Bài Tập, Đề Thi Trắc Nghiệm Online – Môn Học Máy – Đề 10

Câu 1: Trong bài toán phân loại (classification) sử dụng mô hình học máy, độ đo nào sau đây thường được ưu tiên lựa chọn để đánh giá hiệu suất mô hình khi tập dữ liệu mục tiêu bị mất cân bằng (imbalanced dataset)?

• A. Độ chính xác (Accuracy)
• B. Độ đo Recall
• C. F1-score hoặc AUC-ROC
• D. Ma trận nhầm lẫn (Confusion matrix) đơn thuần

Câu 2: Một công ty muốn xây dựng hệ thống gợi ý sản phẩm cho khách hàng trên trang web thương mại điện tử. Dữ liệu lịch sử mua hàng và hành vi duyệt web của khách hàng được thu thập. Phương pháp học máy nào sau đây là phù hợp nhất để xây dựng hệ thống này?

• A. Học có giám sát (Supervised Learning) với thuật toán hồi quy
• B. Học không giám sát (Unsupervised Learning) với thuật toán phân cụm
• C. Học bán giám sát (Semi-supervised Learning)
• D. Học tăng cường (Reinforcement Learning)

Câu 3: Trong mô hình mạng nơ-ron tích chập (Convolutional Neural Network - CNN) cho bài toán nhận dạng ảnh, lớp (layer) nào sau đây có vai trò chính trong việc giảm số chiều dữ liệu và tăng tính bất biến vị trí (position invariance) của đặc trưng?

• A. Lớp tích chập (Convolutional Layer)
• B. Lớp gộp (Pooling Layer)
• C. Lớp kết nối đầy đủ (Fully Connected Layer)
• D. Lớp chuẩn hóa hàng loạt (Batch Normalization Layer)

Câu 4: Khi huấn luyện một mô hình học máy, hiện tượng "underfitting" xảy ra khi nào?

• A. Mô hình quá đơn giản và không thể nắm bắt được cấu trúc dữ liệu phức tạp.
• B. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra.
• C. Dữ liệu huấn luyện chứa quá nhiều nhiễu.
• D. Quá trình huấn luyện mô hình chưa đủ số lượng vòng lặp (epochs).

Câu 5: Kỹ thuật "dropout" thường được sử dụng trong mạng nơ-ron sâu (Deep Neural Network) với mục đích chính là gì?

• A. Tăng tốc độ hội tụ của mô hình trong quá trình huấn luyện.
• B. Giảm hiện tượng overfitting và tăng khả năng tổng quát hóa của mô hình.
• C. Tăng độ chính xác của mô hình trên tập dữ liệu huấn luyện.
• D. Giảm số lượng tham số của mô hình để tiết kiệm bộ nhớ.

Câu 6: Trong thuật toán K-Means, điều gì xảy ra nếu bạn khởi tạo các centroids ban đầu quá gần nhau?

• A. Thuật toán sẽ hội tụ nhanh hơn đến giải pháp tối ưu.
• B. Số lượng cụm tìm được sẽ ít hơn so với số K chỉ định.
• C. Thuật toán có thể hội tụ chậm hơn hoặc rơi vào cực tiểu cục bộ.
• D. Kết quả phân cụm sẽ không bị ảnh hưởng bởi việc khởi tạo centroids.

Câu 7: Phương pháp "One-Hot Encoding" thường được sử dụng để xử lý loại dữ liệu nào trong học máy?

• A. Dữ liệu số liên tục (Continuous numerical data).
• B. Dữ liệu thuộc tính định tính (Categorical data).
• C. Dữ liệu chuỗi thời gian (Time series data).
• D. Dữ liệu hình ảnh (Image data).

Câu 8: Trong học máy, "feature scaling" (chuẩn hóa đặc trưng) có vai trò quan trọng trong thuật toán nào sau đây?

• A. Support Vector Machines (SVM) và K-Nearest Neighbors (KNN).
• B. Decision Trees và Random Forests.
• C. Naive Bayes và Linear Discriminant Analysis (LDA).
• D. Principal Component Analysis (PCA) và Singular Value Decomposition (SVD).

Câu 9: Phương pháp "Gradient Descent" được sử dụng để làm gì trong quá trình huấn luyện mô hình học máy?

• A. Đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra.
• B. Chọn lọc đặc trưng (feature selection) quan trọng nhất cho mô hình.
• C. Tối ưu hóa các tham số của mô hình để giảm thiểu hàm mất mát.
• D. Chuẩn hóa dữ liệu đầu vào để tăng tốc độ huấn luyện.

Câu 10: Trong học máy, thuật ngữ "regularization" (chính quy hóa) đề cập đến kỹ thuật nào?

• A. Kỹ thuật làm tăng kích thước tập dữ liệu huấn luyện.
• B. Kỹ thuật giảm số lượng đặc trưng đầu vào của mô hình.
• C. Kỹ thuật tăng độ phức tạp của mô hình.
• D. Kỹ thuật ngăn chặn overfitting bằng cách thêm ràng buộc vào mô hình.

Câu 11: Khi nào thì việc sử dụng thuật toán "Decision Tree" (Cây quyết định) có thể không phù hợp hoặc kém hiệu quả?

• A. Khi dữ liệu có ít thuộc tính và mối quan hệ đơn giản.
• B. Khi dữ liệu có mối quan hệ phi tuyến tính phức tạp hoặc dữ liệu nhiễu.
• C. Khi yêu cầu mô hình có khả năng diễn giải cao và dễ hiểu.
• D. Khi cần xử lý dữ liệu thuộc tính định tính (categorical features) và số lượng lớn mẫu.

Câu 12: Phương pháp "cross-validation" (kiểm định chéo) được sử dụng để làm gì trong quy trình xây dựng mô hình học máy?

• A. Tăng kích thước tập dữ liệu huấn luyện.
• B. Tối ưu hóa siêu tham số (hyperparameters) của mô hình.
• C. Đánh giá độ tin cậy của mô hình và ước tính khả năng tổng quát hóa.
• D. Giảm thời gian huấn luyện mô hình.

Câu 13: Trong bài toán phân cụm (clustering), độ đo "Silhouette score" được sử dụng để đánh giá điều gì?

• A. Số lượng cụm tối ưu trong dữ liệu.
• B. Độ phức tạp của mô hình phân cụm.
• C. Thời gian thực hiện thuật toán phân cụm.
• D. Chất lượng phân cụm và mức độ tách biệt giữa các cụm.

Câu 14: Thuật toán "Random Forest" khắc phục nhược điểm nào của thuật toán "Decision Tree" đơn lẻ?

• A. Khả năng xử lý dữ liệu số và dữ liệu thuộc tính định tính.
• B. Dễ bị overfitting và độ ổn định thấp.
• C. Yêu cầu dữ liệu phải được chuẩn hóa trước khi huấn luyện.
• D. Khả năng diễn giải mô hình kém hơn so với cây quyết định đơn lẻ.

Câu 15: Trong học máy, "bias-variance tradeoff" (đánh đổi giữa bias và variance) mô tả điều gì?

• A. Sự đánh đổi giữa độ chính xác (precision) và độ phủ (recall).
• B. Sự đánh đổi giữa tốc độ huấn luyện và độ phức tạp của mô hình.
• C. Sự đánh đổi giữa độ chệch (bias) và phương sai (variance) của mô hình.
• D. Sự đánh đổi giữa dữ liệu huấn luyện và dữ liệu kiểm tra.

Câu 16: Trong thuật toán "Support Vector Machine" (SVM), "kernel trick" (hàm nhân) cho phép làm gì?

• A. Ánh xạ dữ liệu đầu vào sang không gian chiều cao hơn để xử lý bài toán phi tuyến tính.
• B. Giảm số chiều dữ liệu để tăng tốc độ huấn luyện.
• C. Tăng cường độ chính xác của mô hình trên dữ liệu huấn luyện.
• D. Lựa chọn siêu tham số (hyperparameters) tối ưu cho mô hình SVM.

Câu 17: Khi nào thì thuật toán "Naive Bayes" hoạt động tốt nhất?

• A. Khi dữ liệu có mối quan hệ tuyến tính phức tạp.
• B. Khi cần mô hình có khả năng diễn giải cao và dễ hiểu.
• C. Khi các thuộc tính (features) độc lập có điều kiện với nhau.
• D. Khi dữ liệu huấn luyện có kích thước nhỏ và nhiều nhiễu.

Câu 18: "Precision" và "Recall" là hai độ đo quan trọng trong bài toán phân loại. Trong ngữ cảnh y tế, khi xây dựng mô hình dự đoán bệnh hiếm gặp, độ đo nào quan trọng hơn và tại sao?

• A. Precision quan trọng hơn, vì cần đảm bảo độ chính xác cao trong chẩn đoán.
• B. Recall quan trọng hơn, vì cần phát hiện được càng nhiều ca bệnh càng tốt, tránh bỏ sót.
• C. Cả Precision và Recall đều quan trọng như nhau trong mọi trường hợp.
• D. F1-score là độ đo duy nhất cần quan tâm trong y tế.

Câu 19: "Ensemble learning" (học ансамбль) là gì và tại sao nó thường cải thiện hiệu suất mô hình?

• A. Phương pháp giảm kích thước tập dữ liệu huấn luyện để tăng tốc độ học.
• B. Phương pháp đơn giản hóa mô hình học máy để dễ diễn giải hơn.
• C. Phương pháp chọn lọc các thuật toán học máy tốt nhất cho một bài toán cụ thể.
• D. Phương pháp kết hợp dự đoán của nhiều mô hình để tạo ra mô hình mạnh mẽ hơn.

Câu 20: Trong "Reinforcement Learning" (học tăng cường), "reward function" (hàm phần thưởng) có vai trò gì?

• A. Định nghĩa mục tiêu mà tác nhân (agent) cần đạt được trong môi trường.
• B. Đánh giá hiệu suất của mô hình học tăng cường.
• C. Điều chỉnh tốc độ học (learning rate) của tác nhân.
• D. Lựa chọn hành động tốt nhất cho tác nhân trong mỗi trạng thái.

Câu 21: "Batch Normalization" (chuẩn hóa theo lô) thường được áp dụng ở đâu trong mạng nơ-ron sâu và có tác dụng gì?

• A. Ở lớp đầu vào để chuẩn hóa dữ liệu đầu vào.
• B. Ở lớp đầu ra để chuẩn hóa kết quả dự đoán.
• C. Giữa các lớp để chuẩn hóa đầu ra của mỗi lớp và ổn định quá trình huấn luyện.
• D. Chỉ ở các lớp tích chập (convolutional layers) trong CNN.

Câu 22: Trong bài toán phát hiện gian lận thẻ tín dụng, dữ liệu thường rất mất cân bằng (số giao dịch gian lận ít hơn nhiều so với giao dịch bình thường). Kỹ thuật nào sau đây có thể được sử dụng để xử lý vấn đề này trong quá trình huấn luyện mô hình?

• A. Sử dụng độ đo "Accuracy" làm độ đo đánh giá chính.
• B. Loại bỏ tất cả các giao dịch gian lận khỏi tập dữ liệu huấn luyện.
• C. Chỉ sử dụng thuật toán Decision Tree vì nó không nhạy cảm với dữ liệu mất cân bằng.
• D. Áp dụng kỹ thuật oversampling hoặc undersampling để cân bằng dữ liệu.

Câu 23: "Feature engineering" (kỹ thuật tạo đặc trưng) đóng vai trò như thế nào trong dự án học máy?

• A. Chỉ cần thiết khi dữ liệu đầu vào có kích thước lớn.
• B. Rất quan trọng, có thể ảnh hưởng lớn đến hiệu suất và khả năng tổng quát hóa của mô hình.
• C. Chủ yếu tập trung vào việc giảm số chiều dữ liệu để tăng tốc độ huấn luyện.
• D. Chỉ cần thiết đối với các thuật toán học sâu (deep learning), không quan trọng với các thuật toán truyền thống.

Câu 24: Trong mạng nơ-ron hồi quy (Recurrent Neural Network - RNN), tại sao "Long Short-Term Memory" (LSTM) và "Gated Recurrent Unit" (GRU) lại hiệu quả hơn RNN truyền thống trong việc xử lý chuỗi dài?

• A. Vì LSTM và GRU có ít tham số hơn RNN truyền thống.
• B. Vì LSTM và GRU có tốc độ tính toán nhanh hơn RNN truyền thống.
• C. Vì LSTM và GRU giải quyết được vấn đề vanishing gradient, giúp học được phụ thuộc xa trong chuỗi.
• D. Vì LSTM và GRU có thể xử lý dữ liệu đa chiều tốt hơn RNN truyền thống.

Câu 25: Khi triển khai mô hình học máy vào thực tế, điều gì quan trọng hơn: độ chính xác tuyệt đối cao nhất trên tập kiểm tra, hay tính ổn định và khả năng duy trì hiệu suất theo thời gian?

• A. Độ chính xác tuyệt đối cao nhất trên tập kiểm tra, vì nó thể hiện khả năng tốt nhất của mô hình.
• B. Tính ổn định và khả năng duy trì hiệu suất theo thời gian, vì môi trường thực tế luôn thay đổi.
• C. Cả hai yếu tố đều quan trọng như nhau và cần được tối ưu đồng thời.
• D. Tốc độ dự đoán của mô hình là yếu tố quan trọng nhất khi triển khai.

Câu 26: Phương pháp "Principal Component Analysis" (PCA) được sử dụng để làm gì trong học máy?

• A. Tăng số chiều dữ liệu để mô hình học được nhiều thông tin hơn.
• B. Phân cụm dữ liệu thành các nhóm có ý nghĩa.
• C. Giảm chiều dữ liệu và loại bỏ sự tương quan giữa các thuộc tính.
• D. Tăng cường độ chính xác của mô hình phân loại.

Câu 27: Trong mô hình học máy, "hyperparameters" (siêu tham số) và "parameters" (tham số) khác nhau như thế nào?

• A. Hyperparameters được học từ dữ liệu, parameters được thiết lập thủ công.
• B. Hyperparameters quyết định độ phức tạp của mô hình, parameters quyết định tốc độ học.
• C. Hyperparameters là các tham số bên trong mô hình, parameters là các tham số bên ngoài.
• D. Hyperparameters được thiết lập trước khi huấn luyện, parameters được mô hình học từ dữ liệu.

Câu 28: "Transfer learning" (học chuyển giao) mang lại lợi ích gì trong học máy, đặc biệt là khi nào nó phát huy hiệu quả?

• A. Giảm kích thước mô hình để tiết kiệm bộ nhớ.
• B. Tăng tốc độ huấn luyện và cải thiện hiệu suất khi có ít dữ liệu cho bài toán mục tiêu.
• C. Đảm bảo mô hình luôn đạt độ chính xác cao nhất trên mọi bài toán.
• D. Giúp mô hình dễ diễn giải hơn và dễ hiểu hơn.

Câu 29: "Data augmentation" (tăng cường dữ liệu) là gì và thường được sử dụng trong lĩnh vực nào của học máy?

• A. Kỹ thuật giảm kích thước tập dữ liệu huấn luyện.
• B. Kỹ thuật làm sạch dữ liệu và loại bỏ nhiễu.
• C. Kỹ thuật tạo thêm dữ liệu huấn luyện từ dữ liệu gốc bằng các phép biến đổi.
• D. Kỹ thuật chọn lọc dữ liệu quan trọng nhất cho mô hình.

Câu 30: Khi xây dựng một hệ thống học máy để đưa ra quyết định quan trọng (ví dụ: trong y tế hoặc pháp lý), điều gì cần được ưu tiên xem xét bên cạnh hiệu suất mô hình?

• A. Chỉ cần tối ưu độ chính xác và tốc độ dự đoán của mô hình.
• B. Ưu tiên sử dụng các mô hình phức tạp nhất để đạt hiệu suất cao nhất.
• C. Không cần quan tâm đến yếu tố đạo đức và xã hội trong quá trình phát triển.
• D. Tính công bằng, khả năng giải thích, và trách nhiệm giải trình của mô hình.