Free Printable Bài kiểm tra trắc nghiệm về Trí tuệ nhân tạo và Học máy

Worksheets

Bài kiểm tra trắc nghiệm về Trí tuệ nhân tạo và Học máy

Total questions: 150

Worksheet time: 1hrs 15mins

Name

Class

Date

Thuật ngữ “Artificial Intelligence” được đưa ra lần đầu tiên vào năm nào?

1950

1956

1970

1980

Đặc điểm nào sau đây mô tả về Weak AI (AI yếu)?

Có ý nghĩ, lý trí và nhận thức

Có khả năng thực hiện mọi nhiệm vụ như con người

Chỉ có thể mô phỏng một hoặc một số hành vi trí tuệ của con người

Tự học từ trải nghiệm mà không cần can thiệp

Sắp xếp nào sau đây đúng về mối quan hệ giữa các lĩnh vực?

Deep Learning < Machine Learning < AI

AI < Machine Learning < Deep Learning

Machine Learning < AI < Deep Learning

Deep Learning < AI < Machine Learning

Trong quy trình xây dựng mô hình, bước nào tốn nhiều thời gian và nguồn lực nhất?

Thu thập dữ liệu

Chuẩn bị dữ liệu

Huấn luyện mô hình

Đánh giá mô hình

Khi gặp dữ liệu thiếu (Missing value) khoảng 70–80% ở một cột, phương pháp xử lý tốt nhất là:

Điền giá trị trung bình

Loại bỏ hàng

Loại bỏ cột

Giữ nguyên dữ liệu

Học máy có giám sát (Supervised Learning) bao gồm hai loại chính là:

Phân cụm và Giảm chiều dữ liệu

Phân loại và Hồi quy

Học củng cố và Học bán giám sát

Phân loại và Phân cụm

Thuật toán KNN (K-Nearest Neighbors) còn được gọi là gì?

Eager learning

Lazy learning

Deep learning

Reinforcement learning

Chỉ số Accuracy (Độ chính xác) không phù hợp để đánh giá khi nào?

Tập dữ liệu lớn

Tập dữ liệu mất cân bằng

Mô hình Hồi quy

Khi dùng tập Test

Precision cao nhưng Recall thấp có nghĩa là:

Mô hình dự đoán nhầm nhiều

Mô hình bỏ sót nhiều trường hợp dương tính thực tế

Mô hình dự đoán tất cả là dương tính

Mô hình hoạt động hoàn hảo

10.

Nút lá (Leaf nodes) trong Cây quyết định biểu diễn điều gì?

Thuộc tính quyết định

Đầu ra của quyết định

Nhãn lớp

Phép thử logic

11.

Đâu là độ đo lựa chọn thuộc tính phổ biến trong Cây quyết định?

Euclidean và Manhattan

Gini Index và Entropy

MAE và MSE

Precision và Recall

12.

Thuật toán Naive Bayes dựa trên giả thiết nào về các chiều dữ liệu?

Phụ thuộc lẫn nhau

Độc lập với nhau

Luôn tuân theo phân phối chuẩn

Có trọng số như nhau

13.

Kỹ thuật Bag of Words (BoW) trong NLP tập trung vào điều gì?

Ngữ pháp câu

Trật tự từ

Tần suất xuất hiện của từ

Ngữ nghĩa của từ

14.

Chỉ số nào phản ánh mức độ quan trọng của một từ đối với một tài liệu trong toàn bộ tập văn bản?

BoW

TF-IDF

Gini Index

Accuracy

15.

Hồi quy tuyến tính (Linear Regression) nhằm mục đích dự đoán đầu ra là giá trị:

Rời rạc

Liên tục

Nhị phân

Nhãn lớp

16.

Chỉ số MAE (Mean Absolute Error) trong hồi quy là:

Sai số bình phương trung bình

Sai số tuyệt đối trung bình

Độ lệch chuẩn

Hệ số xác định

17.

Hiện tượng Overfitting xảy ra khi:

Tập Train thấp, tập Test thấp

Tập Train và Test đều cao

Tập Train cao nhưng tập Test thấp

Mô hình không thể học được dữ liệu

18.

Thư viện Python nào được coi là mạnh mẽ nhất cho Machine Learning (phân lớp, hồi quy, phân cụm...)?

TensorFlow

Scikit-learn

Keras

Pandas

19.

Lĩnh vực nghiên cứu các hệ thống mô phỏng hành vi, suy nghĩ và khả năng ra quyết định của con người được gọi là gì?

Khoa học dữ liệu

Trí tuệ nhân tạo (AI)

Internet vạn vật (IoT)

Hệ quản trị cơ sở dữ liệu

20.

Quan niệm Strong AI đề cập đến hệ thống có khả năng nào?

Chỉ thực hiện một nhóm nhiệm vụ cụ thể

Thực hiện mọi nhiệm vụ mà con người có thể làm và có ý thức

Không thể tự học những điều mới ngoài dữ liệu

Đạt hiệu suất cao trong một lĩnh vực hẹp

21.

Đặc điểm nổi bật nhất của Học máy (Machine Learning) là gì?

Phải được lập trình cụ thể cho từng nhiệm vụ

Chỉ làm việc với dữ liệu hình ảnh

Có khả năng tự học từ dữ liệu mà không cần lập trình cụ thể

Hoạt động không cần dữ liệu trong quá khứ

22.

Thuật ngữ Machine Learning trở nên phổ biến trong giai đoạn nào?

1950–1970

1980–2006

2010–2017

Sau năm 2020

23.

Độ chính xác của kết quả dự đoán trong học máy phụ thuộc chủ yếu vào yếu tố nào?

Tốc độ đường truyền internet

Lượng dữ liệu đưa vào hệ thống

Ngôn ngữ lập trình được sử dụng

Thương hiệu máy tính sử dụng

24.

Ứng dụng nào sau đây không được liệt kê là ứng dụng của ML trong tài liệu?

Phát hiện thư rác (spam)

Giao dịch gian lận

Quản lý nhân sự thủ công

Phân tích cảm xúc

25.

Học không giám sát (Unsupervised Learning) tập trung vào dữ liệu nào?

Đã được gán nhãn đầy đủ

Chỉ có thông tin đầu vào (biến X), không có nhãn (biến y)

Có một phần nhỏ được gán nhãn

Được nhận phần thưởng từ môi trường

26.

Ví dụ điển hình của thuật toán học không giám sát là gì?

Hồi quy và Phân loại

Phân cụm và Giảm chiều dữ liệu

Học tăng cường

Nhận dạng tiếng nói

27.

Trong học củng cố (Reinforcement Learning), Agent sẽ nhận penalty khi nào?

Thực hiện hành động đúng

Thực hiện hành động sai

Không làm gì cả

Môi trường không phản hồi

28.

Thư viện Python nào nổi tiếng nhất để xây dựng các mô hình Deep Learning?

Scikit-learn

TensorFlow

Pandas

Matplotlib

29.

Bước đầu tiên trong quy trình xây dựng mô hình học máy là gì?

Chuẩn bị dữ liệu

Xác định bài toán và thu thập dữ liệu

Huấn luyện mô hình

Đánh giá mô hình

30.

Việc tích hợp dữ liệu từ nhiều nguồn để tạo thành một tập dữ liệu nhất quán được gọi là gì?

Dataset

Data Mining

Data Warehouse

Big Data

31.

Outliers trong chuẩn bị dữ liệu được hiểu là gì?

Dữ liệu bị thiếu

Dữ liệu nhiễu

Dữ liệu ngoại lai

Dữ liệu đã được gán nhãn

32.

Nếu bài toán có nhãn là các giá trị rời rạc, đó thuộc loại bài toán nào?

Hồi quy

Phân lớp (Classification)

Phân cụm

Giảm chiều dữ liệu

33.

Bản chất của việc huấn luyện mô hình ML là gì?

Sao chép dữ liệu vào bộ nhớ

Tìm các tham số tối ưu cho thuật toán

Vẽ biểu đồ dữ liệu

Xóa bỏ các giá trị nhiễu

34.

Tập dữ liệu nào được sử dụng ở Bước đánh giá mô hình để dự đoán?

Tập Train

Tập Test

Tập Validation

Dữ liệu thô ban đầu

35.

Trường hợp best fit xảy ra khi nào?

Cả tập Train và Test đều thấp

Tập Train cao nhưng tập Test thấp

Cả tập Train và tập Test đều cao

Chỉ tập Test cao

36.

Hyperparameter tuning được thực hiện để làm gì?

Thu thập thêm dữ liệu mới

Tìm tham số tốt nhất cho mô hình để đạt best fit

Thay đổi thuật toán sang loại khác

Xóa bỏ các cột bị thiếu dữ liệu

37.

Hai phương pháp phổ biến để tùy chỉnh tham số (hyperparameter tuning) là gì?

Linear và Nonlinear Search

Grid Search và Randomized Search

Manual và Auto Search

Forward và Backward Search

38.

Phương pháp Deletion Rows (loại bỏ hàng) khi xử lý dữ liệu thiếu có nhược điểm gì?

Tốn nhiều bộ nhớ

Có thể làm mất nhiều dữ liệu nếu chỉ có vài dòng thiếu

Làm dữ liệu bị sai lệch thời gian

Không thể áp dụng cho dữ liệu số

39.

Bài toán mà dữ liệu thay đổi theo thời gian, có tính đến xu hướng và thời vụ là bài toán gì?

Bài toán phân loại nhị phân

Bài toán chuỗi thời gian (Time-Series Problem)

Bài toán hồi quy đơn biến

Bài toán phân cụm

40.

Thuật toán KNN thực hiện mọi tính toán khi nào?

Đang trong giai đoạn huấn luyện

Cần dự đoán nhãn của dữ liệu mới

Đang thu thập dữ liệu

Xây dựng cây quyết định

41.

Tên gọi nào sau đây không phải là tên khác của KNN?

Instance-based learning

Memory-based learning

Eager learning

Lazy learning

42.

Trong bài toán Hồi quy sử dụng KNN với $k=1$ , giá trị dự đoán cho điểm dữ liệu mới là gì?

Giá trị trung bình của toàn bộ tập dữ liệu

Nhãn của điểm dữ liệu đã biết gần nhất

Giá trị 0

Giá trị ngẫu nhiên

43.

Tham số weights trong Scikit-learn cho KNN có giá trị mặc định là gì?

distance

uniform

manhattan

auto

44.

Nhược điểm lớn nhất của KNN liên quan đến hiệu năng là gì?

Độ phức tạp huấn luyện cao

Lưu toàn bộ dữ liệu trong bộ nhớ ảnh hưởng hiệu năng

Khó cài đặt

Không dùng được cho bài toán hồi quy

45.

KNN rất nhạy với nhiễu khi nào?

Giá trị k rất lớn

Giá trị K nhỏ

Sử dụng khoảng cách Euclidean

Sử dụng dữ liệu đã chuẩn hóa

46.

Trong Ma trận nhầm lẫn (Confusion Matrix), các phần tử trên đường chéo biểu thị điều gì?

Số điểm bị phân loại sai của từng lớp

Số điểm được phân loại đúng của mỗi lớp dữ liệu

Tổng số mẫu của toàn bộ tập kiểm thử

Tỷ lệ chính xác của mô hình

47.

"Positive" trong Precision và Recall thường đại diện cho

Lớp dữ liệu ít quan trọng hơn.

Lớp dữ liệu quan trọng hơn và cần được dự đoán chính xác.

Toàn bộ các lớp dữ liệu.

Các mẫu dữ liệu bị nhiễu.

48.

Một mô hình dự đoán Email spam/normal cần rất cẩn thận khi dự đoán dương tính để tránh mất email quan trọng, mô hình này cần ưu tiên chỉ số nào

Recall.

Precision.

MSE.

Gini Index.

49.

$F1$ -score là trung bình điều hòa của hai đại lượng nào

Accuracy và Precision.

Precision và Recall.

Recall và Accuracy.

MAE và RMSE.

50.

Giá trị của $F1$ -score nằm trong khoảng nào

$[0, 1]$

$(-1, 1)$

$(0, 1]$

$(0, +\infty)$

51.

Cây quyết định là mô hình học máy thuộc loại nào

Không giám sát.

Có giám sát, dùng cho cả phân loại và hồi quy.

Chỉ dùng cho dữ liệu số.

Học củng cố.

52.

Việc duyệt cây để đưa ra quyết định được thực hiện theo hướng nào

Lá đến gốc.

Gốc đến lá.

Trái sang phải.

Ngẫu nhiên.

53.

Thuộc tính với điểm đo lựa chọn thuộc tính như thế nào sẽ được lựa chọn để phân chia

Điểm thấp nhất.

Điểm trung bình.

Điểm cao nhất.

Điểm âm.

54.

"Cắt tỉa cây" (Pruning) là cần thiết để làm gì

Làm cây dài hơn.

Loại bỏ những nhánh không tin cậy và giảm quá khớp.

Thêm nhiều biến quan trọng.

Tăng tốc độ thu thập dữ liệu.

55.

Một ưu điểm của Cây quyết định là "Phi tham số", nghĩa là gì

Không cần sử dụng bất kỳ tham số nào.

Không cần giả định về phân phối của dữ liệu.

Chỉ dùng cho các biến định tính.

Tốc độ dự đoán bằng 0.

56.

Mục tiêu chính của Xử lý ngôn ngữ tự nhiên (NLP) là gì

Giúp máy tính hiểu và thực hiện các nhiệm vụ liên quan đến ngôn ngữ con người.

Dịch toàn bộ văn bản sang mã máy nhị phân.

Thay thế hoàn toàn người phiên dịch.

Chỉ tập trung vào việc kiểm tra lỗi chính tả.

57.

NLP được chia thành 2 nhánh lớn là gì

Dịch máy và Chatbot.

Xử lý tiếng nói và Xử lý văn bản.

Nhận dạng hình ảnh và Video.

Thu thập và Làm sạch dữ liệu.

58.

Định lý Bayes cho phép chúng ta tính toán gì

Khoảng cách Euclidean.

Một xác suất chưa biết dựa vào các xác suất có điều kiện khác.

Tổng bình phương sai số RSS.

Chỉ số Gini của nút gốc.

59.

Loại Naïve Bayes nào được sử dụng khi các thành phần của vector đặc trưng là giá trị nhị phân (0 hoặc 1)

Gaussian Naïve Bayes.

Multinomial Naïve Bayes.

Bernoulli Naïve Bayes.

Poisson Naïve Bayes.

60.

Nhược điểm của kỹ thuật Bag of Words (BoW) là gì

Khó triển khai.

Không nắm bắt được ngữ cảnh hoặc quan hệ giữa các từ.

Không thể đếm tần suất từ.

Chỉ dùng được cho tiếng Anh.

61.

Trong công thức TF-IDF, IDF (Inverse Document Frequency) giúp điều gì

Tăng trọng số cho các từ xuất hiện ở mọi văn bản.

Phản ánh mức độ quan trọng của một từ đối với một tài liệu trong toàn bộ tập văn bản.

Đếm số lần xuất hiện của từ trong một câu duy nhất.

Sửa lỗi chính tả tự động.

62.

Hồi quy tuyến tính trong không gian ba chiều có đồ thị dạng gì

Một đường thẳng.

Một mặt phẳng.

Một siêu mặt phẳng.

Một đường cong parabol.

63.

Chỉ số MSE phản ánh điều gì về mô hình hồi quy

Tỷ lệ dự đoán đúng nhãn.

Mức độ dao động giữa giá trị dự đoán với giá trị thực.

Xu hướng lệch của giá trị dự đoán.

Độ quan trọng của các biến độc lập.

64.

Chỉ số nào sau đây rất nhạy với những giá trị sai số lớn

MAE.

Accuracy.

RMSE.

Gini Index.

65.

Định nghĩa về AI của John McCarthy (1956) được đánh giá như thế nào trong tài liệu

Rất rõ ràng và khoa học.

Không rõ ràng và gây hiểu lầm.

Là định nghĩa duy nhất chính xác đến nay.

Chỉ áp dụng cho lĩnh vực toán học.

66.

Hệ thống có khả năng tự học từ trải nghiệm mà không cần con người can thiệp là đặc điểm của loại nào

Weak AI.

Strong AI.

Lập trình truyền thống.

AI giai đoạn 1950.

67.

Hệ thống "Weak AI" có đặc điểm nào dưới đây

Có ý nghĩ và nhận thức độc lập.

Hiểu và sử dụng ngôn ngữ linh hoạt như con người.

Có thể đạt performance vượt trội con người trong nhiệm vụ cụ thể.

Tự cải thiện mà không cần dữ liệu mới.

68.

Lĩnh vực nào là "tập con của AI" và là "nhánh nhỏ của Khoa học máy tính"

Deep Learning.

Hệ chuyên gia.

Học máy (Machine Learning).

Xử lý ngôn ngữ tự nhiên.

69.

AI mô phỏng khả năng tư duy và hành vi của con người là một

Khái niệm nhỏ trong ML.

Khái niệm lớn bao quát.

Thuật toán cụ thể.

Quy trình làm sạch dữ liệu.

70.

Thuật ngữ "Deep Learning" được tài liệu xác định trong giai đoạn nào

1950 – 1970.

1980 – 2006.

2010 – 2017.

2020 – 2025.

71.

Trong học máy, khi có dữ liệu mới, hệ thống sẽ làm gì

Yêu cầu lập trình lại từ đầu.

Dự đoán kết quả dựa vào mô hình đã được học.

Tự động xóa dữ liệu cũ.

Ngừng hoạt động để cập nhật.

72.

Mục tiêu của Học bán giám sát (Semi-supervised Learning) là làm việc trên tập huấn luyện như thế nào

Hoàn toàn không gán nhãn.

Hoàn toàn đã gán nhãn.

Bao gồm một phần gán nhãn và một phần không gán nhãn.

Chỉ bao gồm dữ liệu nhiễu.

73.

"Phân cụm" (Clustering) là ví dụ điển hình của loại hình học máy nào

Học có giám sát.

Học không giám sát.

Học củng cố.

Học sâu.

74.

Trong Học củng cố, thực thể thực hiện hành động được gọi là gì

Model.

Agent (Tác tử).

Target.

Label.

75.

Ứng dụng "Phân đoạn khách hàng" thường sử dụng loại học máy nào

Học có giám sát.

Học không giám sát (Phân cụm).

Hồi quy tuyến tính.

Học củng cố.

76.

Kỹ năng nào sau đây cần thiết cho ML theo tài liệu

Kỹ năng quản trị kinh doanh.

Kiến thức toán và kỹ năng lập trình.

Kỹ năng thiết kế đồ họa.

Kỹ năng lắp ráp phần cứng.

77.

Đâu là một ứng dụng của ML trong dịch vụ khách hàng?

Ghi âm cuộc gọi

Tự động hóa dịch vụ khách hàng

In hóa đơn

Kiểm kho thủ công

78.

"Giảm chiều dữ liệu" thuộc nhóm thuật toán nào?

Supervised Learning

Unsupervised Learning

Semi-supervised Learning

Reinforcement Learning

79.

AI yếu (Weak AI) không thể làm điều gì?

Vượt trội con người trong một nhiệm vụ

Tự học những điều mới ngoài phạm vi dữ liệu

Mô phỏng hành vi con người

Triển khai trong thực tế

80.

Bước nào trong quy trình ML có nhiệm vụ "Xác định các nguồn dữ liệu liên quan"?

Bước 1: Xác định bài toán và thu thập dữ liệu

Bước 2: Chuẩn bị dữ liệu

Bước 3: Lựa chọn mô hình

Bước 4: Huấn luyện mô hình

81.

Việc "rời rạc hóa và chuẩn hóa" dữ liệu nằm ở bước nào?

Bước 1

Bước 2

Bước 5

Bước 7

82.

Tại sao cần thực hiện bước 6 (Nâng cao độ chính xác)?

Khi mô hình đã đạt Best fit

Khi mô hình rơi vào Underfitting hoặc Overfitting

Khi muốn thay đổi bài toán ban đầu

Khi đã thu thập đủ dữ liệu

83.

Một cách để nâng cao độ chính xác mô hình là:

Giảm bớt lượng dữ liệu huấn luyện

Thay đổi các tham số của mô hình (Hyperparameter tuning)

Giữ nguyên các tham số mặc định

Chỉ sử dụng tập Test để huấn luyện

84.

Machine Learning thực chất là đi tìm:

Một cơ sở dữ liệu mới

Một hàm số

Một máy tính mạnh hơn

Một quy trình thủ công

85.

Bước "Cân bằng" dữ liệu (Balancing) thuộc giai đoạn nào?

Thu thập dữ liệu

Chuẩn bị dữ liệu

Lựa chọn mô hình

Đánh giá mô hình

86.

Nếu dữ liệu đầu vào có nhãn là các số thực (ví dụ: nhiệt độ), ta chọn lớp bài toán nào?

Phân lớp (Classification)

Hồi quy (Regression)

Phân cụm (Clustering)

Giảm chiều (Dimensionality reduction)

87.

Trong bước Đánh giá, trường hợp tập Train cao nhưng tập Test thấp gọi là:

Underfitting

Overfitting

Best fit

Noise

88.

"Dữ liệu thiếu, dữ liệu nhiễu, dữ liệu ngoại lai" được gọi chung là:

Dataset

Dữ liệu thô cần làm sạch

Tham số tối ưu

Target

89.

Bước 7 trong quy trình ML là gì?

Nâng cao độ chính xác

Sử dụng mô hình đã xây dựng để dự đoán

Thu thập thêm dữ liệu

Chọn thuật toán KNN

90.

"Rút gọn thuộc tính" là nhiệm vụ của bước:

Bước 1

Bước 2

Bước 4

Bước 6

91.

Khi nào nên sử dụng phương pháp "Randomized Search"?

Khi muốn thử tất cả các tổ hợp tham số

Khi tùy chỉnh tham số (Hyperparameter tuning)

Khi thu thập dữ liệu từ OpenWeather API

Khi xóa các hàng có giá trị thiếu

92.

Điều gì quyết định đến độ chính xác cao của mô hình ở Bước 1?

Tốc độ của thuật toán

Số lượng và chất lượng dữ liệu thu thập được

Việc gán nhãn y

Sử dụng thư viện Keras

93.

Trong bài toán "Chuỗi thời gian", yếu tố "Seasonality" nghĩa là:

Xu hướng tăng trưởng

Tính thời vụ

Dữ liệu bị nhiễu

Các biến độc lập x

94.

"Grid Search" là phương pháp dùng để:

Thu thập dữ liệu web

Xác định tham số tốt nhất cho model

Xây dựng cây quyết định

Tính khoảng cách Manhattan

95.

Ý tưởng bản chất của KNN là tìm đâu ra của điểm mới dựa trên:

Toàn bộ các điểm trong tập dữ liệu

K điểm dữ liệu trong tập huấn luyện gần nó nhất

Điểm dữ liệu xa nó nhất

Hàm số tuyến tính $y = \beta_0 + \beta_1 x$

96.

Trong tham số KNN của Scikit-learn, giá trị mặc định của n_neighbors là:

97.

Tham số nào xác định việc "gần hơn thì trọng số cao hơn" trong KNN?

weights='uniform'

weights='distance'

p=2

algorithm='brute'

98.

Để tính khoảng cách theo Manhattan trong Scikit-learn, tham số p phải bằng:

Vô cùng

99.

Thuật toán KNN KHÔNG cần giả sử điều gì?

Về phân phối của các class

Về số lượng láng giềng K

Về cách tính khoảng cách

Về dữ liệu huấn luyện

100.

Khi K càng lớn, độ phức tạp của KNN sẽ:

Giảm đi

Giữ nguyên

Tăng lên

Bằng 0

101.

Một trong những ưu điểm của KNN là:

Tiết kiệm bộ nhớ

Độ phức tạp tính toán huấn luyện bằng O

Không nhạy với nhiễu

Phù hợp với tập dữ liệu cực lớn

102.

ball_tree và kd_tree là các giá trị của tham số nào trong KNN?

weights

algorithm

n_neighbors

103.

Công thức tính khoảng cách Euclidean dựa trên:

Tổng trị tuyệt đối hiệu các tọa độ

Căn bậc hai của tổng bình phương hiệu các tọa độ

Tích các tọa độ

Xác suất có điều kiện

104.

Bước thứ 5 trong quy trình thực hiện KNN là:

Khởi tạo K

Sắp xếp khoảng cách

Áp dụng quy tắc Đa số đơn giản

Lấy láng giềng gần nhất

105.

KNN được sử dụng cho:

Chỉ bài toán Phân loại

Chỉ bài toán Hồi quy

Cả bài toán Phân loại và Hồi quy

Chỉ bài toán Phân cụm

106.

Trong KNN cho Hồi quy, nhãn có thể được tính bằng:

Tổng các nhãn

Trung bình có trọng số của những điểm gần nhất

Hiệu các nhãn

Nhãn của điểm xa nhất

107.

Giá trị mặc định của tham số p trong KNN là bao nhiêu?

Auto

108.

"Instance-based learning" nghĩa là:

Học dựa trên các quy tắc

Học dựa trên các ví dụ/mẫu cụ thể

Học dựa trên xác suất

Học dựa trên mạng nơ-ron

109.

Nhược điểm "Tốn nhiều thời gian tính toán khoảng cách tới từng điểm trong tập Train" thuộc thuật toán:

Cây quyết định

KNN

Naïve Bayes

Hồi quy tuyến tính

110.

Trong Confusion Matrix, $FP$ (False Positive) nghĩa là:

Dự đoán đúng là Positive

Thực tế là Negative nhưng dự đoán là Positive

Thực tế là Positive nhưng dự đoán là Negative

Dự đoán đúng là Negative

111.

Công thức của Precision là:

$TP / (TP + FN)$

$TP / (TP + FP)$

$TN / (TN + FP)$

$(TP + TN) / \text{Tổng số mẫu}$

112.

Mô hình "Rất cẩn thận khi dự đoán dương tính, chỉ dự đoán khi rất chắc chắn" có đặc điểm:

Recall cao

Precision cao nhưng Recall thấp

F1-score thấp

Accuracy thấp

113.

Tại sao F1-score lại cần thiết?

Vì nó dễ tính hơn Accuracy

Vì nếu chỉ dùng Precision hoặc Recall đơn lẻ thì không đánh giá được toàn diện chất lượng mô hình

Vì nó chỉ áp dụng cho bài toán hồi quy

Vì nó không phụ thuộc vào giá trị TP

114.

"Tỷ lệ dự đoán nhầm" liên quan mật thiết đến chỉ số nào?

Accuracy

Precision

Recall

MSE

115.

"Tỷ lệ bỏ sót" liên quan mật thiết đến chỉ số nào?

Precision

Recall

Gini Index

116.

Giá trị của Precision và Recall luôn nằm trong đoạn:

$[-1, 1]$

$[0, 1]$

$(0, +\infty)$

Tùy thuộc vào K

117.

Một bộ phân lớp càng tốt khi F1-score:

Càng gần 0

Càng gần 1

Càng lớn hơn 1

Bằng Precision

118.

Khi tất cả các điểm dự đoán đều là Positive, chỉ số nào sẽ bằng 1?

Precision

Recall

Accuracy

Gini Index

119.

"Dự đoán ung thư" là bài toán cần ưu tiên chỉ số nào để đảm bảo an toàn cho bệnh nhân?

Precision cao

Recall cao

Accuracy cao

Chỉ số Gini thấp

120.

Trong Confusion Matrix, tổng số mẫu tập kiểm thử bằng:

Tổng các phần tử trên đường chéo

Tổng tất cả các phần tử trong ma trận

TP + TN

Precision + Recall

121.

Chỉ số Accuracy được tính bằng công thức:

Số lượng dự đoán đúng / Tổng số mẫu

$TP / (TP + FP)$

$(TP + FP) / \text{Tổng số mẫu}$

$TN / (TN + FN)$

122.

Nếu mô hình chỉ đưa ra dự đoán cho 1 điểm duy nhất mà nó chắc chắn nhất, Precision sẽ bằng:

0.5

Không xác định

123.

Một cây quyết định có thể được biểu diễn bằng tập các luật:

Toán học xác suất

IF-THEN

Khoảng cách Euclidean

Đạo hàm và tích phân

124.

"Nút quyết định" (Decision node) tương ứng với:

Nhãn lớp

Quyết định của thuộc tính

Kết quả cuối cùng

Dữ liệu nhiễu

125.

Một phần được chia ra gọi là "thuần nhất" khi:

Chứa các mẫu thuộc nhiều lớp khác nhau

Chứa các mẫu cùng thuộc một lớp

Không chứa mẫu nào

Có chỉ số Gini bằng 1

126.

Giá trị mặc định của phương pháp lựa chọn thuộc tính trong Scikit-learn là:

Entropy

Gini Index

Gain ratio

Misclassification error

127.

Nhược điểm lớn nhất của Cây quyết định được đề cập là:

Khó hiểu

Overfitting (quá khớp)

Tốc độ học chậm

Phụ thuộc vào phân phối dữ liệu

128.

Phương pháp học quy nạp (Inductive learning) phổ biến nhất là:

KNN

Cây quyết định

Naïve Bayes

Hồi quy tuyến tính

129.

"Nhánh cây" biểu diễn điều gì?

Một đặc trưng

Đầu ra của quyết định hoặc tập con dữ liệu được phân chia

Nhãn lớp

Nút gốc

130.

Cây quyết định có thể làm việc ngay cả với dữ liệu:

Bị thiếu hoàn toàn

Chứa nhiều lỗi (noise data)

Không có biến độc lập X

Chỉ có nhãn y

131.

Thuộc tính được chọn để phân chia ở một nút là thuộc tính có:

Chỉ số Gini cao nhất

Điểm đo xếp hạng cao nhất

Nhiều giá trị nhất

Ít lỗi nhất

132.

"Xác suất phân loại sai" được ký hiệu là:

$Qm$

$IG$

$IH$

$RSS$

133.

Ưu điểm "Hữu ích" của Cây quyết định nghĩa là:

Tốc độ dự đoán nhanh

Xác định được các biến quan trọng

Dễ biểu diễn trực quan

Dùng được cho cả bài toán phân loại và liên tục

134.

Tại sao Cây quyết định được coi là mô hình "Phi tham số"?

Vì không dùng tham số $beta$

Vì không cần giả định về phân phối của dữ liệu

Vì nó không cần dữ liệu huấn luyện

Vì kết quả luôn là nhãn rời rạc

135.

Tập biểu diễn các đối tượng được khởi tạo tại đâu?

Nút lá

Nút gốc

Nút quyết định

Các nhánh

136.

"Cắt tỉa cây" giúp loại bỏ điều gì?

Các biến độc lập

Những nhánh không tin cậy

Nút gốc

Toàn bộ dữ liệu nhiễu

137.

Nhận dạng tiếng nói và tóm tắt văn bản tự động là ứng dụng của lĩnh vực nào?

KNN

NLP (Xử lý ngôn ngữ tự nhiên)

Hồi quy tuyến tính

Cây quyết định

138.

"Gaussian Naive Bayes" chủ yếu sử dụng cho loại dữ liệu nào?

Dữ liệu nhị phân

Dữ liệu là các biến liên tục

Dữ liệu đếm số lần từ xuất hiện

Dữ liệu chuỗi thời gian

139.

Kỹ thuật biểu diễn văn bản đơn giản và phổ biến nhất trong NLP là gì?

TF-IDF

Bag of Words (BoW)

Cây quyết định

Ma trận nhầm lẫn

140.

BoW KHÔNG quan tâm đến yếu tố nào?

Tần suất từ

Ngữ pháp, trật tự từ, hay ngữ nghĩa

Bộ từ vựng

Số lần từ xuất hiện

141.

"Ma trận đặc trưng thưa" (sparse matrix) là nhược điểm của kỹ thuật nào khi dữ liệu lớn?

KNN

BoW

Hồi quy tuyến tính

Gaussian Naive Bayes

142.

TF-IDF là viết tắt của cụm từ nào?

Term Frequency – Inverse Document Frequency

Total Frequency – Internal Document Frequency

Term Function – Inverse Data Format

Time Frequency – Inverse Document Format

143.

Ưu điểm của TF-IDF so với BoW là gì?

Đơn giản hơn

Cải thiện khả năng biểu diễn nội dung văn bản

Nắm bắt được ngữ cảnh từ

Tốc độ xử lý nhanh hơn

144.

TF-IDF vẫn bỏ qua yếu tố quan trọng nào?

Tần suất từ

Thứ tự và ngữ cảnh giữa các từ

Trọng số từ

Toàn bộ tập văn bản

145.

Multinomial Naive Bayes thường đi kèm với kỹ thuật nào?

TF-IDF

Bag of Words (BoW)

Ma trận nhầm lẫn

Grid Search

146.

Trong công thức TF-IDF, $\lvert D\rvert$ đại diện cho điều gì?

Số lần từ xuất hiện

Tổng số văn bản trong tập D

Số văn bản có chứa từ t

Độ dài của văn bản

147.

Nhận dạng tiếng nói và tổng hợp tiếng nói thuộc nhánh nào của NLP?

Xử lý văn bản

Xử lý tiếng nói

Dịch máy

Chatbot

148.

Một mô hình Naive Bayes tốt khi xử lý hiện tượng nào?

Đồng nghĩa và đa nghĩa

Độc lập giữa các chiều dữ liệu

Trật tự câu

Dữ liệu thiếu 80%

149.

Bài toán dự báo nhiệt độ, giá nhà là bài toán thuộc loại nào?

Phân lớp

Hồi quy

Phân cụm

Xử lý tiếng nói

150.

"Simple Linear Regression" sử dụng bao nhiêu biến độc lập X?

$n$ (> 1)

Vô số

Reset

Bài kiểm tra trắc nghiệm về Trí tuệ nhân tạo và Học máy

Total questions: 150

Worksheet time: 1hrs 15mins

Similar Resources on Wayground