WorksheetsQuiz về Trí tuệ nhân tạo
Total questions: 60
Worksheet time: 30mins
Trí tuệ nhân tạo (AI) là gì?
Khoa học nghiên cứu hành vi con người
Kỹ thuật mô phỏng tư duy cảm xúc
Lĩnh vực phát triển hệ thống thực hiện nhiệm vụ thông minh
Công nghệ chế tạo phần cứng tiên tiến
Kiểm tra Turing nhằm xác định:
Máy có thể giao tiếp như con người không
Mức tiêu thụ tài nguyên của máy
Độ chính xác của thuật toán
Chất lượng phần cứng
Ví dụ về AI hẹp (Narrow AI) là:
Xe tự lái
Trí tuệ nhân tạo sáng tạo văn học
Robot có cảm xúc
Máy tính lượng tử
Đặc điểm của AI tổng quát (General AI) là:
Giải quyết mọi nhiệm vụ trí tuệ như con người
Chỉ giải quyết một nhiệm vụ cụ thể
Hoạt động không cần dữ liệu
Không cần học từ kinh nghiệm
AI yếu (Weak AI) tập trung vào:
Thực hiện tác vụ chuyên biệt
Có ý thức như con người
Tự học không giới hạn
Hiểu cảm xúc con người
Một hạn chế lớn của AI hiện nay:
Không thể xử lý dữ liệu lớn
Thiếu khả năng tư duy phản biện
Không thể thực hiện phép tính
Không thể học từ dữ liệu
Ứng dụng AI trong y tế:
Dự báo thời tiết
Hỗ trợ chẩn đoán hình ảnh
Điều khiển đèn giao thông
Quản lý tài chính cá nhân
Trong thương mại điện tử, AI được dùng để:
Gợi ý sản phẩm cho khách hàng
Kiểm tra chất lượng không khí
Giám sát môi trường biển
Lập bản đồ địa hình
AI trong giao thông thông minh có thể:
Tự động tối ưu đèn tín hiệu
Dự báo giá cổ phiếu
Kiểm tra cấu trúc protein
Quản lý bệnh viện
AI khác lập trình truyền thống ở điểm:
AI cần dữ liệu huấn luyện
AI không cần dữ liệu
AI không dùng thuật toán
AI chỉ hoạt động thủ công
Một tác tử (agent) là:
Một máy tính có cấu hình mạnh
Bất kỳ hệ thống nào chỉ cảm nhận môi trường
Hệ thống có khả năng cảm nhận và hành động
Một phần mềm không cần tương tác
Thành phần "P" trong mô hình PEAS là:
Performance measure
Perception
Planning
Process
Tác tử hợp lý là:
Luôn chọn hành động ngẫu nhiên
Chọn hành động tối đa hóa hiệu suất dựa trên nhận thức
Hành động theo lệnh cố định
Chỉ phản ứng khi được yêu cầu
Ví dụ tác tử phản xạ đơn giản:
Máy hút bụi tự động
Xe tự lái
Hệ thống dự báo thời tiết
Chatbot học máy
Môi trường hoàn toàn quan sát được nghĩa là:
Tác tử nhận thông tin không đầy đủ
Tác tử có đầy đủ thông tin trạng thái môi trường
Môi trường thay đổi liên tục
Môi trường không phản hồi
Môi trường động là:
Bàn cờ tĩnh
Thế giới thực có nhiều tác tử
Dữ liệu trong cơ sở dữ liệu
Phần mềm quản lý nhân sự
Môi trường xác định là:
Mỗi hành động luôn dẫn đến kết quả như dự đoán
Có yếu tố ngẫu nhiên
Không thể dự đoán được
Luôn thay đổi
Ví dụ môi trường rời rạc:
Trò chơi cờ vua
Điều khiển robot
Hệ thống giám sát thời gian thực
Dự báo thời tiết
Môi trường một tác tử:
Có nhiều tác tử tương tác
Chỉ một tác tử duy nhất
Có vô số tác tử
Tác tử không cần hoạt động
Thành phần "S" trong PEAS là:
Sensors
Strategy
Solution
Simulation
Mục tiêu chính của tìm kiếm trong AI là:
Giảm chi phí bộ nhớ
Tìm chuỗi hành động đạt mục tiêu
Phân tích dữ liệu
Mô phỏng môi trường
BFS sử dụng cấu trúc dữ liệu:
Stack
Queue (FIFO)
Priority Queue
Hash Table
DFS sử dụng:
Stack
Queue
Priority Queue
Tree
Thuật toán A* thuộc nhóm:
Tìm kiếm vô hướng
Tìm kiếm có hướng dẫn (informed search)
Tìm kiếm mù
Không dùng heuristic
Uniform Cost Search ưu tiên:
Chi phí thấp nhất
Số bước ít nhất
Đường đi dài nhất
Hành động ngẫu nhiên
Hàm heuristic trong A* phải:
Luôn đánh giá cao hơn thực tế
Luôn ≤ chi phí thực tế còn lại
Ngẫu nhiên
Không quan trọng
Depth-Limited Search giải quyết hạn chế:
Vòng lặp vô hạn của DFS
Không gian bộ nhớ lớn
Chi phí cao của BFS
Không dùng heuristic
Thành phần cơ bản của phát biểu bài toán:
Trạng thái ban đầu
Tập hành động
Kiểm tra mục tiêu
Tất cả các đáp án trên
Bài toán máy hút bụi minh họa:
Tác tử học máy
Tìm kiếm trạng thái
CSP
Minimax
Tìm kiếm lặp sâu (Iterative Deepening Search) kết hợp:
BFS và DFS
DFS và UCS
BFS và A*
UCS và Greedy
Thành phần chính của một CSP gồm:
Biến, miền giá trị, ràng buộc
Mục tiêu, hành động, chi phí
Thuật toán, dữ liệu, kết quả
Môi trường, tác tử, cảm biến
Bài toán tô màu bản đồ là ví dụ của:
Tối ưu hóa tuyến tính
CSP
Phân loại dữ liệu
Tìm kiếm mù
Ràng buộc một biến gọi là:
Unary constraint
Binary constraint
Ternary constraint
High-order constraint
Ràng buộc liên quan đến hai biến là:
Unary constraint
Binary constraint
Multiple constraint
Complex constraint
Thuật toán cơ bản để giải CSP:
BFS
DFS
Backtracking
A*
Arc Consistency giúp:
Giảm số biến
Loại bỏ giá trị không phù hợp trong miền
Tăng tốc CPU
Thêm biến vào bài toán
Heuristic MRV (Minimum Remaining Values) chọn biến:
Có nhiều giá trị hợp lệ nhất
Có ít giá trị hợp lệ nhất
Chọn ngẫu nhiên
Có ràng buộc mạnh nhất
Heuristic Degree chọn biến:
Có ít ràng buộc nhất
Có nhiều ràng buộc nhất
Chọn biến cuối cùng
Chọn biến đầu tiên
Forward Checking được dùng để:
Xóa giá trị không hợp lệ trước khi gán
Tạo giá trị mới
Xóa biến
Tăng kích thước miền
CSP thường được mô hình hóa bằng:
Cây quyết định
Đồ thị
Bảng dữ liệu
Chuỗi ký tự
Trò chơi đối kháng là:
Nhiều người cùng thắng
Một người thắng, một người thua (zero-sum)
Không có kết quả rõ ràng
Cả hai cùng thắng
Người chơi MAX trong minimax:
Cố gắng giảm điểm số
Cố gắng tối đa hóa điểm số
Cố gắng tối thiểu hóa thời gian
Không quan trọng
Người chơi MIN trong minimax:
Tối đa hóa điểm
Tối thiểu hóa điểm của MAX
Chỉ chơi ngẫu nhiên
Không tham gia
Alpha-Beta Pruning giúp:
Cắt bỏ nhánh không cần thiết
Thêm nút mới vào cây
Tăng bộ nhớ
Loại bỏ luật chơi
Minimax hoạt động tốt nhất khi:
Biết trước tất cả trạng thái
Không biết trạng thái
Chỉ chơi một lần
Trò chơi không có luật
Độ phức tạp của Minimax là:
O(b^m)
O(m^b)
O(b+m)
O(bm)
"b" trong O(b^m) là:
Số biến
Hệ số nhánh (branching factor)
Số bước
Chi phí
"m" trong O(b^m) là:
Độ sâu tối đa
Số người chơi
Chi phí mỗi bước
Số biến
Một ví dụ trò chơi đối kháng:
Sudoku
Cờ vua
Giải phương trình
Dự báo thời tiết
Alpha-Beta Pruning hiệu quả nhất khi:
Các nước đi được sắp xếp tốt
Không có sắp xếp
Trò chơi không có luật
Chỉ một người chơi
Học máy là:
Lưu trữ dữ liệu
Ghi nhớ lệnh
Cải thiện hiệu suất qua kinh nghiệm
Sửa lỗi phần mềm
Học có giám sát (Supervised Learning) dùng:
Dữ liệu không nhãn
Dữ liệu có nhãn
Dữ liệu hỗn hợp
Không dùng dữ liệu
Học không giám sát (Unsupervised Learning) dùng:
Dữ liệu có nhãn
Dữ liệu không nhãn
Dữ liệu gắn nhãn một phần
Dữ liệu thời gian thực
Ví dụ học có giám sát:
Phân loại email spam
Phân nhóm khách hàng
Khai phá luật kết hợp
Giảm số chiều dữ liệu
Ví dụ học không giám sát:
Dự đoán điểm thi
Gom cụm khách hàng
Nhận dạng chữ viết
Phân loại ảnh
Học tăng cường (Reinforcement Learning) dựa trên:
Phản hồi từ giáo viên
Thưởng và phạt từ môi trường
Phân loại dữ liệu
Học theo luật cố định
Hàm mất mát (Loss Function) dùng để:
Đánh giá sai số mô hình
Tăng tốc độ học
Giảm kích thước dữ liệu
Tạo dữ liệu mới
Overfitting xảy ra khi:
Mô hình học quá ít
Mô hình học quá kỹ dữ liệu huấn luyện
Dữ liệu thiếu
Dữ liệu dư thừa
Regularization giúp:
Giảm overfitting
Tăng overfitting
Loại bỏ dữ liệu
Tăng kích thước mô hình
Một thuật toán học máy phổ biến:
BFS
Decision Tree
Alpha-Beta
Minimax
