Câu hỏi về Học Máy và Học Sâu

Trong học máy, thuật toán nào thuộc nhóm không giám sát?

• Hồi quy logistic

• K-means

• Mạng nơ-ron sâu

• Hồi quy tuyến tính

Trong học sâu, mạng RNN phù hợp với loại dữ liệu nào?

• Ảnh

• Văn bản và chuỗi thời gian

• Dữ liệu không có thứ tự

• Đồ thị

Lớp dropout trong mạng nơ-ron có tác dụng gì?

• Tăng tốc độ huấn luyện

• Ngăn quá khớp (overfitting)

• Làm tăng số lớp

• Làm giảm dữ liệu

Một điểm yếu của học máy là gì?

• Không thể huấn luyện với dữ liệu lớn

• Thiếu khả năng tự học

• Phụ thuộc vào dữ liệu đầu vào

• Không có tính chính xác

Bộ dữ liệu huấn luyện và kiểm tra cần phải:

• Trùng lặp hoàn toàn

• Có kích thước giống nhau

• Độc lập và phân phối giống nhau

• Được lấy từ cùng một tệp

Một trong những bước đầu tiên trong xử lý dữ liệu là:

• Đánh giá mô hình

• Làm sạch dữ liệu

• Tối ưu hóa thuật toán

• Tăng số lượng lớp

Thước đo F1 được dùng để:

• Đánh giá tốc độ thuật toán

• Đánh giá độ chính xác và độ bao phủ

• Đánh giá thời gian xử lý

• Đánh giá sai số

Học sâu khác học máy truyền thống ở điểm nào?

• Không sử dụng mô hình

• Không cần dữ liệu

• Dùng nhiều tầng mạng nơ-ron

• Không cần huấn luyện

Regularization giúp gì cho mô hình?

• Tăng overfitting

• Giảm độ chính xác

• Tránh overfitting

• Làm mô hình phức tạp hơn

Overfitting xảy ra khi:

• Mô hình học không đủ dữ liệu

• Mô hình học quá nhiều vào dữ liệu huấn luyện

• Dữ liệu không đủ nhiễu

• Dữ liệu quá đơn giản