Tổng số giao dịch không chứa A

Số giao dịch không chứa A / Tổng số giao dịch

Số giao dịch chứa A / Tổng số giao dịch

Tổng số giao dịch chứa A

Loại bỏ các luật có độ hỗ trợ nhỏ hơn ngưỡng hỗ trợ tối thiểu (minsup)

Loại bỏ các luật có độ hỗ trợ lớn hơn ngưỡng hỗ trợ tối thiểu (minsup)

Sinh các luật có độ tin cậy nhỏ hơn ngưỡng tin cậy tối thiểu (minconf)

Sinh các luật có độ tin cậy lớn hơn ngưỡng tin cậy tối thiểu (minconf)

C và trung điểm của đoạn AB

A và B

A và C

A và trung điểm của đoạn BC

Một nhóm các đối tượng tương tự nhau, khác biệt rõ rệt so với các đối tượng thuộc nhóm khác

Biểu diễn mang tính biểu tượng của các sự kiện hoặc ý tưởng từ đó có thể trích xuất thông tin

Một nhóm các đối tượng giống hoặc khác nhau

Một thao tác trên cơ sở dữ liệu để biến đổi hoặc đơn giản hóa dữ liệu nhằm chuẩn bị cho thuật toán học máy hoặc khai phá dữ liệu

Một hàm trong tập hợp các hàm, ánh xạ từ một ví dụ đầu vào đến một đầu ra

Các trọng số tốt nhất trong không gian trọng số

Siêu tham số mang lại hiệu suất tốt nhất

Ước lượng sai số kiểm tra (testing error)

Một cấu hình của kiến trúc mạng nơ-ron

Cả tín hiệu đầu vào x và trọng số

Trọng số

Tín hiệu đầu vào x

Nó tính toán đầu ra của toàn bộ mạng nơ-ron

Nó tính tổng có trọng số của các tín hiệu đầu vào của một nơ-ron

Nó tính đầu ra của một nơ-ron dựa trên đầu vào thuần (net input) của nó

Nó tính đầu ra của một nơ-ron dựa trên các tín hiệu đầu vào của nó

A. Tối ưu một hàm mục tiêu tuyến tính

B. Chỉ có thể được huấn luyện bằng phương pháp gradient descent ngẫu nhiên (SGD)

C. Có thể sử dụng kết hợp nhiều hàm kích hoạt khác nhau

D. Có thể hoạt động tốt ngay cả khi số lượng tham số/trọng số lớn hơn nhiều so với số lượng điểm dữ liệu

A. Chúng chỉ có thể được sử dụng cho bài toán hồi quy

B. Cắt tỉa (pruning) thường đạt độ chính xác kiểm tra tốt hơn so với việc dừng sớm

C. Tất cả các điểm dữ liệu trong một lá phải thuộc cùng một lớp

A. Giảm số lượng thuộc tính đầu vào

B. Giảm số lượng ví dụ huấn luyện

C. Dừng việc phát triển cây sớm hơn

D. Chuyển đổi sang tập hợp các luật và cắt tỉa các luật

E. Phát triển một cây hoàn chỉnh

học có giám sát (supervised learning)

vừa là học có giám sát vừa là học không giám sát

không phải học có giám sát cũng không phải học không giám sát

học không giám sát (unsupervised learning)

Luôn hội tụ đến một phân cụm tối ưu hóa khoảng cách trung bình bình phương giữa các điểm và tâm cụm

Có thể hội tụ đến các kết quả phân cụm khác nhau tùy vào lựa chọn ban đầu của các tâm cụm

Nhạy cảm với các giá trị ngoại lai (outliers)

Luôn tìm được số cụm đúng nếu số cụm được đặt bằng số nhãn thực trong dữ liệu

yêu cầu số chiều của không gian đặc trưng không được lớn hơn số lượng mẫu

luôn tìm được kết quả giống nhau dù khởi tạo tâm cụm khác nhau

chỉ hoạt động tốt với dữ liệu phân bố cầu (spherical clusters)

không yêu cầu số cụm K được xác định trước

{A, B}

{B, C}

{A, C}

{B, D}

{A} → {B}

{D} → {B}

{C} → {B}

{B} → {C}

hồi quy

cả phân loại và hồi quy

không phải phân loại cũng không phải hồi quy

phân loại

MAP không cần biết bất kỳ thông tin nào về tham số của mô hình

MAP cần biết một số thông tin về tham số của mô hình

MAP có thể ước lượng toàn bộ phân phối hậu nghiệm từ tập dữ liệu huấn luyện

MAP có thể được dùng để học một mô hình từ tập huấn luyện

MAP có thể suy luận hoặc dự đoán cho các ví dụ mới

kiến thức của mô hình

xác suất của một quan sát cho trước mô hình/giả thuyết

xác suất của một mô hình/giả thuyết cho trước dữ liệu quan sát

suy luận hoặc dự đoán cho một ví dụ/quan sát mới

khám phá kiến thức trong một mô hình đã học

ước lượng khả năng cực đại của một mô hình

học một mô hình từ một tập dữ liệu huấn luyện đã cho

suy luận tính đúng đắn của một mô hình cho trước

c2

Không xác định

c1

Trong trường hợp giá trị kkk quá nhỏ, nó rất nhạy với nhiễu (noise)

Trong trường hợp giá trị kkk quá lớn, nó có thể đưa các điểm dữ liệu từ lớp khác vào vùng lân cận

Chỉ A

Cả A và B

Không A cũng không B

3

1

9

7

5

Nó có thể được sử dụng cho các biến liên tục

Nó có thể được sử dụng cho các biến định danh (nominal)

Nó không thể được sử dụng cho cả biến liên tục lẫn biến định danh

Nó có thể được sử dụng cho cả biến liên tục và biến định danh

Nó có thể được sử dụng cho cả phân loại và hồi quy

Nó chỉ có thể được sử dụng cho hồi quy

Nó chỉ có thể được sử dụng cho phân loại

Dự đoán sẽ có xu hướng trở nên tầm thường

Dự đoán sẽ có xu hướng chính xác hơn

k-NN sẽ có xu hướng bị underfitting

k-NN sẽ có xu hướng bị overfitting

Dự đoán sẽ rất nhạy cảm với nhiễu trong dữ liệu

Dự đoán sẽ trở nên chính xác hơn trong mọi trường hợp

k-NN sẽ có xu hướng bị overfitting

k-NN sẽ có xu hướng bị underfitting

Chúng là giống nhau

Chúng có thể chồng lấn lên nhau (overlapping)

Không thích hợp để nói rằng chúng chồng lấn hay rời rạc

Chúng là rời rạc (disjoint)

Không

Có

Mô hình phi tuyến (non-linear model)

Mô hình phi tham số (non-parametric model)

Mô hình tuyến tính (linear model)

λ có thể giữ được chất lượng nghiệm của OLS

λ có thể giúp giảm hiện tượng overfitting

λ đóng vai trò trung tâm trong việc khái quát hóa hàm f(x)

Độ chính xác (Accuracy)

Độ chính xác cho từng lớp (Precision for individual class)

Không, nó là một chiến lược để đánh giá và chọn mô hình

Có, tất nhiên rồi

Không, nó là một phương pháp để huấn luyện mô hình từ tập dữ liệu cho trước

Có, vì nó giúp chia dữ liệu để làm sạch và chuẩn hóa

Ảnh hưởng tiêu cực của tính ngẫu nhiên đến kết quả đánh giá, do kích thước dữ liệu nhỏ

Ảnh hưởng tiêu cực của sự mất cân bằng giữa các lớp

Ảnh hưởng tiêu cực đến thời gian đánh giá

Đánh giá mô hình và chọn mô hình trong học máy là hai quá trình độc lập

Việc chọn mô hình là bắt buộc khi so sánh các mô hình hoặc phương pháp học máy khác nhau

Việc đánh giá mô hình thường yêu cầu chọn mô hình như một bước nội bộ

Không có vai trò gì trong quá trình học máy

Để đo sai số theo một cách nào đó và thường đóng vai trò là hàm mục tiêu khi huấn luyện mô hình

Để đo sai số/mất mát khi đưa ra dự đoán trong tương lai

A. Thay thế các giá trị bị thiếu

B. Loại bỏ các giá trị ngoại lai (outliers)

C. Chuyển dữ liệu từ không gian véc-tơ này sang một không gian khác

D. Chuyển đổi dữ liệu để nằm trong cùng một khoảng giá trị chung

A. Độ biến thiên

B. Xuất hiện lặp lại nhiều nhất

C. Trung vị

D. Giá trị trung bình

A. Chuyển thuộc tính rời rạc thành liên tục

B. Tìm giá trị ngoại lai (outliers)

C. Chuyển thuộc tính liên tục thành rời rạc

D. Scale dữ liệu

Phân lớp (Binning)

Phát hiện giá trị ngoại lai (Outlier detection)

Chuẩn hóa (Normalization)

Gộp nhóm dữ liệu (Aggregation)

quá trình tạo ra tri thức từ một tập dữ liệu

quá trình gom nhóm các đối tượng sao cho các đối tượng trong cùng nhóm thì giống nhau hơn so với các nhóm khác

quá trình chuyển đổi dữ liệu từ một định dạng (hoặc cấu trúc) sang một định dạng (hoặc cấu trúc) khác

quá trình tìm trong tập dữ liệu các điểm dữ liệu không có giá trị cho các biến đầu vào

Một thuật toán học được cho là underfit so với thuật toán khác nếu nó kém chính xác hơn trong việc mô phỏng dữ liệu đã biết

Một thuật toán học được cho là underfit khi nó khớp tốt với dữ liệu đã biết, nhưng kém chính xác trong việc dự đoán dữ liệu chưa thấy

Một thuật toán underfit là thuật toán không học được bất kỳ mô hình nào

Một thuật toán underfit là thuật toán có độ chính xác thấp cả trên dữ liệu huấn luyện và dữ liệu kiểm tra

Từ cách chúng ta huấn luyện mô hình, học có giám sát nghĩa là ta phải cung cấp các bước chi tiết để máy học

Từ dữ liệu huấn luyện, trong đó học có giám sát thường yêu cầu có nhãn/đáp án trong giai đoạn huấn luyện

Từ mục tiêu của thuật toán, học không giám sát thường không thực hiện dự đoán

Từ kiểu của đầu ra, vốn thường là một số thực trong học có giám sát

A. Một hàm được cho là overfit so với hàm khác nếu nó ít chính xác hơn trên dữ liệu đã biết, nhưng chính xác hơn khi dự đoán dữ liệu chưa thấy

B. Một hàm được cho là overfit nếu nó ít chính xác hơn cả trên dữ liệu đã biết và dữ liệu chưa thấy

C. Một hàm được cho là overfit nếu nó chính xác hơn trên dữ liệu đã biết, nhưng kém chính xác hơn khi dự đoán dữ liệu chưa thấy

D. Tất cả các phát biểu trên đều sai

A. ReLU cho phép tính toán lan truyền ngược (gradient) nhanh hơn

B. ReLU có thể sử dụng cho tầng đầu ra, trong khi hàm sigmoid thì không thể

C. ReLU cho phép mô hình học một đường quyết định phi tuyến

A. Entropy

B. Gain Ratio

C. Information Gain

A. Chỉ có cách duy nhất để chọn là yêu cầu dữ liệu phải có nhãn yᵢ

B. Chọn kết quả mà (1/N) * ∑(i=1→N) ||xᵢ - mᵢ||² đạt giá trị nhỏ nhất trong 50 lần, với mᵢ là tâm cụm mà xᵢ được gán vào

C. Luôn chọn lần cuối cùng (thứ 50), vì lần này có khả năng đã hội tụ thành một giải pháp tốt

D. Chọn kết quả có số lượng cụm đồng đều nhất

Có thể không có vector hỗ trợ

Số lượng vector hỗ trợ phụ thuộc vào chọn hằng số phạt C

Số lượng vector hỗ trợ phụ thuộc vào m

Bộ phân loại học được có thể đưa ra dự đoán sai cho tất cả tập dữ liệu huấn luyện

Số lượng vector hỗ trợ độc lập với m

Tất cả các mẫu nằm trên siêu phẳng lề

Tất cả các mẫu nằm ngoài lề

Tất cả các mẫu bị sai lớp

Tất cả các mẫu nằm bên trong lề

Sử dụng cùng dữ liệu huấn luyện nhưng thêm nhiều tầng hơn

Kích thước dữ liệu huấn luyện không đủ lớn. Thu thập thêm dữ liệu huấn luyện là cần thiết

Sử dụng cách khởi tạo khác và huấn luyện mạng nhiều lần. Sử dụng kết quả dự đoán trung bình của các mạng đã huấn luyện để dự đoán cho dữ liệu kiểm thử

Thử nghiệm với các tốc độ học khác nhau (learning rate) và bổ sung thêm phần chính quy (regularization) vào hàm mục tiêu

Khi số lượng các thuộc tính kiểu số là ít, giải thuật học láng giềng gần nhất đạt độ chính xác cao hơn nếu các thuộc tính kiểu số đó có cùng khoảng giá trị.

Bất kể số lượng các thuộc tính kiểu số, giải thuật học láng giềng gần nhất đạt độ chính xác cao hơn nếu các thuộc tính kiểu số đó có cùng khoảng giá trị.

Khi số lượng các thuộc tính kiểu số là nhiều, giải thuật học láng giềng gần nhất đạt độ chính xác cao hơn nếu các thuộc tính kiểu số đó có cùng khoảng giá trị.