Thuật toán nào sau đây là ví dụ điển hình của phương pháp học sâu (deep learning)?

• A. Hồi quy Logistic (Logistic Regression).
• B. Mạng nơ-ron tích chập (Convolutional Neural Network - CNN).
• C. Cây quyết định (Decision Tree).
• D. Máy vector hỗ trợ (Support Vector Machine - SVM).

Trong học máy, 'pipeline' (đường ống) là một khái niệm dùng để:

• A. Huấn luyện mô hình trên nhiều máy tính cùng lúc.
• B. Kết hợp nhiều bước xử lý dữ liệu và huấn luyện mô hình thành một chuỗi tuần tự, dễ quản lý và tái sử dụng.
• C. Tự động tìm kiếm siêu tham số (hyperparameter tuning).
• D. Đánh giá hiệu suất của mô hình trên tập kiểm tra.

Thuật toán nào sau đây thường được sử dụng cho bài toán phân loại đa lớp (multi-class classification)?

• A. Hồi quy tuyến tính (Linear Regression).
• B. Hồi quy Logistic (Logistic Regression) với chiến lược One-vs-Rest hoặc Softmax.
• C. Hồi quy tuyến tính với bình phương sai số (Linear Regression with squared error).
• D. Phân tích thành phần chính (Principal Component Analysis - PCA).

Thuật toán 'Logistic Regression' thực chất là một dạng của mô hình gì?

• A. Mô hình phân cụm.
• B. Mô hình hồi quy tuyến tính được áp dụng với hàm sigmoid để phân loại.
• C. Mô hình cây quyết định.
• D. Mô hình mạng nơ-ron đơn giản.

Trong học máy, 'cross-validation' (kiểm định chéo) được sử dụng để làm gì?

• A. Tăng cường tốc độ xử lý dữ liệu.
• B. Giảm thiểu số lượng đặc trưng cần thiết.
• C. Ước lượng hiệu suất của mô hình một cách đáng tin cậy hơn trên dữ liệu mới.
• D. Xử lý các giá trị bị thiếu trong dữ liệu.

Kỹ thuật 'data augmentation' (tăng cường dữ liệu) thường được sử dụng trong lĩnh vực nào để cải thiện hiệu suất mô hình?

• A. Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP).
• B. Nhận dạng hình ảnh (Image Recognition).
• C. Dự báo chuỗi thời gian (Time Series Forecasting).
• D. Phân cụm dữ liệu (Clustering).

Trong các thuật toán học máy, 'feature engineering' đề cập đến quá trình nào?

• A. Chọn thuật toán học máy phù hợp.
• B. Tạo ra các đặc trưng mới từ dữ liệu thô để cải thiện hiệu suất mô hình.
• C. Huấn luyện mô hình trên tập dữ liệu lớn.
• D. Đánh giá mô hình bằng các độ đo hiệu suất.

Trong học máy, 'ensemble learning' (học tập hợp) là một phương pháp kết hợp nhiều mô hình để:

• A. Làm cho mô hình đơn giản hơn.
• B. Cải thiện hiệu suất tổng thể và độ ổn định của dự đoán.
• C. Giảm thiểu thời gian huấn luyện.
• D. Tăng cường tính giải thích của mô hình.

Kỹ thuật 'weight initialization' (khởi tạo trọng số) trong mạng nơ-ron là quan trọng vì:

• A. Nó đảm bảo mô hình luôn hội tụ nhanh chóng.
• B. Khởi tạo sai có thể dẫn đến vấn đề 'vanishing gradient' hoặc 'exploding gradient'.
• C. Nó loại bỏ nhu cầu về 'regularization'.
• D. Nó tự động chọn kiến trúc mạng nơ-ron phù hợp.

Kỹ thuật 'Grid Search' trong học máy thường được sử dụng để:

• A. Trực quan hóa dữ liệu.
• B. Tự động tìm kiếm bộ siêu tham số (hyperparameters) tối ưu cho mô hình.
• C. Giảm thiểu số lượng đặc trưng.
• D. Đánh giá hiệu suất của mô hình trên tập huấn luyện.

Thuật toán 'XGBoost' (Extreme Gradient Boosting) là một biến thể tiên tiến của phương pháp nào?

• A. K-Means Clustering.
• B. Gradient Boosting.
• C. Support Vector Machine (SVM).
• D. Naive Bayes.

Khi đối mặt với hiện tượng 'underfitting' (mô hình quá đơn giản), các chiến lược cải thiện nào sau đây là phù hợp?

• A. Giảm độ phức tạp của mô hình (ví dụ: giảm số lượng tham số).
• B. Tăng cường feature engineering hoặc thêm các đặc trưng mới.
• C. Giảm kích thước tập huấn luyện.
• D. Tăng cường regularization (ví dụ: L1, L2).

Trong các loại lỗi của mô hình học máy, 'bias' cao thường biểu thị điều gì?

• A. Mô hình quá nhạy cảm với dữ liệu huấn luyện.
• B. Mô hình có xu hướng đưa ra dự đoán sai lệch hệ thống khỏi giá trị thực.
• C. Mô hình có phương sai cao.
• D. Mô hình có thể khái quát hóa rất tốt trên dữ liệu mới.

Trong học máy, 'feature importance' (tầm quan trọng của đặc trưng) là một khái niệm thường được trích xuất từ loại mô hình nào?

• A. Hồi quy tuyến tính (Linear Regression).
• B. Các mô hình dựa trên cây (Tree-based models) như Random Forest, Gradient Boosting.
• C. K-Means Clustering.
• D. SVM với kernel tuyến tính.

Trong Học máy giám sát, mục đích chính của việc chia tập dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (testing set) là gì?

• A. Để tăng tốc độ huấn luyện mô hình.
• B. Để đánh giá khả năng khái quát hóa của mô hình trên dữ liệu chưa thấy.
• C. Để giảm thiểu số chiều của dữ liệu đầu vào.
• D. Để lựa chọn thuật toán học máy phù hợp nhất.

Trong học máy, 'bias-variance tradeoff' có ý nghĩa gì đối với mô hình phức tạp và đơn giản?

• A. Mô hình phức tạp có bias cao và variance thấp; mô hình đơn giản có bias thấp và variance cao.
• B. Mô hình phức tạp có bias thấp và variance cao; mô hình đơn giản có bias cao và variance thấp.
• C. Cả mô hình phức tạp và đơn giản đều có bias và variance thấp.
• D. Cả mô hình phức tạp và đơn giản đều có bias và variance cao.

Thuật toán 'K-Nearest Neighbors' (KNN) phân loại một điểm dữ liệu mới dựa trên:

• A. Giá trị trung bình của các điểm dữ liệu gần nhất.
• B. Nhãn của đa số các điểm dữ liệu lân cận gần nhất.
• C. Khoảng cách từ điểm dữ liệu đến tâm của các cụm.
• D. Độ dốc của hàm mất mát tại điểm đó.

Trong học máy, 'feature selection' (lựa chọn đặc trưng) khác với 'dimensionality reduction' (giảm chiều dữ liệu) ở điểm nào?

• A. Feature selection tạo ra đặc trưng mới, còn dimensionality reduction loại bỏ đặc trưng.
• B. Feature selection chọn ra một tập con các đặc trưng gốc, còn dimensionality reduction tạo ra các đặc trưng mới là tổ hợp tuyến tính của các đặc trưng gốc.
• C. Feature selection chỉ áp dụng cho học có giám sát, còn dimensionality reduction cho học không giám sát.
• D. Không có sự khác biệt đáng kể giữa hai khái niệm này.

Thuật toán 'Apriori' được sử dụng chủ yếu cho bài toán nào?

• A. Phân loại văn bản.
• B. Phát hiện luật kết hợp (Association Rule Mining).
• C. Dự báo chuỗi thời gian.
• D. Giảm chiều dữ liệu.

Khi sử dụng 'cross-validation', số lượng 'folds' (phần) thường được chọn là bao nhiêu?

• A. Luôn luôn là 2.
• B. Thường là 5 hoặc 10.
• C. Chỉ phụ thuộc vào số lượng đặc trưng.
• D. Luôn luôn bằng số lượng mẫu trong tập dữ liệu.

Thuật toán 'Support Vector Machine' (SVM) tìm kiếm gì để phân chia các lớp dữ liệu?

• A. Đường thẳng đi qua tâm của các điểm dữ liệu.
• B. Siêu phẳng (hyperplane) với biên (margin) lớn nhất giữa các lớp.
• C. Các cụm dữ liệu.
• D. Các đường cong tối thiểu hóa sai số bình phương.

Kỹ thuật 'Bagging' (Bootstrap Aggregating) trong học máy thường được áp dụng để:

• A. Tăng cường độ phức tạp của mô hình.
• B. Giảm phương sai (variance) của mô hình, giúp chống overfitting.
• C. Tìm kiếm các cụm dữ liệu.
• D. Giảm thiểu sai số hệ thống (bias).

Kỹ thuật 'dimensionality reduction' (giảm chiều dữ liệu) thường được áp dụng để làm gì?

• A. Tăng số lượng đặc trưng để cải thiện hiệu suất.
• B. Giảm thiểu đa cộng tuyến (multicollinearity) giữa các đặc trưng và giảm chi phí tính toán.
• C. Chỉ sử dụng cho các mô hình học không giám sát.
• D. Phát hiện các giá trị ngoại lai.

Thuật toán nào thuộc nhóm Học máy tăng cường (Reinforcement Learning)?

• A. K-Means Clustering.
• B. Linear Regression.
• C. Q-Learning.
• D. Support Vector Machine (SVM).

Thuật toán 'Random Forest' là một ví dụ của phương phápensemble nào?

• A. Boosting.
• B. Bagging.
• C. Stacking.
• D. Ensembling đơn giản (Simple Averaging).

Khái niệm 'bias-variance tradeoff' trong học máy đề cập đến sự đánh đổi giữa:

• A. Tốc độ huấn luyện và độ chính xác của mô hình.
• B. Độ phức tạp của mô hình và khả năng học dữ liệu huấn luyện.
• C. Sai số do giả định sai của mô hình (bias) và sai số do nhạy cảm với biến động nhỏ trong dữ liệu huấn luyện (variance).
• D. Kích thước tập huấn luyện và số lượng đặc trưng.

Thuật toán nào sau đây thuộc nhóm Học máy không giám sát?

• A. Hồi quy tuyến tính (Linear Regression).
• B. Máy Vector Hỗ trợ (Support Vector Machine - SVM).
• C. Phân cụm K-Means (K-Means Clustering).
• D. Cây quyết định (Decision Tree).

Độ đo 'Precision' (độ chính xác) trong phân loại nhị phân được định nghĩa như thế nào?

• A. Tỷ lệ các trường hợp dương tính thực sự trên tổng số các trường hợp được dự đoán là dương tính.
• B. Tỷ lệ các trường hợp dương tính thực sự trên tổng số các trường hợp dương tính thực tế.
• C. Tỷ lệ các trường hợp âm tính thực sự trên tổng số các trường hợp được dự đoán là âm tính.
• D. Tỷ lệ các trường hợp âm tính thực sự trên tổng số các trường hợp âm tính thực tế.

Trong học máy, 'regularization' (chuẩn hóa) có vai trò gì?

• A. Tăng tốc độ huấn luyện mô hình.
• B. Giảm sự phụ thuộc của mô hình vào các đặc trưng có giá trị lớn, giúp chống overfitting.
• C. Bắt buộc sử dụng nhãn cho tất cả dữ liệu.
• D. Loại bỏ các giá trị ngoại lai (outliers) khỏi tập dữ liệu.

Thuật toán 'Naive Bayes' hoạt động dựa trên nguyên lý nào?

• A. Quy tắc Bayes với giả định độc lập giữa các đặc trưng.
• B. Tìm kiếm các cụm dữ liệu dựa trên khoảng cách.
• C. Giảm thiểu sai số bình phương trung bình.
• D. Tối ưu hóa hàm mất mát bằng gradient descent.

Trong học máy, 'gradient descent' là một thuật toán tối ưu hóa dùng để:

• A. Phân loại dữ liệu.
• B. Tìm các cụm dữ liệu.
• C. Giảm thiểu hàm mất mát (loss function) bằng cách điều chỉnh tham số mô hình.
• D. Tạo ra các đặc trưng mới.

Trong bài toán hồi quy, độ đo 'Mean Squared Error' (MSE) đo lường điều gì?

• A. Tỷ lệ các dự đoán đúng trên tổng số dự đoán.
• B. Trung bình của bình phương sai số giữa giá trị dự đoán và giá trị thực tế.
• C. Tỷ lệ các trường hợp dương tính được dự đoán đúng.
• D. Độ chính xác của các dự đoán âm tính.

Kỹ thuật 'feature scaling' (chuẩn hóa đặc trưng) như Min-Max Scaling hoặc Standard Scaling, thường cần thiết cho các thuật toán nào?

• A. Cây quyết định (Decision Tree).
• B. Các thuật toán dựa trên khoảng cách như K-Nearest Neighbors (KNN) và SVM.
• C. Hồi quy Logistic.
• D. Tất cả các thuật toán học máy.

Hiện tượng 'overfitting' trong học máy xảy ra khi nào?

• A. Mô hình quá đơn giản, không nắm bắt được mối quan hệ trong dữ liệu.
• B. Mô hình hoạt động tốt trên cả tập huấn luyện và tập kiểm tra.
• C. Mô hình hoạt động rất tốt trên tập huấn luyện nhưng kém trên tập kiểm tra.
• D. Dữ liệu huấn luyện không đủ lớn.

Độ đo nào thường được sử dụng để đánh giá hiệu suất của mô hình phân loại nhị phân, đặc biệt khi tập dữ liệu mất cân bằng?

• A. Độ chính xác (Accuracy).
• B. Sai số bình phương trung bình (Mean Squared Error - MSE).
• C. F1-Score.
• D. R-squared.

Thuật toán 'principal component analysis' (PCA) là một phương pháp của kỹ thuật nào?

• A. Học có giám sát (Supervised Learning).
• B. Học không giám sát (Unsupervised Learning) cho giảm chiều dữ liệu.
• C. Học tăng cường (Reinforcement Learning).
• D. Học bán giám sát (Semi-supervised Learning).

Thuật toán nào sau đây là một phương pháp học không giám sát được sử dụng để phát hiện các bất thường (anomaly detection)?

• A. Hồi quy tuyến tính (Linear Regression).
• B. Phân cụm Isolation Forest.
• C. Hồi quy Logistic (Logistic Regression).
• D. Cây quyết định (Decision Tree).

Kỹ thuật 'early stopping' (dừng sớm) trong huấn luyện mô hình mạng nơ-ron được sử dụng để:

• A. Tăng tốc độ huấn luyện.
• B. Ngăn chặn overfitting bằng cách dừng huấn luyện khi hiệu suất trên tập kiểm tra bắt đầu giảm.
• C. Giảm thiểu sai số hệ thống (bias).
• D. Tăng cường tính đa dạng của các đặc trưng.

Độ đo 'Recall' (độ nhạy) trong phân loại nhị phân được định nghĩa như thế nào?

• A. Tỷ lệ các trường hợp dương tính thực sự trên tổng số các trường hợp được dự đoán là dương tính.
• B. Tỷ lệ các trường hợp dương tính thực sự trên tổng số các trường hợp dương tính thực tế.
• C. Tỷ lệ các trường hợp âm tính thực sự trên tổng số các trường hợp được dự đoán là âm tính.
• D. Tỷ lệ các trường hợp âm tính thực sự trên tổng số các trường hợp âm tính thực tế.

Trong học máy, 'hyperparameter' là gì?

• A. Các tham số của mô hình được học từ dữ liệu.
• B. Các biến đầu vào của mô hình.
• C. Các tham số được thiết lập trước khi quá trình huấn luyện bắt đầu và không được học từ dữ liệu.
• D. Các giá trị đầu ra của mô hình.