Đề Thi Thử Trắc Nghiệm Online - Môn Khai Phá Dữ Liệu

Đề Thi Thử Trắc Nghiệm Online – Môn Khai Phá Dữ Liệu tổng hợp câu hỏi trắc nghiệm chứa đựng nhiều dạng bài tập, bài thi, cũng như các câu hỏi trắc nghiệm và bài kiểm tra, trong bộ Đại Học. Nội dung trắc nghiệm nhấn mạnh phần kiến thức nền tảng và chuyên môn sâu của học phần này. Mọi bộ đề trắc nghiệm đều cung cấp câu hỏi, đáp án cùng hướng dẫn giải cặn kẽ. Mời bạn thử sức làm bài nhằm ôn luyện và làm vững chắc kiến thức cũng như đánh giá năng lực bản thân!

Đề 01

Đề 02

Đề 03

Đề 04

Đề 05

Đề 06

Đề 07

Đề 08

Đề 09

Đề 10

Đề 11

Đề 12

Đề 13

Đề 14

Đề 15

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 01

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 1: Trong quy trình Khai phá Dữ liệu (KDD), giai đoạn nào tập trung vào việc chuyển đổi dữ liệu thô sang định dạng phù hợp để phân tích, bao gồm xử lý dữ liệu bị thiếu, loại bỏ nhiễu và chuẩn hóa dữ liệu?

Lựa chọn dữ liệu (Data Selection)

Tiền xử lý dữ liệu (Data Preprocessing)

Khai phá dữ liệu (Data Mining)

Đánh giá tri thức (Knowledge Evaluation)

Câu hỏi tập trung vào giai đoạn tiền xử lý dữ liệu trong KDD, bao gồm các hoạt động làm sạch và chuẩn bị dữ liệu.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 2: Một siêu thị muốn dự đoán sản phẩm nào khách hàng có khả năng mua cùng nhau. Kỹ thuật khai phá dữ liệu nào phù hợp nhất để giải quyết vấn đề này?

Phân cụm (Clustering)

Phân lớp (Classification)

Khai phá luật kết hợp (Association Rule Mining)

Hồi quy (Regression)

Câu hỏi về ứng dụng khai phá luật kết hợp để tìm mối quan hệ giữa các sản phẩm mua cùng nhau.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 3: Thuật toán Apriori trong khai phá luật kết hợp sử dụng nguyên lý 'tính chất Apriori'. Nguyên lý này phát biểu rằng:

Nếu một tập mục là thường xuyên, thì mọi tập con của nó cũng là thường xuyên.

Nếu một tập mục là không thường xuyên, thì mọi tập cha của nó cũng là không thường xuyên.

Độ hỗ trợ của một tập mục luôn giảm khi kích thước tập mục tăng lên.

Độ tin cậy của một luật kết hợp luôn tăng khi độ hỗ trợ của tập mục tăng lên.

Câu hỏi kiểm tra sự hiểu biết về nguyên lý cốt lõi của thuật toán Apriori.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 4: Cho một tập dữ liệu giao dịch như sau: T1={A, B, C}, T2={A, C, D}, T3={B, C, E}, T4={A, C, E}. Với ngưỡng hỗ trợ tối thiểu là 50%, tập mục {C, E} có phải là tập mục thường xuyên không?

Không, vì độ hỗ trợ của {C, E} chỉ là 25%.

Có, vì độ hỗ trợ của {C, E} là 50% (xuất hiện trong 2/4 giao dịch).

Có, vì {C} và {E} đều là tập mục thường xuyên.

Không thể xác định nếu không biết độ tin cậy tối thiểu.

Câu hỏi yêu cầu tính toán độ hỗ trợ và xác định tính thường xuyên của một tập mục cụ thể.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 5: Trong khai phá luật kết hợp, độ đo 'độ tin cậy' (confidence) của luật X → Y được tính bằng công thức nào?

support(X ∪ Y) / support(Y)

support(X ∪ Y) * total_transactions

support(X) / support(X ∪ Y)

support(X ∪ Y) / support(X)

Câu hỏi kiểm tra kiến thức về công thức tính độ tin cậy trong luật kết hợp.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 6: Phương pháp phân cụm K-Means hoạt động dựa trên việc:

Xây dựng cây phân cấp từ trên xuống hoặc từ dưới lên.

Tìm các vùng có mật độ điểm dữ liệu cao.

Phân chia dữ liệu thành k cụm, mỗi cụm có trung tâm cụm (centroid).

Tìm các đường biên phân chia dữ liệu tối ưu dựa trên lề lớn nhất.

Câu hỏi mô tả cơ chế hoạt động chính của thuật toán phân cụm K-Means.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 7: Để đánh giá chất lượng của mô hình phân lớp, độ đo 'độ chính xác' (accuracy) được tính bằng:

(TP + TN) / (TP + TN + FP + FN)

TP / (TP + FP)

TP / (TP + FN)

TN / (TN + FP)

Câu hỏi kiểm tra kiến thức về độ đo đánh giá mô hình phân lớp - độ chính xác.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 8: Trong ngữ cảnh phân lớp, 'False Positive' (FP) nghĩa là:

Mô hình dự đoán đúng là tích cực và thực tế là tích cực.

Mô hình dự đoán là tích cực nhưng thực tế là tiêu cực.

Mô hình dự đoán là tiêu cực nhưng thực tế là tích cực.

Mô hình dự đoán đúng là tiêu cực và thực tế là tiêu cực.

Câu hỏi định nghĩa về 'False Positive' trong ma trận nhầm lẫn của phân lớp.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 9: Thuật toán nào sau đây thường được sử dụng để xây dựng mô hình phân lớp dựa trên cây quyết định?

K-Nearest Neighbors (KNN)

Support Vector Machine (SVM)

ID3 hoặc C4.5

Linear Regression

Câu hỏi xác định thuật toán phổ biến cho việc xây dựng cây quyết định.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 10: Ưu điểm chính của phương pháp phân cụm phân cấp (Hierarchical Clustering) so với K-Means là:

Nhanh hơn và hiệu quả hơn với dữ liệu lớn.

Yêu cầu ít tham số đầu vào hơn.

Luôn hội tụ đến kết quả tối ưu toàn cục.

Không yêu cầu xác định trước số lượng cụm (k).

Câu hỏi so sánh ưu điểm của phân cụm phân cấp so với K-Means.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 11: Trong bài toán dự đoán giá nhà dựa trên diện tích, vị trí, số phòng ngủ, kỹ thuật khai phá dữ liệu nào phù hợp nhất?

Phân lớp (Classification)

Hồi quy (Regression)

Phân cụm (Clustering)

Khai phá luật kết hợp (Association Rule Mining)

Câu hỏi về ứng dụng hồi quy để dự đoán giá trị số liên tục.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 12: Phương pháp 'Rừng ngẫu nhiên' (Random Forest) là một dạng của:

Thuật toán phân cụm

Mô hình hồi quy tuyến tính

Phương pháp học ансамбль (Ensemble learning)

Thuật toán khai phá luật kết hợp

Câu hỏi xác định loại phương pháp học máy mà Random Forest thuộc về.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 13: Khi dữ liệu chứa nhiều thuộc tính không liên quan hoặc dư thừa, kỹ thuật nào trong tiền xử lý dữ liệu có thể giúp giảm số chiều dữ liệu và cải thiện hiệu suất khai phá?

Giảm chiều dữ liệu (Dimensionality Reduction)

Chuẩn hóa dữ liệu (Data Normalization)

Rời rạc hóa dữ liệu (Data Discretization)

Làm sạch dữ liệu (Data Cleaning)

Câu hỏi về kỹ thuật giảm chiều dữ liệu trong tiền xử lý.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 14: Trong phân tích cảm xúc văn bản (Sentiment Analysis), mục tiêu chính là:

Phân loại văn bản theo chủ đề.

Xác định thái độ, cảm xúc (tích cực, tiêu cực, trung lập) thể hiện trong văn bản.

Tóm tắt nội dung chính của văn bản.

Dịch văn bản sang ngôn ngữ khác.

Câu hỏi mô tả mục tiêu của phân tích cảm xúc văn bản.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 15: Mô hình Naive Bayes dựa trên giả định nào về các thuộc tính đầu vào?

Các thuộc tính phải có phân phối chuẩn.

Các thuộc tính phải có tương quan tuyến tính.

Các thuộc tính phải được chuẩn hóa về cùng thang đo.

Các thuộc tính độc lập với nhau có điều kiện khi biết lớp.

Câu hỏi kiểm tra kiến thức về giả định độc lập của thuộc tính trong mô hình Naive Bayes.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 16: Kỹ thuật 'phân tích thành phần chính' (Principal Component Analysis - PCA) được sử dụng để:

Phân loại dữ liệu thành các lớp khác nhau.

Tìm các luật kết hợp trong dữ liệu.

Giảm số chiều dữ liệu bằng cách tìm các thành phần chính.

Phân cụm dữ liệu thành các nhóm dựa trên khoảng cách.

Câu hỏi về mục đích sử dụng của PCA trong khai phá dữ liệu.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 17: Trong khai phá dữ liệu chuỗi thời gian, mục tiêu có thể là:

Dự báo giá trị tương lai dựa trên dữ liệu quá khứ.

Phân loại dữ liệu thành các danh mục khác nhau.

Tìm các luật kết hợp giữa các sự kiện.

Phân cụm dữ liệu dựa trên thuộc tính không gian.

Câu hỏi về mục tiêu của khai phá dữ liệu chuỗi thời gian.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 18: Độ đo 'Lift' trong khai phá luật kết hợp cho biết điều gì?

Xác suất đồng thời xuất hiện của X và Y.

Mức độ liên quan giữa X và Y so với kỳ vọng ngẫu nhiên.

Tỷ lệ giao dịch chứa X và Y trên tổng số giao dịch.

Độ chính xác của luật X → Y.

Câu hỏi kiểm tra sự hiểu biết về ý nghĩa của độ đo Lift trong luật kết hợp.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 19: Kỹ thuật 'Outlier Detection' (phát hiện ngoại lệ) được sử dụng để:

Phân loại dữ liệu thành các nhóm.

Dự đoán giá trị của thuộc tính mục tiêu.

Xác định các điểm dữ liệu bất thường, khác biệt đáng kể so với phần lớn dữ liệu.

Tìm các mẫu phổ biến trong dữ liệu.

Câu hỏi mô tả mục đích của kỹ thuật phát hiện ngoại lệ.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 20: Trong ngữ cảnh khai phá dữ liệu web, 'Web Usage Mining' (khai phá sử dụng web) tập trung vào:

Cấu trúc liên kết của các trang web.

Nội dung văn bản trên các trang web.

Thiết kế giao diện người dùng của trang web.

Hành vi duyệt web của người dùng (ví dụ: nhật ký truy cập web).

Câu hỏi xác định lĩnh vực tập trung của khai phá sử dụng web.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 21: Phương pháp đánh giá 'Cross-validation' (kiểm định chéo) được sử dụng để:

Đánh giá khả năng khái quát hóa của mô hình trên dữ liệu mới, chưa từng thấy.

Tăng tốc độ huấn luyện mô hình.

Giảm độ phức tạp của mô hình.

Cải thiện độ chính xác trên dữ liệu huấn luyện.

Câu hỏi về mục đích sử dụng của kiểm định chéo trong đánh giá mô hình.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 22: Khi nào thì việc sử dụng thuật toán SVM (Support Vector Machine) phù hợp hơn so với Naive Bayes trong bài toán phân lớp?

Khi dữ liệu có kích thước rất lớn.

Khi các thuộc tính đầu vào độc lập với nhau.

Khi không gian thuộc tính có chiều cao và có sự tương quan giữa các thuộc tính.

Khi yêu cầu mô hình dễ diễn giải và giải thích.

Câu hỏi so sánh sự phù hợp của SVM và Naive Bayes trong các tình huống khác nhau.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 23: Trong quá trình tiền xử lý dữ liệu, 'chuẩn hóa min-max' (min-max normalization) thường được sử dụng để:

Xử lý dữ liệu bị thiếu.

Đưa dữ liệu về khoảng giá trị [0, 1] hoặc [-1, 1].

Giảm số chiều dữ liệu.

Phân loại dữ liệu thành các nhóm.

Câu hỏi về mục đích của chuẩn hóa min-max trong tiền xử lý dữ liệu.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 24: Một công ty thương mại điện tử muốn cá nhân hóa đề xuất sản phẩm cho từng khách hàng. Kỹ thuật khai phá dữ liệu nào có thể hỗ trợ tốt nhất?

Phân tích thành phần chính (PCA).

Phân cụm K-Means.

Cây quyết định.

Hệ thống đề xuất (Recommender Systems) dựa trên khai phá dữ liệu.

Câu hỏi về ứng dụng khai phá dữ liệu trong hệ thống đề xuất.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 25: Khi dữ liệu bị mất cân bằng lớp (imbalanced dataset) trong bài toán phân lớp (ví dụ: số lượng mẫu của một lớp ít hơn đáng kể so với lớp khác), điều này có thể dẫn đến:

Mô hình huấn luyện nhanh hơn.

Độ chính xác của mô hình tăng lên đáng kể.

Mô hình có xu hướng dự đoán tốt cho lớp chiếm đa số và kém cho lớp thiểu số.

Không ảnh hưởng đáng kể đến hiệu suất mô hình.

Câu hỏi về ảnh hưởng của dữ liệu mất cân bằng lớp đến hiệu suất mô hình.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 26: Trong khai phá dữ liệu không gian (Spatial Data Mining), dữ liệu đầu vào thường bao gồm:

Dữ liệu văn bản và hình ảnh.

Dữ liệu địa lý và thông tin thuộc tính liên quan đến vị trí.

Dữ liệu chuỗi thời gian.

Dữ liệu giao dịch mua hàng.

Câu hỏi về loại dữ liệu đặc trưng trong khai phá dữ liệu không gian.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 27: 'Độ đo Silhouette' được sử dụng để đánh giá chất lượng của kết quả trong:

Phân cụm (Clustering).

Phân lớp (Classification).

Hồi quy (Regression).

Khai phá luật kết hợp (Association Rule Mining).

Câu hỏi về độ đo đánh giá chất lượng phân cụm - Silhouette.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 28: Một nhà nghiên cứu muốn khám phá các nhóm khách hàng khác nhau dựa trên hành vi mua sắm của họ. Kỹ thuật khai phá dữ liệu nào phù hợp nhất?

Phân tích hồi quy tuyến tính.

Phân cụm (Clustering).

Phân lớp bằng cây quyết định.

Khai phá luật kết hợp.

Câu hỏi về ứng dụng phân cụm để phân khúc khách hàng.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 29: Vấn đề 'lời nguyền chiều' (curse of dimensionality) trong khai phá dữ liệu đề cập đến:

Sự khó khăn trong việc xử lý dữ liệu bị thiếu.

Sự phức tạp của việc trực quan hóa dữ liệu nhiều chiều.

Sự gia tăng độ nhiễu trong dữ liệu khi số lượng mẫu tăng lên.

Sự suy giảm hiệu suất của các thuật toán học máy khi số lượng thuộc tính tăng quá cao.

Câu hỏi định nghĩa về 'lời nguyền chiều' trong khai phá dữ liệu.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 01

Câu 30: Trong quá trình phát triển một ứng dụng khai phá dữ liệu, bước nào sau đây nên được thực hiện đầu tiên?

Xác định rõ bài toán và mục tiêu kinh doanh.

Lựa chọn thuật toán khai phá dữ liệu phù hợp.

Thu thập và tiền xử lý dữ liệu.

Đánh giá và triển khai mô hình.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi về bước đầu tiên trong quy trình phát triển ứng dụng khai phá dữ liệu.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 02

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 1: Trong quy trình Khám phá Tri thức từ Cơ sở Dữ liệu (KDD), giai đoạn nào tập trung vào việc chuyển đổi dữ liệu thô sang định dạng phù hợp cho khai phá?

Khai phá dữ liệu (Data Mining)

Tiền xử lý dữ liệu (Data Preprocessing)

Đánh giá tri thức (Knowledge Evaluation)

Lựa chọn dữ liệu (Data Selection)

Giai đoạn tiền xử lý dữ liệu bao gồm các bước làm sạch, chuyển đổi, tích hợp và giảm dữ liệu, nhằm chuẩn bị dữ liệu cho các thuật toán khai phá.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 2: Phương pháp khai phá dữ liệu nào thường được sử dụng để phân nhóm khách hàng dựa trên hành vi mua sắm tương tự nhau, mà không có nhãn lớp định trước?

Phân lớp (Classification)

Hồi quy (Regression)

Phân cụm (Clustering)

Dự đoán chuỗi thời gian (Time Series Forecasting)

Phân cụm là kỹ thuật học không giám sát, nhằm tìm ra các nhóm tự nhiên trong dữ liệu dựa trên độ tương đồng giữa các đối tượng, phù hợp với mô tả phân nhóm khách hàng.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 3: Thuật toán Apriori được sử dụng phổ biến trong khai phá dữ liệu cho mục đích gì?

Phân loại văn bản (Text Classification)

Khai thác luật kết hợp (Association Rule Mining)

Phân tích hồi quy tuyến tính (Linear Regression Analysis)

Giảm chiều dữ liệu (Dimensionality Reduction)

Thuật toán Apriori là thuật toán kinh điển cho khai thác luật kết hợp, giúp tìm ra các tập mục phổ biến và luật kết hợp giữa các mục trong cơ sở dữ liệu giao dịch.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 4: Độ đo 'độ tin cậy' (confidence) trong luật kết hợp X → Y được tính như thế nào?

support(X∪Y) / support(X)

support(X∪Y) / support(Y)

support(X) / support(X∪Y)

support(Y) / support(X∪Y)

Độ tin cậy đo lường xác suất xuất hiện Y khi X đã xuất hiện. Công thức là support(X∪Y) / support(X), tức là tỷ lệ giao dịch chứa cả X và Y trên tổng số giao dịch chứa X.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 5: Trong bài toán phân lớp, mục tiêu của việc sử dụng tập kiểm tra (test set) là gì?

Huấn luyện mô hình phân lớp

Lựa chọn đặc trưng tối ưu

Đánh giá hiệu năng của mô hình trên dữ liệu mới

Cải thiện độ chính xác của tập huấn luyện

Tập kiểm tra được sử dụng để đánh giá khả năng tổng quát hóa của mô hình phân lớp trên dữ liệu mới, chưa từng được sử dụng trong quá trình huấn luyện.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 6: Kỹ thuật 'chuẩn hóa dữ liệu' (data normalization) thường được áp dụng trong giai đoạn tiền xử lý để giải quyết vấn đề gì?

Xử lý dữ liệu bị thiếu

Loại bỏ dữ liệu trùng lặp

Chọn lọc dữ liệu liên quan

Đảm bảo các thuộc tính có cùng thang đo giá trị

Chuẩn hóa dữ liệu giúp đưa các thuộc tính về cùng một thang đo, loại bỏ ảnh hưởng của sự khác biệt về đơn vị đo lường hoặc khoảng giá trị, đặc biệt quan trọng khi sử dụng các thuật toán nhạy cảm với khoảng cách như KNN hoặc K-Means.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 7: Phương pháp giảm chiều dữ liệu (dimensionality reduction) nào biến đổi dữ liệu sang một không gian mới bằng cách tìm ra các thành phần chính (principal components) có phương sai lớn nhất?

Lựa chọn thuộc tính (Feature Selection)

Phân tích thành phần chính (Principal Component Analysis - PCA)

Rời rạc hóa dữ liệu (Data Discretization)

Tập hợp thuộc tính (Feature Aggregation)

Phân tích thành phần chính (PCA) là kỹ thuật giảm chiều dữ liệu phổ biến, tìm ra các thành phần chính là tổ hợp tuyến tính của các thuộc tính ban đầu, sao cho các thành phần này có phương sai tích lũy lớn nhất, giữ lại phần lớn thông tin quan trọng.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 8: Độ đo F1-score là trung bình điều hòa của độ đo nào trong đánh giá mô hình phân lớp?

Độ chính xác (Accuracy) và Độ đặc hiệu (Specificity)

Độ nhạy (Sensitivity) và Độ đặc hiệu (Specificity)

Độ chính xác (Precision) và Độ phủ (Recall)

Giá trị dự đoán dương (Positive Predictive Value) và Giá trị dự đoán âm (Negative Predictive Value)

F1-score là trung bình điều hòa của độ chính xác (precision) và độrecall (recall), cân bằng giữa hai độ đo này, đặc biệt hữu ích khi tập dữ liệu bị mất cân bằng.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 9: Trong thuật toán cây quyết định, độ lợi thông tin (information gain) được sử dụng để làm gì?

Chọn thuộc tính phân chia nút

Đánh giá độ sâu của cây

Cắt tỉa cây quyết định

Xử lý dữ liệu bị thiếu

Độ lợi thông tin đo lường mức độ giảm độ không chắc chắn (entropy) về biến mục tiêu sau khi phân chia dữ liệu theo một thuộc tính. Nó được dùng để chọn thuộc tính tốt nhất để phân chia nút trong cây quyết định.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 10: Mô hình học máy nào hoạt động dựa trên nguyên tắc tìm ra siêu phẳng (hyperplane) tối ưu để phân tách các lớp dữ liệu, với mục tiêu tối đa hóa khoảng cách lề (margin)?

K-Nearest Neighbors (KNN)

Naive Bayes

Cây quyết định (Decision Tree)

Máy vectơ hỗ trợ (Support Vector Machine - SVM)

Máy vectơ hỗ trợ (SVM) là mô hình phân lớp mạnh mẽ, tìm siêu phẳng phân tách các lớp sao cho khoảng cách lề lớn nhất, giúp tăng khả năng tổng quát hóa và giảm nguy cơ quá khớp.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 11: Khi nào thì kỹ thuật 'lấy mẫu' (sampling) trở nên đặc biệt quan trọng trong khai phá dữ liệu?

Khi dữ liệu có nhiều thuộc tính

Khi làm việc với dữ liệu lớn (Big Data)

Khi dữ liệu bị nhiễu

Khi cần phân tích dữ liệu thời gian thực

Khi làm việc với dữ liệu rất lớn (Big Data), việc xử lý toàn bộ dữ liệu có thể tốn kém về mặt tính toán. Lấy mẫu giúp giảm kích thước dữ liệu, cho phép các thuật toán khai phá chạy hiệu quả hơn, đồng thời vẫn giữ được đặc trưng phân phối quan trọng của dữ liệu.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 12: Thuật toán DBSCAN thuộc loại phương pháp phân cụm nào?

Phân cụm phân cấp (Hierarchical Clustering)

Phân cụm dựa trên phân hoạch (Partitional Clustering)

Phân cụm dựa trên mật độ (Density-Based Clustering)

Phân cụm dựa trên mô hình (Model-Based Clustering)

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) là thuật toán phân cụm dựa trên mật độ, có khả năng tìm ra các cụm có hình dạng bất kỳ và loại bỏ nhiễu.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 13: Trong ngữ cảnh khai phá web, 'web usage mining' tập trung vào việc phân tích loại dữ liệu nào?

Dữ liệu nhật ký máy chủ web (Web server logs)

Nội dung trang web (Web page content)

Cấu trúc liên kết giữa các trang web (Web link structure)

Thông tin hồ sơ người dùng (User profile information)

Web usage mining tập trung vào việc phân tích dữ liệu nhật ký máy chủ web (web server logs) để hiểu hành vi duyệt web của người dùng, như trang nào được truy cập, tần suất, đường dẫn truy cập, v.v.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 14: 'Overfitting' trong học máy xảy ra khi nào?

Mô hình quá đơn giản và không nắm bắt được cấu trúc dữ liệu

Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra

Dữ liệu huấn luyện không đủ lớn

Thuật toán học máy không phù hợp

Overfitting xảy ra khi mô hình học quá tốt trên dữ liệu huấn luyện, nhưng lại kém hiệu quả trên dữ liệu mới. Điều này thường do mô hình quá phức tạp, học cả nhiễu trong dữ liệu huấn luyện.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 15: Kỹ thuật 'feature scaling' (tỉ lệ đặc trưng) thường được sử dụng cùng với thuật toán học máy nào?

Cây quyết định (Decision Trees)

Naive Bayes

K-Means Clustering

Luật kết hợp (Association Rules)

Các thuật toán dựa trên khoảng cách như K-Means và KNN rất nhạy cảm với tỉ lệ của các thuộc tính. Feature scaling giúp đưa các thuộc tính về cùng một khoảng giá trị, đảm bảo không thuộc tính nào có ảnh hưởng quá lớn do có giá trị lớn hơn.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 16: Trong khai phá dữ liệu chuỗi thời gian, phương pháp ARIMA được sử dụng để làm gì?

Phân cụm chuỗi thời gian

Phân loại chuỗi thời gian

Tìm luật kết hợp trong chuỗi thời gian

Dự báo chuỗi thời gian

ARIMA (Autoregressive Integrated Moving Average) là phương pháp thống kê phổ biến để phân tích và dự báo chuỗi thời gian, dựa trên các thành phần tự hồi quy (AR), tích hợp (I) và trung bình trượt (MA).

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 17: Độ đo 'lift' trong luật kết hợp X → Y cho biết điều gì?

Xác suất xuất hiện Y khi X đã xuất hiện

Mức độ liên quan giữa X và Y so với sự độc lập thống kê

Tỷ lệ giao dịch chứa cả X và Y

Độ phổ biến của tập mục X

Lift đo lường mức độ phụ thuộc giữa X và Y. Lift > 1 cho thấy X và Y có tương quan dương (cùng xuất hiện nhiều hơn dự kiến), Lift < 1 cho thấy tương quan âm, và Lift = 1 cho thấy độc lập.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 18: Trong xử lý ngôn ngữ tự nhiên (NLP), kỹ thuật 'stemming' (gốc từ) được sử dụng để làm gì?

Phân tích cú pháp câu

Phân loại văn bản

Rút gọn từ về dạng gốc

Phát hiện thực thể có tên

Stemming là quá trình rút gọn từ về dạng gốc của nó, loại bỏ các hậu tố hoặc tiền tố, giúp giảm số lượng từ vựng và cải thiện hiệu suất của các mô hình xử lý văn bản.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 19: Ứng dụng nào sau đây KHÔNG phải là ứng dụng phổ biến của khai phá dữ liệu?

Phát hiện gian lận thẻ tín dụng

Đề xuất sản phẩm trong thương mại điện tử

Chẩn đoán bệnh trong y tế

Soạn thảo văn bản bằng Microsoft Word

Microsoft Word là phần mềm soạn thảo văn bản, không liên quan trực tiếp đến khai phá dữ liệu. Các lựa chọn còn lại đều là các ứng dụng thực tế của khai phá dữ liệu.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 20: Phương pháp 'cross-validation' (kiểm định chéo) được sử dụng để làm gì trong học máy?

Đánh giá độ tin cậy của mô hình

Tăng tốc độ huấn luyện mô hình

Giảm overfitting

Lựa chọn thuật toán học máy tốt nhất

Kiểm định chéo là kỹ thuật đánh giá mô hình bằng cách chia dữ liệu thành nhiều phần, huấn luyện trên một số phần và kiểm tra trên phần còn lại, lặp lại quá trình này để có đánh giá khách quan hơn về hiệu năng mô hình.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 21: Trong phân tích cảm xúc văn bản (sentiment analysis), mục tiêu chính là gì?

Phân loại chủ đề văn bản

Xác định thái độ hoặc cảm xúc trong văn bản

Tóm tắt nội dung văn bản

Dịch văn bản sang ngôn ngữ khác

Phân tích cảm xúc nhằm xác định thái độ, quan điểm hoặc cảm xúc (tích cực, tiêu cực, trung tính) được thể hiện trong văn bản, có nhiều ứng dụng trong đánh giá phản hồi khách hàng, theo dõi dư luận trên mạng xã hội.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 22: 'Ensemble learning' (học tập hợp) là gì?

Một thuật toán học máy duy nhất

Một phương pháp tiền xử lý dữ liệu

Kết hợp dự đoán của nhiều mô hình học máy

Một kỹ thuật giảm chiều dữ liệu

Học tập hợp kết hợp dự đoán của nhiều mô hình học máy (ví dụ: Bagging, Boosting, Random Forest) để cải thiện độ chính xác và độ ổn định so với việc sử dụng một mô hình đơn lẻ.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 23: 'Anomaly detection' (phát hiện bất thường) được sử dụng để làm gì?

Phân cụm dữ liệu

Phân lớp dữ liệu

Dự báo dữ liệu

Xác định các điểm dữ liệu khác thường hoặc ngoại lệ

Phát hiện bất thường (hay phát hiện ngoại lệ) nhằm xác định các mẫu dữ liệu khác biệt đáng kể so với phần lớn dữ liệu thông thường, có ứng dụng trong phát hiện gian lận, lỗi hệ thống, v.v.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 24: Trong bối cảnh dữ liệu không cân bằng (imbalanced data), độ đo nào thường được ưu tiên sử dụng hơn độ chính xác (accuracy) để đánh giá mô hình phân lớp?

Độ chính xác (Accuracy)

F1-score

Độ đặc hiệu (Specificity)

Độ nhạy (Sensitivity)

Khi dữ liệu không cân bằng, độ chính xác có thể gây hiểu lầm (ví dụ, mô hình luôn dự đoán lớp đa số vẫn có độ chính xác cao). Các độ đo như F1-score, AUC-ROC, precision, recall nhạy cảm hơn với sự mất cân bằng và cung cấp đánh giá toàn diện hơn.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 25: 'Data warehouse' (kho dữ liệu) được thiết kế chủ yếu cho mục đích gì?

Xử lý giao dịch trực tuyến (OLTP)

Lưu trữ dữ liệu giao dịch thời gian thực

Hỗ trợ phân tích và ra quyết định (OLAP)

Sao lưu và phục hồi dữ liệu

Kho dữ liệu được thiết kế để lưu trữ và quản lý dữ liệu tích hợp từ nhiều nguồn, phục vụ cho mục đích báo cáo và phân tích kinh doanh, hỗ trợ ra quyết định.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 26: Kỹ thuật 'bagging' trong học tập hợp hoạt động bằng cách nào?

Huấn luyện tuần tự các mô hình, mô hình sau tập trung vào các mẫu mà mô hình trước dự đoán sai

Chia dữ liệu thành các phần không giao nhau và huấn luyện mô hình trên mỗi phần

Chọn lọc các đặc trưng quan trọng nhất trước khi huấn luyện mô hình

Tạo nhiều tập huấn luyện con bằng cách lấy mẫu có hoàn lại và huấn luyện mô hình trên mỗi tập

Bagging (Bootstrap Aggregating) tạo ra nhiều tập huấn luyện con bằng cách lấy mẫu có hoàn lại từ tập dữ liệu gốc, huấn luyện một mô hình trên mỗi tập con, và kết hợp dự đoán của các mô hình này (ví dụ, bằng cách bỏ phiếu hoặc lấy trung bình).

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 27: 'Reinforcement learning' (học tăng cường) khác biệt với học có giám sát (supervised learning) và học không giám sát (unsupervised learning) như thế nào?

Học tăng cường học thông qua tương tác với môi trường và nhận phần thưởng/phạt

Học tăng cường sử dụng dữ liệu gán nhãn

Học tăng cường không cần dữ liệu

Học tăng cường chỉ áp dụng cho bài toán phân cụm

Học tăng cường không sử dụng dữ liệu gán nhãn trước (như học có giám sát) và cũng không chỉ tìm cấu trúc ẩn trong dữ liệu (như học không giám sát). Thay vào đó, nó học thông qua tương tác với môi trường, nhận phần thưởng hoặc phạt dựa trên hành động, để tối ưu hóa chính sách hành động.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 28: Trong khai phá dữ liệu không gian, 'spatial autocorrelation' (tự tương quan không gian) đề cập đến hiện tượng gì?

Mối quan hệ nhân quả giữa các đối tượng không gian

Sự phân bố ngẫu nhiên của các đối tượng không gian

Sự tương đồng giữa các giá trị thuộc tính tại các vị trí không gian lân cận

Mức độ phức tạp của dữ liệu không gian

Tự tương quan không gian mô tả mức độ tương đồng giữa các giá trị của một thuộc tính tại các vị trí không gian lân cận. Giá trị cao của tự tương quan dương không gian nghĩa là các vị trí gần nhau có xu hướng có giá trị thuộc tính tương tự nhau.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 29: 'Federated learning' (học liên kết) là gì và nó giải quyết vấn đề gì?

Một phương pháp tăng tốc độ huấn luyện mô hình

Một kỹ thuật nén mô hình để triển khai trên thiết bị di động

Một thuật toán phân cụm dữ liệu lớn

Huấn luyện mô hình phân tán trên nhiều thiết bị mà không cần chia sẻ dữ liệu thô

Học liên kết cho phép huấn luyện mô hình học máy trên nhiều thiết bị hoặc tổ chức mà không cần tập trung dữ liệu tại một nơi duy nhất, bảo vệ quyền riêng tư và giảm rủi ro bảo mật dữ liệu. Mô hình được huấn luyện phân tán và chỉ chia sẻ các cập nhật mô hình.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 02

Câu 30: Khi đánh giá mô hình hồi quy, độ đo 'RMSE' (Root Mean Squared Error) thể hiện điều gì?

Độ lớn trung bình của sai số dự đoán

Tỷ lệ phương sai được giải thích bởi mô hình

Hướng của sai số dự đoán (dương hay âm)

Mức độ phù hợp của mô hình với dữ liệu huấn luyện

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

RMSE (căn bậc hai của sai số bình phương trung bình) đo lường độ lệch chuẩn của sai số dự đoán. Giá trị RMSE càng nhỏ, mô hình hồi quy càng chính xác.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 03

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 1: Trong quy trình Khai phá Dữ liệu (KDD), giai đoạn nào tập trung vào việc chuyển đổi dữ liệu thô sang định dạng phù hợp cho phân tích, bao gồm xử lý dữ liệu bị thiếu, loại bỏ nhiễu và chuẩn hóa dữ liệu?

Lựa chọn dữ liệu (Data Selection)

Tiền xử lý dữ liệu (Data Preprocessing)

Khai phá dữ liệu (Data Mining)

Đánh giá và diễn giải tri thức (Evaluation and Interpretation)

Câu hỏi tập trung vào giai đoạn tiền xử lý dữ liệu trong quy trình KDD, nơi dữ liệu được làm sạch và chuẩn bị trước khi khai phá.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 2: Phương pháp khai phá dữ liệu nào thường được sử dụng để phân nhóm khách hàng dựa trên hành vi mua sắm tương tự nhau, nhằm mục tiêu cá nhân hóa chiến dịch marketing?

Phân lớp (Classification)

Hồi quy (Regression)

Phân cụm (Clustering)

Khai thác luật kết hợp (Association Rule Mining)

Câu hỏi này về ứng dụng của phân cụm trong marketing, một kỹ thuật để nhóm các đối tượng tương tự nhau.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 3: Thuật toán Apriori và FP-Growth được sử dụng chủ yếu trong kỹ thuật khai phá dữ liệu nào?

Phân lớp (Classification)

Phân cụm (Clustering)

Dự báo chuỗi thời gian (Time Series Forecasting)

Khai thác luật kết hợp (Association Rule Mining)

Câu hỏi kiểm tra kiến thức về các thuật toán phổ biến trong khai thác luật kết hợp.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 4: Độ đo 'độ hỗ trợ' (support) trong khai thác luật kết hợp thể hiện điều gì?

Tần suất xuất hiện đồng thời của các mục trong tập dữ liệu giao dịch.

Mức độ tin cậy của luật kết hợp được khai phá.

Số lượng giao dịch tối thiểu cần thiết để một tập mục được coi là thường xuyên.

Khả năng một luật kết hợp được áp dụng thành công trong thực tế.

Câu hỏi tập trung vào ý nghĩa của độ đo 'đ??? hỗ trợ' trong ngữ cảnh khai thác luật kết hợp.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 5: Trong bài toán phân lớp, mục tiêu chính của việc xây dựng mô hình là gì?

Dự đoán giá trị số liên tục của một thuộc tính mục tiêu.

Gán một đối tượng mới vào một trong số các lớp (nhãn) đã được định nghĩa trước.

Tìm ra các nhóm đối tượng tương tự nhau trong dữ liệu.

Khám phá các mối quan hệ tiềm ẩn giữa các thuộc tính trong dữ liệu.

Câu hỏi tập trung vào mục tiêu cốt lõi của kỹ thuật phân lớp trong khai phá dữ liệu.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 6: Kỹ thuật 'rừng ngẫu nhiên' (Random Forest) thuộc loại phương pháp học máy nào?

Phân cụm (Clustering)

Hồi quy (Regression)

Phân lớp (Classification)

Giảm chiều dữ liệu (Dimensionality Reduction)

Câu hỏi xác định loại phương pháp học máy mà thuật toán Random Forest thuộc về.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 7: Trong đánh giá mô hình phân lớp, độ đo 'độ chính xác' (accuracy) được tính như thế nào?

Tỷ lệ giữa số lượng dự đoán đúng và tổng số lượng dự đoán.

Tỷ lệ giữa số lượng dự đoán đúng là lớp dương tính và tổng số thực tế là lớp dương tính.

Tỷ lệ giữa số lượng dự đoán đúng là lớp âm tính và tổng số thực tế là lớp âm tính.

Trung bình cộng của độ chính xác và độ phủ.

Câu hỏi kiểm tra kiến thức về cách tính độ đo đánh giá phổ biến cho mô hình phân lớp.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 8: Cho một tập dữ liệu về thông tin khách hàng và lịch sử mua hàng. Nếu bạn muốn xây dựng mô hình dự đoán khả năng khách hàng rời bỏ dịch vụ (churn), kỹ thuật khai phá dữ liệu nào phù hợp nhất?

Phân cụm (Clustering)

Phân lớp (Classification)

Khai thác luật kết hợp (Association Rule Mining)

Phân tích hồi quy (Regression Analysis)

Câu hỏi tình huống về lựa chọn kỹ thuật khai phá dữ liệu phù hợp cho bài toán dự đoán churn.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 9: Phương pháp nào sau đây giúp giảm số chiều dữ liệu, loại bỏ các thuộc tính ít quan trọng hoặc dư thừa, nhằm cải thiện hiệu suất và giảm độ phức tạp tính toán trong khai phá dữ liệu?

Phân cụm K-means

Cây quyết định (Decision Tree)

Mạng nơ-ron (Neural Network)

Phân tích thành phần chính (Principal Component Analysis - PCA)

Câu hỏi về kỹ thuật giảm chiều dữ liệu và mục đích của nó trong khai phá dữ liệu.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 10: Trong thuật toán K-means, giá trị 'K' đại diện cho điều gì?

Số lượng thuộc tính trong dữ liệu.

Số lần lặp tối đa của thuật toán.

Số lượng cụm (nhóm) mong muốn.

Khoảng cách tối đa giữa các điểm dữ liệu trong một cụm.

Câu hỏi kiểm tra kiến thức về tham số quan trọng trong thuật toán phân cụm K-means.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 11: Kiểu dữ liệu nào sau đây thường KHÔNG phù hợp để sử dụng trực tiếp trong các thuật toán khai phá dữ liệu mà không qua xử lý chuyển đổi?

Dữ liệu số (Numerical Data)

Dữ liệu văn bản thô (Raw Text Data)

Dữ liệu phạm trù (Categorical Data)

Dữ liệu thời gian (Time Series Data)

Câu hỏi về loại dữ liệu cần tiền xử lý trước khi đưa vào các thuật toán khai phá dữ liệu.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 12: Trong ngữ cảnh khai phá dữ liệu web, 'web usage mining' tập trung vào việc phân tích loại dữ liệu nào?

Nội dung trang web (Web Page Content)

Cấu trúc liên kết giữa các trang web (Web Link Structure)

Nhật ký truy cập web của người dùng (User Web Access Logs)

Thông tin tác giả và ngày tháng của trang web (Web Page Metadata)

Câu hỏi về một lĩnh vực ứng dụng cụ thể của khai phá dữ liệu và loại dữ liệu liên quan.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 13: Cho một mô hình phân lớp dự đoán bệnh tim. Nếu mô hình có 'độ phủ' (recall) cao nhưng 'độ chính xác' (precision) thấp, điều này có ý nghĩa gì về hiệu suất của mô hình?

Mô hình dự đoán đúng phần lớn các trường hợp không mắc bệnh tim.

Mô hình dự đoán sai rất nhiều trường hợp mắc bệnh tim thành không mắc bệnh.

Mô hình có tỷ lệ dự đoán đúng và sai cân bằng nhau.

Mô hình phát hiện được phần lớn các trường hợp mắc bệnh tim, nhưng cũng báo động nhầm nhiều trường hợp không mắc bệnh.

Câu hỏi về việc diễn giải ý nghĩa của độ phủ và độ chính xác trong đánh giá mô hình phân lớp.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 14: Để xử lý dữ liệu bị thiếu trong một cột số (numerical), phương pháp nào sau đây thường được sử dụng?

Loại bỏ toàn bộ các hàng chứa giá trị thiếu.

Điền giá trị trung bình (mean) hoặc trung vị (median) của cột.

Chuyển đổi cột số thành cột phạm trù.

Giữ nguyên giá trị thiếu và không xử lý.

Câu hỏi về kỹ thuật xử lý dữ liệu thiếu cho thuộc tính số.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 15: Trong khai phá dữ liệu, 'dữ liệu nhiễu' (noisy data) đề cập đến loại dữ liệu nào?

Dữ liệu chứa lỗi, giá trị ngoại lai hoặc thông tin không chính xác.

Dữ liệu có kích thước quá lớn và phức tạp để xử lý.

Dữ liệu không có cấu trúc rõ ràng và khó phân tích.

Dữ liệu được thu thập từ nhiều nguồn khác nhau và không đồng nhất.

Câu hỏi định nghĩa khái niệm 'dữ liệu nhiễu' trong khai phá dữ liệu.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 16: Ứng dụng nào sau đây KHÔNG phải là một ví dụ điển hình của khai phá dữ liệu?

Đề xuất sản phẩm cho khách hàng trên trang thương mại điện tử.

Phát hiện gian lận trong giao dịch thẻ tín dụng.

Soạn thảo văn bản tự động bằng phần mềm xử lý văn bản.

Dự báo xu hướng thị trường chứng khoán.

Câu hỏi xác định ứng dụng không liên quan đến khai phá dữ liệu trong các lựa chọn.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 17: Phương pháp 'chuẩn hóa dữ liệu' (data normalization) thường được áp dụng trước khi sử dụng thuật toán học máy nào?

Cây quyết định (Decision Tree)

Luật kết hợp (Association Rules)

Phân cụm K-means

Mạng nơ-ron (Neural Network)

Câu hỏi về sự cần thiết của chuẩn hóa dữ liệu trước khi áp dụng một số thuật toán học máy cụ thể.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 18: Trong thuật toán DBSCAN, tham số 'epsilon' (ε) xác định điều gì?

Số lượng cụm tối đa được tạo ra.

Bán kính lân cận để xác định điểm lõi (core point).

Số lượng điểm dữ liệu tối thiểu trong một cụm.

Mức độ tương đồng tối thiểu giữa các điểm trong một cụm.

Câu hỏi kiểm tra kiến thức về tham số quan trọng trong thuật toán phân cụm DBSCAN.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 19: Thước đo 'lift' trong khai thác luật kết hợp được sử dụng để đánh giá điều gì?

Độ tin cậy của luật kết hợp.

Tần suất xuất hiện của các mục trong luật kết hợp.

Mức độ tương quan (tính hữu ích) của luật kết hợp so với trường hợp ngẫu nhiên.

Độ phổ biến của các mục trong luật kết hợp.

Câu hỏi về ý nghĩa của độ đo 'lift' trong đánh giá luật kết hợp.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 20: Phương pháp 'kiểm định chéo' (cross-validation) được sử dụng để làm gì trong quá trình xây dựng mô hình học máy?

Đánh giá khả năng khái quát hóa của mô hình trên dữ liệu mới.

Tăng tốc độ huấn luyện mô hình.

Giảm số chiều dữ liệu đầu vào.

Chọn thuật toán học máy phù hợp nhất.

Câu hỏi về mục đích của kiểm định chéo trong phát triển mô hình học máy.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 21: Trong khai phá dữ liệu chuỗi thời gian, kỹ thuật 'phân tích thành phần thời gian' (time series decomposition) nhằm mục đích gì?

Dự đoán giá trị tương lai của chuỗi thời gian.

Phân tách chuỗi thời gian thành các thành phần như xu hướng, mùa vụ, và nhiễu.

Phân cụm các chuỗi thời gian tương tự nhau.

Tìm kiếm các luật kết hợp trong chuỗi thời gian.

Câu hỏi về mục đích của phân tích thành phần thời gian trong khai phá dữ liệu chuỗi thời gian.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 22: Loại biểu đồ nào thường được sử dụng để trực quan hóa cây quyết định?

Biểu đồ phân tán (Scatter plot)

Biểu đồ cột (Bar chart)

Sơ đồ cây (Tree diagram)

Biểu đồ đường (Line chart)

Câu hỏi về loại biểu đồ phù hợp để trực quan hóa cấu trúc của cây quyết định.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 23: Trong mô hình hóa dữ liệu, 'overfitting' xảy ra khi nào?

Mô hình quá đơn giản và không nắm bắt được các mẫu trong dữ liệu huấn luyện.

Mô hình được huấn luyện trên dữ liệu quá lớn.

Mô hình không được đánh giá bằng kiểm định chéo.

Mô hình học quá kỹ dữ liệu huấn luyện và kém hiệu quả trên dữ liệu mới.

Câu hỏi định nghĩa tình trạng overfitting trong mô hình hóa dữ liệu.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 24: Kỹ thuật 'bootstrapping' thường được sử dụng trong học máy để làm gì?

Giảm chiều dữ liệu.

Ước lượng độ tin cậy của mô hình và cải thiện tính ổn định.

Phát hiện dữ liệu ngoại lai.

Tăng tốc độ huấn luyện mô hình.

Câu hỏi về mục đích sử dụng kỹ thuật bootstrapping trong học máy.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 25: Trong ngữ cảnh phân tích cảm xúc văn bản (sentiment analysis), mục tiêu chính là gì?

Tóm tắt nội dung chính của văn bản.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Xác định thái độ, cảm xúc (tích cực, tiêu cực, trung lập) được thể hiện trong văn bản.

Phân loại văn bản theo chủ đề hoặc thể loại.

Câu hỏi về mục tiêu chính của phân tích cảm xúc văn bản, một ứng dụng của khai phá dữ liệu văn bản.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 26: Phương pháp nào sau đây thuộc nhóm thuật toán phân cụm phân cấp (hierarchical clustering)?

Agglomerative Clustering

K-means Clustering

DBSCAN

Support Vector Machines (SVM)

Câu hỏi xác định thuật toán thuộc nhóm phân cụm phân cấp.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 27: Trong lĩnh vực y tế, khai phá dữ liệu có thể được ứng dụng để làm gì?

Quản lý hồ sơ bệnh án điện tử.

Đặt lịch hẹn khám bệnh trực tuyến.

Thanh toán viện phí tự động.

Dự đoán nguy cơ mắc bệnh dựa trên dữ liệu bệnh sử và yếu tố di truyền.

Câu hỏi về ứng dụng của khai phá dữ liệu trong lĩnh vực y tế.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 28: Khi dữ liệu có sự mất cân bằng lớp (class imbalance) trong bài toán phân lớp (ví dụ: lớp dương tính chiếm tỷ lệ rất nhỏ so với lớp âm tính), điều gì có thể xảy ra?

Mô hình sẽ huấn luyện nhanh hơn.

Mô hình có xu hướng dự đoán tốt cho lớp chiếm đa số và kém cho lớp thiểu số.

Độ chính xác của mô hình sẽ luôn cao.

Không có ảnh hưởng đáng kể đến hiệu suất mô hình.

Câu hỏi về vấn đề mất cân bằng lớp và ảnh hưởng của nó đến mô hình phân lớp.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 29: Để xử lý thuộc tính phạm trù (categorical) trong thuật toán học máy yêu cầu dữ liệu số, phương pháp 'one-hot encoding' thực hiện điều gì?

Chuyển đổi thuộc tính phạm trù thành một giá trị số duy nhất.

Loại bỏ thuộc tính phạm trù khỏi dữ liệu.

Tạo ra các cột nhị phân mới, mỗi cột đại diện cho một giá trị của thuộc tính phạm trù.

Thay thế các giá trị phạm trù bằng giá trị trung bình của cột.

Câu hỏi về kỹ thuật one-hot encoding để xử lý thuộc tính phạm trù.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 03

Câu 30: Trong quá trình khai phá dữ liệu, bước 'đánh giá và diễn giải tri thức' (evaluation and interpretation) có vai trò gì quan trọng?

Thu thập dữ liệu từ các nguồn khác nhau.

Xây dựng mô hình khai phá dữ liệu.

Tiền xử lý và làm sạch dữ liệu.

Đảm bảo tri thức khai phá được là hữu ích, có ý nghĩa và có thể áp dụng trong thực tế.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi về tầm quan trọng của giai đoạn cuối cùng trong quy trình KDD - đánh giá và diễn giải tri thức.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 04

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 1: Trong quy trình Khai phá Dữ liệu (KDD), bước nào sau đây tập trung vào việc chuyển đổi dữ liệu thô sang định dạng phù hợp cho phân tích, bao gồm xử lý dữ liệu bị thiếu, loại bỏ nhiễu và chuẩn hóa dữ liệu?

Lựa chọn dữ liệu (Data Selection)

Tiền xử lý dữ liệu (Data Preprocessing)

Khai phá dữ liệu (Data Mining)

Đánh giá tri thức (Knowledge Evaluation)

Câu hỏi này kiểm tra kiến thức về các bước trong quy trình KDD, đặc biệt là bước tiền xử lý dữ liệu và mục tiêu của nó.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 2: Một siêu thị muốn phân tích hành vi mua sắm của khách hàng để tối ưu hóa vị trí sản phẩm trên kệ hàng. Kỹ thuật khai phá dữ liệu nào sau đây phù hợp nhất để tìm ra các nhóm sản phẩm thường được mua cùng nhau?

Phân lớp (Classification)

Hồi quy (Regression)

Khai phá luật kết hợp (Association Rule Mining)

Phân cụm (Clustering)

Câu hỏi này đặt ra một tình huống ứng dụng thực tế và yêu cầu chọn kỹ thuật khai phá dữ liệu phù hợp để giải quyết vấn đề tìm kiếm mối quan hệ giữa các sản phẩm.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 3: Thuật toán Apriori được sử dụng phổ biến trong khai phá luật kết hợp. Nguyên tắc 'Apriori' cốt lõi của thuật toán này là gì?

Nếu một tập mục là thường xuyên, thì tất cả các tập con của nó cũng phải thường xuyên.

Nếu một tập mục là không thường xuyên, thì tất cả các tập cha của nó cũng không thường xuyên.

Độ hỗ trợ (support) của một tập mục tỉ lệ thuận với kích thước của tập mục đó.

Độ tin cậy (confidence) của một luật kết hợp không phụ thuộc vào độ hỗ trợ của tập mục.

Câu hỏi này tập trung vào việc kiểm tra sự hiểu biết về nguyên tắc hoạt động cơ bản của thuật toán Apriori.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 4: Trong bài toán phân lớp, độ đo 'độ chính xác' (accuracy) được tính như thế nào?

Số lượng dự đoán đúng / Tổng số lượng mẫu thực tế thuộc lớp dương tính

Số lượng dự đoán đúng / Tổng số lượng mẫu

Số lượng dự đoán đúng lớp dương tính / Tổng số lượng mẫu dự đoán là lớp dương tính

Số lượng mẫu thực tế thuộc lớp dương tính / Tổng số lượng mẫu dự đoán là lớp dương tính

Câu hỏi này kiểm tra kiến thức về các độ đo đánh giá mô hình phân lớp, cụ thể là độ chính xác.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 5: Phương pháp phân cụm K-means hoạt động dựa trên việc tối ưu hóa hàm mục tiêu nào?

Khoảng cách Manhattan giữa các điểm dữ liệu và tâm cụm.

Độ tương đồng cosine giữa các điểm dữ liệu.

Tổng bình phương khoảng cách Euclidean từ mỗi điểm dữ liệu đến tâm cụm gần nhất.

Entropy của phân phối dữ liệu trong mỗi cụm.

Câu hỏi này tập trung vào thuật toán phân cụm K-means và hàm mục tiêu mà nó cố gắng tối ưu hóa để tạo ra các cụm.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 6: Cho một tập dữ liệu về thông tin khách hàng và lịch sử mua hàng. Mục tiêu là xây dựng mô hình dự đoán khả năng khách hàng rời bỏ dịch vụ (churn). Bài toán này thuộc loại bài toán khai phá dữ liệu nào?

Phân lớp (Classification)

Phân cụm (Clustering)

Hồi quy (Regression)

Khai phá luật kết hợp (Association Rule Mining)

Câu hỏi này mô tả một bài toán dự đoán churn và yêu cầu xác định loại bài toán khai phá dữ liệu tương ứng.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 7: Trong thuật toán Cây quyết định (Decision Tree), tiêu chí 'Information Gain' thường được sử dụng để làm gì?

Đo lường độ chính xác của cây quyết định.

Xác định độ phức tạp của cây quyết định.

Cân bằng kích thước giữa các nhánh của cây quyết định.

Chọn thuộc tính tốt nhất để phân chia nút tại mỗi bước xây dựng cây.

Câu hỏi này kiểm tra kiến thức về thuật toán Cây quyết định và vai trò của tiêu chí Information Gain trong quá trình xây dựng cây.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 8: Một công ty thương mại điện tử muốn cá nhân hóa trải nghiệm mua sắm cho từng khách hàng. Phương pháp khai phá dữ liệu nào có thể giúp họ phân nhóm khách hàng dựa trên hành vi duyệt web, lịch sử mua hàng và thông tin nhân khẩu học?

Phân lớp (Classification)

Phân cụm (Clustering)

Hồi quy (Regression)

Khai phá luật kết hợp (Association Rule Mining)

Câu hỏi này mô tả một tình huống ứng dụng phân nhóm khách hàng và yêu cầu chọn kỹ thuật khai phá dữ liệu phù hợp.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 9: Trong khai phá dữ liệu chuỗi thời gian, kỹ thuật ARIMA (Autoregressive Integrated Moving Average) được sử dụng để làm gì?

Phân cụm các chuỗi thời gian tương tự nhau.

Phát hiện các mẫu bất thường trong chuỗi thời gian.

Dự báo giá trị tương lai của chuỗi thời gian dựa trên các giá trị quá khứ.

Phân loại các chuỗi thời gian vào các nhóm khác nhau.

Câu hỏi này tập trung vào lĩnh vực khai phá dữ liệu chuỗi thời gian và mục đích sử dụng của mô hình ARIMA.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 10: 'Overfitting' là một vấn đề thường gặp trong mô hình hóa khai phá dữ liệu. Phát biểu nào sau đây mô tả đúng nhất hiện tượng overfitting?

Mô hình hoạt động kém hiệu quả trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.

Mô hình quá đơn giản và không thể nắm bắt được các mẫu trong dữ liệu.

Mô hình chỉ hoạt động tốt trên dữ liệu kiểm tra nhưng kém trên dữ liệu huấn luyện.

Mô hình hoạt động quá tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra.

Câu hỏi này kiểm tra sự hiểu biết về khái niệm overfitting, một vấn đề quan trọng trong xây dựng mô hình học máy.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 11: Trong thuật toán DBSCAN (Density-Based Spatial Clustering of Applications with Noise), hai tham số chính cần xác định là gì?

Epsilon (ε) và MinPts

Số lượng cụm K và số lần lặp tối đa.

Tỷ lệ học (learning rate) và số lượng hidden layers.

Hệ số C và gamma.

Câu hỏi này tập trung vào thuật toán phân cụm DBSCAN và các tham số quan trọng ảnh hưởng đến kết quả phân cụm.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 12: Một bệnh viện muốn sử dụng khai phá dữ liệu để dự đoán nguy cơ tái nhập viện của bệnh nhân sau khi xuất viện. Dữ liệu đầu vào có thể bao gồm thông tin về bệnh sử, kết quả xét nghiệm, và quá trình điều trị. Kỹ thuật khai phá dữ liệu nào phù hợp nhất?

Phân lớp (Classification)

Phân cụm (Clustering)

Hồi quy (Regression)

Khai phá luật kết hợp (Association Rule Mining)

Câu hỏi này mô tả một ứng dụng dự đoán nguy cơ tái nhập viện trong lĩnh vực y tế và yêu cầu chọn kỹ thuật khai phá dữ liệu phù hợp.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 13: Độ đo 'Lift' trong khai phá luật kết hợp được sử dụng để đánh giá điều gì?

Độ phổ biến của một tập mục trong cơ sở dữ liệu.

Mức độ tương quan giữa sự xuất hiện của X và Y trong một luật X → Y so với kỳ vọng ngẫu nhiên.

Độ tin cậy của một luật kết hợp.

Tỷ lệ giao dịch chứa cả X và Y so với tổng số giao dịch.

Câu hỏi này kiểm tra kiến thức về độ đo Lift và ý nghĩa của nó trong đánh giá luật kết hợp.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 14: Kỹ thuật 'Feature Scaling' (tỉ lệ hóa thuộc tính) thường được áp dụng trong tiền xử lý dữ liệu để làm gì?

Giảm số lượng thuộc tính của dữ liệu.

Xử lý dữ liệu bị thiếu.

Đưa các thuộc tính về cùng một thang đo để tránh ảnh hưởng của sự khác biệt về đơn vị đo.

Mã hóa dữ liệu dạng categorical sang dạng numerical.

Câu hỏi này kiểm tra kiến thức về tiền xử lý dữ liệu, cụ thể là kỹ thuật Feature Scaling và mục đích sử dụng của nó.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 15: Trong mô hình hóa, kỹ thuật 'Cross-validation' (kiểm định chéo) được sử dụng để làm gì?

Tăng kích thước tập dữ liệu huấn luyện.

Giảm độ phức tạp của mô hình.

Chọn thuật toán khai phá dữ liệu phù hợp nhất.

Đánh giá độ tổng quát hóa của mô hình và ước tính hiệu suất trên dữ liệu mới.

Câu hỏi này kiểm tra kiến thức về kỹ thuật Cross-validation và mục đích sử dụng của nó trong đánh giá mô hình.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 16: Một công ty bảo hiểm muốn dự đoán giá trị bồi thường cho các yêu cầu bồi thường xe cơ giới dựa trên thông tin về vụ tai nạn, loại xe, và thông tin khách hàng. Loại bài toán khai phá dữ liệu nào phù hợp?

Phân lớp (Classification)

Phân cụm (Clustering)

Hồi quy (Regression)

Khai phá luật kết hợp (Association Rule Mining)

Câu hỏi này mô tả một bài toán dự đoán giá trị số (giá trị bồi thường) và yêu cầu xác định loại bài toán khai phá dữ liệu tương ứng.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 17: Trong thuật toán Random Forest, việc sử dụng 'bootstrap aggregating' (bagging) có vai trò gì?

Tăng tốc độ huấn luyện mô hình.

Giảm phương sai (variance) của mô hình và cải thiện độ ổn định.

Tăng độ chính xác trên dữ liệu huấn luyện.

Giảm độ phức tạp của từng cây quyết định trong rừng.

Câu hỏi này tập trung vào thuật toán Random Forest và vai trò của kỹ thuật Bagging trong việc cải thiện hiệu suất mô hình.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 18: 'Anomaly detection' (phát hiện bất thường) là một lĩnh vực quan trọng trong khai phá dữ liệu. Ứng dụng nào sau đây là một ví dụ của phát hiện bất thường?

Phân nhóm khách hàng dựa trên hành vi mua sắm.

Dự đoán giá nhà dựa trên các đặc điểm của ngôi nhà.

Phát hiện giao dịch gian lận thẻ tín dụng.

Phân loại email vào hộp thư chính hoặc hộp thư rác.

Câu hỏi này kiểm tra sự hiểu biết về ứng dụng của phát hiện bất thường trong thực tế.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 19: Trong thuật toán SVM (Support Vector Machine), 'kernel trick' được sử dụng để làm gì?

Tăng tốc độ huấn luyện SVM.

Giảm số chiều dữ liệu đầu vào.

Chọn siêu phẳng phân tách tốt nhất trong không gian tuyến tính.

Ánh xạ dữ liệu sang không gian chiều cao hơn để tìm siêu phẳng phân tách tuyến tính trong không gian mới.

Câu hỏi này tập trung vào thuật toán SVM và vai trò của 'kernel trick' trong việc xử lý dữ liệu phi tuyến.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 20: Cho một tập dữ liệu giao dịch siêu thị như sau:
T1: {Bánh mì, Sữa}
T2: {Bánh mì, Tã, Bia, Trứng}
T3: {Sữa, Tã, Bia, Cola}
T4: {Bánh mì, Sữa, Tã, Bia}
T5: {Bánh mì, Sữa, Tã, Cola}
Độ hỗ trợ của tập mục {Bánh mì, Tã} là bao nhiêu?

1 (20%)

2 (40%)

3 (60%)

4 (80%)

Câu hỏi này yêu cầu tính độ hỗ trợ của một tập mục cụ thể trong một tập dữ liệu giao dịch cho trước.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 21: Trong thuật toán PageRank, được sử dụng bởi Google để xếp hạng website, yếu tố nào sau đây có vai trò quan trọng nhất?

Mật độ từ khóa trên trang web.

Thời gian tải trang web.

Số lượng và chất lượng của các liên kết trỏ đến trang web.

Thiết kế giao diện người dùng của trang web.

Câu hỏi này kiểm tra kiến thức về thuật toán PageRank, một ứng dụng quan trọng của khai phá dữ liệu trong lĩnh vực web mining.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 22: Phương pháp 'Dimensionality Reduction' (giảm chiều dữ liệu) như PCA (Principal Component Analysis) được sử dụng để làm gì trong khai phá dữ liệu?

Giảm số lượng thuộc tính của dữ liệu, giúp đơn giản hóa mô hình và giảm chi phí tính toán.

Tăng số lượng mẫu dữ liệu để cải thiện độ chính xác của mô hình.

Xử lý dữ liệu bị thiếu bằng cách ước tính các giá trị còn thiếu.

Chuyển đổi dữ liệu từ dạng categorical sang dạng numerical.

Câu hỏi này kiểm tra kiến thức về kỹ thuật giảm chiều dữ liệu và mục đích sử dụng của nó.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 23: Trong ngữ cảnh của khai phá dữ liệu văn bản (text mining), kỹ thuật 'TF-IDF' (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì?

Phân cụm các văn bản có chủ đề tương tự nhau.

Tính trọng số của từ trong một văn bản và trong toàn bộ tập văn bản để đánh giá mức độ quan trọng của từ.

Phân loại văn bản vào các chủ đề khác nhau.

Trích xuất thông tin có cấu trúc từ văn bản không cấu trúc.

Câu hỏi này tập trung vào lĩnh vực khai phá dữ liệu văn bản và mục đích sử dụng của kỹ thuật TF-IDF.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 24: Mô hình mạng nơ-ron (Neural Network) được cấu tạo từ các lớp (layers) kết nối với nhau. Lớp nào trong mạng nơ-ron chịu trách nhiệm chính trong việc học các đặc trưng phức tạp từ dữ liệu?

Lớp đầu vào (Input layer)

Lớp đầu ra (Output layer)

Lớp ẩn (Hidden layer)

Lớp kết nối (Connection layer)

Câu hỏi này kiểm tra kiến thức về kiến trúc mạng nơ-ron và vai trò của các lớp ẩn (hidden layers).

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 25: Trong khai phá dữ liệu, 'bias-variance tradeoff' (đánh đổi giữa độ chệch và phương sai) đề cập đến điều gì?

Sự đánh đổi giữa độ chính xác và độ phức tạp của mô hình.

Sự đánh đổi giữa tốc độ huấn luyện và tốc độ dự đoán của mô hình.

Sự đánh đổi giữa độ hỗ trợ và độ tin cậy trong khai phá luật kết hợp.

Sự đánh đổi giữa khả năng mô hình khớp với dữ liệu huấn luyện (bias) và khả năng tổng quát hóa trên dữ liệu mới (variance).

Câu hỏi này kiểm tra sự hiểu biết về khái niệm bias-variance tradeoff, một vấn đề cốt lõi trong học máy.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 26: Một ngân hàng sử dụng khai phá dữ liệu để phân tích lịch sử giao dịch và thông tin cá nhân của khách hàng nhằm phát hiện các giao dịch nghi ngờ rửa tiền. Kỹ thuật khai phá dữ liệu nào có thể được áp dụng?

Phân cụm (Clustering)

Phát hiện bất thường (Anomaly detection)

Hồi quy (Regression)

Khai phá luật kết hợp (Association Rule Mining)

Câu hỏi này mô tả một ứng dụng phát hiện gian lận trong lĩnh vực tài chính và yêu cầu chọn kỹ thuật khai phá dữ liệu phù hợp.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 27: Trong thuật toán Gradient Descent, 'learning rate' (tốc độ học) là một siêu tham số quan trọng. Điều gì xảy ra nếu learning rate được đặt quá lớn?

Mô hình hội tụ chậm hơn.

Mô hình có thể hội tụ đến nghiệm tối ưu cục bộ thay vì nghiệm tối ưu toàn cục.

Quá trình tối ưu có thể không ổn định và không hội tụ, hoặc thậm chí phân kỳ.

Mô hình sẽ overfitting dữ liệu huấn luyện.

Câu hỏi này kiểm tra kiến thức về thuật toán Gradient Descent và ảnh hưởng của learning rate đến quá trình tối ưu hóa.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 28: Để đánh giá hiệu suất của mô hình phân cụm, độ đo 'Silhouette score' thường được sử dụng. Silhouette score đo lường điều gì?

Mức độ một điểm dữ liệu tương tự với các điểm trong cụm của nó so với các điểm trong cụm khác.

Khoảng cách trung bình giữa các điểm dữ liệu trong cùng một cụm.

Tổng bình phương khoảng cách từ mỗi điểm dữ liệu đến tâm cụm gần nhất.

Số lượng điểm dữ liệu bị phân loại sai vào các cụm.

Câu hỏi này kiểm tra kiến thức về độ đo đánh giá mô hình phân cụm, cụ thể là Silhouette score.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 29: Trong ngữ cảnh của dữ liệu lớn (Big Data), framework nào sau đây thường được sử dụng để xử lý và phân tích dữ liệu phân tán trên các cụm máy tính?

SQL Server

Apache Hadoop và Spark

Microsoft Excel

SPSS Statistics

Câu hỏi này kiểm tra kiến thức về các công nghệ xử lý dữ liệu lớn, đặc biệt là framework Hadoop và Spark.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 04

Câu 30: Một nhà nghiên cứu muốn phân tích dữ liệu mạng xã hội để xác định các cộng đồng người dùng có chung sở thích và tương tác với nhau. Kỹ thuật khai phá dữ liệu nào phù hợp nhất cho mục tiêu này?

Phân lớp (Classification)

Hồi quy (Regression)

Khai phá luật kết hợp (Association Rule Mining)

Phân tích mạng xã hội và phát hiện cộng đồng (Social Network Analysis and Community Detection)

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi này mô tả một ứng dụng phân tích mạng xã hội và yêu cầu chọn kỹ thuật khai phá dữ liệu phù hợp để phát hiện cộng đồng.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 05

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 1: Trong lĩnh vực Khai phá Dữ liệu, quy trình nào sau đây thường được thực hiện đầu tiên để đảm bảo chất lượng dữ liệu đầu vào cho các thuật toán?

Tiền xử lý dữ liệu (Data Preprocessing)

Xây dựng mô hình (Model Building)

Đánh giá mô hình (Model Evaluation)

Triển khai mô hình (Model Deployment)

Tiền xử lý dữ liệu là bước quan trọng đầu tiên để làm sạch và chuẩn bị dữ liệu trước khi áp dụng các kỹ thuật khai phá.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 2: Phương pháp giảm chiều dữ liệu (Dimensionality Reduction) nào sau đây giúp giữ lại phần lớn phương sai của dữ liệu gốc bằng cách tìm ra các thành phần chính?

Chọn lọc thuộc tính (Feature Selection)

Phân tích thành phần chính (Principal Component Analysis - PCA)

Rời rạc hóa dữ liệu (Data Discretization)

Chuẩn hóa dữ liệu (Data Normalization)

PCA là kỹ thuật giảm chiều dữ liệu phổ biến, tập trung vào việc tìm các thành phần chính để tối đa hóa phương sai.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 3: Trong khai phá luật kết hợp, độ đo 'Độ hỗ trợ' (Support) của một tập mục X được tính dựa trên yếu tố nào?

Số lượng thuộc tính trong tập mục X

Giá trị trung bình của các thuộc tính trong X

Tỷ lệ giao dịch chứa tập mục X trên tổng số giao dịch

Mức độ tin cậy của các luật kết hợp sinh ra từ X

Độ hỗ trợ đo lường tần suất xuất hiện của một tập mục trong toàn bộ cơ sở dữ liệu giao dịch.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 4: Thuật toán Apriori sử dụng nguyên lý 'tính chất Apriori' để tối ưu hóa quá trình tìm kiếm tập mục thường xuyên. Tính chất này phát biểu rằng:

Tập mục thường xuyên có độ hỗ trợ cao hơn độ tin cậy.

Tập mục con của một tập mục thường xuyên luôn là tập mục thường xuyên.

Độ tin cậy của luật kết hợp giảm dần khi độ hỗ trợ tăng.

Tập mục cha của một tập mục không thường xuyên luôn là tập mục không thường xuyên.

Tính chất Apriori cốt lõi là nếu một tập mục không thường xuyên, thì mọi tập cha của nó cũng không thể thường xuyên.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 5: Giả sử bạn có một luật kết hợp 'Nếu mua X thì mua Y'. Độ đo 'Độ tin cậy' (Confidence) của luật này thể hiện điều gì?

Tần suất mua đồng thời cả X và Y.

Xác suất mua Y khi đã mua X.

Lợi nhuận kỳ vọng khi bán sản phẩm X và Y cùng nhau.

Mức độ phổ biến của sản phẩm Y trong các giao dịch.

Độ tin cậy đo lường xác suất mua Y khi đã mua X, thể hiện độ mạnh của luật.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 6: Trong bài toán phân lớp, mục tiêu chính của việc xây dựng mô hình là gì?

Phân nhóm dữ liệu thành các cụm có ý nghĩa.

Tìm ra các luật kết hợp giữa các thuộc tính.

Dự đoán lớp (class) của một đối tượng mới dựa trên các thuộc tính của nó.

Giảm chiều dữ liệu để dễ dàng trực quan hóa.

Mục tiêu của phân lớp là gán nhãn lớp cho các đối tượng mới dựa trên mô hình học từ dữ liệu huấn luyện.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 7: Phương pháp phân lớp nào dựa trên việc tìm ra một siêu phẳng (hyperplane) tối ưu để phân tách các lớp dữ liệu, đồng thời tối đa hóa khoảng cách lề (margin)?

Máy học vectơ hỗ trợ (Support Vector Machine - SVM)

Cây quyết định (Decision Tree)

Mạng nơ-ron (Neural Network)

Phân lớp Bayes ngây thơ (Naive Bayes Classifier)

SVM là phương pháp phân lớp mạnh mẽ, nổi tiếng với việc sử dụng siêu phẳng tối ưu và tối đa hóa khoảng cách lề.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 8: Độ đo 'Độ chính xác' (Accuracy) trong đánh giá mô hình phân lớp được tính như thế nào?

Tỷ lệ dự đoán đúng trên tổng số mẫu thuộc lớp tích cực.

Tỷ lệ dự đoán đúng trên tổng số mẫu.

Tỷ lệ mẫu thuộc lớp tích cực được dự đoán đúng.

Trung bình cộng của độ chính xác và độ phủ.

Độ chính xác là tỷ lệ dự đoán đúng trên tổng số dự đoán, một độ đo cơ bản để đánh giá hiệu suất phân lớp.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 9: Trong khai phá dữ liệu văn bản, kỹ thuật 'TF-IDF' được sử dụng để làm gì?

Phân tích cảm xúc văn bản.

Tách từ (Tokenization) văn bản.

Loại bỏ từ dừng (Stop word removal).

Đánh trọng số mức độ quan trọng của từ trong văn bản.

TF-IDF là kỹ thuật quan trọng trong xử lý văn bản để đánh trọng số từ, phản ánh mức độ quan trọng của từ trong một tài liệu so với toàn bộ tập tài liệu.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 10: Kỹ thuật 'phân cụm' (clustering) thường được sử dụng trong loại bài toán khai phá dữ liệu nào?

Phân lớp (Classification)

Hồi quy (Regression)

Học không giám sát (Unsupervised Learning)

Dự báo chuỗi thời gian (Time Series Forecasting)

Phân cụm là kỹ thuật học không giám sát, phù hợp với việc khám phá cấu trúc ẩn trong dữ liệu, tìm nhóm tự nhiên mà không có nhãn lớp.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 11: Thuật toán K-means là một thuật toán phân cụm phổ biến. Điều gì quyết định số lượng cụm (K) trong thuật toán này?

Số lượng cụm K phải được xác định trước bởi người dùng.

Thuật toán tự động xác định số lượng cụm tối ưu.

Số lượng cụm K luôn bằng căn bậc hai của tổng số điểm dữ liệu.

Số lượng cụm K phụ thuộc vào chiều dữ liệu.

Trong K-means, số lượng cụm K là một tham số đầu vào cần được xác định trước bởi người dùng hoặc thông qua các phương pháp đánh giá.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 12: Phương pháp đánh giá chất lượng cụm 'Silhouette coefficient' đo lường điều gì?

Độ phân tán của các điểm dữ liệu trong mỗi cụm.

Mức độ một điểm dữ liệu tương đồng với cụm của nó và khác biệt với các cụm khác.

Khoảng cách trung bình giữa các cụm.

Tỷ lệ phương sai giữa các cụm so với phương sai nội tại cụm.

Silhouette coefficient đánh giá chất lượng cụm bằng cách đo mức độ một điểm dữ liệu tương đồng với cụm của nó so với các cụm khác.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 13: Trong khai phá chuỗi thời gian, kỹ thuật 'Autoregression (AR)' được sử dụng để làm gì?

Phân tích tính mùa vụ của chuỗi thời gian.

Phát hiện điểm bất thường trong chuỗi thời gian.

Dự đoán giá trị tương lai của chuỗi thời gian dựa trên các giá trị quá khứ.

Làm mịn chuỗi thời gian để loại bỏ nhiễu.

AR là mô hình chuỗi thời gian sử dụng các giá trị quá khứ của chuỗi để dự đoán giá trị tương lai.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 14: 'Overfitting' là một vấn đề thường gặp trong xây dựng mô hình học máy. Nó xảy ra khi nào?

Mô hình quá đơn giản và không thể nắm bắt được cấu trúc dữ liệu.

Dữ liệu huấn luyện chứa quá nhiều giá trị ngoại lai.

Mô hình được huấn luyện trên dữ liệu quá lớn.

Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu kiểm tra.

Overfitting xảy ra khi mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 15: Để khắc phục vấn đề 'overfitting', một trong các kỹ thuật phổ biến là 'Regularization'. Kỹ thuật này hoạt động như thế nào?

Thêm một thành phần phạt vào hàm mục tiêu để hạn chế độ phức tạp của mô hình.

Tăng kích thước tập dữ liệu huấn luyện.

Sử dụng các thuật toán học máy phức tạp hơn.

Chia nhỏ tập dữ liệu huấn luyện thành nhiều phần nhỏ hơn.

Regularization thêm một thành phần phạt vào hàm mục tiêu để hạn chế độ phức tạp của mô hình, giảm overfitting.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 16: Trong quá trình khai phá dữ liệu, bước 'lựa chọn mô hình' (model selection) thường dựa trên tiêu chí nào?

Độ dễ dàng giải thích của mô hình.

Hiệu suất dự đoán của mô hình trên dữ liệu kiểm tra.

Độ phức tạp của mô hình.

Thời gian huấn luyện mô hình.

Lựa chọn mô hình tốt nhất thường dựa trên hiệu suất dự đoán của mô hình trên dữ liệu kiểm tra, đảm bảo khả năng tổng quát hóa tốt.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 17: 'Cross-validation' là kỹ thuật đánh giá mô hình quan trọng. Mục đích chính của cross-validation là gì?

Tăng tốc độ huấn luyện mô hình.

Giảm thiểu overfitting trên dữ liệu huấn luyện.

Đánh giá khách quan hiệu suất của mô hình trên dữ liệu chưa từng thấy.

Tìm ra các siêu tham số (hyperparameters) tối ưu cho mô hình.

Cross-validation đánh giá mô hình một cách khách quan hơn bằng cách sử dụng nhiều phần khác nhau của dữ liệu làm tập kiểm tra, giảm sự thiên vị.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 18: Trong khai phá dữ liệu web, 'Web Usage Mining' tập trung vào việc phân tích loại dữ liệu nào?

Nội dung trang web (web content).

Cấu trúc liên kết giữa các trang web (web structure).

Dữ liệu mạng xã hội (social media data).

Dữ liệu nhật ký truy cập web (web logs).

Web Usage Mining tập trung vào dữ liệu nhật ký truy cập web (web logs) để hiểu hành vi người dùng trên web.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 19: 'Mô hình hóa chủ đề' (Topic Modeling) như LDA (Latent Dirichlet Allocation) được sử dụng để làm gì trong khai phá văn bản?

Khám phá các chủ đề tiềm ẩn trong một tập hợp văn bản.

Phân loại văn bản vào các danh mục định trước.

Tóm tắt nội dung chính của văn bản.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Topic Modeling giúp khám phá các chủ đề ẩn trong tập văn bản, phân nhóm văn bản dựa trên chủ đề.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 20: Trong khai phá dữ liệu y sinh, ứng dụng nào sau đây sử dụng khai phá dữ liệu để hỗ trợ chẩn đoán bệnh?

Phân tích gen để tìm hiểu nguồn gốc loài.

Hệ thống hỗ trợ quyết định lâm sàng (Clinical Decision Support System - CDSS).

Dự báo thời tiết dựa trên dữ liệu sinh học.

Nghiên cứu hành vi của động vật hoang dã.

Hệ thống hỗ trợ quyết định lâm sàng (CDSS) là ứng dụng quan trọng của khai phá dữ liệu trong y tế, giúp bác sĩ đưa ra quyết định chẩn đoán và điều trị.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 21: 'Ensemble learning' là một kỹ thuật kết hợp nhiều mô hình học máy để cải thiện hiệu suất tổng thể. Phương pháp nào sau đây là một ví dụ của ensemble learning?

Hồi quy tuyến tính (Linear Regression).

Phân tích thành phần chính (PCA).

Rừng ngẫu nhiên (Random Forest).

Thuật toán K-means.

Random Forest là một phương pháp ensemble learning phổ biến, kết hợp nhiều cây quyết định để tăng cường độ chính xác và ổn định.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 22: Trong ngữ cảnh dữ liệu lớn (Big Data), framework nào sau đây thường được sử dụng để xử lý và phân tích dữ liệu phân tán trên các cluster máy tính?

SQL.

Microsoft Excel.

Python (thư viện Scikit-learn).

Apache Spark.

Hadoop và Spark là các framework phổ biến cho xử lý dữ liệu lớn phân tán, cho phép khai phá dữ liệu hiệu quả trên quy mô lớn.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 23: 'Data warehouse' (kho dữ liệu) khác biệt với 'database' (cơ sở dữ liệu) truyền thống chủ yếu ở điểm nào?

Kho dữ liệu được tối ưu hóa cho phân tích và báo cáo, trong khi cơ sở dữ liệu truyền thống tối ưu cho xử lý giao dịch.

Kho dữ liệu chứa dữ liệu thời gian thực, cơ sở dữ liệu truyền thống chứa dữ liệu lịch sử.

Kho dữ liệu sử dụng mô hình dữ liệu phi cấu trúc, cơ sở dữ liệu truyền thống sử dụng mô hình dữ liệu quan hệ.

Kho dữ liệu được quản lý bởi hệ quản trị cơ sở dữ liệu NoSQL, cơ sở dữ liệu truyền thống bởi hệ quản trị SQL.

Kho dữ liệu được thiết kế cho mục đích phân tích và báo cáo, với dữ liệu tích hợp và lịch sử, khác với CSDL giao dịch tập trung vào hoạt động hàng ngày.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 24: 'Feature engineering' (kỹ thuật tạo đặc trưng) là quá trình quan trọng trong khai phá dữ liệu. Mục tiêu của quá trình này là gì?

Giảm số lượng thuộc tính để đơn giản hóa mô hình.

Tạo ra các thuộc tính (features) mới hoặc biến đổi các thuộc tính hiện có để cải thiện hiệu suất mô hình.

Chuẩn hóa dữ liệu về cùng một thang đo.

Làm sạch dữ liệu khỏi các giá trị thiếu và nhiễu.

Feature engineering tạo ra các đặc trưng mới hoặc cải thiện đặc trưng hiện có để nâng cao hiệu suất mô hình học máy.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 25: Trong khai phá dữ liệu đồ thị, 'PageRank' là một thuật toán nổi tiếng được sử dụng để làm gì?

Tìm đường đi ngắn nhất giữa hai nút trong đồ thị.

Phân cụm các nút trong đồ thị dựa trên thuộc tính của chúng.

Xếp hạng độ quan trọng của các nút (nodes) trong một đồ thị, ví dụ như trang web trong mạng World Wide Web.

Phát hiện cộng đồng (communities) trong đồ thị.

PageRank, ban đầu được Google sử dụng, xếp hạng độ quan trọng của các trang web dựa trên cấu trúc liên kết đồ thị của web.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 26: 'Bias-variance tradeoff' là một khái niệm quan trọng trong học máy. Nó mô tả sự đánh đổi giữa yếu tố nào?

Độ chính xác (Precision) và độRecall (Recall).

Độ hỗ trợ (Support) và độ tin cậy (Confidence).

Thời gian huấn luyện và độ chính xác của mô hình.

Độ chệch (Bias) và phương sai (Variance) của mô hình.

Bias-variance tradeoff đề cập đến việc cân bằng giữa độ chệch (bias) và phương sai (variance) để đạt được mô hình tổng quát tốt nhất.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 27: 'Reinforcement learning' (học tăng cường) là một nhánh của học máy. Nó khác biệt so với học giám sát (supervised learning) và học không giám sát (unsupervised learning) ở điểm nào?

Học tăng cường học thông qua tương tác với môi trường và nhận phần thưởng/hình phạt.

Học tăng cường sử dụng dữ liệu có nhãn để huấn luyện mô hình.

Học tăng cường không sử dụng bất kỳ dữ liệu nào trong quá trình huấn luyện.

Học tăng cường chỉ áp dụng cho bài toán phân cụm.

Học tăng cường học thông qua tương tác với môi trường và nhận phần thưởng/hình phạt, khác với học giám sát (dữ liệu có nhãn) và không giám sát (dữ liệu không nhãn).

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 28: Trong đánh giá mô hình phân lớp, 'F1-score' là một độ đo tổng hợp giữa độ chính xác (Precision) và độ phủ (Recall). F1-score được tính như thế nào?

Trung bình cộng của Precision và Recall.

Trung bình điều hòa của Precision và Recall.

Tích của Precision và Recall.

Tỷ lệ Precision trên Recall.

F1-score là trung bình điều hòa của Precision và Recall, đánh giá cân bằng giữa hai độ đo này.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 29: 'Giải thích mô hình' (Explainable AI - XAI) ngày càng trở nên quan trọng trong khai phá dữ liệu. Mục đích chính của XAI là gì?

Tăng độ chính xác của các mô hình học máy.

Giảm thời gian huấn luyện các mô hình học máy.

Làm cho các mô hình học máy trở nên dễ hiểu và minh bạch hơn đối với con người.

Tự động hóa hoàn toàn quá trình khai phá dữ liệu.

XAI tập trung vào việc làm cho các mô hình AI trở nên dễ hiểu và minh bạch hơn, đặc biệt quan trọng trong các ứng dụng nhạy cảm.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 05

Câu 30: Trong khai phá dữ liệu đa phương tiện (multimedia data mining), thách thức lớn nhất thường gặp phải là gì?

Kích thước dữ liệu quá nhỏ.

Thiếu các thuật toán khai phá dữ liệu phù hợp.

Dữ liệu đa phương tiện thường có chất lượng rất cao và dễ xử lý.

Tính phức tạp và đa dạng về cấu trúc và ngữ nghĩa của dữ liệu đa phương tiện.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Dữ liệu đa phương tiện có tính phức tạp cao về cấu trúc và ngữ nghĩa, là thách thức lớn nhất trong khai phá loại dữ liệu này.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 06

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 1: Trong quy trình Khai phá Tri thức từ Cơ sở Dữ liệu (KDD), bước nào sau đây tập trung vào việc chuyển đổi dữ liệu thô sang định dạng phù hợp để phân tích, bao gồm xử lý dữ liệu bị thiếu, nhiễu và không nhất quán?

Khai thác dữ liệu (Data Mining)

Tiền xử lý dữ liệu (Data Preprocessing)

Đánh giá mẫu (Pattern Evaluation)

Chọn lọc dữ liệu (Data Selection)

Câu hỏi này kiểm tra kiến thức về các bước trong quy trình KDD, đặc biệt là giai đoạn tiền xử lý dữ liệu, nơi dữ liệu được làm sạch và chuẩn bị.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 2: Cho một tập dữ liệu giao dịch bán lẻ, thuật toán Apriori được sử dụng để khám phá các tập mục phổ biến. Giả sử độ hỗ trợ tối thiểu (min_support) là 30%. Tập mục {Sữa, Bánh mì} xuất hiện trong 15 giao dịch trên tổng số 50 giao dịch. Độ hỗ trợ của tập mục này là bao nhiêu và nó có được coi là tập mục phổ biến không?

30%, là tập mục phổ biến

30%, không là tập mục phổ biến

15%, không là tập mục phổ biến

50%, là tập mục phổ biến

Câu hỏi này yêu cầu tính toán độ hỗ trợ và so sánh nó với ngưỡng min_support để xác định tính phổ biến của tập mục, áp dụng kiến thức về khai thác luật kết hợp.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 3: Phương pháp phân cụm K-means được sử dụng để phân nhóm khách hàng dựa trên hành vi mua sắm. Điều gì xảy ra khi giá trị K (số cụm) được chọn quá nhỏ so với cấu trúc thực tế của dữ liệu?

Các cụm sẽ chồng lấn lên nhau nhiều hơn

Thuật toán sẽ chạy nhanh hơn đáng kể

Các đối tượng có thể bị gộp vào các cụm không phù hợp

Kết quả phân cụm sẽ chính xác hơn

Câu hỏi này kiểm tra sự hiểu biết về thuật toán K-means và ảnh hưởng của việc lựa chọn tham số K không phù hợp, tập trung vào phân tích và suy luận.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 4: Trong bài toán dự đoán khả năng khách hàng rời bỏ dịch vụ (churn prediction), độ đo 'Recall' quan trọng hơn 'Precision' khi nào?

Khi chi phí để giữ chân khách hàng rời bỏ là rất thấp

Khi bỏ sót khách hàng có nguy cơ rời bỏ gây thiệt hại lớn hơn việc làm phiền khách hàng không có nguy cơ

Khi tập dữ liệu bị mất cân bằng nghiêm trọng

Khi mục tiêu là tối đa hóa số lượng khách hàng được xác định chính xác

Câu hỏi này tập trung vào việc lựa chọn độ đo đánh giá mô hình phù hợp dựa trên ngữ cảnh bài toán, cụ thể là bài toán churn prediction, đòi hỏi kỹ năng phân tích và áp dụng.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 5: Cho một mô hình cây quyết định dự đoán bệnh tim mạch dựa trên các yếu tố nguy cơ. Một nút trên cây quyết định chia tập dữ liệu dựa trên thuộc tính 'Huyết áp'. Điều này thể hiện kỹ thuật nào trong cây quyết định?

Phân chia thuộc tính (Attribute splitting)

Tỉa cây (Tree pruning)

Chọn gốc cây (Root node selection)

Xây dựng luật (Rule generation)

Câu hỏi này kiểm tra kiến thức về cấu trúc và hoạt động của cây quyết định, cụ thể là quá trình phân chia nút dựa trên thuộc tính, thuộc về lĩnh vực phân lớp.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 6: Kỹ thuật 'giảm chiều dữ liệu' (dimensionality reduction) được sử dụng trong khai phá dữ liệu nhằm mục đích chính nào?

Tăng độ chính xác của mô hình khai phá dữ liệu

Đảm bảo tính toàn vẹn của dữ liệu gốc

Giảm độ phức tạp tính toán và lưu trữ, đồng thời loại bỏ nhiễu

Tăng cường khả năng trực quan hóa dữ liệu đa chiều

Câu hỏi này tập trung vào mục tiêu và lợi ích của việc giảm chiều dữ liệu, một kỹ thuật quan trọng trong tiền xử lý dữ liệu, kiểm tra kiến thức khái niệm.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 7: Trong khai thác luật kết hợp, độ đo 'Lift' lớn hơn 1 cho biết điều gì về mối quan hệ giữa tiền đề (antecedent) và hệ quả (consequent) của luật?

Luật kết hợp không có ý nghĩa thống kê

Tiền đề và hệ quả xuất hiện độc lập với nhau

Hệ quả làm giảm khả năng xuất hiện của tiền đề

Tiền đề và hệ quả có mối tương quan dương, sự xuất hiện của tiền đề làm tăng khả năng xuất hiện của hệ quả

Câu hỏi này kiểm tra sự hiểu biết về độ đo Lift trong luật kết hợp và ý nghĩa của nó trong việc đánh giá tính hữu ích của luật, thuộc về khai thác luật kết hợp.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 8: Thuật toán DBSCAN (Density-Based Spatial Clustering of Applications with Noise) phù hợp với loại bài toán phân cụm nào?

Phân cụm dữ liệu có cấu trúc hình cầu rõ ràng

Phân cụm dữ liệu có mật độ khác nhau và chứa nhiễu

Phân cụm dữ liệu số lượng lớn với chi phí tính toán thấp

Phân cụm dữ liệu phân cấp với cấu trúc cây

Câu hỏi này kiểm tra kiến thức về thuật toán DBSCAN và ưu điểm của nó trong việc xử lý các cụm có hình dạng bất kỳ và loại bỏ nhiễu, thuộc về phân cụm.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 9: Trong mô hình Mạng Nơ-ron (Neural Network) cho bài toán phân loại ảnh, hàm kích hoạt (activation function) có vai trò gì?

Tính toán độ lỗi của mô hình

Chuẩn hóa dữ liệu đầu vào

Đưa tính phi tuyến vào mô hình, giúp mô hình học được các quan hệ phức tạp

Tối ưu hóa trọng số của các kết nối nơ-ron

Câu hỏi này kiểm tra kiến thức về Mạng Nơ-ron và vai trò của hàm kích hoạt trong việc tạo tính phi tuyến cho mô hình, thuộc về phân lớp.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 10: Phương pháp 'cross-validation' (kiểm định chéo) được sử dụng để đánh giá mô hình học máy nhằm mục đích chính nào?

Ước lượng khả năng khái quát hóa của mô hình trên dữ liệu mới

Tăng tốc độ huấn luyện mô hình

Giảm thiểu độ phức tạp của mô hình

Cải thiện độ chính xác trên tập huấn luyện

Câu hỏi này tập trung vào mục đích của cross-validation trong việc đánh giá mô hình, đặc biệt là khả năng khái quát hóa, thuộc về đánh giá mô hình.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 11: Cho một bài toán phân loại văn bản, kỹ thuật 'TF-IDF' (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì?

Phân tích cảm xúc của văn bản

Biểu diễn văn bản thành vector số, làm nổi bật các từ khóa quan trọng trong mỗi văn bản

Loại bỏ các từ dừng (stop words) khỏi văn bản

Tìm kiếm văn bản tương tự trong một tập hợp

Câu hỏi này kiểm tra kiến thức về kỹ thuật TF-IDF và ứng dụng của nó trong xử lý văn bản, cụ thể là biểu diễn văn bản thành vector số, thuộc về tiền xử lý dữ liệu văn bản.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 12: Trong khai phá dữ liệu chuỗi thời gian (time series data mining), kỹ thuật 'phân tích thành phần thời gian' (time series decomposition) nhằm mục đích gì?

Dự báo giá trị tương lai của chuỗi thời gian

Phát hiện các điểm bất thường trong chuỗi thời gian

Phân cụm các chuỗi thời gian tương tự

Phân tách chuỗi thời gian thành các thành phần như xu hướng, mùa vụ, và phần dư

Câu hỏi này tập trung vào mục tiêu của phân tích thành phần thời gian, một kỹ thuật quan trọng trong khai phá dữ liệu chuỗi thời gian, kiểm tra kiến thức khái niệm.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 13: Một công ty thương mại điện tử muốn cá nhân hóa đề xuất sản phẩm cho từng khách hàng. Phương pháp khai phá dữ liệu nào phù hợp nhất để giải quyết bài toán này?

Phân tích cụm (Clustering)

Phân lớp (Classification)

Hệ thống đề xuất (Recommender Systems)

Phân tích hồi quy (Regression Analysis)

Câu hỏi này yêu cầu lựa chọn phương pháp khai phá dữ liệu phù hợp cho một ứng dụng cụ thể (đề xuất sản phẩm), đòi hỏi kỹ năng áp dụng kiến thức vào thực tế.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 14: Trong quá trình tiền xử lý dữ liệu, kỹ thuật 'chuẩn hóa dữ liệu' (data normalization) thường được áp dụng cho các thuộc tính số (numerical attributes) để làm gì?

Xử lý các giá trị bị thiếu

Đưa các thuộc tính về cùng một thang đo, tránh việc một thuộc tính có giá trị lớn ảnh hưởng quá mức đến mô hình

Chuyển đổi dữ liệu định tính thành dữ liệu định lượng

Phát hiện và loại bỏ dữ liệu ngoại lai

Câu hỏi này kiểm tra mục đích của chuẩn hóa dữ liệu, một kỹ thuật tiền xử lý quan trọng, đặc biệt là đối với các thuật toán nhạy cảm với khoảng giá trị thuộc tính.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 15: Khi đánh giá mô hình phân lớp, ma trận nhầm lẫn (confusion matrix) cung cấp thông tin gì?

Độ phức tạp của mô hình

Thời gian huấn luyện mô hình

Số lượng dự đoán đúng và sai cho từng lớp, bao gồm True Positives, True Negatives, False Positives, False Negatives

Độ chính xác tổng thể của mô hình

Câu hỏi này kiểm tra kiến thức về ma trận nhầm lẫn và thông tin mà nó cung cấp để đánh giá hiệu suất mô hình phân lớp, thuộc về đánh giá mô hình.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 16: Trong thuật toán KNN (K-Nearest Neighbors) cho bài toán phân loại, giá trị K ảnh hưởng như thế nào đến biên quyết định (decision boundary)?

K lớn làm biên quyết định phức tạp hơn

K không ảnh hưởng đến biên quyết định

K nhỏ luôn tạo ra biên quyết định tuyến tính

K lớn làm biên quyết định mượt mà hơn, ít nhạy cảm với nhiễu

Câu hỏi này kiểm tra sự hiểu biết về thuật toán KNN và ảnh hưởng của tham số K đến biên quyết định, đòi hỏi kỹ năng phân tích và suy luận.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 17: Phân tích dữ liệu lớn (Big Data Analytics) khác biệt với khai phá dữ liệu truyền thống chủ yếu ở khía cạnh nào?

Quy mô và tốc độ của dữ liệu, yêu cầu các công nghệ và phương pháp xử lý dữ liệu phân tán, song song

Mục tiêu khai phá tri thức khác biệt hoàn toàn

Sử dụng các thuật toán khai phá dữ liệu hoàn toàn mới

Không có sự khác biệt đáng kể giữa hai lĩnh vực

Câu hỏi này so sánh Big Data Analytics với khai phá dữ liệu truyền thống, tập trung vào sự khác biệt về quy mô và tính chất dữ liệu, kiểm tra khả năng so sánh và đối chiếu.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 18: Trong mô hình Hồi quy tuyến tính (Linear Regression), mục tiêu là gì?

Phân loại các đối tượng vào các nhóm khác nhau

Tìm mối quan hệ tuyến tính giữa các biến độc lập và biến phụ thuộc để dự đoán giá trị biến phụ thuộc

Tìm các cụm dữ liệu có đặc điểm tương đồng

Khám phá các luật kết hợp giữa các thuộc tính

Câu hỏi này kiểm tra kiến thức cơ bản về mô hình hồi quy tuyến tính và mục tiêu của nó, thuộc về hồi quy.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 19: Kỹ thuật 'lấy mẫu dữ liệu' (data sampling) được sử dụng khi nào trong khai phá dữ liệu?

Khi dữ liệu có quá nhiều thuộc tính

Khi cần tăng cường độ chính xác của mô hình

Khi tập dữ liệu quá lớn, cần giảm kích thước để xử lý hiệu quả hơn

Khi dữ liệu bị thiếu giá trị

Câu hỏi này kiểm tra sự hiểu biết về kỹ thuật lấy mẫu dữ liệu và mục đích sử dụng, đặc biệt là khi làm việc với dữ liệu lớn, thuộc về tiền xử lý dữ liệu.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 20: Độ đo 'AUC-ROC' (Area Under the ROC Curve) thường được sử dụng để đánh giá hiệu suất của mô hình phân loại nhị phân trong trường hợp nào?

Khi tập dữ liệu phân lớp cân bằng

Khi tập dữ liệu phân lớp mất cân bằng, và cần đánh giá khả năng phân biệt giữa hai lớp mà không phụ thuộc vào ngưỡng phân loại

Khi mục tiêu là tối ưu hóa độ chính xác (accuracy)

Khi cần diễn giải kết quả mô hình một cách dễ dàng

Câu hỏi này tập trung vào ứng dụng của độ đo AUC-ROC, đặc biệt là trong trường hợp dữ liệu mất cân bằng, thuộc về đánh giá mô hình.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 21: Cho một tập dữ liệu về đánh giá phim, bạn muốn phân tích xem các đánh giá tích cực và tiêu cực khác nhau về mặt từ vựng như thế nào. Phương pháp khai phá dữ liệu văn bản nào phù hợp?

Tóm tắt văn bản (Text summarization)

Phân loại văn bản (Text classification)

Phân cụm văn bản (Text clustering)

Phân tích chủ đề (Topic modeling) hoặc phân tích từ khóa (Keyword analysis)

Câu hỏi này yêu cầu lựa chọn phương pháp khai phá dữ liệu văn bản phù hợp cho phân tích sự khác biệt từ vựng giữa các nhóm văn bản, đòi hỏi kỹ năng áp dụng kiến thức vào thực tế.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 22: Trong quá trình xây dựng mô hình cây quyết định ID3, thuộc tính nào được chọn làm nút gốc?

Thuộc tính có độ lợi thông tin (Information Gain) lớn nhất

Thuộc tính có độ lợi thông tin nhỏ nhất

Thuộc tính xuất hiện đầu tiên trong tập dữ liệu

Thuộc tính có số giá trị phân biệt ít nhất

Câu hỏi này kiểm tra kiến thức về thuật toán ID3 và tiêu chí chọn thuộc tính gốc, cụ thể là dựa trên độ lợi thông tin, thuộc về cây quyết định.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 23: Phương pháp 'ensemble learning' (học tập hợp) như Random Forest hoặc Gradient Boosting hoạt động dựa trên nguyên tắc nào?

Chia nhỏ tập dữ liệu thành các phần nhỏ hơn để huấn luyện mô hình nhanh hơn

Kết hợp dự đoán của nhiều mô hình học yếu để tạo ra một mô hình mạnh mẽ hơn

Tự động lựa chọn thuật toán học máy tốt nhất cho bài toán

Giảm độ phức tạp của mô hình bằng cách loại bỏ các thuộc tính không quan trọng

Câu hỏi này kiểm tra kiến thức về ensemble learning và nguyên tắc hoạt động của nó, cụ thể là kết hợp nhiều mô hình yếu để tạo ra mô hình mạnh, thuộc về các phương pháp học máy nâng cao.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 24: Trong khai phá dữ liệu, 'dữ liệu ngoại lai' (outliers) là gì và chúng có thể gây ảnh hưởng như thế nào đến mô hình?

Dữ liệu bị thiếu giá trị

Dữ liệu không nhất quán

Các điểm dữ liệu khác biệt đáng kể so với phần lớn dữ liệu, có thể làm sai lệch mô hình và giảm độ chính xác

Dữ liệu được thu thập từ các nguồn bên ngoài

Câu hỏi này kiểm tra kiến thức về dữ liệu ngoại lai và tác động của chúng đến mô hình, thuộc về tiền xử lý dữ liệu và chất lượng dữ liệu.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 25: 'Kho dữ liệu' (data warehouse) khác biệt với 'cơ sở dữ liệu giao dịch' (transactional database) ở mục đích sử dụng chính nào?

Lưu trữ dữ liệu trực tuyến, thời gian thực

Quản lý giao dịch hàng ngày của doanh nghiệp

Cập nhật dữ liệu thường xuyên với tần suất cao

Hỗ trợ ra quyết định và phân tích dữ liệu, thường chứa dữ liệu lịch sử và được tích hợp từ nhiều nguồn

Câu hỏi này so sánh kho dữ liệu và cơ sở dữ liệu giao dịch, tập trung vào sự khác biệt về mục đích sử dụng, cụ thể là hỗ trợ ra quyết định so với xử lý giao dịch, kiểm tra khả năng so sánh và đối chiếu.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 26: 'Phân tích OLAP' (Online Analytical Processing) thường được thực hiện trên loại dữ liệu nào?

Dữ liệu đa chiều, thường được tổ chức theo mô hình ngôi sao (star schema) hoặc bông tuyết (snowflake schema) trong kho dữ liệu

Dữ liệu giao dịch trực tuyến

Dữ liệu văn bản phi cấu trúc

Dữ liệu cảm biến thời gian thực

Câu hỏi này kiểm tra kiến thức về OLAP và loại dữ liệu mà nó thường được áp dụng, cụ thể là dữ liệu đa chiều trong kho dữ liệu, thuộc về kho dữ liệu và OLAP.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 27: Trong ngữ cảnh khai phá dữ liệu, 'tính giải thích được' (interpretability) của mô hình là gì và tại sao nó quan trọng?

Khả năng mô hình xử lý dữ liệu lớn

Khả năng con người hiểu được logic và lý do đưa ra dự đoán của mô hình, quan trọng để tin tưởng và triển khai mô hình trong các ứng dụng thực tế, đặc biệt là trong y tế, tài chính,...

Tốc độ huấn luyện và dự đoán của mô hình

Độ chính xác dự đoán của mô hình

Câu hỏi này kiểm tra kiến thức về tính giải thích được của mô hình và tầm quan trọng của nó, đặc biệt trong các ứng dụng nhạy cảm, thuộc về các khía cạnh quan trọng trong học máy.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 28: 'Bias' (sai lệch) trong dữ liệu huấn luyện có thể ảnh hưởng như thế nào đến mô hình học máy?

Bias trong dữ liệu luôn làm giảm độ chính xác của mô hình

Bias trong dữ liệu không ảnh hưởng đến mô hình nếu sử dụng thuật toán phù hợp

Bias trong dữ liệu có thể dẫn đến mô hình đưa ra dự đoán không công bằng hoặc thiên vị đối với một số nhóm đối tượng nhất định

Bias trong dữ liệu chỉ ảnh hưởng đến các mô hình tuyến tính

Câu hỏi này kiểm tra kiến thức về bias trong dữ liệu và tác động của nó đến mô hình, thuộc về các vấn đề về chất lượng dữ liệu và công bằng trong học máy.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 29: 'Feature engineering' (kỹ thuật tạo đặc trưng) đóng vai trò gì trong quy trình khai phá dữ liệu?

Tự động lựa chọn thuật toán học máy phù hợp

Tạo ra các thuộc tính (features) mới hoặc biến đổi các thuộc tính hiện có để cải thiện hiệu suất của mô hình học máy

Giảm kích thước dữ liệu huấn luyện

Đánh giá độ tin cậy của mô hình

Câu hỏi này kiểm tra kiến thức về feature engineering và tầm quan trọng của nó trong việc cải thiện hiệu suất mô hình, thuộc về tiền xử lý dữ liệu và xây dựng mô hình.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 06

Câu 30: Một mô hình phân loại cho kết quả độ chính xác (accuracy) cao trên tập huấn luyện nhưng lại kém trên tập kiểm tra. Hiện tượng này được gọi là gì và cách khắc phục?

Overfitting (quá khớp), có thể khắc phục bằng cách sử dụng kỹ thuật регуляризация, tỉa cây, hoặc tăng kích thước tập huấn luyện

Underfitting (thiếu khớp), có thể khắc phục bằng cách giảm độ phức tạp của mô hình

Dữ liệu bị nhiễu, cần tiền xử lý dữ liệu kỹ hơn

Mô hình hoạt động tốt, không cần khắc phục

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi này kiểm tra kiến thức về hiện tượng overfitting và cách khắc phục, một vấn đề quan trọng trong học máy, thuộc về đánh giá và cải thiện mô hình.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 07

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 1: Quy trình Khai phá tri thức từ cơ sở dữ liệu (KDD) thường bao gồm các bước nào theo thứ tự logic?

Tiền xử lý -> Khai phá dữ liệu -> Lựa chọn dữ liệu -> Đánh giá -> Biến đổi

Khai phá dữ liệu -> Tiền xử lý -> Lựa chọn dữ liệu -> Biến đổi -> Đánh giá

Lựa chọn dữ liệu -> Tiền xử lý -> Biến đổi -> Khai phá dữ liệu -> Đánh giá

Lựa chọn dữ liệu -> Khai phá dữ liệu -> Tiền xử lý -> Biến đổi -> Đánh giá

Quy trình KDD là một chuỗi các bước để biến dữ liệu thô thành tri thức hữu ích. Thứ tự chuẩn bao gồm: Lựa chọn dữ liệu (Data Selection), Tiền xử lý (Preprocessing), Biến đổi (Transformation), Khai phá dữ liệu (Data Mining), và Đánh giá/Trình bày (Evaluation/Presentation).

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 2: Trong bước Tiền xử lý dữ liệu của quy trình KDD, kỹ thuật nào sau đây giúp xử lý dữ liệu bị nhiễu (noisy data)?

Làm mịn dữ liệu (Data smoothing)

Điền giá trị thiếu (Missing value imputation)

Chuẩn hóa dữ liệu (Data normalization)

Loại bỏ thuộc tính không liên quan (Attribute removal)

Dữ liệu bị nhiễu chứa các giá trị sai lệch ngẫu nhiên. Các kỹ thuật làm mịn (smoothing) như binning, hồi quy (regression), hoặc phân cụm (clustering) có thể giúp giảm ảnh hưởng của nhiễu. Điền giá trị thiếu xử lý dữ liệu bị thiếu, chuẩn hóa xử lý thang đo, và loại bỏ thuộc tính không liên quan xử lý dữ liệu dư thừa hoặc không phù hợp.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 3: Tại sao việc chuẩn hóa dữ liệu (Data normalization) lại quan trọng đối với một số thuật toán khai phá dữ liệu như K-Nearest Neighbors (K-NN) hoặc Support Vector Machines (SVM)?

Giúp loại bỏ các giá trị ngoại lai (outliers).

Ngăn chặn các thuộc tính có giá trị lớn chi phối kết quả dựa trên khoảng cách.

Giảm số lượng thuộc tính trong tập dữ liệu.

Biến đổi dữ liệu định tính thành định lượng.

Các thuật toán dựa trên khoảng cách như K-NN và SVM rất nhạy cảm với thang đo của các thuộc tính. Chuẩn hóa đưa dữ liệu về cùng một phạm vi giá trị, ngăn chặn các thuộc tính có giá trị lớn chi phối phép tính khoảng cách.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 4: Cho một tập dữ liệu giao dịch gồm 4 giao dịch như sau:
- T1: {Bia, Bỉm, Bánh Mì}
- T2: {Bia, Cà Phê, Bánh Mì}
- T3: {Bia, Bỉm, Sữa}
- T4: {Bia, Trà}
Độ hỗ trợ (Support) của tập mục {Bia, Bỉm} là bao nhiêu?

0.25

0.75

0.5

1.0

Độ hỗ trợ của một tập mục là tỷ lệ số giao dịch chứa tập mục đó trên tổng số giao dịch. Tập mục {Bia, Bỉm} xuất hiện trong giao dịch T1 và T3. Tổng số giao dịch là 4. Độ hỗ trợ = 2 / 4 = 0.5.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 5: Vẫn với tập dữ liệu ở Câu 4, nếu luật kết hợp là {Bia} -> {Bỉm}, độ tin cậy (Confidence) của luật này là bao nhiêu?

0.25

0.5

0.75

1.0

Độ tin cậy của luật X -> Y là tỷ lệ số giao dịch chứa cả X và Y trên tổng số giao dịch chứa X. Tập mục {Bia, Bỉm} xuất hiện trong 2 giao dịch (T1, T3). Tập mục {Bia} xuất hiện trong 4 giao dịch (T1, T2, T3, T4). Độ tin cậy = Support({Bia, Bỉm}) / Support({Bia}) = 0.5 / 1.0 = 0.5. Hoặc trực tiếp: 2 / 4 = 0.5.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 6: Nguyên tắc Apriori, 'Mọi tập con của một tập mục thường xuyên đều là thường xuyên', có ý nghĩa gì trong thuật toán Apriori?

Giúp loại bỏ các tập mục ứng viên không thường xuyên một cách hiệu quả.

Đảm bảo mọi luật kết hợp được tìm thấy đều có độ tin cậy cao.

Chỉ áp dụng cho các tập mục có 2 phần tử trở lên.

Yêu cầu phải quét cơ sở dữ liệu nhiều lần để xác định độ hỗ trợ.

Nguyên tắc Apriori dựa trên tính chất đơn điệu giảm của độ hỗ trợ. Nếu một tập mục không thường xuyên, thì bất kỳ tập mục nào chứa nó làm tập con cũng sẽ không thường xuyên. Điều này cho phép thuật toán loại bỏ sớm các tập mục ứng viên không có tiềm năng, giảm không gian tìm kiếm.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 7: So với thuật toán Apriori, thuật toán FP-Growth cải thiện hiệu quả hơn ở điểm nào?

Tìm được nhiều luật kết hợp hơn.

Tính toán độ tin cậy nhanh hơn.

Không cần xác định ngưỡng hỗ trợ tối thiểu.

Giảm đáng kể số lần quét cơ sở dữ liệu.

FP-Growth sử dụng cấu trúc cây FP-tree để nén dữ liệu và tránh việc tạo ra các tập mục ứng viên lớn. Nó chỉ cần quét cơ sở dữ liệu hai lần (một lần để đếm tần suất, một lần để xây dựng cây), trong khi Apriori phải quét CSDL nhiều lần để tạo và kiểm tra các tập ứng viên ở mỗi bước.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 8: Phân loại (Classification) là một dạng bài toán học máy có giám sát (supervised learning) nhằm mục đích gì?

Dự đoán một nhãn (lớp) rời rạc cho các đối tượng mới.

Nhóm các đối tượng tương tự nhau thành các cụm.

Tìm ra mối quan hệ nhân quả giữa các biến.

Dự đoán một giá trị liên tục cho các đối tượng mới.

Phân loại là bài toán dự đoán nhãn (lớp) cho một đối tượng dựa trên các thuộc tính của nó. Nhãn này là một giá trị rời rạc (ví dụ: Có/Không, Loại A/Loại B/Loại C). Nó khác với hồi quy (Regression) dự đoán giá trị liên tục.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 9: Khi xây dựng cây quyết định (Decision Tree), tiêu chí nào thường được sử dụng để chọn thuộc tính tốt nhất cho nút phân chia (split node)?

Số lượng giá trị khác nhau của thuộc tính.

Khả năng phân tách dữ liệu thành các tập con 'thuần khiết' hơn về mặt lớp.

Mối tương quan tuyến tính giữa thuộc tính và biến mục tiêu.

Thời gian tính toán để phân chia theo thuộc tính đó.

Các thuật toán cây quyết định như ID3, C4.5, CART sử dụng các tiêu chí đo lường độ 'thuần khiết' (purity) của các tập dữ liệu con sau khi phân chia, nhằm tối đa hóa 'lợi ích' của việc phân chia. Các tiêu chí phổ biến là Độ lợi thông tin (Information Gain), Tỷ lệ lợi ích thông tin (Gain Ratio), hoặc Chỉ số Gini (Gini Index).

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 10: Một cây quyết định được xây dựng quá phức tạp, có nhiều nhánh sâu và phân chia dựa trên cả những đặc điểm rất nhỏ của dữ liệu huấn luyện. Điều này có nguy cơ cao dẫn đến vấn đề gì?

Quá khớp (Overfitting).

Thiếu khớp (Underfitting).

Dữ liệu bị thiếu (Missing data).

Độ tin cậy của luật thấp.

Cây quyết định quá phức tạp có xu hướng 'học thuộc lòng' dữ liệu huấn luyện, bao gồm cả nhiễu. Khi gặp dữ liệu mới, nó không thể tổng quát hóa tốt và cho kết quả kém. Đây là hiện tượng quá khớp (overfitting). Cắt tỉa (pruning) là kỹ thuật để giảm overfitting.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 11: Thuật toán Naive Bayes dựa trên giả định đơn giản hóa nào để thực hiện phân loại?

Tất cả các thuộc tính đều có phân phối chuẩn.

Dữ liệu là hoàn toàn tuyến tính và có thể phân tách bằng một siêu phẳng.

Các thuộc tính là độc lập có điều kiện với nhau khi biết lớp.

Khoảng cách giữa các điểm dữ liệu là thước đo tốt nhất cho sự tương đồng.

Naive Bayes dựa trên Định lý Bayes và giả định 'ngây thơ' rằng các thuộc tính là độc lập có điều kiện với nhau khi biết lớp (conditional independence). Giả định này thường không đúng trong thực tế nhưng giúp đơn giản hóa đáng kể việc tính toán xác suất, làm cho Naive Bayes hiệu quả và nhanh chóng.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 12: Trong thuật toán phân loại K-Nearest Neighbors (K-NN), làm thế nào để một điểm dữ liệu mới được gán nhãn?

Tính toán xác suất thuộc mỗi lớp dựa trên định lý Bayes.

Tìm siêu phẳng tối ưu để phân tách các lớp.

Xây dựng một cây phân chia dựa trên các thuộc tính.

Xác định K điểm dữ liệu gần nhất và gán nhãn theo đa số phiếu.

K-NN là một thuật toán dựa trên khoảng cách và 'lười biếng' (lazy learner). Để phân loại một điểm mới, nó tìm K điểm dữ liệu gần nhất trong tập huấn luyện và gán nhãn cho điểm mới dựa trên sự bầu chọn của K điểm láng giềng đó (nhãn xuất hiện nhiều nhất).

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 13: Bạn đang xây dựng mô hình phân loại để phát hiện các giao dịch gian lận trong ngân hàng. Tập dữ liệu rất mất cân bằng: chỉ có 0.1% giao dịch là gian lận, còn lại 99.9% là hợp lệ. Chỉ số đánh giá nào sau đây là quan trọng nhất để theo dõi hiệu quả của mô hình?

Độ chính xác (Accuracy).

Độ tin cậy (Confidence).

Độ nhạy (Recall) hoặc F1-score.

Độ hỗ trợ (Support).

Trong các tập dữ liệu mất cân bằng, Độ chính xác (Accuracy) có thể gây hiểu lầm (ví dụ: mô hình luôn dự đoán 'hợp lệ' sẽ đạt độ chính xác 99.9%). Precision (Tỷ lệ dương tính đúng) và Recall (Độ nhạy/Tỷ lệ phát hiện đúng) là quan trọng hơn. Đối với phát hiện gian lận (positive class là 'gian lận'), Recall đặc biệt quan trọng vì nó đo lường khả năng mô hình tìm thấy tất cả các trường hợp gian lận thực tế (giảm thiểu Bỏ sót - False Negatives).

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 14: Cho ma trận nhầm lẫn (Confusion Matrix) của một mô hình phân loại nhị phân (Lớp dương: Có bệnh, Lớp âm: Không bệnh):
- True Positive (TP): 80
- False Positive (FP): 20
- False Negative (FN): 10
- True Negative (TN): 90
Độ chính xác (Accuracy) của mô hình này là bao nhiêu?

0.85

0.80

0.90

0.75

Độ chính xác = (TP + TN) / (TP + FP + FN + TN). Tính toán: (80 + 90) / (80 + 20 + 10 + 90) = 170 / 200 = 0.85.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 15: Vẫn với ma trận nhầm lẫn ở Câu 14, Độ nhạy (Recall) của mô hình (đối với lớp dương 'Có bệnh') là bao nhiêu?

0.80

0.90

Khoảng 0.889

Độ nhạy (Recall) = TP / (TP + FN). Nó đo lường tỷ lệ các trường hợp dương tính thực tế được mô hình dự đoán đúng. Tính toán: 80 / (80 + 10) = 80 / 90 ≈ 0.889.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 16: Kỹ thuật kiểm định chéo (Cross-validation), đặc biệt là k-fold cross-validation, được sử dụng trong đánh giá mô hình khai phá dữ liệu với mục đích chính là gì?

Tăng tốc độ huấn luyện mô hình.

Đánh giá hiệu suất mô hình một cách tổng quát và đáng tin cậy hơn trên dữ liệu chưa biết.

Giảm số lượng thuộc tính cần sử dụng.

Tìm ra các luật kết hợp mạnh nhất trong dữ liệu.

Kiểm định chéo giúp ước lượng hiệu suất của mô hình trên dữ liệu độc lập (chưa từng thấy) một cách đáng tin cậy hơn so với việc chỉ chia tập dữ liệu thành huấn luyện/kiểm tra một lần duy nhất. Nó giúp phát hiện và giảm thiểu nguy cơ quá khớp (overfitting) với tập kiểm tra cụ thể.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 17: Phân cụm (Clustering) là một dạng bài toán học máy không giám sát (unsupervised learning) nhằm mục đích gì?

Nhóm các đối tượng dữ liệu thành các cụm dựa trên sự tương đồng nội tại.

Dự đoán giá trị liên tục cho các đối tượng mới.

Gán nhãn cho các đối tượng dựa trên mô hình được huấn luyện.

Tìm ra các luật kết hợp giữa các mục trong giao dịch.

Phân cụm là bài toán tìm kiếm cấu trúc ẩn trong dữ liệu bằng cách nhóm các điểm dữ liệu tương tự nhau lại với nhau mà không cần nhãn đã biết trước. Mục tiêu là các điểm trong cùng một cụm thì tương tự nhau, còn các điểm ở các cụm khác nhau thì khác nhau.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 18: Thuật toán phân cụm K-Means hoạt động dựa trên nguyên tắc chính nào?

Tìm kiếm các cụm có hình dạng tùy ý dựa trên mật độ.

Xây dựng một cây phân cấp các cụm.

Phân chia dữ liệu thành K cụm sao cho tổng khoảng cách đến trung tâm cụm là nhỏ nhất.

Tìm ra các giá trị ngoại lai khác biệt so với phần lớn dữ liệu.

K-Means là thuật toán phân cụm dựa trên trung tâm (centroid). Nó hoạt động lặp đi lặp lại bằng cách gán mỗi điểm dữ liệu vào cụm có trung tâm gần nhất và sau đó cập nhật vị trí của trung tâm cụm dựa trên các điểm được gán. Mục tiêu là tối thiểu hóa tổng bình phương khoảng cách từ các điểm đến trung tâm cụm của chúng.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 19: Thách thức chính khi sử dụng thuật toán K-Means là gì?

Cần phải xác định trước số lượng cụm (K).

Không thể xử lý được dữ liệu có số chiều lớn.

Luôn tìm được các cụm có hình dạng phức tạp, tùy ý.

Không bị ảnh hưởng bởi các giá trị ngoại lai.

K-Means yêu cầu người dùng phải xác định trước số lượng cụm (giá trị K). Việc chọn K tối ưu thường là một thách thức và có thể ảnh hưởng đáng kể đến kết quả phân cụm. Ngoài ra, K-Means nhạy cảm với các giá trị khởi tạo trung tâm cụm và thường chỉ tìm được các cụm có hình dạng lồi (convex).

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 20: Bạn muốn nhóm các khách hàng của mình dựa trên hành vi mua sắm để thực hiện các chiến dịch marketing mục tiêu. Bài toán này phù hợp nhất với kỹ thuật khai phá dữ liệu nào?

Phân loại (Classification).

Phân cụm (Clustering).

Luật kết hợp (Association Rule Mining).

Hồi quy (Regression).

Nhóm các đối tượng (khách hàng) dựa trên sự tương đồng về đặc điểm (hành vi mua sắm) mà không có nhãn mục tiêu xác định trước là bài toán phân cụm (Clustering).

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 21: Một công ty thương mại điện tử muốn tìm hiểu xem khách hàng thường mua những mặt hàng nào cùng nhau để tối ưu hóa cách sắp xếp sản phẩm trên website hoặc gợi ý sản phẩm liên quan. Kỹ thuật khai phá dữ liệu nào phù hợp nhất cho mục tiêu này?

Phân loại (Classification).

Phân cụm (Clustering).

Luật kết hợp (Association Rule Mining).

Phát hiện ngoại lai (Outlier Detection).

Việc tìm kiếm các mối quan hệ 'mua cùng nhau' giữa các mặt hàng trong các giao dịch là ứng dụng kinh điển của khai phá luật kết hợp (Association Rule Mining), thường được biết đến với Market Basket Analysis.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 22: Hồi quy (Regression) là một bài toán học máy có giám sát, khác với phân loại ở điểm nào?

Hồi quy không yêu cầu dữ liệu huấn luyện có nhãn.

Hồi quy chỉ áp dụng cho dữ liệu định tính.

Hồi quy nhóm các điểm dữ liệu thành các cụm.

Hồi quy dự đoán một giá trị đầu ra liên tục, trong khi phân loại dự đoán nhãn rời rạc.

Cả Hồi quy và Phân loại đều là học có giám sát, tức là sử dụng dữ liệu có nhãn. Điểm khác biệt cốt lõi là Hồi quy dự đoán một giá trị liên tục (ví dụ: giá nhà, nhiệt độ, doanh số), trong khi Phân loại dự đoán một nhãn rời rạc (ví dụ: Có/Không, Loại A/B/C).

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 23: Phát hiện ngoại lai (Outlier Detection) là kỹ thuật khai phá dữ liệu nhằm mục đích gì?

Xác định các điểm dữ liệu khác biệt bất thường so với phần còn lại.

Phân loại các điểm dữ liệu vào các lớp định nghĩa trước.

Nhóm các điểm dữ liệu tương tự nhau thành các cụm.

Tìm kiếm các mối quan hệ giữa các thuộc tính.

Phát hiện ngoại lai là quá trình tìm kiếm các điểm dữ liệu khác biệt đáng kể so với phần lớn dữ liệu còn lại. Các điểm này có thể đại diện cho những sự kiện bất thường, gian lận, hoặc lỗi dữ liệu.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 24: Khi áp dụng khai phá dữ liệu trong lĩnh vực y tế, việc xử lý dữ liệu nhạy cảm của bệnh nhân đòi hỏi sự chú trọng đặc biệt đến khía cạnh nào?

Tốc độ xử lý của thuật toán.

Số lượng thuộc tính được sử dụng.

Quyền riêng tư và bảo mật dữ liệu của bệnh nhân.

Khả năng trực quan hóa kết quả.

Dữ liệu y tế là dữ liệu cá nhân nhạy cảm. Việc sử dụng nó trong khai phá dữ liệu phải tuân thủ các quy định nghiêm ngặt về quyền riêng tư và bảo mật dữ liệu để tránh lộ thông tin cá nhân của bệnh nhân.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 25: Trong bối cảnh khai phá dữ liệu, 'Thiếu khớp' (Underfitting) mô tả tình trạng nào của mô hình?

Mô hình hoạt động rất tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới.

Mô hình quá đơn giản, hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu mới.

Mô hình tìm thấy các mối quan hệ không tồn tại trong thực tế.

Dữ liệu huấn luyện chứa quá nhiều nhiễu.

Thiếu khớp xảy ra khi mô hình quá đơn giản để nắm bắt được cấu trúc phức tạp trong dữ liệu. Mô hình hoạt động kém cả trên tập huấn luyện và tập dữ liệu mới. Điều này thường do sử dụng mô hình quá đơn giản hoặc không huấn luyện đủ lâu.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 26: Kỹ thuật giảm chiều dữ liệu (Dimensionality Reduction) như Phân tích thành phần chính (PCA) có mục đích chính là gì trong tiền xử lý dữ liệu?

Giảm số lượng thuộc tính (chiều) của dữ liệu trong khi bảo toàn thông tin quan trọng.

Biến đổi dữ liệu định tính thành định lượng.

Điền các giá trị bị thiếu trong dữ liệu.

Tăng số lượng điểm dữ liệu để huấn luyện mô hình.

Giảm chiều dữ liệu nhằm giảm số lượng thuộc tính (chiều) của dữ liệu trong khi cố gắng giữ lại càng nhiều thông tin (phương sai) càng tốt. Điều này giúp giảm thời gian tính toán, bộ nhớ, loại bỏ nhiễu và cải thiện hiệu suất của một số thuật toán khai phá dữ liệu.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 27: OLAP (Online Analytical Processing) khác biệt cơ bản với Khai phá dữ liệu (Data Mining) ở điểm nào?

OLAP tìm kiếm các mẫu ẩn, còn Data Mining phân tích dữ liệu theo các chiều đã biết.

OLAP chỉ làm việc với dữ liệu có cấu trúc, Data Mining thì không.

OLAP yêu cầu các thuật toán phức tạp hơn Data Mining.

OLAP là phân tích dữ liệu theo các chiều đã biết/câu hỏi sẵn có, còn Data Mining khám phá tri thức/mẫu chưa biết.

OLAP là công cụ phân tích dữ liệu tương tác, cho phép người dùng xem dữ liệu từ nhiều góc độ khác nhau (slice, dice, drill-down, roll-up) dựa trên các câu hỏi đã biết trước hoặc giả thuyết đã có. Data Mining thì tìm kiếm các mẫu, mối quan hệ, tri thức *chưa biết* hoặc tiềm ẩn trong dữ liệu.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 28: Khi đánh giá kết quả phân cụm (clustering), tại sao việc đánh giá lại khó khăn hơn so với đánh giá mô hình phân loại (classification)?

Phân cụm là học không giám sát nên không có nhãn 'đúng' để so sánh kết quả.

Thuật toán phân cụm phức tạp hơn thuật toán phân loại.

Dữ liệu dùng cho phân cụm thường bị nhiễu nhiều hơn.

Kết quả phân cụm không thể trực quan hóa được.

Phân loại là học có giám sát, có nhãn 'đúng' để so sánh kết quả dự đoán. Phân cụm là học không giám sát, không có nhãn 'đúng' để kiểm tra. Việc đánh giá thường dựa trên các chỉ số nội tại (độ chặt chẽ của cụm) hoặc ngoại tại (so sánh với nhãn tham chiếu nếu có, nhưng đây không phải là bản chất của bài toán) hoặc đánh giá chủ quan.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 29: Bạn cần xây dựng mô hình dự đoán liệu một email mới là spam hay không spam. Đây là ví dụ điển hình của bài toán khai phá dữ liệu nào?

Hồi quy (Regression).

Phân cụm (Clustering).

Phân loại (Classification).

Luật kết hợp (Association Rule Mining).

Bài toán gán một đối tượng (email) vào một trong hai lớp định nghĩa trước (spam hoặc không spam) dựa trên các đặc điểm của nó là bài toán phân loại (Classification).

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 07

Câu 30: Lợi ích chính của việc sử dụng các kỹ thuật Tiền xử lý dữ liệu (Data Preprocessing) trong khai phá dữ liệu là gì?

Giảm số lượng dữ liệu cần xử lý.

Cải thiện chất lư???ng dữ liệu, giúp các thuật toán khai phá dữ liệu hoạt động hiệu quả và cho kết quả tốt hơn.

Tự động tìm ra thuật toán khai phá dữ liệu phù hợp nhất.

Trực quan hóa toàn bộ dữ liệu trước khi khai phá.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Dữ liệu thực tế thường không hoàn chỉnh, nhiễu, không nhất quán. Tiền xử lý giúp làm sạch, biến đổi và tích hợp dữ liệu, cải thiện đáng kể chất lượng dữ liệu đầu vào cho các thuật toán khai phá dữ liệu, từ đó dẫn đến kết quả khai phá chính xác, hiệu quả và đáng tin cậy hơn.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 08

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 1: Trong bối cảnh khai phá dữ liệu, thuật ngữ 'feature' (đặc trưng) thường được dùng để chỉ điều gì?

Một thuộc tính hoặc biến số đo lường được của dữ liệu, được sử dụng để phân tích và xây dựng mô hình.

Một thuật toán khai phá dữ liệu cụ thể, ví dụ như Apriori hoặc K-means.

Một mẫu hoặc tri thức được phát hiện từ dữ liệu sau quá trình khai phá.

Một loại cơ sở dữ liệu đặc biệt được tối ưu hóa cho việc khai phá dữ liệu.

Câu hỏi này kiểm tra sự hiểu biết về thuật ngữ cơ bản 'feature' trong khai phá dữ liệu. Feature là thuộc tính hoặc biến số được sử dụng để phân tích và xây dựng mô hình.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 2: Quy trình KDD (Knowledge Discovery in Databases - Khám phá tri thức từ cơ sở dữ liệu) thường bao gồm các bước nào sau đây theo trình tự logic?

Khai phá dữ liệu → Tiền xử lý dữ liệu → Đánh giá tri thức → Chọn lọc dữ liệu → Chuyển đổi dữ liệu.

Chọn lọc dữ liệu → Tiền xử lý dữ liệu → Chuyển đổi dữ liệu → Khai phá dữ liệu → Đánh giá tri thức.

Đánh giá tri thức → Khai phá dữ liệu → Chuyển đổi dữ liệu → Tiền xử lý dữ liệu → Chọn lọc dữ liệu.

Chuyển đổi dữ liệu → Chọn lọc dữ liệu → Khai phá dữ liệu → Tiền xử lý dữ liệu → Đánh giá tri thức.

Câu hỏi này kiểm tra kiến thức về quy trình KDD, bao gồm các bước tiền xử lý, khai phá, và hậu xử lý.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 3: Trong các kỹ thuật khai phá dữ liệu, phân cụm (clustering) được sử dụng chủ yếu để giải quyết loại bài toán nào?

Dự đoán giá trị của một biến số mục tiêu dựa trên các biến số đầu vào đã biết (bài toán hồi quy).

Phân loại các đối tượng vào các lớp định trước dựa trên tập dữ liệu huấn luyện (bài toán phân lớp).

Nhóm các đối tượng tương tự nhau thành các cụm dựa trên các đặc điểm của chúng (bài toán phân cụm).

Tìm kiếm các luật kết hợp hoặc mối quan hệ giữa các tập mục trong dữ liệu giao dịch (bài toán luật kết hợp).

Câu hỏi này tập trung vào mục tiêu chính của phân cụm, đó là nhóm các đối tượng tương tự nhau thành cụm dựa trên đặc điểm của chúng, không có nhãn lớp định trước.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 4: Thuật toán Apriori được sử dụng phổ biến trong khai phá dữ liệu để làm gì?

Phân loại dữ liệu vào các lớp khác nhau dựa trên cây quyết định.

Phân cụm dữ liệu thành các nhóm dựa trên khoảng cách giữa các điểm dữ liệu.

Dự đoán giá trị số của một biến mục tiêu dựa trên hồi quy tuyến tính.

Khai phá luật kết hợp bằng cách tìm các tập mục phổ biến trong cơ sở dữ liệu giao dịch.

Câu hỏi này kiểm tra kiến thức về thuật toán Apriori và ứng dụng chính của nó trong khai phá luật kết hợp.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 5: Độ đo 'độ tin cậy' (confidence) trong khai phá luật kết hợp cho biết điều gì?

Tần suất xuất hiện đồng thời của cả vế trái và vế phải của luật trong cơ sở dữ liệu.

Xác suất xuất hiện vế phải của luật khi vế trái của luật đã xuất hiện trong một giao dịch.

Mức độ quan trọng hoặc hữu ích của luật kết hợp trong thực tế.

Độ phổ biến của vế trái của luật trong cơ sở dữ liệu.

Câu hỏi này kiểm tra sự hiểu biết về độ đo 'confidence' trong luật kết hợp, thể hiện xác suất xuất hiện của vế phải luật khi vế trái đã xuất hiện.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 6: Trong tiền xử lý dữ liệu, kỹ thuật 'chuẩn hóa dữ liệu' (data normalization) thường được áp dụng để:

Loại bỏ các giá trị ngoại lai (outliers) khỏi tập dữ liệu.

Xử lý các giá trị bị thiếu (missing values) trong tập dữ liệu.

Đưa dữ liệu về một phạm vi giá trị hoặc thang đo chung, ví dụ từ 0 đến 1.

Chuyển đổi dữ liệu định tính (categorical) thành dữ liệu định lượng (numerical).

Câu hỏi này kiểm tra kiến thức về kỹ thuật chuẩn hóa dữ liệu, mục đích là đưa dữ liệu về một thang đo chung để tránh ảnh hưởng của sự khác biệt về đơn vị đo lường hoặc phạm vi giá trị.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 7: Phương pháp 'k-means' là một thuật toán phân cụm thuộc loại nào?

Phân hoạch (Partitional clustering)

Phân cấp (Hierarchical clustering)

Dựa trên mật độ (Density-based clustering)

Dựa trên mô hình (Model-based clustering)

Câu hỏi này xác định loại thuật toán k-means, là một thuật toán phân cụm dựa trên phân hoạch (partitional clustering), chia dữ liệu thành k cụm không chồng lấn.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 8: Trong ngữ cảnh phân lớp, 'độ chính xác' (accuracy) được định nghĩa là gì?

Tỷ lệ các trường hợp dương tính thực tế được dự đoán đúng.

Tỷ lệ các trường hợp âm tính thực tế bị dự đoán sai thành dương tính.

Tỷ lệ các trường hợp dương tính dự đoán được trên tổng số trường hợp dương tính dự đoán.

Tỷ lệ các dự đoán đúng (cả dương tính và âm tính) trên tổng số các dự đoán.

Câu hỏi này kiểm tra hiểu biết về độ đo đánh giá mô hình phân lớp 'accuracy', là tỷ lệ các dự đoán đúng trên tổng số dự đoán.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 9: Khi nào thì việc sử dụng kỹ thuật 'giảm chiều dữ liệu' (dimensionality reduction) trở nên đặc biệt quan trọng trong khai phá dữ liệu?

Khi dữ liệu có kích thước nhỏ và số lượng thuộc tính ít.

Khi dữ liệu có số lượng thuộc tính (features) rất lớn, gây ra 'lời nguyền chiều cao' và tăng độ phức tạp tính toán.

Khi dữ liệu đã được làm sạch và không còn giá trị bị thiếu.

Khi cần tăng cường khả năng diễn giải của mô hình khai phá dữ liệu.

Câu hỏi này tập trung vào lý do sử dụng giảm chiều dữ liệu, đặc biệt quan trọng khi làm việc với dữ liệu có số lượng thuộc tính lớn, gây ra 'lời nguyền chiều cao'.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 10: Cho một tập dữ liệu giao dịch sau:
T1={A, B, C}
T2={A, C, D}
T3={B, C, E}
T4={A, B, C, D}
T5={A, E}
Độ hỗ trợ (support) của tập mục {A, C} là bao nhiêu?

20% (1/5)

40% (2/5)

60% (3/5)

80% (4/5)

Câu hỏi này yêu cầu tính độ hỗ trợ của tập mục {A, C}. Tập mục này xuất hiện trong giao dịch T1, T2, T4. Vậy độ hỗ trợ là 3/5 = 60%.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 11: Trong thuật toán Apriori, nguyên tắc 'Apriori property' phát biểu rằng:

Nếu một tập mục là phổ biến, thì tất cả các tập con của nó cũng phải phổ biến.

Nếu một tập mục là không phổ biến, thì tất cả các tập cha của nó cũng phải không phổ biến.

Độ tin cậy của một luật kết hợp luôn giảm khi tăng kích thước của tập mục.

Độ hỗ trợ của một tập mục luôn tăng khi tăng kích thước của tập mục.

Câu hỏi này kiểm tra kiến thức về nguyên tắc Apriori, nền tảng của thuật toán Apriori, giúp giảm không gian tìm kiếm tập mục phổ biến.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 12: Kỹ thuật 'cross-validation' (kiểm định chéo) được sử dụng để làm gì trong quá trình xây dựng mô hình học máy?

Tăng kích thước tập dữ liệu huấn luyện bằng cách tạo ra các bản sao của dữ liệu hiện có.

Đánh giá hiệu năng của mô hình trên dữ liệu độc lập và ước tính khả năng tổng quát hóa của mô hình.

Tối ưu hóa các tham số của thuật toán học máy để đạt được hiệu năng tốt nhất trên tập huấn luyện.

Chọn lựa các đặc trưng (features) quan trọng nhất để đưa vào mô hình.

Câu hỏi này kiểm tra mục đích của cross-validation, là đánh giá khách quan hiệu năng của mô hình trên dữ liệu mới và tránh overfitting.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 13: Trong phân tích cảm xúc (sentiment analysis), mục tiêu chính là gì?

Phân loại văn bản theo chủ đề hoặc thể loại.

Trích xuất thông tin có cấu trúc từ văn bản phi cấu trúc.

Xác định thái độ, quan điểm, hoặc cảm xúc (ví dụ: tích cực, tiêu cực, trung lập) được thể hiện trong văn bản.

Tóm tắt nội dung chính của một văn bản dài.

Câu hỏi này tập trung vào mục tiêu của phân tích cảm xúc, là xác định thái độ, quan điểm, hoặc cảm xúc được thể hiện trong văn bản.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 14: 'Lift' là một độ đo quan trọng trong khai phá luật kết hợp, 'lift' > 1 cho thấy điều gì về mối quan hệ giữa vế trái và vế phải của luật?

Không có mối quan hệ nào giữa vế trái và vế phải của luật.

Vế trái và vế phải của luật độc lập với nhau.

Sự xuất hiện của vế trái làm giảm khả năng xuất hiện của vế phải.

Sự xuất hiện của vế trái làm tăng khả năng xuất hiện của vế phải (tương quan dương).

Câu hỏi này kiểm tra ý nghĩa của độ đo 'lift', lift > 1 cho thấy mối quan hệ tương quan dương giữa vế trái và vế phải, tức là sự xuất hiện của vế trái làm tăng khả năng xuất hiện của vế phải.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 15: Cho bài toán dự đoán khả năng khách hàng rời bỏ dịch vụ (customer churn prediction). Kỹ thuật khai phá dữ liệu nào phù hợp nhất để giải quyết bài toán này?

Phân lớp (Classification)

Phân cụm (Clustering)

Luật kết hợp (Association Rule Mining)

Hồi quy (Regression)

Câu hỏi này yêu cầu chọn kỹ thuật phù hợp cho bài toán dự đoán churn, phân lớp (classification) là kỹ thuật phù hợp để dự đoán khách hàng thuộc lớp 'churn' hay 'not churn'.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 16: Trong các thuật toán phân lớp, 'cây quyết định' (decision tree) hoạt động dựa trên nguyên tắc nào?

Tìm kiếm các cụm dữ liệu dựa trên khoảng cách đến các trung tâm cụm.

Phân chia dữ liệu một cách đệ quy dựa trên các thuộc tính để tạo ra các vùng quyết định.

Tính toán xác suất hậu nghiệm dựa trên xác suất tiên nghiệm và bằng chứng.

Mô phỏng mạng lưới thần kinh sinh học để học các mẫu từ dữ liệu.

Câu hỏi này kiểm tra nguyên tắc hoạt động của cây quyết định, là phân chia dữ liệu một cách đệ quy dựa trên các thuộc tính cho đến khi đạt được các nút lá thuần nhất.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 17: Một mô hình phân lớp được gọi là 'overfitting' (quá khớp) khi nào?

Khi mô hình hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.

Khi mô hình có độ chính xác cao trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.

Khi mô hình đạt độ chính xác rất cao trên dữ liệu huấn luyện nhưng lại kém trên dữ liệu kiểm tra.

Khi mô hình được xây dựng quá phức tạp với nhiều tham số.

Câu hỏi này kiểm tra khái niệm overfitting, xảy ra khi mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 18: Phương pháp 'PCA (Principal Component Analysis)' được sử dụng để làm gì?

Phân cụm dữ liệu thành các nhóm có cấu trúc phân cấp.

Xây dựng mô hình hồi quy tuyến tính đa biến.

Tìm kiếm các luật kết hợp trong dữ liệu giao dịch.

Giảm chiều dữ liệu bằng cách tìm các thành phần chính (principal components) giữ lại phần lớn phương sai của dữ liệu.

Câu hỏi này kiểm tra ứng dụng của PCA, là kỹ thuật giảm chiều dữ liệu bằng cách tìm các thành phần chính, giữ lại thông tin quan trọng nhất.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 19: Trong mô hình hóa dữ liệu, 'dữ liệu kiểm tra' (test data) được sử dụng với mục đích chính nào?

Để huấn luyện mô hình học máy và điều chỉnh các tham số.

Để đánh giá hiệu năng cuối cùng của mô hình đã được huấn luyện trên dữ liệu huấn luyện.

Để chọn lựa mô hình tốt nhất trong số các mô hình khác nhau.

Để tiền xử lý và làm sạch dữ liệu trước khi huấn luyện mô hình.

Câu hỏi này tập trung vào mục đích sử dụng dữ liệu kiểm tra, là đánh giá hiệu năng cuối cùng của mô hình sau khi đã huấn luyện trên dữ liệu huấn luyện.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 20: Kỹ thuật 'rừng ngẫu nhiên' (random forest) là một dạng của thuật toán học máy nào?

Thuật toán phân cụm

Thuật toán hồi quy

Thuật toán phân lớp Ensemble

Thuật toán khai phá luật kết hợp

Câu hỏi này xác định loại thuật toán rừng ngẫu nhiên, là một thuật toán phân lớp ensemble, kết hợp nhiều cây quyết định.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 21: Độ đo 'recall' (độ phủ) trong phân lớp được tính như thế nào?

Số ca dương tính thực tế được dự đoán đúng / Tổng số ca dương tính thực tế

Số ca dương tính thực tế được dự đoán đúng / Tổng số ca dương tính dự đoán

Số ca âm tính thực tế được dự đoán đúng / Tổng số ca âm tính thực tế

Tổng số ca dự đoán đúng / Tổng số ca trong tập dữ liệu

Câu hỏi này kiểm tra công thức tính recall, là tỷ lệ số ca dương tính thực tế được dự đoán đúng trên tổng số ca dương tính thực tế.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 22: Trong bài toán phát hiện gian lận thẻ tín dụng, độ đo đánh giá nào quan trọng hơn: 'accuracy' hay 'recall'?

Accuracy, vì nó phản ánh tỷ lệ dự đoán đúng tổng thể của mô hình.

Recall, vì quan trọng hơn là phát hiện được hầu hết các giao dịch gian lận, ngay cả khi có một số báo động nhầm.

Precision, vì nó đo lường độ chính xác của các giao dịch được dự đoán là gian lận.

F1-score, vì nó cân bằng giữa precision và recall.

Câu hỏi này yêu cầu phân tích tình huống và chọn độ đo phù hợp. Trong phát hiện gian lận, bỏ sót ca gian lận (false negative) nghiêm trọng hơn báo động nhầm (false positive), nên recall quan trọng hơn.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 23: 'Silhouette score' được sử dụng để đánh giá chất lượng của kết quả trong kỹ thuật khai phá dữ liệu nào?

Phân lớp (Classification)

Luật kết hợp (Association Rule Mining)

Hồi quy (Regression)

Phân cụm (Clustering)

Câu hỏi này kiểm tra ứng dụng của silhouette score, là độ đo đánh giá chất lượng phân cụm, đo mức độ một điểm tương tự với cụm của nó so với các cụm khác.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 24: Thuật toán DBSCAN là một thuật toán phân cụm dựa trên đặc điểm nào?

Khoảng cách (Distance-based)

Phân cấp (Hierarchical-based)

Mật độ (Density-based)

Phân hoạch (Partitional-based)

Câu hỏi này xác định loại thuật toán DBSCAN, là thuật toán phân cụm dựa trên mật độ, có khả năng phát hiện cụm có hình dạng bất kỳ và loại bỏ nhiễu.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 25: Trong xử lý dữ liệu văn bản, kỹ thuật 'TF-IDF' được sử dụng để làm gì?

Phân tích cú pháp và ngữ nghĩa của văn bản.

Tính trọng số cho các từ trong văn bản, phản ánh mức độ quan trọng của từ trong một văn bản so với toàn bộ tập văn bản.

Tách từ (tokenization) và loại bỏ từ dừng (stop words) trong văn bản.

Tìm kiếm và trích xuất thông tin từ văn bản.

Câu hỏi này kiểm tra ứng dụng của TF-IDF, là kỹ thuật chuyển đổi văn bản thành vector số, đánh trọng số từ dựa trên tần suất xuất hiện và tần suất nghịch đảo văn bản.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 26: 'Bias' (độ lệch) và 'variance' (phương sai) là hai thành phần quan trọng của sai số trong mô hình học máy. Mô hình có 'high variance' thường có đặc điểm gì?

Quá nhạy cảm với sự thay đổi nhỏ trong dữ liệu huấn luyện và có xu hướng overfitting.

Quá đơn giản và không thể nắm bắt được các mẫu phức tạp trong dữ liệu (underfitting).

Có độ chính xác cao trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.

Ổn định và ít bị ảnh hưởng bởi nhiễu trong dữ liệu.

Câu hỏi này kiểm tra hiểu biết về bias-variance tradeoff. High variance model nhạy cảm với biến động nhỏ trong dữ liệu huấn luyện, dẫn đến overfitting.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 27: Cho một mô hình phân lớp nhị phân. Ma trận nhầm lẫn (confusion matrix) cho thấy:
- True Positive (TP) = 80
- False Positive (FP) = 20
- False Negative (FN) = 10
- True Negative (TN) = 90
Tính 'precision' (độ chính xác) của mô hình.

90%

70%

80%

89%

Câu hỏi này yêu cầu tính precision từ confusion matrix. Precision = TP / (TP + FP) = 80 / (80 + 20) = 80/100 = 0.8 hay 80%.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 28: Trong khai phá dữ liệu chuỗi thời gian, phương pháp 'ARIMA' thường được sử dụng để làm gì?

Phân cụm các chuỗi thời gian tương tự nhau.

Tìm kiếm các luật kết hợp giữa các sự kiện trong chuỗi thời gian.

Phân loại các chuỗi thời gian vào các loại khác nhau.

Dự báo các giá trị tương lai của chuỗi thời gian dựa trên các mẫu và xu hướng trong dữ liệu quá khứ.

Câu hỏi này kiểm tra ứng dụng của ARIMA, là mô hình thống kê phổ biến để dự báo chuỗi thời gian dựa trên các giá trị quá khứ.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 29: 'ROC curve' (đường cong ROC) và 'AUC' (diện tích dưới đường cong ROC) được sử dụng để đánh giá hiệu năng của loại mô hình học máy nào?

Mô hình phân lớp nhị phân

Mô hình hồi quy

Mô hình phân cụm

Mô hình luật kết hợp

Câu hỏi này kiểm tra ứng dụng của ROC curve và AUC, là các độ đo đánh giá hiệu năng mô hình phân lớp nhị phân, đặc biệt khi lớp không cân bằng.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 08

Câu 30: Trong quá trình triển khai một dự án khai phá dữ liệu, bước nào sau đây thường tốn nhiều thời gian và công sức nhất?

Chọn thuật toán khai phá dữ liệu phù hợp

Xây dựng và huấn luyện mô hình khai phá dữ liệu

Tiền xử lý và làm sạch dữ liệu (Data preprocessing and cleaning)

Đánh giá và diễn giải kết quả khai phá

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi này dựa trên kinh nghiệm thực tế trong dự án khai phá dữ liệu, tiền xử lý dữ liệu thường là bước tốn nhiều thời gian và công sức nhất do sự phức tạp và đa dạng của dữ liệu thực tế.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 09

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 1: Trong quy trình Khai phá Dữ liệu (KDD), giai đoạn nào tập trung vào việc chuyển đổi dữ liệu thô sang định dạng phù hợp để phân tích, bao gồm làm sạch, tích hợp và biến đổi dữ liệu?

Lựa chọn dữ liệu (Data Selection)

Tiền xử lý dữ liệu (Data Preprocessing)

Khai phá dữ liệu (Data Mining)

Đánh giá tri thức (Knowledge Evaluation)

Câu hỏi kiểm tra kiến thức về các giai đoạn của quy trình KDD, đặc biệt là giai đoạn tiền xử lý dữ liệu.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 2: Phương pháp nào sau đây KHÔNG thuộc nhóm kỹ thuật tiền xử lý dữ liệu?

Chuẩn hóa dữ liệu (Data Normalization)

Rời rạc hóa dữ liệu (Data Discretization)

Xử lý dữ liệu khuyết thiếu (Handling Missing Values)

Phân cụm K-Means (K-Means Clustering)

Câu hỏi kiểm tra sự phân biệt giữa các kỹ thuật tiền xử lý dữ liệu và các kỹ thuật khai phá dữ liệu.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 3: Giả sử bạn có một tập dữ liệu về khách hàng với thuộc tính 'Tuổi' chứa một vài giá trị bị thiếu. Phương pháp nào sau đây là phù hợp nhất để xử lý giá trị thiếu này nếu bạn muốn giữ lại thông tin và không làm sai lệch phân phối dữ liệu?

Xóa bỏ các bản ghi chứa giá trị thiếu

Thay thế bằng giá trị trung bình của thuộc tính 'Tuổi'

Ước lượng giá trị thiếu dựa trên các thuộc tính liên quan khác

Thay thế bằng giá trị 0

Câu hỏi tình huống về xử lý dữ liệu khuyết thiếu, yêu cầu lựa chọn phương pháp phù hợp dựa trên mục tiêu giữ phân phối dữ liệu.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 4: Trong khai phá luật kết hợp, độ đo 'độ tin cậy' (confidence) của luật 'A → B' thể hiện điều gì?

Xác suất xuất hiện B khi đã biết A xuất hiện.

Tần suất đồng thời xuất hiện cả A và B.

Mức độ phổ biến của A trong tập dữ liệu.

Mức độ hữu ích của luật A → B trong thực tế.

Câu hỏi kiểm tra sự hiểu biết về độ đo độ tin cậy trong khai phá luật kết hợp.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 5: Thuật toán Apriori sử dụng nguyên tắc 'tính chất Apriori' để tối ưu hóa quá trình tìm kiếm tập mục thường xuyên. Tính chất này phát biểu rằng:

Tập cha của một tập mục thường xuyên cũng là tập mục thường xuyên.

Tập con của một tập mục không thường xuyên cũng không phải là tập mục thường xuyên.

Tập mục thường xuyên luôn có độ hỗ trợ lớn hơn độ tin cậy.

Độ tin cậy của một luật luôn giảm khi tăng kích thước của tập điều kiện.

Câu hỏi kiểm tra kiến thức về nguyên tắc cốt lõi của thuật toán Apriori.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 6: So sánh thuật toán Apriori và FP-Growth trong khai phá luật kết hợp, phát biểu nào sau đây là ĐÚNG?

Apriori hiệu quả hơn FP-Growth với dữ liệu lớn vì không cần duyệt cơ sở dữ liệu nhiều lần.

FP-Growth tạo ra nhiều ứng viên tập mục hơn Apriori, dẫn đến tốn kém bộ nhớ hơn.

FP-Growth sử dụng cấu trúc cây FP-Tree để nén dữ liệu và giảm số lần duyệt cơ sở dữ liệu so với Apriori.

Cả Apriori và FP-Growth đều không thể khai phá luật kết hợp từ dữ liệu giao dịch.

Câu hỏi so sánh hai thuật toán khai phá luật kết hợp phổ biến, yêu cầu phân tích ưu và nhược điểm.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 7: Trong bài toán phân lớp, mục tiêu chính là:

Phân nhóm dữ liệu thành các cụm có ý nghĩa.

Dự đoán lớp (nhãn) của một đối tượng dữ liệu mới dựa trên các đối tượng đã biết lớp.

Tìm ra các luật kết hợp giữa các thuộc tính trong dữ liệu.

Giảm số chiều dữ liệu để dễ dàng phân tích.

Câu hỏi kiểm tra kiến thức cơ bản về mục tiêu của bài toán phân lớp.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 8: Phương pháp phân lớp nào dựa trên việc tìm ra ranh giới quyết định (decision boundary) tối ưu để phân chia các lớp dữ liệu?

Naive Bayes

K-Nearest Neighbors (KNN)

Cây quyết định (Decision Tree)

Máy học vectơ hỗ trợ (Support Vector Machine - SVM)

Câu hỏi nhận biết phương pháp phân lớp dựa trên ranh giới quyết định.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 9: Độ đo nào sau đây thường được sử dụng để đánh giá hiệu suất của mô hình phân lớp, đặc biệt khi tập dữ liệu có sự mất cân bằng lớp (imbalanced classes)?

Độ chính xác (Accuracy)

Độ đo lỗi trung bình bình phương (Mean Squared Error)

F1-score

Hệ số tương quan Pearson (Pearson correlation coefficient)

Câu hỏi về đánh giá mô hình phân lớp trong tình huống dữ liệu mất cân bằng, yêu cầu lựa chọn độ đo phù hợp.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 10: Ma trận nhầm lẫn (confusion matrix) trong phân lớp cung cấp thông tin về:

Số lượng dự đoán đúng và sai cho từng lớp.

Độ chính xác tổng thể của mô hình.

Độ tin cậy và độ phủ của mô hình.

Mức độ quan trọng của từng thuộc tính trong mô hình.

Câu hỏi kiểm tra kiến thức về ma trận nhầm lẫn và thông tin mà nó cung cấp.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 11: Trong thuật toán K-Means, giá trị 'K' đại diện cho điều gì?

Số chiều của dữ liệu.

Số lượng cụm mong muốn.

Số lần lặp tối đa của thuật toán.

Giá trị ngưỡng để xác định điểm dữ liệu thuộc về cụm nào.

Câu hỏi kiểm tra kiến thức cơ bản về tham số K trong thuật toán K-Means.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 12: Phân cụm phân cấp (Hierarchical Clustering) có ưu điểm chính so với K-Means là:

Luôn tìm được cụm có hình dạng lồi.

Nhanh hơn và hiệu quả hơn với dữ liệu lớn.

Không cần xác định trước số lượng cụm.

Dễ dàng xử lý dữ liệu nhiễu.

Câu hỏi so sánh ưu điểm của phân cụm phân cấp so với K-Means.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 13: Trong phân tích cụm, độ đo 'tính kết dính nội cụm' (cluster cohesion) và 'tính tách biệt giữa các cụm' (cluster separation) được sử dụng để:

Tiền xử lý dữ liệu trước khi phân cụm.

Lựa chọn thuật toán phân cụm phù hợp.

Xác định số lượng cụm tối ưu.

Đánh giá chất lượng của kết quả phân cụm.

Câu hỏi về mục đích sử dụng các độ đo đánh giá chất lượng cụm.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 14: Kỹ thuật giảm chiều dữ liệu (dimensionality reduction) nhằm mục đích:

Giảm số lượng thuộc tính của dữ liệu trong khi vẫn giữ lại thông tin quan trọng.

Tăng số lượng bản ghi trong tập dữ liệu.

Cải thiện độ chính xác của mô hình phân lớp.

Tăng tốc độ tính toán của thuật toán khai phá luật kết hợp.

Câu hỏi kiểm tra kiến thức về mục tiêu của giảm chiều dữ liệu.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 15: Phân tích thành phần chính (Principal Component Analysis - PCA) là một kỹ thuật:

Phân lớp (Classification)

Giảm chiều dữ liệu (Dimensionality Reduction)

Phân cụm (Clustering)

Khai phá luật kết hợp (Association Rule Mining)

Câu hỏi xác định loại kỹ thuật của PCA trong khai phá dữ liệu.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 16: Trong khai phá dữ liệu chuỗi thời gian, nhiệm vụ dự báo (forecasting) tập trung vào:

Phân loại các chuỗi thời gian vào các nhóm khác nhau.

Tìm kiếm các mẫu lặp lại trong chuỗi thời gian.

Dự đoán giá trị tương lai của chuỗi thời gian dựa trên dữ liệu quá khứ.

Phát hiện các điểm bất thường trong chuỗi thời gian.

Câu hỏi về mục tiêu của dự báo trong khai phá dữ liệu chuỗi thời gian.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 17: Kỹ thuật 'phân tích tình cảm' (sentiment analysis) trong khai phá dữ liệu văn bản thường được sử dụng để:

Xác định cảm xúc hoặc thái độ được thể hiện trong văn bản (ví dụ: tích cực, tiêu cực, trung lập).

Tóm tắt nội dung chính của văn bản.

Phân loại văn bản theo chủ đề.

Dịch văn bản sang ngôn ngữ khác.

Câu hỏi về ứng dụng của phân tích tình cảm trong khai phá dữ liệu văn bản.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 18: Ứng dụng nào sau đây KHÔNG phải là ứng dụng phổ biến của khai phá dữ liệu?

Phân tích hành vi khách hàng trong bán lẻ.

Phát hiện gian lận trong giao dịch tài chính.

Chẩn đoán bệnh trong y tế.

Soạn thảo văn bản hành chính.

Câu hỏi kiểm tra kiến thức về các lĩnh vực ứng dụng của khai phá dữ liệu.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 19: Vấn đề 'quá khớp' (overfitting) trong học máy xảy ra khi nào?

Mô hình quá đơn giản và không thể nắm bắt được cấu trúc dữ liệu.

Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới.

Dữ liệu huấn luyện chứa quá nhiều nhiễu.

Thuật toán học máy không hội tụ được.

Câu hỏi kiểm tra hiểu biết về hiện tượng quá khớp trong học máy.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 20: Để giảm thiểu hiện tượng 'quá khớp' (overfitting), kỹ thuật nào sau đây thường được sử dụng?

Tăng kích thước tập dữ liệu huấn luyện.

Sử dụng mô hình phức tạp hơn.

Chính quy hóa (Regularization).

Giảm số lượng cụm trong thuật toán K-Means.

Câu hỏi về các kỹ thuật để giảm thiểu quá khớp.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 21: Đâu là một thách thức lớn khi khai phá dữ liệu từ nguồn dữ liệu lớn (Big Data)?

Khả năng mở rộng và hiệu suất tính toán.

Sự thiếu hụt các thuật toán khai phá dữ liệu.

Chi phí lưu trữ dữ liệu giảm.

Dữ liệu lớn luôn đảm bảo chất lượng cao.

Câu hỏi về thách thức khi làm việc với dữ liệu lớn trong khai phá dữ liệu.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 22: Trong bối cảnh Internet of Things (IoT), khai phá dữ liệu đóng vai trò quan trọng trong việc:

Kết nối các thiết bị IoT với nhau.

Phân tích dữ liệu cảm biến để đưa ra quyết định thông minh và tự động hóa.

Bảo mật dữ liệu truyền tải giữa các thiết bị IoT.

Thiết kế phần cứng cho các thiết bị IoT.

Câu hỏi về vai trò của khai phá dữ liệu trong ứng dụng IoT.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 23: Đạo đức trong khai phá dữ liệu đề cập đến vấn đề gì?

Lựa chọn thuật toán khai phá dữ liệu hiệu quả nhất.

Tối ưu hóa hiệu suất tính toán.

Sử dụng dữ liệu một cách có trách nhiệm, bảo vệ quyền riêng tư và tránh phân biệt đối xử.

Đảm bảo tính chính xác tuyệt đối của kết quả khai phá dữ liệu.

Câu hỏi về khía cạnh đạo đức trong khai phá dữ liệu.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 24: Biểu đồ hộp (boxplot) là một công cụ trực quan hóa dữ liệu hữu ích để:

Thể hiện mối quan hệ giữa hai biến số liên tục.

So sánh tỷ lệ phần trăm giữa các danh mục.

Hiển thị xu hướng thay đổi theo thời gian.

Nhận diện giá trị ngoại lệ và phân phối của dữ liệu.

Câu hỏi về ứng dụng của biểu đồ hộp trong trực quan hóa dữ liệu.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 25: Trong một dự án khai phá dữ liệu, giai đoạn 'đánh giá tri thức' (knowledge evaluation) nhằm mục đích:

Thu thập và làm sạch dữ liệu.

Đảm bảo tri thức khai phá được là hữu ích, mới lạ và có giá trị.

Áp dụng các thuật toán khai phá dữ liệu.

Trình bày kết quả khai phá dữ liệu dưới dạng trực quan.

Câu hỏi về mục tiêu của giai đoạn đánh giá tri thức trong quy trình KDD.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 26: Ngôn ngữ lập trình nào phổ biến nhất trong lĩnh vực khai phá dữ liệu và học máy hiện nay?

Python

Java

C++

SQL

Câu hỏi về ngôn ngữ lập trình phổ biến trong khai phá dữ liệu.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 27: Thư viện nào của Python cung cấp các công cụ mạnh mẽ cho việc phân tích và thao tác dữ liệu, đặc biệt là dữ liệu dạng bảng?

Scikit-learn

TensorFlow

Pandas

Matplotlib

Câu hỏi về thư viện Python phổ biến cho phân tích dữ liệu.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 28: Kho dữ liệu (Data Warehouse) khác biệt với cơ sở dữ liệu giao dịch (Transactional Database) chủ yếu ở điểm nào?

Kho dữ liệu lưu trữ dữ liệu hiện tại, cơ sở dữ liệu giao dịch lưu trữ dữ liệu lịch sử.

Kho dữ liệu được tối ưu hóa cho phân tích và báo cáo, cơ sở dữ liệu giao dịch được tối ưu hóa cho xử lý giao dịch.

Kho dữ liệu sử dụng mô hình dữ liệu quan hệ, cơ sở dữ liệu giao dịch sử dụng mô hình NoSQL.

Kho dữ liệu do bộ phận kinh doanh quản lý, cơ sở dữ liệu giao dịch do bộ phận IT quản lý.

Câu hỏi so sánh sự khác biệt giữa kho dữ liệu và cơ sở dữ liệu giao dịch.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 29: Trong một bài toán dự đoán khả năng khách hàng rời bỏ dịch vụ (churn prediction), kỹ thuật khai phá dữ liệu nào phù hợp nhất?

Khai phá luật kết hợp

Phân cụm

Phân tích chuỗi thời gian

Phân lớp

Câu hỏi tình huống về lựa chọn kỹ thuật khai phá dữ liệu phù hợp cho bài toán dự đoán churn.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 09

Câu 30: Để giải quyết bài toán phát hiện gian lận thẻ tín dụng, bạn có thể sử dụng kỹ thuật khai phá dữ liệu nào?

Phân tích hồi quy

Phân tích luật kết hợp

Phát hiện dị thường (Anomaly Detection)

Phân cụm K-Means

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi tình huống về lựa chọn kỹ thuật khai phá dữ liệu phù hợp cho bài toán phát hiện gian lận.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 10

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 1: Trong quy trình Khai phá Dữ liệu (KDD), giai đoạn nào tập trung vào việc chuyển đổi dữ liệu thô sang định dạng phù hợp cho phân tích?

Khai thác mẫu (Pattern Evaluation)

Tiền xử lý dữ liệu (Data Preprocessing)

Lựa chọn dữ liệu (Data Selection)

Giải thích tri thức (Knowledge Interpretation)

Câu hỏi kiểm tra kiến thức về quy trình KDD và mục tiêu của giai đoạn tiền xử lý dữ liệu.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 2: Phương pháp nào sau đây thường được sử dụng để giảm chiều dữ liệu, bằng cách loại bỏ các thuộc tính ít quan trọng hoặc kết hợp các thuộc tính?

Rời rạc hóa dữ liệu (Data Discretization)

Chuẩn hóa dữ liệu (Data Normalization)

Lựa chọn thuộc tính (Feature Selection/Dimensionality Reduction)

Làm sạch dữ liệu (Data Cleaning)

Câu hỏi kiểm tra kiến thức về kỹ thuật giảm chiều dữ liệu trong tiền xử lý.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 3: Giả sử bạn có một tập dữ liệu về khách hàng với thuộc tính 'Tuổi' có một vài giá trị bị thiếu. Phương pháp nào sau đây là phù hợp nhất để xử lý giá trị thiếu này nếu bạn muốn giữ lại thông tin và không làm sai lệch phân phối dữ liệu quá nhiều?

Xóa bỏ các bản ghi chứa giá trị thiếu

Điền giá trị thiếu bằng giá trị trung bình (Mean Imputation) hoặc trung vị (Median Imputation)

Điền giá trị thiếu bằng một hằng số (ví dụ: 0 hoặc -1)

Không xử lý giá trị thiếu và bỏ qua chúng trong quá trình phân tích

Câu hỏi tình huống về xử lý dữ liệu thiếu, yêu cầu chọn phương pháp phù hợp dựa trên mục tiêu giữ thông tin và phân phối dữ liệu.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 4: Trong khai phá luật kết hợp, độ đo 'Độ hỗ trợ' (Support) của một tập mục {A, B} được tính như thế nào?

Tỷ lệ giao dịch chứa cả A và B trong tổng số giao dịch

Tỷ lệ giao dịch chứa A trong số giao dịch chứa B

Tổng số giao dịch chứa A và B

Tỷ lệ giao dịch chứa A hoặc B trong tổng số giao dịch

Câu hỏi kiểm tra kiến thức về độ đo Support trong khai phá luật kết hợp.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 5: Thuật toán Apriori sử dụng nguyên lý 'tính chất Apriori' để tối ưu hóa quá trình tìm kiếm tập mục thường xuyên. Nguyên lý này phát biểu rằng:

Nếu một tập mục là thường xuyên, thì mọi tập cha của nó cũng là thường xuyên

Nếu một tập mục là không thường xuyên, thì mọi tập con của nó cũng là không thường xuyên

Độ hỗ trợ của một tập mục tỉ lệ thuận với kích thước của tập mục đó

Nếu một tập mục là không thường xuyên, thì mọi tập cha của nó cũng là không thường xuyên

Câu hỏi kiểm tra sự hiểu biết về nguyên lý cốt lõi của thuật toán Apriori.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 6: Cho cơ sở dữ liệu giao dịch sau:
T1={A, B, C}
T2={A, C, D}
T3={B, C, E}
T4={A, B, C, E}
T5={A, B, D}
Với ngưỡng hỗ trợ tối thiểu là 2. Tập mục {B, C} có độ hỗ trợ là bao nhiêu?

Câu hỏi yêu cầu tính toán độ hỗ trợ của một tập mục cụ thể dựa trên một cơ sở dữ liệu giao dịch cho trước.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 7: Độ đo 'Độ tin cậy' (Confidence) của luật kết hợp A → B được tính như thế nào?

Support({A, B}) / Support({B})

Support({A, B}) / Support({A})

Support({A}) / Support({A, B})

Support({B}) / Support({A, B})

Câu hỏi kiểm tra kiến thức về độ đo Confidence trong khai phá luật kết hợp.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 8: Trong bài toán phân lớp, mục tiêu chính là gì?

Phân nhóm dữ liệu thành các cụm dựa trên tính tương đồng

Tìm kiếm các luật kết hợp giữa các thuộc tính trong dữ liệu

Dự đoán lớp (nhãn) của một đối tượng mới dựa trên các đối tượng đã biết lớp

Giảm chiều dữ liệu để đơn giản hóa quá trình phân tích

Câu hỏi kiểm tra mục tiêu cơ bản của bài toán phân lớp trong khai phá dữ liệu.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 9: Phương pháp phân lớp nào dựa trên việc xây dựng một cây quyết định để phân chia dữ liệu dựa trên các thuộc tính?

Mạng nơ-ron (Neural Networks)

Cây quyết định (Decision Trees)

Máy học vector hỗ trợ (Support Vector Machines - SVM)

K-láng giềng gần nhất (K-Nearest Neighbors - KNN)

Câu hỏi nhận diện phương pháp phân lớp dựa trên cây quyết định.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 10: Trong đánh giá mô hình phân lớp, độ đo 'Độ chính xác' (Accuracy) được tính như thế nào?

Tỷ lệ các dự đoán đúng trên tổng số dự đoán

Tỷ lệ các trường hợp dương tính thực sự được dự đoán là dương tính

Tỷ lệ các trường hợp âm tính thực sự được dự đoán là âm tính

Trung bình cộng của độ chính xác và độ phủ

Câu hỏi kiểm tra kiến thức về độ đo Accuracy trong đánh giá mô hình phân lớp.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 11: Ma trận nhầm lẫn (Confusion Matrix) thường được sử dụng để đánh giá hiệu suất của mô hình phân lớp. Ma trận này hiển thị thông tin gì?

Độ chính xác, độ tin cậy và độ hỗ trợ của các luật kết hợp

Giá trị trung bình, độ lệch chuẩn và phân phối của dữ liệu

Số lượng dự đoán đúng và sai cho từng lớp

Cấu trúc cây quyết định và các luật phân lớp được tạo ra

Câu hỏi kiểm tra hiểu biết về mục đích và nội dung của ma trận nhầm lẫn.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 12: Trong thuật toán K-Means, mục tiêu chính là gì?

Tìm các luật kết hợp mạnh mẽ trong dữ liệu

Phân chia dữ liệu thành K cụm sao cho tổng khoảng cách bình phương từ mỗi điểm dữ liệu đến trung tâm cụm gần nhất là nhỏ nhất

Xây dựng cây quyết định để phân lớp dữ liệu

Giảm chiều dữ liệu bằng cách lựa chọn các thuộc tính quan trọng nhất

Câu hỏi kiểm tra mục tiêu của thuật toán K-Means trong phân cụm.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 13: Phương pháp phân cụm nào hoạt động dựa trên mật độ, xác định các cụm như các vùng dày đặc được phân tách bởi các vùng thưa thớt?

K-Means

Phân cụm phân cấp (Hierarchical Clustering)

Phân cụm dựa trên mô hình (Model-based Clustering)

DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

Câu hỏi nhận diện phương pháp phân cụm dựa trên mật độ.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 14: Trong phân tích hồi quy, mục tiêu là gì?

Phân loại dữ liệu vào các nhóm khác nhau

Tìm kiếm các mẫu và luật kết hợp ẩn trong dữ liệu

Dự đoán giá trị của một biến số liên tục dựa trên một hoặc nhiều biến số khác

Giảm số lượng chiều của dữ liệu

Câu hỏi kiểm tra mục tiêu của phân tích hồi quy.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 15: Loại bài toán khai phá dữ liệu nào phù hợp để dự đoán giá nhà dựa trên các đặc điểm như diện tích, vị trí, số phòng ngủ?

Phân lớp (Classification)

Hồi quy (Regression)

Phân cụm (Clustering)

Khai phá luật kết hợp (Association Rule Mining)

Câu hỏi tình huống ứng dụng hồi quy để dự đoán giá trị liên tục.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 16: Phương pháp đánh giá mô hình hồi quy nào đo lường trung bình độ lớn của sai số giữa giá trị dự đoán và giá trị thực tế?

R-squared (R²)

Root Mean Squared Error (RMSE)

Mean Absolute Error (MAE)

Độ chính xác (Accuracy)

Câu hỏi kiểm tra kiến thức về độ đo Mean Absolute Error (MAE) trong đánh giá mô hình hồi quy.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 17: Trong ngữ cảnh khai phá dữ liệu web, 'web usage mining' tập trung vào việc khai thác thông tin gì?

Hành vi duyệt web của người dùng, nhật ký máy chủ web

Cấu trúc liên kết giữa các trang web

Nội dung văn bản trên các trang web

Hình ảnh và video trên các trang web

Câu hỏi kiểm tra kiến thức về ứng dụng khai phá dữ liệu trong lĩnh vực web usage mining.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 18: Kỹ thuật 'phân tích cảm xúc' (sentiment analysis) trong khai phá văn bản thường được sử dụng để làm gì?

Tóm tắt văn bản dài thành văn bản ngắn gọn hơn

Xác định thái độ, quan điểm hoặc cảm xúc được thể hiện trong văn bản

Phân loại văn bản vào các chủ đề khác nhau

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Câu hỏi kiểm tra ứng dụng của phân tích cảm xúc trong khai phá văn bản.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 19: Trong khai phá dữ liệu chuỗi thời gian, phương pháp ARIMA thường được sử dụng cho mục đích gì?

Phân cụm các chuỗi thời gian tương tự nhau

Tìm kiếm các luật kết hợp trong chuỗi thời gian

Dự báo các giá trị tương lai của chuỗi thời gian

Phân loại các chuỗi thời gian vào các loại khác nhau

Câu hỏi kiểm tra ứng dụng của mô hình ARIMA trong khai phá dữ liệu chuỗi thời gian.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 20: Thử nghiệm A/B thường được sử dụng trong lĩnh vực nào của khai phá dữ liệu và ứng dụng web?

Phân tích nhật ký máy chủ web

Khai phá nội dung web

Phân tích mạng xã hội

Tối ưu hóa trải nghiệm người dùng và tỷ lệ chuyển đổi (Conversion Rate Optimization - CRO)

Câu hỏi kiểm tra ứng dụng của thử nghiệm A/B trong tối ưu hóa web và liên quan đến khai phá dữ liệu.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 21: Vấn đề 'overfitting' (quá khớp) trong học máy xảy ra khi nào?

Mô hình quá đơn giản và không thể nắm bắt được các mẫu trong dữ liệu

Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới

Dữ liệu huấn luyện chứa quá nhiều giá trị thiếu

Thuật toán học máy không hội tụ được kết quả

Câu hỏi kiểm tra hiểu biết về vấn đề overfitting.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 22: Kỹ thuật 'cross-validation' (kiểm định chéo) được sử dụng để làm gì trong quá trình xây dựng mô hình học máy?

Tiền xử lý dữ liệu và làm sạch dữ liệu

Giảm chiều dữ liệu và lựa chọn thuộc tính

Đánh giá và so sánh hiệu suất của các mô hình khác nhau một cách khách quan

Tăng cường độ chính xác của mô hình trên dữ liệu huấn luyện

Câu hỏi kiểm tra mục đích sử dụng của cross-validation.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 23: Phương pháp nào sau đây giúp giảm thiểu rủi ro overfitting và cải thiện khả năng tổng quát hóa của mô hình?

Điều chuẩn hóa (Regularization)

Tăng cường dữ liệu (Data Augmentation)

Giảm chiều dữ liệu (Dimensionality Reduction)

Phân cụm dữ liệu (Data Clustering)

Câu hỏi kiểm tra kiến thức về các kỹ thuật giảm overfitting.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 24: Trong thuật toán PageRank, được sử dụng bởi Google, mục tiêu chính là gì?

Phân loại trang web vào các chủ đề khác nhau

Đánh giá độ quan trọng của các trang web dựa trên cấu trúc liên kết của web

Tìm kiếm các trang web chứa thông tin cụ thể

Phân cụm các trang web có nội dung tương tự nhau

Câu hỏi kiểm tra kiến thức về thuật toán PageRank và mục đích của nó.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 25: Ứng dụng nào sau đây thể hiện việc sử dụng khai phá dữ liệu trong lĩnh vực y tế?

Dự đoán xu hướng giá cổ phiếu

Phân tích cảm xúc của khách hàng về sản phẩm

Dự đoán nguy cơ mắc bệnh tim mạch dựa trên hồ sơ bệnh án

Phân loại email spam và không spam

Câu hỏi tình huống về ứng dụng khai phá dữ liệu trong y tế.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 26: Đâu là một thách thức lớn khi làm việc với dữ liệu lớn (Big Data) trong khai phá dữ liệu?

Khả năng mở rộng và hiệu suất tính toán

Sự thiếu hụt các thuật toán khai phá dữ liệu

Chi phí lưu trữ dữ liệu thấp

Dễ dàng thu thập dữ liệu từ nhiều nguồn khác nhau

Câu hỏi kiểm tra nhận thức về thách thức của Big Data trong khai phá dữ liệu.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 27: Kiến trúc MapReduce thường được sử dụng để xử lý dữ liệu lớn như thế nào?

Xử lý dữ liệu tuần tự trên một máy tính duy nhất

Phân chia công việc xử lý dữ liệu thành các tác vụ song song trên nhiều máy tính

Lưu trữ toàn bộ dữ liệu trong bộ nhớ chính (RAM) để tăng tốc độ truy cập

Sử dụng cơ sở dữ liệu quan hệ truyền thống để quản lý dữ liệu

Câu hỏi kiểm tra kiến thức về kiến trúc MapReduce trong xử lý Big Data.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 28: Công cụ nào sau đây phổ biến cho việc xử lý và phân tích dữ liệu lớn, đặc biệt là trong môi trường phân tán?

Microsoft Excel

SPSS

Apache Hadoop và Spark

MySQL

Câu hỏi nhận diện công cụ phổ biến cho Big Data.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 29: Đạo đức trong khai phá dữ liệu đề cập đến vấn đề gì?

Tính chính xác của các thuật toán khai phá dữ liệu

Hiệu suất tính toán của các hệ thống khai phá dữ liệu

Khả năng mở rộng của các công cụ khai phá dữ liệu

Sử dụng dữ liệu một cách có trách nhiệm, bảo vệ quyền riêng tư và tránh phân biệt đối xử

Câu hỏi kiểm tra nhận thức về khía cạnh đạo đức trong khai phá dữ liệu.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 10

Câu 30: Giả sử một mô hình phân lớp dự đoán bệnh nhân có nguy cơ mắc bệnh tim mạch cao. Điều quan trọng nhất cần xem xét về mặt đạo đức khi triển khai mô hình này là gì?

Đảm bảo mô hình đạt độ chính xác cao nhất có thể

Tránh sử dụng mô hình để phân biệt đối xử hoặc đưa ra quyết định bất lợi dựa trên các nhóm dân số nhạy cảm

Công khai mã nguồn của mô hình để cộng đồng kiểm tra

Giảm thiểu chi phí triển khai mô hình trong hệ thống y tế

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi tình huống về đạo đức ứng dụng trong y tế, nhấn mạnh đến tính công bằng và tránh phân biệt đối xử.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 11

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 1: Trong quá trình Khai phá Dữ liệu (KDD), bước nào sau đây tập trung vào việc chuyển đổi dữ liệu thô sang định dạng phù hợp cho phân tích, bao gồm xử lý giá trị khuyết thiếu, loại bỏ nhiễu và chuẩn hóa dữ liệu?

Khai phá mẫu (Pattern Mining)

Tiền xử lý dữ liệu (Data Preprocessing)

Đánh giá mẫu (Pattern Evaluation)

Biểu diễn tri thức (Knowledge Representation)

Câu hỏi này tập trung vào bước tiền xử lý dữ liệu trong quy trình KDD, bao gồm các hoạt động làm sạch và chuẩn bị dữ liệu.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 2: Một siêu thị muốn khám phá quy luật mua sắm của khách hàng. Họ sử dụng thuật toán Apriori để tìm các tập mục hàng hóa thường xuyên được mua cùng nhau. Đây là ứng dụng của kỹ thuật khai phá dữ liệu nào?

Phân loại (Classification)

Hồi quy (Regression)

Khai phá luật kết hợp (Association Rule Mining)

Phân cụm (Clustering)

Câu hỏi mô tả việc tìm kiếm mối quan hệ kết hợp giữa các mặt hàng, đây chính là khai phá luật kết hợp.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 3: Trong khai phá luật kết hợp, độ đo 'độ tin cậy' (confidence) của một luật 'A → B' thể hiện điều gì?

Tần suất xuất hiện đồng thời của A và B trong tập dữ liệu.

Xác suất mua sản phẩm B khi khách hàng đã mua sản phẩm A.

Mức độ hữu ích của luật A → B trong thực tế.

Độ phổ biến của sản phẩm A và B trong các giao dịch.

Câu hỏi kiểm tra sự hiểu biết về độ đo độ tin cậy trong luật kết hợp, nó đo lường xác suất mua B khi đã mua A.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 4: Cho một tập dữ liệu giao dịch bán lẻ. Giả sử luật kết hợp {Bánh mì} → {Bơ sữa} có độ tin cậy là 70%. Điều này có nghĩa là:

70% khách hàng mua bánh mì cũng mua bơ sữa trong tất cả các giao dịch.

70% giao dịch chứa bánh mì cũng chứa bơ sữa.

Trong số các giao dịch có bánh mì, có 70% giao dịch cũng chứa bơ sữa.

Nếu một khách hàng mua bơ sữa, có 70% khả năng họ cũng mua bánh mì.

Câu hỏi yêu cầu diễn giải ý nghĩa thực tế của độ tin cậy trong ngữ cảnh luật kết hợp.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 5: Thuật toán phân cụm K-means hoạt động dựa trên nguyên tắc nào?

Tối thiểu hóa tổng khoảng cách từ mỗi điểm dữ liệu đến tâm cụm gần nhất.

Tìm các cụm có mật độ điểm dữ liệu cao nhất.

Phân chia dữ liệu dựa trên cây quyết định.

Xây dựng mô hình xác suất để gán điểm dữ liệu vào các cụm.

Câu hỏi kiểm tra kiến thức về nguyên tắc hoạt động cơ bản của thuật toán K-means, đó là tối thiểu hóa khoảng cách từ các điểm dữ liệu đến tâm cụm gần nhất.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 6: Trong bài toán phân loại, mục tiêu chính của việc sử dụng tập dữ liệu kiểm thử (test dataset) là gì?

Huấn luyện mô hình phân loại.

Tinh chỉnh các tham số của mô hình phân loại.

Chọn ra mô hình phân loại tốt nhất từ nhiều mô hình khác nhau.

Đánh giá hiệu năng của mô hình phân loại trên dữ liệu mới, chưa từng được sử dụng trong quá trình huấn luyện.

Câu hỏi về mục đích của tập kiểm thử, dùng để đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới, chưa từng thấy.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 7: Độ đo 'độ chính xác' (accuracy) trong phân loại được tính như thế nào?

(Số lượng dự đoán đúng) / (Tổng số lượng dự đoán)

(Số lượng dự đoán đúng) / (Số lượng dự đoán sai)

(Số lượng dự đoán sai) / (Tổng số lượng dự đoán)

(Số lượng dự đoán đúng) - (Số lượng dự đoán sai)

Câu hỏi kiểm tra công thức tính độ chính xác, tỷ lệ các dự đoán đúng trên tổng số dự đoán.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 8: Phương pháp nào sau đây thường được sử dụng để giảm chiều dữ liệu, giúp giảm độ phức tạp tính toán và cải thiện hiệu suất của mô hình khai phá dữ liệu?

Rời rạc hóa dữ liệu (Data Discretization)

Phân tích thành phần chính (Principal Component Analysis - PCA)

Chuẩn hóa dữ liệu (Data Normalization)

Làm sạch dữ liệu (Data Cleaning)

Câu hỏi về kỹ thuật giảm chiều dữ liệu và mục đích sử dụng của nó trong khai phá dữ liệu.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 9: Trong thuật toán cây quyết định (Decision Tree), tiêu chí phân tách nút (splitting criterion) nào thường được sử dụng để chọn thuộc tính tốt nhất để phân chia dữ liệu?

Khoảng cách Euclidean (Euclidean Distance)

Hệ số tương quan (Correlation Coefficient)

Độ lợi thông tin (Information Gain) hoặc Gini Impurity

Độ lệch chuẩn (Standard Deviation)

Câu hỏi về tiêu chí phân tách nút trong cây quyết định, Entropy và Information Gain là các độ đo phổ biến.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 10: Mô hình học máy nào sau đây có khả năng nội tại (inherently) xử lý dữ liệu phi tuyến tính một cách hiệu quả?

Hồi quy tuyến tính (Linear Regression)

Máy Vector hỗ trợ (Support Vector Machine) với kernel tuyến tính

Naive Bayes

Mạng nơ-ron (Neural Network)

Câu hỏi về khả năng xử lý dữ liệu phi tuyến của các mô hình học máy, Mạng nơ-ron có khả năng này nhờ các hàm kích hoạt phi tuyến.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 11: Kỹ thuật 'bagging' trong học máy ансамбль (ensemble learning) hoạt động bằng cách nào?

Kết hợp dự đoán từ nhiều mô hình khác nhau được huấn luyện trên toàn bộ tập dữ liệu.

Huấn luyện nhiều mô hình trên các tập con dữ liệu được lấy mẫu có hoàn lại (bootstrap samples) và kết hợp kết quả dự đoán.

Huấn luyện tuần tự các mô hình, trong đó mô hình sau tập trung vào việc cải thiện những sai sót của mô hình trước.

Chia tập dữ liệu thành nhiều phần và huấn luyện mô hình riêng biệt trên mỗi phần.

Câu hỏi về kỹ thuật bagging, nó tạo ra nhiều mô hình từ các mẫu dữ liệu bootstrap và kết hợp dự đoán.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 12: Trong ngữ cảnh phân tích cảm xúc văn bản (sentiment analysis), nhiệm vụ chính là gì?

Phân loại văn bản theo chủ đề.

Tóm tắt nội dung chính của văn bản.

Xác định thái độ, cảm xúc (ví dụ: tích cực, tiêu cực, trung lập) được thể hiện trong văn bản.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Câu hỏi về mục tiêu của phân tích cảm xúc, xác định thái độ, cảm xúc (tích cực, tiêu cực, trung lập) trong văn bản.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 13: Kiểu dữ liệu nào sau đây thường KHÔNG phù hợp trực tiếp cho các thuật toán khai phá dữ liệu mà không qua bước chuyển đổi hoặc mã hóa?

Dữ liệu số (Numerical Data)

Dữ liệu phạm trù (Categorical Data)

Dữ liệu thứ tự (Ordinal Data)

Dữ liệu văn bản (Text Data)

Câu hỏi về loại dữ liệu không cấu trúc và cần xử lý trước khi khai phá, dữ liệu văn bản là ví dụ điển hình.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 14: Kỹ thuật 'one-hot encoding' được sử dụng để làm gì trong tiền xử lý dữ liệu?

Chuyển đổi dữ liệu thuộc tính phạm trù thành dạng số để phù hợp với các thuật toán học máy.

Chuẩn hóa dữ liệu số về khoảng giá trị [0, 1].

Xử lý các giá trị khuyết thiếu trong dữ liệu.

Giảm chiều dữ liệu bằng cách chọn ra các thuộc tính quan trọng nhất.

Câu hỏi về one-hot encoding, kỹ thuật chuyển đổi dữ liệu phạm trù thành dạng số để các thuật toán học máy có thể xử lý.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 15: Trong bài toán dự báo chuỗi thời gian (time series forecasting), mục tiêu chính là gì?

Phân loại các điểm dữ liệu trong chuỗi thời gian vào các nhóm khác nhau.

Dự đoán giá trị của chuỗi thời gian trong tương lai dựa trên các giá trị quá khứ.

Tìm kiếm các mẫu bất thường (anomalies) trong chuỗi thời gian.

Phân tích mối quan hệ giữa các chuỗi thời gian khác nhau.

Câu hỏi về mục tiêu của dự báo chuỗi thời gian, dự đoán giá trị tương lai dựa trên lịch sử chuỗi.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 16: Phương pháp đánh giá mô hình phân cụm nào sau đây KHÔNG sử dụng nhãn lớp thực tế (ground truth labels)?

Độ chính xác (Accuracy)

F-score

Hệ số Silhouette (Silhouette Coefficient)

Ma trận nhầm lẫn (Confusion Matrix)

Câu hỏi về đánh giá phân cụm không giám sát, hệ số Silhouette là một độ đo nội tại không cần nhãn.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 17: Ứng dụng nào sau đây KHÔNG phải là một ví dụ điển hình của khai phá dữ liệu?

Phát hiện gian lận thẻ tín dụng.

Đề xuất sản phẩm cho khách hàng mua sắm trực tuyến.

Phân tích dữ liệu геномика để tìm kiếm gen liên quan đến bệnh.

Soạn thảo một văn bản hành chính thông thường.

Câu hỏi xác định ứng dụng không thuộc lĩnh vực khai phá dữ liệu, soạn thảo văn bản là công việc xử lý văn bản thông thường, không trực tiếp liên quan khai phá dữ liệu.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 18: Trong khai phá dữ liệu, 'dữ liệu nhiễu' (noisy data) đề cập đến loại dữ liệu nào?

Dữ liệu có cấu trúc phức tạp.

Dữ liệu chứa lỗi, giá trị ngoại lai hoặc thông tin không chính xác.

Dữ liệu có kích thước lớn.

Dữ liệu được thu thập từ nhiều nguồn khác nhau.

Câu hỏi về định nghĩa dữ liệu nhiễu, dữ liệu chứa lỗi, sai lệch hoặc không chính xác.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 19: Phương pháp khai phá dữ liệu nào phù hợp nhất để phát hiện các giao dịch bất thường hoặc gian lận trong dữ liệu tài chính?

Phân cụm (Clustering)

Phân loại (Classification)

Phát hiện dị thường (Anomaly Detection)

Hồi quy (Regression)

Câu hỏi về kỹ thuật phát hiện bất thường, nó được dùng để tìm ra các mẫu dữ liệu khác biệt so với phần lớn dữ liệu còn lại, thường ứng dụng trong phát hiện gian lận.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 20: Trong quá trình khai phá dữ liệu, bước 'chọn lọc dữ liệu' (data selection) thường được thực hiện sau bước nào?

Thu thập dữ liệu (Data Collection)

Tiền xử lý dữ liệu (Data Preprocessing)

Khai phá mẫu (Pattern Mining)

Đánh giá mẫu (Pattern Evaluation)

Câu hỏi về quy trình KDD, chọn lọc dữ liệu diễn ra sau khi thu thập dữ liệu và trước tiền xử lý.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 21: Một nhà bán lẻ trực tuyến muốn cá nhân hóa trang chủ website cho từng khách hàng dựa trên lịch sử duyệt web và mua hàng của họ. Kỹ thuật khai phá dữ liệu nào phù hợp nhất để thực hiện điều này?

Phân tích cụm khách hàng (Customer Segmentation)

Hệ thống đề xuất (Recommender System)

Phân tích chuỗi thời gian mua hàng (Purchase Time Series Analysis)

Phân tích cảm xúc về sản phẩm (Product Sentiment Analysis)

Câu hỏi về ứng dụng cá nhân hóa, hệ thống đề xuất sử dụng lịch sử tương tác của người dùng để đưa ra gợi ý phù hợp.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 22: Trong mô hình hóa dữ liệu, 'khái niệm phân cấp' (concept hierarchy) được sử dụng để làm gì?

Đánh giá chất lượng dữ liệu.

Chuẩn hóa dữ liệu về cùng một thang đo.

Biểu diễn dữ liệu ở nhiều mức độ chi tiết hoặc tổng quát khác nhau.

Phân loại dữ liệu vào các phạm trù khác nhau.

Câu hỏi về khái niệm phân cấp, dùng để tổ chức dữ liệu ở nhiều mức độ trừu tượng khác nhau.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 23: Độ đo 'lift' trong khai phá luật kết hợp được sử dụng để đánh giá điều gì?

Độ phổ biến của một tập mục.

Độ tin cậy của một luật kết hợp.

Tần suất xuất hiện đồng thời của các mục trong một luật.

Mức độ tương quan giữa các mục trong một luật so với sự xuất hiện ngẫu nhiên của chúng.

Câu hỏi về độ đo lift, đánh giá mức độ tương quan thực tế giữa các mục so với kỳ vọng ngẫu nhiên.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 24: Kiểu khai phá dữ liệu nào tập trung vào việc tìm kiếm các mẫu tuần tự (sequential patterns) trong dữ liệu giao dịch theo thời gian?

Khai phá mẫu tuần tự (Sequential Pattern Mining)

Khai phá luật kết hợp (Association Rule Mining)

Phân cụm (Clustering)

Phân loại (Classification)

Câu hỏi về khai phá mẫu tuần tự, tìm kiếm các chuỗi sự kiện xảy ra theo trình tự thời gian.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 25: Trong ngữ cảnh phân tích mạng xã hội (social network analysis), độ đo 'bậc trung tâm' (degree centrality) của một nút mạng thể hiện điều gì?

Mức độ ảnh hưởng của nút trong mạng.

Số lượng kết nối trực tiếp mà nút đó có với các nút khác.

Vị trí trung gian của nút giữa các phần khác nhau của mạng.

Khả năng lan truyền thông tin của nút trong mạng.

Câu hỏi về độ đo bậc trung tâm trong mạng xã hội, số lượng kết nối trực tiếp mà một nút có.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 26: Thử nghiệm A/B thường được sử dụng trong khai phá dữ liệu và marketing để làm gì?

Phân tích đặc điểm nhân khẩu học của khách hàng.

Dự đoán xu hướng thị trường.

So sánh hiệu quả của hai phiên bản khác nhau của một trang web, quảng cáo hoặc chiến dịch marketing.

Phân cụm khách hàng dựa trên hành vi mua sắm.

Câu hỏi về thử nghiệm A/B, dùng để so sánh hiệu quả của hai phiên bản khác nhau của một yếu tố nào đó.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 27: Trong khai phá dữ liệu không gian (spatial data mining), loại dữ liệu nào sau đây là đối tượng chính được phân tích?

Dữ liệu văn bản.

Dữ liệu chuỗi thời gian.

Dữ liệu giao dịch.

Dữ liệu địa lý hoặc dữ liệu có tọa độ không gian.

Câu hỏi về khai phá dữ liệu không gian, dữ liệu địa lý hoặc có tọa độ không gian là trọng tâm.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 28: Vấn đề 'lãng phí bộ nhớ' (curse of dimensionality) trong khai phá dữ liệu phát sinh khi nào?

Khi số lượng thuộc tính (chiều) của dữ liệu trở nên quá lớn.

Khi kích thước tập dữ liệu quá nhỏ.

Khi dữ liệu chứa nhiều giá trị khuyết thiếu.

Khi các thuộc tính dữ liệu có tương quan cao.

Câu hỏi về curse of dimensionality, xảy ra khi số chiều dữ liệu quá lớn, gây khó khăn cho phân tích.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 29: Phương pháp nào sau đây thường được sử dụng để xử lý dữ liệu văn bản trong khai phá dữ liệu văn bản?

Chuẩn hóa Z-score (Z-score Normalization)

TF-IDF (Term Frequency-Inverse Document Frequency)

Phân tích thành phần chính (PCA)

Phân tích biệt số tuyến tính (Linear Discriminant Analysis - LDA)

Câu hỏi về xử lý dữ liệu văn bản, TF-IDF là một kỹ thuật phổ biến để biến đổi văn bản thành dạng số.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 11

Câu 30: Trong bối cảnh đạo đức khai phá dữ liệu, vấn đề 'quyền riêng tư' (privacy) của dữ liệu người dùng cần được quan tâm như thế nào?

Không cần thiết phải quá quan tâm đến quyền riêng tư nếu dữ liệu được sử dụng cho mục đích nghiên cứu khoa học.

Quyền riêng tư chỉ quan trọng khi dữ liệu chứa thông tin nhạy cảm về tài chính.

Cần được xem xét và bảo vệ một cách nghiêm túc để đảm bảo việc khai thác dữ liệu không xâm phạm đến quyền lợi cá nhân.

Vấn đề quyền riêng tư chỉ liên quan đến việc thu thập dữ liệu, không liên quan đến quá trình khai phá dữ liệu.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi về khía cạnh đạo đức, quyền riêng tư là một trong những vấn đề quan trọng nhất cần xem xét khi khai thác dữ liệu người dùng.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 12

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 1: Mục tiêu chính của Khai phá dữ liệu (Data Mining) trong một tổ chức kinh doanh là gì?

Tăng cường bảo mật hệ thống cơ sở dữ liệu của tổ chức.

Phát hiện các mẫu thông tin giá trị và hỗ trợ ra quyết định kinh doanh.

Cải thiện hiệu suất của các truy vấn cơ sở dữ liệu.

Chuẩn hóa định dạng dữ liệu trên toàn bộ hệ thống.

Câu hỏi tập trung vào mục tiêu kinh doanh cốt lõi của khai phá dữ liệu, vượt ra ngoài định nghĩa kỹ thuật.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 2: Trong quy trình KDD (Knowledge Discovery in Databases), giai đoạn nào thường đòi hỏi sự tham gia nhiều nhất của các chuyên gia предмет области (domain experts)?

Làm sạch và tiền xử lý dữ liệu (Data Cleaning and Preprocessing).

Chọn lọc dữ liệu (Data Selection).

Khai phá dữ liệu (Data Mining).

Đánh giá và diễn giải tri thức (Evaluation and Interpretation).

Câu hỏi tập trung vào vai trò của chuyên gia предмет области trong quy trình KDD, đặc biệt là ở giai đoạn đánh giá và diễn giải tri thức.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 3: Phương pháp nào sau đây thuộc nhóm kỹ thuật khai phá dữ liệu mô tả (descriptive data mining)?

Phân lớp (Classification).

Dự đoán (Prediction).

Phân cụm (Clustering).

Hồi quy (Regression).

Câu hỏi kiểm tra sự phân loại các kỹ thuật khai phá dữ liệu, cụ thể là kỹ thuật mô tả, tập trung vào việc tìm hiểu cấu trúc dữ liệu.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 4: Xét bài toán phân cụm khách hàng dựa trên lịch sử mua sắm. Tiêu chí đánh giá nào sau đây phù hợp nhất để xác định số lượng cụm tối ưu?

Chỉ số Silhouette (Silhouette score).

Độ chính xác (Accuracy).

Độ tin cậy (Confidence).

Độ hỗ trợ (Support).

Câu hỏi về phân cụm và lựa chọn tiêu chí đánh giá phù hợp, tập trung vào việc tối ưu hóa số lượng cụm.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 5: Trong thuật toán Apriori, nguyên tắc 'tính chất Apriori' (Apriori property) phát biểu rằng:

Độ tin cậy của luật kết hợp luôn giảm khi tăng độ hỗ trợ.

Nếu một tập mục là không thường xuyên, thì mọi siêu tập của nó cũng không thường xuyên.

Độ hỗ trợ của tập mục luôn tăng khi kích thước tập mục tăng.

Các tập mục thường xuyên có độ dài k luôn được sinh ra từ các tập mục không thường xuyên có độ dài k-1.

Câu hỏi kiểm tra sự hiểu biết về nguyên tắc cốt lõi của thuật toán Apriori, nền tảng cho việc tỉa nhánh không gian tìm kiếm.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 6: Cho cơ sở dữ liệu giao dịch với min_support = 2. Xét tập mục {B, C, D}. Để tập mục này là thường xuyên, nó phải xuất hiện ít nhất trong bao nhiêu giao dịch?

1 giao dịch.

2 giao dịch.

3 giao dịch.

4 giao dịch.

Câu hỏi kiểm tra khả năng áp dụng khái niệm độ hỗ trợ (support) để xác định tính thường xuyên của tập mục.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 7: Trong khai phá luật kết hợp, độ đo 'Lift' được sử dụng để đánh giá điều gì?

Độ chính xác của luật kết hợp.

Tần suất xuất hiện đồng thời của các mục trong luật.

Mức độ tương quan (correlation) giữa tiền đề và hậu quả của luật, vượt ra ngoài sự xuất hiện ngẫu nhiên.

Độ tin cậy của luật kết hợp trên tập dữ liệu kiểm thử.

Câu hỏi tập trung vào ý nghĩa thống kê của độ đo Lift trong khai phá luật kết hợp, phân biệt nó với các độ đo khác.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 8: Thuật toán FP-Growth cải tiến so với Apriori chủ yếu ở điểm nào?

FP-Growth không cần sinh ứng viên tập mục và duyệt cơ sở dữ liệu nhiều lần như Apriori.

FP-Growth có thể khai phá luật kết hợp trên dữ liệu liên tục, còn Apriori thì không.

FP-Growth cho kết quả chính xác hơn Apriori trong mọi trường hợp.

FP-Growth dễ cài đặt và sử dụng hơn Apriori.

Câu hỏi so sánh hai thuật toán khai phá luật kết hợp phổ biến, tập trung vào ưu điểm của FP-Growth về hiệu suất.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 9: Trong xây dựng cây quyết định, độ đo 'Information Gain' được sử dụng để:

Đánh giá độ phức tạp của cây quyết định.

Chọn thuộc tính tốt nhất để phân chia nút hiện tại, dựa trên khả năng giảm độ bất định (entropy).

Xác định độ sâu tối đa của cây quyết định.

Cắt tỉa cây quyết định để tránh overfitting.

Câu hỏi về cây quyết định và vai trò của độ đo Information Gain trong việc lựa chọn thuộc tính phân chia.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 10: Phương pháp xử lý dữ liệu bị thiếu (missing values) nào sau đây có thể làm sai lệch phân phối dữ liệu gốc nhiều nhất?

Loại bỏ các bản ghi chứa giá trị thiếu (Deletion).

Điền giá trị thiếu bằng giá trị trung bình (Mean imputation).

Điền giá trị thiếu bằng một hằng số đặc biệt (Constant imputation), ví dụ như 0 hoặc -1.

Điền giá trị thiếu bằng giá trị trung vị (Median imputation).

Câu hỏi về tiền xử lý dữ liệu, cụ thể là xử lý giá trị thiếu và tác động của các phương pháp khác nhau lên phân phối dữ liệu.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 11: Kỹ thuật 'chuẩn hóa dữ liệu' (data normalization) thường được áp dụng trước khi sử dụng thuật toán học máy nào?

Cây quyết định (Decision Tree).

Luật kết hợp (Association Rules).

Naive Bayes.

K-Means Clustering.

Câu hỏi về tiền xử lý dữ liệu, cụ thể là chuẩn hóa và sự cần thiết của nó đối với một số thuật toán nhất định.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 12: Trong mô hình hóa dự đoán, hiện tượng 'overfitting' xảy ra khi:

Mô hình quá đơn giản và không nắm bắt được các mẫu trong dữ liệu huấn luyện.

Mô hình học quá sát dữ liệu huấn luyện và kém hiệu quả trên dữ liệu mới (dữ liệu kiểm thử).

Dữ liệu huấn luyện chứa quá nhiều nhiễu.

Quá trình huấn luyện mô hình chưa hội tụ.

Câu hỏi về vấn đề overfitting trong học máy, một khái niệm quan trọng trong đánh giá và lựa chọn mô hình.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 13: Ma trận nhầm lẫn (confusion matrix) được sử dụng để đánh giá hiệu suất của mô hình nào?

Mô hình phân lớp (Classification model).

Mô hình hồi quy (Regression model).

Mô hình phân cụm (Clustering model).

Mô hình luật kết hợp (Association rule model).

Câu hỏi về đánh giá mô hình học máy, cụ thể là ma trận nhầm lẫn và ứng dụng của nó trong bài toán phân lớp.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 14: Độ đo 'Recall' trong đánh giá mô hình phân lớp được tính bằng:

TP / (TP + FP).

TN / (TN + FN).

TP / (TP + FN).

TN / (TN + FP).

Câu hỏi về độ đo Recall, một thành phần quan trọng trong ma trận nhầm lẫn, đo lường khả năng phát hiện ca dương tính thực sự.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 15: Kỹ thuật giảm chiều dữ liệu (dimensionality reduction) nào sau đây là tuyến tính?

t-SNE (t-distributed Stochastic Neighbor Embedding).

PCA (Principal Component Analysis).

UMAP (Uniform Manifold Approximation and Projection).

Kernel PCA.

Câu hỏi về giảm chiều dữ liệu, phân loại kỹ thuật tuyến tính và phi tuyến, tập trung vào PCA.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 16: Trong phân tích cảm xúc văn bản (sentiment analysis), nhiệm vụ 'phân loại văn bản' (text classification) thường được sử dụng để:

Tóm tắt nội dung chính của văn bản.

Phát hiện các thực thể có tên (named entities) trong văn bản.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Xác định văn bản thể hiện cảm xúc tích cực, tiêu cực hay trung tính.

Câu hỏi về ứng dụng của khai phá dữ liệu trong lĩnh vực xử lý ngôn ngữ tự nhiên, cụ thể là phân tích cảm xúc và vai trò của phân loại văn bản.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 17: 'Bag-of-Words' là một phương pháp phổ biến trong tiền xử lý văn bản để:

Chuyển đổi văn bản thành dạng vector số, dựa trên tần suất xuất hiện của từ.

Loại bỏ các từ dừng (stopwords) khỏi văn bản.

Thực hiện stemming hoặc lemmatization để chuẩn hóa từ.

Phân tích cú pháp của văn bản.

Câu hỏi về tiền xử lý văn bản, cụ thể là phương pháp Bag-of-Words và mục đích chuyển đổi văn bản thành dạng số.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 18: Trong khai phá chuỗi thời gian (time series mining), kỹ thuật 'phân tích chuỗi con' (subsequence matching) được sử dụng để:

Dự báo giá trị tương lai của chuỗi thời gian.

Tìm kiếm các đoạn chuỗi con tương tự nhau trong một hoặc nhiều chuỗi thời gian.

Phân cụm các chuỗi thời gian dựa trên đặc điểm tổng thể.

Phân tích xu hướng và mùa vụ trong chuỗi thời gian.

Câu hỏi về khai phá chuỗi thời gian, một lĩnh vực ứng dụng quan trọng của khai phá dữ liệu, và kỹ thuật phân tích chuỗi con.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 19: Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) đặc biệt hiệu quả trong bài toán nào?

Dự báo chuỗi thời gian.

Phân tích cảm xúc văn bản.

Nhận dạng ảnh (Image recognition).

Phân cụm dữ liệu giao dịch.

Câu hỏi về mạng nơ-ron, loại kiến trúc CNN và ứng dụng nổi bật của nó trong xử lý ảnh.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 20: Trong lĩnh vực y tế, khai phá dữ liệu có thể được ứng dụng để:

Tự động hóa hoàn toàn quy trình chẩn đoán bệnh.

Thay thế hoàn toàn vai trò của bác sĩ trong việc điều trị bệnh nhân.

Quản lý hồ sơ bệnh án điện tử.

Phát hiện sớm các bệnh tiềm ẩn dựa trên dữ liệu bệnh sử và xét nghiệm.

Câu hỏi về ứng dụng thực tế của khai phá dữ liệu trong y tế, một lĩnh vực có nhiều tiềm năng.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 21: Một siêu thị sử dụng khai phá dữ liệu để phân tích giỏ hàng của khách hàng. Phát hiện luật kết hợp {Bánh mì} -> {Bơ} có độ tin cậy 70%. Ý nghĩa của luật này là gì?

70% khách hàng mua bơ cũng mua bánh mì.

Trong số khách hàng mua bánh mì, có 70% khả năng họ cũng mua bơ.

Bánh mì và bơ được mua cùng nhau trong 70% tổng số giao dịch.

Nếu khách hàng mua bơ, khả năng cao là họ sẽ mua thêm bánh mì.

Câu hỏi về diễn giải luật kết hợp trong ngữ cảnh kinh doanh thực tế, cụ thể là phân tích giỏ hàng.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 22: Phương pháp 'cross-validation' được sử dụng để:

Tăng tốc độ huấn luyện mô hình.

Giảm kích thước dữ liệu huấn luyện.

Đánh giá khách quan hiệu suất của mô hình trên dữ liệu unseen, và ước tính khả năng tổng quát hóa của mô hình.

Lựa chọn thuật toán học máy phù hợp nhất.

Câu hỏi về kỹ thuật đánh giá mô hình học máy, cụ thể là cross-validation và mục đích sử dụng.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 23: Trong thuật toán K-Means, bước khởi tạo ban đầu có ảnh hưởng như thế nào đến kết quả cuối cùng?

Khởi tạo ngẫu nhiên các centroid ban đầu có thể dẫn đến các kết quả phân cụm khác nhau sau mỗi lần chạy thuật toán.

Thuật toán K-Means luôn hội tụ về cùng một kết quả phân cụm, bất kể khởi tạo ban đầu.

Khởi tạo ban đầu chỉ ảnh hưởng đến tốc độ hội tụ của thuật toán, không ảnh hưởng đến kết quả cuối cùng.

Việc chọn centroid ban đầu không quan trọng bằng việc chọn số lượng cụm K.

Câu hỏi về thuật toán K-Means, một thuật toán phân cụm phổ biến, và tính nhạy cảm của nó đối với khởi tạo ban đầu.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 24: 'Outlier detection' (phát hiện điểm dị thường) là một kỹ thuật quan trọng trong khai phá dữ liệu, được sử dụng để:

Tăng cường tính bảo mật của dữ liệu.

Xác định các điểm dữ liệu bất thường, có thể là lỗi hoặc thông tin giá trị cần phân tích sâu hơn.

Chuẩn hóa phân phối của dữ liệu.

Giảm chiều dữ liệu.

Câu hỏi về phát hiện điểm dị thường, một kỹ thuật quan trọng trong tiền xử lý và phân tích dữ liệu, và ứng dụng của nó.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 25: Trong khai phá dữ liệu web, 'web usage mining' (khai phá sử dụng web) tập trung vào việc phân tích dữ liệu nào?

Nội dung văn bản trên các trang web.

Cấu trúc liên kết giữa các trang web.

Hành vi duyệt web của người dùng, ví dụ như nhật ký truy cập (access logs).

Hình ảnh và video trên các trang web.

Câu hỏi về ứng dụng khai phá dữ liệu trong lĩnh vực web, cụ thể là web usage mining và loại dữ liệu được phân tích.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 26: Phương pháp 'ensemble learning' (học kết hợp) như Random Forest hoặc Gradient Boosting hoạt động bằng cách nào?

Chia nhỏ dữ liệu huấn luyện thành các phần nhỏ hơn và huấn luyện các mô hình riêng biệt trên từng phần.

Huấn luyện một mô hình phức tạp duy nhất với nhiều lớp ẩn sâu.

Sử dụng kết hợp nhiều thuật toán học máy khác nhau trên cùng một dữ liệu.

Kết hợp dự đoán của nhiều mô hình yếu (weak learners) để tạo ra một mô hình mạnh (strong learner).

Câu hỏi về ensemble learning, một phương pháp mạnh mẽ trong học máy, và nguyên tắc hoạt động cơ bản của nó.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 27: Trong ngữ cảnh dữ liệu lớn (Big Data), thách thức lớn nhất đối với các thuật toán khai phá dữ liệu truyền thống là gì?

Khả năng mở rộng (scalability) và hiệu suất tính toán khi xử lý lượng dữ liệu khổng lồ và tốc độ sinh dữ liệu nhanh.

Độ chính xác của các mô hình khai phá dữ liệu trên dữ liệu lớn thường thấp hơn.

Thiếu các công cụ và nền tảng phù hợp để khai phá dữ liệu lớn.

Vấn đề bảo mật và quyền riêng tư dữ liệu trở nên ít quan trọng hơn trong Big Data.

Câu hỏi về khai phá dữ liệu trong môi trường Big Data, tập trung vào thách thức về khả năng mở rộng và hiệu suất.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 28: 'Feature selection' (lựa chọn đặc trưng) là quá trình:

Tạo ra các đặc trưng mới từ các đặc trưng hiện có.

Chọn ra một tập con các đặc trưng có liên quan nhất đến bài toán, loại bỏ các đặc trưng nhiễu hoặc dư thừa.

Chuẩn hóa giá trị của các đặc trưng về cùng một thang đo.

Phân tích mối tương quan giữa các đặc trưng.

Câu hỏi về lựa chọn đặc trưng, một bước quan trọng trong tiền xử lý và xây dựng mô hình, và mục đích của nó.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 29: Khi nào thì việc sử dụng một mô hình học máy phức tạp (ví dụ: mạng nơ-ron sâu) có thể không phải là lựa chọn tốt nhất so với một mô hình đơn giản hơn (ví dụ: hồi quy tuyến tính)?

Khi dữ liệu huấn luyện rất lớn.

Khi yêu cầu độ chính xác dự đoán cực kỳ cao.

Khi dữ liệu huấn luyện nhỏ và/hoặc cần mô hình dễ diễn giải, dễ hiểu.

Khi bài toán đòi hỏi phát hiện các mẫu phi tuyến phức tạp.

Câu hỏi về lựa chọn mô hình, nhấn mạnh sự cân bằng giữa độ phức tạp và hiệu suất, đặc biệt trong trường hợp dữ liệu nhỏ hoặc yêu cầu về khả năng diễn giải.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 12

Câu 30: Đạo đức trong khai phá dữ liệu (Data Mining Ethics) đề cập đến vấn đề gì?

Hiệu suất tính toán của các thuật toán khai phá dữ liệu.

Tính bảo mật của dữ liệu cá nhân.

Khả năng diễn giải kết quả khai phá dữ liệu cho người dùng không chuyên.

Sử dụng dữ liệu và kết quả khai phá dữ liệu một cách có trách nhiệm, tránh gây ra phân biệt đối xử, xâm phạm quyền riêng tư hoặc các hậu quả tiêu cực khác.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi về khía cạnh đạo đức trong khai phá dữ liệu, một vấn đề ngày càng được quan tâm trong bối cảnh ứng dụng AI rộng rãi.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 13

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 1: Trong quy trình Khám phá Tri thức từ Cơ sở Dữ liệu (KDD), giai đoạn nào tập trung vào việc chuyển đổi dữ liệu thô sang định dạng phù hợp cho phân tích, bao gồm xử lý dữ liệu bị thiếu, loại bỏ nhiễu và chuẩn hóa dữ liệu?

Khai thác dữ liệu (Data Mining)

Tiền xử lý dữ liệu (Data Preprocessing)

Đánh giá tri thức (Evaluation)

Lựa chọn dữ liệu (Data Selection)

Câu hỏi này tập trung vào giai đoạn tiền xử lý dữ liệu trong quy trình KDD, nơi dữ liệu được làm sạch và chuẩn bị trước khi khai thác.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 2: Phương pháp khai phá dữ liệu nào thường được sử dụng để khám phá các mối quan hệ thú vị giữa các biến trong cơ sở dữ liệu giao dịch, ví dụ như tìm ra các sản phẩm thường được mua cùng nhau trong siêu thị?

Phân cụm (Clustering)

Phân lớp (Classification)

Khai thác luật kết hợp (Association Rule Mining)

Hồi quy (Regression)

Câu hỏi này mô tả bài toán khai thác luật kết hợp, thường được ứng dụng trong phân tích giỏ hàng để tìm ra các tập mục phổ biến và luật kết hợp giữa chúng.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 3: Thuật toán Apriori hoạt động dựa trên nguyên tắc quan trọng nào để tối ưu hóa quá trình tìm kiếm tập mục thường xuyên?

Tính chất Apriori (Apriori property): Mọi tập con của một tập mục thường xuyên cũng là tập mục thường xuyên.

Nguyên tắc chia để trị (Divide and Conquer)

Nguyên tắc tham lam (Greedy approach)

Nguyên tắc cây quyết định (Decision Tree principle)

Câu hỏi này kiểm tra kiến thức về nguyên tắc 'tính chất Apriori' - một tập con của tập mục thường xuyên cũng là tập mục thường xuyên, giúp giảm không gian tìm kiếm.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 4: Độ đo 'độ tin cậy' (confidence) trong khai thác luật kết hợp cho luật 'A → B' thể hiện điều gì?

Tần suất xuất hiện đồng thời của A và B trong cơ sở dữ liệu.

Mức độ phổ biến của tập mục B trong cơ sở dữ liệu.

Tỷ lệ giao dịch chứa A so với tổng số giao dịch.

Xác suất giao dịch chứa B khi giao dịch đó đã chứa A.

Câu hỏi này kiểm tra sự hiểu biết về độ đo 'độ tin cậy', nó đo lường tần suất xuất hiện của B khi A đã xuất hiện, tức là độ chính xác của luật.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 5: Trong bài toán phân lớp, mục tiêu chính của việc xây dựng mô hình là gì?

Phân chia dữ liệu thành các nhóm có thuộc tính tương đồng.

Dự đoán lớp (category) của một đối tượng mới dựa trên các thuộc tính của nó.

Tìm ra các mối quan hệ giữa các thuộc tính trong dữ liệu.

Giảm chiều dữ liệu và trực quan hóa dữ liệu đa chiều.

Câu hỏi tập trung vào mục tiêu cốt lõi của phân lớp: gán nhãn lớp cho các đối tượng mới dựa trên mô hình học được từ dữ liệu huấn luyện.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 6: Phương pháp phân lớp nào dựa trên việc xây dựng một cấu trúc dạng cây, trong đó mỗi nút trên cây đại diện cho một thuộc tính và các nhánh rẽ tương ứng với các giá trị của thuộc tính đó?

Cây quyết định (Decision Tree)

Máy học vector hỗ trợ (Support Vector Machine - SVM)

Mạng nơ-ron (Neural Network)

Naive Bayes

Câu hỏi này mô tả đặc điểm chính của cây quyết định, một phương pháp phân lớp phổ biến dựa trên cấu trúc cây phân cấp.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 7: Trong thuật toán K-means, điều gì xảy ra ở mỗi bước lặp?

Chọn ngẫu nhiên các điểm dữ liệu làm trung tâm cụm.

Tính khoảng cách giữa tất cả các cặp điểm dữ liệu.

Các điểm dữ liệu được gán lại vào cụm gần nhất và các trọng tâm cụm được tính toán lại.

Dừng thuật toán khi đạt đến số lượng cụm mong muốn.

Câu hỏi này kiểm tra hiểu biết về quy trình lặp của thuật toán K-means, bao gồm hai bước chính: gán lại các điểm dữ liệu vào cụm gần nhất và cập nhật lại trọng tâm của các cụm.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 8: Độ đo 'silhouette coefficient' được sử dụng để đánh giá chất lượng của kết quả phân cụm như thế nào?

Đo lường độ chính xác của mô hình phân cụm so với nhãn lớp thực tế.

Đánh giá mức độ một điểm dữ liệu tương đồng với cụm của nó so với các cụm khác.

Tính toán khoảng cách trung bình giữa các điểm dữ liệu trong cùng một cụm.

Xác định số lượng cụm tối ưu trong dữ liệu.

Câu hỏi này liên quan đến việc đánh giá kết quả phân cụm. 'Silhouette coefficient' đo lường mức độ một điểm dữ liệu tương đồng với cụm của nó so với các cụm khác, giá trị cao hơn chỉ ra chất lượng cụm tốt hơn.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 9: Kỹ thuật 'giảm chiều dữ liệu' (dimensionality reduction) được áp dụng khi nào và với mục đích gì trong khai phá dữ liệu?

Khi dữ liệu có quá nhiều mẫu và cần giảm kích thước tập dữ liệu.

Khi cần tăng cường tính bảo mật cho dữ liệu.

Khi muốn chuyển đổi dữ liệu sang định dạng phù hợp cho khai thác luật kết hợp.

Khi dữ liệu có quá nhiều thuộc tính (chiều) và cần giảm độ phức tạp, loại bỏ nhiễu hoặc cải thiện hiệu suất mô hình.

Câu hỏi này về giảm chiều dữ liệu, một kỹ thuật quan trọng khi làm việc với dữ liệu nhiều chiều để giảm độ phức tạp tính toán, loại bỏ nhiễu và cải thiện hiệu suất mô hình.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 10: Phương pháp giảm chiều dữ liệu nào tìm cách ánh xạ dữ liệu sang một không gian chiều thấp hơn bằng cách giữ lại các phương sai lớn nhất trong dữ liệu gốc?

Phân tích thành phần độc lập (Independent Component Analysis - ICA)

Phân tích biệt tuyến tính (Linear Discriminant Analysis - LDA)

Phân tích thành phần chính (Principal Component Analysis - PCA)

Mã hóa tự động (Autoencoder)

Câu hỏi này mô tả phương pháp Phân tích thành phần chính (PCA), một kỹ thuật giảm chiều dữ liệu phổ biến dựa trên việc tìm các thành phần chính giữ lại phương sai lớn nhất.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 11: Trong ngữ cảnh khai phá dữ liệu chuỗi thời gian, kỹ thuật 'phân tích chuỗi thời gian' (time series analysis) thường được sử dụng để làm gì?

Phân cụm các chuỗi thời gian có hình dạng tương tự.

Dự báo giá trị tương lai, phát hiện dị thường, hoặc phân tích xu hướng và mùa vụ trong dữ liệu theo thời gian.

Phân loại các chuỗi thời gian vào các lớp khác nhau.

Giảm chiều dữ liệu chuỗi thời gian.

Câu hỏi này về phân tích chuỗi thời gian, một lĩnh vực quan trọng trong khai phá dữ liệu, tập trung vào việc phân tích dữ liệu theo thời gian để tìm xu hướng, mùa vụ, và dự báo giá trị tương lai.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 12: 'Dữ liệu lớn' (Big Data) thường được mô tả bởi 4Vs: Volume, Velocity, Variety và Veracity. 'Velocity' đề cập đến khía cạnh nào của dữ liệu lớn?

Sự đa dạng của các loại dữ liệu (văn bản, hình ảnh, video...).

Độ chính xác và độ tin cậy của dữ liệu.

Tốc độ tạo ra và xử lý dữ liệu.

Khối lượng dữ liệu khổng lồ.

Câu hỏi này kiểm tra kiến thức về đặc điểm 4Vs của Big Data, trong đó 'Velocity' liên quan đến tốc độ tạo ra và xử lý dữ liệu.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 13: Trong khai phá văn bản (text mining), kỹ thuật 'TF-IDF' (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì?

Đánh trọng số cho các từ trong văn bản, thể hiện mức độ quan trọng của từ đó trong một văn bản so với tập văn bản.

Phân loại văn bản vào các chủ đề khác nhau.

Phân cụm các văn bản có nội dung tương tự.

Trích xuất thông tin quan trọng từ văn bản.

Câu hỏi này về TF-IDF, một kỹ thuật quan trọng trong khai phá văn bản để đánh trọng số từ, phản ánh mức độ quan trọng của từ trong một văn bản so với toàn bộ tập văn bản.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 14: Phân tích cảm xúc (sentiment analysis) trong khai phá văn bản nhằm mục đích gì?

Tóm tắt nội dung chính của văn bản.

Xác định thái độ, quan điểm hoặc cảm xúc (ví dụ: tích cực, tiêu cực, trung lập) được thể hiện trong văn bản.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Kiểm tra lỗi chính tả và ngữ pháp trong văn bản.

Câu hỏi này về phân tích cảm xúc, ứng dụng phổ biến trong khai phá văn bản để xác định thái độ, quan điểm hoặc cảm xúc được thể hiện trong văn bản (tích cực, tiêu cực, trung lập).

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 15: Trong khai phá web (web mining), 'web usage mining' tập trung vào việc phân tích loại dữ liệu nào?

Nội dung của các trang web (văn bản, hình ảnh, video...).

Cấu trúc liên kết giữa các trang web (siêu liên kết).

Dữ liệu nhật ký truy cập web (web logs) ghi lại hành vi người dùng.

Thông tin về tác giả và ngày xuất bản của các trang web.

Câu hỏi này về 'web usage mining', một nhánh của khai phá web, tập trung vào phân tích dữ liệu nhật ký truy cập web (web logs) để hiểu hành vi người dùng.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 16: Ứng dụng nào sau đây KHÔNG phải là ứng dụng phổ biến của khai phá dữ liệu?

Phân tích giỏ hàng trong bán lẻ.

Phát hiện gian lận trong giao dịch tài chính.

Dự đoán bệnh tật trong y tế.

Soạn thảo văn bản tự động.

Câu hỏi này kiểm tra kiến thức về các ứng dụng của khai phá dữ liệu. 'Soạn thảo văn bản' không phải là ứng dụng trực tiếp của khai phá dữ liệu, trong khi các lựa chọn khác đều là ứng dụng phổ biến.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 17: Vấn đề 'quá khớp' (overfitting) trong học máy xảy ra khi nào?

Khi mô hình học quá chậm và không hội tụ.

Khi mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu kiểm tra mới.

Khi dữ liệu huấn luyện chứa quá nhiều nhiễu.

Khi mô hình quá đơn giản và không đủ khả năng biểu diễn dữ liệu.

Câu hỏi này về overfitting, một vấn đề quan trọng trong học máy, xảy ra khi mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 18: Để đánh giá hiệu suất của mô hình phân lớp, độ đo 'F1-score' là gì?

Tỷ lệ mẫu được phân loại đúng trên tổng số mẫu.

Tỷ lệ mẫu dự đoán là lớp dương tính và thực tế là lớp dương tính.

Trung bình điều hòa của độ chính xác (precision) và độRecall (recall).

Diện tích dưới đường cong ROC.

Câu hỏi này về F1-score, một độ đo quan trọng để đánh giá mô hình phân lớp, là trung bình điều hòa của precision và recall, cân bằng giữa hai độ đo này.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 19: Kỹ thuật 'lấy mẫu' (sampling) được sử dụng khi nào trong khai phá dữ liệu?

Khi tập dữ liệu quá lớn và cần giảm kích thước để xử lý hiệu quả hơn.

Khi cần tăng cường độ chính xác của mô hình.

Khi muốn chuyển đổi dữ liệu sang định dạng khác.

Khi dữ liệu bị thiếu giá trị.

Câu hỏi này về sampling, kỹ thuật được sử dụng khi làm việc với dữ liệu lớn để giảm kích thước dữ liệu, tăng tốc độ xử lý, hoặc khi dữ liệu không cân bằng.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 20: Trong khai phá dữ liệu không gian (spatial data mining), loại dữ liệu nào được xử lý chính?

Dữ liệu văn bản.

Dữ liệu có thông tin vị trí địa lý (ví dụ: dữ liệu bản đồ, dữ liệu GIS).

Dữ liệu chuỗi thời gian.

Dữ liệu giao dịch.

Câu hỏi này về khai phá dữ liệu không gian, tập trung vào xử lý dữ liệu có thông tin vị trí địa lý, như dữ liệu bản đồ, ảnh vệ tinh, dữ liệu GIS.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 21: 'Kho dữ liệu' (data warehouse) khác biệt với 'cơ sở dữ liệu giao dịch' (transactional database) chủ yếu ở điểm nào?

Kho dữ liệu chứa dữ liệu cập nhật liên tục, cơ sở dữ liệu giao dịch chứa dữ liệu tĩnh.

Kho dữ liệu chỉ chứa dữ liệu phi cấu trúc, cơ sở dữ liệu giao dịch chứa dữ liệu cấu trúc.

Kho dữ liệu được thiết kế cho lưu trữ dữ liệu lịch sử, cơ sở dữ liệu giao dịch cho dữ liệu hiện tại.

Kho dữ liệu được tối ưu hóa cho phân tích và báo cáo, cơ sở dữ liệu giao dịch cho xử lý giao dịch.

Câu hỏi này so sánh data warehouse và transactional database. Data warehouse được thiết kế cho phân tích và báo cáo, dữ liệu tích hợp từ nhiều nguồn, trong khi transactional database tối ưu cho xử lý giao dịch.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 22: 'OLAP' (Online Analytical Processing) là gì và nó được sử dụng để làm gì?

Công nghệ phân tích dữ liệu đa chiều, cho phép người dùng truy vấn và phân tích dữ liệu từ nhiều góc độ khác nhau.

Ngôn ngữ truy vấn dữ liệu cấu trúc.

Hệ quản trị cơ sở dữ liệu quan hệ.

Phương pháp mã hóa dữ liệu để bảo mật.

Câu hỏi này về OLAP, một công nghệ cho phép phân tích dữ liệu đa chiều từ kho dữ liệu, hỗ trợ ra quyết định.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 23: 'Dị thường' (anomaly) trong khai phá dữ liệu là gì?

Các điểm dữ liệu phổ biến nhất trong tập dữ liệu.

Các điểm dữ liệu khác biệt đáng kể so với phần lớn dữ liệu còn lại, thường chỉ ra sự kiện bất thường hoặc gian lận.

Các điểm dữ liệu bị thiếu giá trị.

Các điểm dữ liệu được phân loại sai.

Câu hỏi này định nghĩa anomaly, là các điểm dữ liệu khác biệt đáng kể so với phần lớn dữ liệu còn lại, có thể chỉ ra sự kiện bất thường hoặc gian lận.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 24: Phương pháp nào sau đây KHÔNG thuộc nhóm phương pháp phát hiện dị thường (anomaly detection)?

Phương pháp thống kê (Statistical methods).

Phương pháp dựa trên khoảng cách (Distance-based methods).

Phân cụm K-means (K-means clustering).

Phương pháp dựa trên mật độ (Density-based methods).

Câu hỏi này về anomaly detection. 'Phân cụm K-means' là phương pháp phân cụm, không phải phương pháp phát hiện dị thường trực tiếp, mặc dù có thể được sử dụng gián tiếp.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 25: Đạo đức trong khai phá dữ liệu đề cập đến vấn đề gì quan trọng nhất?

Tối ưu hóa hiệu suất thuật toán khai phá dữ liệu.

Đảm bảo tính toàn vẹn của dữ liệu.

Tuân thủ luật bản quyền dữ liệu.

Bảo vệ quyền riêng tư của cá nhân và sử dụng dữ liệu một cách có trách nhiệm.

Câu hỏi này về đạo đức trong khai phá dữ liệu. Bảo vệ quyền riêng tư và sử dụng dữ liệu một cách có trách nhiệm là vấn đề đạo đức cốt lõi.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 26: 'Bias' (thiên vị) trong dữ liệu huấn luyện có thể ảnh hưởng đến mô hình học máy như thế nào?

Giúp mô hình học nhanh hơn và chính xác hơn.

Dẫn đến mô hình thiên vị, đưa ra dự đoán không công bằng hoặc không chính xác cho một số nhóm đối tượng.

Không ảnh hưởng đến hiệu suất của mô hình nếu sử dụng thuật toán học máy mạnh mẽ.

Chỉ ảnh hưởng đến giai đoạn tiền xử lý dữ liệu, không ảnh hưởng đến mô hình.

Câu hỏi này về bias trong dữ liệu. Dữ liệu thiên vị có thể dẫn đến mô hình thiên vị, đưa ra dự đoán không công bằng hoặc không chính xác cho các nhóm khác nhau.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 27: 'Interpretability' (khả năng diễn giải) của mô hình học máy quan trọng khi nào?

Khi chỉ cần mô hình có độ chính xác cao nhất, bất kể lý do đưa ra quyết định.

Khi dữ liệu huấn luyện rất lớn và phức tạp.

Khi cần hiểu rõ lý do đưa ra quyết định của mô hình, đặc biệt trong các lĩnh vực như y tế, tài chính, hoặc pháp lý.

Khi triển khai mô hình trên các thiết bị có tài nguyên hạn chế.

Câu hỏi này về interpretability. Khả năng diễn giải mô hình quan trọng khi cần hiểu rõ quyết định của mô hình, đặc biệt trong các lĩnh vực nhạy cảm như y tế hoặc tài chính.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 28: Phương pháp 'cross-validation' (kiểm định chéo) được sử dụng để làm gì trong quá trình xây dựng mô hình học máy?

Đánh giá hiệu suất của mô hình trên dữ liệu mới và ước tính khả năng tổng quát hóa của mô hình.

Tăng kích thước tập dữ liệu huấn luyện.

Giảm chiều dữ liệu huấn luyện.

Chọn thuật toán học máy phù hợp nhất.

Câu hỏi này về cross-validation. Phương pháp này được dùng để đánh giá khách quan hiệu suất của mô hình trên dữ liệu mới và tránh overfitting.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 29: 'Ensemble methods' (phương pháp tập hợp) trong học máy là gì?

Các phương pháp chia nhỏ tập dữ liệu lớn thành các phần nhỏ hơn để học.

Các phương pháp kết hợp dự đoán của nhiều mô hình học máy yếu đ??? tạo ra một mô hình mạnh mẽ hơn.

Các phương pháp giảm số lượng thuộc tính đầu vào cho mô hình.

Các phương pháp tăng cường tính diễn giải của mô hình.

Câu hỏi này về ensemble methods. Các phương pháp này kết hợp nhiều mô hình học máy yếu để tạo ra một mô hình mạnh mẽ hơn, cải thiện độ chính xác và độ ổn định.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 13

Câu 30: Ứng dụng của khai phá dữ liệu trong lĩnh vực y tế có thể bao gồm:

Tự động hóa quy trình nhập liệu hồ sơ bệnh án.

Quản lý lịch hẹn khám bệnh trực tuyến.

Dự đoán nguy cơ bệnh tật, cá nhân hóa phác đồ điều trị và phát hiện dịch bệnh sớm.

Thống kê số lượng bệnh nhân nhập viện hàng ngày.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi này về ứng dụng của khai phá dữ liệu trong y tế. Các lựa chọn đều là ứng dụng tiềm năng, nhưng 'Dự đoán nguy cơ bệnh tật và cá nhân hóa điều trị' là ứng dụng cốt lõi và mang lại giá trị cao nhất.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 14

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 1: Trong quy trình Khai phá Tri thức từ Cơ sở Dữ liệu (KDD), bước nào sau đây tập trung vào việc chuyển đổi dữ liệu thô sang định dạng phù hợp cho phân tích?

Khai phá dữ liệu (Data Mining)

Tiền xử lý dữ liệu (Data Preprocessing)

Đánh giá mẫu (Pattern Evaluation)

Chọn lọc dữ liệu (Data Selection)

Câu hỏi kiểm tra kiến thức về các bước trong quy trình KDD và mục tiêu của từng bước, đặc biệt là bước tiền xử lý dữ liệu.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 2: Một siêu thị muốn phân tích hành vi mua sắm của khách hàng để đưa ra các chương trình khuyến mãi phù hợp. Nhiệm vụ khai phá dữ liệu nào sau đây phù hợp nhất để giải quyết vấn đề này?

Phân loại (Classification)

Hồi quy (Regression)

Khai thác luật kết hợp (Association Rule Mining)

Phân cụm (Clustering)

Câu hỏi tình huống ứng dụng, yêu cầu xác định loại nhiệm vụ khai phá dữ liệu phù hợp với mục tiêu kinh doanh cụ thể (phân tích hành vi mua sắm để khuyến mãi).

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 3: Thuật toán Apriori được sử dụng phổ biến trong khai phá luật kết hợp. Nguyên tắc 'Apriori' cốt lõi của thuật toán này là gì?

Nếu một tập mục là thường xuyên, thì mọi tập con của nó cũng là thường xuyên.

Nếu một tập mục là không thường xuyên, thì mọi tập cha của nó cũng là không thường xuyên.

Độ hỗ trợ của một tập mục tỉ lệ thuận với kích thước của tập mục đó.

Độ tin cậy của một luật kết hợp không phụ thuộc vào độ hỗ trợ của tập mục.

Câu hỏi kiểm tra sự hiểu biết về nguyên tắc hoạt động cơ bản của thuật toán Apriori, một thuật toán quan trọng trong khai phá luật kết hợp.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 4: Trong bài toán phân loại, độ đo 'độ chính xác' (Accuracy) được tính dựa trên cơ sở nào?

Tỷ lệ dự đoán đúng trên tổng số mẫu thuộc lớp dương tính.

Tỷ lệ dự đoán đúng trên tổng số mẫu trong tập dữ liệu.

Tỷ lệ mẫu dương tính được dự đoán đúng trên tổng số mẫu dương tính thực tế.

Tỷ lệ mẫu âm tính bị dự đoán sai trên tổng số mẫu âm tính thực tế.

Câu hỏi kiểm tra kiến thức về các độ đo đánh giá mô hình phân loại, cụ thể là độ chính xác và cách tính nó.

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 5: Phương pháp 'k-means' thường được sử dụng cho nhiệm vụ khai phá dữ liệu nào?

Phân loại văn bản (Text Classification)

Dự báo chuỗi thời gian (Time Series Forecasting)

Khai thác luật kết hợp (Association Rule Mining)

Phân cụm dữ liệu (Data Clustering)

Câu hỏi kiểm tra kiến thức về các thuật toán khai phá dữ liệu và ứng dụng của chúng, cụ thể là thuật toán k-means và nhiệm vụ phân cụm.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 6: 'Overfitting' là một vấn đề thường gặp trong xây dựng mô hình học máy. Overfitting xảy ra khi nào?

Mô hình quá đơn giản và không thể nắm bắt được cấu trúc dữ liệu.

Dữ liệu huấn luyện chứa quá nhiều nhiễu và ngoại lệ.

Mô hình học quá kỹ dữ liệu huấn luyện và kém khả năng khái quát hóa trên dữ liệu mới.

Quá trình huấn luyện mô hình diễn ra quá nhanh và không hội tụ.

Câu hỏi kiểm tra hiểu biết về một khái niệm quan trọng trong học máy là overfitting và nguyên nhân gây ra nó.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 7: Trong khai phá dữ liệu, 'feature scaling' (tỉ lệ hóa thuộc tính) thường được áp dụng trong giai đoạn nào?

Đánh giá mô hình (Model Evaluation)

Tiền xử lý dữ liệu (Data Preprocessing)

Lựa chọn mô hình (Model Selection)

Khai thác mẫu (Pattern Mining)

Câu hỏi kiểm tra kiến thức về các kỹ thuật tiền xử lý dữ liệu và thời điểm áp dụng chúng trong quy trình khai phá dữ liệu.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 8: Ma trận nhầm lẫn (Confusion Matrix) là công cụ quan trọng để đánh giá hiệu suất của mô hình nào?

Mô hình phân loại (Classification Model)

Mô hình hồi quy (Regression Model)

Mô hình phân cụm (Clustering Model)

Mô hình khai thác luật kết hợp (Association Rule Mining Model)

Câu hỏi kiểm tra kiến thức về các công cụ đánh giá mô hình và ứng dụng của chúng, đặc biệt là ma trận nhầm lẫn và mô hình phân loại.

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 9: Phương pháp 'cross-validation' (kiểm định chéo) được sử dụng với mục đích chính nào trong học máy?

Tăng tốc độ huấn luyện mô hình.

Giảm thiểu kích thước dữ liệu huấn luyện.

Đánh giá khả năng khái quát hóa của mô hình trên dữ liệu mới.

Lựa chọn thuật toán học máy phù hợp nhất.

Câu hỏi kiểm tra kiến thức về các phương pháp đánh giá mô hình và mục đích sử dụng của kiểm định chéo.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 10: Trong khai phá dữ liệu văn bản, kỹ thuật 'TF-IDF' được sử dụng để làm gì?

Phân tích cảm xúc văn bản.

Tóm tắt văn bản tự động.

Phân loại chủ đề văn bản.

Tính trọng số quan trọng của từ trong một văn bản so với tập hợp văn bản.

Câu hỏi kiểm tra kiến thức về các kỹ thuật xử lý dữ liệu văn bản, cụ thể là TF-IDF và mục đích sử dụng của nó.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 11: Cho một tập dữ liệu giao dịch: T1={A, B, C}, T2={A, C}, T3={A, D}, T4={B, C, E}. Với độ hỗ trợ tối thiểu là 50%, tập mục {A, C} có phải là tập mục thường xuyên không?

Có, vì độ hỗ trợ của {A, C} là 50% (xuất hiện trong 2/4 giao dịch).

Không, vì độ hỗ trợ của {A, C} chỉ là 25%.

Có, vì {A, C} chứa các mục phổ biến A và C.

Không, vì độ hỗ trợ tối thiểu phải là 75%.

Câu hỏi vận dụng, yêu cầu tính toán độ hỗ trợ của một tập mục cụ thể và so sánh với độ hỗ trợ tối thiểu để xác định tính thường xuyên.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 12: Trong thuật toán DBSCAN, tham số 'epsilon' (ε) và 'minPts' có vai trò gì?

Xác định số lượng cụm và trung tâm cụm ban đầu.

Xác định bán kính lân cận và số lượng điểm tối thiểu để tạo thành một cụm.

Xác định độ đo khoảng cách và tiêu chí dừng thuật toán.

Xác định trọng số của các thuộc tính và ngưỡng phân cụm.

Câu hỏi kiểm tra kiến thức về các tham số trong thuật toán phân cụm DBSCAN và vai trò của chúng trong việc xác định cụm.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 13: 'Dimensionality reduction' (giảm chiều dữ liệu) là quá trình quan trọng trong khai phá dữ liệu, mục đích chính của nó là gì?

Tăng độ chính xác của mô hình khai phá dữ liệu.

Cải thiện chất lượng dữ liệu đầu vào.

Giảm độ phức tạp tính toán và lưu trữ, đồng thời loại bỏ nhiễu và thuộc tính không liên quan.

Tạo ra dữ liệu mới có cấu trúc tốt hơn.

Câu hỏi kiểm tra hiểu biết về kỹ thuật giảm chiều dữ liệu và mục tiêu của nó trong xử lý dữ liệu đa chiều.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 14: Trong mô hình cây quyết định, độ đo 'entropy' được sử dụng để làm gì?

Đánh giá độ chính xác của cây quyết định.

Xác định số lượng nút lá trong cây quyết định.

Cân bằng kích thước của các nhánh cây quyết định.

Đo độ không chắc chắn hoặc độ hỗn loạn của một tập hợp dữ liệu, từ đó chọn thuộc tính phân chia tốt nhất.

Câu hỏi kiểm tra kiến thức về các độ đo thông tin trong cây quyết định, cụ thể là entropy và vai trò của nó trong việc lựa chọn thuộc tính.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 15: So sánh thuật toán Apriori và FP-Growth trong khai phá luật kết hợp, ưu điểm chính của FP-Growth so với Apriori là gì?

FP-Growth dễ cài đặt và triển khai hơn Apriori.

FP-Growth hiệu quả hơn về mặt thời gian và bộ nhớ do không cần sinh ứng viên tập mục.

FP-Growth có thể khai thác luật kết hợp từ dữ liệu phi cấu trúc tốt hơn.

FP-Growth cho kết quả chính xác hơn Apriori trong mọi trường hợp.

Câu hỏi so sánh và đối chiếu hai thuật toán khai phá luật kết hợp phổ biến, yêu cầu chỉ ra ưu điểm của FP-Growth về hiệu suất.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 16: Trong phân tích cụm, 'Silhouette coefficient' được sử dụng để đánh giá điều gì?

Độ chính xác của phân cụm so với nhãn lớp thực tế.

Thời gian thực hiện thuật toán phân cụm.

Độ tốt của cấu trúc cụm, đo lường mức độ một điểm dữ liệu tương đồng với cụm của nó so với các cụm khác.

Số lượng cụm tối ưu trong dữ liệu.

Câu hỏi kiểm tra kiến thức về các độ đo đánh giá chất lượng phân cụm, cụ thể là Silhouette coefficient và ý nghĩa của nó.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 17: Cho một luật kết hợp 'A → B' với độ tin cậy (Confidence) là 80%. Ý nghĩa của độ tin cậy này là gì?

Trong 80% giao dịch, mặt hàng A và B xuất hiện cùng nhau.

Có 80% khả năng mua mặt hàng A nếu đã mua mặt hàng B.

Trong 80% giao dịch chứa mặt hàng B, mặt hàng A cũng xuất hiện.

Trong 80% giao dịch chứa mặt hàng A, mặt hàng B cũng xuất hiện.

Câu hỏi kiểm tra khả năng diễn giải ý nghĩa của độ tin cậy trong luật kết hợp, một độ đo quan trọng trong khai phá luật kết hợp.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 18: Kỹ thuật 'one-hot encoding' thường được sử dụng để xử lý loại dữ liệu nào trước khi đưa vào mô hình học máy?

Dữ liệu số liên tục (Continuous numerical data).

Dữ liệu thuộc tính định danh (Categorical data).

Dữ liệu văn bản (Textual data).

Dữ liệu chuỗi thời gian (Time series data).

Câu hỏi kiểm tra kiến thức về các kỹ thuật tiền xử lý dữ liệu, đặc biệt là one-hot encoding và loại dữ liệu mà nó phù hợp.

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 19: Trong ngữ cảnh khai phá dữ liệu lớn (Big Data), framework nào sau đây thường được sử dụng để xử lý và phân tích dữ liệu phân tán?

SQL Server

Microsoft Excel

Apache Spark

MySQL

Câu hỏi kiểm tra kiến thức về các công nghệ và framework xử lý dữ liệu lớn, đặc biệt là Hadoop và Spark trong ngữ cảnh khai phá dữ liệu.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 20: 'Bias-variance tradeoff' là một khái niệm quan trọng trong học máy. Bias cao thường dẫn đến hiện tượng gì?

Underfitting (mô hình kém phù hợp).

Overfitting (mô hình quá phù hợp).

Dữ liệu bị nhiễu.

Mô hình hoạt động chậm.

Câu hỏi kiểm tra hiểu biết về bias-variance tradeoff, một khái niệm cơ bản trong học máy, và hậu quả của bias cao.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 21: Trong thuật toán Naive Bayes, giả định 'naive' (ngây thơ) đề cập đến điều gì?

Dữ liệu đầu vào phải được chuẩn hóa.

Các thuộc tính đầu vào là độc lập có điều kiện với nhau khi biết lớp.

Phân phối xác suất của dữ liệu là phân phối chuẩn.

Thuật toán chỉ hiệu quả với dữ liệu văn bản.

Câu hỏi kiểm tra kiến thức về thuật toán Naive Bayes và giả định đơn giản hóa mà thuật toán này dựa trên.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 22: Khi nào nên sử dụng phương pháp phân cụm phân cấp (Hierarchical Clustering) thay vì k-means?

Khi dữ liệu có số lượng chiều lớn.

Khi số lượng cụm đã biết trước.

Khi muốn khám phá cấu trúc phân cấp tự nhiên trong dữ liệu và không biết trước số lượng cụm.

Khi yêu cầu thuật toán phân cụm chạy nhanh và hiệu quả.

Câu hỏi so sánh và đối chiếu hai phương pháp phân cụm khác nhau, yêu cầu xác định tình huống phù hợp cho phân cụm phân cấp.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 23: 'Recall' (độRecall) là một độ đo quan trọng trong đánh giá mô hình phân loại, nó đo lường điều gì?

Khả năng tìm ra tất cả các mẫu dương tính thực sự.

Khả năng dự đoán chính xác các mẫu dương tính.

Tỷ lệ dự đoán đúng trên tổng số mẫu.

Tỷ lệ mẫu âm tính bị dự đoán sai.

Câu hỏi kiểm tra kiến thức về các độ đo đánh giá mô hình phân loại, cụ thể là Recall và ý nghĩa của nó.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 24: Trong khai phá dữ liệu chuỗi thời gian, phương pháp 'ARIMA' thường được sử dụng để làm gì?

Phân cụm các chuỗi thời gian tương tự.

Dự báo giá trị tương lai của chuỗi thời gian.

Phân loại các chuỗi thời gian vào các nhóm khác nhau.

Khai thác luật kết hợp từ các chuỗi thời gian.

Câu hỏi kiểm tra kiến thức về các phương pháp phân tích dữ liệu chuỗi thời gian, đặc biệt là ARIMA và ứng dụng của nó.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 25: 'Ensemble learning' (học tập hợp) là gì và tại sao nó thường hiệu quả hơn các mô hình học máy đơn lẻ?

Một phương pháp tiền xử lý dữ liệu để làm sạch dữ liệu nhiễu.

Một kỹ thuật giảm chiều dữ liệu để tăng tốc độ huấn luyện.

Một cách để đánh giá mô hình học máy bằng cách sử dụng nhiều độ đo khác nhau.

Một phương pháp kết hợp dự đoán của nhiều mô hình học máy khác nhau để cải thiện độ chính xác và độ ổn định.

Câu hỏi kiểm tra hiểu biết về phương pháp học tập hợp và lý do tại sao nó mang lại hiệu quả cao hơn.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 26: Trong khai phá dữ liệu web, 'web usage mining' (khai phá sử dụng web) tập trung vào việc phân tích loại dữ liệu nào?

Nội dung văn bản trên các trang web.

Cấu trúc liên kết giữa các trang web.

Hành vi duyệt web của người dùng, như nhật ký truy cập trang web và click chuột.

Thông tin về tác giả và ngày xuất bản của các trang web.

Câu hỏi kiểm tra kiến thức về các lĩnh vực ứng dụng của khai phá dữ liệu, đặc biệt là khai phá sử dụng web và loại dữ liệu liên quan.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 27: 'Regularization' (chính quy hóa) là một kỹ thuật quan trọng trong học máy để giải quyết vấn đề nào?

Underfitting (mô hình kém phù hợp).

Overfitting (mô hình quá phù hợp).

Dữ liệu bị thiếu giá trị.

Mô hình huấn luyện quá chậm.

Câu hỏi kiểm tra kiến thức về các kỹ thuật cải thiện mô hình học máy, đặc biệt là chính quy hóa và mục tiêu của nó.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 28: Cho một mô hình phân loại dự đoán bệnh tim với độ chính xác 95%. Điều này có nghĩa là gì?

Mô hình luôn dự đoán đúng 95% bệnh nhân mắc bệnh tim.

Trong 95% trường hợp, mô hình dự đoán bệnh tim và bệnh nhân thực sự mắc bệnh.

Mô hình dự đoán sai 5% bệnh nhân mắc bệnh tim.

Mô hình dự đoán đúng 95% trên tổng số bệnh nhân (cả mắc bệnh và không mắc bệnh).

Câu hỏi kiểm tra khả năng diễn giải ý nghĩa của độ chính xác trong ngữ cảnh cụ thể (mô hình dự đoán bệnh tim).

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 29: Trong khai phá dữ liệu y tế, ứng dụng nào sau đây thể hiện việc sử dụng phân loại?

Dự đoán bệnh nhân có nguy cơ mắc bệnh tiểu đường dựa trên hồ sơ bệnh án.

Phân nhóm bệnh nhân thành các nhóm dựa trên triệu chứng bệnh.

Tìm ra các loại thuốc thường được kê đơn cùng nhau.

Ước tính thời gian nằm viện trung bình của bệnh nhân.

Câu hỏi tình huống ứng dụng, yêu cầu xác định ứng dụng của phân loại trong lĩnh vực y tế.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 14

Câu 30: Đạo đức trong khai phá dữ liệu là một vấn đề ngày càng được quan tâm. Một trong những thách thức đạo đức chính trong khai phá dữ liệu là gì?

Chi phí tính toán cao của các thuật toán khai phá dữ liệu phức tạp.

Khả năng dữ liệu bị lỗi thời nhanh chóng.

Nguy cơ xâm phạm quyền riêng tư và phân biệt đối xử do sử dụng dữ liệu cá nhân.

Khó khăn trong việc diễn giải kết quả khai phá dữ liệu cho người không chuyên.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi về khía cạnh đạo đức của khai phá dữ liệu, một vấn đề quan trọng và mang tính thời sự.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Khai phá dữ liệu

Trắc nghiệm Khai phá dữ liệu - Đề 15

1 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 1: Trong quy trình Khai phá Dữ liệu (KDD), giai đoạn nào tập trung vào việc làm sạch dữ liệu, xử lý giá trị thiếu và chuyển đổi dữ liệu sang định dạng phù hợp cho phân tích?

Lựa chọn dữ liệu (Data Selection)

Tiền xử lý dữ liệu (Data Preprocessing)

Khai phá dữ liệu (Data Mining)

Đánh giá tri thức (Knowledge Evaluation)

Giai đoạn tiền xử lý dữ liệu (Data Preprocessing) bao gồm các bước làm sạch, tích hợp, chuyển đổi và giảm dữ liệu để chuẩn bị cho các giai đoạn khai phá tiếp theo.

2 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 2: Một siêu thị muốn phân tích hành vi mua sắm của khách hàng để tối ưu hóa vị trí sản phẩm và chương trình khuyến mãi. Phương pháp khai phá dữ liệu nào sau đây là phù hợp nhất để khám phá ra các nhóm sản phẩm thường được mua cùng nhau?

Phân lớp (Classification)

Hồi quy (Regression)

Phân tích kết hợp (Association Rule Mining)

Phân cụm (Clustering)

Phân tích kết hợp (Association Rule Mining) được sử dụng để tìm ra các mối quan hệ hoặc quy luật giữa các mục dữ liệu trong các giao dịch lớn, ví dụ như các sản phẩm thường được mua cùng nhau.

3 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 3: Thuật toán Apriori trong khai phá luật kết hợp hoạt động dựa trên nguyên tắc nào?

Nguyên tắc Apriori (Apriori principle)

Nguyên tắc chia để trị (Divide and conquer)

Nguyên tắc tham lam (Greedy approach)

Nguyên tắc học tăng cường (Reinforcement learning)

Nguyên tắc Apriori: Nếu một tập mục là thường xuyên, thì tất cả các tập con của nó cũng phải là thường xuyên. Ngược lại, nếu một tập mục không phải là thường xuyên, thì tất cả các tập cha của nó cũng không phải là thường xuyên.

4 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 4: Độ đo 'độ tin cậy' (Confidence) trong khai phá luật kết hợp X → Y được tính như thế nào?

Support(X U Y) / Support(Y)

Support(X U Y) / Support(X)

Support(X) / Support(X U Y)

Support(Y) / Support(X U Y)

Độ tin cậy (Confidence) của luật X → Y là tỷ lệ các giao dịch chứa Y trong số các giao dịch chứa X. Công thức: Confidence(X → Y) = Support(X U Y) / Support(X).

5 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 5: Trong bài toán phân lớp, mục tiêu chính của việc xây dựng mô hình là gì?

Tìm kiếm các mẫu ẩn trong dữ liệu

Giảm chiều dữ liệu

Dự đoán lớp (nhãn) cho các đối tượng mới

Nhóm các đối tượng tương tự lại với nhau

Mục tiêu của phân lớp là xây dựng một mô hình dự đoán lớp (hoặc danh mục) cho các đối tượng mới dựa trên các thuộc tính mô tả của chúng, từ dữ liệu huấn luyện đã biết lớp.

6 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 6: Phương pháp phân lớp nào hoạt động dựa trên việc tìm ra ranh giới quyết định tối ưu để phân chia không gian thuộc tính thành các vùng quyết định tương ứng với các lớp khác nhau?

Cây quyết định (Decision Tree)

Naive Bayes

K-Nearest Neighbors (KNN)

Máy vectơ hỗ trợ (Support Vector Machines - SVM)

Máy vectơ hỗ trợ (Support Vector Machines - SVM) là một phương pháp phân lớp mạnh mẽ, tìm cách tối đa hóa khoảng cách biên giữa các lớp trong không gian thuộc tính, tạo ra ranh giới quyết định tối ưu.

7 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 7: Trong thuật toán K-Means, tham số 'K' đại diện cho điều gì?

Số lượng cụm mong muốn

Số chiều của dữ liệu

Số lần lặp tối đa của thuật toán

Kích thước của bộ dữ liệu

Trong thuật toán K-Means, 'K' là số lượng cụm (clusters) mà người dùng muốn phân chia dữ liệu thành. Đây là một tham số đầu vào quan trọng cần được xác định trước.

8 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 8: Đánh giá mô hình phân cụm khác với đánh giá mô hình phân lớp như thế nào?

Đánh giá phân cụm đơn giản hơn vì không cần dữ liệu nhãn

Đánh giá phân cụm sử dụng các độ đo tương tự như phân lớp (ví dụ: độ chính xác)

Đánh giá phân cụm thường dựa trên các độ đo nội tại (ví dụ: Silhouette coefficient) do không có nhãn lớp đúng

Không có sự khác biệt đáng kể trong cách đánh giá

Đánh giá phân cụm (unsupervised) khó hơn phân lớp (supervised) vì không có nhãn lớp đúng để so sánh trực tiếp. Các độ đo đánh giá phân cụm thường dựa trên tính nội cụm (cohesion) và tính ngoại cụm (separation).

9 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 9: Kỹ thuật giảm chiều dữ liệu (Dimensionality Reduction) được sử dụng để làm gì trong khai phá dữ liệu?

Tăng số lượng mẫu dữ liệu

Giảm số lượng thuộc tính đầu vào

Tăng độ chính xác của mô hình

Cải thiện khả năng trực quan hóa dữ liệu

Giảm chiều dữ liệu giúp giảm số lượng thuộc tính đầu vào, loại bỏ thuộc tính dư thừa hoặc không liên quan, giúp mô hình đơn giản hơn, hiệu quả hơn và dễ diễn giải hơn, đồng thời giảm chi phí tính toán.

10 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 10: Phân tích thành phần chính (Principal Component Analysis - PCA) là một kỹ thuật giảm chiều dữ liệu thuộc loại nào?

Giảm chiều tuyến tính (Linear dimensionality reduction)

Giảm chiều phi tuyến (Non-linear dimensionality reduction)

Chọn lọc thuộc tính (Feature selection)

Tạo thuộc tính mới (Feature extraction)

PCA là một kỹ thuật giảm chiều tuyến tính, tìm các thành phần chính (vectơ riêng) của ma trận hiệp phương sai của dữ liệu và chiếu dữ liệu lên không gian con được tạo bởi các thành phần chính này.

11 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 11: Trong khai phá dữ liệu chuỗi thời gian, mục tiêu chính thường là gì?

Phân tích luật kết hợp trong dữ liệu tĩnh

Phân cụm dữ liệu không có cấu trúc thời gian

Phân lớp dữ liệu rời rạc

Dự báo giá trị tương lai hoặc phát hiện mẫu trong dữ liệu theo thời gian

Khai phá dữ liệu chuỗi thời gian tập trung vào phân tích dữ liệu được thu thập theo thời gian, với mục tiêu dự đoán xu hướng tương lai, phát hiện dị thường, hoặc phân loại/phân cụm các chuỗi thời gian.

12 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 12: Phương pháp nào sau đây thường được sử dụng để xử lý dữ liệu văn bản trong khai phá dữ liệu văn bản?

Phân tích hồi quy

Phân tích phương sai (ANOVA)

Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP)

Phân tích tương quan

Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) là tập hợp các kỹ thuật để máy tính có thể hiểu, xử lý và sinh ra ngôn ngữ tự nhiên của con người, rất quan trọng trong khai phá dữ liệu văn bản.

13 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 13: Trong ngữ cảnh khai phá web, 'web usage mining' tập trung vào việc phân tích loại dữ liệu nào?

Nội dung trang web (web content)

Nhật ký truy cập web (web log data)

Cấu trúc liên kết web (web link structure)

Dữ liệu mạng xã hội liên quan đến web

Web usage mining tập trung vào phân tích nhật ký truy cập web (web log data) để hiểu hành vi duyệt web của người dùng, ví dụ như trang nào được truy cập, trình tự truy cập, thời gian ở lại trang, v.v.

14 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 14: 'Outlier detection' hay phát hiện dị thường có ứng dụng quan trọng trong lĩnh vực nào sau đây?

Phân tích thị trường

Dự báo doanh số

Phân tích cảm xúc khách hàng

Phát hiện gian lận (Fraud detection)

Phát hiện dị thường (outlier detection) rất quan trọng trong phát hiện gian lận (fraud detection), ví dụ như các giao dịch thẻ tín dụng bất thường, các hoạt động bất thường trong hệ thống mạng, v.v.

15 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 15: Độ đo F1-score là trung bình điều hòa của độ đo nào trong đánh giá mô hình phân lớp?

Độ chính xác (Accuracy) và độ đặc hiệu (Specificity)

Độ nhạy (Sensitivity) và độ đặc hiệu (Specificity)

Độ chính xác (Precision) và độ recall (Recall)

Giá trị dương tính dự đoán (Positive Predictive Value) và giá trị âm tính dự đoán (Negative Predictive Value)

F1-score là trung bình điều hòa (harmonic mean) của độ chính xác (Precision) và độrecall (Recall), được sử dụng để đánh giá hiệu suất mô hình phân lớp, đặc biệt khi dữ liệu lớp không cân bằng.

16 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 16: Ma trận nhầm lẫn (Confusion Matrix) được sử dụng để làm gì trong đánh giá mô hình phân lớp?

Trực quan hóa dữ liệu đầu vào

Đánh giá hiệu suất mô hình phân lớp

Lựa chọn thuộc tính quan trọng

Giảm chiều dữ liệu

Ma trận nhầm lẫn (Confusion Matrix) là một bảng tóm tắt kết quả phân lớp, cho biết số lượng dự đoán đúng (True Positives, True Negatives) và dự đoán sai (False Positives, False Negatives) cho mỗi lớp, giúp đánh giá chi tiết hiệu suất mô hình.

17 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 17: ROC curve và AUC (Area Under the Curve) được sử dụng để đánh giá hiệu suất của mô hình phân loại nào?

Phân loại nhị phân (Binary classification)

Phân loại đa lớp (Multi-class classification)

Hồi quy (Regression)

Phân cụm (Clustering)

ROC curve (Receiver Operating Characteristic curve) và AUC (Area Under the Curve) thường được sử dụng để đánh giá hiệu suất của mô hình phân loại nhị phân (binary classification), đặc biệt khi ngưỡng quyết định có thể thay đổi.

18 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 18: Kỹ thuật 'bagging' và 'boosting' thuộc nhóm phương pháp học máy nào?

Học có giám sát (Supervised learning)

Học không giám sát (Unsupervised learning)

Học tập kết hợp (Ensemble learning)

Học tăng cường (Reinforcement learning)

Bagging (Bootstrap Aggregating) và Boosting là các phương pháp học tập kết hợp (ensemble learning), kết hợp nhiều mô hình học yếu (weak learners) để tạo ra một mô hình mạnh hơn (strong learner).

19 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 19: Random Forest là một ví dụ cụ thể của phương pháp học tập kết hợp nào?

Boosting

Bagging

Stacking

Blending

Random Forest là một thuật toán học tập kết hợp dựa trên phương pháp bagging, xây dựng nhiều cây quyết định trên các mẫu dữ liệu con ngẫu nhiên và thuộc tính con ngẫu nhiên, sau đó tổng hợp kết quả dự đoán.

20 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 20: Gradient Boosting Machines (GBM) thuộc nhóm phương pháp học tập kết hợp nào?

Boosting

Bagging

Stacking

Blending

Gradient Boosting Machines (GBM) là một thuật toán học tập kết hợp dựa trên phương pháp boosting, xây dựng các mô hình tuần tự, mỗi mô hình cố gắng sửa lỗi của mô hình trước đó bằng cách tập trung vào các mẫu bị phân loại sai.

21 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 21: Mạng nơ-ron nhân tạo (Artificial Neural Networks - ANNs) được lấy cảm hứng từ cấu trúc của hệ thống nào?

Hệ thống miễn dịch

Hệ thống tuần hoàn

Hệ thống hô hấp

Hệ thống thần kinh sinh học

Mạng nơ-ron nhân tạo (ANNs) được thiết kế dựa trên cấu trúc và chức năng của mạng nơ-ron sinh học trong não bộ con người, mô phỏng cách các nơ-ron kết nối và truyền tín hiệu.

22 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 22: Trong mạng nơ-ron sâu (Deep Neural Networks - DNNs), 'deep' đề cập đến điều gì?

Độ phức tạp của thuật toán học

Số lượng lớp ẩn trong mạng

Kích thước của bộ dữ liệu huấn luyện

Độ sâu của cây quyết định

'Deep' trong DNNs đề cập đến số lượng lớp ẩn (hidden layers) lớn trong mạng. Mạng nơ-ron sâu có nhiều lớp ẩn hơn so với mạng nơ-ron truyền thống, cho phép học các biểu diễn phức tạp hơn của dữ liệu.

23 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 23: 'Overfitting' xảy ra khi nào trong quá trình huấn luyện mô hình học máy?

Mô hình không học được từ dữ liệu huấn luyện

Mô hình khái quát hóa tốt trên dữ liệu mới

Mô hình học quá tốt trên dữ liệu huấn luyện và kém trên dữ liệu mới

Mô hình hội tụ quá nhanh

Overfitting xảy ra khi mô hình học quá tốt trên dữ liệu huấn luyện, nhưng lại kém hiệu quả trên dữ liệu mới (dữ liệu kiểm tra). Mô hình 'nhớ' dữ liệu huấn luyện thay vì học khái quát hóa.

24 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 24: Kỹ thuật 'regularization' (chính quy hóa) được sử dụng để giải quyết vấn đề nào trong học máy?

Underfitting

Overfitting

Dữ liệu nhiễu

Thiếu dữ liệu huấn luyện

Regularization (chính quy hóa) là kỹ thuật để ngăn chặn overfitting bằng cách thêm một hình phạt vào hàm mất mát, khuyến khích mô hình đơn giản hơn và giảm độ phức tạp.

25 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 25: Cross-validation (kiểm định chéo) là kỹ thuật được sử dụng để làm gì?

Tăng kích thước dữ liệu huấn luyện

Giảm chiều dữ liệu

Đánh giá hiệu suất mô hình một cách khách quan

Tối ưu hóa tham số mô hình

Cross-validation (kiểm định chéo) là kỹ thuật đánh giá mô hình bằng cách chia dữ liệu thành nhiều phần, huấn luyện trên một số phần và kiểm tra trên phần còn lại, lặp lại quá trình này để có đánh giá khách quan hơn về hiệu suất mô hình.

26 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 26: Trong khai phá dữ liệu, 'feature engineering' (kỹ thuật đặc trưng) đề cập đến quá trình nào?

Lựa chọn thuật toán học máy phù hợp

Tối ưu hóa tham số mô hình

Làm sạch và tiền xử lý dữ liệu

Lựa chọn, biến đổi và tạo ra các thuộc tính phù hợp cho mô hình

Feature engineering (kỹ thuật đặc trưng) là quá trình lựa chọn, biến đổi và tạo ra các thuộc tính (đặc trưng) mới từ dữ liệu thô, nhằm cải thiện hiệu suất của mô hình học máy.

27 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 27: Khi nào thì nên sử dụng phương pháp phân cụm phân cấp (Hierarchical Clustering) thay vì K-Means?

Khi không biết trước số lượng cụm mong muốn

Khi dữ liệu có số chiều lớn

Khi cần phân cụm dữ liệu văn bản

Khi muốn phân cụm dữ liệu chuỗi thời gian

Phân cụm phân cấp (Hierarchical Clustering) phù hợp khi không biết trước số cụm hoặc muốn khám phá cấu trúc phân cấp của dữ liệu. K-Means yêu cầu xác định trước số cụm K.

28 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 28: 'Giải thích mô hình' (Model interpretability) là yếu tố quan trọng trong ứng dụng khai phá dữ liệu nào sau đây?

Phân tích cảm xúc trên mạng xã hội

Đề xuất sản phẩm trong thương mại điện tử

Chẩn đoán bệnh trong y tế

Dự báo thời tiết

Trong các ứng dụng nhạy cảm như y tế hoặc tài chính, việc giải thích được quyết định của mô hình (model interpretability) là rất quan trọng để đảm bảo tính minh bạch, trách nhiệm và tin cậy.

29 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 29: Đạo đức trong khai phá dữ liệu (Data Mining ethics) tập trung vào vấn đề nào?

Hiệu suất tính toán của thuật toán

Quyền riêng tư, công bằng và trách nhiệm giải trình khi sử dụng dữ liệu

Tính dễ sử dụng của công cụ khai phá dữ liệu

Khả năng trực quan hóa kết quả

Đạo đức trong khai phá dữ liệu tập trung vào các vấn đề về quyền riêng tư, bảo mật dữ liệu, sự thiên vị (bias) trong thuật toán, và trách nhiệm giải trình trong việc sử dụng kết quả khai phá dữ liệu.

30 / 30

Category: Trắc nghiệm Khai phá dữ liệu

Tags: Bộ đề 15

Câu 30: Ứng dụng nào sau đây thể hiện việc sử dụng khai phá dữ liệu để cá nhân hóa trải nghiệm người dùng?

Hệ thống đề xuất sản phẩm (Recommender systems)

Phần mềm diệt virus

Công cụ tìm kiếm web

Chương trình quản lý cơ sở dữ liệu

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Hệ thống đề xuất (Recommender systems) sử dụng khai phá dữ liệu để phân tích hành vi và sở thích của người dùng, từ đó đưa ra các đề xuất sản phẩm, nội dung hoặc dịch vụ phù hợp với từng cá nhân, cá nhân hóa trải nghiệm người dùng.

Đề trắc nghiệm liên quan:

Đề Thi Thử Trắc Nghiệm Online – Môn Quản Trị Mạng
Đề Thi Thử Trắc Nghiệm Online – Môn Thương Mại Điện Tử
Đề Thi Thử Trắc Nghiệm Online – Môn Kế Toán Tài Chính 2
Đề Thi Thử Trắc Nghiệm Online – Môn Luật Doanh Nghiệp
Đề Thi Thử Trắc Nghiệm Online – Môn Quản Trị Kinh Doanh Quốc Tế

Đề 01

Đề 02

Đề 03

Đề 04

Đề 05

Đề 06

Đề 07

Đề 08

Đề 09

Đề 10

Đề 11

Đề 12

Đề 13

Đề 14

Đề 15

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Đề trắc nghiệm liên quan:

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha