Đề Thi Thử Trắc Nghiệm Online – Môn Học Máy

Câu hỏi mô tả một bài toán dự đoán nhãn (churn/không churn) dựa trên dữ liệu có nhãn (lịch sử churn). Đây là đặc điểm của học có giám sát, phân loại.

Câu hỏi kiểm tra kiến thức về hàm mất mát phù hợp cho Logistic Regression trong phân loại nhị phân. Cross-entropy loss (hay log loss) là lựa chọn tiêu chuẩn.

Câu hỏi kiểm tra hiểu biết về ma trận nhầm lẫn. True Positive (TP) là trường hợp mô hình dự đoán đúng positive (churn) và thực tế là positive (churn).

Câu hỏi về kỹ thuật giảm overfitting. Regularization (L1, L2) là phương pháp phổ biến để giảm độ phức tạp mô hình và tránh overfitting.

Câu hỏi về ứng dụng mô hình học sâu cho xử lý ảnh. Convolutional Neural Networks (CNNs) là kiến trúc mạng nơ-ron chuyên biệt và hiệu quả cho thị giác máy tính.

Câu hỏi về vai trò của lớp Convolutional trong CNN. Lớp Convolutional sử dụng các bộ lọc để trích xuất đặc trưng cục bộ từ ảnh.

Câu hỏi về ưu điểm của ReLU. ReLU giúp giảm thiểu vấn đề vanishing gradient, tăng tốc độ huấn luyện so với sigmoid/tanh.

Câu hỏi về kỹ thuật giảm chiều dữ liệu. Principal Component Analysis (PCA) là phương pháp giảm chiều phổ biến, giữ lại phương sai lớn nhất.

Câu hỏi về phương pháp chọn k trong K-Means. Elbow method sử dụng Inertia (WCSS) để tìm điểm khuỷu, ước lượng k tối ưu.

Câu hỏi về ứng dụng học máy cho hệ thống gợi ý. Collaborative filtering và content-based filtering là các phương pháp phổ biến cho bài toán này.

Câu hỏi về khái niệm cơ bản trong RL. Trajectory (hoặc episode) là chuỗi trạng thái, hành động, phần thưởng trong một phiên tương tác.

Câu hỏi về cơ chế hoạt động của Gradient Descent. Gradient của hàm mất mát chỉ ra hướng tăng nhanh nhất, Gradient Descent đi ngược hướng gradient để giảm mất mát.

Câu hỏi về kỹ thuật Feature scaling. Standardization và normalization là các kỹ thuật phổ biến để đưa features về cùng thang đo.

Câu hỏi về mục đích của Cross-validation. Cross-validation đánh giá khả năng tổng quát hóa mô hình bằng cách chia dữ liệu và đánh giá trên nhiều phần khác nhau.

Câu hỏi về cơ chế Bagging. Bagging tạo nhiều mô hình từ các tập con bootstrap của dữ liệu và kết hợp dự đoán.

Câu hỏi về tính 'random' của Random Forest. Randomness đến từ việc chọn ngẫu nhiên mẫu dữ liệu (bootstrap) và chọn ngẫu nhiên features khi xây dựng mỗi cây.

Câu hỏi về sự khác biệt giữa Boosting và Bagging (Random Forest). Boosting huấn luyện tuần tự, tập trung vào mẫu khó, còn Bagging huấn luyện song song.

Câu hỏi về Precision. Precision đo lường tỷ lệ dự đoán positive đúng trên tổng số dự đoán positive.

Câu hỏi về Recall. Recall đo lường tỷ lệ dự đoán positive đúng trên tổng số thực tế positive.

Câu hỏi về công thức F1-score. F1-score là trung bình điều hòa của Precision và Recall.

Câu hỏi về ROC curve. ROC curve vẽ True Positive Rate (Recall) theo False Positive Rate.

Câu hỏi về độ đo cho bài toán hồi quy. Mean Squared Error (MSE) và Root Mean Squared Error (RMSE) là phổ biến.

Câu hỏi về underfitting. Underfitting xảy ra khi mô hình quá đơn giản, không đủ khả năng biểu diễn dữ liệu.

Câu hỏi về Dropout. Dropout là kỹ thuật regularization giảm overfitting trong mạng nơ-ron.

Câu hỏi về ưu điểm của DBSCAN so với K-Means. DBSCAN không yêu cầu biết trước số cluster và có thể phát hiện cluster có hình dạng bất kỳ.

Câu hỏi về Word Embedding trong NLP. Word Embedding biểu diễn từ ngữ thành vector số, giữ lại ngữ nghĩa và quan hệ giữa các từ.

Câu hỏi về ưu điểm Self-Attention so với RNN. Self-Attention xử lý song song, khắc phục hạn chế tuần tự của RNN và vấn đề vanishing gradient.

Câu hỏi về xử lý imbalanced data. Oversampling, undersampling, và thuật toán nhạy cảm với imbalanced data (e.g., SMOTE) là các phương pháp.

Câu hỏi về interpretability của mô hình. Decision Trees và Logistic Regression dễ giải thích hơn so với Black-box models như Neural Networks.

Câu hỏi về quy trình triển khai mô hình ML. Sau huấn luyện và đánh giá, cần triển khai mô hình để sử dụng trong thực tế (deployment).

Câu hỏi tập trung vào việc lựa chọn độ đo đánh giá phù hợp cho bài toán phân loại mất cân bằng lớp. Accuracy có thể gây hiểu lầm trong trường hợp này. F1-score là trung bình điều hòa của precision và recall, phù hợp hơn khi lớp không cân bằng.

Câu hỏi về kỹ thuật giảm overfitting cho cây quyết định. Pruning (tỉa cây) là kỹ thuật loại bỏ các nhánh không cần thiết, giúp cây đơn giản hơn và giảm overfitting.

Câu hỏi về lựa chọn biến trong hồi quy tuyến tính. Regularization (L1 hoặc L2) có thể tự động giảm trọng số của các biến không quan trọng, thậm chí về 0 (L1), giúp lựa chọn biến và đơn giản hóa mô hình.

Câu hỏi về ứng dụng của K-Means Clustering. K-Means là thuật toán phân cụm, mục tiêu là chia dữ liệu thành K cụm dựa trên khoảng cách, không cần nhãn.

Câu hỏi về mô hình phù hợp cho dữ liệu chuỗi thời gian. Recurrent Neural Networks (RNNs) được thiết kế đặc biệt để xử lý dữ liệu chuỗi, có khả năng ghi nhớ trạng thái từ các bước trước.

Câu hỏi về mục đích của chuẩn hóa dữ liệu. Chuẩn hóa đưa các thuộc tính về cùng thang đo, giúp các thuật toán nhạy cảm với khoảng cách (như KNN, K-Means) hoạt động tốt hơn và tăng tốc độ hội tụ của gradient descent.

Câu hỏi về nguyên tắc hoạt động của Gradient Boosting. Boosting nói chung và Gradient Boosting nói riêng xây dựng mô hình tuần tự, mỗi mô hình sau cố gắng sửa lỗi của mô hình trước đó, bằng cách tập trung vào các mẫu mà mô hình trước dự đoán sai.

Câu hỏi về điều kiện áp dụng Naive Bayes. Naive Bayes hoạt động tốt khi giả định về tính độc lập giữa các thuộc tính (features) gần đúng với thực tế, đặc biệt hiệu quả trong các bài toán phân loại văn bản.

Câu hỏi về vai trò của lớp tích chập trong CNN. Lớp tích chập sử dụng các bộ lọc (kernels) để trích xuất các đặc trưng cục bộ từ dữ liệu đầu vào (như ảnh), nhận diện mẫu trong các vùng nhỏ của ảnh.

Câu hỏi về độ đo đánh giá hồi quy, nhạy cảm với ngoại lai. Mean Squared Error (MSE) và Root Mean Squared Error (RMSE) đều nhạy cảm với ngoại lai do bình phương sai số. Mean Absolute Error (MAE) ít nhạy cảm hơn. R-squared đo tỷ lệ phương sai được giải thích, không trực tiếp đo độ lớn sai số.

Câu hỏi về hàm kích hoạt cho lớp đầu ra trong phân loại đa lớp. Softmax chuyển đổi đầu ra thành phân phối xác suất, tổng các xác suất trên các lớp bằng 1, phù hợp cho phân loại đa lớp.

Câu hỏi về mục đích của cross-validation. Cross-validation đánh giá khả năng tổng quát hóa của mô hình bằng cách chia dữ liệu thành nhiều phần, huấn luyện trên một số phần và kiểm tra trên phần còn lại, giúp ước tính hiệu suất mô hình trên dữ liệu mới.

Câu hỏi về kernel trick trong SVM. Kernel trick cho phép SVM giải quyết bài toán phân loại phi tuyến tính bằng cách ánh xạ dữ liệu sang không gian chiều cao hơn mà không cần tính toán trực tiếp tọa độ trong không gian đó.

Câu hỏi về phương pháp giảm chiều dữ liệu tuyến tính, giữ phương sai lớn nhất. Principal Component Analysis (PCA) là phương pháp tuyến tính, tìm các phương chính để biểu diễn dữ liệu, giữ lại phương sai lớn nhất.

Câu hỏi về vai trò của reward function trong reinforcement learning. Reward function định nghĩa mục tiêu của agent, cung cấp tín hiệu phản hồi (thưởng hoặc phạt) cho hành động của agent, hướng dẫn agent học hành vi mong muốn.

Câu hỏi về ứng dụng của TF-IDF trong xử lý văn bản. TF-IDF đo lường tầm quan trọng của từ trong văn bản so với tập hợp văn bản, giúp chuyển đổi văn bản thành vector số để mô hình học máy có thể xử lý.

Câu hỏi về tìm kiếm siêu tham số tối ưu. Grid Search và Random Search là các phương pháp phổ biến để tìm kiếm siêu tham số bằng cách thử các kết hợp khác nhau và đánh giá hiệu suất.

Câu hỏi về bagging trong Random Forest. Bagging tạo ra nhiều tập dữ liệu con bằng cách lấy mẫu có hoàn lại từ dữ liệu gốc, huấn luyện một cây quyết định trên mỗi tập con, sau đó kết hợp kết quả dự đoán để giảm phương sai và tăng tính ổn định.

Câu hỏi về bias-variance tradeoff. Bias-variance tradeoff là sự cân bằng giữa việc mô hình quá đơn giản (high bias, underfitting) và quá phức tạp (high variance, overfitting). Mô hình tốt cần cân bằng cả hai để tổng quát hóa tốt.

Câu hỏi về biểu hiện của overfitting. Overfitting xảy ra khi mô hình học quá tốt trên dữ liệu huấn luyện, nhưng kém trên dữ liệu kiểm tra. Hiệu suất cao trên huấn luyện, thấp trên kiểm tra là dấu hiệu overfitting.

Câu hỏi về tác dụng của batch normalization. Batch normalization giúp ổn định quá trình huấn luyện, tăng tốc độ hội tụ, giảm sự phụ thuộc vào khởi tạo tham số và có thể hoạt động như một dạng regularization.

Câu hỏi về vai trò của lớp pooling trong CNN. Lớp pooling giảm kích thước không gian của feature maps, giảm số lượng tham số và tính toán, đồng thời tăng tính bất biến vị trí (translation invariance).

Câu hỏi về tham số K trong KNN. K là số lượng hàng xóm gần nhất được xem xét để phân loại hoặc hồi quy một điểm dữ liệu mới. Giá trị K ảnh hưởng đến độ phức tạp và độ mịn của biên quyết định.

Câu hỏi về ứng dụng của One-Hot Encoding. One-Hot Encoding chuyển đổi biến phân loại (categorical) thành dạng số mà mô hình học máy có thể xử lý, bằng cách tạo ra các cột nhị phân cho mỗi giá trị phân loại.

Câu hỏi về vai trò của hàm sigmoid trong hồi quy logistic. Hàm sigmoid chuyển đổi đầu ra tuyến tính thành xác suất nằm trong khoảng [0, 1], phù hợp cho bài toán phân loại nhị phân.

Câu hỏi về biểu đồ trực quan hóa precision và recall. Biểu đồ Precision-Recall curve thể hiện sự đánh đổi giữa precision và recall ở các ngưỡng phân loại khác nhau, giúp so sánh hiệu suất mô hình, đặc biệt trong bài toán mất cân bằng lớp.

Câu hỏi về mục đích của regularization. Regularization được sử dụng để giảm overfitting bằng cách thêm một hình phạt vào hàm mất mát, hạn chế độ phức tạp của mô hình.

Câu hỏi về ứng dụng của thuật toán Apriori. Apriori là thuật toán phổ biến trong khai phá luật kết hợp (association rule mining), tìm kiếm các tập mục phổ biến trong cơ sở dữ liệu giao dịch.

Câu hỏi về vai trò của hàm mất mát. Hàm mất mát đo lường sai khác giữa dự đoán của mô hình và giá trị thực tế, là mục tiêu để tối ưu hóa trong quá trình huấn luyện mạng nơ-ron bằng gradient descent.

Câu hỏi về mô hình đa năng (classification và regression). Decision Tree và Random Forest có thể được sử dụng cho cả phân loại (dự đoán lớp) và hồi quy (dự đoán giá trị liên tục).

Câu hỏi kiểm tra việc lựa chọn phương pháp học máy phù hợp dựa trên loại dữ liệu và mục tiêu. Phân loại email spam là một bài toán phân loại (classification) với dữ liệu đã gán nhãn, phù hợp với học có giám sát.

Câu hỏi kiểm tra kiến thức về hàm mất mát trong hồi quy tuyến tính. Mean Squared Error (MSE) là hàm mất mát phổ biến nhất để đánh giá hiệu suất của mô hình hồi quy.

Câu hỏi kiểm tra hiểu biết về các độ đo đánh giá mô hình phân loại. 'Recall' (Độ Nhớ) chính xác là tỷ lệ TP/(TP+FN), đo lường khả năng mô hình tìm ra tất cả các trường hợp dương tính.

Câu hỏi kiểm tra kiến thức về overfitting và các biện pháp khắc phục. Tăng độ phức tạp của mô hình (ví dụ, thêm lớp ẩn trong mạng neural) sẽ làm tăng nguy cơ overfitting, không giảm thiểu nó.

Câu hỏi kiểm tra hiểu biết về thuật toán K-means. Mỗi lần lặp K-means bao gồm hai bước chính: gán các điểm dữ liệu vào cluster gần nhất và cập nhật centroid của mỗi cluster.

Câu hỏi kiểm tra kiến thức về ensemble learning. Random Forest là một phương pháp ensemble learning phổ biến, kết hợp nhiều cây quyết định để đưa ra dự đoán.

Câu hỏi kiểm tra vai trò của activation function. Activation function giới thiệu tính phi tuyến vào mạng neural, cho phép mô hình học các mối quan hệ phức tạp trong dữ liệu.

Câu hỏi kiểm tra mục tiêu của thuật toán gradient descent. Gradient descent tìm kiếm giá trị tham số tối ưu bằng cách di chuyển theo hướng ngược lại của gradient hàm mất mát, nhằm cực tiểu hóa hàm mất mát.

Câu hỏi kiểm tra lý do cần giảm chiều dữ liệu. Giảm chiều dữ liệu hữu ích khi dữ liệu có quá nhiều features, gây ra 'curse of dimensionality', tăng độ phức tạp tính toán và overfitting.

Câu hỏi kiểm tra cơ chế học trong reinforcement learning. Agent học thông qua 'reward' (phần thưởng) hoặc 'penalty' (hình phạt) từ môi trường, đánh giá hành động của agent và hướng dẫn quá trình học.

Câu hỏi kiểm tra ứng dụng của các loại mạng neural. Recurrent Neural Networks (RNNs) được thiết kế đặc biệt để xử lý dữ liệu chuỗi thời gian nhờ cơ chế vòng lặp cho phép lưu giữ trạng thái từ quá khứ.

Câu hỏi kiểm tra lý do cần feature scaling. Feature scaling giúp đảm bảo các features có cùng phạm vi giá trị, ngăn chặn việc một số features có giá trị lớn ảnh hưởng quá mức đến mô hình, đặc biệt là các thuật toán dựa trên khoảng cách.

Câu hỏi kiểm tra thuật toán giảm chiều dữ liệu không giám sát. Principal Component Analysis (PCA) là một thuật toán giảm chiều dữ liệu phổ biến, thuộc nhóm học không giám sát, tìm các thành phần chính để biểu diễn dữ liệu với số chiều thấp hơn.

Câu hỏi kiểm tra ứng dụng của học máy trong gợi ý sản phẩm. Association rule mining (khai thác luật kết hợp) là phương pháp phù hợp để tìm các mối quan hệ giữa các sản phẩm trong giao dịch mua hàng, từ đó gợi ý sản phẩm.

Câu hỏi kiểm tra mục đích của cross-validation. Cross-validation đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới bằng cách chia dữ liệu thành nhiều phần, huấn luyện trên một phần và kiểm tra trên phần còn lại, lặp lại quá trình này để có đánh giá khách quan.

Câu hỏi kiểm tra hoạt động của convolutional layer trong CNNs. Convolutional layer sử dụng phép toán 'convolution' (tích chập) với các bộ lọc (filters/kernels) để trích xuất các đặc trưng không gian từ ảnh.

Câu hỏi kiểm tra hiểu biết về bias-variance tradeoff. Mô hình bias cao và variance thấp thường đơn giản, không đủ khả năng nắm bắt các mối quan hệ phức tạp trong dữ liệu, dẫn đến 'underfitting'.

Câu hỏi kiểm tra mục đích của data augmentation. Data augmentation tạo ra các phiên bản biến đổi của dữ liệu huấn luyện, giúp tăng tính đa dạng của dữ liệu và cải thiện khả năng tổng quát hóa của mô hình.

Câu hỏi kiểm tra vấn đề mà batch normalization giải quyết. Batch normalization giúp giải quyết vấn đề 'internal covariate shift', làm cho quá trình huấn luyện ổn định hơn và cho phép sử dụng learning rate cao hơn.

Câu hỏi kiểm tra kỹ thuật xử lý văn bản trong NLP. 'Word embedding' (nhúng từ) là kỹ thuật phổ biến để biểu diễn từ ngữ dưới dạng vector số, giữ lại ngữ nghĩa và mối quan hệ giữa các từ.

Câu hỏi kiểm tra tiêu chí phân chia nút trong cây quyết định. 'Information gain' (độ lợi thông tin) và 'Gini impurity' (độ tinh khiết Gini) là các tiêu chí phổ biến để chọn thuộc tính phân chia, tối đa hóa sự giảm độ hỗn loạn sau phân chia.

Câu hỏi kiểm tra ưu điểm của SVM. SVM hoạt động tốt trong các bài toán phân loại có không gian đặc trưng chiều cao, đặc biệt khi có sự phân tách rõ ràng giữa các lớp.

Câu hỏi kiểm tra thuật toán clustering. DBSCAN (Density-Based Spatial Clustering of Applications with Noise) là một thuật toán clustering dựa trên mật độ, có khả năng phát hiện các cụm có hình dạng bất kỳ và loại bỏ nhiễu.

Câu hỏi kiểm tra giai đoạn feature engineering. 'Feature engineering' (kỹ thuật đặc trưng) là giai đoạn quan trọng để tạo ra các features chất lượng từ dữ liệu thô, ảnh hưởng lớn đến hiệu suất mô hình.

Câu hỏi kiểm tra các loại regularization. L1 regularization (Lasso) thêm một khoản phạt tỷ lệ với tổng giá trị tuyệt đối của trọng số, khuyến khích mô hình tạo ra các trọng số thưa thớt (sparse).

Câu hỏi kiểm tra độ đo đánh giá hồi quy. R-squared (R bình phương) đo lường tỷ lệ phương sai của biến phụ thuộc được giải thích bởi mô hình hồi quy, thể hiện mức độ phù hợp của mô hình.

Câu hỏi kiểm tra thuật toán anomaly detection. Isolation Forest là một thuật toán hiệu quả cho anomaly detection, dựa trên việc cô lập các điểm bất thường dễ dàng hơn so với điểm bình thường.

Câu hỏi kiểm tra giai đoạn quan trọng khi triển khai mô hình. 'Model monitoring' (giám sát mô hình) là bước thiết yếu để theo dõi hiệu suất mô hình trong môi trường thực tế, phát hiện sự suy giảm chất lượng và tái huấn luyện khi cần.

Câu hỏi kiểm tra sự khác biệt giữa hyperparameters và parameters. Hyperparameters được thiết lập trước khi huấn luyện và kiểm soát quá trình học, trong khi parameters được mô hình học từ dữ liệu trong quá trình huấn luyện.

Câu hỏi kiểm tra ứng dụng của học máy vào dự đoán nhu cầu. Dự đoán nhu cầu điện năng là một bài toán 'regression' (hồi quy), vì mục tiêu là dự đoán một giá trị số liên tục (nhu cầu điện năng).

Câu hỏi tập trung vào việc lựa chọn độ đo đánh giá phù hợp trong tình huống dữ liệu mất cân bằng lớp, một vấn đề phổ biến trong học máy. Accuracy có thể gây hiểu lầm trong trường hợp này, vì vậy cần các độ đo khác như F1-score, AUC-ROC, hoặc Precision/Recall.

Câu hỏi về ứng dụng học máy trong thực tế, cụ thể là hệ thống gợi ý. Học tăng cường (Reinforcement Learning) và Học không giám sát (Unsupervised Learning) có thể được sử dụng, nhưng Học có giám sát (Supervised Learning) thường trực tiếp hơn cho gợi ý dựa trên lịch sử đã biết.

Câu hỏi kiểm tra kiến thức về overfitting và cách xử lý. Overfitting xảy ra khi mô hình 'học thuộc' dữ liệu huấn luyện nhưng kém tổng quát hóa. Regularization là kỹ thuật phổ biến để giảm overfitting.

Câu hỏi về ưu điểm của ReLU, một hàm kích hoạt phổ biến trong mạng нейронные sâu. ReLU giúp giảm thiểu vấn đề vanishing gradients so với sigmoid và tanh.

Câu hỏi về giảm chiều dữ liệu và phương pháp phổ biến nhất. PCA (Principal Component Analysis) là kỹ thuật giảm chiều dữ liệu tuyến tính, giữ lại phương sai lớn nhất.

Câu hỏi về biểu diễn văn bản cho mô hình học máy truyền thống. TF-IDF (Term Frequency-Inverse Document Frequency) là phương pháp phổ biến để chuyển văn bản thành vector số, thể hiện tầm quan trọng của từ trong văn bản và tập văn bản.

Câu hỏi về ảnh hưởng của việc chọn K không phù hợp trong K-means. Chọn K quá lớn có thể dẫn đến việc các clusters bị chia nhỏ quá mức, không phản ánh cấu trúc tự nhiên của dữ liệu.

Câu hỏi về kỹ thuật đánh giá mô hình để ước lượng khả năng tổng quát hóa. Cross-validation (kiểm định chéo) là phương pháp chia dữ liệu thành nhiều phần (folds), huấn luyện trên một số folds và kiểm tra trên fold còn lại, lặp lại quá trình này.

Câu hỏi về tương tác cơ bản trong RL. Tác nhân (agent) thực hiện hành động trong môi trường, và môi trường phản hồi bằng trạng thái mới và phần thưởng.

Câu hỏi về lợi ích của ensemble methods. Ensemble methods kết hợp nhiều mô hình yếu để tạo ra mô hình mạnh hơn, thường cải thiện độ chính xác và độ ổn định, đặc biệt khi mô hình đơn lẻ có thể không đủ mạnh.

Câu hỏi về lựa chọn độ đo trong bài toán cụ thể. Trong phát hiện gian lận, việc bỏ sót giao dịch gian lận (False Negative) nghiêm trọng hơn False Positive. Recall (độ phủ) đo khả năng phát hiện tất cả các trường hợp positive thực tế, phù hợp với mục tiêu này.

Câu hỏi về 'curse of dimensionality' và cách giảm thiểu ảnh hưởng của nó. Giảm chiều dữ liệu (dimensionality reduction) là cách chính để đối phó với vấn đề này trong các thuật toán dựa trên khoảng cách.

Câu hỏi về tác động của L1 regularization. L1 regularization (Lasso) có xu hướng làm cho một số hệ số hồi quy bằng 0, thực hiện feature selection.

Câu hỏi về cơ chế hoạt động của CNNs trong xử lý ảnh. CNNs sử dụng lớp tích chập (convolutional layers) để tự động học các đặc trưng không gian cục bộ từ ảnh.

Câu hỏi về lựa chọn phương pháp học máy cho dữ liệu không nhãn và mục tiêu khám phá cấu trúc. Học không giám sát (Unsupervised Learning), đặc biệt là clustering (phân cụm), phù hợp với tình huống này.

Câu hỏi về batch size và ảnh hưởng của nó trong huấn luyện mạng нейронные. Batch size là số lượng mẫu dữ liệu được sử dụng trong mỗi lần cập nhật gradient. Batch size lớn có thể làm giảm thời gian huấn luyện mỗi epoch nhưng có thể ảnh hưởng đến chất lượng hội tụ.

Câu hỏi về xử lý dữ liệu categorical. One-hot encoding là phương pháp phổ biến để chuyển đổi biến categorical thành dạng số mà các mô hình tuyến tính có thể xử lý được.

Câu hỏi về learning rate trong Gradient Descent và ảnh hưởng của việc chọn learning rate không phù hợp. Learning rate quyết định kích thước bước nhảy trong không gian tham số. Learning rate quá lớn có thể khiến thuật toán dao động và không hội tụ.

Câu hỏi về mô hình 'large margin'. Support Vector Machines (SVM) là mô hình phân loại tuyến tính dựa trên nguyên tắc tìm siêu phẳng phân tách với lề lớn nhất.

Câu hỏi về vai trò của word embeddings trong NLP. Word embeddings biểu diễn từ ngữ thành vector số trong không gian vector, nơi các từ có nghĩa tương tự nằm gần nhau.

Câu hỏi so sánh Random Forest và Gradient Boosting. Gradient Boosting thường mạnh hơn Random Forest khi cần độ chính xác cao nhất và sẵn sàng đánh đổi về thời gian huấn luyện và độ phức tạp.

Câu hỏi về pruning trong Decision Tree. Pruning là quá trình loại bỏ các nhánh hoặc nút không cần thiết trong cây quyết định để giảm overfitting và cải thiện khả năng tổng quát hóa.

Câu hỏi về batch normalization. Batch normalization giúp giảm internal covariate shift, tức là sự thay đổi phân phối dữ liệu đầu vào của mỗi lớp trong quá trình huấn luyện.

Câu hỏi về bias-variance tradeoff. Bias-variance tradeoff mô tả sự cân bằng giữa bias (sai số do giả định đơn giản hóa mô hình) và variance (độ nhạy của mô hình với sự thay đổi nhỏ trong dữ liệu huấn luyện).

Câu hỏi về ảnh hưởng của K trong KNN. Giá trị K nhỏ làm cho mô hình phức tạp hơn, nhạy cảm hơn với nhiễu, trong khi K lớn làm cho mô hình đơn giản hơn, giảm variance nhưng tăng bias.

Câu hỏi về baseline model trong classification. Logistic Regression là mô hình tuyến tính đơn giản, dễ diễn giải, thường được dùng làm baseline.

Câu hỏi về self-attention trong Transformer. Self-attention cho phép mô hình tập trung vào các phần khác nhau của dữ liệu đầu vào khi xử lý mỗi phần, đặc biệt quan trọng trong xử lý chuỗi.

Câu hỏi về dropout. Dropout là kỹ thuật регуляризаци để giảm overfitting bằng cách ngẫu nhiên bỏ qua một số neurons trong quá trình huấn luyện.

Câu hỏi về feature scaling. Feature scaling là quá trình chuẩn hóa hoặc chuẩn hóa dữ liệu đặc trưng để đưa chúng về cùng một phạm vi giá trị, quan trọng cho các thuật toán nhạy cảm với khoảng cách hoặc gradient descent.

Câu hỏi về Q-learning. Q-learning là thuật toán reinforcement learning thuộc loại off-policy và temporal difference (TD learning).

Câu hỏi tập trung vào việc lựa chọn thước đo đánh giá phù hợp cho bài toán phân loại, đặc biệt khi có sự mất cân bằng lớp (spam/không spam) và mô hình có xu hướng dự đoán một lớp chiếm ưu thế. Precision (độ chính xác) đo lường tỷ lệ dự đoán dương tính chính xác trên tổng số dự đoán dương tính, phù hợp để đánh giá khi quan tâm đến việc giảm thiểu false positive (báo nhầm email không spam là spam).

Bài toán gợi ý sản phẩm dựa trên lịch sử mua hàng là ứng dụng điển hình của học máy không giám sát, cụ thể là thuật toán khai phá luật kết hợp (Association Rule Mining) hoặc hệ thống lọc cộng tác (Collaborative Filtering). Các phương pháp học có giám sát như hồi quy tuyến tính hay cây quyết định không trực tiếp phù hợp vì không có nhãn mục tiêu rõ ràng (ví dụ: không có cột 'sản phẩm nên gợi ý' trong dữ liệu huấn luyện).

Hiện tượng 'gradient biến mất' xảy ra khi gradient trở nên quá nhỏ trong quá trình lan truyền ngược (backpropagation), đặc biệt ở các lớp mạng nơ-ron sâu. Điều này khiến cho các lớp mạng ở gần đầu vào (input) học rất chậm hoặc không học được, làm giảm hiệu quả huấn luyện mô hình.

Chuẩn hóa theo lô giúp ổn định quá trình huấn luyện mạng nơ-ron bằng cách chuẩn hóa đầu ra của mỗi lớp trong từng lô dữ liệu (batch). Điều này giúp giảm sự phụ thuộc vào việc khởi tạo tham số, cho phép sử dụng tốc độ học (learning rate) cao hơn và giảm hiện tượng 'gradient biến mất' hoặc 'gradient bùng nổ'.

Khi mối quan hệ giữa các biến không tuyến tính, mô hình hồi quy tuyến tính đơn giản có thể không đủ mạnh. Sử dụng các đặc trưng đa thức (polynomial features) cho phép mô hình nắm bắt các mối quan hệ phi tuyến bằng cách thêm các số hạng bậc cao (ví dụ, diện tích², diện tích³...) vào mô hình tuyến tính.

Tập xác thực được sử dụng để tinh chỉnh siêu tham số (hyperparameters) của mô hình trong quá trình phát triển. Việc đánh giá hiệu suất trên tập xác thực giúp lựa chọn cấu hình siêu tham số tốt nhất mà không 'làm lộ' thông tin từ tập kiểm tra, đảm bảo đánh giá khách quan hiệu suất cuối cùng của mô hình trên dữ liệu mới.

Random Forest là một phương pháp học ансамбль (ensemble learning) kết hợp nhiều cây quyết định. Bằng cách xây dựng nhiều cây trên các mẫu dữ liệu con khác nhau (bagging) và sử dụng ngẫu nhiên tập hợp con các đặc trưng (feature randomness) khi phân chia mỗi nút, Random Forest giảm phương sai (variance) và cải thiện khả năng tổng quát hóa so với một cây quyết định đơn lẻ, vốn dễ bị overfitting.

Phương pháp khuỷu tay vẽ đồ thị sự biến thiên của Inertia (tổng khoảng cách bình phương từ mỗi điểm dữ liệu đến tâm cụm gần nhất) theo số lượng cụm K. Điểm 'khuỷu tay' là điểm mà sau đó việc tăng số lượng cụm không còn giảm đáng kể Inertia nữa, cho thấy sự cân bằng giữa số lượng cụm và độ 'gọn' của các cụm.

Feature scaling đặc biệt quan trọng khi sử dụng các thuật toán nhạy cảm với khoảng giá trị của đặc trưng, như các thuật toán dựa trên khoảng cách (K-NN, K-Means, SVM với kernel tuyến tính) hoặc các thuật toán tối ưu hóa gradient (Gradient Descent, sử dụng trong mạng nơ-ron, hồi quy logistic). Khi các đặc trưng có khoảng giá trị rất khác nhau, feature scaling giúp đảm bảo tất cả các đặc trưng đều đóng góp tương đương vào quá trình học.

Hàm phần thưởng định nghĩa mục tiêu của tác nhân (agent) trong môi trường học tăng cường. Nó cung cấp tín hiệu phản hồi cho tác nhân về hành động của nó, khuyến khích các hành động dẫn đến trạng thái mong muốn và trừng phạt các hành động dẫn đến trạng thái không mong muốn. Hàm phần thưởng là yếu tố then chốt định hướng quá trình học của tác nhân.

Mô hình có độ lệch cao là mô hình quá đơn giản, không đủ linh hoạt để nắm bắt các mối quan hệ phức tạp trong dữ liệu huấn luyện. Do đó, nó thường hoạt động kém cả trên dữ liệu huấn luyện và dữ liệu kiểm tra, dẫn đến hiện tượng underfitting.

Regularization thêm một 'hình phạt' vào hàm mất mát (loss function) của mô hình, thường là dựa trên độ lớn của các tham số mô hình (ví dụ: L1 hoặc L2 regularization). Điều này khuyến khích mô hình học các tham số nhỏ hơn, đơn giản hơn, và ít phức tạp hơn, từ đó giảm overfitting và cải thiện khả năng tổng quát hóa.

Hàm Softmax thường được sử dụng ở lớp đầu ra trong bài toán phân loại đa lớp. Softmax chuyển đổi đầu ra của lớp cuối cùng thành phân phối xác suất trên tất cả các lớp, sao cho tổng xác suất của tất cả các lớp bằng 1. Điều này cho phép mô hình dự đoán xác suất thuộc về mỗi lớp.

Lớp convolutional trong CNNs thực hiện phép tích chập (convolution) giữa bộ lọc (filter) và một vùng cục bộ của ảnh đầu vào. Phép tích chập giúp trích xuất các đặc trưng cục bộ (local features) quan trọng từ ảnh, như cạnh, góc, kết cấu, một cách hiệu quả và chia sẻ tham số (parameter sharing).

RNNs có 'trạng thái ẩn' (hidden state) hoặc 'bộ nhớ' cho phép chúng duy trì thông tin từ các bước thời gian trước đó trong chuỗi. Trạng thái ẩn này được cập nhật theo từng bước thời gian và ảnh hưởng đến việc xử lý các bước thời gian tiếp theo, giúp RNNs nắm bắt được các phụ thuộc theo thời gian trong dữ liệu chuỗi.

Transfer learning tận dụng kiến thức đã học được từ một bài toán (hoặc tập dữ liệu) lớn hơn (bài toán nguồn) để cải thiện hiệu suất trên một bài toán liên quan nhưng có ít dữ liệu hơn (bài toán mục tiêu). Thường thì, các lớp đầu của mạng nơ-ron (trích xuất đặc trưng chung) được giữ nguyên từ mô hình nguồn, và chỉ huấn luyện lại các lớp cuối (đặc trưng bài toán mục tiêu) trên dữ liệu mới.

Data augmentation tạo ra các phiên bản 'mới' của dữ liệu huấn luyện hiện có bằng cách áp dụng các phép biến đổi ngẫu nhiên (ví dụ: xoay ảnh, lật ảnh, phóng to/thu nhỏ, thay đổi độ sáng). Điều này giúp tăng tính đa dạng của dữ liệu huấn luyện, giảm overfitting, và cải thiện khả năng tổng quát hóa của mô hình.

PCA tìm kiếm các 'thành phần chính' (principal components) là các hướng trong không gian đặc trưng ban đầu mà dữ liệu có phương sai lớn nhất. Bằng cách chiếu dữ liệu lên một số ít thành phần chính quan trọng nhất, PCA giảm chiều dữ liệu trong khi vẫn giữ lại phần lớn thông tin.

Mục tiêu của clustering là phân chia dữ liệu thành các nhóm (cụm) sao cho các điểm dữ liệu trong cùng một cụm 'tương tự' nhau hơn so với các điểm dữ liệu ở các cụm khác. 'Tương tự' thường được định nghĩa dựa trên một độ đo khoảng cách hoặc độ tương đồng.

F1-score là trung bình điều hòa của Precision (độ chính xác) và Recall (độ phủ). Trung bình điều hòa được sử dụng thay vì trung bình cộng vì nó nhạy cảm hơn với các giá trị nhỏ, do đó F1-score chỉ cao khi cả Precision và Recall đều cao.

Gradient Descent là một thuật toán lặp. Bắt đầu từ một điểm khởi tạo ngẫu nhiên trong không gian tham số, thuật toán lặp đi lặp lại di chuyển theo hướng ngược với gradient của hàm mất mát (loss function) tại điểm hiện tại. Hướng ngược gradient là hướng giảm nhanh nhất của hàm mất mát.

Mô hình bị overfitting 'học thuộc lòng' dữ liệu huấn luyện, nắm bắt cả nhiễu và các chi tiết không quan trọng trong dữ liệu huấn luyện. Do đó, nó hoạt động rất tốt trên dữ liệu huấn luyện, đạt độ chính xác cao, nhưng lại hoạt động kém trên dữ liệu mới, dữ liệu kiểm tra, do không có khả năng tổng quát hóa tốt.

K-fold cross-validation chia tập dữ liệu thành K phần (fold) bằng nhau. Mô hình được huấn luyện K lần, mỗi lần sử dụng K-1 phần làm tập huấn luyện và 1 phần còn lại làm tập kiểm tra. Hiệu suất mô hình được tính trung bình trên K lần kiểm tra, cho đánh giá tổng quát và ít phụ thuộc vào cách chia dữ liệu huấn luyện-kiểm tra cụ thể.

Feature engineering bao gồm các công việc như chọn lọc các đặc trưng quan trọng nhất từ dữ liệu thô (feature selection), tạo ra các đặc trưng mới có ý nghĩa hơn từ các đặc trưng hiện có (feature creation/extraction), và biến đổi các đặc trưng (feature transformation) để phù hợp hơn với mô hình học máy, ví dụ, chuẩn hóa, mã hóa biến категориаль (categorical features).

Confusion matrix hiển thị số lượng dự đoán đúng (true positive, true negative) và dự đoán sai (false positive, false negative) cho mỗi lớp trong bài toán phân loại. Từ confusion matrix, có thể tính toán các thước đo đánh giá khác như Precision, Recall, F1-score, Accuracy, và phân tích chi tiết về loại lỗi mà mô hình mắc phải.

Deployment mô hình là quá trình đưa mô hình học máy đã được huấn luyện và kiểm thử vào môi trường thực tế để sử dụng, ví dụ, tích hợp vào ứng dụng web, ứng dụng di động, hệ thống nhúng, hoặc cung cấp dưới dạng dịch vụ API. Mục tiêu là làm cho mô hình có thể được sử dụng để đưa ra dự đoán trên dữ liệu mới trong môi trường sản xuất.

Khả năng giải thích mô hình quan trọng vì nó giúp hiểu được cách mô hình đưa ra quyết định, xác định các yếu tố quan trọng ảnh hưởng đến dự đoán, phát hiện lỗi hoặc bias trong mô hình, và tăng cường sự tin tưởng của người dùng vào mô hình, đặc biệt trong các lĩnh vực như y tế, tài chính, pháp lý.

Dữ liệu bị смещение (biased data) phản ánh sự thi??n vị hoặc không đại diện cho toàn bộ quần thể mà mô hình hướng đến. Huấn luyện mô hình trên dữ liệu biased có thể dẫn đến mô hình cũng bị biased, đưa ra các dự đoán không công bằng hoặc phân biệt đối xử với một số nhóm người nhất định, đặc biệt trong các bài toán như tuyển dụng, cho vay, hoặc hệ thống tư pháp hình sự.