15+ Đề Trắc nghiệm Tin học 12 – Bài 25: Làm quen với Học máy (Kết Nối Tri Thức)

Câu 1: Lĩnh vực trí tuệ nhân tạo (AI) nghiên cứu và phát triển các thuật toán cho phép máy tính tự học từ dữ liệu để đưa ra dự đoán hoặc quyết định mà không cần lập trình tường minh cho từng trường hợp cụ thể được gọi là gì?

• A. Xử lý ngôn ngữ tự nhiên (NLP)
• B. Thị giác máy tính (Computer Vision)
• C. Học máy (Machine Learning)
• D. Học sâu (Deep Learning)

Câu 2: Đâu là điểm khác biệt cốt lõi giữa Học máy (Machine Learning) và Lập trình truyền thống (Traditional Programming)?

• A. Học máy yêu cầu phần cứng mạnh hơn.
• B. Học máy sử dụng dữ liệu để xây dựng logic, lập trình truyền thống sử dụng logic do con người viết.
• C. Học máy không cần dữ liệu đầu vào.
• D. Lập trình truyền thống phức tạp hơn Học máy.

Câu 3: Một công ty thương mại điện tử muốn xây dựng hệ thống gợi ý sản phẩm cho khách hàng dựa trên lịch sử mua sắm và xem sản phẩm của họ. Phương pháp học máy nào phù hợp nhất để giải quyết bài toán này?

• A. Học không giám sát (Unsupervised Learning)
• B. Học có giám sát (Supervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Học sâu (Deep Learning)

Câu 4: Trong Học có giám sát (Supervised Learning), loại dữ liệu nào là bắt buộc để huấn luyện mô hình?

• A. Dữ liệu ngẫu nhiên
• B. Dữ liệu chỉ có đầu vào
• C. Dữ liệu chỉ có đầu ra
• D. Dữ liệu có cả đầu vào và nhãn tương ứng

Câu 5: Hệ thống phân loại email thành "Hộp thư đến" và "Thư rác" là một ví dụ điển hình của ứng dụng Học máy nào?

• A. Học không giám sát
• B. Học có giám sát
• C. Học tăng cường
• D. Học sâu

Câu 6: Khi xây dựng một mô hình Học máy để dự đoán giá nhà dựa trên các yếu tố như diện tích, số phòng ngủ, vị trí,... thì "giá nhà" trong trường hợp này đóng vai trò là gì?

• A. Đặc trưng (Feature)
• B. Thuật toán
• C. Nhãn (Label) / Đầu ra
• D. Mô hình

Câu 7: Một nhà khoa học dữ liệu đang làm việc với một tập dữ liệu lớn chứa thông tin về các giao dịch thẻ tín dụng. Mục tiêu là phát hiện các giao dịch bất thường có khả năng là gian lận mà không có bất kỳ ví dụ nào về giao dịch gian lận được gán nhãn trước đó. Phương pháp học máy nào phù hợp nhất cho nhiệm vụ này?

• A. Học không giám sát (Unsupervised Learning) để phát hiện bất thường
• B. Học có giám sát (Supervised Learning) để phân loại gian lận
• C. Học tăng cường (Reinforcement Learning) để tối ưu hóa phát hiện
• D. Học sâu (Deep Learning) cho nhận dạng hình ảnh

Câu 8: Quá trình "huấn luyện" (training) một mô hình Học máy có giám sát bao gồm hoạt động chính nào?

• A. Tự động tạo ra dữ liệu mới
• B. Sử dụng dữ liệu có nhãn để thuật toán tìm ra mối quan hệ giữa đầu vào và đầu ra
• C. Chỉ đơn giản là lưu trữ dữ liệu
• D. Xóa bỏ các dữ liệu không cần thiết

Câu 9: Một trong những thách thức lớn nhất khi áp dụng Học có giám sát là gì?

• A. Việc thu thập và gán nhãn cho lượng lớn dữ liệu chất lượng cao có thể tốn kém và mất thời gian.
• B. Mô hình quá đơn giản.
• C. Không có đủ thuật toán để lựa chọn.
• D. Mô hình không thể đưa ra dự đoán.

Câu 10: Học sâu (Deep Learning) là một tập hợp con (subset) của lĩnh vực nào?

• A. Lập trình truyền thống
• B. Khoa học dữ liệu
• C. Học máy (Machine Learning)
• D. Phát triển web

Câu 11: Một nhà nghiên cứu muốn phân nhóm các khách hàng của một siêu thị thành các phân khúc dựa trên hành vi mua sắm của họ (các mặt hàng đã mua, tần suất mua, tổng chi tiêu) mà không có thông tin về "loại khách hàng" nào được định nghĩa trước. Đây là bài toán thuộc loại học máy nào?

• A. Học có giám sát
• B. Học tăng cường
• C. Học bán giám sát
• D. Học không giám sát

Câu 12: Vai trò chính của mô hình Học máy sau khi nó đã được "huấn luyện" là gì?

• A. Sử dụng để đưa ra dự đoán hoặc quyết định trên dữ liệu mới
• B. Tự động thu thập thêm dữ liệu huấn luyện
• C. Thay đổi thuật toán đã sử dụng
• D. Giải thích lý do đằng sau mỗi dữ liệu đầu vào

Câu 13: Ứng dụng nào sau đây không phải là một ví dụ điển hình của Học máy?

• A. Nhận dạng khuôn mặt trên ảnh
• B. Dịch văn bản từ tiếng Việt sang tiếng Anh
• C. Lập trình một game rắn săn mồi đơn giản với luật chơi cố định
• D. Phân tích cảm xúc của bình luận trên mạng xã hội

Câu 14: Giả sử bạn muốn xây dựng một hệ thống Học máy để phân loại các bức ảnh về chó và mèo. Bạn cần chuẩn bị dữ liệu huấn luyện như thế nào cho phương pháp Học có giám sát?

• A. Chỉ cần thu thập thật nhiều ảnh về chó và mèo mà không cần phân loại.
• B. Thu thập ảnh về chó và mèo, sau đó gán nhãn cho từng ảnh là "chó" hoặc "mèo".
• C. Chỉ cần thu thập ảnh về chó.
• D. Chỉ cần thu thập ảnh về mèo.

Câu 15: Một chatbot hỗ trợ khách hàng sử dụng Học máy để hiểu câu hỏi của người dùng và đưa ra câu trả lời phù hợp. Khả năng "hiểu câu hỏi" này thuộc lĩnh vực ứng dụng nào của AI, thường kết hợp với Học máy?

• A. Xử lý ngôn ngữ tự nhiên (NLP)
• B. Thị giác máy tính (Computer Vision)
• C. Học tăng cường (Reinforcement Learning)
• D. Phân tích dữ liệu (Data Analysis)

Câu 16: Mục tiêu chính của Học không giám sát là gì?

• A. Dự đoán một giá trị số liên tục.
• B. Phân loại dữ liệu vào các lớp đã định trước.
• C. Đưa ra quyết định tối ưu trong môi trường tương tác.
• D. Tìm kiếm cấu trúc ẩn, mẫu hình hoặc nhóm trong dữ liệu không có nhãn.

Câu 17: Khi nói về "dữ liệu có nhãn" trong Học máy, "nhãn" (label) có nghĩa là gì?

• A. Tên của thuật toán được sử dụng.
• B. Kết quả hoặc giá trị mục tiêu mong muốn cho mỗi mẫu dữ liệu đầu vào.
• C. Tên của người thu thập dữ liệu.
• D. Kích thước của tập dữ liệu.

Câu 18: Ứng dụng nào sau đây sử dụng Học máy để cải thiện khả năng nhận diện các vật thể, con người hoặc cảnh vật trong hình ảnh?

• A. Hệ thống gợi ý âm nhạc.
• B. Kiểm tra chính tả văn bản.
• C. Nhận dạng vật thể trong camera an ninh.
• D. Dự báo thời tiết.

Câu 19: Giả sử bạn có một tập dữ liệu về kết quả thi của học sinh (điểm số, thời gian học, số buổi vắng mặt). Bạn muốn sử dụng Học máy để dự đoán liệu một học sinh mới có khả năng đỗ hay trượt. Đây là bài toán thuộc loại học máy nào?

• A. Học không giám sát (Clustering)
• B. Học có giám sát (Classification)
• C. Học tăng cường (Reinforcement Learning)
• D. Giảm chiều dữ liệu (Dimensionality Reduction)

Câu 20: Phát biểu nào sau đây mô tả đúng về vai trò của dữ liệu trong Học máy?

• A. Dữ liệu chỉ cần thiết để kiểm tra mô hình, không phải để huấn luyện.
• B. Số lượng dữ liệu không quan trọng bằng độ phức tạp của thuật toán.
• C. Học máy có thể hoạt động mà không cần dữ liệu.
• D. Dữ liệu là yếu tố quan trọng nhất để huấn luyện mô hình và quyết định hiệu quả của nó.

Câu 21: Một hệ thống Học máy được huấn luyện để nhận diện các lệnh giọng nói ("Hey Google", "Siri"). Hệ thống này đang áp dụng Học máy trong lĩnh vực nào?

• A. Nhận dạng tiếng nói (Speech Recognition)
• B. Phân tích cảm xúc (Sentiment Analysis)
• C. Hệ thống gợi ý (Recommendation Systems)
• D. Phát hiện đối tượng (Object Detection)

Câu 22: Khi huấn luyện một mô hình Học máy, việc chia dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (test set) có mục đích gì?

• A. Giảm kích thước của dữ liệu.
• B. Tăng tốc độ huấn luyện.
• C. Đánh giá hiệu quả của mô hình trên dữ liệu chưa từng thấy.
• D. Chỉ để lưu trữ dữ liệu dự phòng.

Câu 23: Đâu là một ví dụ về ứng dụng Học máy trong lĩnh vực y tế?

• A. Quản lý hồ sơ bệnh án bằng giấy.
• B. Đặt lịch hẹn khám bệnh thủ công.
• C. Sản xuất thuốc theo quy trình truyền thống.
• D. Phân tích ảnh chụp X-quang để phát hiện dấu hiệu bệnh sớm.

Câu 24: Một mô hình Học máy được huấn luyện trên dữ liệu về các bài báo. Sau khi huấn luyện, mô hình có thể tự động nhóm các bài báo có nội dung tương tự nhau lại với nhau mà không cần biết trước chủ đề của chúng. Đây là kết quả của phương pháp học máy nào?

• A. Học không giám sát (Clustering)
• B. Học có giám sát (Classification)
• C. Học tăng cường (Topic Modeling)
• D. Hồi quy (Regression)

Câu 25: Phát biểu nào sau đây là đúng về mối quan hệ giữa AI, Machine Learning và Deep Learning?

• A. Machine Learning là lĩnh vực lớn hơn AI.
• B. Deep Learning là một loại AI hoàn toàn tách biệt với Machine Learning.
• C. Deep Learning là một tập hợp con của Machine Learning, và Machine Learning là một tập hợp con của AI.
• D. AI, Machine Learning và Deep Learning là ba khái niệm hoàn toàn khác nhau.

Câu 26: Khi một mô hình Học máy được sử dụng để dự đoán liệu một khối u là ác tính hay lành tính dựa trên các đặc điểm của nó (kích thước, hình dạng, ...), đây là một bài toán thuộc loại nào?

• A. Hồi quy (Regression)
• B. Phân cụm (Clustering)
• C. Phát hiện bất thường (Anomaly Detection)
• D. Phân loại (Classification)

Câu 27: Một trong những lợi ích chính của việc sử dụng Học máy trong các ứng dụng thực tế là gì?

• A. Giảm hoàn toàn nhu cầu về lập trình viên.
• B. Tự động hóa các nhiệm vụ phức tạp và cải thiện hiệu suất dựa trên dữ liệu.
• C. Chỉ hoạt động với lượng dữ liệu nhỏ.
• D. Luôn đưa ra kết quả chính xác 100%.

Câu 28: Một hệ thống Học máy được huấn luyện để chơi cờ vua bằng cách thử các nước đi và nhận phần thưởng (thắng) hoặc phạt (thua). Hệ thống học cách đưa ra nước đi tốt nhất thông qua thử nghiệm và sai lầm trong môi trường tương tác. Đây là phương pháp học máy nào?

• A. Học có giám sát
• B. Học không giám sát
• C. Học tăng cường (Reinforcement Learning)
• D. Học bán giám sát

Câu 29: Công việc nào sau đây ít liên quan trực tiếp đến việc xây dựng và huấn luyện mô hình Học máy so với các công việc còn lại?

• A. Thiết kế giao diện người dùng (UI Design) cho ứng dụng di động.
• B. Thu thập và làm sạch dữ liệu cho mô hình dự đoán.
• C. Lựa chọn thuật toán phù hợp và điều chỉnh tham số.
• D. Đánh giá hiệu quả của mô hình sau khi huấn luyện.

Câu 30: Khi một mô hình Học máy đã được huấn luyện và triển khai, nó có cần được cập nhật hoặc huấn luyện lại không? Tại sao?

• A. Không, một khi đã huấn luyện xong thì mô hình là cố định.
• B. Có, vì dữ liệu thực tế có thể thay đổi theo thời gian, làm giảm độ chính xác của mô hình cũ.
• C. Có, nhưng chỉ khi thuật toán mới được phát minh.
• D. Không, trừ khi có lỗi nghiêm trọng trong code.

Câu 1: Học máy (Machine Learning) là một lĩnh vực cốt lõi của Trí tuệ nhân tạo (AI). Đặc điểm nào sau đây thể hiện rõ nhất sự khác biệt cơ bản giữa cách máy tính giải quyết vấn đề theo lập trình truyền thống và theo học máy?

• A. Lập trình truyền thống sử dụng ngôn ngữ bậc cao, còn học máy sử dụng ngôn ngữ máy.
• B. Lập trình truyền thống dựa trên các quy tắc cố định do con người viết, còn học máy dựa trên việc máy tính tự học từ dữ liệu.
• C. Lập trình truyền thống chỉ xử lý được dữ liệu có cấu trúc, còn học máy xử lý được cả dữ liệu phi cấu trúc.
• D. Học máy yêu cầu phần cứng mạnh hơn lập trình truyền thống.

Câu 2: Một công ty thương mại điện tử muốn xây dựng hệ thống gợi ý sản phẩm cho khách hàng dựa trên lịch sử mua sắm và hành vi xem sản phẩm của họ. Hệ thống này phân tích dữ liệu hành vi của hàng triệu người dùng để tìm ra các mẫu liên kết (ví dụ: những người mua A thường mua kèm B). Đây là ứng dụng điển hình của phương pháp học máy nào?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Học sâu (Deep Learning)

Câu 3: Dữ liệu "có nhãn" (labeled data) đóng vai trò cực kỳ quan trọng trong phương pháp học máy nào? Đặc điểm nào sau đây mô tả đúng nhất về dữ liệu có nhãn?

• A. Dữ liệu đầu vào đi kèm với kết quả hoặc giá trị mục tiêu (nhãn) tương ứng.
• B. Dữ liệu chỉ chứa các đặc điểm của đối tượng mà không có bất kỳ thông tin phân loại nào.
• C. Dữ liệu được thu thập tự động mà không cần sự can thiệp của con người.
• D. Dữ liệu chỉ được sử dụng để kiểm tra độ chính xác của mô hình.

Câu 4: Một ngân hàng muốn xây dựng một mô hình để tự động phân loại các giao dịch thẻ tín dụng là "gian lận" hay "không gian lận". Họ có sẵn một lượng lớn dữ liệu lịch sử về các giao dịch, trong đó mỗi giao dịch đã được đánh dấu rõ ràng là gian lận hoặc không gian lận. Để xây dựng mô hình này, loại học máy nào là phù hợp nhất?

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

Câu 5: Phân tích và phân nhóm (clustering) khách hàng thành các nhóm có hành vi mua sắm tương đồng là một ứng dụng phổ biến của học máy. Tại sao đây lại là một ví dụ điển hình của học không giám sát?

• A. Vì mô hình cần được "thưởng" hoặc "phạt" dựa trên kết quả phân nhóm.
• B. Vì dữ liệu khách hàng đã được gán nhãn rõ ràng là thuộc nhóm nào trước khi huấn luyện.
• C. Vì mô hình học cách dự đoán một giá trị liên tục cho từng khách hàng.
• D. Vì mô hình tìm kiếm cấu trúc hoặc mẫu ẩn trong dữ liệu mà không có nhãn đầu ra được xác định trước.

Câu 6: Trong quá trình huấn luyện một mô hình học máy, dữ liệu được sử dụng để làm gì?

• A. Để máy tính tìm ra các mẫu, quy tắc hoặc mối quan hệ ẩn trong dữ liệu.
• B. Chỉ để kiểm tra xem mô hình có hoạt động hay không.
• C. Để con người viết code cho thuật toán.
• D. Để làm sạch và định dạng lại dữ liệu.

Câu 7: Bạn đang xây dựng một ứng dụng nhận dạng giọng nói để chuyển đổi lời nói thành văn bản. Bạn có một bộ dữ liệu lớn gồm các đoạn âm thanh và phiên bản văn bản tương ứng của chúng. Để huấn luyện mô hình nhận dạng giọng nói, bạn sẽ sử dụng phương pháp học máy nào và loại dữ liệu nào là chủ yếu?

• A. Học không giám sát, dữ liệu không có nhãn.
• B. Học tăng cường, dữ liệu không có nhãn.
• C. Học có giám sát, dữ liệu có nhãn.
• D. Học bán giám sát, dữ liệu có nhãn.

Câu 8: Một trong những lợi ích chính của việc áp dụng học máy trong các hệ thống là khả năng tự động hóa các nhiệm vụ phức tạp. Điều này có nghĩa là gì trong bối cảnh của học máy?

• A. Máy tính có thể tự viết code để giải quyết vấn đề.
• B. Máy tính có thể thực hiện các tác vụ dựa trên việc học từ dữ liệu mà không cần lập trình tường minh cho từng bước.
• C. Học máy giúp tăng tốc độ tính toán của phần cứng máy tính.
• D. Học máy loại bỏ hoàn toàn nhu cầu về dữ liệu đầu vào.

Câu 9: Hãy xem xét hai nhiệm vụ: (A) Dự đoán giá nhà dựa trên diện tích, số phòng ngủ và vị trí; (B) Nhóm các bài báo tin tức thành các chủ đề khác nhau (ví dụ: thể thao, chính trị, giải trí) mà không có danh mục chủ đề được định nghĩa trước. Nhiệm vụ nào là ví dụ điển hình của Học có giám sát và nhiệm vụ nào là của Học không giám sát?

• A. (A) Học có giám sát, (B) Học không giám sát.
• B. (A) Học không giám sát, (B) Học có giám sát.
• C. Cả hai đều là Học có giám sát.
• D. Cả hai đều là Học không giám sát.

Câu 10: Khi nói về "mô hình" trong học máy, thuật ngữ này thường dùng để chỉ điều gì?

• A. Tập dữ liệu được sử dụng để huấn luyện.
• B. Ngôn ngữ lập trình được sử dụng để viết code.
• C. Giao diện người dùng của ứng dụng học máy.
• D. Kết quả của quá trình huấn luyện, được sử dụng để đưa ra dự đoán hoặc quyết định trên dữ liệu mới.

Câu 11: Học máy mang lại khả năng dự đoán dựa trên dữ liệu. Điều này có ý nghĩa như thế nào trong các ứng dụng thực tế như phân tích thị trường hoặc dự báo thời tiết?

• A. Cho phép hệ thống dự báo các sự kiện hoặc xu hướng trong tương lai dựa trên việc học từ dữ liệu lịch sử và hiện tại.
• B. Giúp hệ thống chỉ ghi nhớ lại các dữ liệu đã xảy ra trong quá khứ.
• C. Đảm bảo kết quả dự đoán luôn chính xác 100%.
• D. Loại bỏ hoàn toàn yếu tố không chắc chắn trong mọi tình huống.

Câu 12: Một nhà nghiên cứu y tế đang sử dụng học máy để xác định các yếu tố nguy cơ tiềm ẩn gây ra một bệnh hiếm gặp. Họ có dữ liệu về hàng nghìn bệnh nhân, bao gồm thông tin cá nhân, tiền sử bệnh, kết quả xét nghiệm, và liệu họ có mắc bệnh hiếm gặp đó hay không. Loại phân tích nào trong học máy phù hợp nhất để tìm ra mối liên hệ giữa các yếu tố đầu vào và khả năng mắc bệnh?

• A. Học có giám sát để xây dựng mô hình phân loại hoặc dự đoán.
• B. Học không giám sát để nhóm bệnh nhân thành các cụm ngẫu nhiên.
• C. Học tăng cường để hệ thống tự động đưa ra quyết định điều trị.
• D. Chỉ sử dụng các thuật toán thống kê truyền thống, không dùng học máy.

Câu 13: Trong học máy, quá trình "huấn luyện" (training) một mô hình có thể được hiểu là gì?

• A. Việc con người nhập thủ công tất cả dữ liệu vào máy tính.
• B. Quá trình kiểm tra cuối cùng độ chính xác của mô hình trên dữ liệu mới.
• C. Việc lựa chọn thuật toán học máy phù hợp cho bài toán.
• D. Sử dụng dữ liệu để điều chỉnh các tham số của mô hình, giúp mô hình học cách thực hiện nhiệm vụ cụ thể.

Câu 14: Hãy tưởng tượng bạn có một tập hợp lớn các bức ảnh về động vật và muốn xây dựng một hệ thống có thể tự động nhận biết đó là chó, mèo hay chim. Bạn có sẵn nhãn cho hàng nghìn bức ảnh (ví dụ: ảnh này là "chó", ảnh kia là "mèo"). Đây là một bài toán nhận dạng hình ảnh. Loại học máy nào phù hợp nhất cho nhiệm vụ này?

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

Câu 15: Ưu điểm chính của việc sử dụng học máy trong việc lọc thư rác (spam filtering) so với việc chỉ dựa vào các quy tắc cố định do con người đặt ra (ví dụ: chặn email chứa từ "khuyến mãi" hoặc "miễn phí") là gì?

• A. Học máy giúp lọc thư rác nhanh hơn.
• B. Học máy không cần bất kỳ dữ liệu nào để hoạt động.
• C. Học máy có thể tự động học và thích ứng với các loại thư rác mới và phức tạp.
• D. Học máy đảm bảo không bao giờ có thư hợp lệ bị đánh dấu là thư rác.

Câu 16: Trong học không giám sát, một kỹ thuật phổ biến là giảm chiều dữ liệu (dimensionality reduction). Mục đích chính của kỹ thuật này là gì?

• A. Để gán nhãn tự động cho dữ liệu không có nhãn.
• B. Để giảm số lượng đặc điểm của dữ liệu trong khi vẫn giữ lại thông tin quan trọng.
• C. Để tăng số lượng dữ liệu huấn luyện.
• D. Để phân loại dữ liệu vào các nhóm đã định trước.

Câu 17: Một công ty phát triển trò chơi muốn sử dụng học máy để tạo ra các nhân vật game (NPC - Non-Player Character) có khả năng học hỏi và cải thiện hành vi của mình qua mỗi lần chơi của người dùng, thay vì chỉ tuân theo kịch bản cố định. Loại học máy nào phù hợp nhất cho mục đích này?

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

Câu 18: Tại sao việc chuẩn bị và làm sạch dữ liệu (data preprocessing and cleaning) là một bước quan trọng trong quy trình làm việc với học máy?

• A. Dữ liệu "sạch" và được chuẩn bị tốt giúp cải thiện đáng kể độ chính xác và hiệu suất của mô hình học máy.
• B. Bước này chỉ cần thiết cho học không giám sát.
• C. Làm sạch dữ liệu giúp giảm kích thước của mô hình cuối cùng.
• D. Quá trình huấn luyện mô hình sẽ tự động làm sạch dữ liệu đầu vào.

Câu 19: Một công ty sản xuất ô tô tự lái đang sử dụng học máy để giúp xe nhận diện các vật thể trên đường (người đi bộ, xe khác, biển báo giao thông) từ dữ liệu camera. Để huấn luyện mô hình nhận diện vật thể này, họ cần loại dữ liệu nào?

• A. Chỉ cần dữ liệu hình ảnh không có nhãn.
• B. Dữ liệu hình ảnh đã được gán nhãn (vị trí và loại vật thể).
• C. Chỉ cần dữ liệu cảm biến từ các loại sensor khác.
• D. Không cần dữ liệu, mô hình tự học từ môi trường.

Câu 20: Khả năng "tổng quát hóa" (generalization) là một tiêu chí quan trọng đánh giá chất lượng của mô hình học máy. Khả năng này thể hiện điều gì?

• A. Mô hình có thể huấn luyện nhanh trên mọi loại dữ liệu.
• B. Mô hình có thể xử lý được dữ liệu có kích thước rất lớn.
• C. Mô hình đưa ra kết quả hoàn toàn giống với dữ liệu huấn luyện.
• D. Mô hình có thể đưa ra dự đoán chính xác trên dữ liệu mới chưa từng thấy trong quá trình huấn luyện.

Câu 21: Một trường học muốn sử dụng học máy để phân tích điểm thi của học sinh trong nhiều năm và xác định những học sinh có nguy cơ học lực kém để có biện pháp hỗ trợ kịp thời. Dữ liệu bao gồm điểm các môn, kết quả rèn luyện, và thông tin cá nhân (không nhạy cảm). Nếu họ muốn dự đoán liệu một học sinh có khả năng đạt điểm dưới trung bình trong kỳ thi sắp tới hay không, đây là bài toán thuộc loại nào?

• A. Phân loại (Classification) - một dạng của Học có giám sát.
• B. Phân nhóm (Clustering) - một dạng của Học không giám sát.
• C. Giảm chiều dữ liệu (Dimensionality Reduction) - một dạng của Học không giám sát.
• D. Học tăng cường (Reinforcement Learning).

Câu 22: So sánh học có giám sát và học không giám sát, điểm khác biệt cốt lõi nằm ở yếu tố nào?

• A. Thuật toán được sử dụng (ví dụ: mạng nơ-ron hay cây quyết định).
• B. Kích thước của tập dữ liệu huấn luyện.
• C. Sự có mặt của dữ liệu có nhãn trong quá trình huấn luyện.
• D. Lĩnh vực ứng dụng của mô hình sau khi huấn luyện.

Câu 23: Một nhà khoa học dữ liệu đang phân tích dữ liệu từ kính thiên văn để tìm kiếm các nhóm sao mới dựa trên đặc điểm vật lý của chúng (độ sáng, nhiệt độ, thành phần hóa học), mà không có bất kỳ phân loại sao nào được xác định trước cho tập dữ liệu này. Nhiệm vụ này phù hợp với phương pháp học máy nào?

• A. Học có giám sát để dự đoán tuổi của các ngôi sao.
• B. Học không giám sát để phân nhóm các ngôi sao tương tự nhau.
• C. Học tăng cường để điều khiển kính thiên văn.
• D. Học bán giám sát để phân loại các thiên hà.

Câu 24: Phát biểu nào sau đây mô tả đúng nhất về mục tiêu cuối cùng của việc xây dựng và triển khai một mô hình học máy trong thực tế?

• A. Chỉ đơn giản là đạt được độ chính xác 100% trên tập dữ liệu huấn luyện.
• B. Tạo ra một thuật toán phức tạp nhất có thể.
• C. Hiểu rõ mọi chi tiết nhỏ trong dữ liệu huấn luyện.
• D. Áp dụng mô hình đã học để đưa ra các dự đoán hoặc quyết định hữu ích trên dữ liệu mới nhằm giải quyết một vấn đề cụ thể.

Câu 25: Hệ thống nhận diện khuôn mặt trên điện thoại thông minh, sau khi bạn đã "dạy" nó khuôn mặt của mình bằng cách chụp vài góc độ khác nhau, sử dụng phương pháp học máy nào là chủ yếu để nhận biết bạn trong tương lai?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Chỉ sử dụng các thuật toán xử lý ảnh đơn giản.

Câu 26: Một trong những thách thức lớn khi làm việc với học máy là vấn đề "quá khớp" (overfitting). Quá khớp xảy ra khi mô hình học máy có đặc điểm gì?

• A. Mô hình không thể học được bất kỳ mẫu nào từ dữ liệu.
• B. Mô hình hoạt động kém trên dữ liệu huấn luyện nhưng tốt trên dữ liệu mới.
• C. Mô hình hoạt động rất tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới.
• D. Mô hình yêu cầu lượng dữ liệu huấn luyện rất ít.

Câu 27: Một nhà bán lẻ trực tuyến muốn phân tích các đánh giá sản phẩm (review) của khách hàng để tự động phân loại chúng thành "tích cực", "tiêu cực" hoặc "trung lập". Họ có sẵn một lượng lớn các đánh giá đã được gán nhãn cảm xúc. Loại học máy nào phù hợp nhất cho nhiệm vụ phân tích cảm xúc này?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Giảm chiều dữ liệu (Dimensionality Reduction)

Câu 28: Bạn thu thập một tập dữ liệu về các loài hoa khác nhau, bao gồm các đặc điểm như chiều dài cánh hoa, chiều rộng cánh hoa, màu sắc,... nhưng bạn không biết tên của từng loài hoa trong tập dữ liệu này. Bạn muốn sử dụng học máy để tự động nhóm các bông hoa tương tự nhau lại. Phương pháp học máy nào bạn nên áp dụng?

• A. Học có giám sát, vì bạn muốn phân loại hoa.
• B. Học không giám sát, vì bạn muốn phân nhóm dữ liệu không có nhãn.
• C. Học tăng cường, vì bạn cần hệ thống học cách nhận diện hoa qua tương tác.
• D. Giảm chiều dữ liệu, vì bạn muốn giảm số lượng đặc điểm của hoa.

Câu 29: Vai trò của học máy trong lĩnh vực y tế, cụ thể là trong chẩn đoán bệnh, thường được thể hiện qua khả năng nào?

• A. Thay thế hoàn toàn các bác sĩ trong quá trình chẩn đoán.
• B. Chỉ lưu trữ hồ sơ bệnh án điện tử.
• C. Phân tích dữ liệu y tế phức tạp để hỗ trợ bác sĩ phát hiện bệnh hoặc đưa ra dự báo về tình trạng sức khỏe.
• D. Chỉ được sử dụng để quản lý lịch hẹn bệnh nhân.

Câu 30: Bạn muốn xây dựng một ứng dụng có thể dịch tự động văn bản từ tiếng Việt sang tiếng Anh. Bạn có một bộ dữ liệu lớn gồm các cặp câu tiếng Việt và bản dịch tiếng Anh tương ứng. Phương pháp học máy nào bạn sẽ sử dụng và tại sao?

• A. Học có giám sát, vì bạn có dữ liệu đầu vào (tiếng Việt) và đầu ra mong muốn (tiếng Anh) đã được gán nhãn.
• B. Học không giám sát, vì bạn đang tìm kiếm cấu trúc ẩn trong ngôn ngữ.
• C. Học tăng cường, vì hệ thống cần học cách dịch tốt hơn qua phản hồi.
• D. Giảm chiều dữ liệu, vì bạn muốn giảm độ phức tạp của ngôn ngữ.

Câu 1: Trong lĩnh vực Trí tuệ nhân tạo (AI), Học máy (Machine Learning) đóng vai trò cốt lõi. Phát biểu nào sau đây mô tả ĐÚNG NHẤT về mục tiêu chính của Học máy?

• A. Giúp máy tính thực hiện các phép tính số học phức tạp với tốc độ cao.
• B. Xây dựng các hệ thống có khả năng tự học và cải thiện hiệu suất dựa trên dữ liệu kinh nghiệm.
• C. Tạo ra các robot có khả năng di chuyển và tương tác vật lý với môi trường.
• D. Lập trình máy tính để tuân thủ nghiêm ngặt một bộ quy tắc đã định trước.

Câu 2: Một công ty thương mại điện tử muốn xây dựng hệ thống gợi ý sản phẩm cho khách hàng dựa trên lịch sử mua sắm và hành vi duyệt web của họ. Dữ liệu họ có là lịch sử giao dịch của hàng triệu khách hàng. Loại hình Học máy nào phù hợp nhất để giải quyết bài toán này?

• A. Học có giám sát (Supervised Learning)
• B. Học tăng cường (Reinforcement Learning)
• C. Học không giám sát (Unsupervised Learning)
• D. Học sâu (Deep Learning)

Câu 3: Giả sử bạn đang xây dựng một mô hình Học máy để dự đoán giá nhà dựa trên các đặc điểm như diện tích, số phòng ngủ, vị trí, v.v. Bạn có một tập dữ liệu gồm hàng nghìn căn nhà đã bán, kèm theo tất cả các đặc điểm và giá bán thực tế của chúng. Loại dữ liệu "giá bán thực tế" trong ngữ cảnh này được gọi là gì?

• A. Nhãn (Label)
• B. Đặc trưng (Feature)
• C. Dữ liệu nhiễu (Noise Data)
• D. Siêu tham số (Hyperparameter)

Câu 4: Phân biệt chính yếu giữa Học có giám sát và Học không giám sát nằm ở đâu?

• A. Học có giám sát phức tạp hơn Học không giám sát.
• B. Học có giám sát chỉ dùng cho dữ liệu số, Học không giám sát dùng cho dữ liệu văn bản.
• C. Học có giám sát cần ít dữ liệu hơn Học không giám sát.
• D. Học có giám sát sử dụng dữ liệu có nhãn, Học không giám sát sử dụng dữ liệu không có nhãn.

Câu 5: Một ngân hàng muốn phát triển hệ thống tự động phát hiện các giao dịch thẻ tín dụng có dấu hiệu gian lận. Họ có một lượng lớn dữ liệu lịch sử giao dịch, trong đó một số giao dịch đã được xác định là gian lận (được gán nhãn). Loại bài toán Học máy nào phù hợp nhất cho mục tiêu này?

• A. Phân loại (Classification)
• B. Phân cụm (Clustering)
• C. Giảm chiều dữ liệu (Dimensionality Reduction)
• D. Học tăng cường (Reinforcement Learning)

Câu 6: Bạn đang làm việc với một tập dữ liệu về các bức ảnh động vật khác nhau và muốn nhóm chúng lại thành các nhóm dựa trên đặc điểm hình ảnh tương tự (ví dụ: tất cả ảnh mèo vào một nhóm, tất cả ảnh chó vào nhóm khác), nhưng bạn không có nhãn "mèo" hay "chó" cho từng ảnh. Kỹ thuật Học máy nào sẽ được áp dụng trong trường hợp này?

• A. Hồi quy (Regression)
• B. Phân loại (Classification)
• C. Phân cụm (Clustering)
• D. Học tăng cường (Reinforcement Learning)

Câu 7: Quá trình huấn luyện mô hình Học máy thường bao gồm các bước cơ bản. Thứ tự logic của các bước này là gì? (Lưu ý: Đây là thứ tự đơn giản hóa)

• A. Chọn mô hình -> Thu thập dữ liệu -> Huấn luyện mô hình -> Dự đoán.
• B. Thu thập và chuẩn bị dữ liệu -> Chọn mô hình -> Huấn luyện mô hình -> Dự đoán.
• C. Huấn luyện mô hình -> Thu thập dữ liệu -> Chọn mô hình -> Dự đoán.
• D. Dự đoán -> Thu thập dữ liệu -> Chọn mô hình -> Huấn luyện mô hình.

Câu 8: Hệ thống nhận dạng tiếng nói trên điện thoại thông minh cho phép bạn ra lệnh bằng giọng nói. Để xây dựng hệ thống này, các nhà phát triển cần sử dụng một lượng lớn dữ liệu âm thanh đã được gán nhãn là các từ hoặc câu nói tương ứng. Đây là một ví dụ điển hình của ứng dụng Học máy nào?

• A. Học có giám sát
• B. Học không giám sát
• C. Học tăng cường
• D. Học theo luật

Câu 9: Khi mô hình Học máy được huấn luyện trên một tập dữ liệu, mục tiêu là nó có thể hoạt động tốt không chỉ trên dữ liệu đã thấy mà còn trên dữ liệu mới chưa từng gặp. Khả năng này được gọi là gì?

• A. Tính chính xác (Accuracy)
• B. Tính hiệu quả (Efficiency)
• C. Tính ổn định (Stability)
• D. Tính tổng quát hóa (Generalization)

Câu 10: Một trong những thách thức lớn nhất khi làm việc với Học máy là cần có lượng dữ liệu đủ lớn và có chất lượng tốt để huấn luyện mô hình hiệu quả. Điều này đặc biệt đúng với phương pháp nào?

• A. Học có giám sát truyền thống (ví dụ: Hồi quy tuyến tính)
• B. Học không giám sát (ví dụ: Phân cụm K-Means)
• C. Học sâu (Deep Learning)
• D. Học tăng cường (Reinforcement Learning)

Câu 11: Hệ thống lọc thư rác (spam filter) là một ứng dụng phổ biến của Học máy. Hệ thống này học cách phân loại email dựa trên các đặc điểm như từ khóa, người gửi, cấu trúc email, v.v. để đưa ra quyết định một email là "thư rác" hay "thư thường". Đây là một ví dụ của bài toán Học máy nào?

• A. Phân loại (Classification) trong Học có giám sát.
• B. Hồi quy (Regression) trong Học có giám sát.
• C. Phân cụm (Clustering) trong Học không giám sát.
• D. Học tăng cường (Reinforcement Learning).

Câu 12: Trong bối cảnh Học máy, "huấn luyện mô hình" (training a model) có nghĩa là gì?

• A. Viết mã nguồn cho mô hình từ đầu.
• B. Sử dụng dữ liệu để điều chỉnh các tham số của mô hình, giúp nó học được các mẫu hoặc mối quan hệ trong dữ liệu.
• C. Kiểm tra tốc độ xử lý của mô hình trên phần cứng máy tính.
• D. Thu thập thêm dữ liệu mới để sử dụng cho mô hình.

Câu 13: Một nhà nghiên cứu muốn phân tích một tập dữ liệu lớn về các bài báo khoa học để tìm ra các chủ đề chính đang được thảo luận và nhóm các bài báo có chủ đề tương tự lại với nhau. Nhà nghiên cứu không có sẵn danh sách các chủ đề hay nhãn cho từng bài báo. Phương pháp Học máy nào sẽ phù hợp nhất?

• A. Hồi quy (Regression)
• B. Phân loại (Classification)
• C. Phân cụm (Clustering)
• D. Phát hiện bất thường (Anomaly Detection)

Câu 14: Trong Học máy, "đặc trưng" (feature) của dữ liệu là gì?

• A. Các thuộc tính hoặc đặc điểm riêng lẻ của dữ liệu được sử dụng làm đầu vào cho mô hình.
• B. Kết quả dự đoán hoặc đầu ra mong muốn của mô hình.
• C. Thuật toán được sử dụng để huấn luyện mô hình.
• D. Lượng dữ liệu cần thiết để huấn luyện mô hình.

Câu 15: Học máy ngày càng được ứng dụng rộng rãi trong lĩnh vực y tế, ví dụ như hỗ trợ chẩn đoán bệnh từ ảnh y tế (X-quang, MRI). Để huấn luyện một mô hình nhận dạng khối u trong ảnh X-quang, cần có một tập dữ liệu ảnh X-quang. Loại dữ liệu nào là cần thiết để mô hình học cách phân biệt ảnh có khối u và ảnh không có khối u?

• A. Chỉ cần ảnh X-quang không có nhãn.
• B. Ảnh X-quang được gán nhãn (ví dụ: "có khối u", "không có khối u").
• C. Chỉ cần báo cáo chẩn đoán của bác sĩ, không cần ảnh.
• D. Dữ liệu về lịch sử bệnh án của bệnh nhân, không liên quan đến ảnh.

Câu 16: Một công ty muốn tối ưu hóa chiến lược quảng cáo trực tuyến của mình bằng cách tự động điều chỉnh ngân sách và mục tiêu quảng cáo dựa trên hiệu quả thực tế (số lượt click, số lượt chuyển đổi). Hệ thống này sẽ học cách đưa ra quyết định tốt nhất thông qua việc thử nghiệm các chiến lược khác nhau và nhận "phần thưởng" khi chiến lược đó hiệu quả. Loại hình Học máy nào mô tả cách tiếp cận này?

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

Câu 17: Tại sao dữ liệu lại được coi là "mỏ vàng" trong Học máy?

• A. Vì dữ liệu giúp giảm chi phí phát triển phần mềm.
• B. Vì dữ liệu có thể được bán để tạo ra lợi nhuận.
• C. Vì dữ liệu giúp máy tính chạy nhanh hơn.
• D. Vì mô hình Học máy học hỏi và cải thiện hiệu suất chủ yếu dựa trên dữ liệu được cung cấp.

Câu 18: Trong Học máy, việc đánh giá hiệu suất của mô hình sau khi huấn luyện là rất quan trọng. Tại sao chúng ta không nên chỉ sử dụng dữ liệu đã dùng để huấn luyện để đánh giá mô hình?

• A. Vì dữ liệu huấn luyện thường quá nhỏ để đánh giá chính xác.
• B. Vì mô hình có thể "học thuộc" dữ liệu huấn luyện (overfitting) và không hoạt động tốt trên dữ liệu mới.
• C. Vì việc đánh giá trên dữ liệu huấn luyện tốn nhiều thời gian hơn.
• D. Vì dữ liệu huấn luyện không phản ánh đúng vấn đề thực tế.

Câu 19: Một công ty viễn thông muốn phân tích dữ liệu sử dụng của khách hàng để xác định những khách hàng nào có khả năng "rời mạng" (churn) trong vài tháng tới. Họ có dữ liệu lịch sử của khách hàng cũ, bao gồm cả thông tin họ có rời mạng hay không. Đây là bài toán Học máy gì và thuộc loại hình nào?

• A. Phân loại - Học có giám sát
• B. Hồi quy - Học có giám sát
• C. Phân cụm - Học không giám sát
• D. Phát hiện bất thường - Học không giám sát

Câu 20: Ứng dụng nào sau đây là ví dụ của Học không giám sát?

• A. Dự đoán giá nhà dựa trên diện tích.
• B. Nhận dạng khuôn mặt trong ảnh để mở khóa điện thoại.
• C. Lọc email rác.
• D. Phân khúc khách hàng thành các nhóm dựa trên hành vi mua sắm để mục tiêu tiếp thị.

Câu 21: Mô hình Học máy sau khi được huấn luyện có thể được sử dụng để làm gì?

• A. Thay đổi cấu trúc của dữ liệu gốc.
• B. Lập trình lại thuật toán học máy.
• C. Đưa ra dự đoán hoặc quyết định dựa trên dữ liệu mới.
• D. Tự động thu thập thêm dữ liệu huấn luyện.

Câu 22: Hãy xem xét bài toán dự đoán lượng mưa ngày mai dựa trên dữ liệu thời tiết của những ngày trước đó (nhiệt độ, độ ẩm, áp suất, v.v.). Đây là bài toán Học máy gì và thuộc loại hình nào?

• A. Phân loại - Học không giám sát
• B. Hồi quy - Học có giám sát
• C. Phân cụm - Học không giám sát
• D. Phát hiện bất thường - Học có giám sát

Câu 23: Học máy có thể tự động hóa các nhiệm vụ phức tạp. Khẳng định nào sau đây giải thích TẠI SAO học máy có thể làm được điều đó?

• A. Vì nó học cách đưa ra quyết định hoặc dự đoán từ dữ liệu mà không cần lập trình tường minh cho từng trường hợp cụ thể.
• B. Vì nó sử dụng phần cứng máy tính mạnh hơn con người.
• C. Vì nó có thể truy cập internet để tìm kiếm thông tin.
• D. Vì nó luôn đưa ra quyết định chính xác 100%.

Câu 24: Một nhà khoa học dữ liệu đang phân tích dữ liệu từ một cảm biến trong nhà máy để phát hiện các mẫu bất thường có thể chỉ ra sự cố sắp xảy ra của thiết bị. Anh ấy chỉ có dữ liệu hoạt động bình thường của cảm biến và không có dữ liệu về các trường hợp sự cố (vì sự cố rất hiếm). Loại hình Học máy nào phù hợp nhất để phát hiện các mẫu hoạt động "khác thường" so với hoạt động bình thường?

• A. Hồi quy (Regression)
• B. Phân loại (Classification)
• C. Phân cụm (Clustering)
• D. Phát hiện bất thường (Anomaly Detection)

Câu 25: Khi nói về Học máy, thuật ngữ "mô hình" (model) thường được hiểu là gì?

• A. Kết quả của quá trình huấn luyện, có khả năng đưa ra dự đoán hoặc quyết định dựa trên dữ liệu đầu vào.
• B. Tập dữ liệu được sử dụng để huấn luyện thuật toán.
• C. Ngôn ngữ lập trình được sử dụng để triển khai thuật toán.
• D. Phần cứng máy tính dùng để chạy thuật toán.

Câu 26: Một trong những lợi ích chính của việc áp dụng Học máy trong phân tích dữ liệu lớn là gì?

• A. Giúp giảm thiểu lượng dữ liệu cần lưu trữ.
• B. Giúp tự động phát hiện các mẫu, xu hướng và thông tin giá trị từ lượng lớn dữ liệu.
• C. Thay thế hoàn toàn con người trong mọi công việc phân tích.
• D. Chỉ hoạt động hiệu quả với dữ liệu có cấu trúc đơn giản.

Câu 27: Hãy so sánh bài toán dự đoán nhiệt độ ngày mai (một giá trị số) với bài toán dự đoán liệu ngày mai có mưa hay không (Có/Không). Loại mô hình Học máy nào thường được sử dụng cho hai bài toán này tương ứng?

• A. Dự đoán nhiệt độ: Hồi quy; Dự đoán có mưa: Phân loại.
• B. Dự đoán nhiệt độ: Phân loại; Dự đoán có mưa: Hồi quy.
• C. Cả hai đều là bài toán Phân cụm.
• D. Cả hai đều là bài toán Học tăng cường.

Câu 28: Khả năng "tự học" của máy tính trong Học máy có ý nghĩa là gì?

• A. Máy tính có thể tự động cài đặt phần mềm mới.
• B. Máy tính có thể tự sửa chữa các lỗi phần cứng.
• C. Máy tính có ý thức và suy nghĩ độc lập.
• D. Máy tính có thể cải thiện hiệu suất thực hiện một nhiệm vụ thông qua việc xử lý và phân tích dữ liệu mà không cần lập trình lại.

Câu 29: Một ứng dụng thực tế của Học máy là dịch tự động giữa các ngôn ngữ. Để xây dựng một hệ thống dịch tự động, người ta thường sử dụng một lượng lớn các cặp câu (câu gốc và bản dịch tương ứng) từ nhiều ngôn ngữ khác nhau. Đây là một ví dụ của loại dữ liệu nào và loại hình Học máy nào thường được áp dụng?

• A. Dữ liệu có nhãn - Học có giám sát.
• B. Dữ liệu không có nhãn - Học không giám sát.
• C. Dữ liệu có nhãn - Học không giám sát.
• D. Dữ liệu không có nhãn - Học có giám sát.

Câu 30: Tại sao việc chuẩn bị và làm sạch dữ liệu (Data Preprocessing) lại là một bước quan trọng trong quy trình làm việc của Học máy?

• A. Để làm cho dữ liệu có kích thước nhỏ hơn.
• B. Để dữ liệu trông đẹp mắt hơn khi hiển thị.
• C. Để loại bỏ lỗi, xử lý dữ liệu thiếu, và đưa dữ liệu về định dạng phù hợp, giúp mô hình học hiệu quả và chính xác hơn.
• D. Để tăng tốc độ thu thập dữ liệu.

Câu 1: Học máy (Machine Learning) được định nghĩa là một lĩnh vực của Trí tuệ nhân tạo (AI) tập trung vào việc gì?

• A. Thiết kế các hệ thống phần cứng có khả năng xử lý siêu tốc.
• B. Lập trình các quy tắc rõ ràng để máy tính thực hiện mọi tác vụ.
• C. Phát triển các thuật toán cho phép máy tính tự học từ dữ liệu để đưa ra dự đoán hoặc quyết định.
• D. Tạo ra các giao diện đồ họa người dùng thân thiện và trực quan.

Câu 2: Điểm khác biệt cốt lõi giữa một chương trình máy tính truyền thống và một mô hình học máy là gì?

• A. Chương trình truyền thống cần dữ liệu, mô hình học máy thì không.
• B. Chương trình truyền thống chỉ xử lý số, mô hình học máy xử lý mọi loại dữ liệu.
• C. Chương trình truyền thống tự động cập nhật, mô hình học máy cần lập trình lại thủ công.
• D. Chương trình truyền thống thực hiện theo quy tắc được lập trình sẵn, mô hình học máy học cách thực hiện nhiệm vụ từ dữ liệu.

Câu 3: Một hệ thống học máy được huấn luyện để phân loại email thành "Thư rác" hoặc "Thư thường". Để làm được điều này, hệ thống được cung cấp một lượng lớn email đã được gán nhãn trước đó (email nào là thư rác, email nào là thư thường). Đây là ví dụ về phương pháp học máy nào?

• A. Học có giám sát (Supervised Learning)
• B. Học không giám sát (Unsupervised Learning)
• C. Học tăng cường (Reinforcement Learning)
• D. Học sâu (Deep Learning)

Câu 4: Bạn có một tập dữ liệu chứa thông tin về các giao dịch ngân hàng trong quá khứ, bao gồm cả việc giao dịch đó có phải là gian lận hay không (đã được đánh dấu rõ ràng). Bạn muốn xây dựng một mô hình để tự động phát hiện các giao dịch gian lận trong tương lai. Loại bài toán học máy nào phù hợp nhất với tình huống này?

• A. Phân cụm (Clustering) trong Học không giám sát.
• B. Phân loại (Classification) trong Học có giám sát.
• C. Giảm chiều dữ liệu (Dimensionality Reduction) trong Học không giám sát.
• D. Học tăng cường (Reinforcement Learning).

Câu 5: Một công ty thương mại điện tử muốn hiểu rõ hơn về các nhóm khách hàng của mình dựa trên hành vi mua sắm (sản phẩm đã xem, đã mua, tần suất mua...). Công ty không có sẵn các nhãn phân loại khách hàng. Họ muốn sử dụng học máy để tự động nhóm các khách hàng có hành vi tương tự nhau lại. Phương pháp học máy nào phù hợp nhất cho mục tiêu này?

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

Câu 6: Ứng dụng nào sau đây thường sử dụng phương pháp học không giám sát để hoạt động hiệu quả?

• A. Nhận dạng chữ viết tay.
• B. Dự báo giá nhà dựa trên diện tích và vị trí.
• C. Hệ thống gợi ý sản phẩm cho người dùng.
• D. Phát hiện thư rác trong hộp thư đến.

Câu 7: Trong quá trình huấn luyện một mô hình học có giám sát, "dữ liệu có nhãn" đóng vai trò gì?

• A. Giúp mô hình tự động tìm kiếm cấu trúc ẩn trong dữ liệu mà không cần mục tiêu cụ thể.
• B. Được sử dụng để đánh giá hiệu suất của mô hình sau khi huấn luyện xong.
• C. Là dữ liệu đầu vào mà mô hình sẽ đưa ra dự đoán sau khi được huấn luyện.
• D. Cung cấp mục tiêu (đầu ra mong muốn) để mô hình học cách đưa ra dự đoán chính xác từ dữ liệu đầu vào.

Câu 8: Một trong những thách thức lớn khi áp dụng học có giám sát là gì?

• A. Việc thu thập và gán nhãn cho lượng lớn dữ liệu có thể tốn kém và khó khăn.
• B. Mô hình chỉ hoạt động tốt với dữ liệu không có cấu trúc.
• C. Không thể đánh giá được hiệu suất của mô hình.
• D. Chỉ có thể áp dụng cho các bài toán phân cụm đơn giản.

Câu 9: Phương pháp học máy nào phù hợp nhất khi bạn muốn phân chia một tập hợp các bức ảnh động vật thành các nhóm khác nhau (ví dụ: nhóm mèo, nhóm chó, nhóm chim...) mà không có sẵn nhãn cho từng bức ảnh?

• A. Học có giám sát.
• B. Học không giám sát.
• C. Học tăng cường.
• D. Học bán giám sát.

Câu 10: Mô hình học máy được sử dụng trong các ứng dụng dịch tự động (ví dụ: Google Translate) hoạt động chủ yếu dựa trên nguyên tắc nào?

• A. Học từ các cặp câu đã được dịch sẵn (dữ liệu có nhãn) để dự đoán bản dịch cho câu mới.
• B. Tự động tạo ra các quy tắc ngữ pháp và từ vựng cho từng ngôn ngữ.
• C. Phân cụm các từ có nghĩa tương đồng trong các ngôn ngữ khác nhau.
• D. Giảm số lượng từ trong câu để việc dịch đơn giản hơn.

Câu 11: Trong lĩnh vực y tế, học máy có thể được ứng dụng để hỗ trợ chẩn đoán bệnh. Điều này thường được thực hiện bằng cách nào?

• A. Thay thế hoàn toàn bác sĩ trong việc đưa ra quyết định chẩn đoán.
• B. Tự động tạo ra các loại thuốc mới dựa trên cấu trúc hóa học.
• C. Chỉ sử dụng dữ liệu không có nhãn của bệnh nhân để tìm kiếm các nhóm bệnh.
• D. Phân tích dữ liệu y tế (ví dụ: hình ảnh X-quang, kết quả xét nghiệm) để nhận diện các dấu hiệu của bệnh và đưa ra dự đoán hỗ trợ bác sĩ.

Câu 12: Hệ thống nhận dạng tiếng nói (Speech Recognition Systems) như Siri, Google Assistant sử dụng học máy để chuyển đổi âm thanh lời nói thành văn bản. Đây là một ví dụ điển hình của ứng dụng nào?

• A. Phân tích thị trường.
• B. Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP).
• C. Phát hiện gian lận.
• D. Hệ thống gợi ý.

Câu 13: Mục tiêu chính của bài toán phân loại (Classification) trong học máy là gì?

• A. Dự đoán nhãn (lớp) cho một đối tượng dữ liệu mới dựa trên dữ liệu có nhãn đã học.
• B. Dự đoán một giá trị số liên tục cho một đối tượng dữ liệu mới.
• C. Tìm kiếm các nhóm (cụm) dữ liệu tương đồng trong tập dữ liệu không nhãn.
• D. Giảm số lượng đặc trưng của dữ liệu trong khi vẫn giữ lại thông tin quan trọng.

Câu 14: Mục tiêu chính của bài toán phân cụm (Clustering) trong học máy là gì?

• A. Dự đoán một giá trị số liên tục cho một đối tượng dữ liệu mới.
• B. Gán nhãn cho một đối tượng dữ liệu mới dựa trên dữ liệu có nhãn.
• C. Tìm kiếm và nhóm các đối tượng dữ liệu có đặc điểm tương đồng vào các cụm khác nhau.
• D. Dự đoán xu hướng thay đổi của dữ liệu theo thời gian.

Câu 15: Khi xây dựng mô hình học máy để dự báo giá nhà dựa trên các yếu tố như diện tích, số phòng ngủ, vị trí..., loại bài toán học máy nào đang được giải quyết?

• A. Bài toán phân loại.
• B. Bài toán hồi quy.
• C. Bài toán phân cụm.
• D. Bài toán giảm chiều dữ liệu.

Câu 16: Một công ty muốn phân tích các bài đánh giá sản phẩm của khách hàng (dạng văn bản) để xác định xem bài đánh giá đó thể hiện cảm xúc tích cực, tiêu cực hay trung tính. Đây là một ứng dụng của học máy trong lĩnh vực nào?

• A. Thị giác máy tính (Computer Vision).
• B. Hệ thống gợi ý.
• C. Xử lý ngôn ngữ tự nhiên (Natural Language Processing).
• D. Học tăng cường.

Câu 17: Quá trình "huấn luyện" (training) một mô hình học máy có giám sát liên quan đến việc gì?

• A. Sử dụng dữ liệu có nhãn để mô hình học cách ánh xạ đầu vào tới đầu ra mong muốn.
• B. Áp dụng mô hình đã được huấn luyện để đưa ra dự đoán trên dữ liệu mới.
• C. Thu thập và chuẩn bị dữ liệu trước khi đưa vào mô hình.
• D. Tìm kiếm các mẫu ẩn trong dữ liệu không có nhãn.

Câu 18: Tại sao dữ liệu chất lượng cao lại quan trọng đối với hiệu suất của mô hình học máy?

• A. Dữ liệu chất lượng cao giúp mô hình học nhanh hơn, bất kể nội dung dữ liệu.
• B. Mô hình học máy chỉ hoạt động với dữ liệu được định dạng hoàn hảo.
• C. Dữ liệu chất lượng cao chỉ quan trọng đối với học không giám sát.
• D. Mô hình học máy học từ các mẫu trong dữ liệu; dữ liệu sai lệch hoặc không chính xác sẽ dẫn đến mô hình học sai và đưa ra dự đoán kém tin cậy.

Câu 19: Sự khác biệt chính về đầu vào (input) giữa học có giám sát và học không giám sát là gì?

• A. Học có giám sát sử dụng dữ liệu số, học không giám sát sử dụng dữ liệu văn bản.
• B. Học có giám sát sử dụng dữ liệu nhỏ, học không giám sát sử dụng dữ liệu lớn.
• C. Học có giám sát yêu cầu dữ liệu có nhãn, học không giám sát sử dụng dữ liệu không có nhãn.
• D. Học có giám sát sử dụng dữ liệu theo thời gian, học không giám sát sử dụng dữ liệu tĩnh.

Câu 20: Giả sử bạn đang xây dựng một hệ thống để nhận dạng các đối tượng (ví dụ: ô tô, người, cây cối) trong các bức ảnh. Bạn có một tập dữ liệu lớn gồm các bức ảnh mà mỗi đối tượng trong ảnh đã được khoanh vùng và gán nhãn (ví dụ: vùng này là "ô tô"). Đây là một ứng dụng điển hình của học máy trong lĩnh vực nào?

• A. Thị giác máy tính (Computer Vision).
• B. Xử lý ngôn ngữ tự nhiên (Natural Language Processing).
• C. Phân tích dữ liệu lớn (Big Data Analytics).
• D. Học tăng cường.

Câu 21: Công ty A muốn dự đoán doanh số bán hàng của sản phẩm X trong tháng tới dựa trên dữ liệu bán hàng của 5 năm qua, các chiến dịch quảng cáo đã thực hiện và dữ liệu thời tiết. Loại bài toán học máy nào phù hợp nhất để giải quyết vấn đề này?

• A. Phân loại.
• B. Hồi quy.
• C. Phân cụm.
• D. Phát hiện bất thường.

Câu 22: Một mô hình học máy được huấn luyện để phân loại email thành "Thư rác" hoặc "Thư thường". Sau khi huấn luyện, mô hình này được sử dụng để kiểm tra các email mới đến. Quá trình này được gọi là gì?

• A. Huấn luyện (Training).
• B. Tiền xử lý dữ liệu (Data Preprocessing).
• C. Gán nhãn dữ liệu (Data Labeling).
• D. Suy luận/Dự đoán (Inference/Prediction).

Câu 23: Giả sử bạn có một tập dữ liệu lớn về các giao dịch thẻ tín dụng và muốn tìm ra các giao dịch có vẻ bất thường so với phần lớn các giao dịch khác, có thể là dấu hiệu của gian lận. Bạn không có nhãn "gian lận" hay "không gian lận" cho tất cả các giao dịch. Phương pháp học máy nào phù hợp để giải quyết bài toán này?

• A. Học có giám sát (Phân loại).
• B. Học không giám sát (Phát hiện bất thường).
• C. Học tăng cường.
• D. Hồi quy.

Câu 24: Lợi ích chính của việc sử dụng học máy để xử lý dữ liệu lớn (Big Data) là gì?

• A. Tự động hóa việc phân tích và tìm kiếm mẫu trong lượng dữ liệu khổng lồ mà con người khó xử lý thủ công.
• B. Giảm kích thước của tập dữ liệu lớn xuống mức có thể xử lý bằng tay.
• C. Thay thế hoàn toàn nhu cầu lưu trữ dữ liệu lớn.
• D. Đảm bảo dữ liệu luôn được cập nhật theo thời gian thực một cách tự động.

Câu 25: Trong bài toán học có giám sát, nếu đầu ra mà mô hình cần dự đoán là một giá trị số liên tục (ví dụ: nhiệt độ ngày mai, giá cổ phiếu), thì đó là bài toán gì?

• A. Phân loại (Classification).
• B. Hồi quy (Regression).
• C. Phân cụm (Clustering).
• D. Giảm chiều dữ liệu (Dimensionality Reduction).

Câu 26: Khi nói về "tập dữ liệu huấn luyện" (training dataset) trong học máy, chúng ta đang nói về tập dữ liệu được sử dụng cho mục đích nào?

• A. Để đánh giá hiệu suất cuối cùng của mô hình sau khi huấn luyện.
• B. Để kiểm tra mô hình với dữ liệu mới chưa từng thấy.
• C. Để mô hình học hỏi và điều chỉnh các tham số bên trong.
• D. Để tiền xử lý và làm sạch dữ liệu.

Câu 27: Khả năng "tự học" của máy tính trong học máy có nghĩa là gì?

• A. Máy tính có thể tự viết mã lập trình mới.
• B. Máy tính có thể hiểu và phản hồi ngôn ngữ tự nhiên của con người.
• C. Máy tính có thể tự sửa chữa các lỗi phần cứng của mình.
• D. Máy tính có thể cải thiện hiệu suất của mình trên một nhiệm vụ cụ thể khi tiếp xúc với nhiều dữ liệu hơn.

Câu 28: Phân tích dữ liệu thị trường để dự báo xu hướng mua sắm của người tiêu dùng hoặc biến động giá cổ phiếu là một ứng dụng của học máy. Loại dữ liệu nào thường được sử dụng trong các ứng dụng này?

• A. Chủ yếu là dữ liệu có nhãn (lịch sử giá, lịch sử mua hàng với kết quả tương ứng).
• B. Chủ yếu là dữ liệu không có nhãn để tìm kiếm các mẫu ẩn.
• C. Không cần dữ liệu, chỉ cần các quy tắc kinh tế.
• D. Chỉ cần dữ liệu văn bản từ các báo cáo tài chính.

Câu 29: Một trong những lợi ích chính của việc sử dụng học máy so với các phương pháp lập trình truyền thống cho các bài toán phức tạp (như nhận dạng hình ảnh, xử lý ngôn ngữ) là gì?

• A. Học máy luôn cho kết quả chính xác 100%.
• B. Học máy có thể học và thích ứng với các mẫu phức tạp trong dữ liệu mà việc lập trình quy tắc tường minh rất khó khăn.
• C. Học máy không yêu cầu bất kỳ dữ liệu đầu vào nào.
• D. Học máy chỉ hoạt động với các tập dữ liệu rất nhỏ.

Câu 30: Để xây dựng một hệ thống gợi ý phim cho người dùng trên một nền tảng xem phim, mô hình học máy có thể sử dụng dữ liệu nào?

• A. Chỉ cần thông tin về tên và đạo diễn của các bộ phim.
• B. Chỉ cần số lượng người đã xem mỗi bộ phim.
• C. Chỉ cần dữ liệu văn bản mô tả nội dung phim.
• D. Dữ liệu về hành vi xem, đánh giá, sở thích của người dùng và thông tin chi tiết về các bộ phim.