Font size
WorksheetsChủ đề 2: Máy tính học từ dữ liệu như thế nào?
Total questions: 27
Worksheet time: 14mins
Trong bối cảnh trí tuệ nhân tạo (AI), máy học (Machine Learning) được định nghĩa như thế nào?
Là một chương trình máy tính có thể thực hiện mọi công việc của con người một cách thông minh.
Là việc lập trình các quy tắc logic phức tập để máy tính có thể đưa ra quyết định thông minh.
Là chương trình xây dựng bằng cách sử dụng dữ liệu để dự đoán và nhận diện mẫu.
Là quá trình viết ra các quy tắc và hướng dẫn từng bước để máy tính giải quyết vấn đề.
Lập trình truyền thống viết ra các quy tắc để xử lý dữ liệu còn máy học tạo ra các quy tắc bằng cách học từ dữ liệu.
ĐÚNG
Tại sao loa thông minh cần dùng cách tiếp cận 'dựa trên dữ liệu' (Máy học) để diễn giải lệnh thoại, thay vì dùng lập trình truyền thống (dựa trên quy tắc)?
Vì không thể viết ra quy tắc cho mọi giọng nói, ngôn ngữ, và cách diễn đạt khác nhau.
Vì loa thông minh cần kết nối internet, mà lập trình truyền thống không làm được.
Vì cách tiếp cận dựa trên dữ liệu tốn ít bộ nhớ hơn.
Vì lập trình truyền thống không thể xử lý âm thanh.
Mối quan hệ giữa Trí tuệ nhân tạo (AI) và Máy học (ML) là gì?
AI và ML là hai thuật ngữ đồng nghĩa, có thể dùng thay thế cho nhau.
ML là một nhánh (một tập hợp con) của AI.
AI là một nhánh (một tập hợp con) của ML.
AI và ML là hai lĩnh vực hoàn toàn riêng biệt, không liên quan.
Yếu tố cơ bản và quan trọng nhất cần có để huấn luyện một mô hình máy học là gì?
Một máy tính siêu nhanh
Các quy tắc lập trình
Thời gian
Dữ liệu
Vai trò chính của 'dữ liệu huấn luyện' (training data) trong quy trình máy học là gì?
Để xác đinh ba loại máy học chính sẽ được sử dụng.
Để cung cấp các ví dụ cho mô hình máy học các mẫu và mối quan hệ.
Để đưa ra các dự đoán trong thực tế sau khi mô hình đã được triển khai.
Để đánh giá độ chính xác cuối cùng của mô hình sau khi nó đã được tạo ra.
Tại sao cần sử dụng "Dữ liệu kiểm tra" (testing data) riêng biệt với dữ liệu huấn luyện?
Để đánh giá độ chính xác của mô hình trên dữ liệu 'mới' mà nó chưa từng thấy.
Để đảm bảo rằng dữ liệu huấn luyện không có lỗi hoặc nhãn sai.
Để tăng thêm số lượng dữ liệu cho mô hình học hỏi.
Dữ liệu huấn luyện thường bị lỗi, cần dữ liệu kiểm tra để sửa.
Ba loại máy học chính được giới thiệu trong chủ đề 2 là gì?
Học có giám sát
Học sâu
Học dựa trên kinh nghiệm
Học tăng cường
Học không giám sát
Trong hoạt động về ứng dụng Grab, tại sao chức năng 'Hiển thị vị trí tài xế trên bản đồ' lại được xác định là KHÔNG sử dụng AI?
Vì nó chỉ đơn thuần theo dõi và hiển thị tín hiệu GPS theo thời gian thực.
Vì nó yêu cầu một lượng lớn dữ liệu để hoạt động chính xác.
Vì nó sử dụng thuật toán phức tạp để tìm đường đi ngắn nhất.
Ví nó học từ dữ liệu giao thông trong quá khứ để dự đoán vị trí.
Mô hình phân loại (classification model) là một ứng dụng phổ biến của loại máy học nào?
Lập trình dựa trên quy tắc (Rule-based programming)
Học không có giám sát (Unsupervised Learning)
Học tăng cường (Reinforcement Learning)
Học có giám sát (Supervised Learning)
Thuật ngữ "Học tăng cường" trong tiếng Anh là "Deep Learning".
Trong máy học có giám sát, thuật ngữ 'nhãn' (label) có nghĩa là gì?
Danh mục chính xác được gán cho một mẫu dữ liệu huấn luyện.
Một cụm dữ liệu có các đặc điểm tương tự nhau được máy tính tự động tìm ra.
Tên của mô hình máy học đang được xây dựng.
Một phần thưởng được trao cho mô hình khi nó dự đoán đúng.
Trong mô hình Phân loại, "Lớp" (Class) có nghĩa là danh mục mà dữ liệu có thể được gán vào.
Thuật ngữ 'học tăng cường' (reinforcement learning) mô tả quá trình học như thế nào?
Học bằng cách phân nhóm các dữ liệu không có nhãn vào các cụm trương tự nhau.
Học từ một tập dữ liệu lớn đã được gán nhãn sẵn bởi con người.
Học thông qua thử và sai, nhận phản hồi dưới dạng phần thưởng hoặc hình phạt.
Học bằng cách ghi nhớ tất cả các quy tắc do con người lập trình cung cấp.
Sự khác biệt chính yếu giữa Học có giám sát và Học không giám sát là gì?
Học có giám sát dùng cho hình ảnh, học không giám sát dùng cho văn bản.
Học có giám sát nhanh hơn học không giám sát.
Học có giám sát dùng cho robot, học không giám sát dùng cho trang web.
Học có giám sát cần dữ liệu đã được gán nhãn, còn học không giám sát tự tìm cấu trúc trong dữ liệu không nhãn.
Trong một mô hình phân loại email, 'lớp' (class) có thể là gì?
Các danh mục như 'Thư rác' và 'Không phải thư rác'.
Số lượng từ trong email.
Địa chỉ email của người gửi.
Thuật toán được sử dụng để xây dựng mô hình.
Thuật ngữ 'phân loại' (classification) trong máy học đề cập đến nhiệm vụ gán một mục dữ liệu vào một trong các mục (lớp) được xác định trước.
ĐÚNG
Dữ liệu được sử dụng để 'dạy' cho một mô hình máy học được gọi là gì?
Dữ liệu huấn luyện/đào tạo (training data)
Dữ liệu dự đoán (prediction data)
Dự liệu kiểm tra (testing data)
Dữ liệu có nhãn (labeled data)
Trong trò chơi Google Quick, Draw!, khi AI đoán sai hình vẽ của bạn, lý do khả dĩ nhất dựa trên nguyên lý máy học là gì?
Nét vẽ của bạn quá khác biệt so với hàng triệu bản vẽ trong dữ liệu huấn luyện của nó.
AI chưa được huấn luyện đủ lâu và cần thêm thời gian để suy nghĩ.
Người lập trình đã không viết quy tắc cho tất cả các cách vẽ có thể.
Kết nôi internet của bạn không đủ mạnh để AI xử lý.
Tại sao việc có một tập dữ liệu huấn luyện đa dạng (ví dụ: nhiều hình ảnh mèo ở các góc độ, màu sắc, giống loài khác nhau) lại quan trọng khi xây dựng mô hình phân loại?
Để giảm thời gian cần thiết cho việc huấn luyện mô hình.
Để giúp mô hình có khả năng tổng quát hóa tốt và nhận diện chính xác các ví dụ mới.
Để đảm bảo rằng không có nhãn nào bị sai trong tập dữ liệu.
Mô hình sẽ có độ chính xác cao trên dữ liệu kiểm tra và dữ liệu thực tế.
Trong trò chơi mô phỏng học tăng cường 'Đi tìm kho báu', việc giáo viên thông báo 'đúng hướng' (+10 điểm) hoặc 'sai hướng' (-10 điểm) tương ứng với khái niệm nào trong máy học?
Nhãn và lớp
Dữ liệu có nhãn và dữ liệu không nhãn
Dữ liệu huấn luyện và dữ liệu kiểm
Phần thưởng và hình phạt
(Tình huống) Một bệnh viện muốn xây dựng một mô hình AI để chẩn đoán bệnh cúm. Họ có 10.000 hồ sơ bệnh nhân, mỗi hồ sơ đã được bác sĩ gán nhãn là 'Bị cúm' hoặc 'Không bị cúm'. Đây là ví dụ về loại máy học nào?
Lập trình dựa trên quy tắc
Học tăng cường
Học có giám sát
Học không giám sát
(Tình huống) Một hệ thống gợi ý sản phẩm trên trang thương mại điện tử thường hoạt động bằng cách phân tích lịch sử mua hàng của bạn và so sánh nó với những người dùng có hành vi tương tự. Việc 'nhóm những người dùng có hành vi tương tự' là một ví dụ của loại máy học nào?
Lập trình dựa trên quy tắc
Học tăng cường
Học có giám sát
Học không giám sát
(Tình huống) Một robot hút bụi thông minh tự học cách lập bản đồ và di chuyển hiệu quả trong nhà bạn. Nó thử các đường đi khác nhau, nếu va vào tường (hình phạt), nó sẽ học cách tránh khu vực đó; nếu dọn sạch một khu vực nhanh chóng (phần thưởng), nó sẽ ưu tiên các chiến lược tương tự. Robot này đang sử dụng loại máy học nào?
Lập trình dựa trên quy tắc
Học tăng cường
Học có giám sát
Học không giám sát
(Tình huống) Một công ty an ninh mạng muốn xây dựng một hệ thống để xác định xem một email là lừa đảo (phishing) hay hợp pháp. Họ có một cơ sở dữ liệu khổng lồ gồm hàng triệu email đã được các chuyên gia dán nhãn là 'lừa đảo' hoặc 'hợp pháp'. Cách tiếp cận máy học phù hợp nhất là gì?
Sử dụng học không giám sát để nhóm các email tương tự lại với nhau.
Xây dụng một mô hình phân loại sử dụng học có giám sát.
Sử dụng lập trình dựa tren quy tắc bằng cách liệt kế tất cả các từ khóa đáng ngờ.
Sử dụng học tăng cường để 'thưởng' cho hệ thống khi nó chặn đúng email lừa đảo.
(Tình huống) Một nhà nghiên cứu muốn dùng AI để tự động phân loại các loài động vật trong hàng ngàn bức ảnh chụp từ bẫy ảnh ở Vườn quốc gia Serengeti. Để huấn luyện mô hình phân loại này, họ cần chuẩn bị loại dữ liệu đầu vào nào?
Một bản đồ GPS về vị trí của loài động vật.
Một loạt video về hành vi của động vật.
Một bộ sưu tập lớn các hình ảnh, mỗi hình ảnh đã được gán nhãn chính xác với tên loài động vật trong đó.
Chỉ cần các hình ảnh động vật, AI sẽ tự động tìm ra các loài khác nhau.
Giả sử bạn xây dựng một mô hình phân loại 3 loài động vật trong Teachable Machine. Nếu bạn dùng cùng một bộ ảnh để vừa huấn luyện, vừa kiểm tra mô hình, kết quả kiểm tra có thể sẽ như thế nào và tại sao?
Kết quả sẽ thấp vì mô hình bị 'nhầm lẫn'.
Kết quả sẽ rất cao vì mô hình 'nhớ' câu trả lời cho các ảnh đó.
Không thể kiểm tra mô hình bằng dữ liệu huấn luyện.
Kết quả sẽ không thay đổi so với việc dùng dữ liệu kiểm tra riêng biệt.
