• D. Ứng dụng chủ yếu trong các lĩnh vực khoa học tự nhiên so với khoa học xã hội.

Câu 13: Trong bài toán nhận dạng khuôn mặt, Học máy được ứng dụng để làm gì?

• A. Tạo ra hình ảnh khuôn mặt mới dựa trên các đặc điểm đã học.
• B. Nén dữ liệu hình ảnh khuôn mặt để tiết kiệm dung lượng lưu trữ.
• C. Phân loại và xác định danh tính của người trong ảnh hoặc video.
• D. Chỉnh sửa và làm đẹp hình ảnh khuôn mặt tự động.

Câu 14: Xét tình huống một robot tự lái học cách di chuyển trong môi trường mới bằng cách thử nghiệm các hành động và nhận phản hồi (thưởng/phạt) từ môi trường. Đây là ví dụ điển hình của phương pháp Học máy nào?

• A. Học tăng cường (Reinforcement Learning)
• B. Học có giám sát (Supervised Learning)
• C. Học không giám sát (Unsupervised Learning)
• D. Học sâu (Deep Learning)

Câu 15: Để đánh giá hiệu quả của một mô hình Học máy phân loại văn bản, chúng ta thường sử dụng các chỉ số như độ chính xác (accuracy), độRecall (recall), độPrecision (precision). Các chỉ số này đo lường điều gì?

• A. Tốc độ huấn luyện và kích thước của mô hình.
• B. Mức độ phức tạp của thuật toán và yêu cầu phần cứng.
• C. Khả năng giải thích kết quả dự đoán của mô hình.
• D. Khả năng của mô hình trong việc dự đoán đúng và bỏ sót các trường hợp thuộc từng lớp (class).

Câu 16: Trong ứng dụng chẩn đoán bệnh bằng Học máy, dữ liệu đầu vào có thể bao gồm kết quả xét nghiệm, thông tin tiền sử bệnh án, và hình ảnh y tế. Dữ liệu này được gọi là gì?

• A. Nhãn dữ liệu (Data Labels)
• B. Đặc trưng dữ liệu (Data Features)
• C. Mô hình dữ liệu (Data Model)
• D. Siêu tham số (Hyperparameters)

Câu 17: Một công ty muốn xây dựng hệ thống tự động phát hiện gian lận trong giao dịch thẻ tín dụng. Học máy có thể giúp giải quyết vấn đề này như thế nào?

• A. Tự động mã hóa thông tin thẻ tín dụng để tăng cường bảo mật.
• B. Dự đoán xu hướng tăng giảm của lãi suất thẻ tín dụng.
• C. Phân tích lịch sử giao dịch và nhận diện các mẫu giao dịch bất thường, có dấu hiệu gian lận.
• D. Tối ưu hóa quy trình thanh toán trực tuyến bằng thẻ tín dụng.

Câu 18: Thuật ngữ "học sâu" (Deep Learning) đề cập đến một nhánh đặc biệt của Học máy, nổi bật với việc sử dụng cấu trúc nào?

• A. Cây quyết định (Decision Trees)
• B. Máy vector hỗ trợ (Support Vector Machines)
• C. Thuật toán K-means
• D. Mạng nơ-ron nhân tạo nhiều lớp (Deep Neural Networks)

Câu 19: Trong quá trình huấn luyện mô hình Học máy, việc chia dữ liệu thành tập huấn luyện (training set) và tập kiểm thử (test set) có mục đích gì?

• A. Tăng tốc độ huấn luyện mô hình bằng cách giảm lượng dữ liệu sử dụng.
• B. Đánh giá khả năng khái quát hóa (generalization) của mô hình trên dữ liệu mới, chưa từng được học.
• C. Giúp mô hình học được nhiều mẫu dữ liệu hơn bằng cách sử dụng toàn bộ dữ liệu.
• D. Đảm bảo tính bảo mật của dữ liệu huấn luyện bằng cách tách biệt dữ liệu kiểm thử.

Câu 20: Ưu điểm nổi bật của Học máy so với các phương pháp lập trình truyền thống là gì?

• A. Đòi hỏi ít kiến thức chuyên môn về lập trình hơn.
• B. Luôn đảm bảo độ chính xác tuyệt đối trong mọi tình huống.
• C. Khả năng tự động học hỏi và thích ứng với dữ liệu mới, thay vì cần lập trình lại khi có thay đổi.
• D. Chi phí triển khai và vận hành hệ thống thấp hơn đáng kể.

Câu 21: Để cải thiện độ chính xác của mô hình Học máy, một trong những phương pháp quan trọng là gì?

• A. Sử dụng lượng dữ liệu huấn luyện lớn và chất lượng cao.
• B. Giảm số lượng đặc trưng đầu vào để đơn giản hóa mô hình.
• C. Chọn thuật toán học máy phức tạp nhất có thể.
• D. Tăng tần suất cập nhật mô hình lên mức tối đa.

Câu 22: Trong Học máy, "overfitting" (quá khớp) là hiện tượng gì?

• A. Mô hình học quá chậm và không đạt được độ chính xác mong muốn.
• B. Mô hình hoạt động rất tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới.
• C. Mô hình không đủ khả năng học được các mẫu trong dữ liệu.
• D. Mô hình bị nhiễu bởi dữ liệu đầu vào không chính xác.

Câu 23: Ứng dụng nào sau đây KHÔNG phải là một ví dụ điển hình của Học máy?

• A. Hệ thống đề xuất phim và chương trình TV trực tuyến.
• B. Xe tự lái (autonomous vehicles).
• C. Phần mềm dịch ngôn ngữ.
• D. Chương trình bảng tính (spreadsheet software) như Microsoft Excel.

Câu 24: Vai trò của "thuật toán" (algorithm) trong Học máy là gì?

• A. Lưu trữ và quản lý dữ liệu huấn luyện.
• B. Hiển thị kết quả dự đoán của mô hình cho người dùng.
• C. Hướng dẫn máy tính cách học từ dữ liệu và xây dựng mô hình dự đoán.
• D. Đảm bảo tính bảo mật và toàn vẹn của dữ liệu.

Câu 25: Trong Học máy, "feature engineering" (kỹ thuật đặc trưng) là quá trình làm gì?

• A. Thu thập dữ liệu từ nhiều nguồn khác nhau.
• B. Chọn lọc, biến đổi và tạo ra các đặc trưng phù hợp từ dữ liệu thô để cải thiện hiệu suất mô hình.
• C. Chia dữ liệu thành tập huấn luyện và tập kiểm thử.
• D. Đánh giá và so sánh hiệu quả của các mô hình khác nhau.

Câu 26: Mô hình Học máy nào thường được sử dụng cho bài toán phân loại văn bản (text classification), ví dụ như phân loại email thành "quan trọng" hoặc "không quan trọng"?

• A. K-means Clustering
• B. Linear Regression
• C. Principal Component Analysis (PCA)
• D. Naive Bayes Classifier

Câu 27: Học máy có thể ứng dụng trong lĩnh vực giáo dục để cá nhân hóa trải nghiệm học tập cho học sinh như thế nào?

• A. Đề xuất nội dung học tập và lộ trình phù hợp với năng lực và sở thích của từng học sinh.
• B. Tự động chấm điểm bài kiểm tra trắc nghiệm.
• C. Thay thế giáo viên trong việc giảng dạy các môn học.
• D. Quản lý hồ sơ học bạ và thông tin cá nhân của học sinh.

Câu 28: Hạn chế nào của Học máy cần được lưu ý khi triển khai các ứng dụng trong thực tế?

• A. Chi phí đầu tư ban đầu quá cao.
• B. Mô hình có thể bị thiên vị (biased) nếu dữ liệu huấn luyện không đại diện hoặc chứa thành kiến.
• C. Khả năng xử lý dữ liệu thời gian thực còn hạn chế.
• D. Yêu cầu phần cứng và phần mềm quá phức tạp.

Câu 29: Để giảm thiểu hiện tượng "overfitting" (quá khớp) trong quá trình huấn luyện mô hình Học máy, kỹ thuật nào sau đây có thể được áp dụng?

• A. Tăng kích thước tập dữ liệu huấn luyện lên gấp nhiều lần.
• B. Sử dụng mô hình phức tạp hơn với nhiều tham số.
• C. Áp dụng kỹ thuật регуляризація (Regularization) để đơn giản hóa mô hình.
• D. Giảm số lượng vòng lặp huấn luyện (epochs).

Câu 30: Trong tương lai, Học máy được dự đoán sẽ có tác động lớn nhất đến lĩnh vực nào?

• A. Sản xuất công nghiệp nặng.
• B. Nông nghiệp truyền thống.
• C. Khai thác tài nguyên thiên nhiên.
• D. Hầu hết các lĩnh vực của đời sống xã hội, từ kinh tế, y tế, giáo dục đến giao thông vận tải và giải trí.

Câu 1: Một công ty thương mại điện tử muốn phân loại các sản phẩm mới được tải lên website vào các danh mục có sẵn (ví dụ: "Điện thoại", "Laptop", "Phụ kiện"). Công ty có sẵn một lượng lớn dữ liệu về các sản phẩm cũ đã được gán nhãn danh mục chính xác. Phương pháp học máy nào phù hợp nhất để xây dựng hệ thống phân loại tự động cho sản phẩm mới?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Học sâu (Deep Learning)

Câu 2: Trong bài toán phân loại sản phẩm ở Câu 1, dữ liệu "sản phẩm cũ đã được gán nhãn danh mục chính xác" đóng vai trò gì trong quá trình huấn luyện mô hình học máy?

• A. Dữ liệu kiểm thử (Test data)
• B. Dữ liệu không có nhãn (Unlabeled data)
• C. Dữ liệu huấn luyện có nhãn (Labeled training data)
• D. Dữ liệu nhiễu (Noise data)

Câu 3: Bạn đang xây dựng một hệ thống đề xuất phim cho người dùng dựa trên lịch sử xem của họ. Hệ thống cần nhóm những người dùng có sở thích xem phim tương tự nhau lại với nhau để đưa ra gợi ý phù hợp. Bạn không có sẵn nhãn về "nhóm sở thích" của người dùng. Phương pháp học máy nào phù hợp nhất cho nhiệm vụ này?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Học bán giám sát (Semi-supervised Learning)

Câu 4: Sự khác biệt cốt lõi giữa Học có giám sát và Học không giám sát nằm ở yếu tố nào?

• A. Tốc độ xử lý dữ liệu
• B. Độ phức tạp của thuật toán
• C. Lĩnh vực ứng dụng
• D. Sự có sẵn của dữ liệu có nhãn

Câu 5: Một thuật toán học máy được huấn luyện để phân biệt hình ảnh "chó" và "mèo". Sau khi huấn luyện, bạn đưa một hình ảnh mới (chưa từng thấy) vào mô hình và mô hình dự đoán đó là "chó". Quá trình này được gọi là gì?

• A. Dự đoán (Prediction) hoặc Suy luận (Inference)
• B. Huấn luyện (Training)
• C. Tiền xử lý dữ liệu (Data Preprocessing)
• D. Đánh giá mô hình (Model Evaluation)

Câu 6: Một trong những ứng dụng phổ biến nhất của Học có giám sát là giải quyết bài toán "Hồi quy" (Regression). Bài toán hồi quy là gì?

• A. Phân loại dữ liệu vào các nhóm rời rạc.
• B. Tìm kiếm cấu trúc ẩn trong dữ liệu không có nhãn.
• C. Dự đoán một giá trị đầu ra liên tục (ví dụ: giá nhà, nhiệt độ).
• D. Tìm ra chuỗi hành động tối ưu thông qua tương tác và phần thưởng.

Câu 7: Giả sử bạn có một tập dữ liệu về các email, mỗi email được gán nhãn là "thư rác" hoặc "không phải thư rác". Bạn sử dụng dữ liệu này để huấn luyện một mô hình có khả năng tự động phân loại email mới. Đây là ví dụ điển hình của loại bài toán học máy nào?

• A. Bài toán Hồi quy
• B. Bài toán Phân loại (Classification)
• C. Bài toán Phân cụm (Clustering)
• D. Bài toán Giảm chiều dữ liệu (Dimensionality Reduction)

Câu 8: Một hệ thống học máy được sử dụng để phát hiện các giao dịch thẻ tín dụng bất thường, có khả năng là gian lận. Hệ thống được huấn luyện trên dữ liệu giao dịch thông thường và tìm kiếm các mẫu khác biệt đáng kể so với các giao dịch bình thường. Đây là một ứng dụng của phương pháp học máy nào?

• A. Học có giám sát (để phân loại "gian lận"/"không gian lận" khi có đủ dữ liệu gian lận được gán nhãn)
• B. Học không giám sát (để phát hiện sự bất thường/ngoại lai so với mẫu chuẩn)
• C. Học tăng cường (để hệ thống tự học cách phát hiện gian lận qua thử nghiệm)
• D. Tất cả các phương pháp trên đều có thể được áp dụng tùy cách tiếp cận

Câu 9: Trong học máy, "đặc trưng" (features) của dữ liệu là gì?

• A. Kết quả dự đoán của mô hình.
• B. Thuật toán được sử dụng để huấn luyện mô hình.
• C. Các thuộc tính, đặc điểm hoặc biến độc lập của đối tượng dữ liệu được sử dụng để huấn luyện mô hình.
• D. Nhãn hoặc giá trị đích mà mô hình cần dự đoán.

Câu 10: Tại sao việc chuẩn bị và làm sạch dữ liệu (Data Preprocessing) lại là một bước quan trọng trong quy trình xây dựng mô hình học máy?

• A. Để giảm số lượng dữ liệu cần xử lý, tiết kiệm thời gian.
• B. Để đảm bảo dữ liệu chỉ chứa các giá trị số.
• C. Để làm cho dữ liệu dễ hiểu hơn đối với con người.
• D. Để loại bỏ nhiễu, xử lý dữ liệu thiếu, định dạng lại dữ liệu, giúp mô hình học tốt hơn và đưa ra dự đoán chính xác hơn.

Câu 11: Khi huấn luyện một mô hình học có giám sát, mục tiêu chính của mô hình là gì?

• A. Học mối quan hệ giữa các đặc trưng đầu vào và nhãn/giá trị đích đầu ra.
• B. Tìm kiếm các nhóm dữ liệu tương đồng.
• C. Giảm số lượng đặc trưng của dữ liệu.
• D. Tự động tạo ra dữ liệu huấn luyện mới.

Câu 12: Bạn thu thập dữ liệu về hàng nghìn bài báo khoa học và muốn phân loại chúng thành các chủ đề chính (ví dụ: Vật lý, Hóa học, Sinh học, Tin học). Bạn có một số lượng nhỏ bài báo đã được phân loại sẵn, nhưng phần lớn thì chưa. Phương pháp học máy nào có thể hữu ích trong trường hợp này để tận dụng cả dữ liệu có nhãn và không có nhãn?

• A. Chỉ sử dụng Học có giám sát với lượng dữ liệu có nhãn ít ỏi.
• B. Chỉ sử dụng Học không giám sát để phân cụm, sau đó gán nhãn thủ công cho các cụm.
• C. Học tăng cường.
• D. Học bán giám sát (Semi-supervised Learning) hoặc kết hợp Học có giám sát và Học không giám sát.

Câu 13: Một robot hút bụi cần học cách di chuyển trong một căn phòng để làm sạch hiệu quả nhất, tránh chướng ngại vật và tìm đường về dock sạc. Robot học thông qua việc nhận "phần thưởng" khi hoàn thành tốt nhiệm vụ và "phạt" khi mắc lỗi. Đây là ví dụ về phương pháp học máy nào?

• A. Học có giám sát
• B. Học không giám sát
• C. Học tăng cường (Reinforcement Learning)
• D. Học chuyển giao (Transfer Learning)

Câu 14: Đâu là một thách thức lớn khi áp dụng Học có giám sát trong thực tế?

• A. Việc thu thập và gán nhãn cho một lượng lớn dữ liệu có thể rất tốn kém và mất thời gian.
• B. Mô hình học có giám sát không thể đưa ra dự đoán cho dữ liệu mới.
• C. Các thuật toán học có giám sát thường quá đơn giản và không đủ mạnh.
• D. Không có đủ các thuật toán học có giám sát để lựa chọn.

Câu 15: Mục tiêu chính của bài toán Phân cụm (Clustering) trong Học không giám sát là gì?

• A. Dự đoán giá trị chính xác cho từng điểm dữ liệu.
• B. Chia tập dữ liệu thành các nhóm (cụm) sao cho các điểm trong cùng một nhóm thì tương đồng nhau hơn các điểm ở các nhóm khác.
• C. Tìm ra quy tắc liên kết giữa các đặc trưng.
• D. Xác định xem một điểm dữ liệu có thuộc một nhóm cụ thể hay không.

Câu 16: Học máy được xem là một lĩnh vực của Trí tuệ nhân tạo (AI) vì lý do nào sau đây?

• A. Học máy sử dụng các ngôn ngữ lập trình giống như AI.
• B. Học máy chỉ tập trung vào việc xử lý ngôn ngữ tự nhiên, giống như một số ứng dụng của AI.
• C. Học máy cho phép máy tính thực hiện các nhiệm vụ mà thông thường đòi hỏi trí thông minh của con người, thông qua việc học hỏi từ dữ liệu.
• D. Học máy là thuật ngữ mới thay thế cho Trí tuệ nhân tạo.

Câu 17: Khi mô hình học máy hoạt động kém hiệu quả trên dữ liệu mới mặc dù cho kết quả rất tốt trên dữ liệu huấn luyện, hiện tượng này thường được gọi là gì?

• A. Quá khớp (Overfitting)
• B. Thiếu khớp (Underfitting)
• C. Tiền xử lý dữ liệu (Data Preprocessing)
• D. Phân cụm (Clustering)

Câu 18: Một nhà khoa học dữ liệu đang làm việc với một tập dữ liệu có 1000 đặc trưng cho mỗi đối tượng. Việc này gây khó khăn trong việc huấn luyện mô hình và có thể làm giảm hiệu suất. Kỹ thuật học không giám sát nào có thể giúp giải quyết vấn đề này bằng cách giảm số lượng đặc trưng xuống còn một tập con quan trọng?

• A. Phân loại (Classification)
• B. Hồi quy (Regression)
• C. Phân cụm (Clustering)
• D. Giảm chiều dữ liệu (Dimensionality Reduction)

Câu 19: Hãy phân tích tình huống sau: Một bệnh viện muốn sử dụng học máy để dự đoán khả năng tái nhập viện của bệnh nhân dựa trên hồ sơ bệnh án của họ. Dữ liệu lịch sử bệnh nhân có sẵn bao gồm các thông tin như tuổi, giới tính, chẩn đoán ban đầu, thời gian nằm viện, các xét nghiệm, và trường hợp tái nhập viện (Có/Không). Đây là bài toán học máy loại gì và thuộc phương pháp nào?

• A. Bài toán Phân loại, thuộc phương pháp Học có giám sát.
• B. Bài toán Hồi quy, thuộc phương pháp Học có giám sát.
• C. Bài toán Phân cụm, thuộc phương pháp Học không giám sát.
• D. Bài toán Giảm chiều dữ liệu, thuộc phương pháp Học không giám sát.

Câu 20: Đâu là một ví dụ về ứng dụng của Học máy trong lĩnh vực xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP)?

• A. Phân tích dữ liệu cảm biến từ thiết bị IoT.
• B. Điều khiển cánh tay robot trong dây chuyền sản xuất.
• C. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.
• D. Dự báo nhu cầu năng lượng của một tòa nhà.

Câu 21: Để một mô hình Học có giám sát hoạt động hiệu quả, điều kiện tiên quyết quan trọng nhất về dữ liệu là gì?

• A. Dữ liệu phải có kích thước rất nhỏ.
• B. Dữ liệu huấn luyện phải có nhãn chính xác cho đầu ra mong muốn.
• C. Dữ liệu phải được thu thập từ một nguồn duy nhất.
• D. Dữ liệu phải chỉ chứa các giá trị rời rạc.

Câu 22: Một trong những lợi ích chính của việc sử dụng Học máy so với lập trình truyền thống (dựa trên các quy tắc rõ ràng) là gì?

• A. Học máy luôn cho kết quả chính xác 100%.
• B. Học máy không cần dữ liệu đầu vào.
• C. Học máy chỉ hoạt động với các bài toán đơn giản.
• D. Học máy cho phép hệ thống tự động cải thiện hiệu suất và thích ứng với dữ liệu mới mà không cần thay đổi code thủ công phức tạp, đặc biệt với các bài toán phức tạp hoặc dữ liệu thay đổi liên tục.

Câu 23: Bạn có một tập dữ liệu hình ảnh khuôn mặt và muốn tìm kiếm các khuôn mặt tương đồng nhau để nhóm chúng lại. Bạn không biết trước số lượng nhóm hay danh tính của người trong ảnh. Đây là một bài toán phù hợp với phương pháp học máy nào?

• A. Học có giám sát
• B. Học không giám sát (Phân cụm)
• C. Học tăng cường
• D. Học bán giám sát

Câu 24: Trong quy trình xây dựng mô hình học máy, bước nào thường được thực hiện sau khi mô hình đã được huấn luyện để đánh giá hiệu suất của nó trên dữ liệu chưa từng thấy?

• A. Thu thập dữ liệu
• B. Tiền xử lý dữ liệu
• C. Đánh giá mô hình (Model Evaluation)
• D. Triển khai mô hình (Model Deployment)

Câu 25: Giả sử bạn muốn xây dựng một hệ thống AI chơi cờ vua. Hệ thống cần học cách đưa ra nước đi tốt nhất trong mọi tình huống dựa trên kết quả của ván cờ (thắng/thua). Đây là một ví dụ điển hình của phương pháp học máy nào?

• A. Học có giám sát (phân loại nước đi)
• B. Học không giám sát (phân cụm thế cờ)
• C. Học tăng cường (học qua tương tác và kết quả)
• D. Học bán giám sát

Câu 26: Khả năng "tổng quát hóa" (generalization) của mô hình học máy đề cập đến điều gì?

• A. Khả năng của mô hình đưa ra dự đoán chính xác trên dữ liệu mới, chưa từng thấy trong quá trình huấn luyện.
• B. Khả năng mô hình hoạt động tốt trên dữ liệu huấn luyện.
• C. Khả năng mô hình giải thích được cách nó đưa ra dự đoán.
• D. Khả năng mô hình hoạt động nhanh chóng.

Câu 27: Một ngân hàng muốn phân tích dữ liệu khách hàng để xác định các phân khúc khách hàng khác nhau dựa trên hành vi giao dịch, thu nhập, và nhân khẩu học mà không có bất kỳ tiêu chí phân loại khách hàng nào được định nghĩa trước. Mục tiêu là để hiểu rõ hơn về cơ sở khách hàng của mình. Phương pháp học máy nào phù hợp nhất?

• A. Học có giám sát (Phân loại)
• B. Học không giám sát (Phân cụm)
• C. Học tăng cường
• D. Học bán giám sát

Câu 28: Đâu là một hạn chế tiềm ẩn khi chỉ dựa vào các mô hình Học không giám sát?

• A. Kết quả thường khó diễn giải hoặc không trực tiếp đưa ra dự đoán về một giá trị/nhãn cụ thể mong muốn.
• B. Các thuật toán học không giám sát yêu cầu lượng lớn dữ liệu có nhãn.
• C. Học không giám sát chỉ có thể áp dụng cho dữ liệu hình ảnh.
• D. Học không giám sát luôn dẫn đến hiện tượng quá khớp.

Câu 29: Một ứng dụng di động cho phép người dùng chụp ảnh món ăn và xác định loại món ăn đó (ví dụ: Phở, Bún chả, Cơm rang). Để xây dựng tính năng này, nhà phát triển cần một mô hình học máy có khả năng nhận dạng hình ảnh. Họ có một tập dữ liệu lớn các hình ảnh món ăn đã được gán nhãn loại món ăn tương ứng. Đây là một ví dụ về bài toán và phương pháp học máy nào?

• A. Bài toán Hồi quy, phương pháp Học không giám sát.
• B. Bài toán Phân cụm, phương pháp Học không giám sát.
• C. Bài toán Hồi quy, phương pháp Học có giám sát.
• D. Bài toán Phân loại, phương pháp Học có giám sát.

Câu 30: Bạn đang phân tích một mô hình học máy và nhận thấy rằng nó có độ chính xác rất cao trên tập dữ liệu huấn luyện nhưng lại cho kết quả rất tệ trên tập dữ liệu kiểm thử. Điều này cho thấy mô hình có thể đang gặp vấn đề gì?

• A. Quá khớp (Overfitting) dữ liệu huấn luyện.
• B. Thiếu khớp (Underfitting) dữ liệu huấn luyện.
• C. Dữ liệu huấn luyện và kiểm thử quá giống nhau.
• D. Mô hình quá đơn giản.

Câu 1: Một hệ thống được xây dựng để dự đoán giá nhà dựa trên các yếu tố như diện tích, số phòng ngủ, vị trí, và giá bán thực tế của các ngôi nhà tương tự trong quá khứ. Dữ liệu giá bán thực tế đã được thu thập và gắn kèm với thông tin chi tiết của từng ngôi nhà. Phương pháp học máy nào phù hợp nhất để xây dựng hệ thống này?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Học sâu (Deep Learning)

Câu 2: Một công ty thương mại điện tử muốn phân nhóm khách hàng của mình thành các nhóm khác nhau dựa trên hành vi mua sắm của họ (lịch sử mua hàng, tần suất mua, giá trị đơn hàng, v.v.) mà không có bất kỳ nhãn hay phân loại khách hàng nào từ trước. Mục đích là để tạo ra các chiến dịch tiếp thị cá nhân hóa cho từng nhóm. Đây là ứng dụng điển hình của phương pháp học máy nào?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Học bán giám sát (Semi-supervised Learning)

Câu 3: Trong bài toán phân loại thư điện tử thành "thư rác" và "không phải thư rác", mô hình học máy được huấn luyện trên một tập dữ liệu gồm các email đã được gán nhãn rõ ràng ("spam" hoặc "ham"). Sau khi huấn luyện, mô hình có thể tự động phân loại các email mới. Quá trình này minh họa cho đặc điểm nào của học máy?

• A. Khả năng xử lý dữ liệu không có cấu trúc.
• B. Tìm kiếm cấu trúc ẩn trong dữ liệu không có nhãn.
• C. Học từ dữ liệu có nhãn để đưa ra dự đoán/phân loại cho dữ liệu mới.
• D. Ra quyết định dựa trên tương tác và phản hồi từ môi trường.

Câu 4: Dữ liệu có nhãn (labeled data) đóng vai trò quan trọng nhất trong phương pháp học máy nào sau đây?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Tất cả các phương pháp trên đều sử dụng dữ liệu có nhãn như nhau.

Câu 5: Một robot tự hành đang học cách di chuyển trong một mê cung. Robot nhận được "phần thưởng" khi di chuyển đúng hướng và "phạt" khi đi sai hoặc đâm vào tường. Mục tiêu của robot là học cách tối đa hóa tổng phần thưởng nhận được qua các lần thử. Đây là ví dụ về loại học máy nào?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Học bán giám sát (Semi-supervised Learning)

Câu 6: Ứng dụng học máy nào sau đây chủ yếu dựa vào khả năng phân tích và nhận diện các mẫu phức tạp trong dữ liệu hình ảnh hoặc âm thanh, thường sử dụng các mạng nơ-ron nhiều lớp?

• A. Phân tích thị trường (Market Analysis)
• B. Hệ thống gợi ý sản phẩm (Recommendation Systems)
• C. Lọc thư rác (Spam Filtering)
• D. Nhận dạng hình ảnh và tiếng nói (Image and Speech Recognition)

Câu 7: Khi xây dựng mô hình học máy để chẩn đoán bệnh dựa trên kết quả xét nghiệm, hình ảnh y tế (như X-quang, MRI) và triệu chứng của bệnh nhân, dữ liệu đầu vào thường cần được chuẩn bị và làm sạch cẩn thận. Bước này thuộc giai đoạn nào trong quy trình phát triển mô hình học máy?

• A. Huấn luyện mô hình (Model Training)
• B. Thu thập và tiền xử lý dữ liệu (Data Collection and Preprocessing)
• C. Đánh giá mô hình (Model Evaluation)
• D. Triển khai mô hình (Model Deployment)

Câu 8: Sau khi huấn luyện một mô hình học máy, cần phải đánh giá hiệu suất của nó trên một tập dữ liệu riêng biệt (tập kiểm tra). Mục đích chính của việc đánh giá này là gì?

• A. Giúp mô hình học thêm từ dữ liệu mới.
• B. Điều chỉnh các tham số của mô hình trong quá trình huấn luyện.
• C. Ước lượng khả năng tổng quát hóa của mô hình trên dữ liệu chưa từng thấy.
• D. Xác định loại dữ liệu cần thu thập thêm.

Câu 9: Một trong những thách thức lớn nhất khi áp dụng học máy trong thực tế, đặc biệt là với các phương pháp học có giám sát, là gì?

• A. Khả năng tính toán của máy tính hiện tại quá chậm.
• B. Thiếu các thuật toán học máy hiệu quả.
• C. Khó khăn trong việc thu thập đủ dữ liệu không có nhãn.
• D. Nhu cầu về lượng lớn dữ liệu có nhãn chất lượng cao để huấn luyện.

Câu 10: Hệ thống gợi ý sản phẩm trên các trang thương mại điện tử (ví dụ: "Những sản phẩm bạn có thể thích") thường sử dụng học máy để phân tích hành vi của người dùng và các sản phẩm. Đây là ứng dụng của học máy nhằm mục đích gì?

• A. Chẩn đoán lỗi hệ thống.
• B. Cá nhân hóa trải nghiệm người dùng và tăng doanh số.
• C. Tự động sửa lỗi chính tả.
• D. Nhận dạng giọng nói của khách hàng.

Câu 11: Một nhà nghiên cứu đang cố gắng tìm kiếm các nhóm gen có cấu trúc tương tự trong một tập dữ liệu lớn về trình tự gen, mà không biết trước số lượng hay đặc điểm của các nhóm này. Kỹ thuật học máy nào phù hợp nhất cho nhiệm vụ này?

• A. Phân loại (Classification)
• B. Phân cụm (Clustering)
• C. Hồi quy (Regression)
• D. Học tăng cường (Reinforcement Learning)

Câu 12: Trong học có giám sát, nếu mục tiêu là dự đoán một giá trị số liên tục (ví dụ: nhiệt độ ngày mai, giá cổ phiếu), thì bài toán đó được gọi là gì?

• A. Bài toán phân loại (Classification Problem)
• B. Bài toán phân cụm (Clustering Problem)
• C. Bài toán hồi quy (Regression Problem)
• D. Bài toán giảm chiều dữ liệu (Dimensionality Reduction Problem)

Câu 13: Nếu mục tiêu của bài toán học máy là gán một đối tượng vào một trong các lớp (danh mục) được xác định trước (ví dụ: email là "spam" hay "không spam", ảnh là "mèo" hay "chó"), thì đó là loại bài toán nào trong học có giám sát?

• A. Bài toán phân loại (Classification Problem)
• B. Bài toán hồi quy (Regression Problem)
• C. Bài toán phân cụm (Clustering Problem)
• D. Bài toán phát hiện bất thường (Anomaly Detection Problem)

Câu 14: Học sâu (Deep Learning) là một lĩnh vực con của học máy, đặc biệt hiệu quả trong việc xử lý các loại dữ liệu nào?

• A. Chỉ dữ liệu dạng bảng có cấu trúc.
• B. Chỉ dữ liệu số.
• C. Chỉ dữ liệu văn bản.
• D. Dữ liệu phức tạp như hình ảnh, âm thanh, văn bản, video.

Câu 15: Học tăng cường (Reinforcement Learning) khác biệt đáng kể so với học có giám sát và không giám sát ở điểm nào?

• A. Nó yêu cầu dữ liệu có nhãn rất chi tiết.
• B. Nó chỉ hoạt động với dữ liệu số.
• C. Nó học thông qua tương tác với môi trường và nhận phản hồi (phần thưởng/phạt).
• D. Nó chỉ được sử dụng để phân cụm dữ liệu.

Câu 16: Quá trình một mô hình học máy điều chỉnh các tham số nội bộ của nó dựa trên dữ liệu huấn luyện để giảm thiểu sai số dự đoán được gọi là gì?

• A. Huấn luyện (Training)
• B. Đánh giá (Evaluation)
• C. Triển khai (Deployment)
• D. Tiền xử lý (Preprocessing)

Câu 17: Một tập dữ liệu chứa thông tin về các giao dịch thẻ tín dụng, bao gồm số tiền, thời gian, địa điểm và loại mặt hàng mua. Mục tiêu là xây dựng một hệ thống tự động phát hiện các giao dịch bất thường (gian lận). Dữ liệu huấn luyện không có nhãn "gian lận" hay "không gian lận". Phương pháp học máy nào có thể được sử dụng cho bài toán này?

• A. Học có giám sát (ví dụ: Phân loại)
• B. Học không giám sát (ví dụ: Phát hiện bất thường)
• C. Học tăng cường
• D. Học bán giám sát

Câu 18: Tại sao việc "làm sạch" dữ liệu (xử lý giá trị thiếu, loại bỏ nhiễu, xử lý định dạng sai) lại là bước cực kỳ quan trọng trước khi huấn luyện mô hình học máy?

• A. Để giảm kích thước của tập dữ liệu.
• B. Để làm cho quá trình huấn luyện nhanh hơn.
• C. Dữ liệu "bẩn" có thể dẫn đến mô hình kém chính xác, thiên lệch hoặc không thể huấn luyện được.
• D. Chỉ cần thiết cho các mô hình học không giám sát.

Câu 19: Khi một mô hình học máy hoạt động rất tốt trên dữ liệu huấn luyện nhưng lại kém hiệu quả trên dữ liệu kiểm tra (chưa từng thấy), hiện tượng này được gọi là gì?

• A. Quá khớp (Overfitting)
• B. Dưới khớp (Underfitting)
• C. Phân cụm (Clustering)
• D. Giảm chiều dữ liệu (Dimensionality Reduction)

Câu 20: Mục tiêu của việc sử dụng tập dữ liệu kiểm tra (test set) riêng biệt với tập dữ liệu huấn luyện (training set) là để:

• A. Giảm thời gian huấn luyện mô hình.
• B. Cung cấp thêm dữ liệu để mô hình học.
• C. Điều chỉnh các siêu tham số của mô hình.
• D. Đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới, độc lập.

Câu 21: Học máy có thể được coi là một công cụ mạnh mẽ để xử lý "dữ liệu lớn" (Big Data) vì lý do nào sau đây?

• A. Nó làm giảm kích thước của dữ liệu lớn.
• B. Nó chỉ yêu cầu một lượng nhỏ dữ liệu để hoạt động.
• C. Nó có khả năng tự động tìm kiếm các mẫu, xu hướng và thông tin hữu ích trong các tập dữ liệu khổng lồ và phức tạp.
• D. Nó thay thế hoàn toàn nhu cầu phân tích dữ liệu truyền thống.

Câu 22: Trong bài toán nhận dạng chữ viết tay, dữ liệu đầu vào cho mô hình học máy thường là gì?

• A. Tệp âm thanh của người viết.
• B. Hình ảnh hoặc biểu diễn số hóa của chữ viết tay.
• C. Mô tả bằng văn bản về chữ viết tay.
• D. Tọa độ GPS nơi chữ viết được tạo ra.

Câu 23: Hệ thống dịch tự động sử dụng học máy hoạt động dựa trên nguyên tắc chính nào?

• A. Phân tích và học các mẫu quan hệ giữa các ngôn ngữ từ các cặp câu/đoạn văn đã được dịch.
• B. Tra từ điển từng từ một và ghép lại theo cấu trúc câu của ngôn ngữ đích.
• C. Chỉ dựa vào ngữ pháp của ngôn ngữ nguồn.
• D. Yêu cầu người dùng nhập các quy tắc dịch cho từng câu.

Câu 24: Giả sử bạn đang xây dựng một mô hình học máy để dự đoán liệu một sinh viên có khả năng đỗ đại học hay không dựa trên điểm trung bình học tập, điểm thi thử, hoạt động ngoại khóa, v.v. Đây là một bài toán thuộc loại nào?

• A. Phân loại nhị phân (Binary Classification)
• B. Hồi quy (Regression)
• C. Phân cụm (Clustering)
• D. Phát hiện bất thường (Anomaly Detection)

Câu 25: Phát biểu nào sau đây mô tả đúng nhất về mục tiêu cuối cùng của học máy?

• A. Làm cho máy tính hiểu được cảm xúc con người.
• B. Thay thế hoàn toàn con người trong mọi công việc.
• C. Chỉ giải quyết các bài toán toán học phức tạp.
• D. Xây dựng các hệ thống có khả năng học từ dữ liệu để cải thiện hiệu suất theo thời gian mà không cần lập trình tường minh cho mọi tác vụ.

Câu 26: Trong học máy, khái niệm "đặc trưng" (feature) của dữ liệu dùng để chỉ điều gì?

• A. Kết quả dự đoán của mô hình.
• B. Các thuộc tính, đặc điểm hoặc biến độc lập được sử dụng làm đầu vào cho mô hình.
• C. Thuật toán được sử dụng để huấn luyện mô hình.
• D. Tập dữ liệu dùng để kiểm tra mô hình.

Câu 27: Một công ty muốn phân tích các bài đánh giá sản phẩm của khách hàng (dạng văn bản) để xác định xem đánh giá đó là tích cực, tiêu cực hay trung lập. Đây là một ví dụ về ứng dụng học máy trong lĩnh vực nào?

• A. Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP)
• B. Thị giác máy tính (Computer Vision)
• C. Hệ thống gợi ý (Recommendation Systems)
• D. Phát hiện bất thường (Anomaly Detection)

Câu 28: Học máy có thể được ứng dụng để tạo ra các chatbot tương tác với người dùng. Chức năng chính mà học máy hỗ trợ trong trường hợp này là gì?

• A. Thiết kế giao diện đồ họa cho chatbot.
• B. Quản lý cơ sở dữ liệu người dùng.
• C. Hiểu ngôn ngữ tự nhiên của người dùng và tạo ra phản hồi phù hợp.
• D. Đảm bảo tốc độ kết nối mạng ổn định.

Câu 29: Giả sử bạn có một tập dữ liệu về các giao dịch chứng khoán trong quá khứ và muốn xây dựng một mô hình để dự đoán liệu giá của một loại cổ phiếu cụ thể sẽ tăng hay giảm vào ngày mai. Đây là bài toán học máy thuộc loại nào?

• A. Phân loại (Classification)
• B. Hồi quy (Regression)
• C. Phân cụm (Clustering)
• D. Giảm chiều dữ liệu (Dimensionality Reduction)

Câu 30: Một trong những lợi ích chính của việc sử dụng học máy so với lập trình truyền thống cho các bài toán phức tạp (như nhận dạng hình ảnh) là gì?

• A. Học máy luôn cho kết quả chính xác 100%.
• B. Học máy cho phép hệ thống tự động học các mẫu và quy tắc từ dữ liệu, điều mà rất khó hoặc không thể lập trình tường minh bằng tay.
• C. Học máy không yêu cầu bất kỳ dữ liệu nào.
• D. Học máy chỉ hoạt động trên phần cứng máy tính thông thường.

Câu 1: Học máy (Machine Learning) được định nghĩa là một lĩnh vực thuộc trí tuệ nhân tạo (AI) cho phép máy tính có khả năng tự học từ dữ liệu. Đặc điểm cốt lõi nào phân biệt học máy với lập trình truyền thống dựa trên luật lệ tường minh?

• A. Học máy chỉ xử lý được dữ liệu số.
• B. Học máy xây dựng mô hình từ dữ liệu để đưa ra dự đoán hoặc quyết định mà không cần lập trình cụ thể cho mọi trường hợp.
• C. Học máy luôn yêu cầu sự can thiệp của con người trong quá trình ra quyết định cuối cùng.
• D. Học máy chỉ áp dụng cho các bài toán quá phức tạp mà con người không thể giải quyết.

Câu 2: Một công ty thương mại điện tử muốn phát triển hệ thống tự động phân loại email khách hàng gửi đến thành các nhóm như "Đơn hàng", "Hỗ trợ kỹ thuật", "Khiếu nại", dựa vào nội dung email. Để huấn luyện mô hình này, họ cần sử dụng một tập dữ liệu email đã được gán nhãn sẵn (ví dụ: email X được gán nhãn "Đơn hàng"). Phương pháp học máy nào phù hợp nhất trong trường hợp này?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Học sâu (Deep Learning)

Câu 3: Một nhà khoa học dữ liệu đang nghiên cứu hành vi mua sắm của khách hàng tại một siêu thị. Ông muốn phân nhóm khách hàng thành các nhóm nhỏ hơn dựa trên các đặc điểm như tần suất mua hàng, tổng chi tiêu, loại sản phẩm yêu thích, mà không có bất kỳ định nghĩa trước nào về các nhóm này. Loại dữ liệu nào sẽ được sử dụng chủ yếu và phương pháp học máy nào là thích hợp?

• A. Dữ liệu có nhãn, Học có giám sát
• B. Dữ liệu có nhãn, Học không giám sát
• C. Dữ liệu không có nhãn, Học không giám sát
• D. Dữ liệu không có nhãn, Học có giám sát

Câu 4: Trong quá trình huấn luyện mô hình học có giám sát, dữ liệu đầu vào được sử dụng để làm gì?

• A. Để mô hình tự động tạo ra các nhãn mới.
• B. Để kiểm tra tốc độ xử lý của máy tính.
• C. Để mô hình tìm kiếm thông tin trên internet.
• D. Để mô hình học mối quan hệ giữa đặc điểm đầu vào và nhãn tương ứng.

Câu 5: Đâu là sự khác biệt cơ bản về mục tiêu giữa bài toán Phân loại (Classification) và bài toán Hồi quy (Regression) trong học có giám sát?

• A. Phân loại dự đoán giá trị số liên tục, Hồi quy dự đoán nhãn rời rạc.
• B. Phân loại dự đoán nhãn rời rạc (thuộc các lớp), Hồi quy dự đoán giá trị số liên tục.
• C. Phân loại sử dụng dữ liệu có nhãn, Hồi quy sử dụng dữ liệu không nhãn.
• D. Phân loại chỉ áp dụng cho hình ảnh, Hồi quy chỉ áp dụng cho văn bản.

Câu 6: Một ứng dụng phổ biến của học máy là hệ thống gợi ý sản phẩm (recommendation system) trên các nền tảng mua sắm trực tuyến. Hệ thống này phân tích lịch sử mua hàng, lượt xem sản phẩm, và đánh giá của người dùng để đề xuất các sản phẩm mà họ có thể quan tâm. Loại hình học máy nào thường được sử dụng trong các hệ thống gợi ý, đặc biệt là khi phân tích hành vi người dùng để tìm ra những người có sở thích tương đồng?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Chỉ có thể sử dụng Học tăng cường (Reinforcement Learning)
• D. Chỉ có thể sử dụng lập trình truyền thống

Câu 7: Một ngân hàng muốn sử dụng học máy để phát hiện các giao dịch bất thường, có khả năng là gian lận. Họ có một tập dữ liệu lớn về các giao dịch trong quá khứ, nhưng chỉ một phần rất nhỏ trong số đó được xác định là gian lận. Việc gán nhãn cho toàn bộ dữ liệu là rất tốn kém. Phương pháp học máy nào có thể giúp xác định các giao dịch đáng ngờ dựa trên sự khác biệt so với "hành vi bình thường" của các giao dịch?

• A. Học có giám sát (Supervised Learning) vì cần phân loại gian lận/không gian lận.
• B. Học không giám sát (Unsupervised Learning) để phát hiện ngoại lai (outliers).
• C. Học tăng cường (Reinforcement Learning) để tối ưu hóa lợi nhuận.
• D. Chỉ có thể dùng phương pháp thống kê truyền thống.

Câu 8: Tại sao chất lượng và số lượng của dữ liệu huấn luyện lại đóng vai trò quan trọng đối với hiệu suất của mô hình học máy?

• A. Dữ liệu chất lượng cao giúp mô hình học nhanh hơn, còn số lượng không quan trọng.
• B. Số lượng dữ liệu lớn luôn đảm bảo mô hình chính xác, bất kể chất lượng.
• C. Dữ liệu chất lượng giúp mô hình học được các mẫu hình đúng đắn, còn số lượng đủ lớn giúp mô hình khái quát hóa tốt trên dữ liệu mới.
• D. Chất lượng dữ liệu chỉ quan trọng trong học không giám sát.

Câu 9: Một trong những ứng dụng nổi bật của học máy là xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP). Ứng dụng NLP nào sau đây không phải là ví dụ trực tiếp của việc sử dụng học máy để hiểu hoặc tạo ra ngôn ngữ?

• A. Dịch tự động văn bản từ ngôn ngữ này sang ngôn ngữ khác.
• B. Phân tích cảm xúc của đoạn văn bản (tích cực, tiêu cực, trung lập).
• C. Tóm tắt tự động nội dung của một bài báo dài.
• D. Thay đổi định dạng của một tệp văn bản từ .docx sang .pdf.

Câu 10: Giả sử bạn muốn xây dựng một hệ thống học máy để dự đoán giá nhà dựa trên các yếu tố như diện tích, số phòng ngủ, vị trí, v.v. Bạn có một tập dữ liệu về các ngôi nhà đã bán trong quá khứ, bao gồm cả giá bán cuối cùng. Đây là một bài toán thuộc loại nào trong học có giám sát?

• A. Hồi quy (Regression)
• B. Phân loại (Classification)
• C. Phân cụm (Clustering)
• D. Phát hiện ngoại lai (Outlier Detection)

Câu 11: Một nhà nghiên cứu muốn phân tích một bộ sưu tập lớn các bức ảnh động vật để tự động nhóm chúng lại dựa trên sự tương đồng về hình ảnh, mà không cần biết trước chúng thuộc loài nào. Phương pháp học máy nào sẽ giúp ông thực hiện mục tiêu này?

• A. Học có giám sát (Supervised Learning) để phân loại từng loài.
• B. Học tăng cường (Reinforcement Learning) để huấn luyện robot nhận dạng.
• C. Học không giám sát (Unsupervised Learning) để phân cụm các bức ảnh tương đồng.
• D. Chỉ có thể phân loại thủ công.

Câu 12: Tại sao việc phân chia dữ liệu thành tập huấn luyện (training set) và tập kiểm thử (test set) lại quan trọng trong quá trình xây dựng mô hình học máy có giám sát?

• A. Để mô hình học được tất cả các mẫu trong dữ liệu.
• B. Để đảm bảo mô hình chạy nhanh hơn.
• C. Để tập kiểm thử có kích thước lớn hơn tập huấn luyện.
• D. Để đánh giá khả năng khái quát hóa của mô hình trên dữ liệu chưa từng thấy.

Câu 13: Hệ thống nhận dạng tiếng nói trên điện thoại thông minh, giúp chuyển đổi lời nói thành văn bản, là một ví dụ điển hình của ứng dụng học máy. Để hoạt động hiệu quả, hệ thống này cần được huấn luyện trên một lượng lớn dữ liệu nào?

• A. Các đoạn ghi âm giọng nói đã được gán nhãn (phiên âm tương ứng).
• B. Các văn bản chỉ có chữ viết.
• C. Các hình ảnh của sóng âm thanh.
• D. Dữ liệu về cấu trúc ngữ pháp của ngôn ngữ.

Câu 14: Trong học máy không giám sát, mô hình không được cung cấp nhãn đầu ra. Vậy mục tiêu chính của các thuật toán học không giám sát thường là gì?

• A. Dự đoán giá trị số dựa trên dữ liệu đầu vào.
• B. Phân loại dữ liệu vào các lớp được định nghĩa trước.
• C. Tìm kiếm cấu trúc ẩn, mối quan hệ, hoặc mẫu hình trong dữ liệu.
• D. Tối ưu hóa hành động để nhận phần thưởng tối đa.

Câu 15: Một bác sĩ muốn sử dụng học máy để hỗ trợ chẩn đoán bệnh dựa trên kết quả xét nghiệm và triệu chứng của bệnh nhân. Bác sĩ có một tập dữ liệu lịch sử bao gồm các thông tin này cùng với chẩn đoán cuối cùng của từng bệnh nhân (bị bệnh A, bị bệnh B, hay không bị bệnh). Loại bài toán học máy nào phù hợp nhất để xây dựng hệ thống này?

• A. Hồi quy (Regression)
• B. Phân loại (Classification)
• C. Phân cụm (Clustering)
• D. Giảm chiều dữ liệu (Dimensionality Reduction)

Câu 16: Giả sử bạn đang huấn luyện một mô hình học máy để nhận dạng chó và mèo từ hình ảnh. Dữ liệu huấn luyện của bạn chỉ bao gồm hình ảnh chó và mèo. Khi bạn đưa vào một hình ảnh con hổ, mô hình có khả năng sẽ làm gì?

• A. Từ chối phân loại vì không có dữ liệu về hổ.
• B. Tự động tạo ra nhãn "hổ" và thêm vào mô hình.
• C. Hỏi người dùng xem đó là con vật gì.
• D. Phân loại sai thành chó hoặc mèo dựa trên sự tương đồng mà nó đã học được.

Câu 17: Vai trò của học máy trong việc xử lý lượng dữ liệu lớn (Big Data) là gì?

• A. Tự động hóa việc phân tích, tìm kiếm mẫu hình và đưa ra dự đoán từ dữ liệu phức tạp và khổng lồ.
• B. Lưu trữ dữ liệu lớn một cách hiệu quả hơn.
• C. Giảm bớt nhu cầu về dữ liệu cho các bài toán phức tạp.
• D. Chỉ hỗ trợ việc hiển thị dữ liệu lớn dưới dạng biểu đồ.

Câu 18: Khi một mô hình học máy có giám sát hoạt động kém trên tập dữ liệu kiểm thử (test set) mặc dù hoạt động rất tốt trên tập dữ liệu huấn luyện (training set), vấn đề phổ biến nào có thể xảy ra?

• A. Mô hình chưa học đủ từ dữ liệu.
• B. Tập kiểm thử quá dễ so với tập huấn luyện.
• C. Mô hình bị học lệch (overfitting), tức là học quá chi tiết vào dữ liệu huấn luyện mà không khái quát hóa được cho dữ liệu mới.
• D. Dữ liệu huấn luyện không có nhãn.

Câu 19: Hãy xem xét hai nhiệm vụ: (A) Dự đoán liệu một email mới có phải là thư rác hay không, và (B) Khám phá các chủ đề chính xuất hiện trong một bộ sưu tập lớn các bài báo mà không biết trước các chủ đề đó là gì. Nhiệm vụ (A) và (B) lần lượt phù hợp với loại hình học máy nào?

• A. (A) Học có giám sát, (B) Học không giám sát
• B. (A) Học không giám sát, (B) Học có giám sát
• C. (A) Học tăng cường, (B) Học có giám sát
• D. (A) Học không giám sát, (B) Học tăng cường

Câu 20: Yếu tố nào sau đây không phải là một lợi ích chính của việc áp dụng học máy trong các bài toán thực tế?

• A. Tự động hóa các tác vụ phức tạp yêu cầu khả năng nhận dạng mẫu hoặc đưa ra quyết định dựa trên dữ liệu.
• B. Khả năng cải thiện hiệu suất theo thời gian khi có thêm dữ liệu mới.
• C. Xử lý và rút trích thông tin từ lượng dữ liệu khổng lồ mà con người khó xử lý thủ công.
• D. Loại bỏ hoàn toàn nhu cầu về chuyên gia hoặc sự giám sát của con người trong mọi ứng dụng.

Câu 21: Trong bối cảnh học máy, "tính năng" (feature) của dữ liệu đầu vào là gì?

• A. Kết quả dự đoán của mô hình.
• B. Các thuộc tính, đặc điểm hoặc biến độc lập được sử dụng làm đầu vào cho mô hình học máy.
• C. Thuật toán được sử dụng để huấn luyện mô hình.
• D. Tên của mô hình học máy.

Câu 22: Một nhà bán lẻ trực tuyến muốn phân tích dữ liệu lịch sử mua sắm của khách hàng để tìm ra các nhóm sản phẩm thường được mua cùng nhau (ví dụ: người mua sữa thường mua thêm bánh mì). Kết quả phân tích này có thể giúp họ sắp xếp sản phẩm trong cửa hàng hoặc tạo các chương trình khuyến mãi kết hợp. Đây là một ứng dụng của học máy không giám sát, cụ thể là kỹ thuật nào?

• A. Phân tích luật kết hợp (Association Rule Mining)
• B. Phân loại (Classification)
• C. Hồi quy (Regression)
• D. Nhận dạng thực thể có tên (Named Entity Recognition)

Câu 23: Điều gì xảy ra với mô hình học máy có giám sát sau khi nó hoàn thành quá trình huấn luyện trên tập dữ liệu huấn luyện?

• A. Mô hình bị loại bỏ vì đã học xong.
• B. Mô hình tự động tạo ra dữ liệu huấn luyện mới.
• C. Mô hình sẵn sàng được sử dụng để đưa ra dự đoán hoặc quyết định trên dữ liệu mới, chưa từng thấy.
• D. Mô hình yêu cầu con người lập trình lại các quy tắc.

Câu 24: Một công ty bảo hiểm muốn dự đoán khả năng một khách hàng sẽ yêu cầu bồi thường trong năm tới dựa trên tuổi tác, lịch sử bồi thường trước đây, loại hình bảo hiểm, v.v. Họ có dữ liệu lịch sử của hàng ngàn khách hàng, bao gồm cả việc họ có yêu cầu bồi thường hay không. Đây là một bài toán dự đoán nhị phân (Có/Không) thuộc loại hình học máy nào?

• A. Hồi quy (Regression)
• B. Phân loại (Classification)
• C. Phân cụm (Clustering)
• D. Phát hiện ngoại lai (Outlier Detection)

Câu 25: Một đặc điểm quan trọng của học máy là khả năng "khái quát hóa". Khả năng này đề cập đến điều gì?

• A. Khả năng của mô hình đưa ra dự đoán chính xác trên dữ liệu mới, chưa từng được sử dụng trong quá trình huấn luyện.
• B. Khả năng của mô hình tự động thu thập thêm dữ liệu từ internet.
• C. Khả năng của mô hình giải thích cách nó đưa ra dự đoán.
• D. Khả năng của mô hình chạy trên nhiều loại phần cứng khác nhau.

Câu 26: So với lập trình truyền thống, học máy đặc biệt hiệu quả trong việc giải quyết các bài toán mà:

• A. Có thể dễ dàng viết ra các quy tắc logic tường minh để xử lý tất cả các trường hợp có thể xảy ra.
• B. Chỉ liên quan đến việc tính toán số học đơn giản.
• C. Rất khó hoặc không thể xác định và viết ra tất cả các quy tắc tường minh do tính phức tạp, đa dạng hoặc sự thay đổi liên tục của dữ liệu/vấn đề.
• D. Chỉ yêu cầu xử lý một lượng nhỏ dữ liệu.

Câu 27: Một trong những thách thức khi làm việc với học máy là việc chuẩn bị dữ liệu (data preprocessing). Tại sao bước này lại quan trọng?

• A. Để giảm kích thước của tập dữ liệu xuống mức tối thiểu.
• B. Để làm cho dữ liệu trở nên khó hiểu hơn đối với con người nhưng dễ hiểu hơn với máy tính.
• C. Để mô hình không cần học từ dữ liệu nữa.
• D. Để làm sạch dữ liệu, xử lý các giá trị thiếu, chuyển đổi định dạng, và chuẩn hóa dữ liệu, giúp mô hình học hiệu quả và chính xác hơn.

Câu 28: Nếu bạn có một tập dữ liệu về các bài đánh giá sản phẩm (reviews) và muốn tìm ra các bài đánh giá có nội dung tương tự nhau để nhóm chúng lại, bạn sẽ sử dụng loại hình học máy nào?

• A. Học có giám sát (Supervised Learning) để phân loại đánh giá tốt/xấu.
• B. Học không giám sát (Unsupervised Learning) để phân cụm các đánh giá tương đồng.
• C. Học tăng cường (Reinforcement Learning) để cải thiện chất lượng đánh giá.
• D. Hồi quy (Regression) để dự đoán điểm đánh giá.

Câu 29: Khi nói về học máy, thuật ngữ "mô hình" (model) thường dùng để chỉ điều gì?

• A. Tập dữ liệu được sử dụng để huấn luyện.
• B. Phần mềm dùng để hiển thị kết quả.
• C. Kết quả của quá trình huấn luyện, là một cấu trúc toán học hoặc thuật toán đã học được các mẫu hình từ dữ liệu và có thể đưa ra dự đoán/quyết định.
• D. Giao diện người dùng của ứng dụng học máy.

Câu 30: Một hệ thống học máy được huấn luyện để phân biệt hình ảnh giữa xe đạp và xe máy. Nếu dữ liệu huấn luyện chỉ bao gồm hình ảnh xe đạp và xe máy được chụp từ góc nhìn trực diện, mô hình có khả năng gặp khó khăn gì khi xử lý hình ảnh xe máy được chụp từ góc nhìn nghiêng hoặc từ phía sau?

• A. Khả năng khái quát hóa kém đối với các biến thể trong dữ liệu (góc nhìn, điều kiện ánh sáng, v.v.) không có trong tập huấn luyện.
• B. Mô hình sẽ yêu cầu thêm nhãn cho các hình ảnh mới.
• C. Tốc độ xử lý hình ảnh sẽ giảm đáng kể.
• D. Mô hình sẽ tự động điều chỉnh để nhận dạng được các góc nhìn mới.

Câu 1: Một công ty muốn tự động phân loại email của khách hàng thành các danh mục như "Khiếu nại", "Yêu cầu hỗ trợ", "Thông tin sản phẩm", mà không cần lập trình cụ thể cho từng quy tắc phân loại. Lĩnh vực nào của Trí tuệ nhân tạo giúp giải quyết bài toán này?

• A. Học máy (Machine Learning)
• B. Thực tế ảo (Virtual Reality)
• C. Hệ điều hành (Operating System)
• D. Cơ sở dữ liệu quan hệ (Relational Database)

Câu 2: Trong Học máy, đâu là mục tiêu chính của quá trình huấn luyện (training) một mô hình?

• A. Ghi nhớ toàn bộ dữ liệu đầu vào một cách chính xác tuyệt đối.
• B. Tạo ra một chương trình máy tính hoạt động dựa trên các quy tắc được lập trình sẵn.
• C. Cho phép mô hình học hỏi từ dữ liệu để có khả năng đưa ra dự đoán hoặc quyết định trên dữ liệu mới.
• D. Giảm kích thước của tập dữ liệu đầu vào.

Câu 3: Bạn đang xây dựng một hệ thống sử dụng Học máy để dự đoán giá nhà dựa trên các yếu tố như diện tích, số phòng ngủ, vị trí. Đây là bài toán thuộc loại Học máy có giám sát nào?

• A. Phân loại (Classification)
• B. Hồi quy (Regression)
• C. Phân cụm (Clustering)
• D. Học tăng cường (Reinforcement Learning)

Câu 4: Dữ liệu "có nhãn" (labeled data) đóng vai trò quan trọng nhất trong phương pháp Học máy nào?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Học sâu (Deep Learning) (nếu không có dữ liệu nhãn)

Câu 5: Một website thương mại điện tử muốn nhóm các khách hàng có hành vi mua sắm tương đồng lại với nhau để phục vụ mục đích tiếp thị cá nhân hóa, mà không có sẵn các nhóm định trước. Phương pháp Học máy nào phù hợp nhất cho bài toán này?

• A. Học có giám sát (Supervised Learning)
• B. Hồi quy (Regression)
• C. Học không giám sát (Unsupervised Learning)
• D. Phân loại (Classification)

Câu 6: Đâu là một ví dụ điển hình của ứng dụng Học máy trong lĩnh vực xử lý hình ảnh?

• A. Dịch tự động văn bản từ tiếng Việt sang tiếng Anh.
• B. Lọc thư rác trong hộp thư điện tử.
• C. Phân tích cảm xúc từ bình luận của khách hàng.
• D. Nhận diện khuôn mặt người trong ảnh.

Câu 7: Khi một mô hình Học máy được huấn luyện trên dữ liệu có nhãn, mục tiêu của nó là học một ánh xạ từ đâu đến đâu?

• A. Từ các đặc trưng đầu vào (input features) đến nhãn đầu ra (output label).
• B. Từ dữ liệu không có nhãn đến dữ liệu có nhãn.
• C. Từ kết quả dự đoán đến dữ liệu huấn luyện ban đầu.
• D. Từ mô hình đến thuật toán.

Câu 8: Khả năng tự động phát hiện các giao dịch bất thường hoặc gian lận trong một lượng lớn dữ liệu ngân hàng thường sử dụng phương pháp Học máy nào?

• A. Học có giám sát (Supervised Learning) (nếu không có dữ liệu gian lận đã được đánh dấu)
• B. Học không giám sát (Unsupervised Learning) (để tìm kiếm các mẫu bất thường)
• C. Học tăng cường (Reinforcement Learning)
• D. Hồi quy (Regression)