Slot4_Ôn tập

Trong Machine Learning, "label" là gì?

• Dữ liệu không có đầu ra rõ ràng

• Một loại mô hình học sâu

• Đầu ra mục tiêu mà mô hình cần dự đoán

• Một loại định dạng dữ liệu

Trong các nguồn sau, nguồn nào là NoSQL database?

• PostgreSQL

• MySQL

• MongoDB

• SQLite

Tại sao việc làm sạch dữ liệu lại quan trọng trong Machine Learning?

• Giúp mô hình học nhanh hơn

• Giảm sai số do dữ liệu nhiễu

• Đảm bảo độ chính xác và độ tin cậy của mô hình

• Cả 3 đều đúng

Exploratory Data Analysis (EDA) giúp chúng ta:

• Tạo ra mô hình ML

• Dự đoán tương lai

• Tìm hiểu cấu trúc, mẫu và bất thường trong dữ liệu

• Đào tạo mô hình học sâu

Đoạn code sau nhằm mục đích đọc dữ liệu từ file CSV và in ra 5 dòng đầu. Hãy xác định lỗi:

• readCSV không phải là hàm hợp lệ của pandas

• Thiếu thư viện numpy

• Sai cú pháp ở dòng print(data.head(5))

• Không có lỗi gì

Kỹ thuật nào dưới đây KHÔNG phải là kỹ thuật Feature Engineering?

• One-hot Encoding

• Min-Max Scaling

• Binning

•  EDA

Khi nào nên sử dụng kỹ thuật Feature Scaling?

• Khi dùng mô hình tuyến tính

• Khi dữ liệu đã được làm sạch

• Khi có dữ liệu dạng text

• Không bao giờ cần

Sai lầm loại I (Type I error) xảy ra khi:

• Không bác bỏ H0 khi H0 sai

• Bác bỏ H0 khi H0 đúng

• Chấp nhận H1 khi H1 sai

• Không có sai lầm nào cả

Câu lệnh nào dùng để xóa các dòng có giá trị thiếu (NaN) trong DataFrame df?

• df.dropna()

• df.remove_na()

• df.fillna(0)

• df.delete_na()

Bạn muốn chuẩn hóa (normalize) dữ liệu cột age về khoảng [0,1]. Dòng code phù hợp là:

• df['age'] = df['age'] / 100

• df['age'].normalize()

• from sklearn.preprocessing import MinMaxScaler
    df['age'] = MinMaxScaler().fit_transform(df[['age']])

• df['age'] = df['age'].scale()