Học máy 2

Trong một dự án học máy, đặc trưng (feature) là gì?

• Là kết quả dự đoán của mô hình
• Là công cụ vẽ biểu đồ dữ liệu
• Là thông tin mô tả cho dữ liệu đầu vào giúp mô hình học
• Là loại thư viện dùng để xử lý ảnh

Một trong các bước đầu tiên khi thực hiện một dự án học máy là gì?

• Tối ưu tham số của mô hình
• Triển khai lên server
• Xác định vấn đề và phát biểu bài toán
• Sử dụng GPU để tăng tốc độ

Trong giai đoạn chọn đặc trưng (feature selection), mục tiêu chính là gì?

• Loại bỏ các mô hình không cần thiết
• Loại bỏ dữ liệu thiếu nhãn
• Giảm số chiều của dữ liệu và giữ lại các đặc trưng quan trọng nhất
• Thêm càng nhiều đặc trưng càng tốt

Một dự án học máy hoàn chỉnh sẽ kết thúc bằng bước nào?

• Tiền xử lý dữ liệu
• Tìm hiểu thư viện mới
• Triển khai mô hình vào thực tế
• Thu thập dữ liệu

Giai đoạn nào của quy trình học máy thường sử dụng các kỹ thuật như xử lý giá trị thiếu, phát hiện ngoại lệ?

• Đánh giá mô hình
• Triển khai mô hình
• Làm sạch dữ liệu
• Lựa chọn mô hình

Chọn 2 bước thường xuất hiện trong quy trình một dự án học máy:

• Thu thập và làm sạch dữ liệu
• Cài đặt hệ điều hành
• Phát biểu bài toán và chọn mô hình học
• Dịch dữ liệu sang XML

Trong một mô hình học máy, tham số (parameter) là gì?

• Là đầu ra dự đoán của mô hình
• Là dữ liệu được mô hình sinh ra ngẫu nhiên
• Là giá trị được mô hình học được từ dữ liệu huấn luyện
• Là cách chia dữ liệu thành train/test

Tham số của mô hình học máy thường được cập nhật trong quá trình:

• Triển khai mô hình
• Dự đoán dữ liệu mới
• Huấn luyện mô hình
• Thu thập dữ liệu

Những yếu tố nào dưới đây được xem là siêu tham số (hyperparameters) chứ không phải là tham số học được từ dữ liệu?

• Learning rate
• Số lượng epoch
• Trọng số w
• Số cây trong Random Forest

Tác hại của overfitting bao gồm:

• Mô hình hoạt động tốt trên dữ liệu train nhưng kém trên test
• Dễ gây ra lỗi dự đoán khi triển khai thực tế
• Tăng tốc độ huấn luyện
• Làm mô hình quá phức tạp