UNSUPERVISED LEARNING

Khác biệt chính giữa học có giám sát (supervised learning) và học không giám sát (unsupervised learning) là gì?

• A. Học không giám sát luôn cho kết quả chính xác hơn học có giám sát

• B. Học có giám sát không cần dữ liệu đầu vào

• C. Học không giám sát không yêu cầu dữ liệu gán nhãn trong khi học có giám sát cần dữ liệu có nhãn

• D. Học không giám sát chỉ áp dụng cho dữ liệu hình ảnh

Trong các ví dụ sau, đâu là một ứng dụng tiêu biểu của học không giám sát?

• A. Phân nhóm khách hàng theo hành vi tiêu dùng

• B. Phân loại email là spam hay không spam

• C. Dự đoán giá cổ phiếu trong tương lai dựa trên dữ liệu lịch sử

• D. Nhận diện chữ viết tay từ hình ảnh

Mục tiêu chính của unsupervised learning là gì?

• A. Dự đoán đầu ra chính xác dựa trên đầu vào mới

• B. Khám phá các mẫu ẩn và cấu trúc trong dữ liệu không có nhãn

• C. Tối ưu hóa hàm mất mát dựa trên dữ liệu được gán nhãn

• D. So sánh độ chính xác giữa các mô hình học sâu

Trong thuật toán DBSCAN, điểm nào sau đây là điểm biên (border point)?

• A. Một điểm nằm ngoài cụm và không có lân cận

• B. Một điểm có đủ số điểm trong bán kính Eps để trở thành điểm lõi

• C. Một điểm nằm trong vùng lân cận của điểm lõi nhưng không đủ điểm để trở thành điểm lõi

• D. Một điểm được chọn làm trung tâm cụm trong K-Means

Điểm khác biệt chính giữa K-Means và Hierarchical Clustering là gì?

• A. K-Means không cần biết trước số cụm, còn Hierarchical Clustering thì cần

• B. Hierarchical Clustering chỉ hoạt động với dữ liệu có nhãn

• C. Hierarchical Clustering luôn cho kết quả chính xác hơn K-Means

• D. K-Means yêu cầu xác định trước số cụm, còn Hierarchical Clustering thì không

Mục tiêu chính của phương pháp PCA trong giảm chiều dữ liệu là gì?

• A. Giảm số chiều bằng cách giữ nguyên toàn bộ đặc trưng gốc

• B. Bảo toàn cấu trúc cục bộ giữa các điểm dữ liệu

• C. Tối đa hóa phương sai của dữ liệu trong không gian mới

• D. Trực quan hóa dữ liệu tốt hơn so với các phương pháp khác

So với t-SNE, UMAP có điểm mạnh nào sau đây?

• A. Tốc độ nhanh hơn và bảo toàn được cả cấu trúc cục bộ lẫn toàn cục

• B. Có thể giải thích dễ dàng hơn về mặt thống kê

• C. Giữ được nhiều phương sai hơn trong dữ liệu

• D. Không cần điều chỉnh bất kỳ tham số nào

Trong mô hình Latent Dirichlet Allocation (LDA), điều nào sau đây là đúng?

• A. LDA giả định mỗi từ trong văn bản chỉ thuộc về một chủ đề duy nhất

• B. LDA yêu cầu dữ liệu được gán nhãn trước để huấn luyện mô hình

• C. LDA sử dụng phân phối Dirichlet để mô hình hóa phân phối chủ đề và từ

• D. LDA quan tâm đến thứ tự các từ trong tài liệu

Phát biểu nào sau đây không đúng về Non-negative Matrix Factorization (NMF)?

• A. NMF phân rã một ma trận không âm thành hai ma trận cũng không âm

• B. NMF có thể sử dụng để phát hiện các đặc trưng cơ bản như mắt, mũi trong hình ảnh khuôn mặt

• C. NMF có thể áp dụng cho bài toán phân cụm văn bản

• D. NMF yêu cầu dữ liệu đầu vào có thể chứa cả giá trị âm và dương

Lợi ích chính của Matrix Factorization trong hệ thống gợi ý là gì?

• A. Giúp dữ liệu có cấu trúc rõ ràng hơn và tránh bị nhiễu

• B. Dự đoán chính xác tương tác giữa người dùng và sản phẩm chưa được quan sát

• C. Xây dựng các cây quyết định cho bài toán phân loại

• D. Tăng độ chính xác của mô hình hồi quy tuyến tính