Đề Thi Thử Trắc Nghiệm Online - Môn Khoa Học Dữ Liệu Trong Kinh Tế Và Kinh Doanh

Đề Thi Thử Trắc Nghiệm Online – Môn Khoa Học Dữ Liệu Trong Kinh Tế Và Kinh Doanh 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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 01

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 1: Trong phân tích dữ liệu kinh doanh, doanh nghiệp A sử dụng mô hình hồi quy tuyến tính để dự đoán doanh thu hàng tháng dựa trên chi phí quảng cáo trên mạng xã hội. Sau khi xây dựng mô hình, hệ số R bình phương (R-squared) đạt giá trị 0.92. Giá trị này cho biết điều gì về mô hình?

Mô hình hồi quy tuyến tính không phù hợp với dữ liệu doanh thu và chi phí quảng cáo.

Chi phí quảng cáo trên mạng xã hội chỉ giải thích được 8% sự biến động của doanh thu hàng tháng.

Khoảng 92% sự biến động của doanh thu hàng tháng có thể được giải thích bởi chi phí quảng cáo trên mạng xã hội trong mô hình.

Mô hình chắc chắn dự đoán doanh thu hàng tháng với độ chính xác 92%.

Câu hỏi kiểm tra sự hiểu biết về hệ số R bình phương trong mô hình hồi quy. R-squared đo lường tỷ lệ phương sai của biến mục tiêu được giải thích bởi mô hình. Giá trị 0.92 cho thấy mô hình giải thích tốt sự biến động của doanh thu dựa trên chi phí quảng cáo.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 2: Một công ty thương mại điện tử muốn phân loại khách hàng thành các nhóm khác nhau dựa trên hành vi mua sắm trực tuyến (tần suất mua hàng, giá trị đơn hàng trung bình, loại sản phẩm yêu thích). Phương pháp phân tích dữ liệu nào sau đây là phù hợp nhất để thực hiện mục tiêu này?

Hồi quy tuyến tính (Linear Regression)

Phân cụm (Clustering)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích thành phần chính (Principal Component Analysis)

Câu hỏi này liên quan đến việc lựa chọn phương pháp phân tích phù hợp cho bài toán phân nhóm khách hàng. Phân cụm (Clustering) là kỹ thuật chính để phân chia dữ liệu thành các nhóm dựa trên sự tương đồng, phù hợp với mục tiêu phân loại khách hàng theo hành vi mua sắm.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 3: Trong quá trình tiền xử lý dữ liệu cho bài toán dự báo giá nhà, bạn phát hiện cột 'Diện tích' có nhiều giá trị bị thiếu (missing values). Biện pháp xử lý giá trị thiếu nào sau đây có thể gây ra sai lệch lớn nhất trong phân tích?

Loại bỏ tất cả các hàng (quan sát) chứa giá trị thiếu ở cột 'Diện tích'.

Điền giá trị thiếu bằng giá trị trung bình (mean) của cột 'Diện tích'.

Điền giá trị thiếu bằng giá trị trung vị (median) của cột 'Diện tích'.

Sử dụng thuật toán học máy để ước tính và điền giá trị thiếu dựa trên các thuộc tính khác.

Câu hỏi kiểm tra hiểu biết về tác động của các phương pháp xử lý dữ liệu thiếu. Loại bỏ hoàn toàn các hàng chứa giá trị thiếu (Listwise deletion) có thể dẫn đến mất mát thông tin quan trọng và gây sai lệch, đặc biệt khi dữ liệu thiếu không hoàn toàn ngẫu nhiên.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 4: Một ngân hàng sử dụng mô hình học máy để phát hiện giao dịch gian lận thẻ tín dụng. Mô hình dự đoán 150 giao dịch là gian lận, trong đó thực tế có 120 giao dịch gian lận và 30 giao dịch không gian lận. Đồng thời, mô hình bỏ sót 50 giao dịch gian lận thực sự (dự đoán là không gian lận). Độ chính xác (Precision) của mô hình này là bao nhiêu?

70%

75%

80%

85%

Câu hỏi yêu cầu tính độ chính xác (Precision) - một chỉ số đánh giá mô hình phân loại. Precision = TP / (TP + FP), trong đó TP (True Positives) là số giao dịch gian lận dự đoán đúng (120), và FP (False Positives) là số giao dịch không gian lận bị dự đoán nhầm là gian lận (30). Precision = 120 / (120 + 30) = 0.8 hay 80%.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 5: Để trực quan hóa mối quan hệ giữa doanh thu, chi phí và lợi nhuận của các dòng sản phẩm khác nhau trong một công ty, loại biểu đồ nào sau đây là phù hợp nhất để thể hiện đồng thời cả ba yếu tố này một cách trực quan?

Biểu đồ đường (Line chart)

Biểu đồ cột (Bar chart)

Biểu đồ tròn (Pie chart)

Biểu đồ bong bóng (Bubble chart)

Câu hỏi về lựa chọn biểu đồ trực quan hóa dữ liệu. Biểu đồ bong bóng (Bubble chart) cho phép thể hiện ba chiều dữ liệu (ví dụ: X, Y và kích thước bong bóng) trên cùng một đồ thị, phù hợp để so sánh doanh thu, chi phí và lợi nhuận giữa các dòng sản phẩm.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 6: Trong phân tích chuỗi thời gian, một cửa hàng bán lẻ sử dụng mô hình ARIMA để dự báo doanh số bán hàng hàng tuần. Sau khi kiểm tra hệ số tự tương quan (ACF) và tương quan tự phần (PACF), bạn nhận thấy cả ACF và PACF đều giảm dần. Dấu hiệu này cho thấy thành phần nào có thể chiếm ưu thế trong chuỗi thời gian?

Tính mùa vụ (Seasonality)

Trung bình trượt (Moving Average - MA)

Tự hồi quy (Autoregressive - AR)

Xu hướng (Trend)

Câu hỏi về phân tích chuỗi thời gian và mô hình ARIMA. ACF và PACF giảm dần là dấu hiệu của quá trình trung bình trượt (Moving Average - MA).

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 7: Một công ty bảo hiểm muốn xây dựng mô hình dự đoán khả năng khách hàng hủy hợp đồng bảo hiểm (churn). Dữ liệu lịch sử cho thấy tỷ lệ khách hàng churn là 5% (dữ liệu không cân bằng). Chỉ số đánh giá nào sau đây nên được ưu tiên sử dụng để đánh giá hiệu suất mô hình trong trường hợp này?

Độ chính xác (Accuracy)

Độ thu hồi (Recall)

F1-score

AUC-ROC

Câu hỏi về lựa chọn chỉ số đánh giá mô hình cho dữ liệu không cân bằng. Trong trường hợp dữ liệu churn không cân bằng (tỷ lệ churn thấp), Accuracy có thể gây hiểu lầm. F1-score, kết hợp Precision và Recall, là chỉ số phù hợp hơn để đánh giá hiệu suất mô hình trong tình huống này.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 8: Trong khai thác dữ liệu văn bản (text mining), kỹ thuật TF-IDF (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì?

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

Đánh trọng số cho các từ trong văn bản dựa trên tần suất xuất hiện và độ hiếm của chúng trong toàn bộ tập tài liệu.

Phân tích cảm xúc (sentiment analysis) của văn bản.

Phân loại văn bản vào các chủ đề khác nhau.

Câu hỏi về kỹ thuật TF-IDF trong khai thác văn bản. TF-IDF được sử dụng để đánh trọng số của từ trong một văn bản, phản ánh mức độ quan trọng của từ đó trong văn bản so với toàn bộ tập hợp văn bản.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 9: Một nhà quản lý muốn phân tích dữ liệu bán hàng đa chiều (theo thời gian, khu vực, dòng sản phẩm) để tìm ra xu hướng và điểm bất thường. Công cụ nào sau đây trong Excel là phù hợp nhất để thực hiện phân tích này một cách linh hoạt và tương tác?

Conditional Formatting (Định dạng có điều kiện)

Data Validation (Kiểm định dữ liệu)

PivotTable (Bảng tổng hợp)

Goal Seek (Tìm mục tiêu)

Câu hỏi về công cụ phân tích dữ liệu đa chiều trong Excel. PivotTable (Bảng tổng hợp) là công cụ mạnh mẽ trong Excel để tổng hợp, phân tích và khám phá dữ liệu đa chiều một cách tương tác, cho phép người dùng dễ dàng thay đổi góc nhìn và tìm kiếm thông tin chi tiết.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 10: Trong học máy, hiện tượng 'overfitting' (quá khớp) xảy ra khi nào?

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

Dữ liệu huấn luyện có quá nhiều giá trị ngoại lệ (outliers).

Mô hình được huấn luyện trên dữ liệu chất lượng cao và đại diện.

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

Câu hỏi về khái niệm overfitting trong học máy. Overfitting xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, nắm bắt cả nhiễu, dẫn đến hiệu suất tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 11: Để giảm số chiều của dữ liệu trong bài toán phân tích khách hàng, kỹ thuật nào sau đây tập trung vào việc tìm ra một tập hợp nhỏ hơn các thuộc tính mới (tổng hợp từ các thuộc tính ban đầu) mà vẫn giữ lại được phần lớn thông tin quan trọng?

Chuẩn hóa dữ liệu (Data Normalization)

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

Rời rạc hóa dữ liệu (Data Discretization)

Làm sạch dữ liệu (Data Cleaning)

Câu hỏi về kỹ thuật giảm chiều dữ liệu. Phân tích thành phần chính (PCA) là kỹ thuật giảm chiều phổ biến, tạo ra các thành phần chính mới là tổ hợp tuyến tính của các thuộc tính ban đầu, giữ lại phương sai lớn nhất của dữ liệu.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 12: Một công ty muốn dự đoán nhu cầu sản phẩm trong 6 tháng tới để tối ưu hóa kế hoạch sản xuất và tồn kho. Phương pháp phân tích dữ liệu nào sau đây là phù hợp nhất để giải quyết bài toán này?

Phân tích tương quan (Correlation Analysis)

Phân tích hồi quy (Regression Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích phương sai (ANOVA)

Câu hỏi về lựa chọn phương pháp phân tích cho bài toán dự báo nhu cầu. Phân tích chuỗi thời gian (Time Series Analysis) là phương pháp chuyên biệt để phân tích và dự báo dữ liệu theo thời gian, phù hợp cho bài toán dự báo nhu cầu sản phẩm trong tương lai.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 13: Trong ngữ cảnh đạo đức của khoa học dữ liệu, vấn đề 'bias' (thiên vị) trong thuật toán học máy có thể phát sinh từ đâu?

Dữ liệu huấn luyện không đại diện hoặc phản ánh sự thiên vị vốn có.

Sử dụng thuật toán học máy phức tạp.

Thiếu chuyên gia khoa học dữ liệu trong quá trình phát triển mô hình.

Mục tiêu tối ưu hóa hiệu suất của mô hình.

Câu hỏi về nguồn gốc của bias trong thuật toán học máy. Bias trong thuật toán thường bắt nguồn từ dữ liệu huấn luyện bị thiên vị hoặc phản ánh những bất công xã hội hiện có.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 14: Một siêu thị thu thập dữ liệu giao dịch mua hàng của khách hàng. Phân tích kết hợp (Association rule mining) có thể được sử dụng để khám phá ra điều gì từ dữ liệu này?

Dự đoán doanh số bán hàng trong tương lai.

Phân loại khách hàng thành các nhóm khác nhau.

Xác định khách hàng có khả năng rời bỏ cao.

Các nhóm sản phẩm thường được mua cùng nhau.

Câu hỏi về ứng dụng của phân tích kết hợp. Phân tích kết hợp tìm kiếm các quy luật liên kết giữa các mặt hàng thường được mua cùng nhau, ví dụ như 'khách hàng mua tã thường mua kèm sữa'.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 15: Trong mô hình cây quyết định (Decision Tree), tiêu chí phân tách nút (splitting criterion) nào sau đây thường được sử dụng để lựa chọn thuộc tính tốt nhất để phân chia dữ liệu tại mỗi nút?

Độ chính xác (Accuracy)

Entropy và Information Gain

Hệ số tương quan (Correlation coefficient)

Sai số bình phương trung bình (Mean Squared Error)

Câu hỏi về tiêu chí phân tách nút trong cây quyết định. Entropy và Information Gain là các tiêu chí phổ biến dùng để đo độ không chắc chắn và lượng thông tin thu được khi phân chia dữ liệu dựa trên một thuộc tính.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 16: Một công ty dịch vụ tài chính muốn xây dựng hệ thống khuyến nghị sản phẩm cho khách hàng. Dữ liệu nào sau đây là quan trọng nhất để xây dựng hệ thống khuyến nghị dựa trên lọc cộng tác (collaborative filtering)?

Thông tin nhân khẩu học của khách hàng (tuổi, giới tính, địa chỉ).

Mô tả chi tiết về sản phẩm và dịch vụ.

Lịch sử tương tác của khách hàng với sản phẩm (ví dụ: đánh giá sản phẩm, lịch sử mua hàng).

Thông tin về đối thủ cạnh tranh và sản phẩm của họ.

Câu hỏi về dữ liệu cần thiết cho hệ thống khuyến nghị lọc cộng tác. Lọc cộng tác dựa trên lịch sử tương tác (đánh giá, mua hàng, xem) giữa người dùng và sản phẩm để đưa ra khuyến nghị.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 17: Trong quá trình triển khai một dự án khoa học dữ liệu trong doanh nghiệp, giai đoạn nào sau đây thường chiếm phần lớn thời gian và nguồn lực?

Xây dựng và huấn luyện mô hình học máy.

Chuẩn bị và tiền xử lý dữ liệu.

Đánh giá và lựa chọn mô hình.

Triển khai và giám sát mô hình trong thực tế.

Câu hỏi về các giai đoạn của dự án khoa học dữ liệu. Giai đoạn chuẩn bị dữ liệu (data preparation), bao gồm thu thập, làm sạch, chuyển đổi và tích hợp dữ liệu, thường là giai đoạn tốn nhiều thời gian và công sức nhất.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 18: Để phân tích cảm xúc (sentiment analysis) từ các bình luận đánh giá sản phẩm trực tuyến, phương pháp tiếp cận dựa trên từ điển (lexicon-based approach) hoạt động như thế nào?

So khớp các từ trong bình luận với một từ điển cảm xúc để xác định cảm xúc.

Huấn luyện mô hình học máy trên dữ liệu bình luận đã được gán nhãn cảm xúc.

Sử dụng các quy tắc ngữ pháp để phân tích cấu trúc câu và xác định cảm xúc.

Dịch các bình luận sang tiếng Anh và sử dụng các công cụ phân tích cảm xúc có sẵn.

Câu hỏi về phương pháp phân tích cảm xúc dựa trên từ điển. Phương pháp này sử dụng các từ điển chứa các từ và cụm từ được gán nhãn cảm xúc (tích cực, tiêu cực, trung tính) để xác định cảm xúc tổng thể của văn bản.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 19: Trong kiểm định giả thuyết thống kê, 'p-value' (giá trị p) thể hiện điều gì?

Xác suất giả thuyết không (null hypothesis) là đúng.

Mức độ ý nghĩa thống kê của kết quả nghiên cứu.

Xác suất mắc lỗi loại II (Type II error).

Xác suất quan sát được kết quảExtreme ít nhất bằng kết quả quan sát được nếu giả thuyết không đúng.

Câu hỏi về ý nghĩa của p-value trong kiểm định giả thuyết. P-value là xác suất quan sát được kết quảExtreme ít nhất bằng kết quả quan sát được, giả định rằng giả thuyết không (null hypothesis) là đúng.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 20: Một công ty muốn đánh giá hiệu quả của hai chiến dịch marketing khác nhau (A và B) trên doanh số bán hàng. Thiết kế nghiên cứu nào sau đây là phù hợp nhất để so sánh hiệu quả của hai chiến dịch này một cách khách quan?

Nghiên cứu quan sát (Observational study)

Phân tích hồi quy (Regression analysis) trên dữ liệu lịch sử.

Thử nghiệm A/B (A/B testing)

Phỏng vấn nhóm khách hàng mục tiêu.

Câu hỏi về thiết kế nghiên cứu để so sánh hiệu quả của hai chiến dịch marketing. Thử nghiệm A/B (A/B testing) là phương pháp chuẩn để so sánh hiệu quả của hai phiên bản khác nhau (trong trường hợp này là hai chiến dịch marketing) bằng cách phân bổ ngẫu nhiên đối tượng vào mỗi nhóm và đo lường kết quả.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 21: Trong mô hình mạng nơ-ron (Neural Network), hàm kích hoạt (activation function) có vai trò gì?

Tối ưu hóa trọng số (weights) của mạng nơ-ron.

Giới thiệu tính phi tuyến vào mạng nơ-ron để mô hình hóa các mối quan hệ phức tạp.

Chuẩn hóa đầu vào của mỗi nơ-ron.

Tính toán sai số (error) của mô hình.

Câu hỏi về vai trò của hàm kích hoạt trong mạng nơ-ron. Hàm kích hoạt đưa tính phi tuyến vào mạng nơ-ron, cho phép mô hình học được các mối quan hệ phức tạp và phi tuyến tính trong dữ liệu.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 22: Để đảm bảo tính riêng tư dữ liệu (data privacy) trong quá trình phân tích dữ liệu khách hàng, kỹ thuật nào sau đây cho phép phân tích dữ liệu mà không cần truy cập trực tiếp vào dữ liệu gốc?

Ẩn danh hóa dữ liệu (Data anonymization)

Mã hóa dữ liệu (Data encryption) khi lưu trữ.

Kiểm soát truy cập dữ liệu (Data access control).

Điện toán riêng tư (Privacy-preserving computation).

Câu hỏi về kỹ thuật bảo vệ quyền riêng tư dữ liệu. Điện toán riêng tư (Privacy-preserving computation) bao gồm các kỹ thuật cho phép phân tích dữ liệu mà không tiết lộ dữ liệu gốc, ví dụ như mã hóa đồng hình, tính toán đa bên an toàn.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 23: Trong lĩnh vực tài chính, khoa học dữ liệu được ứng dụng để phát hiện gian lận giao dịch (fraud detection) như thế nào?

Dự báo xu hướng thị trường chứng khoán.

Đánh giá rủi ro tín dụng của khách hàng.

Xây dựng mô hình phát hiện các giao dịch bất thường dựa trên lịch sử giao dịch.

Tối ưu hóa danh mục đầu tư.

Câu hỏi về ứng dụng khoa học dữ liệu trong phát hiện gian lận tài chính. Các mô hình học máy có thể được huấn luyện để nhận diện các mẫu giao dịch bất thường hoặc đáng ngờ, khác biệt so với hành vi giao dịch thông thường.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 24: Một công ty muốn cá nhân hóa trải nghiệm mua sắm trực tuyến cho từng khách hàng. Ứng dụng khoa học dữ liệu nào sau đây là phù hợp để thực hiện mục tiêu này?

Phân tích dự báo (Predictive analytics)

Hệ thống khuyến nghị (Recommendation systems)

Phân tích rủi ro (Risk analysis)

Phân tích chuỗi cung ứng (Supply chain analysis)

Câu hỏi về ứng dụng khoa học dữ liệu để cá nhân hóa trải nghiệm khách hàng. Hệ thống khuyến nghị (Recommendation systems) được thiết kế để gợi ý sản phẩm, nội dung hoặc dịch vụ phù hợp với sở thích và hành vi của từng cá nhân.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 25: Để đánh giá mô hình hồi quy, chỉ số nào sau đây đo lường độ lệch trung bình giữa giá trị dự đoán và giá trị thực tế, và có cùng đơn vị đo lường với biến mục tiêu?

Sai số tuyệt đối trung bình (Mean Absolute Error - MAE)

Sai số bình phương trung bình (Mean Squared Error - MSE)

Căn bậc hai của sai số bình phương trung bình (Root Mean Squared Error - RMSE)

Hệ số R bình phương (R-squared)

Câu hỏi về chỉ số đánh giá mô hình hồi quy. Sai số tuyệt đối trung bình (MAE) đo lường trung bình giá trị tuyệt đối của sai số dự đoán, và có cùng đơn vị với biến mục tiêu, dễ dàng diễn giải.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 26: Trong quá trình làm sạch dữ liệu, xử lý giá trị ngoại lệ (outlier) bằng phương pháp 'winsorizing' nghĩa là gì?

Loại bỏ hoàn toàn các giá trị ngoại lệ khỏi tập dữ liệu.

Thay thế giá trị ngoại lệ bằng giá trị trung bình của thuộc tính.

Thay thế các giá trị ngoại lệ bằng các giá trị biên gần nhất không phải ngoại lệ.

Giữ nguyên các giá trị ngoại lệ và không thực hiện bất kỳ thay đổi nào.

Câu hỏi về phương pháp xử lý ngoại lệ Winsorizing. Winsorizing thay thế các giá trị ngoại lệ bằng các giá trị cực đoan không phải ngoại lệ gần nhất trong tập dữ liệu, giảm ảnh hưởng của ngoại lệ mà không loại bỏ chúng hoàn toàn.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 27: Khi xây dựng mô hình phân loại, kỹ thuật 'cross-validation' (kiểm định chéo) được sử dụng để làm gì?

Tăng tốc độ huấn luyện mô hình.

Đánh giá khả năng khái quát hóa của mô hình và ước tính hiệu suất trên dữ liệu mới.

Giảm hiện tượng overfitting của mô hình.

Lựa chọn các thuộc tính quan trọng nhất cho mô hình.

Câu hỏi về mục đích của kiểm định chéo. Kiểm định chéo đánh giá khả năng khái quát hóa của mô hình trên dữ liệu mới 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 nhiều lần.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 28: Trong phân tích rủi ro tín dụng, mô hình 'logistic regression' thường được sử dụng để làm gì?

Dự báo giá trị khoản vay tối đa mà khách hàng có thể được cấp.

Phân cụm khách hàng thành các nhóm rủi ro khác nhau.

Dự đoán lãi suất cho vay phù hợp với từng khách hàng.

Ước tính xác suất khách hàng vỡ nợ (mặc định) khoản vay.

Câu hỏi về ứng dụng của hồi quy logistic trong phân tích rủi ro tín dụng. Hồi quy logistic là mô hình phân loại nhị phân, phù hợp để dự đoán xác suất vỡ nợ (mặc định) của khách hàng vay vốn.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 29: Để xử lý dữ liệu văn bản tiếng Việt trong các bài toán khoa học dữ liệu, thư viện Python nào sau đây cung cấp các công cụ mạnh mẽ cho tiền xử lý, phân tích và khai thác văn bản tiếng Việt?

NLTK (Natural Language Toolkit)

SpaCy

VnCoreNLP

Gensim

Câu hỏi về thư viện Python cho xử lý văn bản tiếng Việt. VnCoreNLP là thư viện Python chuyên biệt cho xử lý ngôn ngữ tự nhiên tiếng Việt, cung cấp các công cụ cho tách từ, gán nhãn từ loại, phân tích cú pháp, v.v.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 01

Câu 30: Trong quá trình giao tiếp kết quả phân tích dữ liệu với những người không chuyên về kỹ thuật, phương pháp trình bày nào sau đây là hiệu quả nhất để truyền đạt thông tin một cách dễ hiểu và thuyết phục?

Trình bày chi tiết về các thuật toán và mô hình đã sử dụng.

Sử dụng trực quan hóa dữ liệu (biểu đồ, đồ thị) và tập trung vào ý nghĩa kinh doanh.

Cung cấp báo cáo phân tích dữ liệu chi tiết dạng văn bản.

Sử dụng ngôn ngữ chuyên môn sâu về khoa học 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 kỹ năng giao tiếp kết quả phân tích dữ liệu. Sử dụng trực quan hóa dữ liệu (data visualization) là cách hiệu quả nhất để trình bày thông tin phức tạp một cách trực quan và dễ hiểu cho người không chuyên.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 02

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 1: Một công ty bán lẻ trực tuyến muốn phân khúc khách hàng dựa trên hành vi mua sắm để cá nhân hóa chiến dịch marketing. Phương pháp phân tích dữ liệu nào sau đây là phù hợp nhất để đạt được mục tiêu này?

Hồi quy tuyến tính (Linear Regression)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân cụm (Clustering)

Phân loại (Classification)

Câu hỏi về việc lựa chọn phương pháp phân tích phù hợp cho phân khúc khách hàng. Phân cụm (Clustering) là kỹ thuật chính để phân nhóm dữ liệu mà không cần nhãn trước, phù hợp cho phân khúc khách hàng dựa trên hành vi.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 2: Để dự báo doanh số bán hàng hàng tháng cho một chuỗi cửa hàng, dữ liệu lịch sử doanh số từ ba năm trước đã được thu thập. Mô hình học máy nào sau đây thích hợp nhất cho bài toán này?

Cây quyết định (Decision Tree)

ARIMA (Autoregressive Integrated Moving Average)

Máy vector hỗ trợ (Support Vector Machine)

K-Means Clustering

Câu hỏi về lựa chọn mô hình dự báo doanh số, một bài toán chuỗi thời gian. Các mô hình ARIMA và Exponential Smoothing được thiết kế đặc biệt cho dữ liệu chuỗi thời gian để dự đoán các giá trị tương lai dựa trên xu hướng và tính mùa vụ.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 3: Trong quá trình xây dựng mô hình phân loại khách hàng có nguy cơ rời bỏ (churn prediction), bạn nhận thấy mô hình đạt độ chính xác (accuracy) rất cao trên tập huấn luyện nhưng lại kém hơn nhiều trên tập kiểm thử. Tình trạng này được gọi là gì và biện pháp khắc phục nào sau đây là phù hợp?

Underfitting; Tăng kích thước tập huấn luyện

Thiên lệch dữ liệu (Data bias); Cân bằng lại dữ liệu

Rò rỉ dữ liệu (Data leakage); Loại bỏ các biến gây rò rỉ

Overfitting; Sử dụng đánh giá chéo (Cross-validation)

Câu hỏi về hiện tượng overfitting và cách xử lý. Overfitting xảy ra khi mô hình quá khớp với dữ liệu huấn luyện và kém tổng quát hóa. Sử dụng đánh giá chéo (Cross-validation) giúp đánh giá mô hình khách quan hơn và phát hiện overfitting.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 4: Một công ty thương mại điện tử muốn cải thiện hệ thống đề xuất sản phẩm. Họ thu thập dữ liệu về lịch sử mua hàng, lượt xem sản phẩm và đánh giá của khách hàng. Kỹ thuật nào sau đây có thể được sử dụng để xây dựng hệ thống đề xuất cá nhân hóa?

Lọc cộng tác (Collaborative Filtering)

Phân tích hồi quy (Regression Analysis)

Phân tích phương sai (ANOVA)

Phân tích thành phần chính (Principal Component Analysis)

Câu hỏi về kỹ thuật xây dựng hệ thống đề xuất. Hệ thống đề xuất dựa trên lọc cộng tác (Collaborative Filtering) sử dụng lịch sử tương tác của người dùng để đưa ra đề xuất cá nhân hóa, phù hợp với bài toán này.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 5: Để đánh giá hiệu quả của một mô hình phân loại email spam, bạn sử dụng ma trận nhầm lẫn (confusion matrix). Ô nào trong ma trận nhầm lẫn thể hiện số lượng email thực tế là spam nhưng mô hình dự đoán là không phải spam?

True Positive (TP)

False Negative (FN)

True Negative (TN)

False Positive (FP)

Câu hỏi về ma trận nhầm lẫn và ý nghĩa các ô. False Negative (FN) là trường hợp mô hình dự đoán sai là âm tính (không phải spam) trong khi thực tế là dương tính (spam).

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 6: Một doanh nghiệp muốn phân tích phản hồi của khách hàng về sản phẩm trên mạng xã hội để hiểu rõ hơn về nhận thức thương hiệu. Phương pháp nào sau đây thuộc lĩnh vực Xử lý ngôn ngữ tự nhiên (NLP) có thể được áp dụng?

Mô hình hóa chủ đề (Topic Modeling)

Nhận dạng thực thể có tên (Named Entity Recognition)

Phân tích cảm xúc (Sentiment Analysis)

Dịch máy (Machine Translation)

Câu hỏi về ứng dụng NLP trong phân tích phản hồi khách hàng. Phân tích cảm xúc (Sentiment Analysis) trong NLP được sử dụng để xác định thái độ, cảm xúc của người viết trong văn bản, phù hợp để phân tích phản hồi khách hàng.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 7: Trong quá trình tiền xử lý dữ liệu, khi gặp phải thuộc tính 'Tuổi' có một vài giá trị bị thiếu (missing values), phương pháp xử lý nào sau đây là phù hợp và ít gây sai lệch nhất nếu phân bố tuổi không đồng đều?

Xóa bỏ các bản ghi chứa giá trị thiếu

Thay thế bằng giá trị trung bình (Mean Imputation)

Thay thế bằng giá trị 0

Thay thế bằng giá trị trung vị (Median Imputation)

Câu hỏi về xử lý dữ liệu thiếu. Thay thế giá trị thiếu bằng giá trị trung vị (Median Imputation) ít bị ảnh hưởng bởi các giá trị ngoại lệ và phân bố lệch so với giá trị trung bình.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 8: Để giảm số chiều dữ liệu và giữ lại thông tin quan trọng nhất, kỹ thuật nào sau đây thường được sử dụng, đặc biệt khi dữ liệu có nhiều thuộc tính tương quan?

Chuẩn hóa dữ liệu (Data Normalization)

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

Rời rạc hóa dữ liệu (Data Discretization)

Mã hóa dữ liệu định tính (Categorical Encoding)

Câu hỏi về giảm chiều dữ liệu. Phân tích thành phần chính (PCA) là kỹ thuật giảm chiều phổ biến, chuyển đổi dữ liệu sang một không gian mới với số chiều ít hơn nhưng vẫn giữ được phương sai lớn nhất.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 9: Một công ty muốn đánh giá hiệu quả của hai phiên bản website khác nhau (A và B) về tỷ lệ chuyển đổi mua hàng. Phương pháp thống kê nào sau đây phù hợp để so sánh tỷ lệ chuyển đổi giữa hai nhóm?

Phân tích tương quan (Correlation Analysis)

Phân tích hồi quy (Regression Analysis)

Kiểm định giả thuyết (Hypothesis Testing) - Ví dụ: Kiểm định Z hoặc t

Phân tích phương sai (ANOVA)

Câu hỏi về kiểm định giả thuyết để so sánh hiệu quả giữa hai nhóm. Kiểm định A/B testing thường sử dụng kiểm định Z hoặc kiểm định t (tùy thuộc kích thước mẫu) để so sánh tỷ lệ hoặc trung bình giữa hai nhóm.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 10: Trong mô hình cây quyết định (Decision Tree), tiêu chí phân tách nút (splitting criterion) nào sau đây được sử dụng để chọn thuộc tính phân chia tốt nhất cho dữ liệu định tính (categorical data)?

Gini impurity

Tổng bình phương sai số (Sum of Squared Errors - SSE)

Giá trị trung bình tuyệt đối (Mean Absolute Error - MAE)

Hệ số tương quan Pearson (Pearson Correlation Coefficient)

Câu hỏi về tiêu chí phân tách nút trong cây quyết định cho dữ liệu định tính. Gini impurity và Entropy (thông tin) là các tiêu chí phổ biến để chọn thuộc tính phân chia trong cây quyết định, đặc biệt hiệu quả với dữ liệu định tính.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 11: Loại hình phân tích dữ liệu nào tập trung vào việc mô tả những gì đã xảy ra trong quá khứ, thường sử dụng các báo cáo và bảng điều khiển (dashboards) để trực quan hóa dữ liệu?

Phân tích dự đoán (Predictive Analytics)

Phân tích mô tả (Descriptive Analytics)

Phân tích quy định (Prescriptive Analytics)

Phân tích chẩn đoán (Diagnostic Analytics)

Câu hỏi về các loại hình phân tích dữ liệu. Phân tích mô tả (Descriptive Analytics) tập trung vào việc tóm tắt và mô tả dữ liệu lịch sử để hiểu điều gì đã xảy ra.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 12: Để đánh giá mô hình hồi quy dự đoán giá nhà, chỉ số nào sau đây đo lường độ lệch trung bình giữa giá trị dự đoán và giá trị thực tế, không phân biệt chiều lệch?

R-squared

Root Mean Squared Error (RMSE)

Mean Absolute Error (MAE)

Mean Squared Error (MSE)

Câu hỏi về chỉ số đánh giá mô hình hồi quy. Mean Absolute Error (MAE) đo lường trung bình giá trị tuyệt đối của sai số, cho biết độ lớn trung bình của sai lệch mà không quan tâm đến dấu.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 13: Trong bối cảnh kinh doanh, 'dữ liệu lớn' (Big Data) thường được mô tả bởi 4Vs. Chữ V nào sau đây đề cập đến sự đa dạng về loại và nguồn gốc của dữ liệu (ví dụ: văn bản, hình ảnh, video, dữ liệu cảm biến)?

Volume (Khối lượng)

Variety (Đa dạng)

Velocity (Tốc độ)

Veracity (Độ xác thực)

Câu hỏi về đặc trưng 4Vs của Big Data. Variety (Đa dạng) đề cập đến sự đa dạng về kiểu và nguồn dữ liệu.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 14: Khi xây dựng mô hình học máy, bước nào sau đây thường được thực hiện đầu tiên để hiểu rõ hơn về cấu trúc, chất lượng và đặc điểm của dữ liệu?

Lựa chọn mô hình (Model Selection)

Huấn luyện mô hình (Model Training)

Đánh giá mô hình (Model Evaluation)

Phân tích dữ liệu khám phá (Exploratory Data Analysis - EDA)

Câu hỏi về quy trình xây dựng mô hình học máy. Phân tích dữ liệu khám phá (Exploratory Data Analysis - EDA) là bước đầu tiên quan trọng để hiểu dữ liệu trước khi tiền xử lý và xây dựng mô hình.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 15: Một công ty viễn thông muốn dự đoán khách hàng nào có khả năng sử dụng dịch vụ 5G mới. Đây là bài toán thuộc loại học máy nào?

Phân loại (Classification)

Hồi quy (Regression)

Phân cụm (Clustering)

Giảm chiều dữ liệu (Dimensionality Reduction)

Câu hỏi về loại bài toán học máy. Dự đoán khả năng khách hàng sử dụng dịch vụ 5G là bài toán phân loại (Classification) vì mục tiêu là phân loại khách hàng vào hai nhóm: có khả năng sử dụng và không có khả năng sử dụng.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 16: Trong kiểm định A/B testing, lỗi loại I (Type I error) xảy ra khi nào?

Chấp nhận giả thuyết H0 khi H0 sai

Bác bỏ giả thuyết H0 khi H0 đúng

Đưa ra quyết định đúng dựa trên dữ liệu

Không đưa ra quyết định nào

Câu hỏi về lỗi loại I trong kiểm định giả thuyết. Lỗi loại I (False Positive) xảy ra khi chúng ta bác bỏ giả thuyết H0 (cho rằng không có sự khác biệt) trong khi thực tế H0 là đúng (không có sự khác biệt).

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 17: Để trực quan hóa mối quan hệ giữa nhiều biến số định lượng, loại biểu đồ nào sau đây thường được sử dụng để hiển thị phân phối của từng biến và tương quan giữa các cặp biến?

Biểu đồ đường (Line chart)

Biểu đồ cột (Bar chart)

Biểu đồ tròn (Pie chart)

Ma trận biểu đồ cặp (Pair plot matrix)

Câu hỏi về trực quan hóa dữ liệu đa biến. Ma trận biểu đồ cặp (Pair plot matrix) hiển thị histogram cho từng biến trên đường chéo và biểu đồ tán xạ cho từng cặp biến ngoài đường chéo, giúp khám phá phân phối và tương quan.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 18: Trong quá trình xây dựng mô hình phân loại, kỹ thuật nào sau đây được sử dụng để lựa chọn một tập hợp con các thuộc tính đầu vào có liên quan nhất, giúp cải thiện hiệu suất mô hình và giảm độ phức tạp?

Chuẩn hóa dữ liệu (Data Normalization)

Giảm chiều dữ liệu (Dimensionality Reduction)

Lựa chọn thuộc tính (Feature Selection)

Tăng cường dữ liệu (Data Augmentation)

Câu hỏi về lựa chọn thuộc tính (feature selection). Lựa chọn thuộc tính (Feature Selection) là quá trình chọn tập con các thuộc tính quan trọng nhất để xây dựng mô hình, cải thiện hiệu suất và giảm overfitting.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 19: Một hệ thống quản lý quan hệ khách hàng (CRM) thu thập dữ liệu về tương tác khách hàng từ nhiều kênh khác nhau (website, email, cuộc gọi). Loại hình kho dữ liệu nào phù hợp để tích hợp và phân tích dữ liệu này?

Data Mart

Data Warehouse

Operational Data Store (ODS)

Data Lake

Câu hỏi về kho dữ liệu. Data Warehouse được thiết kế để tích hợp dữ liệu từ nhiều nguồn khác nhau, làm sạch và chuyển đổi dữ liệu để phân tích và báo cáo, phù hợp cho dữ liệu CRM từ nhiều kênh.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 20: Khi triển khai mô hình học máy vào thực tế kinh doanh, yếu tố nào sau đây quan trọng nhất để đảm bảo mô hình được chấp nhận và sử dụng hiệu quả bởi người dùng cuối?

Độ chính xác cao nhất

Tốc độ dự đoán nhanh nhất

Sử dụng thuật toán phức tạp nhất

Tính dễ diễn giải (Interpretability) của mô hình

Câu hỏi về triển khai mô hình học máy trong kinh doanh. Tính dễ diễn giải (Interpretability) của mô hình rất quan trọng để người dùng cuối hiểu cách mô hình đưa ra quyết định và tin tưởng vào kết quả.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 21: Trong phân tích chuỗi thời gian, thành phần nào sau đây thể hiện sự biến động ngắn hạn, không đều đặn và khó dự đoán trong dữ liệu?

Xu hướng (Trend)

Tính mùa vụ (Seasonality)

Thành phần ngẫu nhiên (Irregular/Random component)

Tính chu kỳ (Cyclicity)

Câu hỏi về thành phần trong chuỗi thời gian. Thành phần ngẫu nhiên (Irregular/Random component) thể hiện biến động ngắn hạn, không theo quy luật và khó dự đoán.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 22: Để xử lý dữ liệu văn bản trong NLP, bước nào sau đây chuyển đổi văn bản thành dạng số mà máy tính có thể hiểu được?

Loại bỏ stop words

Vector hóa văn bản (Text Vectorization)

Stemming/Lemmatization

Phân tích cú pháp (Parsing)

Câu hỏi về tiền xử lý văn bản trong NLP. Vector hóa văn bản (Text Vectorization) chuyển đổi văn bản thành dạng số (ví dụ: ma trận TF-IDF, word embeddings) để máy tính có thể xử lý.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 23: Loại hình phân tích dữ liệu nào tập trung vào việc trả lời câu hỏi 'Điều gì sẽ xảy ra nếu...?' và đưa ra các khuyến nghị hành động dựa trên dự đoán?

Phân tích mô tả (Descriptive Analytics)

Phân tích chẩn đoán (Diagnostic Analytics)

Phân tích quy định (Prescriptive Analytics)

Phân tích dự đoán (Predictive Analytics)

Câu hỏi về loại hình phân tích dữ liệu. Phân tích quy định (Prescriptive Analytics) tập trung vào việc đưa ra khuyến nghị hành động dựa trên dự đoán và mô phỏng các kịch bản 'what-if'.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 24: Trong mô hình Logistic Regression, hàm số nào được sử dụng để chuyển đổi đầu ra tuyến tính thành xác suất nằm trong khoảng [0, 1]?

Hàm Sigmoid

Hàm ReLU

Hàm Tanh

Hàm tuyến tính (Linear function)

Câu hỏi về hàm kích hoạt trong Logistic Regression. Hàm sigmoid (logistic function) được sử dụng để chuyển đổi đầu ra tuyến tính của Logistic Regression thành xác suất nằm trong khoảng [0, 1].

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 25: Để đảm bảo tính công bằng và tránh thiên vị trong mô hình học máy, biện pháp nào sau đây nên được thực hiện trong quá trình phát triển mô hình?

Tăng cường độ phức tạp của mô hình

Sử dụng nhiều dữ liệu huấn luyện hơn

Chỉ tập trung vào độ chính xác

Đánh giá và giảm thiểu thiên vị trong dữ liệu và mô hình (Bias mitigation)

Câu hỏi về tính công bằng trong mô hình học máy. Đánh giá và giảm thiểu thiên vị trong dữ liệu và mô hình (Bias mitigation) là biện pháp quan trọng để đảm bảo tính công bằng.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 26: Công cụ nào sau đây thường được sử dụng để quản lý và thực thi quy trình ETL (Extract, Transform, Load) trong kho dữ liệu?

Tableau

Pandas

Apache Airflow

Scikit-learn

Câu hỏi về công cụ ETL. Apache Airflow là một công cụ phổ biến để lập lịch, giám sát và quản lý quy trình ETL và các workflow dữ liệu khác.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 27: Trong phân tích rổ hàng hóa (Market Basket Analysis), độ đo 'Lift' lớn hơn 1 cho biết điều gì về mối quan hệ giữa hai sản phẩm?

Hai sản phẩm không liên quan đến nhau

Hai sản phẩm có xu hướng được mua cùng nhau (mối quan hệ dương tính)

Hai sản phẩm cạnh tranh nhau (mối quan hệ âm tính)

Không đủ thông tin để kết luận

Câu hỏi về độ đo Lift trong phân tích rổ hàng hóa. Lift > 1 cho thấy hai sản phẩm có mối quan hệ dương tính, việc mua sản phẩm này làm tăng khả năng mua sản phẩm kia.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 28: Để đảm bảo tuân thủ các quy định về bảo vệ dữ liệu cá nhân (ví dụ: GDPR), biện pháp nào sau đây nên được áp dụng khi làm việc với dữ liệu khách hàng?

Ẩn danh hóa dữ liệu (Data Anonymization)

Thu thập càng nhiều dữ liệu càng tốt

Chia sẻ dữ liệu với đối tác để tăng giá trị

Bỏ qua các quy định về bảo vệ dữ liệu để tối ưu hiệu suất mô hình

Câu hỏi về bảo vệ dữ liệu cá nhân. Ẩn danh hóa dữ liệu (Data Anonymization) là biện pháp quan trọng để bảo vệ quyền riêng tư và tuân thủ các quy định về bảo vệ dữ liệu.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 29: Phương pháp nào sau đây giúp đánh giá sự thay đổi của một chỉ số kinh doanh (ví dụ: doanh thu, lợi nhuận) theo thời gian so với một kịch bản cơ sở (baseline)?

Phân tích hồi quy (Regression Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích phương sai (ANOVA)

Phân tích когорт (Cohort Analysis)

Câu hỏi về phân tích hiệu suất theo thời gian so với baseline. Phân tích когорт (Cohort Analysis) theo dõi và so sánh hiệu suất của các nhóm ( когорт) theo thời gian so với baseline, giúp đánh giá sự thay đổi theo thời gian.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 02

Câu 30: Trong mô hình K-Means Clustering, thuật toán lặp lại quá trình nào để tối ưu hóa vị trí của các centroid và phân cụm dữ liệu?

Tìm kiếm lân cận gần nhất và cập nhật trọng số

Tính toán ma trận khoảng cách và phân tích thành phần chính

Gán điểm dữ liệu vào cụm gần nhất và cập nhật centroid của cụm

Xây dựng cây quyết định và cắt tỉa cây

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 thuật toán K-Means. Thuật toán K-Means lặp lại hai bước chính: gán điểm dữ liệu vào cụm gần nhất và cập nhật vị trí centroid của mỗi cụm dựa trên trung bình các điểm dữ liệu thuộc cụm đó.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 03

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 1: Trong quá trình phân tích dữ liệu kinh doanh, khi nào việc sử dụng phân tích hồi quy tuyến tính là phù hợp nhất?

Khi muốn phân loại khách hàng thành các nhóm khác nhau dựa trên đặc điểm nhân khẩu học.

Khi muốn dự đoán doanh số bán hàng dựa trên chi phí quảng cáo và giá sản phẩm.

Khi muốn xác định các phân khúc thị trường tiềm năng từ dữ liệu giao dịch khách hàng.

Khi muốn phát hiện gian lận trong các giao dịch thẻ tín dụng dựa trên lịch sử giao dịch.

Câu hỏi tập trung vào việc xác định thời điểm thích hợp sử dụng hồi quy tuyến tính, đòi hỏi sự hiểu biết về mục tiêu và giả định của phương pháp này.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 2: Một công ty thương mại điện tử muốn cải thiện hệ thống đề xuất sản phẩm của mình. Phương pháp học máy nào sau đây có khả năng phù hợp nhất để xây dựng hệ thống đề xuất dựa trên lịch sử mua hàng và hành vi duyệt web của người dùng?

Phân tích hồi quy tuyến tính (Linear Regression)

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

Cây quyết định (Decision Tree)

Hệ thống lọc cộng tác (Collaborative Filtering)

Câu hỏi kiểm tra khả năng ứng dụng kiến thức về các phương pháp học máy vào một bài toán kinh doanh cụ thể (hệ thống đề xuất).

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 3: Để đánh giá hiệu quả của một mô hình phân loại khách hàng tiềm năng (khách hàng có khả năng mua sản phẩm mới), chỉ số đánh giá nào sau đây là quan trọng nhất nếu mục tiêu chính là giảm thiểu chi phí tiếp thị không hiệu quả (tức là tránh gửi quảng cáo đến những người không có khả năng mua)?

Độ chính xác (Precision)

Độ bao phủ (Recall)

Độ chính xác tổng thể (Accuracy)

F1-score

Câu hỏi tập trung vào việc lựa chọn chỉ số đánh giá phù hợp với mục tiêu kinh doanh cụ thể (giảm chi phí tiếp thị), liên quan đến độ chính xác và độ bao phủ.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 4: Trong phân tích chuỗi thời gian kinh tế, khi quan sát thấy dữ liệu doanh số bán lẻ hàng tháng có xu hướng tăng dần qua các năm và đạt đỉnh vào mỗi dịp cuối năm (tháng 12), thành phần nào của chuỗi thời gian đang thể hiện rõ nhất?

Xu hướng (Trend)

Chu kỳ (Cyclical)

Tính mùa vụ (Seasonality)

Thành phần ngẫu nhiên (Irregular/Random)

Câu hỏi kiểm tra kiến thức về phân tích chuỗi thời gian và khả năng nhận diện các thành phần (xu hướng, mùa vụ, chu kỳ, ngẫu nhiên) trong dữ liệu kinh tế.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 5: Một nhà phân tích dữ liệu kinh doanh nhận thấy rằng trong bộ dữ liệu giao dịch bán hàng, có một số lượng lớn các giao dịch có giá trị bằng 0. Phương pháp xử lý dữ liệu nào sau đây là phù hợp nhất trước khi tiến hành phân tích, tùy thuộc vào ngữ cảnh và nguyên nhân của dữ liệu giá trị 0?

Loại bỏ tất cả các giao dịch có giá trị bằng 0 để đảm bảo tính 'sạch' của dữ liệu.

Thay thế tất cả các giá trị 0 bằng giá trị trung bình của cột 'giá trị giao dịch'.

Giữ nguyên giá trị 0 vì chúng có thể mang thông tin quan trọng về giao dịch miễn phí hoặc lỗi hệ thống.

Điều tra nguyên nhân của giá trị 0 (ví dụ: sản phẩm khuyến mãi, lỗi nhập liệu) và áp dụng phương pháp xử lý phù hợp (ví dụ: giữ nguyên, thay thế bằng giá trị phù hợp, hoặc loại bỏ tùy trường hợp).

Câu hỏi về tiền xử lý dữ liệu, cụ thể là xử lý giá trị 0, đòi hỏi sự hiểu biết về các phương pháp khác nhau và khi nào nên áp dụng chúng.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 6: Trong bối cảnh phân tích rủi ro tín dụng, mô hình học máy nào sau đây thường được sử dụng để dự đoán khả năng một khách hàng sẽ vỡ nợ (không trả được khoản vay)?

K-Means Clustering

Logistic Regression

Principal Component Analysis (PCA)

Thuật toán Apriori

Câu hỏi kiểm tra kiến thức về ứng dụng học máy trong lĩnh vực tài chính, cụ thể là bài toán dự đoán vỡ nợ, liên quan đến các mô hình phân loại.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 7: Khi xây dựng một mô hình dự báo doanh số, bạn nhận thấy rằng mô hình hiện tại có độ lệch (bias) cao. Điều này có nghĩa là gì về hiệu suất của mô hình?

Mô hình đang quá khớp (overfitting) với dữ liệu huấn luyện.

Mô hình rất nhạy cảm với nhiễu trong dữ liệu.

Mô hình đang đơn giản hóa vấn đề quá mức và bỏ qua các mối quan hệ quan trọng trong dữ liệu, dẫn đến dự đoán sai lệch một cách hệ thống.

Mô hình có phương sai (variance) cao, dẫn đến kết quả dự đoán không ổn định.

Câu hỏi kiểm tra sự hiểu biết về khái niệm bias trong mô hình học máy và ảnh hưởng của nó đến hiệu suất dự đoán.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 8: Trong phân tích dữ liệu văn bản (text mining) để phân tích cảm xúc khách hàng từ đánh giá sản phẩm trực tuyến, kỹ thuật nào sau đây thường được sử dụng để chuyển đổi văn bản thành dạng số, phù hợp cho các thuật toán học máy?

Bag-of-Words (BOW) hoặc TF-IDF

Phân tích hồi quy tuyến tính

K-Means Clustering

Phân tích thành phần chính (PCA)

Câu hỏi về xử lý dữ liệu văn bản, cụ thể là kỹ thuật vector hóa văn bản, cần thiết để áp dụng các thuật toán học máy.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 9: Một công ty muốn tối ưu hóa chiến dịch quảng cáo trực tuyến của mình bằng cách phân bổ ngân sách quảng cáo cho các kênh khác nhau (ví dụ: Google Ads, Facebook Ads) để đạt được hiệu quả tiếp cận khách hàng cao nhất. Phương pháp nào sau đây có thể hỗ trợ quyết định phân bổ ngân sách này dựa trên dữ liệu hiệu suất quảng cáo trước đây?

Phân tích mô tả thống kê đơn giản (Descriptive Statistics)

Phân tích tương quan (Correlation Analysis)

Phân tích cụm (Cluster Analysis)

Mô hình tối ưu hóa (Optimization Modeling) hoặc phân bổ đa kênh (Multi-channel Attribution)

Câu hỏi về ứng dụng khoa học dữ liệu trong marketing, cụ thể là tối ưu hóa ngân sách quảng cáo, liên quan đến phân tích hiệu quả và phân bổ nguồn lực.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 10: Trong quá trình khám phá dữ liệu (Exploratory Data Analysis - EDA), loại biểu đồ nào sau đây thường được sử dụng để trực quan hóa phân phối của một biến số liên tục và phát hiện các giá trị ngoại lệ (outliers)?

Biểu đồ đường (Line Chart)

Biểu đồ hộp (Box Plot)

Biểu đồ tròn (Pie Chart)

Biểu đồ thanh (Bar Chart)

Câu hỏi về EDA và lựa chọn biểu đồ phù hợp để phân tích phân phối và phát hiện ngoại lệ của biến số liên tục.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 11: Khi xây dựng mô hình học máy, kỹ thuật 'k-fold cross-validation' được sử dụng để làm gì?

Tăng tốc độ huấn luyện mô hình.

Giảm số lượng chiều dữ liệu đầu vào.

Đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới và ước tính hiệu suất mô hình một cách khách quan hơn.

Chọn ra các đặc trưng (features) quan trọng nhất cho mô hình.

Câu hỏi về kỹ thuật đánh giá mô hình 'k-fold cross-validation', nhằm kiểm tra tính tổng quát hóa và độ tin cậy của mô hình.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 12: Trong lĩnh vực quản lý chuỗi cung ứng, khoa học dữ liệu có thể được ứng dụng để giải quyết bài toán nào sau đây?

Dự báo nhu cầu sản phẩm để tối ưu hóa lượng hàng tồn kho và giảm chi phí.

Phân tích cảm xúc khách hàng từ đánh giá sản phẩm.

Phân loại khách hàng thành các phân khúc thị trường khác nhau.

Phát hiện gian lận trong giao dịch tài chính.

Câu hỏi về ứng dụng khoa học dữ liệu trong quản lý chuỗi cung ứng, đòi hỏi nhận biết các bài toán thực tế trong lĩnh vực này.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 13: Giả sử bạn có một bộ dữ liệu lớn về thông tin khách hàng và hành vi mua sắm. Bạn muốn sử dụng thuật toán K-Means để phân khúc khách hàng. Điều gì quan trọng cần xác định trước khi áp dụng thuật toán này?

Loại thuật toán phân loại phù hợp nhất.

Số lượng cụm (K) mong muốn.

Phương pháp giảm chiều dữ liệu hiệu quả nhất.

Ngưỡng chấp nhận cho sai số của mô hình.

Câu hỏi về thuật toán K-Means, tập trung vào các bước chuẩn bị và tham số quan trọng cần xác định trước khi sử dụng thuật toán.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 14: Trong phân tích dữ liệu lớn (Big Data), công nghệ nào sau đây thường được sử dụng để xử lý và phân tích dữ liệu phi cấu trúc (ví dụ: nhật ký web, văn bản, hình ảnh) với khối lượng lớn và tốc độ cao?

Excel

SQL Databases

Hadoop và Spark

SPSS Statistics

Câu hỏi về công nghệ Big Data, cụ thể là các công nghệ phù hợp để xử lý dữ liệu phi cấu trúc lớn và nhanh.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 15: Trong mô hình hóa dữ liệu, 'feature engineering' đề cập đến quá trình nào?

Lựa chọn thuật toán học máy phù hợp nhất.

Tối ưu hóa tham số của mô hình học máy.

Thu thập dữ liệu từ nhiều nguồn khác nhau.

Biến đổi và tạo ra các đặc trưng (features) mới từ dữ liệu thô để cải thiện hiệu suất của mô hình học máy.

Câu hỏi về 'feature engineering', một bước quan trọng trong xây dựng mô hình học máy, tập trung vào việc cải thiện chất lượng đặc trưng dữ liệu.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 16: Khi một mô hình phân loại có 'độ bao phủ' (recall) cao nhưng 'độ chính xác' (precision) thấp trong bài toán dự đoán khách hàng rời bỏ (churn prediction), điều này có ý nghĩa gì?

Mô hình dự đoán chính xác hầu hết khách hàng không rời bỏ, nhưng bỏ sót nhiều khách hàng có nguy cơ rời bỏ.

Mô hình xác định đúng hầu hết khách hàng thực sự rời bỏ, nhưng cũng báo động nhầm nhiều khách hàng không rời bỏ.

Mô hình có độ chính xác tổng thể cao trong việc dự đoán khách hàng rời bỏ và không rời bỏ.

Mô hình không ổn định và cần được huấn luyện lại với dữ liệu lớn hơn.

Câu hỏi về ý nghĩa của 'độ bao phủ' và 'độ chính xác' trong bài toán phân loại, đặc biệt trong ngữ cảnh kinh doanh (churn prediction).

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 17: Phương pháp thống kê nào sau đây thường được sử dụng để kiểm tra xem có mối quan hệ tuyến tính đáng kể giữa hai biến số định lượng hay không?

Phân tích phương sai (ANOVA)

Kiểm định Chi-bình phương (Chi-squared test)

Hệ số tương quan Pearson (Pearson correlation coefficient) và kiểm định t

Phân tích hồi quy logistic

Câu hỏi về phương pháp thống kê để kiểm tra mối quan hệ tuyến tính giữa hai biến định lượng, liên quan đến kiểm định giả thuyết và tương quan.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 18: Trong phân tích dữ liệu web, 'tỷ lệ thoát' (bounce rate) là gì và tại sao nó quan trọng đối với doanh nghiệp trực tuyến?

Tỷ lệ khách hàng rời bỏ giỏ hàng trước khi hoàn tất thanh toán.

Tỷ lệ email quảng cáo bị đánh dấu là spam.

Tỷ lệ khách hàng không hài lòng và gửi phản hồi tiêu cực.

Tỷ lệ khách truy cập rời khỏi trang web sau khi chỉ xem một trang duy nhất, cho thấy nội dung trang có thể không liên quan hoặc không hấp dẫn.

Câu hỏi về chỉ số 'tỷ lệ thoát' trong phân tích web, yêu cầu giải thích ý nghĩa và tầm quan trọng của nó trong kinh doanh trực tuyến.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 19: Để giảm thiểu tác động của các biến nhiễu (confounding variables) trong một nghiên cứu quan sát về mối quan hệ giữa chi tiêu quảng cáo và doanh số bán hàng, phương pháp nào sau đây có thể được sử dụng?

Sử dụng thuật toán học máy phức tạp hơn.

Áp dụng kỹ thuật 'matching' (ghép cặp) hoặc 'stratification' (phân tầng) để kiểm soát các biến nhiễu đã biết.

Tăng kích thước mẫu dữ liệu lên rất lớn.

Loại bỏ tất cả các biến có tương quan với cả chi tiêu quảng cáo và doanh số bán hàng.

Câu hỏi về phương pháp kiểm soát biến nhiễu trong nghiên cứu quan sát, liên quan đến các kỹ thuật thống kê và thiết kế nghiên cứu.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 20: Trong phân tích mạng xã hội (social network analysis) ứng dụng trong kinh doanh, 'centrality' (độ tập trung) đo lường điều gì?

Mức độ tương tác giữa các thành viên trong mạng.

Mật độ kết nối của mạng.

Mức độ quan trọng hoặc ảnh hưởng của một nút (ví dụ: cá nhân, tổ chức) trong mạng dựa trên vị trí và kết nối của nó.

Sự phân cụm tự nhiên của các thành viên trong mạng.

Câu hỏi về phân tích mạng xã hội, cụ thể là khái niệm 'centrality', yêu cầu hiểu ý nghĩa và ứng dụng của nó trong ngữ cảnh kinh doanh.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 21: Khi dữ liệu định lượng có phân phối lệch (skewed distribution), ví dụ như thu nhập hộ gia đình, giá trị đo lường xu hướng trung tâm nào sau đây thường được sử dụng thay vì giá trị trung bình (mean) để mô tả 'điển hình' hơn?

Giá trị trung bình (Mean)

Giá trị trung vị (Median)

Giá trị mốt (Mode)

Phương sai (Variance)

Câu hỏi về thống kê mô tả, cụ thể là lựa chọn thước đo xu hướng trung tâm phù hợp với phân phối lệch, nhấn mạnh vào tính chất của trung vị (median).

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 22: Trong bài toán phát hiện gian lận (fraud detection) trong giao dịch thẻ tín dụng, tại sao việc sử dụng 'ma trận nhầm lẫn' (confusion matrix) và các chỉ số như 'precision', 'recall', 'F1-score' lại quan trọng hơn chỉ số 'accuracy'?

Vì 'accuracy' không thể tính được cho dữ liệu giao dịch thẻ tín dụng.

Vì 'accuracy' luôn đạt giá trị cao trong bài toán phát hiện gian lận.

Vì 'accuracy' không phản ánh đúng chi phí của việc bỏ sót giao dịch gian lận.

Vì dữ liệu giao dịch thẻ tín dụng thường không cân bằng (số lượng giao dịch gian lận ít hơn nhiều so với giao dịch bình thường), nên 'accuracy' có thể gây hiểu lầm về hiệu suất thực tế của mô hình.

Câu hỏi về đánh giá mô hình phân loại trong bài toán gian lận, nhấn mạnh sự cần thiết của các chỉ số phù hợp với dữ liệu không cân bằng (imbalanced data).

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 23: Kỹ thuật 'dimensionality reduction' (giảm chiều dữ liệu) như Principal Component Analysis (PCA) thường được sử dụng để làm gì trong khoa học dữ liệu kinh doanh?

Giảm số lượng biến đầu vào để đơn giản hóa mô hình, giảm nhiễu, và cải thiện hiệu suất tính toán, đồng thời có thể giúp trực quan hóa dữ liệu đa chiều.

Tăng số lượng biến đầu vào để mô hình học được nhiều thông tin hơn.

Chuyển đổi dữ liệu định tính thành dữ liệu định lượng.

Cải thiện độ chính xác của mô hình dự đoán bằng cách loại bỏ các biến ít quan trọng.

Câu hỏi về kỹ thuật giảm chiều dữ liệu, cụ thể là PCA, và mục đích sử dụng của nó trong khoa học dữ liệu kinh doanh.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 24: Trong thiết kế cơ sở dữ liệu quan hệ cho một hệ thống quản lý bán hàng, khóa chính (primary key) được sử dụng để làm gì?

Mã hóa dữ liệu nhạy cảm để bảo mật.

Tăng tốc độ truy vấn dữ liệu.

Đảm bảo mỗi bản ghi trong bảng là duy nhất và có thể được xác định một cách rõ ràng.

Liên kết các bảng khác nhau trong cơ sở dữ liệu.

Câu hỏi về cơ sở dữ liệu quan hệ, cụ thể là khái niệm khóa chính, và mục đích sử dụng của nó trong quản lý dữ liệu.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 25: Khi phân tích dữ liệu khảo sát khách hàng, phương pháp thống kê nào sau đây phù hợp để so sánh mức độ hài lòng trung bình của khách hàng giữa hai nhóm khách hàng khác nhau (ví dụ: nhóm sử dụng dịch vụ mới và nhóm sử dụng dịch vụ cũ)?

Phân tích hồi quy tuyến tính đa biến.

Kiểm định t độc lập (Independent samples t-test).

Phân tích phương sai (ANOVA) cho nhiều nhóm.

Kiểm định Chi-bình phương (Chi-squared test) cho biến định tính.

Câu hỏi về thống kê suy luận, cụ thể là phương pháp so sánh trung bình giữa hai nhóm độc lập, liên quan đến kiểm định t.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 26: Trong lĩnh vực tài chính định lượng (quantitative finance), mô hình ARIMA thường được sử dụng để làm gì?

Phân loại cổ phiếu thành các nhóm rủi ro khác nhau.

Phân tích danh mục đầu tư tối ưu.

Phát hiện giao dịch gian lận trên thị trường chứng khoán.

Dự báo giá cổ phiếu hoặc các chỉ số tài chính khác dựa trên dữ liệu chuỗi thời gian quá khứ.

Câu hỏi về ứng dụng mô hình ARIMA trong tài chính định lượng, cụ thể là bài toán dự báo chuỗi thời gian tài chính.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 27: Đạo đức trong khoa học dữ liệu kinh doanh bao gồm những khía cạnh nào?

Chỉ liên quan đến việc bảo vệ dữ liệu cá nhân khỏi bị tấn công mạng.

Chỉ liên quan đến việc tuân thủ luật pháp về bảo vệ dữ liệu.

Bao gồm sự công bằng, minh bạch, trách nhiệm giải trình, bảo vệ quyền riêng tư, và tránh gây hại khi thu thập, phân tích và sử dụng dữ liệu.

Chỉ cần đảm bảo dữ liệu được thu thập và phân tích một cách nhanh chóng và hiệu quả.

Câu hỏi về đạo đức trong khoa học dữ liệu, đòi hỏi nhận biết các khía cạnh đạo đức quan trọng cần xem xét.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 28: Khi trình bày kết quả phân tích dữ liệu cho những người không chuyên về kỹ thuật (ví dụ: lãnh đạo doanh nghiệp), điều gì quan trọng nhất cần lưu ý?

Tập trung vào việc truyền đạt ý nghĩa kinh doanh và hành động đề xuất một cách rõ ràng, sử dụng ngôn ngữ đơn giản và trực quan hóa dễ hiểu, thay vì đi sâu vào chi tiết kỹ thuật và thuật ngữ chuyên môn.

Trình bày tất cả các chi tiết kỹ thuật của mô hình và phương pháp phân tích để chứng minh tính chuyên nghiệp.

Sử dụng các thuật ngữ khoa học dữ liệu phức tạp để thể hiện sự chuyên môn.

Chỉ trình bày các kết quả tích cực và bỏ qua những hạn chế hoặc rủi ro tiềm ẩn.

Câu hỏi về giao tiếp kết quả phân tích dữ liệu, nhấn mạnh vào việc trình bày dễ hiểu và tập trung vào giá trị kinh doanh.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 29: Trong quá trình thu thập dữ liệu web (web scraping), điều gì cần được xem xét để đảm bảo tuân thủ pháp luật và đạo đức?

Chỉ cần đảm bảo dữ liệu thu thập được là chính xác và đầy đủ.

Tuân thủ 'robots.txt', điều khoản dịch vụ của trang web, luật pháp về bản quyền và quyền riêng tư, đồng thời tránh gây quá tải cho máy chủ web.

Không cần quan tâm đến các vấn đề pháp lý và đạo đức nếu dữ liệu được sử dụng cho mục đích nghiên cứu.

Chỉ cần xin phép chủ sở hữu trang web trước khi thu thập dữ liệu.

Câu hỏi về thu thập dữ liệu web, nhấn mạnh các khía cạnh pháp lý và đạo đức cần tuân thủ khi thực hiện.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 03

Câu 30: Để xác định các nhóm sản phẩm thường được mua cùng nhau trong giao dịch bán lẻ (phân tích giỏ hàng - market basket analysis), thuật toán khai thác luật kết hợp (association rule mining) nào sau đây thường được sử dụng?

K-Means Clustering

Principal Component Analysis (PCA)

Apriori hoặc FP-Growth

Logistic Regression

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 phân tích giỏ hàng, cụ thể là thuật toán khai thác luật kết hợp phù hợp để tìm ra các mối quan hệ mua hàng chung.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 04

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 1: Trong bối cảnh kinh doanh, doanh nghiệp thu thập dữ liệu khách hàng từ nhiều nguồn như website, ứng dụng di động, CRM và mạng xã hội. Dữ liệu này thường có đặc điểm nào sau đây?

Đồng nhất về cấu trúc và định dạng

Dung lượng nhỏ và dễ quản lý bằng công cụ truyền thống

Chủ yếu là dữ liệu dạng số và có cấu trúc

Đa dạng về loại hình (văn bản, hình ảnh, video, số) và nguồn gốc

Câu hỏi tập trung vào đặc điểm dữ liệu lớn trong kinh doanh, đặc biệt là tính đa dạng nguồn và loại dữ liệu.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 2: Một công ty bán lẻ muốn dự đoán doanh số bán hàng hàng tuần dựa trên chi phí quảng cáo trên TV, báo và mạng xã hội. Phương pháp phân tích dữ liệu nào sau đây phù hợp nhất?

Phân cụm (Clustering)

Hồi quy đa biến (Multiple Regression)

Phân lớp (Classification)

Khai thác luật kết hợp (Association Rule Mining)

Câu hỏi tình huống về dự đoán doanh số dựa trên các biến đầu vào (chi phí quảng cáo). Đây là bài toán hồi quy.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 3: Để phân khúc khách hàng dựa trên hành vi mua sắm trực tuyến, một siêu thị điện máy có thể sử dụng thuật toán nào?

K-Means Clustering

Cây quyết định (Decision Tree)

Hồi quy Logistic (Logistic Regression)

Phân tích chuỗi thời gian (Time Series Analysis)

Câu hỏi về phân khúc khách hàng, một ứng dụng điển hình của phân cụm dữ liệu.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 4: Trong quy trình khai thác dữ liệu, bước 'Data Cleaning' (Làm sạch dữ liệu) nhằm mục đích chính là gì?

Thu thập dữ liệu từ nhiều nguồn khác nhau

Chuyển đổi dữ liệu sang định dạng phù hợp cho phân tích

Xử lý dữ liệu bị thiếu, nhiễu, và không nhất quán

Chọn lọc các thuộc tính quan trọng nhất cho mô hình

Câu hỏi về mục đích của bước làm sạch dữ liệu trong quy trình khai thác dữ liệu.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 5: Phương pháp nào sau đây giúp giảm chiều dữ liệu, loại bỏ các thuộc tính ít quan trọng hoặc dư thừa, nhưng vẫn giữ được thông tin cốt lõi?

Chuẩn hóa dữ liệu (Data Normalization)

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

Rời rạc hóa dữ liệu (Data Discretization)

Khử trung bình dữ liệu (Data Centering)

Câu hỏi về kỹ thuật giảm chiều dữ liệu, một bước quan trọng trong tiền xử lý.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 6: Một mô hình phân lớp dự đoán khả năng khách hàng hủy dịch vụ (churn prediction) đạt độ chính xác (Accuracy) 90%. Tuy nhiên, khi xem xét kỹ hơn, tỷ lệ khách hàng thực sự hủy dịch vụ (trong tập kiểm thử) là 5%, và mô hình dự đoán đúng tất cả các trường hợp không hủy dịch vụ, nhưng dự đoán sai tất cả các trường hợp hủy dịch vụ. Điều này cho thấy vấn đề gì?

Mô hình có độ chính xác rất cao và hiệu quả

Cần tăng kích thước tập dữ liệu huấn luyện

Độ chính xác không phải là chỉ số đánh giá phù hợp trong trường hợp này

Mô hình bị overfitting trên tập huấn luyện

Câu hỏi tình huống về độ chính xác mô hình trong trường hợp dữ liệu mất cân bằng và sự hạn chế của chỉ số Accuracy.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 7: Trong bài toán phân lớp, 'Precision' (Độ chính xác) được tính bằng công thức nào?

TP / (TP + FP)

TP / (TP + FN)

TN / (TN + FP)

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

Câu hỏi về công thức tính Precision, một chỉ số đánh giá mô hình phân lớp.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 8: Để đánh giá hiệu quả của một mô hình dự báo chuỗi thời gian (ví dụ: dự báo doanh số hàng tháng), chỉ số nào sau đây thường được sử dụng?

Accuracy

F1-score

AUC-ROC

Mean Absolute Percentage Error (MAPE)

Câu hỏi về chỉ số đánh giá mô hình dự báo chuỗi thời gian, tập trung vào sai số dự báo.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 9: Trong phân tích luật kết hợp (Association Rule Mining) trên dữ liệu giao dịch bán lẻ, 'Support' của một tập mục hàng (itemset) được định nghĩa là gì?

Xác suất xuất hiện của một mục hàng trong tất cả giao dịch

Tỷ lệ giao dịch chứa tập mục hàng đó trong tổng số giao dịch

Mức độ tin cậy của luật kết hợp được sinh ra từ tập mục hàng

Độ phổ biến tương đối của tập mục hàng so với các tập mục hàng khác

Câu hỏi về khái niệm Support trong khai thác luật kết hợp.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 10: Một ngân hàng muốn xây dựng hệ thống phát hiện giao dịch gian lận thẻ tín dụng. Loại bài toán học máy nào phù hợp nhất?

Hồi quy (Regression)

Phân cụm (Clustering)

Phân lớp (Classification)

Giảm chiều dữ liệu (Dimensionality Reduction)

Câu hỏi tình huống về ứng dụng học máy trong phát hiện gian lận, đây là bài toán phân lớp.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 11: Để trực quan hóa mối quan hệ giữa doanh thu, chi phí quảng cáo và lợi nhuận của một công ty theo thời gian, loại biểu đồ nào sau đây phù hợp nhất?

Biểu đồ tròn (Pie chart)

Biểu đồ đường (Line chart) kết hợp

Biểu đồ hộp (Box plot)

Biểu đồ phân tán (Scatter plot)

Câu hỏi về lựa chọn biểu đồ phù hợp để trực quan hóa dữ liệu đa biến theo thời gian.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 12: Trong phân tích dữ liệu văn bản (text mining) về đánh giá sản phẩm của khách hàng, kỹ thuật 'Sentiment Analysis' (Phân tích cảm xúc) được sử dụng để làm gì?

Phân loại chủ đề chính của đánh giá

Trích xuất thông tin về tính năng sản phẩm được đề cập

Phân tích tần suất xuất hiện của các từ khóa

Xác định thái độ, cảm xúc (tích cực, tiêu cực, trung lập) của khách hàng

Câu hỏi về ứng dụng của phân tích cảm xúc trong xử lý ngôn ngữ tự nhiên.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 13: Khi dữ liệu có thuộc tính 'Tuổi' chứa các giá trị ngoại lai (outliers) như '150', phương pháp nào sau đây phù hợp để xử lý?

Chuẩn hóa Min-Max (Min-Max Scaling)

Mã hóa One-Hot (One-Hot Encoding)

Thay thế bằng giá trị trung bình hoặc trung vị

Rời rạc hóa thành các khoảng tuổi

Câu hỏi về xử lý giá trị ngoại lai trong dữ liệu số.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 14: Trong mô hình cây quyết định (Decision Tree), tiêu chí 'Gini Impurity' được sử dụng để làm gì?

Đo lường độ phức tạp của cây

Chọn thuộc tính tốt nhất để phân chia nút

Xác định độ sâu tối ưu của cây

Đánh giá hiệu suất của mô hình trên tập kiểm thử

Câu hỏi về vai trò của Gini Impurity trong thuật toán cây quyết định.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 15: Phương pháp 'Cross-validation' (Kiểm định chéo) được sử dụng để làm gì trong quá trình xây dựng mô hình học máy?

Đánh giá khách quan hiệu suất của mô hình trên dữ liệu mới

Tăng kích thước tập dữ liệu huấn luyện

Giảm thiểu overfitting trên tập huấn luyện

Tối ưu hóa siêu tham số của mô hình

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

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 16: Trong phân tích chuỗi thời gian, thành phần 'Seasonality' (Tính mùa vụ) thể hiện điều gì?

Xu hướng tăng hoặc giảm dài hạn của chuỗi

Sự biến động ngẫu nhiên không theo quy luật

Sự biến động lặp lại theo chu kỳ cố định (ví dụ: hàng năm, hàng quý)

Sự thay đổi đột ngột do các sự kiện bất thường

Câu hỏi về khái niệm tính mùa vụ trong phân tích chuỗi thời gian.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 17: Một công ty thương mại điện tử muốn gợi ý sản phẩm cho khách hàng dựa trên lịch sử mua hàng và hành vi duyệt web. Phương pháp nào sau đây phù hợp nhất?

Phân tích hồi quy (Regression Analysis)

Phân tích cụm (Cluster Analysis)

Phân tích phân biệt (Discriminant Analysis)

Hệ thống khuyến nghị (Recommender System)

Câu hỏi tình huống về hệ thống gợi ý sản phẩm, một ứng dụng của hệ thống khuyến nghị.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 18: Để so sánh hiệu quả của hai chiến dịch marketing khác nhau (A và B), doanh nghiệp thường sử dụng phương pháp thống kê nào?

Phân tích tương quan (Correlation Analysis)

Kiểm định T-test (T-test)

Phân tích phương sai (ANOVA)

Phân tích luật kết hợp (Association Rule Analysis)

Câu hỏi về phương pháp so sánh hiệu quả giữa hai nhóm, liên quan đến kiểm định giả thuyết.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 19: Trong ngữ cảnh Big Data, 'Velocity' (Tốc độ) đề cập đến đặc điểm nào của dữ liệu?

Độ lớn của dữ liệu

Sự đa dạng của các loại dữ liệu

Tốc độ tạo ra và xử lý dữ liệu

Độ tin cậy và chính xác của dữ liệu

Câu hỏi về một trong những đặc tính 'V' của Big Data - Velocity.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 20: Khi nào thì việc sử dụng mô hình 'Black box' (Hộp đen) trong khoa học dữ liệu kinh doanh trở nên không phù hợp hoặc cần được xem xét cẩn trọng?

Khi cần độ chính xác dự đoán cao nhất

Khi dữ liệu đầu vào rất lớn và phức tạp

Khi thời gian huấn luyện mô hình là yếu tố quan trọng

Khi cần giải thích lý do đưa ra quyết định hoặc dự đoán

Câu hỏi về hạn chế của mô hình hộp đen, đặc biệt về tính giải thích trong kinh doanh.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 21: Để xử lý dữ liệu dạng văn bản tiếng Việt trong bài toán phân tích cảm xúc, bước tiền xử lý nào sau đây quan trọng?

Tách từ (Word segmentation)

Loại bỏ dấu câu (Punctuation removal)

Chuyển đổi về chữ thường (Lowercasing)

Loại bỏ stop words (Stop word removal)

Câu hỏi về tiền xử lý đặc thù cho ngôn ngữ tiếng Việt trong NLP.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 22: Trong mô hình mạng nơ-ron (Neural Network), hàm kích hoạt (Activation function) có vai trò gì?

Tính toán trọng số kết nối giữa các nơ-ron

Đưa tính phi tuyến vào mô hình

Chuẩn hóa dữ liệu đầu vào

Tối ưu hóa tốc độ học của mô hình

Câu hỏi về vai trò của hàm kích hoạt trong mạng nơ-ron.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 23: Phương pháp 'Regularization' (Chính quy hóa) trong học máy được sử dụng để giải quyết vấn đề gì?

Xử lý dữ liệu bị thiếu

Tăng tốc độ huấn luyện mô hình

Giảm thiểu overfitting

Cải thiện độ chính xác trên tập huấn luyện

Câu hỏi về mục đích của chính quy hóa trong học máy.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 24: Trong phân tích dữ liệu kinh doanh, 'Cohort Analysis' (Phân tích когорт) thường được sử dụng để làm gì?

Phân khúc thị trường dựa trên nhân khẩu học

Dự báo doanh số bán hàng theo mùa

Xác định các yếu tố ảnh hưởng đến sự hài lòng của khách hàng

Theo dõi hành vi và sự thay đổi của các nhóm khách hàng theo thời gian

Câu hỏi về ứng dụng của phân tích когорт trong kinh doanh.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 25: Đạo đức trong khoa học dữ liệu kinh doanh bao gồm những khía cạnh nào?

Bảo vệ quyền riêng tư, tránh phân biệt đối xử, đảm bảo tính minh bạch và trách nhiệm giải trình

Tối ưu hóa lợi nhuận, tăng trưởng thị phần, vượt qua đối thủ cạnh tranh

Sử dụng công nghệ mới nhất, thuật toán phức tạp nhất, dữ liệu lớn nhất

Tự động hóa quy trình, giảm chi phí nhân lực, tăng năng suất

Câu hỏi về các khía cạnh đạo đức quan trọng trong ứng dụng khoa học dữ liệu trong kinh doanh.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 26: Để chuyển đổi biến định tính (categorical) thành dạng số để sử dụng trong các thuật toán học máy, phương pháp nào sau đây thường được sử dụng?

Chuẩn hóa Z-score (Z-score Standardization)

Mã hóa One-Hot (One-Hot Encoding)

Rời rạc hóa theo tần suất (Frequency Discretization)

Điền giá trị trung bình (Mean Imputation)

Câu hỏi về kỹ thuật mã hóa biến định tính sang dạng số.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 27: Trong quá trình lựa chọn mô hình học máy, khi nào nên ưu tiên mô hình có độ phức tạp thấp (ví dụ: hồi quy tuyến tính) hơn mô hình phức tạp (ví dụ: mạng nơ-ron sâu)?

Khi dữ liệu huấn luyện rất lớn

Khi cần đạt độ chính xác dự đoán cao nhất

Khi tính giải thích của mô hình quan trọng hơn độ chính xác tuyệt đối

Khi tài nguyên tính toán hạn chế

Câu hỏi về trade-off giữa độ phức tạp mô hình và tính đơn giản, dễ giải thích.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 28: Để phát hiện các giao dịch bất thường trong dữ liệu bán hàng (ví dụ: doanh số tăng đột biến bất thường), phương pháp nào sau đây phù hợp?

Phân tích tương quan (Correlation Analysis)

Phân tích hồi quy (Regression Analysis)

Phân tích thành phần chính (PCA)

Phát hiện bất thường (Anomaly Detection)

Câu hỏi về phương pháp phát hiện bất thường trong dữ liệu chuỗi thời gian hoặc dữ liệu kinh doanh.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 29: Trong thiết kế thử nghiệm A/B testing cho website thương mại điện tử, yếu tố nào sau đây quan trọng để đảm bảo kết quả thử nghiệm có ý nghĩa thống kê?

Sử dụng mẫu thử nghiệm nhỏ

Phân bổ ngẫu nhiên người dùng vào nhóm thử nghiệm và nhóm đối chứng

Thực hiện thử nghiệm trong thời gian ngắn

Chỉ đo lường một chỉ số hiệu suất duy nhất

Câu hỏi về yếu tố quan trọng trong thiết kế thử nghiệm A/B để đảm bảo tính tin cậy.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 04

Câu 30: Mục tiêu cuối cùng của việc ứng dụng khoa học dữ liệu trong kinh tế và kinh doanh là gì?

Thu thập và lưu trữ lượng lớn dữ liệu

Xây dựng các mô hình học máy phức tạp

Hỗ trợ ra quyết định dựa trên dữ liệu, tối ưu hóa hoạt động và tạo lợi thế cạnh tranh

Tự động hóa hoàn toàn các quy trình kinh doanh

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 mục tiêu tổng quát của khoa học dữ liệu trong bối cảnh kinh doanh.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 05

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 1: Trong phân tích dữ liệu kinh doanh, đâu là ví dụ về thuộc tính định lượng?

Màu sắc sản phẩm (đỏ, xanh, vàng)

Doanh thu hàng tháng (triệu đồng)

Đánh giá mức độ hài lòng (tốt, trung bình, kém)

Địa điểm cửa hàng (Hà Nội, Hồ Chí Minh, Đà Nẵng)

Câu hỏi kiểm tra kiến thức về kiểu dữ liệu định lượng. Thuộc tính định lượng đo lường được bằng số và có thể thực hiện các phép toán số học.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 2: Phát biểu nào sau đây mô tả đúng nhất về vai trò của trực quan hóa dữ liệu trong khoa học dữ liệu kinh doanh?

Trực quan hóa dữ liệu chỉ dùng để trang trí báo cáo, không có giá trị phân tích.

Trực quan hóa dữ liệu thay thế hoàn toàn các phương pháp thống kê truyền thống.

Trực quan hóa dữ liệu giúp phát hiện các mẫu, xu hướng và hiểu rõ hơn về dữ liệu, hỗ trợ quá trình ra quyết định.

Trực quan hóa dữ liệu chỉ phù hợp với dữ liệu có kích thước nhỏ.

Câu hỏi tập trung vào vai trò của trực quan hóa dữ liệu. Trực quan hóa giúp nhận diện mẫu, xu hướng và thông tin ẩn sâu trong dữ liệu, hỗ trợ ra quyết định.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 3: Trong quy trình khai thác dữ liệu (Data Mining), giai đoạn nào tập trung vào việc làm sạch dữ liệu nhiễu, xử lý giá trị thiếu và chuyển đổi dữ liệu sang định dạng phù hợp?

Lựa chọn mô hình (Model Selection)

Chuẩn bị dữ liệu (Data Preparation)

Đánh giá mô hình (Model Evaluation)

Khai thác mẫu (Pattern Mining)

Câu hỏi xác định giai đoạn tiền xử lý dữ liệu trong quy trình khai thác dữ liệu. Giai đoạn này bao gồm làm sạch, chuyển đổi và chuẩn bị dữ liệu.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 4: Một công ty bán lẻ muốn phân nhóm khách hàng dựa trên hành vi mua sắm để đưa ra các chương trình khuyến mãi cá nhân hóa. Phương pháp phân tích dữ liệu nào phù hợp nhất?

Phân tích hồi quy (Regression Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích phân loại (Classification Analysis)

Phân tích phân cụm (Clustering Analysis)

Câu hỏi tình huống về phân nhóm khách hàng. Phân cụm (Clustering) là kỹ thuật phù hợp để phân nhóm đối tượng dựa trên sự tương đồng về đặc điểm.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 5: Để dự báo doanh số bán hàng trong quý tới dựa trên dữ liệu doanh số của các quý trước, phương pháp nào sau đây thường được sử dụng?

Phân tích tương quan (Correlation Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích thành phần chính (Principal Component Analysis)

Phân tích ANOVA (Analysis of Variance)

Câu hỏi về dự báo dựa trên dữ liệu quá khứ theo thời gian. Phân tích chuỗi thời gian (Time Series Analysis) là phương pháp chuyên dụng cho dự báo dựa trên dữ liệu theo thời gian.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 6: Trong mô hình hóa dữ liệu, hiện tượng 'overfitting' (quá khớp) xảy ra khi nào?

Mô hình hoạt động rất tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu kiểm tra.

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

Mô hình có độ phức tạp quá thấp so với dữ liệu.

Dữ liệu huấn luyện có quá nhiều nhiễu.

Câu hỏi về hiện tượng overfitting. Overfitting xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến kém hiệu quả trên dữ liệu mới.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 7: Chỉ số F1-score thường được sử dụng để đánh giá hiệu suất của mô hình phân loại trong trường hợp nào?

Khi mục tiêu là tối đa hóa độ chính xác tổng thể (accuracy) bất kể sự cân bằng giữa các lớp.

Khi tập dữ liệu phân loại có số lượng mẫu ở các lớp rất cân bằng.

Khi cần cân bằng giữa Precision (độ chính xác) và Recall (độRecall), đặc biệt trong bài toán phân loại không cân bằng.

Khi chỉ quan tâm đến việc giảm thiểu số lượng dự đoán sai dương tính (false positives).

Câu hỏi về ứng dụng của F1-score. F1-score là thước đo tốt khi dữ liệu phân lớp không cân bằng, kết hợp Precision và Recall.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 8: Kỹ thuật nào sau đây được sử dụng để giảm chiều dữ liệu, giúp giảm độ phức tạp tính toán và tránh 'lời nguyền chiều dữ liệu'?

Chuẩn hóa dữ liệu (Data Normalization)

Rời rạc hóa dữ liệu (Data Discretization)

Điền giá trị thiếu (Missing Value Imputation)

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

Câu hỏi về giảm chiều dữ liệu. Giảm chiều dữ liệu giúp đơn giản hóa mô hình, tăng tốc độ tính toán và cải thiện hiệu suất.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 9: Trong phân tích rủi ro tín dụng, mô hình học máy nào thường được sử dụng để dự đoán khả năng vỡ nợ của khách hàng?

Mô hình phân loại (Classification Models) như Logistic Regression, Decision Trees

Mô hình hồi quy (Regression Models) như Linear Regression

Mô hình phân cụm (Clustering Models) như K-Means

Mô hình giảm chiều (Dimensionality Reduction Models) như PCA

Câu hỏi về ứng dụng học máy trong rủi ro tín dụng. Mô hình phân loại (Classification) được dùng để dự đoán khả năng vỡ nợ (có/không).

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 10: Phát biểu nào sau đây về 'Big Data' là chính xác nhất?

Big Data chỉ đơn giản là dữ liệu có kích thước lớn hơn dữ liệu thông thường.

Big Data được đặc trưng bởi Khối lượng lớn (Volume), Tốc độ cao (Velocity), Đa dạng (Variety) và Độ tin cậy (Veracity).

Big Data luôn luôn cần được xử lý bằng các công nghệ mới nhất như Hadoop và Spark.

Big Data không liên quan đến dữ liệu truyền thống mà chỉ bao gồm dữ liệu phi cấu trúc.

Câu hỏi về định nghĩa Big Data. Big Data đặc trưng bởi 4Vs: Volume, Velocity, Variety, Veracity.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 11: Một siêu thị muốn xác định các sản phẩm thường được mua cùng nhau để tối ưu hóa việc sắp xếp hàng hóa và khuyến mãi. Kỹ thuật khai thác dữ liệu nào phù hợp?

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích hồi quy (Regression Analysis)

Phân tích luật kết hợp (Association Rule Mining) hay phân tích giỏ hàng

Phân tích phân loại (Classification Analysis)

Câu hỏi về ứng dụng khai thác luật kết hợp. Phân tích giỏ hàng (Market Basket Analysis) dùng để tìm quy luật mua sắm chung.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 12: Trong ngữ cảnh khoa học dữ liệu kinh doanh, 'feature engineering' (kỹ thuật đặc trưng) có nghĩa là gì?

Quá trình lựa chọn các thuật toán học máy tốt nhất cho bài toán.

Quá trình tối ưu hóa các tham số của mô hình học máy.

Quá trình làm sạch và chuẩn hóa dữ liệu đầu vào.

Quá trình tạo ra các thuộc tính (features) mới từ dữ liệu thô để cải thiện hiệu suất của mô hình học máy.

Câu hỏi về định nghĩa feature engineering. Feature engineering là quá trình tạo ra các đặc trưng mới và phù hợp từ dữ liệu thô để cải thiện hiệu suất mô hình.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 13: Để đánh giá hiệu quả của một chiến dịch marketing trực tuyến, chỉ số ROI (Return on Investment - Tỷ lệ hoàn vốn đầu tư) đo lường điều gì?

Lợi nhuận thu được từ chiến dịch so với chi phí đầu tư vào chiến dịch.

Tổng số khách hàng tiếp cận được thông qua chiến dịch.

Mức độ nhận biết thương hiệu tăng lên sau chiến dịch.

Tỷ lệ chuyển đổi từ khách hàng tiềm năng sang khách hàng thực tế.

Câu hỏi về chỉ số ROI trong marketing. ROI đo lường lợi nhuận thu được so với chi phí đầu tư.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 14: Trong phân tích cảm xúc (Sentiment Analysis) trên mạng xã hội về sản phẩm, kết quả 'tiêu cực' có thể được sử dụng để làm gì?

Loại bỏ những bình luận tiêu cực để tạo hình ảnh tốt hơn về sản phẩm.

Xác định các vấn đề của sản phẩm hoặc dịch vụ cần cải thiện và quản lý khủng hoảng truyền thông.

Tăng cường quảng cáo tích cực để lấn át thông tin tiêu cực.

Không cần quan tâm đến bình luận tiêu cực vì chúng không phản ánh đúng chất lượng sản phẩm.

Câu hỏi về ứng dụng phân tích cảm xúc. Phản hồi tiêu cực giúp cải thiện sản phẩm, dịch vụ và quản lý khủng hoảng.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 15: Phương pháp 'k-fold cross-validation' (kiểm định chéo k-lần) được sử dụng để làm gì trong quá trình xây dựng mô hình học máy?

Tăng kích thước tập dữ liệu huấn luyện.

Giảm số lượng đặc trưng (features) của dữ liệu.

Đánh giá một cách khách quan hiệu suất của mô hình trên dữ liệu chưa từng thấy và kiểm soát overfitting.

Tối ưu hóa siêu tham số (hyperparameters) của mô hình.

Câu hỏi về k-fold cross-validation. Kỹ thuật này giúp đánh giá khách quan hiệu suất mô hình và tránh overfitting.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 16: Trong bài toán phân loại, ma trận nhầm lẫn (confusion matrix) cung cấp thông tin gì?

Độ chính xác tổng thể (accuracy) của mô hình.

Độ đo Precision và Recall của mô hình.

Giá trị F1-score của mô hình.

Số lượng dự đoán đúng và sai cho từng lớp (true positives, true negatives, false positives, false negatives).

Câu hỏi về ma trận nhầm lẫn. Ma trận nhầm lẫn hiển thị số lượng dự đoán đúng và sai cho từng lớp, giúp đánh giá chi tiết hiệu suất mô hình.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 17: Thuật toán 'K-Means' thuộc loại học máy nào?

Học máy có giám sát (Supervised Learning)

Học máy không giám sát (Unsupervised Learning)

Học máy bán giám sát (Semi-supervised Learning)

Học máy tăng cường (Reinforcement Learning)

Câu hỏi về loại hình học máy của K-Means. K-Means là thuật toán phân cụm, thuộc học không giám sát.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 18: Trong lĩnh vực kinh doanh điện tử (E-commerce), hệ thống gợi ý sản phẩm (Recommender System) sử dụng dữ liệu nào để đưa ra gợi ý?

Dữ liệu thời tiết hiện tại.

Dữ liệu về đối thủ cạnh tranh.

Dữ liệu lịch sử mua hàng, đánh giá sản phẩm, hành vi duyệt web của người dùng.

Dữ liệu về thông tin nhân khẩu học của người dùng (tuổi, giới tính).

Câu hỏi về dữ liệu sử dụng trong hệ thống gợi ý sản phẩm. Hệ thống gợi ý dùng lịch sử mua hàng, đánh giá, hành vi duyệt web... để cá nhân hóa gợi ý.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 19: 'Data warehouse' (kho dữ liệu) được sử dụng để làm gì trong doanh nghiệp?

Lưu trữ và quản lý dữ liệu tích hợp từ nhiều nguồn khác nhau trong doanh nghiệp, phục vụ cho mục đích phân tích và báo cáo.

Xử lý giao dịch trực tuyến (OLTP) và các hoạt động hàng ngày của doanh nghiệp.

Sao lưu và phục hồi dữ liệu khi hệ thống gặp sự cố.

Kiểm soát truy cập và bảo mật dữ liệu.

Câu hỏi về mục đích của data warehouse. Data warehouse lưu trữ dữ liệu tích hợp từ nhiều nguồn, phục vụ phân tích và báo cáo.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 20: Để xử lý dữ liệu văn bản phi cấu trúc (unstructured text data) như bình luận của khách hàng, kỹ thuật nào sau đây thường được áp dụng?

Phân tích hồi quy (Regression Analysis)

Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích ANOVA (Analysis of Variance)

Câu hỏi về xử lý dữ liệu văn bản. Xử lý ngôn ngữ tự nhiên (NLP) là lĩnh vực chuyên xử lý và phân tích dữ liệu văn bản.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 21: Trong phân tích chuỗi cung ứng (Supply Chain Analytics), khoa học dữ liệu có thể giúp giải quyết vấn đề nào?

Thiết kế bao bì sản phẩm.

Tuyển dụng nhân viên cho chuỗi cung ứng.

Dự báo nhu cầu, tối ưu hóa quản lý tồn kho và cải thiện hiệu quả logistics.

Đàm phán giá cả với nhà cung cấp.

Câu hỏi về ứng dụng khoa học dữ liệu trong chuỗi cung ứng. Khoa học dữ liệu giúp tối ưu hóa tồn kho, dự báo nhu cầu, và cải thiện hiệu quả chuỗi cung ứng.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 22: Đâu là ví dụ về ứng dụng của khoa học dữ liệu trong lĩnh vực tài chính ngân hàng?

Thiết kế logo thương hiệu ngân hàng.

Xây dựng trụ sở văn phòng ngân hàng.

In ấn sao kê tài khoản khách hàng.

Phát hiện giao dịch gian lận và rửa tiền.

Câu hỏi về ứng dụng khoa học dữ liệu trong tài chính ngân hàng. Phát hiện gian lận giao dịch là một ứng dụng quan trọng.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 23: Trong quá trình xây dựng mô hình dự đoán, việc chia dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (test set) nhằm mục đích gì?

Để tăng kích thước dữ liệu huấn luyện.

Để đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới, chưa từng được sử dụng trong quá trình huấn luyện.

Để tối ưu hóa tốc độ huấn luyện mô hình.

Để chọn ra thuật toán học máy phù hợp nhất.

Câu hỏi về mục đích chia dữ liệu thành train/test set. Tập kiểm tra dùng để đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 24: Chỉ số 'Recall' (độRecall) trong đánh giá mô hình phân loại đo lường điều gì?

Tỷ lệ dự đoán đúng trên tổng số dự đoán.

Tỷ lệ dự đoán đúng dương tính trên tổng số dự đoán dương tính.

Tỷ lệ dự đoán đúng dương tính trên tổng số mẫu dương tính thực tế.

Tỷ lệ dự đoán sai dương tính trên tổng số mẫu âm tính thực tế.

Câu hỏi về ý nghĩa của Recall. Recall đo lường khả năng mô hình tìm ra tất cả các mẫu dương tính thực sự.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 25: Trong khoa học dữ liệu kinh doanh, thuật ngữ 'dashboard' (bảng điều khiển) thường được dùng để chỉ điều gì?

Một công cụ trực quan hóa dữ liệu, tổng hợp các chỉ số KPIs quan trọng, giúp theo dõi hiệu suất kinh doanh.

Một loại báo cáo chi tiết dạng văn bản về tình hình kinh doanh.

Một phần mềm quản lý cơ sở dữ liệu.

Một phương pháp phân tích thống kê phức tạp.

Câu hỏi về dashboard. Dashboard là công cụ trực quan hóa dữ liệu, cung cấp cái nhìn tổng quan về các chỉ số quan trọng.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 26: Mô hình 'cây quyết định' (Decision Tree) hoạt động dựa trên nguyên tắc nào?

Tìm kiếm hyperplane tối ưu để phân tách các lớp dữ liệu.

Tính toán khoảng cách giữa các điểm dữ liệu để phân cụm.

Xây dựng các quy tắc kết hợp từ dữ liệu giao dịch.

Phân chia dữ liệu dựa trên các luật quyết định dạng cây, mỗi nút trên cây đại diện cho một thuộc tính.

Câu hỏi về nguyên tắc hoạt động của cây quyết định. Cây quyết định phân chia dữ liệu dựa trên các luật quyết định theo dạng cây.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 27: Đâu là một thách thức đạo đức quan trọng trong việc ứng dụng khoa học dữ liệu vào kinh doanh?

Sự khan hiếm nhân lực có kỹ năng khoa học dữ liệu.

Vấn đề về quyền riêng tư và bảo mật dữ liệu cá nhân khi thu thập và sử dụng dữ liệu khách hàng.

Chi phí đầu tư ban đầu cho hạ tầng và công nghệ khoa học dữ liệu.

Khả năng tích hợp khoa học dữ liệu với các hệ thống kinh doanh hiện có.

Câu hỏi về thách thức đạo đức. Quyền riêng tư và bảo mật dữ liệu cá nhân là thách thức đạo đức lớn.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 28: Trong phân tích A/B testing, mục tiêu chính là gì?

Phân tích dữ liệu quá khứ để tìm ra xu hướng.

Dự đoán kết quả kinh doanh trong tương lai.

So sánh hiệu quả của hai phiên bản khác nhau (A và B) của một yếu tố nào đó (ví dụ: trang web, quảng cáo) để xác định phiên bản nào hoạt động tốt hơn.

Phân nhóm khách hàng dựa trên hành vi và đặc điểm.

Câu hỏi về mục tiêu A/B testing. A/B testing so sánh hiệu quả của hai phiên bản để chọn ra phiên bản tốt hơn.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 29: 'Data lake' (hồ dữ liệu) khác với 'data warehouse' (kho dữ liệu) ở điểm nào chính?

Data lake chỉ lưu trữ dữ liệu có cấu trúc, còn data warehouse lưu trữ dữ liệu phi cấu trúc.

Data lake được xây dựng trên nền tảng đám mây, còn data warehouse thì không.

Data lake chỉ dùng cho phân tích thời gian thực, còn data warehouse dùng cho phân tích lịch sử.

Data lake lưu trữ dữ liệu thô ở định dạng gốc, chưa qua xử lý và chuyển đổi, trong khi data warehouse lưu trữ dữ liệu đã được làm sạch, chuyển đổi và cấu trúc hóa.

Câu hỏi về sự khác biệt giữa data lake và data warehouse. Data lake lưu trữ dữ liệu thô, đa dạng, chưa qua xử lý, còn data warehouse lưu trữ dữ liệu đã được cấu trúc và làm sạch.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 05

Câu 30: Trong mô hình hồi quy tuyến tính (Linear Regression), mục tiêu là gì?

Phân loại dữ liệu vào các nhóm khác nhau.

Tìm ra mối quan hệ tuyến tính giữa biến phụ thuộc và một hoặc nhiều biến độc lập để dự đoán giá trị của biến phụ thuộc.

Phân cụm dữ liệu thành các nhóm có đặc điểm tương đồng.

Giảm chiều dữ liệu để đơn giản hóa 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 mục tiêu của hồi quy tuyến tính. Hồi quy tuyến tính tìm mối quan hệ tuyến tính giữa biến độc lập và biến phụ thuộc.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 06

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 1: Trong bối cảnh kinh doanh hiện đại, dữ liệu lớn (Big Data) mang lại giá trị cốt lõi nào sau đây cho các doanh nghiệp?

Cung cấp thông tin chi tiết và sâu sắc (insights) để ra quyết định kinh doanh hiệu quả hơn.

Đơn giản hóa quy trình quản lý dữ liệu và giảm chi phí lưu trữ.

Tăng cường khả năng bảo mật dữ liệu và ngăn chặn rủi ro.

Cải thiện tốc độ xử lý giao dịch và tăng hiệu suất hệ thống.

Câu hỏi tập trung vào giá trị kinh doanh của Big Data, yêu cầu thí sinh hiểu được lợi ích chiến lược mà Big Data mang lại, vượt ra ngoài các khía cạnh kỹ thuật.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 2: Để phân tích hành vi mua sắm của khách hàng trực tuyến và đưa ra các khuyến nghị sản phẩm cá nhân hóa, doanh nghiệp nên ưu tiên sử dụng kỹ thuật khai thác dữ liệu (data mining) nào?

Phân tích hồi quy (Regression analysis)

Phân tích kết hợp (Association rule mining)

Phân tích chuỗi thời gian (Time series analysis)

Phân tích phương sai (ANOVA)

Câu hỏi tình huống về ứng dụng khai thác dữ liệu trong kinh doanh, đòi hỏi thí sinh chọn kỹ thuật phù hợp với mục tiêu cá nhân hóa trải nghiệm khách hàng.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 3: Một công ty bán lẻ muốn dự báo doanh số bán hàng cho quý tới dựa trên dữ liệu doanh số lịch sử, chi phí quảng cáo và các yếu tố kinh tế vĩ mô. Phương pháp mô hình hóa thống kê nào là phù hợp nhất trong trường hợp này?

Mô hình hồi quy tuyến tính đa biến (Multiple linear regression)

Mô hình ARIMA (Autoregressive Integrated Moving Average)

Mô hình phân cụm K-means (K-means clustering)

Mô hình cây quyết định (Decision tree)

Câu hỏi về lựa chọn phương pháp dự báo trong kinh doanh, yêu cầu thí sinh xác định phương pháp phù hợp với dữ liệu và mục tiêu dự báo doanh số.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 4: Trong quá trình tiền xử lý dữ liệu, kỹ thuật 'chuẩn hóa dữ liệu' (data normalization) nhằm mục đích chính là gì?

Loại bỏ các giá trị ngoại lệ (outliers) khỏi tập dữ liệu.

Chuyển đổi dữ liệu định tính thành dữ liệu định lượng.

Đưa các thuộc tính về cùng một thang đo, tránh sự chi phối của thuộc tính có giá trị lớn.

Xử lý các giá trị thiếu (missing values) trong tập dữ liệu.

Câu hỏi về tiền xử lý dữ liệu, tập trung vào mục đích của chuẩn hóa dữ liệu trong việc cải thiện chất lượng và hiệu suất mô hình.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 5: Để đánh giá hiệu quả của một mô hình phân loại khách hàng (customer classification model), chỉ số 'F1-score' được ưu tiên sử dụng khi nào?

Khi mục tiêu là tối đa hóa độ chính xác tổng thể của mô hình.

Khi tập dữ liệu có sự mất cân bằng lớn giữa các lớp (imbalanced dataset).

Khi chi phí của lỗi dương tính giả (false positive) và âm tính giả (false negative) là tương đương nhau.

Cả phương án 2 và 3.

Câu hỏi về đánh giá mô hình, yêu cầu thí sinh hiểu khi nào F1-score là một chỉ số đánh giá phù hợp, đặc biệt trong các bài toán phân loại.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 6: Trong phân tích rủi ro tín dụng, mô hình 'Logistic Regression' thường được sử dụng để làm gì?

Dự báo giá trị khoản vay mà khách hàng có thể được phê duyệt.

Ước tính xác suất vỡ nợ (default probability) của khách hàng.

Phân cụm khách hàng thành các nhóm rủi ro khác nhau.

Phân tích các yếu tố ảnh hưởng đến quyết định vay vốn của khách hàng.

Câu hỏi về ứng dụng cụ thể của Logistic Regression trong kinh tế, yêu cầu thí sinh biết vai trò của mô hình này trong đánh giá rủi ro tín dụng.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 7: Một chuỗi siêu thị muốn tối ưu hóa việc bố trí sản phẩm trên kệ hàng để tăng doanh số. Kỹ thuật phân tích không gian (spatial analysis) nào có thể hỗ trợ tốt nhất cho mục tiêu này?

Phân tích đường dẫn (Path analysis)

Phân tích thành phần chính (Principal Component Analysis)

Phân tích giỏ hàng (Market basket analysis) kết hợp yếu tố vị trí kệ hàng.

Phân tích cảm xúc (Sentiment analysis)

Câu hỏi về ứng dụng phân tích không gian trong kinh doanh bán lẻ, yêu cầu thí sinh liên hệ kỹ thuật phân tích không gian với việc tối ưu bố trí sản phẩm.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 8: Trong lĩnh vực tài chính, thuật ngữ 'High-Frequency Trading' (Giao dịch tần suất cao) đề cập đến hoạt động giao dịch dựa trên:

Phân tích cơ bản (Fundamental analysis) và báo cáo tài chính.

Tin tức thị trường và sự kiện kinh tế vĩ mô.

Cảm xúc nhà đầu tư trên mạng xã hội.

Thuật toán máy tính phức tạp và dữ liệu thị trường theo thời gian thực.

Câu hỏi về thuật ngữ chuyên ngành trong tài chính, yêu cầu thí sinh hiểu bản chất của giao dịch tần suất cao và vai trò của dữ liệu và thuật toán.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 9: Để xác định các phân khúc khách hàng (customer segments) khác nhau dựa trên đặc điểm nhân khẩu học, hành vi mua sắm và mức độ tương tác với thương hiệu, kỹ thuật học máy không giám sát (unsupervised learning) nào thường được sử dụng?

Cây quyết định (Decision tree)

Phân cụm (Clustering)

Hồi quy tuyến tính (Linear regression)

Mạng nơ-ron (Neural network) được huấn luyện có giám sát

Câu hỏi về phân khúc khách hàng và lựa chọn kỹ thuật học máy phù hợp, yêu cầu thí sinh nhận biết kỹ thuật học không giám sát thích hợp cho phân khúc.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 10: Khi xây dựng mô hình dự đoán phá sản doanh nghiệp, việc sử dụng dữ liệu lịch sử trong bao lâu là phù hợp nhất?

Chỉ sử dụng dữ liệu của năm gần nhất để đảm bảo tính cập nhật.

Sử dụng dữ liệu từ khi doanh nghiệp thành lập đến nay.

Sử dụng dữ liệu trong khoảng 3-5 năm gần nhất để có đủ thông tin và phản ánh xu hướng hiện tại.

Không quan trọng thời gian, miễn là dữ liệu có chất lượng tốt.

Câu hỏi về bài toán thực tế trong kinh doanh, yêu cầu thí sinh suy nghĩ về khung thời gian dữ liệu phù hợp cho mô hình dự đoán phá sản, cân bằng giữa tính cập nhật và độ tin cậy.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 11: Trong lĩnh vực Marketing, 'Customer Lifetime Value' (CLTV - Giá trị vòng đời khách hàng) là một chỉ số quan trọng. Khoa học dữ liệu có thể giúp doanh nghiệp ước tính CLTV như thế nào?

Phân tích dữ liệu giao dịch lịch sử, hành vi mua sắm và tương tác của khách hàng để dự đoán giá trị trong tương lai.

Thực hiện khảo sát khách hàng để thu thập thông tin về kỳ vọng và mức độ hài lòng.

So sánh CLTV của doanh nghiệp với các đối thủ cạnh tranh trên thị trường.

Dựa vào cảm tính và kinh nghiệm của chuyên gia marketing để đưa ra ước tính.

Câu hỏi về ứng dụng khoa học dữ liệu trong marketing, yêu cầu thí sinh hiểu cách khoa học dữ liệu giúp ước tính CLTV và giá trị của nó.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 12: Để phát hiện gian lận trong giao dịch thẻ tín dụng, mô hình học máy nào sau đây thường được ưu tiên sử dụng do khả năng xử lý dữ liệu không cân bằng (fraudulent transactions thường ít hơn rất nhiều so với giao dịch hợp lệ)?

K-means Clustering

Support Vector Machine (SVM) hoặc các biến thể của Decision Tree như Random Forest, Gradient Boosting.

Linear Regression

Naive Bayes

Câu hỏi về phát hiện gian lận, tập trung vào việc lựa chọn mô hình phù hợp với dữ liệu không cân bằng, một đặc điểm phổ biến trong bài toán này.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 13: 'Data visualization' (trực quan hóa dữ liệu) đóng vai trò quan trọng trong khoa học dữ liệu vì lý do chính nào sau đây?

Giảm dung lượng lưu trữ dữ liệu.

Tăng tốc độ xử lý dữ liệu.

Giúp con người dễ dàng nhận diện xu hướng, mẫu hình và thông tin quan trọng trong dữ liệu.

Thay thế hoàn toàn các phương pháp phân tích thống kê truyền thống.

Câu hỏi về vai trò của trực quan hóa dữ liệu, yêu cầu thí sinh hiểu tầm quan trọng của nó trong việc giao tiếp và khám phá dữ liệu.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 14: Trong quá trình xây dựng mô hình học máy, 'feature engineering' (kỹ thuật tạo đặc trưng) là gì và tại sao nó quan trọng?

Quá trình lựa chọn thuật toán học máy phù hợp nhất.

Quá trình tối ưu hóa siêu tham số (hyperparameters) của mô hình.

Quá trình làm sạch dữ liệu và xử lý giá trị thiếu.

Quá trình biến đổi và tạo ra các thuộc tính (features) mới từ dữ liệu thô, giúp mô hình học hiệu quả hơn.

Câu hỏi về kỹ thuật tạo đặc trưng, yêu cầu thí sinh hiểu định nghĩa và tầm quan trọng của nó trong việc nâng cao hiệu suất mô hình.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 15: Một công ty thương mại điện tử muốn thực hiện 'A/B testing' để so sánh hiệu quả của hai phiên bản trang web khác nhau. Mục tiêu chính của A/B testing là gì?

Thu thập dữ liệu định tính về trải nghiệm người dùng.

Xác định phiên bản trang web nào mang lại kết quả tốt hơn về một chỉ số cụ thể (ví dụ: tỷ lệ chuyển đổi).

Phân tích lưu lượng truy cập trang web theo thời gian.

Đo lường mức độ hài lòng của khách hàng về trang web.

Câu hỏi về A/B testing, yêu cầu thí sinh hiểu mục tiêu và ứng dụng của nó trong việc cải thiện hiệu quả kinh doanh trực tuyến.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 16: Trong mô hình cây quyết định (decision tree), tiêu chí 'Gini impurity' hoặc 'Entropy' được sử dụng để làm gì?

Chọn thuộc tính (feature) tốt nhất để phân chia dữ liệu tại mỗi nút.

Xác định độ sâu tối đa của cây quyết định.

Cắt tỉa cây (pruning) để tránh overfitting.

Đánh giá hiệu suất của mô hình cây quyết định.

Câu hỏi về mô hình cây quyết định, yêu cầu thí sinh hiểu vai trò của Gini impurity/Entropy trong việc xây dựng cây.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 17: 'Overfitting' (quá khớp) là một vấn đề thường gặp trong học máy. Nó xảy ra khi nào và hậu quả là gì?

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

Khi mô hình được huấn luyện trên dữ liệu chất lượng kém.

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

Khi mô hình được đánh giá bằng các chỉ số không phù hợp.

Câu hỏi về overfitting, yêu cầu thí sinh hiểu định nghĩa, nguyên nhân và hậu quả của nó đối với khả năng tổng quát hóa của mô hình.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 18: Để giảm thiểu overfitting, kỹ thuật 'regularization' (chính quy hóa) được sử dụng như thế nào trong các mô hình hồi quy (regression models)?

Tăng kích thước tập dữ liệu huấn luyện.

Thêm một khoản phạt (penalty) vào hàm mất mát (loss function) để hạn chế độ phức tạp của mô hình.

Sử dụng phương pháp đánh giá chéo (cross-validation) để chọn mô hình tốt nhất.

Loại bỏ các thuộc tính (features) ít quan trọng.

Câu hỏi về kỹ thuật regularization, yêu cầu thí sinh hiểu cách nó hoạt động để giảm overfitting trong mô hình hồi quy.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 19: Trong phân tích chuỗi thời gian (time series analysis), 'stationarity' (tính dừng) là một khái niệm quan trọng. Một chuỗi thời gian dừng có đặc điểm gì?

Xu hướng tăng hoặc giảm rõ rệt theo thời gian.

Phương sai thay đổi theo thời gian.

Tính mùa vụ (seasonality) mạnh mẽ.

Các đặc tính thống kê như trung bình và phương sai không thay đổi theo thời gian.

Câu hỏi về tính dừng trong chuỗi thời gian, yêu cầu thí sinh hiểu định nghĩa và đặc điểm của chuỗi dừng.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 20: Để kiểm tra tính dừng của một chuỗi thời gian, kiểm định thống kê nào thường được sử dụng?

Kiểm định t-Student (Student's t-test)

Kiểm định Chi-bình phương (Chi-squared test)

Kiểm định Dickey-Fuller (Dickey-Fuller test) hoặc Augmented Dickey-Fuller (ADF test)

Kiểm định ANOVA (Analysis of Variance)

Câu hỏi về kiểm định tính dừng, yêu cầu thí sinh biết kiểm định thống kê phổ biến để kiểm tra tính dừng của chuỗi thời gian.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 21: Trong lĩnh vực quản lý chuỗi cung ứng, khoa học dữ liệu có thể ứng dụng để giải quyết bài toán nào sau đây?

Dự báo nhu cầu sản phẩm để tối ưu hóa lượng tồn kho và kế hoạch sản xuất.

Đánh giá hiệu quả làm việc của nhân viên kho.

Thiết kế bao bì sản phẩm hấp dẫn hơn.

Quản lý quan hệ khách hàng (CRM).

Câu hỏi về ứng dụng khoa học dữ liệu trong chuỗi cung ứng, yêu cầu thí sinh liên hệ khoa học dữ liệu với các bài toán cụ thể trong lĩnh vực này.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 22: 'Natural Language Processing' (NLP - Xử lý ngôn ngữ tự nhiên) được ứng dụng trong kinh doanh để làm gì?

Phân tích dữ liệu số liệu bán hàng.

Phân tích phản hồi của khách hàng từ văn bản (ví dụ: đánh giá sản phẩm, bình luận trên mạng xã hội).

Dự báo giá cổ phiếu.

Phân tích hình ảnh sản phẩm.

Câu hỏi về ứng dụng NLP trong kinh doanh, yêu cầu thí sinh hiểu các ứng dụng phổ biến của NLP trong môi trường kinh doanh.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 23: Đạo đức trong khoa học dữ liệu (Data Ethics) trở nên ngày càng quan trọng, đặc biệt khi ứng dụng trong kinh doanh. Vấn đề đạo đức nào cần được quan tâm hàng đầu khi thu thập và sử dụng dữ liệu khách hàng?

Tính bảo mật của thuật toán.

Chi phí thu thập và lưu trữ dữ liệu.

Quyền riêng tư và sự đồng ý của khách hàng về việc sử dụng dữ liệu cá nhân.

Tốc độ xử lý dữ liệu lớn.

Câu hỏi về đạo đức dữ liệu, yêu cầu thí sinh nhận thức được vấn đề đạo đức quan trọng nhất khi làm việc với dữ liệu khách hàng.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 24: Trong quá trình triển khai một dự án khoa học dữ liệu, giai đoạn 'Data Understanding' (Hiểu dữ liệu) bao gồm các hoạt động chính nào?

Xây dựng và huấn luyện mô hình học máy.

Đánh giá và lựa chọn mô hình tốt nhất.

Triển khai mô hình vào thực tế và giám sát hiệu suất.

Thu thập dữ liệu, khám phá dữ liệu ban đầu, xác định vấn đề kinh doanh và mục tiêu dự án.

Câu hỏi về quy trình khoa học dữ liệu, tập trung vào giai đoạn 'Hiểu dữ liệu' và các hoạt động trong giai đoạn này.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 25: Để xử lý dữ liệu dạng văn bản (text data) trong NLP, bước 'tokenization' (phân tách từ) có vai trò gì?

Loại bỏ các từ dừng (stop words) như 'và', 'thì', 'là'.

Chia văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ để phân tích.

Chuyển đổi văn bản thành dạng số để mô hình học máy có thể xử lý.

Chuẩn hóa văn bản về dạng chữ thường và loại bỏ dấu câu.

Câu hỏi về xử lý dữ liệu văn bản trong NLP, yêu cầu thí sinh hiểu vai trò của tokenization trong quá trình này.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 26: Trong phân tích mạng xã hội (social network analysis) ứng dụng trong kinh doanh, 'centrality measures' (đo lường mức độ trung tâm) được sử dụng để làm gì?

Phân cụm các thành viên trong mạng xã hội thành các nhóm.

Dự đoán xu hướng lan truyền thông tin trong mạng xã hội.

Xác định các cá nhân hoặc tổ chức có ảnh hưởng lớn nhất trong mạng lưới.

Trực quan hóa cấu trúc của mạng xã hội.

Câu hỏi về phân tích mạng xã hội, yêu cầu thí sinh hiểu ứng dụng của 'centrality measures' trong việc phân tích mạng lưới kinh doanh.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 27: 'Recommender systems' (hệ thống gợi ý) được sử dụng rộng rãi trong kinh doanh trực tuyến. Dựa trên phương pháp 'collaborative filtering' (lọc cộng tác), hệ thống gợi ý sản phẩm cho người dùng như thế nào?

Gợi ý sản phẩm dựa trên lịch sử tương tác và sở thích của những người dùng tương tự.

Gợi ý sản phẩm dựa trên đặc điểm và thuộc tính của sản phẩm.

Gợi ý sản phẩm ngẫu nhiên.

Gợi ý sản phẩm phổ biến nhất trong danh mục.

Câu hỏi về hệ thống gợi ý, yêu cầu thí sinh hiểu nguyên lý hoạt động của phương pháp lọc cộng tác trong gợi ý sản phẩm.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 28: Để đánh giá hiệu quả của chiến dịch marketing trực tuyến, chỉ số 'Click-Through Rate' (CTR - Tỷ lệ nhấp chuột) đo lường điều gì?

Tổng số lượt hiển thị quảng cáo.

Tỷ lệ người dùng nhấp vào quảng cáo so với tổng số lượt hiển thị.

Chi phí trung bình cho mỗi nhấp chuột.

Số lượng chuyển đổi (conversions) từ quảng cáo.

Câu hỏi về chỉ số đo lường hiệu quả marketing, yêu cầu thí sinh hiểu ý nghĩa của CTR trong đánh giá chiến dịch trực tuyến.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 29: Trong lĩnh vực quản lý rủi ro hoạt động (operational risk management), khoa học dữ liệu có thể giúp doanh nghiệp làm gì để giảm thiểu rủi ro?

Tăng cường bảo mật thông tin nội bộ.

Tối ưu hóa chi phí hoạt động.

Phân tích dữ liệu lịch sử sự cố, xác định yếu tố rủi ro và xây dựng mô hình dự đoán để phòng ngừa.

Nâng cao năng lực quản lý nhân sự.

Câu hỏi về ứng dụng khoa học dữ liệu trong quản lý rủi ro hoạt động, yêu cầu thí sinh liên hệ khoa học dữ liệu với việc giảm thiểu rủi ro trong hoạt động kinh doanh.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 06

Câu 30: Khi trình bày kết quả phân tích dữ liệu cho các nhà quản lý không chuyên về kỹ thuật, điều quan trọng nhất cần lưu ý là gì?

Sử dụng ngôn ngữ chuyên môn và thuật ngữ kỹ thuật để thể hiện sự chuyên nghiệp.

Cung cấp tất cả các chi tiết kỹ thuật về mô hình và phương pháp phân tích.

Tập trung vào độ chính xác và các chỉ số đánh giá mô hình.

Trình bày kết quả một cách trực quan, dễ hiểu, tập trung vào ý nghĩa kinh doanh và hành động cần thiết.

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 giao tiếp kết quả phân tích, yêu cầu thí sinh hiểu cách trình bày thông tin khoa học dữ liệu một cách hiệu quả cho đối tượng không chuyên.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 07

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 1: Một công ty bán lẻ trực tuyến muốn phân khúc khách hàng dựa trên hành vi mua sắm của họ để cá nhân hóa chiến dịch marketing. Dữ liệu khách hàng bao gồm tần suất mua hàng, tổng giá trị đơn hàng trung bình, và danh mục sản phẩm yêu thích. Phương pháp phân tích dữ liệu nào sau đây phù hợp nhất để đạt được mục tiêu này?

Hồi quy tuyến tính (Linear Regression)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân cụm (Clustering)

Phân loại (Classification)

Câu hỏi tình huống về phân khúc khách hàng dựa trên hành vi mua sắm. Phân cụm (Clustering) là kỹ thuật phù hợp để nhóm khách hàng có đặc điểm tương đồng.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 2: Trong bài toán dự đoán giá nhà dựa trên các đặc điểm như diện tích, vị trí, số phòng ngủ, và năm xây dựng, mô hình học máy nào sau đây là phù hợp nhất?

Hồi quy (Regression)

Phân loại (Classification)

Phân cụm (Clustering)

Giảm chiều dữ liệu (Dimensionality Reduction)

Câu hỏi về dự đoán giá trị số (giá nhà). Hồi quy (Regression) là phương pháp phù hợp để dự đoán giá trị liên tục.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 3: Một ngân hàng muốn xây dựng hệ thống phát hiện giao dịch gian lận thẻ tín dụng. Dữ liệu giao dịch bao gồm thông tin về thời gian, địa điểm, số tiền giao dịch, và thông tin người dùng. Kỹ thuật học máy nào sau đây thích hợp nhất để giải quyết bài toán này?

Phân loại (Classification)

Phân cụm (Clustering)

Khai thác luật kết hợp (Association Rule Mining)

Bài toán phát hiện gian lận là bài toán phân loại (gian lận/không gian lận). Phân loại (Classification) là kỹ thuật phù hợp.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 4: Để đánh giá hiệu quả của mô hình phân loại khách hàng thành 'có khả năng rời bỏ' và 'không có khả năng rời bỏ', chỉ số đánh giá nào sau đây tập trung vào việc giảm thiểu sai sót khi dự đoán khách hàng 'không có khả năng rời bỏ' nhưng thực tế lại rời bỏ (False Negative)?

Độ chính xác (Accuracy)

Độ chuẩn xác (Precision)

Độ nhạy (Recall)

F1-score

Câu hỏi về lựa chọn chỉ số đánh giá mô hình phân loại, tập trung vào giảm False Negative. Recall (Độ nhạy) đo lường khả năng phát hiện đúng các trường hợp dương tính (khách hàng rời bỏ).

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 5: Một công ty thương mại điện tử nhận thấy tỷ lệ chuyển đổi từ trang sản phẩm sang trang thanh toán giảm mạnh. Để xác định các yếu tố trên trang sản phẩm gây ra tình trạng này, phương pháp phân tích nào sau đây là phù hợp nhất?

Phân tích hồi quy (Regression Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích phân cụm (Cluster Analysis)

Phân tích đường dẫn click chuột (Clickstream Analysis)

Tình huống phân tích nguyên nhân giảm tỷ lệ chuyển đổi trang web. Phân tích đường dẫn click chuột (Clickstream Analysis) giúp hiểu hành vi người dùng trên trang web.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 6: Trong quá trình tiền xử lý dữ liệu, khi gặp phải thuộc tính 'Tuổi' có một số giá trị bị thiếu (missing values), phương pháp nào sau đây có thể được sử dụng để xử lý các giá trị thiếu này một cách đơn giản và nhanh chóng, nhưng có thể làm giảm độ biến động của dữ liệu?

Loại bỏ các bản ghi chứa giá trị thiếu (Deletion)

Điền giá trị trung bình (Mean Imputation)

Điền giá trị bằng 0 (Zero Imputation)

Dự đoán giá trị thiếu bằng mô hình học máy (Model-based Imputation)

Câu hỏi về xử lý giá trị thiếu trong tiền xử lý dữ liệu. Điền giá trị trung bình (Mean Imputation) là phương pháp đơn giản nhưng làm giảm độ biến động.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 7: Một chuỗi siêu thị muốn dự báo doanh số bán hàng hàng tuần cho từng cửa hàng. Dữ liệu lịch sử doanh số, thông tin khuyến mãi, và các ngày lễ được thu thập. Phương pháp nào sau đây phù hợp nhất để dự báo doanh số trong trường hợp này?

Phân tích hồi quy đa biến (Multiple Regression Analysis)

Phân tích phương sai (ANOVA)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích thành phần chính (Principal Component Analysis)

Bài toán dự báo doanh số theo thời gian. Phân tích chuỗi thời gian (Time Series Analysis) là phương pháp thích hợp.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 8: Trong mô hình cây quyết định, tiêu chí 'Gini impurity' được sử dụng để làm gì?

Chọn thuộc tính tốt nhất để phân tách nút

Đánh giá độ chính xác của mô hình

Xử lý dữ liệu bị thiếu

Giảm hiện tượng quá khớp (overfitting)

Câu hỏi về tiêu chí phân tách nút trong cây quyết định. Gini impurity đo lường sự 'hỗn tạp' của nhãn lớp trong một nút và được dùng để chọn thuộc tính phân tách.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 9: Một công ty muốn xác định mối quan hệ giữa chi phí quảng cáo trên các kênh truyền thông khác nhau (TV, radio, online) và doanh thu bán hàng. Phương pháp thống kê nào sau đây phù hợp để phân tích mối quan hệ này?

Kiểm định giả thuyết (Hypothesis Testing)

Phân tích hồi quy đa biến (Multiple Regression Analysis)

Phân tích tương quan (Correlation Analysis)

Phân tích thành phần chính (Principal Component Analysis)

Câu hỏi về phân tích mối quan hệ giữa biến độc lập (chi phí quảng cáo) và biến phụ thuộc (doanh thu). Phân tích hồi quy đa biến (Multiple Regression Analysis) phù hợp.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 10: Trong bài toán phân loại văn bản, kỹ thuật 'TF-IDF' (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì?

Loại bỏ các từ dừng (stop words)

Phân tích cú pháp văn bản

Tìm kiếm văn bản tương tự

Trích xuất đặc trưng từ văn bản

Câu hỏi về kỹ thuật TF-IDF trong xử lý văn bản. TF-IDF đo lường tầm quan trọng của từ trong một văn bản so với toàn bộ tập văn bản, dùng để trích xuất đặc trưng văn bản.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 11: Để giảm số chiều dữ liệu trong một tập dữ liệu lớn chứa nhiều thuộc tính tương quan, phương pháp nào sau đây giúp giữ lại phần lớn phương sai của dữ liệu gốc trong khi giảm số lượng thuộc tính?

Chuẩn hóa dữ liệu (Data Normalization)

Rời rạc hóa dữ liệu (Data Discretization)

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

Chọn lọc thuộc tính (Feature Selection)

Câu hỏi về giảm chiều dữ liệu và giữ phương sai. Phân tích thành phần chính (PCA) giảm chiều dữ liệu bằng cách tìm các thành phần chính giữ lại phương sai lớn nhất.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 12: Một công ty muốn thử nghiệm hai phiên bản trang web khác nhau (A và B) để xem phiên bản nào có tỷ lệ chuyển đổi mua hàng cao hơn. Phương pháp nào sau đây là phù hợp để so sánh hiệu quả của hai phiên bản?

Thử nghiệm A/B (A/B Testing)

Phân tích hồi quy (Regression Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích когорт (Cohort Analysis)

Câu hỏi về so sánh hiệu quả của hai phiên bản trang web. Thử nghiệm A/B (A/B Testing) là phương pháp tiêu chuẩn để so sánh hai phiên bản.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 13: Trong mô hình K-means clustering, điều gì xảy ra khi bạn tăng giá trị K (số lượng cụm)?

Các cụm trở nên lớn hơn và khái quát hơn

Các cụm trở nên nhỏ hơn và chi tiết hơn

Mô hình chạy nhanh hơn

Kết quả phân cụm không thay đổi

Câu hỏi về ảnh hưởng của tham số K trong K-means. Tăng K thường dẫn đến các cụm nhỏ hơn, chi tiết hơn.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 14: Để đánh giá chất lượng của mô hình hồi quy, chỉ số nào sau đây đo lường tỷ lệ phương sai của biến mục tiêu được giải thích bởi mô hình?

Sai số tuyệt đối trung bình (Mean Absolute Error - MAE)

Sai số bình phương trung bình (Mean Squared Error - MSE)

Sai số căn bậc hai trung bình (Root Mean Squared Error - RMSE)

Hệ số xác định (R-squared)

Câu hỏi về chỉ số đánh giá mô hình hồi quy. R-squared (Hệ số xác định) đo lường tỷ lệ phương sai được giải thích.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 15: Trong quá trình xây dựng mô hình học máy, kỹ thuật 'cross-validation' (kiểm định chéo) được sử dụng để làm gì?

Tăng tốc độ huấn luyện mô hình

Đánh giá khả năng tổng quát hóa của mô hình

Chọn thuật toán học máy tốt nhất

Cải thiện độ chính xác trên tập huấn luyện

Câu hỏi về mục đích của cross-validation. Cross-validation đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới, tránh overfitting.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 16: Một công ty tài chính muốn xây dựng mô hình dự đoán khả năng vỡ nợ của khách hàng vay vốn. Dữ liệu bao gồm lịch sử tín dụng, thu nhập, và thông tin cá nhân. Loại mô hình học máy nào sau đây phù hợp nhất?

Phân loại (Classification)

Hồi quy (Regression)

Phân cụm (Clustering)

Giảm chiều dữ liệu (Dimensionality Reduction)

Bài toán dự đoán khả năng vỡ nợ là bài toán phân loại (vỡ nợ/không vỡ nợ). Phân loại (Classification) là phương pháp phù hợp.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 17: Trong phân tích luật kết hợp (Association Rule Mining), độ đo 'Lift' lớn hơn 1 cho biết điều gì về mối quan hệ giữa hai tập mục (itemsets)?

Hai tập mục độc lập với nhau

Hai tập mục có mối quan hệ nghịch đảo

Hai tập mục có mối quan hệ dương (sự xuất hiện của một mục làm tăng khả năng xuất hiện của mục kia)

Không có mối quan hệ rõ ràng giữa hai tập mục

Câu hỏi về độ đo Lift trong luật kết hợp. Lift > 1 cho thấy mối quan hệ dương giữa hai tập mục, sự xuất hiện của một mục làm tăng khả năng xuất hiện của mục kia.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 18: Khi dữ liệu có phân phối lệch (skewed distribution), phép biến đổi nào sau đây thường được sử dụng để làm cho dữ liệu gần với phân phối chuẩn hơn?

Chuẩn hóa Z-score (Z-score Standardization)

Biến đổi logarit (Log Transformation)

Min-Max Scaling

Rời rạc hóa dữ liệu (Data Discretization)

Câu hỏi về xử lý dữ liệu phân phối lệch. Phép biến đổi logarit (Log Transformation) thường được dùng để giảm độ lệch và làm dữ liệu gần chuẩn hơn.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 19: Trong mô hình mạng nơ-ron (Neural Network), hàm kích hoạt (activation function) có vai trò gì?

Chuẩn hóa đầu vào của mạng

Tính toán sai số của mô hình

Tối ưu hóa trọng số của mạng

Đưa tính phi tuyến vào mô hình

Câu hỏi về vai trò của hàm kích hoạt trong mạng nơ-ron. Hàm kích hoạt đưa tính phi tuyến vào mô hình, cho phép mô hình học được các mối quan hệ phức tạp.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 20: Một công ty sản xuất muốn dự đoán nhu cầu sản phẩm trong tháng tới để tối ưu hóa lượng tồn kho. Dữ liệu lịch sử bán hàng, thông tin khuyến mãi, và yếu tố mùa vụ được thu thập. Phương pháp dự báo nào sau đây thích hợp nhất?

Hồi quy tuyến tính (Linear Regression)

Mô hình trung bình trượt (Moving Average Model)

Mô hình ARIMA theo mùa (Seasonal ARIMA)

Mô hình phân cụm (Clustering Model)

Bài toán dự báo nhu cầu sản phẩm theo thời gian, có yếu tố mùa vụ. Mô hình ARIMA theo mùa (Seasonal ARIMA) phù hợp để dự báo chuỗi thời gian có tính mùa vụ.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 21: Trong phân tích phương sai (ANOVA), mục đích chính của kiểm định F là gì?

Đo lường độ mạnh của mối quan hệ tuyến tính

Kiểm tra xem có sự khác biệt đáng kể giữa trung bình của các nhóm hay không

Ước lượng phương sai tổng thể

Phân tích tương quan giữa các biến

Câu hỏi về kiểm định F trong ANOVA. Kiểm định F kiểm tra xem có sự khác biệt đáng kể giữa trung bình của các nhóm hay không.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 22: Để xử lý dữ liệu văn bản tiếng Việt, thư viện Python nào sau đây cung cấp các công cụ mạnh mẽ cho tiền xử lý, phân tích và khai thác thông tin?

Numpy

Pandas

Scikit-learn

VnCoreNLP

Câu hỏi về thư viện Python cho xử lý văn bản tiếng Việt. VnCoreNLP là thư viện chuyên biệt cho xử lý ngôn ngữ tự nhiên tiếng Việt.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 23: Trong quá trình xây dựng mô hình phân loại, hiện tượng 'overfitting' (quá khớp) xảy ra khi nào?

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

Mô hình học quá kém trên cả dữ liệu huấn luyện và dữ liệu kiểm thử

Dữ liệu huấn luyện không đủ lớn

Mô hình quá đơn giản

Câu hỏi về hiện tượng overfitting. Overfitting xảy ra khi mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 24: Phương pháp nào sau đây giúp giảm thiểu hiện tượng 'overfitting' trong mô hình cây quyết định?

Cắt tỉa cây (Pruning)

Tăng kích thước tập dữ liệu huấn luyện

Sử dụng nhiều thuộc tính hơn

Câu hỏi về kỹ thuật giảm overfitting trong cây quyết định. Pruning (cắt tỉa cây) là kỹ thuật phổ biến để giảm overfitting bằng cách giới hạn độ sâu hoặc số nút của cây.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 25: Để phân tích cảm xúc (sentiment analysis) từ các bình luận của khách hàng về sản phẩm, phương pháp nào sau đây được sử dụng phổ biến?

Phân tích hồi quy (Regression Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích cụm (Cluster Analysis)

Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP)

Câu hỏi về phân tích cảm xúc văn bản. Xử lý ngôn ngữ tự nhiên (NLP) là lĩnh vực chính để phân tích cảm xúc từ văn bản.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 26: Trong thiết kế cơ sở dữ liệu quan hệ, khóa chính (primary key) có vai trò gì?

Xác định duy nhất mỗi bản ghi trong bảng

Liên kết các bảng với nhau

Sắp xếp dữ liệu trong bảng

Tăng tốc độ truy vấn dữ liệu

Câu hỏi về vai trò của khóa chính trong cơ sở dữ liệu quan hệ. Khóa chính xác định duy nhất mỗi bản ghi trong bảng.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 27: Một công ty muốn xây dựng hệ thống gợi ý sản phẩm cho khách hàng dựa trên lịch sử mua hàng và hành vi duyệt web. Phương pháp nào sau đây phù hợp nhất?

Hệ thống gợi ý (Recommender System)

Hồi quy (Regression)

Phân cụm (Clustering)

Bài toán gợi ý sản phẩm. Hệ thống gợi ý (Recommender System) là phương pháp chuyên biệt cho mục tiêu này.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 28: Để đánh giá mô hình phân cụm, chỉ số 'Silhouette score' được sử dụng để đo lường điều gì?

Mức độ một điểm dữ liệu tương đồng với cụm của nó so với các cụm khác

Tỷ lệ phương sai được giải thích bởi các cụm

Câu hỏi về chỉ số đánh giá phân cụm. Silhouette score đo lường mức độ một điểm dữ liệu tương đồng với cụm của nó so với các cụm khác.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 29: Trong mô hình Logistic Regression, hàm sigmoid được sử dụng để làm gì?

Chuyển đổi đầu ra tuyến tính thành xác suất

Tính toán sai số của mô hình

Tối ưu hóa trọng số mô hình

Chuẩn hóa dữ liệu đầu vào

Câu hỏi về hàm sigmoid trong Logistic Regression. Hàm sigmoid chuyển đổi đầu ra tuyến tính thành xác suất trong khoảng [0, 1].

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 07

Câu 30: Một công ty viễn thông muốn dự đoán khách hàng nào có khả năng chuyển sang nhà mạng khác (churn). Dữ liệu bao gồm thông tin về gói cước, thời gian sử dụng, và lịch sử thanh toán. Bài toán này thuộc loại nào trong khoa học dữ liệu?

Hồi quy (Regression)

Phân loại (Classification)

Phân cụm (Clustering)

Giảm chiều dữ liệu (Dimensionality Reduction)

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.

Bài toán dự đoán churn (khách hàng rời bỏ) là bài toán phân loại (churn/không churn). Phân loại (Classification) là loại bài toán phù hợp.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 08

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 1: Trong phân tích dữ liệu kinh doanh, kỹ thuật 'phân tích когортный' (cohort analysis) thường được sử dụng để:

Dự báo doanh số bán hàng trong tương lai dựa trên dữ liệu lịch sử.

Hiểu rõ sự thay đổi hành vi và giá trị của các nhóm khách hàng khác nhau theo thời gian.

Phân khúc thị trường dựa trên nhân khẩu học và hành vi mua sắm.

Tối ưu hóa chiến dịch marketing bằng cách nhắm mục tiêu quảng cáo đến từng cá nhân khách hàng.

Phân tích когортный tập trung vào việc theo dõi và so sánh hành vi của các nhóm người dùng (когортный) theo thời gian, thường dựa trên thời điểm họ tham gia hoặc bắt đầu sử dụng sản phẩm/dịch vụ.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 2: Một công ty thương mại điện tử muốn cải thiện tỷ lệ chuyển đổi (conversion rate) trên trang web của mình. Họ quyết định thực hiện thử nghiệm A/B testing với hai phiên bản trang thanh toán khác nhau. Phiên bản A là trang thanh toán hiện tại, phiên bản B có bố cục và màu sắc nút 'Thanh toán' được thay đổi. Đâu là giả thuyết null (H0) trong thử nghiệm A/B này?

Tỷ lệ chuyển đổi của phiên bản B cao hơn đáng kể so với phiên bản A.

Tỷ lệ chuyển đổi của phiên bản A cao hơn đáng kể so với phiên bản B.

Không có sự khác biệt đáng kể về tỷ lệ chuyển đổi giữa phiên bản A và phiên bản B.

Tỷ lệ chuyển đổi của cả hai phiên bản A và B đều thấp hơn mục tiêu đề ra.

Giả thuyết null trong A/B testing thường là giả thuyết không có sự khác biệt giữa các phiên bản thử nghiệm. Trong trường hợp này, H0 là không có sự khác biệt về tỷ lệ chuyển đổi giữa phiên bản A và phiên bản B.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 3: Trong mô hình hóa dữ liệu cho kinh doanh, 'data warehouse' (kho dữ liệu) thường được thiết kế theo cấu trúc nào sau đây để tối ưu hóa cho việc truy vấn và phân tích báo cáo?

Mô hình hướng đối tượng (Object-oriented model)

Mô hình quan hệ (Relational model) chuẩn hóa 3NF

Mô hình phân cấp (Hierarchical model)

Mô hình chiều (Dimensional model) như schema ngôi sao hoặc bông tuyết

Kho dữ liệu thường sử dụng mô hình schema ngôi sao (star schema) hoặc bông tuyết (snowflake schema) để tối ưu hóa cho việc truy vấn báo cáo, với các bảng chiều (dimensions) và bảng фактов (facts).

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 4: Khi xây dựng mô hình dự đoán 'churn rate' (tỷ lệ khách hàng rời bỏ) cho một công ty viễn thông, thuộc tính nào sau đây có khả năng là 'feature' (đặc trưng) quan trọng nhất để đưa vào mô hình?

Thời gian sử dụng dịch vụ trung bình hàng tháng và số lượng cuộc gọi hỗ trợ kỹ thuật trong 3 tháng gần nhất.

Màu sắc yêu thích của khách hàng và hệ điều hành điện thoại họ sử dụng.

Mã số thuế cá nhân và địa chỉ thường trú của khách hàng.

Tình trạng hôn nhân và số con cái của khách hàng.

Các đặc trưng liên quan đến hành vi sử dụng dịch vụ, tương tác với công ty và thông tin cá nhân của khách hàng thường là quan trọng nhất trong dự đoán churn rate.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 5: Trong lĩnh vực kinh tế lượng, phương pháp 'hồi quy tuyến tính đa biến' (multiple linear regression) được sử dụng chủ yếu để:

Phân loại khách hàng thành các nhóm khác nhau dựa trên đặc điểm nhân khẩu học.

Ước lượng và kiểm định mối quan hệ tuyến tính giữa một biến mục tiêu và nhiều biến giải thích.

Dự đoán chuỗi thời gian (time series) như giá cổ phiếu hoặc chỉ số kinh tế.

Tìm kiếm các quy luật kết hợp (association rules) trong dữ liệu giao dịch.

Hồi quy tuyến tính đa biến được sử dụng để mô hình hóa mối quan hệ tuyến tính giữa một biến phụ thuộc và nhiều biến độc lập, nhằm phân tích ảnh hưởng của các biến độc lập lên biến phụ thuộc.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 6: Khi trình bày kết quả phân tích dữ liệu cho lãnh đạo doanh nghiệp không có nền tảng kỹ thuật, loại hình trực quan hóa dữ liệu nào sau đây thường hiệu quả nhất để truyền đạt thông tin một cách dễ hiểu và trực quan?

Biểu đồ hộp (boxplot) và biểu đồ скрипичный (violin plot).

Bản đồ nhiệt (heatmap) và mạng lưới (network graph).

Biểu đồ cột (bar chart), biểu đồ tròn (pie chart), và biểu đồ đường (line chart).

Biểu đồ phân tán 3D (3D scatter plot) và biểu đồ bề mặt (surface plot).

Đối với đối tượng không chuyên về kỹ thuật, các biểu đồ đơn giản, trực quan như biểu đồ cột, biểu đồ tròn, biểu đồ đường thẳng thường dễ hiểu và truyền đạt thông tin hiệu quả hơn.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 7: Trong quản lý rủi ro tín dụng, mô hình 'кредитный скоринг' (credit scoring) được sử dụng để:

Xác định khách hàng tiềm năng cho các sản phẩm tín dụng mới.

Phân tích портфель tín dụng hiện tại để tối ưu hóa lợi nhuận.

Phát hiện các giao dịch gian lận trong hoạt động tín dụng.

Đánh giá rủi ro vỡ nợ của khách hàng và đưa ra quyết định cho vay.

Mô hình credit scoring được sử dụng để đánh giá rủi ro tín dụng của khách hàng, dự đoán khả năng họ không trả được nợ, từ đó đưa ra quyết định cho vay hợp lý.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 8: Một siêu thị muốn tối ưu hóa vị trí đặt sản phẩm trên kệ hàng để tăng doanh số. Kỹ thuật 'phân tích giỏ hàng' (market basket analysis) có thể giúp họ:

Dự đoán nhu cầu hàng tồn kho cho từng sản phẩm.

Xác định các nhóm sản phẩm thường được mua cùng nhau để tối ưu hóa vị trí trên kệ.

Phân tích hiệu quả của các chương trình khuyến mãi và giảm giá.

Phân khúc khách hàng dựa trên lịch sử mua sắm và sở thích.

Phân tích giỏ hàng giúp tìm ra các sản phẩm thường được mua cùng nhau, từ đó siêu thị có thể sắp xếp chúng gần nhau trên kệ để khuyến khích khách hàng mua thêm.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 9: Trong xử lý ngôn ngữ tự nhiên (NLP) ứng dụng trong kinh doanh, kỹ thuật 'phân tích tình cảm' (sentiment analysis) thường được sử dụng để:

Xác định cảm xúc và thái độ của khách hàng đối với sản phẩm hoặc dịch vụ từ văn bản.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác một cách tự động.

Tạo ra văn bản tự động như mô tả sản phẩm hoặc bài viết quảng cáo.

Phân loại văn bản vào các chủ đề hoặc danh mục khác nhau.

Phân tích tình cảm giúp xác định cảm xúc, thái độ của khách hàng thể hiện trong văn bản (ví dụ: đánh giá sản phẩm, bình luận trên mạng xã hội), từ đó doanh nghiệp có thể hiểu rõ hơn về ý kiến khách hàng.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 10: Trong lĩnh vực tài chính, 'phát hiện gian lận' (fraud detection) là một ứng dụng quan trọng của khoa học dữ liệu. Kỹ thuật nào sau đây thường được sử dụng để xây dựng mô hình phát hiện giao dịch gian lận?

Phân tích chuỗi thời gian (time series analysis).

Phân tích когортный (cohort analysis).

Học máy có giám sát và không giám sát (Supervised and unsupervised machine learning), đặc biệt là các thuật toán phát hiện bất thường.

Thống kê mô tả (descriptive statistics) đơn thuần.

Các thuật toán học máy như cây quyết định, rừng ngẫu nhiên, mạng nơ-ron và đặc biệt là các phương pháp phát hiện bất thường (anomaly detection) rất hiệu quả trong việc phát hiện gian lận do khả năng nhận diện các mẫu giao dịch bất thường.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 11: Khi dữ liệu kinh doanh chứa thông tin về địa lý (ví dụ: vị trí cửa hàng, địa chỉ khách hàng), loại hình trực quan hóa nào sau đây thường hữu ích nhất để phân tích và trình bày dữ liệu?

Biểu đồ Venn (Venn diagram).

Biểu đồ водопадный (waterfall chart).

Biểu đồ разброса (scatter plot).

Bản đồ địa lý (geographic maps) và biểu đồ nhiệt trên bản đồ (heatmaps).

Bản đồ địa lý (geographic maps) là công cụ trực quan hóa mạnh mẽ để hiển thị dữ liệu theo vị trí địa lý, giúp nhận diện các xu hướng, mẫu hình không gian.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 12: Trong quản lý chuỗi cung ứng, khoa học dữ liệu có thể được ứng dụng để:

Dự báo nhu cầu, tối ưu hóa tồn kho, và cải thiện hiệu quả vận chuyển và логистика.

Thiết kế logo sản phẩm và bao bì hấp dẫn.

Tuyển dụng và đào tạo nhân viên chuỗi cung ứng.

Xây dựng mối quan hệ với nhà cung cấp và khách hàng.

Khoa học dữ liệu có thể tối ưu hóa nhiều khía cạnh của chuỗi cung ứng, từ dự báo nhu cầu, tối ưu hóa tồn kho, đến vận chuyển và quản lý rủi ro.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 13: Khi phân tích dữ liệu khảo sát khách hàng, kỹ thuật nào sau đây thường được sử dụng để khám phá các chủ đề hoặc 'topic' chính được thảo luận trong các câu trả lời mở?

Phân tích hồi quy (regression analysis).

Mô hình hóa chủ đề (topic modeling) như LDA (Latent Dirichlet Allocation).

Phân tích phương sai (ANOVA).

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

Mô hình hóa chủ đề (topic modeling) là kỹ thuật NLP giúp tự động phát hiện các chủ đề ẩn trong một tập hợp văn bản lớn, rất hữu ích để phân tích câu trả lời mở trong khảo sát.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 14: Trong bối cảnh kinh doanh dựa trên dữ liệu (data-driven business), 'KPIs' (Key Performance Indicators - Chỉ số hiệu suất chính) đóng vai trò:

Thay thế hoàn toàn cho kinh nghiệm và trực giác của nhà quản lý.

Chỉ quan trọng đối với các công ty công nghệ, không cần thiết cho các doanh nghiệp truyền thống.

Quan trọng để đo lường hiệu quả hoạt động, theo dõi tiến độ mục tiêu, và đưa ra quyết định dựa trên dữ liệu.

Chỉ nên được xem xét sau khi đã đạt được lợi nhuận tối đa.

KPIs là các chỉ số đo lường hiệu suất quan trọng, giúp doanh nghiệp theo dõi tiến độ đạt được mục tiêu, đánh giá hiệu quả hoạt động và đưa ra quyết định dựa trên dữ liệu.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 15: Để đánh giá hiệu quả của một mô hình phân loại nhị phân (binary classification) trong kinh doanh (ví dụ: dự đoán khách hàng có churn hay không), chỉ số 'Accuracy' (Độ chính xác) có phải là thước đo duy nhất và tốt nhất không?

Đúng, Accuracy luôn là thước đo quan trọng nhất trong mọi trường hợp.

Không, Accuracy có thể gây hiểu nhầm, đặc biệt khi dữ liệu phân lớp không cân bằng. Cần xem xét thêm Precision, Recall, F1-score, AUC-ROC.

Có, Accuracy là thước đo duy nhất cần quan tâm để đánh giá mô hình phân loại.

Chỉ số Accuracy chỉ quan trọng trong lĩnh vực y tế, không liên quan đến kinh doanh.

Accuracy không phải là thước đo duy nhất và tốt nhất, đặc biệt khi dữ liệu bị mất cân bằng (imbalanced data). Các chỉ số khác như Precision, Recall, F1-score, AUC-ROC thường quan trọng hơn trong trường hợp này.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 16: Trong quá trình 'data cleaning' (làm sạch dữ liệu), việc xử lý 'missing values' (giá trị thiếu) là một bước quan trọng. Phương pháp nào sau đây là một cách tiếp cận phổ biến để xử lý giá trị thiếu?

Loại bỏ tất cả các cột chứa giá trị thiếu.

Thay thế tất cả giá trị thiếu bằng số 0.

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

Giữ nguyên giá trị thiếu và không xử lý gì cả.

Điền giá trị thiếu bằng giá trị trung bình (mean imputation) hoặc trung vị (median imputation) là một phương pháp phổ biến và đơn giản để xử lý giá trị thiếu.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 17: 'Data mining' (khai thác dữ liệu) khác biệt với 'business intelligence' (BI) chủ yếu ở điểm nào?

Data mining chỉ sử dụng các công cụ mã nguồn mở, còn BI chỉ sử dụng phần mềm thương mại.

Data mining chỉ làm việc với dữ liệu lớn (big data), còn BI làm việc với dữ liệu nhỏ.

Data mining chỉ được thực hiện bởi các nhà khoa học dữ liệu, còn BI được thực hiện bởi nhân viên kinh doanh.

Data mining tập trung vào khám phá tri thức và mô hình dự đoán, trong khi BI tập trung vào báo cáo và phân tích hiệu suất hiện tại.

Data mining tập trung vào khám phá tri thức mới, mô hình dự đoán từ dữ liệu, thường mang tính khám phá và dự đoán. BI tập trung vào báo cáo, phân tích hiện trạng, giám sát hiệu suất, thường mang tính mô tả và giám sát.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 18: Trong phân tích chuỗi thời gian (time series analysis) để dự báo doanh số, phương pháp 'ARIMA' là viết tắt của:

Autoregressive Integrated Moving Average.

Artificial Recursive Iterative Moving Average.

Adaptive Regression and Interpolation Moving Average.

Automated Rule Induction for Market Analysis.

ARIMA là viết tắt của Autoregressive Integrated Moving Average, một mô hình thống kê phổ biến cho dự báo chuỗi thời gian.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 19: Khi triển khai một dự án khoa học dữ liệu trong kinh doanh, bước nào sau đây thường được thực hiện đầu tiên theo quy trình CRISP-DM?

Data Preparation (Chuẩn bị dữ liệu).

Business Understanding (Hiểu nghiệp vụ).

Data Mining (Khai thác dữ liệu).

Deployment (Triển khai).

Theo quy trình CRISP-DM, bước đầu tiên luôn là 'Business Understanding' (Hiểu nghiệp vụ), xác định rõ vấn đề kinh doanh và mục tiêu dự án.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 20: 'Feature scaling' ( масштабирование признаков ) là một kỹ thuật tiền xử lý dữ liệu quan trọng trong học máy. Mục đích chính của feature scaling là gì?

Tăng số lượng features (đặc trưng) trong dữ liệu.

Giảm размер dữ liệu để tiết kiệm bộ nhớ.

Đưa các features về cùng một thang đo để các thuật toán học máy hoạt động hiệu quả hơn.

Mã hóa các features categorical thành dạng số.

Feature scaling giúp đưa các đặc trưng về cùng một thang đo, tránh tình trạng các thuật toán học máy bị ảnh hưởng quá mức bởi các đặc trưng có giá trị lớn hơn, cải thiện hiệu suất và độ ổn định của mô hình.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 21: Trong phân tích rủi ro hoạt động (operational risk) trong ngân hàng, khoa học dữ liệu có thể giúp:

Tăng cường bảo mật hệ thống thông tin ngân hàng.

Tối ưu hóa lãi suất cho vay.

Cải thiện dịch vụ chăm sóc khách hàng.

Dự đoán và giảm thiểu các sự cố, gian lận và lỗi trong quy trình hoạt động.

Khoa học dữ liệu có thể giúp ngân hàng dự đoán và giảm thiểu rủi ro hoạt động bằng cách phân tích dữ liệu lịch sử để nhận diện các mẫu rủi ro, dự đoán sự cố và tối ưu hóa quy trình.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 22: 'Dashboard' (bảng điều khiển) trong business intelligence (BI) thường được sử dụng để:

Thực hiện các phân tích thống kê phức tạp.

Trực quan hóa dữ liệu và cung cấp cái nhìn tổng quan về các chỉ số kinh doanh quan trọng.

Thu thập và lưu trữ dữ liệu từ nhiều nguồn khác nhau.

Xây dựng mô hình dự đoán và khai thác dữ liệu.

Dashboard là công cụ trực quan hóa dữ liệu, cung cấp cái nhìn tổng quan về các chỉ số kinh doanh quan trọng, giúp theo dõi hiệu suất và phát hiện xu hướng một cách nhanh chóng.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 23: Trong phân tích văn bản (text analysis) ứng dụng trong marketing, kỹ thuật 'word cloud' (đám mây từ) thường được sử dụng để:

Phân tích cú pháp và ngữ nghĩa của văn bản.

Phân loại văn bản vào các danh mục khác nhau.

Trực quan hóa tần suất xuất hiện của các từ trong văn bản một cách trực quan.

Dịch văn bản sang ngôn ngữ khác.

Word cloud là một hình thức trực quan hóa đơn giản, hiển thị tần suất xuất hiện của các từ trong văn bản, giúp nhanh chóng nắm bắt các từ khóa và chủ đề quan trọng.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 24: Khi xây dựng mô hình học máy, hiện tượng 'overfitting' (quá khớp) xảy ra khi:

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

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

Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.

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

Overfitting xảy ra khi mô hình học quá tốt trên dữ liệu huấn luyện, nhưng lại hoạt động kém trên dữ liệu mới hoặc dữ liệu kiểm tra do mô hình học cả nhiễu trong dữ liệu huấn luyện.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 25: Trong lĩnh vực nhân sự (HR), khoa học dữ liệu có thể được sử dụng để:

Phân tích tỷ lệ nghỉ việc, dự đoán hiệu suất nhân viên, và tối ưu hóa quy trình tuyển dụng.

Tính lương và thưởng cho nhân viên.

Quản lý hồ sơ nhân viên và chấm công.

Tổ chức các hoạt động team-building và sự kiện công ty.

Khoa học dữ liệu có nhiều ứng dụng trong HR, từ phân tích tỷ lệ nghỉ việc, dự đoán hiệu suất nhân viên, đến tối ưu hóa quy trình tuyển dụng và phát triển nhân tài.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 26: 'Data governance' (quản trị dữ liệu) là một khái niệm quan trọng trong khoa học dữ liệu doanh nghiệp. Mục tiêu chính của data governance là gì?

Tăng tốc độ xử lý dữ liệu.

Đảm bảo chất lượng, bảo mật, tuân thủ quy định, và khả năng sử dụng dữ liệu hiệu quả.

Giảm chi phí lưu trữ dữ liệu.

Tự động hóa quy trình khai thác dữ liệu.

Data governance nhằm đảm bảo dữ liệu được quản lý một cách hiệu quả, an toàn, tuân thủ quy định, và mang lại giá trị cho doanh nghiệp, bao gồm các khía cạnh về chất lượng, bảo mật, tuân thủ và khả năng sử dụng.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 27: Trong phân tích mạng xã hội (social network analysis) ứng dụng trong marketing, 'centrality measures' (đo lường độ tập trung) được sử dụng để:

Phân tích tình cảm (sentiment analysis) trên mạng xã hội.

Phân cụm cộng đồng (community detection) trong mạng xã hội.

Xác định các cá nhân hoặc thực thể có ảnh hưởng và vai trò trung tâm trong mạng lưới.

Dự đoán xu hướng lan truyền thông tin trên mạng xã hội.

Centrality measures trong phân tích mạng xã hội giúp xác định các cá nhân hoặc thực thể quan trọng nhất trong mạng lưới, ví dụ như người có ảnh hưởng lớn nhất, trung tâm kết nối.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 28: 'ETL' (Extract, Transform, Load) là một quy trình quan trọng trong việc xây dựng 'data warehouse' (kho dữ liệu). Giai đoạn 'Transform' (biến đổi) trong ETL bao gồm các hoạt động nào?

Thu thập dữ liệu từ các nguồn khác nhau.

Lưu trữ dữ liệu vào kho dữ liệu.

Truy vấn và phân tích dữ liệu từ kho dữ liệu.

Làm sạch, chuẩn hóa, tích hợp, và biến đổi dữ liệu để chuẩn bị cho việc lưu trữ.

Giai đoạn Transform trong ETL bao gồm các hoạt động làm sạch, chuẩn hóa, tích hợp và biến đổi dữ liệu để dữ liệu phù hợp với cấu trúc và yêu cầu của kho dữ liệu.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 29: Trong lĩnh vực bảo hiểm, khoa học dữ liệu có thể được sử dụng để:

Định giá rủi ro, phát hiện gian lận bảo hiểm, và cá nhân hóa sản phẩm bảo hiểm.

Thiết kế logo và quảng cáo cho công ty bảo hiểm.

Quản lý tài chính và đầu tư của công ty bảo hiểm.

Tuyển dụng và đào tạo đại lý bảo hiểm.

Khoa học dữ liệu có thể ứng dụng trong nhiều khía cạnh của bảo hiểm, từ định giá rủi ro, phát hiện gian lận, đến cải thiện dịch vụ khách hàng và tối ưu hóa quy trình.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 08

Câu 30: Khi đánh giá mô hình phân cụm (clustering), 'silhouette score' là một chỉ số đánh giá:

Độ chính xác của mô hình phân cụm so với nhãn thực tế (nếu có).

Độ gắn kết của các điểm dữ liệu trong cùng một cụm và độ tách biệt giữa các cụm khác nhau.

Tốc độ hội tụ của thuật toán phân cụm.

Khả năng масштабируемость (scalability) của thuật toán phân cụm với dữ liệu lớn.

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.

Silhouette score đánh giá chất lượng phân cụm dựa trên độ gắn kết (cohesion) của các điểm dữ liệu trong cùng một cụm và độ tách biệt (separation) giữa các cụm khác nhau.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 09

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 1: Trong bối cảnh kinh doanh hiện đại, doanh nghiệp thu thập lượng lớn dữ liệu khách hàng từ nhiều nguồn (CRM, mạng xã hội, giao dịch mua hàng...). Để chuyển đổi dữ liệu rời rạc này thành thông tin hữu ích hỗ trợ quyết định marketing, bước đầu tiên và quan trọng nhất cần thực hiện là gì?

Áp dụng ngay các thuật toán khai thác dữ liệu phức tạp để tìm kiếm insight.

Đầu tư vào hạ tầng lưu trữ dữ liệu lớn để chứa toàn bộ dữ liệu thu thập được.

Xác định rõ vấn đề kinh doanh hoặc mục tiêu marketing cụ thể cần giải quyết.

Tuyển dụng đội ngũ chuyên gia khoa học dữ liệu hùng hậu để xử lý dữ liệu.

Câu hỏi tập trung vào bước đầu tiên trong quy trình khoa học dữ liệu, nhấn mạnh vào việc chuyển dữ liệu thô thành thông tin giá trị trong marketing. Bước đầu tiên luôn là xác định rõ vấn đề và mục tiêu kinh doanh.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 2: Một công ty bán lẻ trực tuyến muốn dự đoán khả năng khách hàng mua sản phẩm 'A' dựa trên lịch sử duyệt web, thông tin nhân khẩu học và hành vi mua sắm trước đây. Bài toán này thuộc loại hình học máy nào?

Hồi quy (Regression)

Phân loại (Classification)

Phân cụm (Clustering)

Giảm chiều dữ liệu (Dimensionality Reduction)

Câu hỏi xác định loại bài toán học máy dựa trên mục tiêu dự đoán khả năng mua hàng (có/không). Đây là bài toán phân loại (classification) vì đầu ra là biến rời rạc (mua hoặc không mua).

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 3: Để đánh giá hiệu quả của một mô hình phân loại khách hàng tiềm năng (dựa trên dữ liệu lịch sử marketing), chỉ số nào sau đây thể hiện tỷ lệ khách hàng tiềm năng dự đoán đúng trên tổng số khách hàng được mô hình dự đoán là tiềm năng?

Độ chính xác (Precision)

ĐộRecall (Recall)

Độ đo F1 (F1-score)

ĐộAccuracy (Accuracy)

Câu hỏi kiểm tra kiến thức về các chỉ số đánh giá mô hình phân loại, cụ thể là Precision. Precision đo lường độ chính xác của các dự đoán tích cực, trả lời câu hỏi 'Trong số những người mô hình dự đoán là tiềm năng, có bao nhiêu người thực sự là tiềm năng?'

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 4: Một chuỗi siêu thị muốn phân nhóm khách hàng dựa trên hành vi mua sắm để cá nhân hóa chương trình khuyến mãi. Phương pháp phân tích dữ liệu nào sau đây phù hợp nhất?

Phân tích hồi quy tuyến tính (Linear Regression Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích phân cụm (Cluster Analysis)

Phân tích phương sai (ANOVA)

Câu hỏi về ứng dụng phân cụm (clustering) trong marketing. Phân cụm là kỹ thuật học máy không giám sát, phù hợp để tìm ra các nhóm khách hàng có đặc điểm tương đồng dựa trên dữ liệu hành vi.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 5: Trong quá trình tiền xử lý dữ liệu cho bài toán dự báo giá cổ phiếu, cột dữ liệu 'Ngày giao dịch' thường được chuyển đổi sang kiểu dữ liệu nào để phù hợp với các thuật toán học máy?

Chuỗi ký tự (String)

Số nguyên (Integer)

Số thực (Float)

Thời gian (Datetime)

Câu hỏi về tiền xử lý dữ liệu, cụ thể là chuyển đổi kiểu dữ liệu cho cột 'Ngày giao dịch'. Ngày tháng cần được chuyển đổi sang định dạng số hoặc kiểu dữ liệu thời gian để máy tính có thể hiểu và xử lý.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 6: Một công ty thương mại điện tử ghi nhận số lượng sản phẩm được xem trên website nhưng không được thêm vào giỏ hàng (tỷ lệ thoát trang). Để giảm tỷ lệ này, phương pháp khoa học dữ liệu nào có thể giúp xác định các trang sản phẩm có tỷ lệ thoát trang cao bất thường để từ đó cải thiện trải nghiệm người dùng?

Phân tích hồi quy (Regression analysis)

Phát hiện dị thường (Anomaly detection)

Phân tích tương quan (Correlation analysis)

Phân tích thành phần chính (Principal Component Analysis)

Câu hỏi về ứng dụng phát hiện dị thường (anomaly detection) trong cải thiện trải nghiệm người dùng website. Phát hiện dị thường giúp tìm ra những trang sản phẩm có hiệu suất kém (tỷ lệ thoát trang cao) so với bình thường.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 7: Trong mô hình hồi quy tuyến tính dự đoán doanh thu bán hàng dựa trên chi phí quảng cáo, hệ số hồi quy của biến 'Chi phí quảng cáo' là 0.75. Ý nghĩa của hệ số này là gì?

Doanh thu bán hàng sẽ tăng 75% nếu chi phí quảng cáo tăng lên.

Chi phí quảng cáo chiếm 75% trong tổng doanh thu bán hàng.

Khi chi phí quảng cáo tăng 1 đơn vị, doanh thu bán hàng dự kiến tăng 0.75 đơn vị.

Mối tương quan giữa chi phí quảng cáo và doanh thu bán hàng là 0.75.

Câu hỏi kiểm tra khả năng diễn giải hệ số hồi quy trong mô hình tuyến tính. Hệ số 0.75 có nghĩa là khi chi phí quảng cáo tăng 1 đơn vị, doanh thu dự kiến tăng 0.75 đơn vị, giả định các yếu tố khác không đổi.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 8: Một ngân hàng sử dụng mô hình học máy để đánh giá rủi ro tín dụng. Nếu mô hình dự đoán sai rằng một khách hàng có khả năng trả nợ (dự đoán là 'không rủi ro') trong khi thực tế khách hàng đó không trả được nợ (thực tế là 'rủi ro'), lỗi này được gọi là gì trong ma trận nhầm lẫn?

Dương tính thật (True Positive)

Âm tính giả (False Negative)

Dương tính giả (False Positive)

Âm tính thật (True Negative)

Câu hỏi về ma trận nhầm lẫn trong bài toán phân loại, cụ thể là lỗi False Negative. Khi mô hình dự đoán âm tính (không rủi ro) nhưng thực tế là dương tính (rủi ro), đó là lỗi False Negative.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 9: Để giảm số chiều dữ liệu cho tập dữ liệu khách hàng có hàng trăm thuộc tính (nhân khẩu học, hành vi mua sắm, tương tác trực tuyến...) trước khi áp dụng thuật toán phân cụm, kỹ thuật nào sau đây thường được sử dụng?

Chuẩn hóa dữ liệu (Data normalization)

Rời rạc hóa dữ liệu (Data discretization)

Điền giá trị thiếu (Missing value imputation)

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

Câu hỏi về giảm chiều dữ liệu (dimensionality reduction), kỹ thuật cần thiết khi làm việc với dữ liệu nhiều chiều để giảm độ phức tạp tính toán và cải thiện hiệu suất mô hình. Phân tích thành phần chính (PCA) là một kỹ thuật phổ biến để giảm chiều dữ liệu.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 10: Trong phân tích chuỗi thời gian về doanh số bán hàng hàng tháng, thành phần 'xu hướng (trend)' thể hiện điều gì?

Sự biến động dài hạn của doanh số bán hàng theo thời gian.

Sự biến động theo mùa vụ, lặp đi lặp lại trong năm.

Sự biến động ngẫu nhiên, không theo quy luật.

Sự biến động ngắn hạn, diễn ra trong vài tháng.

Câu hỏi về phân tích chuỗi thời gian, cụ thể là thành phần 'xu hướng'. Xu hướng thể hiện sự biến động dài hạn của chuỗi thời gian (tăng, giảm hoặc đi ngang) qua các giai đoạn.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 11: Một công ty du lịch muốn xây dựng hệ thống gợi ý tour du lịch cá nhân hóa cho khách hàng dựa trên lịch sử đặt tour, đánh giá và sở thích. Loại hệ thống này được gọi là gì?

Hệ thống quản lý quan hệ khách hàng (CRM)

Hệ thống gợi ý (Recommendation System)

Hệ thống hoạch định nguồn lực doanh nghiệp (ERP)

Hệ thống hỗ trợ quyết định (DSS)

Câu hỏi về hệ thống gợi ý (recommendation system), một ứng dụng quan trọng của khoa học dữ liệu trong kinh doanh, đặc biệt trong lĩnh vực dịch vụ và thương mại điện tử. Hệ thống gợi ý cá nhân hóa dựa trên dữ liệu người dùng.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 12: Khi dữ liệu khảo sát khách hàng về mức độ hài lòng có các giá trị 'Rất không hài lòng', 'Không hài lòng', 'Bình thường', 'Hài lòng', 'Rất hài lòng', đây là kiểu dữ liệu gì?

Định danh (Nominal)

Định lượng (Quantitative)

Thứ bậc (Ordinal)

Khoảng (Interval)

Câu hỏi về kiểu dữ liệu, cụ thể là dữ liệu thứ bậc (ordinal). Dữ liệu thứ bậc có thứ tự tự nhiên giữa các giá trị, nhưng khoảng cách giữa các giá trị không định lượng được.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 13: Để trực quan hóa phân phối doanh thu theo khu vực địa lý trên bản đồ, loại biểu đồ nào sau đây phù hợp nhất?

Biểu đồ đường (Line chart)

Biểu đồ cột (Bar chart)

Biểu đồ tròn (Pie chart)

Bản đồ nhiệt (Heatmap) hoặc Bản đồ Choropleth

Câu hỏi về trực quan hóa dữ liệu, chọn loại biểu đồ phù hợp để hiển thị dữ liệu địa lý. Biểu đồ bản đồ nhiệt (heatmap) hoặc bản đồ choropleth là lựa chọn tốt để hiển thị giá trị (doanh thu) trên các khu vực địa lý khác nhau.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 14: Trong quá trình xây dựng mô hình dự đoán, việc chia dữ liệu thành tập huấn luyện (training set) và tập kiểm thử (test set) nhằm mục đích gì?

Tăng tốc độ huấn luyện mô hình.

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

Giảm thiểu tình trạng thiếu hụt dữ liệu huấn luyện.

Đảm bảo tính khách quan của dữ liệu đầu vào.

Câu hỏi về quy trình đánh giá mô hình học máy, tầm quan trọng của việc chia dữ liệu thành tập huấn luyện và kiểm thử. Tập kiểm thử được dùng để đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới, chưa từng thấy trong quá trình huấn luyện.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 15: Một công ty tài chính sử dụng khoa học dữ liệu để phát hiện giao dịch gian lận. Đâu là thách thức đạo đức chính cần cân nhắc khi triển khai hệ thống này?

Chi phí đầu tư ban đầu cho hệ thống.

Khả năng hệ thống bị tấn công mạng.

Nguy cơ phân biệt đối xử hoặc đưa ra quyết định sai lệch ảnh hưởng đến khách hàng.

Sự phức tạp trong việc giải thích kết quả của mô hình cho người dùng.

Câu hỏi về đạo đức trong ứng dụng khoa học dữ liệu, đặc biệt trong lĩnh vực nhạy cảm như tài chính. Nguy cơ phân biệt đối xử và sai sót trong dự đoán có thể gây hậu quả nghiêm trọng cho khách hàng và cần được cân nhắc kỹ lưỡng.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 16: Phương pháp nào sau đây giúp xử lý dữ liệu ngoại lai (outlier) trong tập dữ liệu doanh thu bán hàng trước khi phân tích?

Sử dụng phương pháp IQR (Interquartile Range) để xác định và loại bỏ các giá trị nằm ngoài phạm vi nhất định.

Thay thế tất cả các giá trị ngoại lai bằng giá trị trung bình của cột dữ liệu.

Giữ nguyên các giá trị ngoại lai vì chúng có thể chứa thông tin quan trọng.

Chuyển đổi dữ liệu về dạng phân phối chuẩn để giảm ảnh hưởng của ngoại lai.

Câu hỏi về xử lý dữ liệu ngoại lai (outlier), giá trị bất thường có thể ảnh hưởng đến phân tích. Phương pháp 'IQR' (Interquartile Range) là một kỹ thuật phổ biến để phát hiện và loại bỏ hoặc điều chỉnh outliers.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 17: Trong bài toán dự báo nhu cầu sản phẩm, mô hình ARIMA được sử dụng để phân tích thành phần nào của chuỗi thời gian?

Thành phần mùa vụ (seasonality)

Thành phần tự tương quan (autocorrelation)

Thành phần xu hướng (trend)

Thành phần chu kỳ (cyclicality)

Câu hỏi về mô hình ARIMA trong phân tích chuỗi thời gian. ARIMA (Autoregressive Integrated Moving Average) là mô hình thống kê chuyên dùng để phân tích và dự báo chuỗi thời gian dựa trên các thành phần tự tương quan và trung bình trượt.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 18: Để đánh giá mức độ tương đồng giữa các khách hàng dựa trên hồ sơ mua sắm, độ đo khoảng cách nào sau đây thường được sử dụng cho dữ liệu thuộc tính số?

Khoảng cách Cosine (Cosine distance)

Khoảng cách Jaccard (Jaccard distance)

Khoảng cách Euclidean (Euclidean distance)

Khoảng cách Manhattan (Manhattan distance)

Câu hỏi về độ đo khoảng cách, thường dùng trong các thuật toán phân cụm hoặc tìm kiếm tương tự. Khoảng cách Euclidean là độ đo phổ biến cho dữ liệu số, đo khoảng cách 'đường thẳng' giữa hai điểm trong không gian đa chiều.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 19: Trong lĩnh vực quản lý chuỗi cung ứng, khoa học dữ liệu có thể ứng dụng để giải quyết bài toán nào sau đây?

Tuyển dụng và quản lý nhân sự

Nghiên cứu và phát triển sản phẩm mới

Quản lý quan hệ khách hàng (CRM)

Dự báo nhu cầu và tối ưu hóa tồn kho

Câu hỏi về ứng dụng khoa học dữ liệu trong chuỗi cung ứng. Dự báo nhu cầu là một ứng dụng quan trọng, giúp doanh nghiệp tối ưu hóa tồn kho, kế hoạch sản xuất và vận chuyển.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 20: Khi xây dựng mô hình phân loại khách hàng sử dụng thuật toán Cây quyết định, yếu tố nào được sử dụng để lựa chọn thuộc tính phân chia nút tại mỗi bước?

Hệ số tương quan (Correlation coefficient)

Độ lợi thông tin (Information Gain) hoặc Entropy

Khoảng cách Euclidean (Euclidean distance)

Giá trị trung bình (Mean value)

Câu hỏi về thuật toán Cây quyết định, tiêu chí chọn thuộc tính phân chia nút. Độ lợi thông tin (Information Gain) hoặc Entropy là các độ đo phổ biến để đánh giá mức độ 'tinh khiết' của các nút và chọn thuộc tính phân chia tối ưu.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 21: Biểu đồ hộp (boxplot) thường được sử dụng để trực quan hóa đặc điểm thống kê nào của một biến số?

Mối tương quan giữa hai biến số

Xu hướng biến động theo thời gian

Phân phối và độ phân tán của dữ liệu

Tần suất xuất hiện của các giá trị

Câu hỏi về biểu đồ hộp (boxplot), loại biểu đồ thống kê mô tả. Boxplot hiển thị phân vị (quartiles), giá trị trung vị, và giá trị ngoại lai (outliers) của một tập dữ liệu, tóm tắt phân phối và độ phân tán của dữ liệu.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 22: Trong bài toán phân tích văn bản đánh giá sản phẩm trực tuyến, kỹ thuật 'TF-IDF' được sử dụng để làm gì?

Phân tích ngữ nghĩa của văn bản

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

Phân loại văn bản theo chủ đề

Tính toán trọng số của từ thể hiện mức độ quan trọng của từ trong văn bản và so với toàn bộ tập văn bản

Câu hỏi về kỹ thuật TF-IDF (Term Frequency-Inverse Document Frequency) trong xử lý ngôn ngữ tự nhiên (NLP). TF-IDF dùng để đánh trọng số của từ trong văn bản, phản ánh mức độ quan trọng của từ đó đối với văn bản và so với toàn bộ tập văn bản.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 23: Một công ty bảo hiểm muốn dự đoán chi phí bồi thường trung bình cho các vụ tai nạn xe hơi dựa trên các yếu tố như loại xe, tuổi tài xế, khu vực địa lý. Phương pháp học máy nào phù hợp?

Hồi quy (Regression)

Phân loại (Classification)

Phân cụm (Clustering)

Giảm chiều dữ liệu (Dimensionality Reduction)

Câu hỏi về lựa chọn phương pháp học máy cho bài toán dự đoán giá trị số (chi phí bồi thường). Hồi quy (regression) là phương pháp phù hợp để dự đoán biến số liên tục.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 24: Chỉ số 'Recall' trong đánh giá mô hình phân loại đo lường điều gì?

Tỷ lệ dự đoán đúng trên tổng số dự đoán.

Tỷ lệ dự đoán đúng các trường hợp dương tính trên tổng số trường hợp dương tính thực tế.

Tỷ lệ dự đoán sai các trường hợp âm tính trên tổng số trường hợp âm tính thực tế.

Tỷ lệ dự đoán sai các trường hợp dương tính trên tổng số trường hợp dương tính thực tế.

Câu hỏi về chỉ số Recall trong đánh giá mô hình phân loại. Recall đo lường khả năng mô hình tìm ra tất cả các trường hợp dương tính thực tế, trả lời câu hỏi 'Trong số tất cả các trường hợp thực sự là dương tính, mô hình đã dự đoán đúng được bao nhiêu?'

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 25: Kỹ thuật 'one-hot encoding' được sử dụng để xử lý kiểu dữ liệu nào trước khi đưa vào mô hình học máy?

Dữ liệu số liên tục

Dữ liệu thứ bậc

Dữ liệu định danh (categorical)

Dữ liệu thời gian

Câu hỏi về kỹ thuật one-hot encoding, dùng để chuyển đổi dữ liệu định danh (categorical) thành dạng số mà các thuật toán học máy có thể xử lý được. One-hot encoding tạo ra các cột nhị phân cho mỗi giá trị danh mục.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 26: Trong phân tích mạng xã hội, độ đo 'centrality' được sử dụng để xác định điều gì?

Mức độ phân cụm của mạng lưới

Mật độ kết nối trong mạng lưới

Cấu trúc cộng đồng trong mạng lưới

Tầm quan trọng hoặc vị trí trung tâm của một nút trong mạng lưới

Câu hỏi về phân tích mạng xã hội, độ đo centrality. Centrality đo lường tầm quan trọng hoặc vị trí trung tâm của một nút (người, tổ chức) trong mạng lưới, có nhiều loại centrality như degree, betweenness, closeness...

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 27: Phương pháp 'k-fold cross-validation' được sử dụng để làm gì trong quá trình đánh giá mô hình học máy?

Đánh giá độ tin cậy và ổn định của mô hình trên các tập dữ liệu khác nhau.

Tăng tốc độ huấn luyện mô hình.

Giảm thiểu tình trạng quá khớp (overfitting) của mô hình.

Lựa chọn các siêu tham số (hyperparameters) tối ưu cho mô hình.

Câu hỏi về k-fold cross-validation, một kỹ thuật đánh giá mô hình mạnh mẽ. Cross-validation giúp đánh giá mô hình một cách khách quan và ổn định hơn bằng cách chia dữ liệu thành nhiều phần và lặp lại quá trình huấn luyện-kiểm thử.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 28: Trong phân tích dữ liệu văn bản khách hàng (ví dụ: bình luận sản phẩm), phân tích 'sentiment analysis' nhằm mục đích gì?

Xác định chủ đề chính của văn bản.

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

Phân loại văn bản theo thể loại (ví dụ: đánh giá, khiếu nại, góp ý).

Tóm tắt nội dung chính của văn bản.

Câu hỏi về sentiment analysis (phân tích cảm xúc), ứng dụng quan trọng của NLP trong kinh doanh. Sentiment analysis xác định thái độ, cảm xúc (tích cực, tiêu cực, trung lập) được thể hiện trong văn bản.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 29: Để so sánh hiệu quả của hai mô hình phân loại khách hàng (Mô hình A và Mô hình B), tiêu chí nào sau đây thường được ưu tiên sử dụng nếu bài toán đặt nặng việc giảm thiểu lỗi 'dương tính giả' (false positive - ví dụ: dự đoán khách hàng có nguy cơ bỏ đi nhưng thực tế không phải)?

Độ Recall (Recall)

Độ Accuracy (Accuracy)

Độ chính xác (Precision)

Độ đo F1 (F1-score)

Câu hỏi về lựa chọn tiêu chí đánh giá mô hình phân loại dựa trên mục tiêu cụ thể. Nếu mục tiêu là giảm thiểu False Positive, thì Precision là chỉ số quan trọng hơn Recall. Precision cao nghĩa là khi mô hình dự đoán dương tính, độ tin cậy của dự đoán đó cao.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 09

Câu 30: Trong bài toán dự báo giá nhà, việc sử dụng thêm các biến kinh tế vĩ mô (lãi suất, GDP, tỷ lệ thất nghiệp...) bên cạnh các thuộc tính của ngôi nhà (diện tích, vị trí, số phòng ngủ...) thể hiện điều gì trong quá trình xây dựng mô hình?

Tăng độ phức tạp của mô hình.

Giảm thiểu hiện tượng đa cộng tuyến (multicollinearity).

Đơn giản hóa quá trình thu thập dữ liệu.

Nâng cao chất lượng dữ liệu đầu vào và khả năng dự đoán của mô hình bằng cách xem xét các yếu tố kinh tế vĩ mô ảnh hưởng đến giá nhà.

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 kỹ năng feature engineering và tầm quan trọng của việc chọn lọc và bổ sung thuộc tính (features) phù hợp. Việc thêm biến kinh tế vĩ mô thể hiện sự hiểu biết về bối cảnh kinh doanh và nỗ lực cải thiện chất lượng dữ liệu đầu vào cho 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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 10

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 1: Mục tiêu cốt lõi nhất của việc ứng dụng Khoa học dữ liệu trong kinh tế và kinh doanh là gì?

Thu thập và lưu trữ lượng lớn dữ liệu từ nhiều nguồn khác nhau.

Tạo ra các báo cáo thống kê mô tả về tình hình kinh doanh hiện tại.

Tự động hóa các quy trình nhập liệu và làm sạch dữ liệu.

Chuyển đổi dữ liệu thành thông tin chi tiết có giá trị để hỗ trợ ra quyết định và cải thiện hiệu suất.

Khoa học dữ liệu trong kinh doanh hướng tới việc chuyển đổi dữ liệu thành thông tin chi tiết có thể hành động (actionable insights) để hỗ trợ ra quyết định chiến lược, cải thiện hiệu quả hoạt động và tạo lợi thế cạnh tranh.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 2: Một công ty bán lẻ muốn cá nhân hóa trải nghiệm mua sắm trực tuyến cho khách hàng bằng cách nhóm họ lại dựa trên hành vi mua hàng, lịch sử duyệt web và dữ liệu nhân khẩu học. Kỹ thuật Khoa học dữ liệu nào phù hợp nhất cho mục tiêu này?

Phân cụm (Clustering)

Hồi quy (Regression)

Phân lớp (Classification)

Phân tích chuỗi thời gian (Time Series Analysis)

Việc nhóm khách hàng dựa trên sự tương đồng về đặc điểm hoặc hành vi mà không có nhãn (label) định trước là bản chất của bài toán phân cụm (clustering), thuộc nhóm học không giám sát.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 3: Một ngân hàng phát triển mô hình để dự đoán khả năng một khách hàng hiện tại sẽ rời bỏ (churn) dịch vụ trong 6 tháng tới. Đây là ví dụ về bài toán học máy thuộc loại nào?

Hồi quy (Regression)

Phân lớp (Classification)

Phân cụm (Clustering)

Phân tích luật kết hợp (Association Rule Mining)

Bài toán dự đoán một kết quả rời rạc (khách hàng có rời bỏ hay không) dựa trên dữ liệu có nhãn (lịch sử khách hàng) là bài toán phân lớp (classification), thuộc nhóm học có giám sát.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 4: Trong quy trình xử lý dữ liệu trước khi xây dựng mô hình, bước nào liên quan đến việc xử lý các giá trị bị thiếu, làm mịn dữ liệu nhiễu và xác định/loại bỏ các giá trị ngoại lai?

Tích hợp dữ liệu (Data Integration)

Rút gọn dữ liệu (Data Reduction)

Làm sạch dữ liệu (Data Cleaning)

Chuyển đổi dữ liệu (Data Transformation)

Làm sạch dữ liệu (Data Cleaning) là bước tập trung vào việc xử lý các vấn đề về chất lượng dữ liệu như giá trị thiếu, nhiễu và ngoại lai để đảm bảo dữ liệu sẵn sàng cho phân tích và mô hình hóa.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 5: Một công ty thương mại điện tử muốn tìm hiểu những sản phẩm nào thường được mua cùng nhau để cải thiện cách bố trí cửa hàng hoặc đưa ra các gói khuyến mãi. Kỹ thuật Khoa học dữ liệu nào là phù hợp nhất?

Phân lớp (Classification)

Hồi quy (Regression)

Phân cụm (Clustering)

Phân tích luật kết hợp (Association Rule Mining)

Phân tích luật kết hợp (Association Rule Mining), đặc biệt là thuật toán Apriori, thường được sử dụng trong phân tích giỏ hàng (market basket analysis) để tìm ra các mối quan hệ 'nếu-thì' giữa các sản phẩm.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 6: Khi đánh giá một mô hình phân lớp dự đoán giao dịch gian lận, chỉ số nào đo lường tỷ lệ các giao dịch được dự đoán là gian lận thực sự là gian lận?

Precision

Recall

Accuracy

F1-score

Precision (Độ chính xác) đo lường tỷ lệ các trường hợp được phân loại là tích cực (positive) mà thực sự là tích cực (True Positives / (True Positives + False Positives)). Trong ngữ cảnh gian lận, nó là tỷ lệ các cảnh báo gian lận thực sự chính xác.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 7: Tiếp nối câu 6, chỉ số nào đo lường tỷ lệ các giao dịch gian lận thực tế được mô hình phát hiện ra?

Precision

Recall

Accuracy

F1-score

Recall (Độ phủ) đo lường tỷ lệ các trường hợp tích cực thực sự được mô hình phát hiện (True Positives / (True Positives + False Negatives)). Trong ngữ cảnh gian lận, nó là tỷ lệ các giao dịch gian lận thực tế mà mô hình không bỏ sót.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 8: Trong ma trận nhầm lẫn (confusion matrix) cho bài toán phân lớp nhị phân (Positive/Negative), ô 'False Positive' (FP) đại diện cho điều gì?

Số lượng mẫu thực sự là Tích cực và được dự đoán là Tích cực.

Số lượng mẫu thực sự là Tiêu cực và được dự đoán là Tiêu cực.

Số lượng mẫu thực sự là Tiêu cực nhưng bị dự đoán nhầm là Tích cực.

Số lượng mẫu thực sự là Tích cực nhưng bị dự đoán nhầm là Tiêu cực.

False Positive là trường hợp mô hình dự đoán là tích cực (Positive) nhưng thực tế lại là tiêu cực (Negative).

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 9: Một công ty muốn dự báo doanh số bán hàng của sản phẩm A trong quý tới dựa trên dữ liệu bán hàng lịch sử hàng tháng. Kỹ thuật Khoa học dữ liệu nào là phù hợp nhất?

Phân cụm (Clustering)

Phân lớp (Classification)

Phân tích luật kết hợp (Association Rule Mining)

Phân tích chuỗi thời gian (Time Series Analysis)

Dự báo giá trị (doanh số) theo thời gian là bài toán dự báo chuỗi thời gian (Time Series Forecasting).

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 10: Dữ liệu về 'Loại hình thanh toán' (ví dụ: Tiền mặt, Thẻ tín dụng, Chuyển khoản) là kiểu dữ liệu nào?

Định danh (Nominal/Categorical)

Thứ tự (Ordinal)

Khoảng (Interval)

Tỷ lệ (Ratio)

Kiểu dữ liệu định danh (Nominal/Categorical) biểu thị các loại hoặc danh mục mà không có thứ tự nội tại. Các phương thức thanh toán là các danh mục riêng biệt.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 11: Khi chuẩn bị dữ liệu cho một số thuật toán học máy (ví dụ: SVM, Mạng nơ-ron), việc chuẩn hóa (scaling) các đặc trưng số về cùng một phạm vi giá trị là quan trọng. Mục đích chính của việc này là gì?

Giảm số lượng đặc trưng (features) trong tập dữ liệu.

Ngăn các đặc trưng có giá trị lớn chiếm ưu thế trong quá trình huấn luyện mô hình.

Chuyển đổi dữ liệu số thành dữ liệu phân loại.

Xử lý các giá trị ngoại lai (outliers) trong dữ liệu.

Nhiều thuật toán học máy nhạy cảm với thang đo của dữ liệu. Chuẩn hóa giúp các đặc trưng có ảnh hưởng tương đương trong quá trình huấn luyện mô hình, tránh việc các đặc trưng có giá trị lớn hơn chiếm ưu thế một cách không cần thiết.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 12: Hiện tượng mô hình học máy hoạt động rất tốt trên tập dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới chưa từng thấy được gọi là gì?

Underfitting (Dưới khớp)

Bias (Thiên lệch)

Overfitting (Quá khớp)

Variance (Phương sai)

Overfitting (Quá khớp) xảy ra khi mô hình học quá chi tiết các mẫu ngẫu nhiên hoặc nhiễu trong dữ liệu huấn luyện, làm giảm khả năng tổng quát hóa trên dữ liệu mới.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 13: Kỹ thuật nào sau đây thường được sử dụng để giảm thiểu hiện tượng overfitting?

Tăng độ phức tạp của mô hình.

Sử dụng toàn bộ dữ liệu có sẵn làm tập huấn luyện.

Giảm số lượng dữ liệu huấn luyện.

Sử dụng kiểm định chéo (Cross-validation).

Các kỹ thuật như Regularization (chính quy hóa), Cross-validation (kiểm định chéo), Pruning (cắt tỉa cây quyết định), thêm dữ liệu huấn luyện, và giảm số lượng đặc trưng/độ phức tạp của mô hình đều giúp chống overfitting. Kiểm định chéo là một phương pháp đánh giá robust giúp phát hiện overfitting.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 14: Một công ty viễn thông muốn phân tích các cuộc gọi đến tổng đài để hiểu rõ hơn về các vấn đề khách hàng gặp phải và cải thiện dịch vụ. Loại dữ liệu này (các bản ghi âm cuộc gọi, nội dung cuộc trò chuyện) thuộc nhóm nào trong 4 'V' của Big Data?

Volume (Khối lượng)

Variety (Đa dạng)

Velocity (Tốc độ)

Veracity (Tính xác thực)

Các bản ghi âm, văn bản cuộc trò chuyện là dữ liệu phi cấu trúc, đa dạng về định dạng và nội dung, thể hiện tính Variety (Đa dạng) của Big Data.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 15: Khi xây dựng mô hình dự báo giá nhà, đặc trưng 'Diện tích' (đơn vị m2) và 'Số phòng ngủ' là kiểu dữ liệu nào?

Định danh và Thứ tự

Thứ tự và Liên tục

Rời rạc và Định danh

Liên tục và Rời rạc

'Diện tích' là dữ liệu liên tục (có thể có bất kỳ giá trị nào trong một khoảng), 'Số phòng ngủ' là dữ liệu rời rạc (chỉ nhận các giá trị nguyên). Cả hai đều là kiểu số học (Numerical).

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 16: Tại sao việc hiểu rõ nghiệp vụ kinh doanh (business domain knowledge) lại quan trọng đối với một nhà khoa học dữ liệu?

Nó chỉ cần thiết cho các nhà quản lý, không phải người làm kỹ thuật.

Nó giúp tự động hóa hoàn toàn quá trình làm sạch dữ liệu.

Nó giúp xác định vấn đề cần giải quyết, hiểu dữ liệu và diễn giải kết quả trong bối cảnh kinh doanh.

Nó chủ yếu cần thiết để lựa chọn thuật toán phức tạp nhất.

Kiến thức nghiệp vụ giúp nhà khoa học dữ liệu hiểu ngữ cảnh của dữ liệu, đặt câu hỏi đúng, lựa chọn đặc trưng phù hợp, diễn giải kết quả mô hình một cách có ý nghĩa và đảm bảo giải pháp mang lại giá trị thực tế cho doanh nghiệp.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 17: Phương pháp nào sau đây KHÔNG phải là một cách phổ biến để xử lý các giá trị thiếu (missing values) trong tập dữ liệu?

Loại bỏ các hàng hoặc cột chứa giá trị thiếu.

Điền giá trị thiếu bằng giá trị trung bình (mean), trung vị (median) hoặc mode.

Điền giá trị thiếu bằng một giá trị hằng số đặc biệt (ví dụ: 0 hoặc -1).

Chuẩn hóa (Scaling) dữ liệu.

Chuẩn hóa (Scaling) là kỹ thuật biến đổi thang đo dữ liệu, không phải là phương pháp xử lý giá trị thiếu.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 18: Khi phân tích dữ liệu khách hàng, 'Điểm hài lòng' được đánh giá trên thang điểm từ 1 đến 5. Đây là kiểu dữ liệu nào?

Định danh (Nominal/Categorical)

Thứ tự (Ordinal)

Liên tục (Continuous)

Rời rạc (Discrete)

Dữ liệu có thứ tự (Ordinal) là dữ liệu phân loại có thứ tự rõ ràng giữa các danh mục, nhưng khoảng cách giữa các danh mục không nhất thiết bằng nhau hoặc có ý nghĩa cụ thể. Điểm hài lòng 1-5 có thứ tự (5 > 4 > ... > 1) nhưng sự khác biệt giữa 4 và 5 có thể không giống sự khác biệt giữa 1 và 2.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 19: Một công ty sử dụng mô hình phân lớp để quyết định có nên chấp nhận đơn xin vay tín dụng của một cá nhân hay không. Nếu mô hình có thiên lệch (bias) dựa trên yếu tố chủng tộc hoặc giới tính (ngay cả khi không sử dụng trực tiếp các đặc trưng này), điều này đặt ra vấn đề gì nghiêm trọng?

Đạo đức và Công bằng (Ethics and Fairness)

Hiệu suất mô hình (Model Performance)

Chi phí tính toán (Computational Cost)

Khả năng mở rộng (Scalability)

Việc mô hình đưa ra quyết định không công bằng dựa trên các đặc điểm nhạy cảm như chủng tộc, giới tính là vấn đề về Đạo đức và Công bằng (Ethics and Fairness) trong AI/Khoa học dữ liệu.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 20: Trong mô hình hồi quy tuyến tính dự đoán doanh số (Sales) dựa trên chi phí quảng cáo (Advertising Cost), hệ số (coefficient) của 'Advertising Cost' là 0.5. Điều này có ý nghĩa gì?

Khi chi phí quảng cáo tăng 1%, doanh số tăng 0.5%.

Khi chi phí quảng cáo tăng 0.5 đơn vị, doanh số tăng 1 đơn vị.

Mô hình giải thích 50% sự thay đổi của doanh số.

Khi chi phí quảng cáo tăng thêm 1 đơn vị, doanh số trung bình được dự đoán tăng thêm 0.5 đơn vị.

Trong hồi quy tuyến tính, hệ số của một biến độc lập biểu thị sự thay đổi trung bình của biến phụ thuộc khi biến độc lập đó tăng thêm một đơn vị, giữ nguyên các biến khác. Hệ số 0.5 nghĩa là khi chi phí quảng cáo tăng 1 đơn vị, doanh số trung bình được dự đoán tăng 0.5 đơn vị.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 21: Kỹ thuật 'One-Hot Encoding' thường được sử dụng để xử lý kiểu dữ liệu nào trước khi đưa vào các mô hình học máy yêu cầu đầu vào số?

Dữ liệu định danh (Nominal/Categorical)

Dữ liệu số liên tục (Continuous Numerical)

Dữ liệu số rời rạc (Discrete Numerical)

Dữ liệu chuỗi thời gian (Time Series Data)

One-Hot Encoding chuyển đổi các biến phân loại (Categorical/Nominal) thành dạng biểu diễn nhị phân (vector các 0 và 1), giúp các mô hình có thể xử lý được các đặc trưng này.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 22: Khi thực hiện phân tích dữ liệu khám phá (Exploratory Data Analysis - EDA), mục đích chính là gì?

Xây dựng và huấn luyện mô hình học máy cuối cùng.

Tìm hiểu cấu trúc, đặc điểm của dữ liệu, phát hiện mẫu và các vấn đề tiềm ẩn.

Triển khai mô hình vào môi trường sản phẩm.

Chỉ đơn giản là tạo các biểu đồ đẹp mắt.

EDA là giai đoạn ban đầu để hiểu cấu trúc dữ liệu, tóm tắt các đặc điểm chính, phát hiện các mẫu, ngoại lai và các vấn đề khác, thường sử dụng các kỹ thuật thống kê mô tả và trực quan hóa.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 23: Một công ty muốn dự đoán giá trị tài sản ròng (Net Worth) của một cá nhân dựa trên các đặc điểm tài chính và nhân khẩu học của họ. Đây là ví dụ về bài toán học máy thuộc loại nào?

Hồi quy (Regression)

Phân lớp (Classification)

Phân cụm (Clustering)

Phân tích giảm chiều (Dimensionality Reduction)

Dự đoán một giá trị số liên tục (Net Worth) dựa trên các đặc trưng đầu vào là bài toán hồi quy (Regression), thuộc nhóm học có giám sát.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 24: Giả sử bạn đã xây dựng một mô hình phân lớp khách hàng và đạt được Accuracy là 95%. Tuy nhiên, tập dữ liệu của bạn có tỷ lệ khách hàng thuộc lớp mục tiêu (ví dụ: khách hàng cao cấp) chỉ chiếm 2%. Tại sao Accuracy có thể không phải là chỉ số tốt nhất để đánh giá mô hình này?

Accuracy chỉ phù hợp cho bài toán hồi quy.

Accuracy không thể tính được khi có dữ liệu mất cân bằng.

Accuracy có thể cao ngay cả khi mô hình hoạt động kém trên lớp thiểu số (lớp mục tiêu).

Accuracy quá cao thường là dấu hiệu của overfitting.

Trong tập dữ liệu mất cân bằng (imbalanced dataset), Accuracy cao có thể đạt được chỉ bằng cách dự đoán đa số các trường hợp thuộc lớp chiếm tỷ lệ lớn. Nó không phản ánh khả năng mô hình nhận diện đúng các trường hợp thuộc lớp thiểu số quan trọng. Các chỉ số như Precision, Recall, F1-score cho từng lớp hoặc AUC-ROC là phù hợp hơn.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 25: Phương pháp trực quan hóa dữ liệu nào phù hợp nhất để hiển thị mối quan hệ giữa hai biến số liên tục (ví dụ: Chiều cao và Cân nặng)?

Biểu đồ cột (Bar Chart)

Biểu đồ phân tán (Scatter Plot)

Biểu đồ tròn (Pie Chart)

Biểu đồ đường (Line Chart)

Biểu đồ phân tán (Scatter Plot) được sử dụng để hiển thị mối quan hệ giữa hai biến số số học, mỗi điểm trên biểu đồ đại diện cho một quan sát với giá trị của hai biến trên hai trục tọa độ.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 26: Kỹ thuật nào trong tiền xử lý dữ liệu giúp giảm số lượng đặc trưng (variables) bằng cách tạo ra các đặc trưng tổng hợp mới ít hơn, đồng thời giữ lại phần lớn thông tin ban đầu?

Xử lý giá trị thiếu (Missing Value Imputation)

Chuẩn hóa dữ liệu (Data Scaling)

Phân tích giảm chiều (Dimensionality Reduction)

Mã hóa One-Hot (One-Hot Encoding)

Phân tích giảm chiều (Dimensionality Reduction) là kỹ thuật nhằm giảm số lượng đặc trưng, giúp mô hình đơn giản hơn, giảm nhiễu và tốc độ tính toán nhanh hơn. PCA là một phương pháp phổ biến của giảm chiều.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 27: Khi so sánh Business Intelligence (BI) và Khoa học dữ liệu (Data Science), điểm khác biệt chính thường nằm ở đâu?

BI chủ yếu tập trung vào báo cáo quá khứ/hiện tại, trong khi Khoa học dữ liệu tập trung vào dự đoán và khám phá.

BI chỉ sử dụng dữ liệu cấu trúc, trong khi Khoa học dữ liệu chỉ sử dụng dữ liệu phi cấu trúc.

BI không sử dụng bất kỳ thuật toán thống kê nào, trong khi Khoa học dữ liệu chỉ sử dụng thuật toán phức tạp.

BI yêu cầu kỹ năng lập trình nâng cao, trong khi Khoa học dữ liệu thì không.

BI tập trung vào việc phân tích dữ liệu lịch sử để hiểu điều gì đã xảy ra và đang xảy ra (báo cáo, dashboard), trong khi Khoa học dữ liệu tập trung vào việc dự đoán điều gì sẽ xảy ra (mô hình dự báo) và khám phá các insight mới (phân tích nâng cao).

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 28: Trong phân tích chuỗi thời gian, thành phần nào biểu thị sự biến động lặp đi lặp lại trong một khoảng thời gian cố định (ví dụ: hàng ngày, hàng tuần, hàng quý)?

Xu hướng (Trend)

Tính chu kỳ (Cyclical)

Tính mùa vụ (Seasonality)

Phần dư (Residual)

Trong phân tích chuỗi thời gian, các thành phần chính bao gồm Xu hướng (Trend), Tính mùa vụ (Seasonality), Tính chu kỳ (Cyclical) và Phần dư (Residual/Irregular). Tính mùa vụ biểu thị các biến động lặp lại theo chu kỳ cố định.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 29: Một công ty bảo hiểm muốn sử dụng Khoa học dữ liệu để phát hiện các yêu cầu bồi thường gian lận. Trong trường hợp này, hậu quả của việc bỏ sót một yêu cầu gian lận (False Negative) thường nghiêm trọng hơn hậu quả của việc gắn cờ nhầm một yêu cầu hợp lệ là gian lận (False Positive). Chỉ số đánh giá nào nên được ưu tiên tối ưu?

Precision

Recall

Accuracy

Specificity

False Negative (bỏ sót gian lận) gây tổn thất tài chính trực tiếp. Để giảm thiểu False Negative, cần tối ưu hóa Recall (Độ phủ), vì Recall đo lường tỷ lệ các trường hợp tích cực thực tế được phát hiện. Mặc dù Precision cũng quan trọng để tránh làm phiền khách hàng trung thực, việc bỏ sót gian lận có chi phí cao hơn trong ngữ cảnh này.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 10

Câu 30: Khi trực quan hóa dữ liệu, biểu đồ nào phù hợp nhất để so sánh phân phối của một biến số số học (ví dụ: tuổi khách hàng) giữa nhiều nhóm khác nhau (ví dụ: theo vùng miền)?

Biểu đồ cột (Bar Chart)

Biểu đồ đường (Line Chart)

Biểu đồ phân tán (Scatter Plot)

Biểu đồ hộp (Box Plot)

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.

Biểu đồ hộp (Box Plot) là công cụ hiệu quả để so sánh phân phối của một biến liên tục hoặc rời rạc giữa các nhóm phân loại. Nó hiển thị trung vị, tứ phân vị và các giá trị ngoại lai, giúp dễ dàng so sánh sự khác biệt về phân bố.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 11

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 1: Một công ty thương mại điện tử muốn phân tích hành vi mua sắm của khách hàng để đưa ra các chiến dịch marketing cá nhân hóa. Họ thu thập dữ liệu về lịch sử mua hàng, lượt xem sản phẩm, thông tin nhân khẩu học và hoạt động trên website. Bước đầu tiên và quan trọng nhất trong quy trình khoa học dữ liệu mà công ty cần thực hiện là gì?

Hiểu rõ mục tiêu kinh doanh và xác định bài toán dữ liệu phù hợp.

Thu thập và làm sạch tất cả dữ liệu có sẵn.

Xây dựng mô hình dự đoán hành vi khách hàng ngay lập tức.

Trực quan hóa dữ liệu để tìm kiếm các xu hướng ban đầu.

Bước đầu tiên trong mọi quy trình khoa học dữ liệu (như CRISP-DM) là hiểu rõ vấn đề kinh doanh và mục tiêu (Business Understanding). Việc thu thập dữ liệu là một phần của Data Understanding hoặc Data Preparation, nhưng phải xuất phát từ việc hiểu rõ mục tiêu kinh doanh.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 2: Một nhà bán lẻ phân tích dữ liệu giao dịch để tìm ra các mặt hàng thường được mua cùng nhau nhằm tối ưu hóa cách trưng bày sản phẩm và chiến lược khuyến mãi. Kỹ thuật khai phá dữ liệu nào phù hợp nhất cho mục tiêu này?

Phân lớp (Classification)

Hồi quy (Regression)

Gom cụm (Clustering)

Luật kết hợp (Association Rule Mining)

Tìm kiếm các mặt hàng thường được mua cùng nhau (ví dụ: 'khách hàng mua bỉm thường mua thêm sữa') là ứng dụng điển hình của phân tích luật kết hợp (Association Rule Mining), thường được biết đến qua bài toán 'Market Basket Analysis'.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 3: Một ngân hàng muốn xây dựng mô hình để dự đoán khả năng một khách hàng cá nhân sẽ vỡ nợ khoản vay dựa trên lịch sử tín dụng, thu nhập, tuổi, v.v. Đây là bài toán dữ liệu thuộc loại nào?

Phân lớp (Classification)

Hồi quy (Regression)

Gom cụm (Clustering)

Phân tích chuỗi thời gian (Time Series Analysis)

Bài toán dự đoán một kết quả rời rạc (vỡ nợ/không vỡ nợ) dựa trên các đặc điểm của đối tượng là bài toán phân lớp (Classification).

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 4: Khi xây dựng mô hình dự đoán giá nhà dựa trên diện tích, số phòng ngủ, vị trí, v.v., kết quả dự đoán là một giá trị số liên tục. Đây là bài toán dữ liệu thuộc loại nào?

Phân lớp (Classification)

Hồi quy (Regression)

Gom cụm (Clustering)

Phân tích luật kết hợp (Association Rule Mining)

Bài toán dự đoán một giá trị số liên tục (như giá nhà, doanh thu, nhiệt độ) dựa trên các biến đầu vào là bài toán hồi quy (Regression).

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 5: Một nhà mạng di động muốn phân nhóm khách hàng dựa trên hành vi sử dụng dịch vụ (thời lượng gọi, lượng data, loại gói cước, v.v.) để thiết kế các gói cước và chương trình khuyến mãi phù hợp cho từng nhóm. Kỹ thuật khai phá dữ liệu nào phù hợp nhất cho mục tiêu này?

Phân lớp (Classification)

Hồi quy (Regression)

Gom cụm (Clustering)

Phân tích luật kết hợp (Association Rule Mining)

Việc nhóm các đối tượng (khách hàng) có đặc điểm tương tự nhau thành các nhóm (cụm) là mục tiêu chính của kỹ thuật gom cụm (Clustering).

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 6: Dữ liệu về 'Doanh thu hàng tháng' của một cửa hàng trong 5 năm qua là ví dụ về loại dữ liệu nào thường đòi hỏi các kỹ thuật phân tích chuyên biệt?

Dữ liệu cấu trúc (Structured Data)

Dữ liệu chuỗi thời gian (Time Series Data)

Dữ liệu phi cấu trúc (Unstructured Data)

Dữ liệu bán cấu trúc (Semi-structured Data)

Dữ liệu được ghi lại theo thứ tự thời gian và có tính phụ thuộc giữa các điểm dữ liệu liên tiếp (ví dụ: doanh thu tháng này có thể ảnh hưởng bởi tháng trước) là dữ liệu chuỗi thời gian (Time Series Data).

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 7: Khi làm việc với bộ dữ liệu về khách hàng, cột 'Giới tính' có các giá trị 'Nam', 'Nữ', 'Khác'. Đây là thuộc tính thuộc kiểu dữ liệu nào?

Số liên tục (Continuous)

Số rời rạc (Discrete)

Thứ tự (Ordinal)

Định danh (Nominal/Categorical)

Kiểu dữ liệu chỉ định danh (Nominal/Categorical) là các giá trị phân loại không có thứ tự nội tại.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 8: Cột 'Mức độ hài lòng' của khách hàng được đánh giá theo thang điểm 'Rất không hài lòng', 'Không hài lòng', 'Bình thường', 'Hài lòng', 'Rất hài lòng'. Đây là thuộc tính thuộc kiểu dữ liệu nào?

Số liên tục (Continuous)

Số rời rạc (Discrete)

Thứ tự (Ordinal)

Định danh (Nominal/Categorical)

Kiểu dữ liệu thứ tự (Ordinal) là các giá trị phân loại có thứ tự nội tại, nhưng khoảng cách giữa các giá trị không nhất thiết bằng nhau.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 9: Trong quá trình tiền xử lý dữ liệu, việc thay thế các giá trị thiếu bằng giá trị trung bình, trung vị, hoặc giá trị phổ biến nhất của thuộc tính đó được gọi là gì?

Điền khuyết (Imputation)

Rời rạc hóa (Discretization)

Chuẩn hóa (Normalization)

Rút gọn dữ liệu (Data Reduction)

Thay thế các giá trị thiếu bằng một giá trị ước tính là một kỹ thuật phổ biến để xử lý dữ liệu thiếu, được gọi là Imputation.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 10: Một công ty muốn xây dựng mô hình phân loại email thành 'spam' và 'không spam'. Sau khi huấn luyện mô hình, họ thu được ma trận nhầm lẫn (Confusion Matrix) như sau (dòng: nhãn thực tế, cột: nhãn dự đoán):

| | Dự đoán Spam | Dự đoán Không Spam |
|-----------|--------------|-------------------|
| Thực tế Spam | 950 | 50 |
| Thực tế Không Spam | 20 | 1000 |

Độ chính xác (Accuracy) của mô hình này là bao nhiêu?

95%

98%

Khoảng 96.5%

Không thể tính được từ ma trận nhầm lẫn.

Accuracy = (Số lượng dự đoán đúng) / (Tổng số lượng mẫu) = (True Positives + True Negatives) / (Tổng số mẫu). Từ ma trận: TP=950, TN=1000, FP=20, FN=50. Tổng số mẫu = 950+50+20+1000 = 2020. Accuracy = (950 + 1000) / 2020 = 1950 / 2020 ≈ 0.9653.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 11: Dựa trên ma trận nhầm lẫn ở Câu 10, Tỷ lệ dương tính đúng (True Positive Rate - TPR, hay Recall/Sensitivity) đối với lớp 'spam' là bao nhiêu?

95%

97.9%

98.04%

TPR (Recall) cho lớp 'spam' = (Số lượng spam dự đoán đúng là spam) / (Tổng số lượng spam thực tế) = TP / (TP + FN). Từ ma trận: TP=950, FN=50. Tổng số spam thực tế = 950 + 50 = 1000. TPR = 950 / 1000 = 0.95 hay 95%.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 12: Dựa trên ma trận nhầm lẫn ở Câu 10, Tỷ lệ âm tính đúng (True Negative Rate - TNR, hay Specificity) đối với lớp 'không spam' là bao nhiêu?

95%

97.9%

Khoảng 98.04%

TNR (Specificity) cho lớp 'không spam' = (Số lượng không spam dự đoán đúng là không spam) / (Tổng số lượng không spam thực tế) = TN / (TN + FP). Từ ma trận: TN=1000, FP=20. Tổng số không spam thực tế = 20 + 1000 = 1020. TNR = 1000 / 1020 ≈ 0.9804 hay 98.04%.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 13: Khi mô hình phân loại đạt độ chính xác (Accuracy) rất cao trên tập dữ liệu huấn luyện nhưng lại rất thấp trên tập dữ liệu kiểm thử, hiện tượng này được gọi là gì?

Quá khớp (Overfitting)

Thiếu khớp (Underfitting)

Cân bằng dữ liệu (Data Balancing)

Tiền xử lý dữ liệu (Data Preprocessing)

Hiện tượng mô hình học quá sát với dữ liệu huấn luyện (bao gồm cả nhiễu) dẫn đến khả năng tổng quát hóa kém trên dữ liệu mới được gọi là quá khớp (Overfitting).

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 14: Phương pháp đánh giá mô hình nào sau đây chia tập dữ liệu thành k phần bằng nhau, sử dụng k-1 phần để huấn luyện và 1 phần còn lại để kiểm thử, lặp lại k lần với mỗi phần được dùng làm tập kiểm thử một lần, sau đó tính trung bình kết quả?

Chia tập huấn luyện/kiểm thử cố định (Hold-out)

Đánh giá chéo k lần (k-fold cross-validation)

Bootstrapping

Validation Set Approach

Đây là mô tả chính xác của phương pháp đánh giá chéo k lần (k-fold cross-validation), một kỹ thuật phổ biến để có ước lượng đáng tin cậy hơn về hiệu suất mô hình trên dữ liệu chưa thấy.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 15: Một công ty tài chính muốn phân tích rủi ro tín dụng của các khách hàng doanh nghiệp. Họ có dữ liệu về báo cáo tài chính, lịch sử vay trả, ngành nghề, v.v. Đặc điểm nào sau đây trong dữ liệu có khả năng là một 'ngoại lai' (outlier) cần được xử lý cẩn thận?

Doanh nghiệp hoạt động trong ngành xây dựng.

Tỷ lệ nợ trên vốn chủ sở hữu trong khoảng thông thường của ngành.

Một khoản nợ xấu có giá trị cực lớn, gấp nhiều lần giá trị trung bình của các khoản nợ xấu khác.

Lịch sử vay trả đều đặn trong 5 năm qua.

Ngoại lai là các điểm dữ liệu khác biệt đáng kể so với phần lớn dữ liệu còn lại. Một khoản nợ xấu có giá trị gấp hàng trăm, hàng nghìn lần các khoản nợ xấu thông thường chắc chắn là một ngoại lai và có thể ảnh hưởng lớn đến kết quả phân tích.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 16: Khi trực quan hóa dữ liệu về doanh thu hàng tháng của một sản phẩm trong 3 năm, loại biểu đồ nào phù hợp nhất để thể hiện xu hướng và tính thời vụ?

Biểu đồ đường (Line chart)

Biểu đồ cột (Bar chart)

Biểu đồ tròn (Pie chart)

Biểu đồ phân tán (Scatter plot)

Biểu đồ đường (Line chart) là lựa chọn tốt nhất để hiển thị dữ liệu theo thời gian, giúp dễ dàng nhận thấy xu hướng tăng/giảm và các mẫu lặp lại theo mùa (tính thời vụ).

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 17: Một nhà phân tích dữ liệu đang chuẩn bị dữ liệu cho mô hình hồi quy dự đoán giá cổ phiếu. Cột 'Khối lượng giao dịch' có giá trị trải dài từ vài trăm đến hàng triệu cổ phiếu. Việc áp dụng phép biến đổi logarit (log transformation) cho cột này có thể mang lại lợi ích gì?

Giảm số lượng giá trị thiếu.

Giảm độ lệch của dữ liệu và làm cho phân phối gần với phân phối chuẩn hơn.

Chuyển dữ liệu từ kiểu số sang kiểu định danh.

Tạo ra các biến mới từ biến gốc.

Biến đổi logarit thường được sử dụng để giảm độ lệch (skewness) của dữ liệu có phân phối lệch phải (positive skew), nén khoảng giá trị lớn và làm cho phân phối gần với phân phối chuẩn hơn, giúp cải thiện hiệu suất của một số mô hình hồi quy.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 18: Trong bài toán phân lớp khách hàng tiềm năng (có mua/không mua), nếu tập dữ liệu có số lượng khách hàng 'không mua' (lớp âm) lớn gấp 10 lần số lượng khách hàng 'có mua' (lớp dương), đây là vấn đề gì và có thể dẫn đến hậu quả gì?

Dữ liệu mất cân bằng (Imbalanced Data), khiến mô hình có xu hướng dự đoán thiên về lớp đa số.

Dữ liệu thiếu (Missing Data), ảnh hưởng đến tính đầy đủ của thông tin.

Ngoại lai (Outliers), làm sai lệch kết quả thống kê mô tả.

Đa cộng tuyến (Multicollinearity), gây khó khăn trong việc giải thích mô hình hồi quy.

Khi số lượng mẫu của một lớp (lớp dương) ít hơn đáng kể so với lớp khác (lớp âm), đây là vấn đề dữ liệu mất cân bằng (Imbalanced Data). Mô hình huấn luyện trên dữ liệu này có xu hướng thiên về lớp đa số (lớp âm), dẫn đến việc dự đoán sai lớp thiểu số (lớp dương) nhiều hơn.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 19: Phương pháp nào sau đây thường được sử dụng để xử lý vấn đề dữ liệu mất cân bằng bằng cách tạo thêm các mẫu tổng hợp cho lớp thiểu số?

Loại bỏ ngoại lai (Outlier Removal)

Chuẩn hóa (Normalization)

SMOTE (Synthetic Minority Over-sampling Technique)

Giảm chiều dữ liệu (Dimensionality Reduction)

SMOTE (Synthetic Minority Over-sampling Technique) là một kỹ thuật phổ biến để xử lý dữ liệu mất cân bằng bằng cách tạo ra các mẫu dữ liệu tổng hợp cho lớp thiểu số dựa trên các mẫu hiện có của lớp đó.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 20: Một nhà quản lý marketing muốn biết các yếu tố nào (tuổi, giới tính, thu nhập, nghề nghiệp, v.v.) ảnh hưởng mạnh nhất đến quyết định mua một sản phẩm cụ thể. Kỹ thuật mô hình hóa nào không chỉ dự đoán khả năng mua mà còn cung cấp thông tin về mức độ quan trọng của từng yếu tố?

Cây quyết định (Decision Tree)

Máy vector hỗ trợ (Support Vector Machine - SVM)

Mạng nơ-ron sâu (Deep Neural Network)

K-Means Clustering

Các mô hình như Cây quyết định (Decision Tree) hoặc Hồi quy Logistic (Logistic Regression) (khi được phân tích hệ số/độ quan trọng của biến) thường cung cấp khả năng giải thích tốt về mức độ ảnh hưởng của các yếu tố đầu vào đến kết quả dự đoán, phù hợp với mục tiêu hiểu yếu tố nào là quan trọng.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 21: Khi triển khai một mô hình dự đoán khách hàng rời bỏ dịch vụ (churn prediction), chỉ số nào sau đây quan trọng nhất đối với bộ phận chăm sóc khách hàng, những người muốn chủ động liên hệ với TẤT CẢ khách hàng có nguy cơ rời bỏ (dù có thể bao gồm một số người không thực sự rời bỏ)?

Độ chính xác (Accuracy)

Độ thu hồi (Recall/Sensitivity)

Độ chính xác dương tính (Precision)

F1-score

Bộ phận chăm sóc khách hàng muốn xác định càng nhiều khách hàng có nguy cơ rời bỏ càng tốt để chủ động can thiệp. Điều này tương ứng với việc tối ưu hóa Tỷ lệ dương tính đúng (True Positive Rate) hay Độ thu hồi (Recall), tức là tỷ lệ khách hàng thực sự rời bỏ mà mô hình dự đoán đúng là sẽ rời bỏ.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 22: Ngược lại với câu 21, nếu mô hình dự đoán khách hàng rời bỏ được sử dụng bởi bộ phận marketing để gửi các ưu đãi đặc biệt (tốn kém chi phí) chỉ cho những người *thực sự* có nguy cơ cao, chỉ số nào sau đây quan trọng nhất để đảm bảo rằng phần lớn những người nhận ưu đãi là đúng đối tượng (người thực sự sắp rời bỏ)?

Độ chính xác (Accuracy)

Độ thu hồi (Recall/Sensitivity)

Độ chính xác dương tính (Precision)

F1-score

Bộ phận marketing muốn đảm bảo rằng những người được dự đoán là có nguy cơ rời bỏ (dương tính) thực sự là người rời bỏ, để tránh lãng phí chi phí cho những người không có nguy cơ. Điều này tương ứng với việc tối ưu hóa Độ chính xác dương tính (Precision), tức là tỷ lệ những người được mô hình dự đoán là rời bỏ mà thực tế là rời bỏ.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 23: Khi so sánh hiệu suất của hai mô hình phân loại trên cùng một bài toán và tập dữ liệu, chỉ số F1-score thường được sử dụng, đặc biệt khi dữ liệu mất cân bằng. F1-score là trung bình điều hòa (harmonic mean) của hai chỉ số nào?

Accuracy và Precision

Accuracy và Recall

Specificity và Sensitivity

Precision và Recall

F1-score là thước đo kết hợp Precision và Recall, được tính bằng công thức 2 * (Precision * Recall) / (Precision + Recall). Nó hữu ích khi cần cân bằng cả hai chỉ số này.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 24: Một nhà phân tích tài chính muốn dự báo giá đóng cửa của một mã cổ phiếu cho ngày mai dựa trên dữ liệu giá lịch sử. Kỹ thuật mô hình hóa nào sau đây là phù hợp nhất?

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích luật kết hợp (Association Rule Mining)

Phân loại (Classification)

Gom cụm (Clustering)

Dự báo giá cổ phiếu dựa trên dữ liệu lịch sử là một bài toán dự báo chuỗi thời gian (Time Series Forecasting). Các kỹ thuật như ARIMA, Exponential Smoothing, hoặc các mô hình học máy chuyên biệt cho chuỗi thời gian (như LSTM) là phù hợp.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 25: Biểu đồ nào sau đây hữu ích nhất để kiểm tra mối quan hệ tuyến tính giữa hai biến số liên tục, ví dụ như 'Chi phí quảng cáo' và 'Doanh thu'?

Biểu đồ cột (Bar chart)

Biểu đồ tròn (Pie chart)

Biểu đồ phân tán (Scatter plot)

Biểu đồ hộp (Box plot)

Biểu đồ phân tán (Scatter plot) hiển thị các điểm dữ liệu trên hệ trục tọa độ, mỗi điểm biểu diễn một cặp giá trị của hai biến. Nó là công cụ lý tưởng để trực quan hóa và đánh giá mối quan hệ (bao gồm cả mối quan hệ tuyến tính) giữa hai biến số liên tục.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 26: Một công ty muốn hiểu rõ hơn về sự phân bố của biến 'Thu nhập hàng tháng' trong tập dữ liệu khách hàng của mình. Biểu đồ nào sau đây phù hợp nhất để hiển thị tần suất của các giá trị thu nhập trong các khoảng khác nhau?

Biểu đồ đường (Line chart)

Biểu đồ tần suất (Histogram)

Biểu đồ tròn (Pie chart)

Biểu đồ phân tán (Scatter plot)

Biểu đồ tần suất (Histogram) được sử dụng để hiển thị sự phân bố của một biến số liên tục bằng cách chia dữ liệu thành các khoảng (bins) và đếm số lượng quan sát trong mỗi khoảng.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 27: Khi sử dụng kỹ thuật gom cụm K-Means, điều gì xảy ra nếu bạn khởi tạo các tâm cụm (centroids) ban đầu không tốt?

Thuật toán có thể hội tụ về một cực tiểu cục bộ và cho kết quả phân cụm không tối ưu.

Thuật toán sẽ không thể hội tụ và không cho ra kết quả.

Kết quả phân cụm sẽ luôn giống nhau bất kể khởi tạo ban đầu như thế nào.

Thuật toán sẽ chạy nhanh hơn đáng kể.

K-Means là thuật toán lặp lại phụ thuộc vào vị trí khởi tạo ban đầu của các tâm cụm. Khởi tạo kém có thể khiến thuật toán hội tụ về một cực tiểu cục bộ (local minimum) thay vì cực tiểu toàn cục (global minimum), dẫn đến kết quả phân cụm không tối ưu và không ổn định khi chạy lại.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 28: Một nhà khoa học dữ liệu đang làm việc với dữ liệu khách hàng và phát hiện ra rằng một số khách hàng có giá trị mua hàng trung bình rất cao, khác biệt đáng kể so với phần lớn khách hàng còn lại. Nhóm khách hàng này có thể được xem là gì trong phân tích kinh doanh?

Khách hàng tiềm năng (Prospects)

Khách hàng rời bỏ (Churned Customers)

Ngoại lai (Outliers) cần loại bỏ khỏi mọi phân tích.

Khách hàng giá trị cao (High-Value Customers) cần phân tích và chăm sóc đặc biệt.

Trong bối cảnh kinh doanh, các khách hàng có giá trị cao và khác biệt thường được gọi là khách hàng giá trị cao (High-Value Customers) hoặc khách hàng VIP. Việc xác định và phân tích nhóm này là mục tiêu quan trọng trong phân tích RFM (Recency, Frequency, Monetary) hoặc phân khúc khách hàng.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 29: Khi trình bày kết quả phân tích dữ liệu cho các nhà quản lý không chuyên sâu về kỹ thuật, yếu tố nào sau đây là quan trọng nhất?

Giải thích chi tiết các thuật toán và thông số kỹ thuật của mô hình.

Tập trung vào các phát hiện kinh doanh có ý nghĩa và đề xuất hành động dựa trên dữ liệu.

Sử dụng các biểu đồ và thuật ngữ kỹ thuật phức tạp để thể hiện sự chuyên nghiệp.

Trình bày tất cả các bước tiền xử lý dữ liệu đã thực hiện.

Đối với đối tượng không chuyên, điều quan trọng nhất là trình bày các phát hiện (insights) và đề xuất hành động (recommendations) một cách rõ ràng, dễ hiểu và liên kết trực tiếp với mục tiêu kinh doanh ban đầu. Chi tiết kỹ thuật của mô hình thường ít quan trọng hơn.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 11

Câu 30: Một công ty sử dụng mô hình AI để tự động hóa quy trình tuyển dụng, bao gồm việc sàng lọc hồ sơ ứng viên. Nếu dữ liệu lịch sử được sử dụng để huấn luyện mô hình có sự thiên vị (bias) về giới tính hoặc chủng tộc, điều gì có khả năng xảy ra khi mô hình được đưa vào sử dụng?

Mô hình sẽ lặp lại sự thiên vị có trong dữ liệu huấn luyện, dẫn đến kết quả sàng lọc không công bằng.

Mô hình sẽ tự động loại bỏ sự thiên vị và đưa ra kết quả hoàn toàn khách quan.

Sự thiên vị trong dữ liệu huấn luyện không ảnh hưởng đến kết quả dự đoán của mô hình.

Mô hình sẽ chỉ hoạt động kém hiệu quả, không liên quan đến vấn đề công bằng.

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.

Mô hình AI học từ dữ liệu. Nếu dữ liệu huấn luyện chứa đựng sự thiên vị (ví dụ: lịch sử tuyển dụng cho thấy xu hướng ưu tiên nam giới cho vị trí X), mô hình sẽ học và lặp lại sự thiên vị đó trong quá trình sàng lọc ứng viên mới, dẫn đến kết quả không công bằng và 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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 12

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 1: Trong kinh doanh trực tuyến, việc phân tích hành vi duyệt web và lịch sử mua hàng của khách hàng để cá nhân hóa đề xuất sản phẩm là một ứng dụng của:

Thống kê mô tả

Hệ thống đề xuất

Phân tích chuỗi thời gian

Kiểm định giả thuyết

Câu hỏi này tập trung vào ứng dụng của khoa học dữ liệu trong việc cá nhân hóa trải nghiệm khách hàng, một phần quan trọng của marketing và kinh doanh trực tuyến hiện đại.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 2: Một công ty muốn dự báo doanh số bán hàng trong quý tới dựa trên dữ liệu doanh số lịch sử, chi phí quảng cáo và các yếu tố kinh tế vĩ mô. Phương pháp khoa học dữ liệu phù hợp nhất để giải quyết vấn đề này là:

Phân cụm (Clustering)

Phân loại (Classification)

Hồi quy (Regression)

Khai thác luật kết hợp (Association Rule Mining)

Câu hỏi này liên quan đến dự báo, một ứng dụng chính của khoa học dữ liệu trong kinh doanh. Hồi quy là phương pháp thích hợp để mô hình hóa mối quan hệ giữa doanh số và các yếu tố ảnh hưởng.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 3: Để phân khúc thị trường khách hàng dựa trên đặc điểm nhân khẩu học, hành vi mua sắm và sở thích sản phẩm, kỹ thuật nào trong khoa học dữ liệu thường được sử dụng?

Phân cụm (Clustering)

Phân loại (Classification)

Giảm chiều dữ liệu (Dimensionality Reduction)

Phân tích thành phần chính (Principal Component Analysis)

Câu hỏi này kiểm tra kiến thức về phân khúc thị trường, một bài toán kinh điển trong marketing, và kỹ thuật phân cụm là công cụ phù hợp để thực hiện phân khúc.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 4: Trong quản lý rủi ro tín dụng, mô hình 'credit scoring' sử dụng khoa học dữ liệu để:

Dự báo lãi suất

Dự đoán khả năng vỡ nợ của khách hàng

Tối ưu hóa danh mục đầu tư

Phát hiện gian lận giao dịch

Câu hỏi này tập trung vào ứng dụng khoa học dữ liệu trong lĩnh vực tài chính, cụ thể là đánh giá rủi ro tín dụng. Phân loại là kỹ thuật được sử dụng để dự đoán khả năng vỡ nợ.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 5: Một nhà bán lẻ muốn xác định các sản phẩm thường được mua cùng nhau để tối ưu hóa vị trí sản phẩm trên kệ hàng và tạo chương trình khuyến mãiBundle'. Kỹ thuật khai thác dữ liệu nào phù hợp nhất?

Phân tích chuỗi thời gian

Phân cụm (Clustering)

Phân tích hồi quy

Khai thác luật kết hợp (Association Rule Mining)

Câu hỏi này mô tả bài toán tìm kiếm các mối quan hệ giữa các sản phẩm trong giao dịch mua hàng, đó chính là ứng dụng của khai thác luật kết hợp.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 6: 'Bias' trong mô hình học máy, đặc biệt trong bối cảnh kinh tế và kinh doanh, có thể dẫn đến hậu quả nghiêm trọng nào?

Tăng độ chính xác của mô hình

Giảm độ phức tạp của mô hình

Quyết định kinh doanh không công bằng hoặc thiên vị

Tăng khả năng khái quát hóa của mô hình

Câu hỏi này kiểm tra sự hiểu biết về 'bias' trong học máy và tác động tiêu cực của nó trong kinh doanh, như quyết định không công bằng hoặc thiên vị.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 7: Trong việc xử lý dữ liệu văn bản từ phản hồi của khách hàng (ví dụ: đánh giá sản phẩm, bình luận trên mạng xã hội), kỹ thuật 'phân tích tình cảm' (sentiment analysis) được sử dụng để:

Xác định thái độ hoặc cảm xúc của khách hàng đối với sản phẩm/dịch vụ

Tóm tắt nội dung chính của văn bản

Dịch văn bản sang ngôn ngữ khác

Phân loại văn bản theo chủ đề

Câu hỏi này đề cập đến phân tích tình cảm, một ứng dụng quan trọng của xử lý ngôn ngữ tự nhiên (NLP) trong kinh doanh để hiểu cảm xúc của khách hàng.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 8: Để giảm số lượng thuộc tính đầu vào của mô hình học máy trong khi vẫn giữ được phần lớn thông tin quan trọng, kỹ thuật nào sau đây thường được sử dụng?

Chuẩn hóa dữ liệu (Data Normalization)

Giảm chiều dữ liệu (Dimensionality Reduction)

Rời rạc hóa dữ liệu (Data Discretization)

Làm sạch dữ liệu (Data Cleaning)

Câu hỏi này liên quan đến giảm chiều dữ liệu, một bước quan trọng trong tiền xử lý dữ liệu để cải thiện hiệu suất mô hình và giảm độ phức tạp.

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 9: Trong bối cảnh kinh doanh, 'dữ liệu lớn' (Big Data) thường được mô tả bởi 4Vs. 'Veracity' trong 4Vs này đề cập đến:

Khối lượng dữ liệu (Volume)

Tốc độ tạo và xử lý dữ liệu (Velocity)

Sự đa dạng của dữ liệu (Variety)

Độ tin cậy và chất lượng của dữ liệu (Veracity)

Câu hỏi này kiểm tra kiến thức về 4Vs của Big Data, đặc biệt là 'Veracity' (tính xác thực), một khía cạnh quan trọng khi làm việc với dữ liệu lớn.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 10: Khi đánh giá hiệu quả của mô hình phân loại khách hàng (ví dụ: khách hàng tiềm năng vs. không tiềm năng), chỉ số 'Precision' đo lường điều gì?

Tỷ lệ dự đoán đúng trên tổng số mẫu thực tế là dương tính

Tỷ lệ dự đoán đúng trên tổng số mẫu thực tế

Tỷ lệ dự đoán đúng là dương tính trên tổng số mẫu được dự đoán là dương tính

Tỷ lệ mẫu âm tính được dự đoán đúng trên tổng số mẫu thực tế là âm tính

Câu hỏi này kiểm tra hiểu biết về các chỉ số đánh giá mô hình phân loại, cụ thể là 'Precision', và ý nghĩa của nó trong ngữ cảnh kinh doanh.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 11: Phương pháp 'cross-validation' (kiểm định chéo) được sử dụng trong khoa học dữ liệu nhằm mục đích chính là:

Tăng tốc độ huấn luyện mô hình

Đánh giá khả năng khái quát hóa của mô hình và giảm thiểu overfitting

Cải thiện độ chính xác trên tập huấn luyện

Giảm kích thước dữ liệu huấn luyện

Câu hỏi này kiểm tra kiến thức về 'cross-validation', một kỹ thuật quan trọng để đánh giá mô hình và tránh overfitting.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 12: Trong phân tích chuỗi thời gian để dự báo giá cổ phiếu, 'tính dừng' (stationarity) của chuỗi thời gian là một yếu tố quan trọng vì:

Nhiều mô hình chuỗi thời gian (ví dụ: ARIMA) giả định dữ liệu là dừng

Tính dừng luôn đảm bảo dự báo chính xác

Dữ liệu dừng dễ thu thập hơn dữ liệu không dừng

Tính dừng không ảnh hưởng đến việc dự báo giá cổ phiếu

Câu hỏi này đề cập đến tính dừng trong chuỗi thời gian, một khái niệm quan trọng trong dự báo tài chính và kinh tế, ảnh hưởng đến việc lựa chọn mô hình.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 13: Một công ty muốn xây dựng mô hình dự đoán sự rời bỏ của khách hàng (customer churn). Loại bài toán học máy nào phù hợp nhất?

Hồi quy (Regression)

Phân loại (Classification)

Phân cụm (Clustering)

Giảm chiều dữ liệu (Dimensionality Reduction)

Câu hỏi này mô tả bài toán dự đoán churn, một ứng dụng phổ biến trong kinh doanh, và phân loại là phương pháp thích hợp để dự đoán khách hàng rời bỏ hay không.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 14: Trong khoa học dữ liệu, 'feature engineering' (kỹ thuật đặc trưng) là quá trình:

Lựa chọn thuật toán học máy phù hợp nhất

Đánh giá hiệu suất của mô hình

Thu thập dữ liệu từ nhiều nguồn khác nhau

Biến đổi và tạo ra các thuộc tính (features) mới từ dữ liệu thô để cải thiện mô hình

Câu hỏi này định nghĩa 'feature engineering', một bước quan trọng trong quy trình học máy để cải thiện hiệu suất mô hình.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 15: Đạo đức trong khoa học dữ liệu kinh doanh bao gồm việc xem xét các khía cạnh nào sau đây?

Chỉ hiệu quả và lợi nhuận của mô hình

Chỉ tính bảo mật dữ liệu

Tính công bằng, minh bạch, trách nhiệm giải trình và bảo mật dữ liệu

Chỉ tốc độ xử lý dữ liệu

Câu hỏi này đề cập đến khía cạnh đạo đức trong khoa học dữ liệu, một vấn đề ngày càng quan trọng trong bối cảnh ứng dụng AI rộng rãi.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 16: Trong phân tích dữ liệu lớn về giao dịch thẻ tín dụng, kỹ thuật 'phát hiện bất thường' (anomaly detection) được sử dụng để:

Xác định các giao dịch gian lận hoặc bất thường

Phân cụm khách hàng theo hành vi giao dịch

Dự báo số lượng giao dịch trong tương lai

Tối ưu hóa quy trình xử lý giao dịch

Câu hỏi này tập trung vào ứng dụng của 'anomaly detection' trong phát hiện gian lận thẻ tín dụng, một ví dụ thực tế trong lĩnh vực tài chính.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 17: 'Overfitting' (quá khớp) trong mô hình học máy xảy ra khi:

Mô hình quá đơn giản và không thể nắm bắt được mối quan hệ trong dữ liệu

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

Mô hình huấn luyện quá nhanh

Mô hình sử dụng quá nhiều dữ liệu huấn luyện

Câu hỏi này định nghĩa 'overfitting', một vấn đề phổ biến trong học máy, và hậu quả của nó đối với khả năng khái quát hóa.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 18: Để xử lý dữ liệu bị thiếu (missing data) trong tập dữ liệu kinh doanh, phương pháp 'imputation' (ước tính giá trị thiếu) là:

Loại bỏ hoàn toàn các dòng hoặc cột chứa dữ liệu thiếu

Thay thế dữ liệu thiếu bằng giá trị ngẫu nhiên

Ước tính và thay thế dữ liệu thiếu bằng các giá trị hợp lý dựa trên dữ liệu có sẵn

Bỏ qua dữ liệu thiếu và không xử lý

Câu hỏi này đề cập đến 'imputation', một kỹ thuật quan trọng trong tiền xử lý dữ liệu để xử lý dữ liệu thiếu.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 19: Trong phân tích mạng xã hội (social network analysis) ứng dụng trong kinh doanh, 'centrality' (tính trung tâm) của một nút (ví dụ: người dùng, tài khoản) đo lường điều gì?

Số lượng kết nối của nút trong mạng

Mức độ tương tác của nút với nội dung

Vị trí địa lý của nút trong mạng

Mức độ quan trọng hoặc ảnh hưởng của nút trong mạng

Câu hỏi này kiểm tra hiểu biết về 'centrality' trong phân tích mạng xã hội, một khái niệm quan trọng để xác định các cá nhân hoặc thực thể có ảnh hưởng.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 20: 'Data visualization' (trực quan hóa dữ liệu) đóng vai trò quan trọng trong khoa học dữ liệu kinh doanh vì:

Giảm dung lượng lưu trữ dữ liệu

Giúp dễ dàng hiểu và truyền đạt thông tin, insight từ dữ liệu cho người ra quyết định

Tăng tốc độ xử lý dữ liệu

Tự động hóa quá trình thu thập dữ liệu

Câu hỏi này nhấn mạnh tầm quan trọng của trực quan hóa dữ liệu trong việc truyền đạt thông tin và insight từ dữ liệu đến các bên liên quan trong kinh doanh.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 21: Trong quy trình CRISP-DM (Cross-Industry Standard Process for Data Mining), giai đoạn 'Data Understanding' (hiểu dữ liệu) bao gồm các hoạt động chính nào?

Thu thập dữ liệu, mô tả dữ liệu, khám phá dữ liệu, và kiểm tra chất lượng dữ liệu

Làm sạch dữ liệu, chuyển đổi dữ liệu, và tích hợp dữ liệu

Lựa chọn mô hình, huấn luyện mô hình, và đánh giá mô hình

Triển khai mô hình và giám sát mô hình

Câu hỏi này kiểm tra kiến thức về quy trình CRISP-DM, một quy trình chuẩn trong khai thác dữ liệu, và giai đoạn 'Data Understanding'.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 22: Khi so sánh thuật toán K-means và DBSCAN cho bài toán phân cụm khách hàng, điểm khác biệt chính là:

K-means hiệu quả hơn với dữ liệu nhiễu

DBSCAN yêu cầu biết trước số lượng cụm

K-means phân cụm dựa trên khoảng cách, DBSCAN dựa trên mật độ điểm

Cả hai thuật toán đều cho kết quả phân cụm giống nhau

Câu hỏi này so sánh hai thuật toán phân cụm phổ biến, K-means và DBSCAN, và điểm khác biệt về cách chúng xác định cụm và yêu cầu tham số.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 23: Trong mô hình hồi quy tuyến tính, hệ số hồi quy (regression coefficient) cho biết điều gì?

Độ mạnh của mối quan hệ phi tuyến tính giữa các biến

Mức độ thay đổi của biến phụ thuộc khi biến độc lập thay đổi một đơn vị, giữ các yếu tố khác không đổi

Sai số của mô hình hồi quy

Giá trị trung bình của biến phụ thuộc

Câu hỏi này kiểm tra hiểu biết về hệ số hồi quy trong mô hình hồi quy tuyến tính và ý nghĩa của nó trong việc giải thích mối quan hệ giữa biến độc lập và biến phụ thuộc.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 24: Trong kiểm định giả thuyết thống kê, 'p-value' (giá trị p) được sử dụng để:

Đo lường độ lớn của hiệu ứng

Xác định kích thước mẫu cần thiết

Đo lường độ tin cậy của ước lượng

Đánh giá mức độ bằng chứng chống lại giả thuyếtNull'

Câu hỏi này kiểm tra kiến thức về 'p-value' trong kiểm định giả thuyết, một khái niệm quan trọng trong thống kê ứng dụng trong kinh doanh và kinh tế.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 25: Để phân tích dữ liệu dạng văn bản lớn từ mạng xã hội về phản ứng của khách hàng đối với một chiến dịch marketing, công cụ khoa học dữ liệu nào phù hợp nhất?

Phần mềm bảng tính (Spreadsheet software)

Hệ quản trị cơ sở dữ liệu quan hệ (Relational Database Management System)

Công cụ xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP)

Công cụ thống kê mô tả (Descriptive Statistics tools)

Câu hỏi này tập trung vào ứng dụng của NLP trong phân tích dữ liệu văn bản từ mạng xã hội để đánh giá chiến dịch marketing.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 26: Trong mô hình cây quyết định (decision tree), 'entropy' và 'information gain' được sử dụng để:

Đánh giá độ chính xác của mô hình

Chọn thuộc tính tốt nhất để phân chia dữ liệu tại mỗi nút

Xử lý dữ liệu bị thiếu

Giảm overfitting cho cây quyết định

Câu hỏi này kiểm tra kiến thức về cây quyết định và vai trò của 'entropy' và 'information gain' trong việc xây dựng cây.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 27: Một công ty thương mại điện tử muốn cải thiện tỷ lệ chuyển đổi (conversion rate) trên trang web của mình. Thử nghiệm A/B testing là một phương pháp khoa học dữ liệu hữu ích để:

So sánh hiệu quả của hai phiên bản trang web khác nhau và xác định phiên bản nào tốt hơn

Phân tích hành vi duyệt web của khách hàng

Dự báo doanh số bán hàng trực tuyến

Phân khúc khách hàng truy cập trang web

Câu hỏi này mô tả ứng dụng của A/B testing trong tối ưu hóa trang web và cải thiện tỷ lệ chuyển đổi trong thương mại điện tử.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 28: Trong khoa học dữ liệu kinh doanh, 'dashboard' (bảng điều khiển) thường được sử dụng để:

Thu thập dữ liệu từ nhiều nguồn

Xây dựng mô hình dự báo

Trực quan hóa và theo dõi các chỉ số kinh doanh quan trọng một cách tập trung và dễ hiểu

Phân tích dữ liệu chi tiết

Câu hỏi này kiểm tra hiểu biết về 'dashboard' và vai trò của nó trong việc cung cấp thông tin tổng quan và theo dõi hiệu suất kinh doanh.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 29: Để đảm bảo tính công bằng và tránh phân biệt đối xử trong các mô hình AI ứng dụng trong tuyển dụng hoặc cấp tín dụng, cần chú ý đến yếu tố nào?

Tăng độ phức tạp của mô hình

Sử dụng nhiều dữ liệu huấn luyện hơn

Tối ưu hóa độ chính xác của mô hình

Đánh giá và giảm thiểu 'bias' trong dữ liệu và thuật toán

Câu hỏi này nhấn mạnh tầm quan trọng của tính công bằng và tránh phân biệt đối xử trong AI, đặc biệt trong các ứng dụng nhạy cảm như tuyển dụng và tín dụng.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 12

Câu 30: Trong lĩnh vực kinh tế lượng, mô hình 'VAR' (Vector Autoregression) thường được sử dụng để:

Dự báo một biến kinh tế duy nhất dựa trên quá khứ của nó

Mô hình hóa và dự báo đồng thời nhiều chuỗi thời gian kinh tế có tương quan lẫn nhau

Phân tích dữ liệu bảng (panel data)

Ước lượng tác động nhân quả trong dữ liệu kinh tế vi mô

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 giới thiệu mô hình VAR, một công cụ phổ biến trong kinh tế lượng để phân tích mối quan hệ giữa nhiều chuỗi thời gian kinh 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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 13

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 1: Trong phân tích kinh doanh, một siêu thị muốn phân cụm khách hàng dựa trên lịch sử mua sắm để cá nhân hóa chương trình khuyến mãi. Phương pháp phân cụm nào sau đây phù hợp nhất để khám phá các nhóm khách hàng tiềm năng mà không cần biết trước số lượng nhóm?

K-Means

Phân cụm phân cấp (Hierarchical Clustering)

DBSCAN

Fuzzy C-Means

Câu hỏi tình huống về phân cụm khách hàng, tập trung vào việc lựa chọn phương pháp phù hợp khi không biết trước số cụm. DBSCAN là thuật toán phân cụm dựa trên mật độ, không yêu cầu xác định số cụm trước, phù hợp cho khám phá các cụm có hình dạng bất kỳ.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 2: Một công ty thương mại điện tử sử dụng mô hình phân loại để dự đoán khả năng khách hàng hủy đơn hàng trước khi giao. Ma trận nhầm lẫn (Confusion Matrix) cho thấy có 150 trường hợp 'dự đoán hủy' và thực tế khách hàng 'không hủy', và 50 trường hợp 'dự đoán không hủy' nhưng thực tế khách hàng 'hủy'. Điều này thể hiện loại lỗi nào là phổ biến hơn trong mô hình này?

Lỗi Báo động giả (False Positive) phổ biến hơn Lỗi Bỏ sót (False Negative)

Lỗi Bỏ sót (False Negative) phổ biến hơn Lỗi Báo động giả (False Positive)

Hai loại lỗi này có tần suất xuất hiện tương đương nhau

Không thể xác định loại lỗi nào phổ biến hơn từ thông tin ma trận nhầm lẫn

Câu hỏi về ma trận nhầm lẫn và phân tích lỗi trong bài toán phân loại. 'Dự đoán hủy' nhưng 'không hủy' là Lỗi Loại I (False Positive). 'Dự đoán không hủy' nhưng 'hủy' là Lỗi Loại II (False Negative). 150 > 50, vậy Lỗi Loại I phổ biến hơn.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 3: Để xây dựng mô hình dự báo giá nhà dựa trên các yếu tố như diện tích, vị trí, số phòng ngủ, và năm xây dựng, kỹ thuật tiền xử lý dữ liệu nào sau đây quan trọng nhất để đảm bảo các biến số có tỷ lệ đóng góp tương đương nhau vào mô hình?

Rời rạc hóa dữ liệu (Data Discretization)

Chuẩn hóa/Co giãn đặc trưng (Feature Scaling)

Xử lý dữ liệu ngoại lai (Outlier Handling)

Mã hóa biến định tính (Categorical Encoding)

Câu hỏi về tiền xử lý dữ liệu trong bài toán hồi quy. Các biến có đơn vị và thang đo khác nhau cần được chuẩn hóa hoặc co giãn để tránh biến có giá trị lớn chi phối mô hình. Chuẩn hóa/Co giãn đặc trưng (Feature Scaling) là kỹ thuật phù hợp.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 4: Một chuỗi thời gian về doanh số bán lẻ hàng tháng cho thấy xu hướng tăng dần và tính mùa vụ. Phương pháp dự báo chuỗi thời gian nào sau đây phù hợp nhất để nắm bắt cả hai thành phần này?

Trung bình trượt giản đơn (Simple Moving Average)

San bằng mũ giản đơn (Simple Exponential Smoothing)

Hồi quy tuyến tính (Linear Regression)

Mô hình Holt-Winters (Holt-Winters' Exponential Smoothing)

Câu hỏi về lựa chọn phương pháp dự báo chuỗi thời gian. Khi chuỗi thời gian có cả xu hướng và mùa vụ, các phương pháp như ARIMA hoặc Holt-Winters (San bằng mũ cấp số nhân) có khả năng mô hình hóa cả hai thành phần này tốt hơn so với trung bình trượt đơn giản.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 5: Trong phân tích rủi ro tín dụng, biến số 'Lịch sử thanh toán' (đúng hạn, trễ hạn, vỡ nợ) thuộc kiểu dữ liệu nào?

Định danh (Nominal)

Định lượng liên tục (Continuous)

Thứ bậc/Xếp hạng (Ordinal)

Rời rạc (Discrete)

Câu hỏi về kiểu dữ liệu. 'Lịch sử thanh toán' có thứ tự (đúng hạn < trễ hạn < vỡ nợ), nhưng khoảng cách giữa các giá trị không định lượng được. Đây là dữ liệu thứ bậc/xếp hạng (Ordinal).

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 6: Một công ty muốn xác định các quy tắc kết hợp (association rules) giữa các sản phẩm mà khách hàng thường mua cùng nhau. Thuật toán khai thác luật kết hợp phổ biến nào được sử dụng cho mục đích này?

K-Means

Apriori

PCA (Phân tích thành phần chính)

SVM (Máy vectơ hỗ trợ)

Câu hỏi về khai thác luật kết hợp. Thuật toán Apriori là thuật toán kinh điển và phổ biến nhất để tìm kiếm các luật kết hợp trong dữ liệu giao dịch.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 7: Để đánh giá hiệu quả của một mô hình phân loại khách hàng thành 'khách hàng tiềm năng' và 'khách hàng không tiềm năng', chỉ số F1-score cao có ý nghĩa gì?

Mô hình có độ chính xác (Accuracy) cao trên tập dữ liệu huấn luyện

Mô hình dự đoán chính xác phần lớn các trường hợp là 'khách hàng không tiềm năng'

Mô hình có tỷ lệ Báo động giả (False Positive) thấp

Mô hình có sự cân bằng tốt giữa Precision và Recall trong việc xác định khách hàng tiềm năng

Câu hỏi về chỉ số đánh giá mô hình phân loại. F1-score là trung bình điều hòa của Precision và Recall. F1-score cao thể hiện sự cân bằng tốt giữa khả năng phát hiện khách hàng tiềm năng (Recall) và độ chính xác trong dự đoán (Precision).

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 8: Trong quá trình làm sạch dữ liệu, bạn phát hiện một số giá trị tuổi bị thiếu. Phương pháp xử lý dữ liệu thiếu nào sau đây có thể làm thay đổi phân phối của biến 'Tuổi' ít nhất?

Xóa bỏ các hàng chứa giá trị thiếu (Listwise Deletion)

Điền giá trị trung vị (Median Imputation)

Điền giá trị trung bình (Mean Imputation)

Điền giá trị theo phân phối chuẩn (Normal Distribution Imputation)

Câu hỏi về xử lý dữ liệu thiếu. Điền giá trị trung vị (Median Imputation) ít bị ảnh hưởng bởi dữ liệu ngoại lai và thường ít làm thay đổi phân phối của biến số so với điền giá trị trung bình (Mean Imputation).

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 9: Biểu đồ hộp (Box plot) thích hợp nhất để trực quan hóa đặc điểm thống kê nào của một biến số?

Phân phối và sự phân tán của dữ liệu, bao gồm cả dữ liệu ngoại lai

Mối quan hệ giữa hai biến số định lượng

Tần suất xuất hiện của các giá trị trong biến định tính

Xu hướng biến đổi của dữ liệu theo thời gian

Câu hỏi về trực quan hóa dữ liệu. Biểu đồ hộp thể hiện phân vị (quartiles), giá trị trung vị, và dữ liệu ngoại lai, giúp nhận diện phân phối, độ lệch, và sự hiện diện của ngoại lai.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 10: Một ngân hàng muốn dự đoán khả năng khách hàng trả nợ vay. Mô hình học máy nào sau đây phù hợp nhất với bài toán phân loại nhị phân này?

K-Means

Apriori

Hồi quy Logistic (Logistic Regression)

PCA (Phân tích thành phần chính)

Câu hỏi về lựa chọn mô hình học máy cho bài toán phân loại nhị phân. Logistic Regression là mô hình tuyến tính, hiệu quả và dễ diễn giải cho bài toán phân loại nhị phân, đặc biệt khi cần xác suất dự đoán.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 11: Trong phân tích dữ liệu lớn (Big Data) cho kinh doanh, đặc điểm 'Vận tốc' (Velocity) đề cập đến khía cạnh nào?

Sự đa dạng của các loại dữ liệu (văn bản, hình ảnh, video,...)

Tốc độ tạo ra và xử lý dữ liệu

Quy mô khổng lồ của dữ liệu

Tính xác thực và độ tin cậy của dữ liệu

Câu hỏi về đặc điểm của Big Data (5Vs). 'Vận tốc' (Velocity) đề cập đến tốc độ tạo ra và xử lý dữ liệu, thường yêu cầu xử lý gần thời gian thực hoặc theo dòng chảy liên tục.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 12: Để giảm số chiều dữ liệu và giữ lại các thành phần chính giải thích phương sai lớn nhất, phương pháp nào sau đây được sử dụng?

Phân tích thành phần chính (PCA)

Phân cụm K-Means

Hồi quy tuyến tính

Luật kết hợp Apriori

Câu hỏi về giảm chiều dữ liệu. Phân tích thành phần chính (PCA) là phương pháp giảm chiều dữ liệu tuyến tính, tìm các thành phần chính (PC) là tổ hợp tuyến tính của các biến gốc, sao cho các PC đầu tiên giữ lại phương sai lớn nhất.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 13: Trong quá trình xây dựng mô hình cây quyết định, tiêu chí phân tách nút nào sau đây nhằm mục đích giảm sự không chắc chắn (impurity) trong các nút con?

Độ chính xác (Accuracy)

Entropy hoặc Gini impurity

Hệ số tương quan (Correlation coefficient)

Sai số bình phương trung bình (Mean Squared Error)

Câu hỏi về cây quyết định và tiêu chí phân tách nút. Entropy và Gini impurity là các độ đo impurity (sự không chắc chắn) thường được sử dụng trong cây quyết định. Mục tiêu là chọn phép phân tách làm giảm impurity nhất ở các nút con.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 14: Giả sử bạn có một tập dữ liệu về giao dịch mua hàng trực tuyến, mỗi giao dịch bao gồm danh sách các sản phẩm đã mua. Để phân tích xem khách hàng có xu hướng mua các sản phẩm theo trình tự thời gian nào, phương pháp nào sau đây phù hợp?

Phân cụm K-Means

Phân tích thành phần chính (PCA)

Luật kết hợp Apriori

Phân tích chuỗi sự kiện (Sequence Analysis)

Câu hỏi về phân tích trình tự mua hàng. Phân tích chuỗi sự kiện (Sequence Analysis) hoặc khai thác mẫu tuần tự (Sequential Pattern Mining) được thiết kế để tìm kiếm các mẫu, trình tự xuất hiện của các sự kiện theo thời gian, phù hợp với bài toán này.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 15: Trong một nghiên cứu về sự hài lòng của khách hàng, thang đo Likert (ví dụ: Rất không hài lòng, Không hài lòng, Trung lập, Hài lòng, Rất hài lòng) thuộc loại thang đo nào?

Định danh (Nominal Scale)

Tỷ lệ (Ratio Scale)

Thứ bậc/Xếp hạng (Ordinal Scale)

Khoảng (Interval Scale)

Câu hỏi về thang đo. Thang đo Likert có thứ tự (từ 'Rất không hài lòng' đến 'Rất hài lòng'), nhưng khoảng cách giữa các mức độ không định lượng chính xác. Đây là thang đo thứ bậc/xếp hạng (Ordinal Scale).

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 16: Để kiểm tra giả thuyết về sự khác biệt trung bình giữa doanh thu của hai nhóm khách hàng (ví dụ: nhóm được tiếp thị và nhóm không được tiếp thị), kiểm định thống kê nào sau đây phù hợp?

Kiểm định t-test độc lập (Independent Samples t-test)

Kiểm định Chi-bình phương (Chi-squared test)

Phân tích phương sai ANOVA

Hồi quy tuyến tính

Câu hỏi về kiểm định giả thuyết. Kiểm định t-test độc lập (Independent Samples t-test) được sử dụng để so sánh trung bình của hai nhóm độc lập, phù hợp cho việc kiểm tra sự khác biệt doanh thu giữa hai nhóm khách hàng.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 17: Trong mô hình hóa dữ liệu, 'làm sạch dữ liệu' thường chiếm bao nhiêu phần trăm tổng thời gian dự án khoa học dữ liệu?

10-20%

20-40%

40-60%

60-80%

Câu hỏi về quy trình khoa học dữ liệu. Làm sạch và chuẩn bị dữ liệu thường là giai đoạn tốn thời gian nhất trong dự án khoa học dữ liệu, có thể chiếm phần lớn thời gian, ước tính khoảng 60-80%.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 18: Một công ty viễn thông muốn dự đoán khách hàng nào có khả năng rời bỏ dịch vụ (churn). Chỉ số Recall trong mô hình dự đoán churn quan trọng hơn Precision trong trường hợp nào?

Khi chi phí tiếp cận khách hàng để giữ chân là rất cao

Khi chi phí để bỏ sót khách hàng có khả năng rời bỏ (bỏ lỡ cơ hội giữ chân) lớn hơn chi phí tiếp cận nhầm khách hàng không có nguy cơ rời bỏ

Khi độ chính xác tổng thể (Accuracy) của mô hình là ưu tiên hàng đầu

Khi tập dữ liệu bị mất cân bằng nghiêm trọng (imbalanced dataset)

Câu hỏi về Precision và Recall trong bài toán churn. Trong bài toán churn, bỏ sót khách hàng có khả năng rời bỏ (False Negative) có thể gây thiệt hại lớn hơn so với việc dự đoán nhầm khách hàng không churn thành churn (False Positive). Do đó, Recall (khả năng phát hiện churn thực sự) quan trọng hơn.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 19: Phương pháp nào sau đây giúp đánh giá độ ổn định và tổng quát hóa của mô hình học máy bằng cách sử dụng nhiều tập huấn luyện và kiểm tra khác nhau?

Chia tập dữ liệu thành tập huấn luyện và tập kiểm tra duy nhất (Hold-out validation)

Đánh giá trên tập dữ liệu huấn luyện

Đánh giá chéo k-fold (k-fold Cross-validation)

Sử dụng ma trận nhầm lẫn (Confusion Matrix)

Câu hỏi về đánh giá mô hình. Đánh giá chéo k-fold (k-fold Cross-validation) chia dữ liệu thành k phần, huấn luyện và kiểm tra mô hình k lần, mỗi lần sử dụng một phần khác nhau làm tập kiểm tra và các phần còn lại làm tập huấn luyện, giúp đánh giá độ ổn định và khả năng tổng quát hóa.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 20: Trong phân tích văn bản (Text Analytics) dữ liệu kinh doanh, kỹ thuật TF-IDF (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì?

Phân loại văn bản theo chủ đề

Trích xuất thông tin từ văn bản

Phân tích cảm xúc của văn bản

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

Câu hỏi về phân tích văn bản và TF-IDF. TF-IDF là kỹ thuật đánh trọng số từ, giúp xác định tầm quan tr??ng của từ trong một văn bản so với toàn bộ tập văn bản. Từ có TF-IDF cao là từ quan trọng và đặc trưng cho văn bản đó.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 21: Để phân tích mối quan hệ phi tuyến tính giữa biến mục tiêu và các biến dự báo, mô hình học máy nào sau đây thường được ưu tiên?

Hồi quy tuyến tính (Linear Regression)

Hồi quy Logistic (Logistic Regression)

Mạng nơ-ron (Neural Networks)

Phân tích thành phần chính (PCA)

Câu hỏi về mô hình phi tuyến tính. Mạng nơ-ron (Neural Networks) và Cây quyết định (Decision Trees) là các mô hình có khả năng mô hình hóa mối quan hệ phi tuyến tính giữa các biến, trong khi hồi quy tuyến tính thì không.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 22: Trong thiết kế cơ sở dữ liệu quan hệ cho một hệ thống quản lý bán hàng, khóa ngoại (Foreign Key) được sử dụng để làm gì?

Đảm bảo tính duy nhất của mỗi bản ghi trong bảng

Thiết lập mối quan hệ và liên kết giữa các bảng

Tăng tốc độ truy vấn dữ liệu

Mã hóa dữ liệu để bảo mật thông tin

Câu hỏi về cơ sở dữ liệu quan hệ và khóa ngoại. Khóa ngoại được sử dụng để thiết lập liên kết giữa các bảng trong cơ sở dữ liệu quan hệ, đảm bảo tính toàn vẹn tham chiếu và mô hình hóa mối quan hệ giữa các thực thể.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 23: Một công ty muốn tự động hóa quy trình phân loại đánh giá sản phẩm trực tuyến thành 'tích cực', 'tiêu cực', hoặc 'trung lập'. Bài toán này thuộc lĩnh vực nào của khoa học dữ liệu?

Phân tích cảm xúc (Sentiment Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích cụm (Cluster Analysis)

Phân tích hồi quy (Regression Analysis)

Câu hỏi về ứng dụng khoa học dữ liệu. Phân loại đánh giá sản phẩm dựa trên văn bản là ứng dụng của Phân tích cảm xúc (Sentiment Analysis), một nhánh của xử lý ngôn ngữ tự nhiên (NLP) và khai thác văn bản.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 24: Để xử lý dữ liệu dạng văn bản trong phân tích khoa học dữ liệu, bước đầu tiên thường là gì?

Chuẩn hóa dữ liệu số (Numerical Data Normalization)

Token hóa (Tokenization)

Xử lý giá trị thiếu (Missing Value Imputation)

Giảm chiều dữ liệu (Dimensionality Reduction)

Câu hỏi về tiền xử lý văn bản. Bước đầu tiên trong xử lý văn bản thường là Token hóa (Tokenization), chia văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ (tokens) để dễ dàng xử lý và phân tích.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 25: Trong phân tích dữ liệu lớn, Hadoop và Spark là các công nghệ chính được sử dụng cho mục đích gì?

Trực quan hóa dữ liệu

Xây dựng mô hình học máy

Lưu trữ và xử lý dữ liệu phân tán quy mô lớn

Quản lý cơ sở dữ liệu quan hệ

Câu hỏi về công nghệ Big Data. Hadoop và Spark là các framework phổ biến cho xử lý và phân tích dữ liệu lớn phân tán. Hadoop chủ yếu cho lưu trữ và xử lý batch, Spark cho xử lý nhanh hơn, in-memory.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 26: Đạo đức trong khoa học dữ liệu kinh doanh bao gồm những khía cạnh nào sau đây?

Chỉ bảo vệ dữ liệu cá nhân khỏi bị truy cập trái phép

Chỉ đảm bảo tính chính xác của mô hình

Chỉ tuân thủ luật pháp về dữ liệu

Bảo vệ quyền riêng tư, đảm bảo tính công bằng, minh bạch và trách nhiệm giải trình

Câu hỏi về đạo đức trong khoa học dữ liệu. Đạo đức trong khoa học dữ liệu bao gồm nhiều khía cạnh, trong đó quan trọng nhất là bảo vệ quyền riêng tư, đảm bảo tính công bằng và minh bạch của thuật toán, và trách nhiệm giải trình về các quyết định dựa trên dữ liệu.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 27: Phương pháp thống kê nào sau đây được sử dụng để đo lường mức độ tương quan tuyến tính giữa hai biến số định lượng?

Kiểm định Chi-bình phương

Hệ số tương quan Pearson

Phân tích phương sai ANOVA

Hồi quy tuyến tính đa biến

Câu hỏi về đo lường tương quan. Hệ số tương quan Pearson (Pearson correlation coefficient) là thước đo mức độ và hướng của mối quan hệ tuyến tính giữa hai biến định lượng.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 28: Trong một dự án khoa học dữ liệu, giai đoạn 'Triển khai' (Deployment) mô hình có nghĩa là gì?

Thu thập và tiền xử lý dữ liệu

Lựa chọn và huấn luyện mô hình học máy

Tích hợp mô hình vào hệ thống hoặc quy trình kinh doanh để sử dụng trong thực tế

Đánh giá hiệu suất của mô hình

Câu hỏi về quy trình khoa học dữ liệu. Giai đoạn 'Triển khai' (Deployment) là giai đoạn đưa mô hình đã được huấn luyện và đánh giá vào môi trường thực tế để sử dụng, ví dụ tích hợp vào hệ thống kinh doanh hoặc ứng dụng.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 29: Để phân tích cấu trúc cộng đồng (community structure) trong mạng xã hội, thuật toán nào sau đây thường được sử dụng?

K-Means

PCA

Apriori

Thuật toán phát hiện cộng đồng (Community Detection Algorithms)

Câu hỏi về phân tích mạng xã hội. Thuật toán phát hiện cộng đồng (Community Detection Algorithms) như Louvain, Girvan-Newman được sử dụng để tìm ra các nhóm (cộng đồng) có liên kết chặt chẽ bên trong và liên kết lỏng lẻo bên ngoài trong mạng xã hội.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 13

Câu 30: Trong báo cáo khoa học dữ liệu cho lãnh đạo doanh nghiệp, điều gì quan trọng nhất cần tập trung?

Truyền đạt kết quả và ý nghĩa kinh doanh một cách rõ ràng, dễ hiểu, tập trung vào giá trị thực tiễn

Trình bày chi tiết kỹ thuật của mô hình và thuật toán

Liệt kê tất cả các chỉ số đánh giá mô hình một cách toàn diện

Chỉ tập trung vào kết quả tốt nhất mà mô hình đạt được

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 giao tiếp kết quả khoa học dữ liệu. Khi báo cáo cho lãnh đạo doanh nghiệp, cần tập trung vào việc truyền đạt kết quả một cách dễ hiểu, nhấn mạnh ý nghĩa kinh doanh và giá trị thực tiễn của phân tích dữ liệu, thay vì chi tiết kỹ thuật.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 14

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 1: Trong quá trình phân tích dữ liệu bán lẻ, bạn nhận thấy một số lượng lớn khách hàng mua sản phẩm A cũng mua sản phẩm B. Để đưa ra quyết định về việc sắp xếp sản phẩm trong cửa hàng, kỹ thuật khai thác dữ liệu nào sau đây sẽ hữu ích nhất?

Phân cụm (Clustering)

Khai thác luật kết hợp (Association Rule Mining)

Phân lớp (Classification)

Hồi quy (Regression)

Câu hỏi tập trung vào việc tìm kiếm mối quan hệ giữa các sản phẩm được mua cùng nhau, đây là mục tiêu của phân tích kết hợp (association rule mining) để tối ưu hóa bố trí sản phẩm hoặc khuyến nghị.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 2: Một công ty muốn dự đoán khả năng khách hàng rời bỏ dịch vụ (churn prediction). Dữ liệu lịch sử khách hàng bao gồm thông tin về nhân khẩu học, hành vi sử dụng dịch vụ và trạng thái rời bỏ (churned/not churned). Phương pháp học máy nào sau đây phù hợp nhất để xây dựng mô hình dự đoán?

Phân cụm (Clustering)

Giảm chiều dữ liệu (Dimensionality Reduction)

Phân lớp (Classification)

Hồi quy (Regression)

Đây là bài toán dự đoán nhãn rời rạc (churned/not churned) dựa trên dữ liệu đầu vào, do đó phân lớp (classification) là phương pháp học máy phù hợp nhất.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 3: Để đánh giá hiệu quả của mô hình phân lớp khách hàng tiềm năng (potential customer classification), chỉ số nào sau đây đo lường tỷ lệ dự đoán đúng trên tổng số trường hợp thực tế là khách hàng tiềm năng?

Độ chính xác (Precision)

Độ nhạy (Recall)

Độ đo F1 (F1-score)

Độ chính xác tổng thể (Accuracy)

Câu hỏi mô tả định nghĩa của độ nhạy (Recall) trong ngữ cảnh đánh giá mô hình phân lớp. Độ nhạy tập trung vào việc mô hình tìm được bao nhiêu ca dương tính thực sự.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 4: Trong quá trình tiền xử lý dữ liệu, khi một thuộc tính số có phân phối lệch phải (right-skewed distribution), phép biến đổi nào sau đây thường được sử dụng để làm giảm độ lệch và làm cho dữ liệu gần phân phối chuẩn hơn?

Biến đổi Min-Max (Min-Max Scaling)

Chuẩn hóa Z-score (Z-score Standardization)

Mã hóa One-Hot (One-Hot Encoding)

Biến đổi Logarit (Log Transformation)

Phân phối lệch phải thường được xử lý bằng phép biến đổi logarit hoặc căn bậc hai để kéo các giá trị lớn về gần hơn với các giá trị nhỏ, làm giảm độ lệch.

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 5: Một tập dữ liệu chứa thông tin về giao dịch mua hàng trực tuyến, bao gồm ID khách hàng, thời gian mua hàng, sản phẩm đã mua và giá trị đơn hàng. Để phân tích hành vi mua hàng theo thời gian và tìm ra các xu hướng mua sắm theo mùa vụ, loại biểu đồ nào sau đây sẽ phù hợp nhất?

Biểu đồ đường (Line Chart)

Biểu đồ cột (Bar Chart)

Biểu đồ tròn (Pie Chart)

Biểu đồ hộp (Box Plot)

Để phân tích xu hướng theo thời gian, biểu đồ đường (line chart) là lựa chọn tối ưu vì nó thể hiện sự biến đổi của một hoặc nhiều biến số theo thời gian một cách trực quan.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 6: Trong mô hình hồi quy tuyến tính, hệ số hồi quy (regression coefficient) cho biết điều gì?

Mức độ phù hợp của mô hình với dữ liệu.

Giá trị dự đoán của biến mục tiêu.

Mức độ thay đổi của biến mục tiêu khi biến đầu vào tương ứng thay đổi một đơn vị.

Sai số của mô hình.

Hệ số hồi quy trong mô hình tuyến tính thể hiện mức độ thay đổi của biến mục tiêu khi biến đầu vào tương ứng thay đổi một đơn vị, giữ các biến khác không đổi.

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 7: Kỹ thuật giảm chiều d?? liệu (dimensionality reduction) được sử dụng để giải quyết vấn đề nào sau đây trong khoa học dữ liệu?

Dữ liệu bị thiếu (Missing data)

Độ phức tạp của dữ liệu (Data complexity)

Dữ liệu nhiễu (Noisy data)

Dữ liệu không cân bằng (Imbalanced data)

Giảm chiều dữ liệu giúp giảm số lượng thuộc tính đầu vào, từ đó đơn giản hóa mô hình, giảm độ phức tạp tính toán và tránh hiện tượng 'lời nguyền chiều dữ liệu' (curse of dimensionality).

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 8: Trong phân tích cụm (cluster analysis), phương pháp nào sau đây dựa trên việc phân chia dữ liệu thành các cụm sao cho tổng khoảng cách bình phương từ mỗi điểm dữ liệu đến tâm cụm gần nhất là nhỏ nhất?

K-means Clustering

Phân cụm phân cấp (Hierarchical Clustering)

DBSCAN

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

Phương pháp K-means clustering là thuật toán phân cụm dựa trên khoảng cách, mục tiêu là tối thiểu hóa tổng khoảng cách bình phương nội cụm (within-cluster sum of squares - WCSS).

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 9: Phát biểu nào sau đây mô tả đúng nhất về dữ liệu 'Big Data' trong kinh doanh?

Dữ liệu có kích thước lớn hơn dữ liệu thông thường.

Dữ liệu có khối lượng lớn, tốc độ tạo ra nhanh, đa dạng về loại hình và cần được xác thực.

Dữ liệu được thu thập từ Internet of Things (IoT).

Dữ liệu được lưu trữ trên các nền tảng đám mây.

Big Data được đặc trưng bởi 4Vs: Volume (khối lượng lớn), Velocity (tốc độ cao), Variety (đa dạng) và Veracity (tính xác thực). Phát biểu 2 bao gồm đầy đủ và chính xác các đặc điểm này.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 10: Trong quá trình xây dựng mô hình học máy, việc chia tập dữ liệu thành tập huấn luyện (training set) và tập kiểm thử (testing set) nhằm mục đích gì?

Tăng tốc độ huấn luyện mô hình.

Cải thiện độ chính xác của mô hình trên tập huấn luyện.

Chọn ra mô hình tốt nhất trong số các mô hình khác nhau.

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

Tập kiểm thử được sử dụng để đánh giá khả năng tổng quát hóa (generalization) của mô hình trên dữ liệu mới, dữ liệu chưa từng được sử dụng trong quá trình huấn luyện, giúp ước lượng hiệu năng thực tế của mô hình.

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 11: Một công ty thương mại điện tử muốn cá nhân hóa trang chủ website cho từng khách hàng dựa trên lịch sử duyệt web và mua hàng. Phương pháp nào sau đây của khoa học dữ liệu có thể hỗ trợ tốt nhất cho mục tiêu này?

Phân tích rủi ro (Risk Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

Hệ thống khuyến nghị (Recommender System)

Phân tích độ nhạy (Sensitivity Analysis)

Hệ thống khuyến nghị (recommender system) được thiết kế để đưa ra các gợi ý cá nhân hóa cho người dùng dựa trên hành vi và sở thích của họ, rất phù hợp cho mục tiêu cá nhân hóa trang web.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 12: Để xử lý dữ liệu thuộc tính dạng văn bản (textual data) trong phân tích cảm xúc (sentiment analysis), bước tiền xử lý nào sau đây thường được thực hiện đầu tiên?

Chuẩn hóa (Normalization)

Token hóa (Tokenization)

Xóa bỏ stop words (Stop word removal)

Stemming/Lemmatization

Tokenization là quá trình chia văn bản thành các đơn vị nhỏ hơn (tokens), thường là từ hoặc cụm từ, đây là bước đầu tiên quan trọng để chuẩn bị dữ liệu văn bản cho các phân tích tiếp theo.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 13: Trong mô hình cây quyết định (decision tree), tiêu chí phân tách nút (splitting criterion) nào sau đây thường được sử dụng cho thuộc tính mục tiêu là biến định tính (categorical variable)?

Tổng bình phương sai số (Sum of Squared Errors - SSE)

Giá trị trung bình tuyệt đối (Mean Absolute Error - MAE)

Hệ số tương quan (Correlation Coefficient)

Gini Impurity hoặc Entropy

Gini impurity và Entropy (thông tin) là các tiêu chí đo lường độ không thuần nhất của một tập hợp các phần tử, thường được sử dụng trong cây quyết định để phân tách nút khi biến mục tiêu là định tính.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 14: Một nhà quản lý muốn hiểu rõ hơn về sự phân bổ doanh thu theo các khu vực địa lý khác nhau. Loại biểu đồ nào sau đây sẽ trực quan nhất để thể hiện thông tin này?

Biểu đồ phân tán (Scatter Plot)

Biểu đồ tần suất (Histogram)

Bản đồ nhiệt/Bản đồ phân vùng (Heatmap/Choropleth Map)

Biểu đồ violin (Violin Plot)

Bản đồ nhiệt (heatmap) hoặc bản đồ phân vùng (choropleth map) là các loại biểu đồ bản đồ sử dụng màu sắc để thể hiện giá trị của một biến số trên các khu vực địa lý khác nhau, rất phù hợp để trực quan hóa dữ liệu phân bổ theo khu vực.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 15: Trong phân tích chuỗi thời gian, thành phần nào sau đây thể hiện sự biến động ngắn hạn và không dự đoán được trong dữ liệu?

Thành phần nhiễu (Irregular Component)

Thành phần xu hướng (Trend Component)

Thành phần mùa vụ (Seasonal Component)

Thành phần chu kỳ (Cyclical Component)

Thành phần nhiễu (residual/irregular component) trong phân tích chuỗi thời gian đại diện cho các biến động ngẫu nhiên, ngắn hạn và không thể dự đoán được, không thuộc các thành phần xu hướng, mùa vụ hay chu kỳ.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 16: Để kiểm tra xem có sự khác biệt đáng kể về trung bình doanh thu giữa ba nhóm khách hàng khác nhau (VIP, Premium, Economic), phép kiểm định thống kê nào sau đây phù hợp nhất?

Kiểm định t (t-test)

Phân tích phương sai (ANOVA)

Kiểm định Chi-bình phương (Chi-squared test)

Hồi quy tuyến tính (Linear Regression)

ANOVA (Analysis of Variance) là phép kiểm định thống kê được sử dụng để so sánh trung bình của hai hoặc nhiều nhóm độc lập. Trong trường hợp này, có ba nhóm khách hàng, nên ANOVA là phù hợp.

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 17: Trong quá trình đánh giá mô hình phân cụm, chỉ số Silhouette score đo lường điều gì?

Độ chính xác của phân cụm so với nhãn thực tế.

Thời gian thực hiện thuật toán phân cụm.

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

Độ phức tạp của mô hình phân cụm.

Silhouette score đo lường mức độ một điểm dữ liệu tương tự với cụm của nó so với các cụm khác. Giá trị cao cho thấy cụm được phân tách tốt.

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 18: Một ngân hàng muốn phát hiện các giao dịch gian lận (fraud detection) trong số hàng triệu giao dịch hàng ngày. Kỹ thuật học máy nào sau đây thường được sử dụng do khả năng xử lý dữ liệu lớn và không cân bằng?

K-means Clustering

Hồi quy Logistic (Logistic Regression)

Máy vector hỗ trợ (Support Vector Machine - SVM)

Rừng ngẫu nhiên (Random Forest)

Các thuật toán dựa trên cây (như Random Forest, Gradient Boosting) thường hiệu quả trong việc xử lý dữ liệu lớn, không cân bằng và có khả năng chống chịu tốt với nhiễu, phù hợp cho bài toán phát hiện gian lận.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 19: Trong kiến trúc mạng nơ-ron (neural network), hàm kích hoạt (activation function) có vai trò gì?

Tính toán độ lỗi của mạng.

Đưa tính phi tuyến vào mạng.

Chuẩn hóa dữ liệu đầu vào.

Tối ưu hóa trọng số của mạng.

Hàm kích hoạt đưa tính phi tuyến vào mạng nơ-ron, cho phép mạng học được các mối quan hệ phức tạp và phi tuyến trong dữ liệu.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 20: Để xử lý thuộc tính 'Ngày tháng năm' trong phân tích dữ liệu, phương pháp nào sau đây giúp trích xuất thông tin về mùa, quý, tháng, ngày trong tuần?

Chuẩn hóa dữ liệu ngày tháng (Date normalization)

Rời rạc hóa dữ liệu ngày tháng (Date discretization)

Trích xuất đặc trưng thời gian (Time feature extraction)

Mã hóa One-Hot cho ngày tháng (One-Hot encoding for dates)

Kỹ thuật trích xuất đặc trưng thời gian (time feature extraction) cho phép tạo ra các thuộc tính mới từ thuộc tính ngày tháng năm, như mùa, quý, tháng, ngày trong tuần, giờ, phút, giúp mô hình học được các mẫu theo thời gian.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 21: Trong phân tích luật kết hợp, độ đo 'Support' 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 B khi đã mua A.

Mức độ tin cậy của luật.

Mức độ hữu ích của luật.

Support đo lường tần suất xuất hiện của tập hợp mục {A, B} trong tập dữ liệu giao dịch. Support cao cho thấy luật phổ biến.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 22: Phương pháp 'đánh giá chéo k-fold' (k-fold cross-validation) được sử dụng để làm gì trong quá trình phát triển mô hình học máy?

Tăng kích thước tập dữ liệu huấn luyện.

Đánh giá hiệu năng mô hình một cách khách quan.

Tối ưu hóa siêu tham số của mô hình.

Giảm thời gian huấn luyện mô hình.

Đánh giá chéo k-fold là kỹ thuật đánh giá mô hình mạnh mẽ, giúp ước lượng hiệu năng mô hình một cách khách quan hơn và giảm thiểu sự thiên vị do phân chia tập dữ liệu huấn luyện và kiểm thử cụ thể.

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 23: Trong xử lý ngôn ngữ tự nhiên (NLP), TF-IDF (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì?

Phân tích cảm xúc văn bản.

Phân loại văn bản.

Đánh trọng số từ trong văn bản.

Tóm tắt văn bản.

TF-IDF là kỹ thuật đánh trọng số từ, giúp xác định mức độ quan trọng của một từ trong một văn bản so với toàn bộ tập hợp văn bản (corpus).

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 24: Để xử lý dữ liệu bị thiếu (missing data) trong một cột số, phương pháp 'điền giá trị trung vị' (median imputation) phù hợp khi nào?

Khi dữ liệu bị thiếu hoàn toàn ngẫu nhiên.

Khi tỷ lệ dữ liệu bị thiếu rất thấp.

Khi phân phối dữ liệu gần với phân phối chuẩn.

Khi dữ liệu có giá trị ngoại lai.

Điền giá trị trung vị phù hợp khi dữ liệu có giá trị ngoại lai (outliers), vì trung vị ít bị ảnh hưởng bởi giá trị ngoại lai hơn so với giá trị trung bình.

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 25: Trong bài toán dự báo doanh số bán hàng (sales forecasting), mô hình ARIMA (Autoregressive Integrated Moving Average) thuộc loại mô hình nào?

Mô hình phân lớp (Classification Model)

Mô hình chuỗi thời gian (Time Series Model)

Mô hình phân cụm (Clustering Model)

Mô hình hồi quy (Regression Model)

ARIMA là mô hình thống kê được sử dụng rộng rãi trong phân tích chuỗi thời gian và dự báo, dựa trên các giá trị quá khứ của chuỗi thời gian để dự đoán giá trị tương lai.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 26: Khi so sánh hai thuật toán học máy khác nhau trên cùng một tập dữ liệu, tiêu chí nào sau đây quan trọng nhất để lựa chọn thuật toán tốt hơn?

Độ phức tạp của thuật toán.

Thời gian huấn luyện thuật toán.

Khả năng tổng quát hóa trên dữ liệu mới.

Độ dễ dàng giải thích kết quả.

Khả năng tổng quát hóa (generalization) là tiêu chí quan trọng nhất, vì mô hình tốt cần có khả năng hoạt động tốt trên dữ liệu mới, chưa từng thấy, chứ không chỉ trên dữ liệu huấn luyện.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 27: Trong phân tích đường dẫn (path analysis) hoặc mô hình hóa phương trình cấu trúc (structural equation modeling - SEM), mục tiêu chính là gì?

Phân cụm dữ liệu theo cấu trúc.

Dự đoán giá trị của biến mục tiêu.

Tìm kiếm các luật kết hợp giữa các biến.

Mô hình hóa và kiểm định các mối quan hệ nhân quả giữa các biến.

Phân tích đường dẫn và SEM tập trung vào việc mô hình hóa và kiểm định các mối quan hệ nhân quả giữa các biến, giúp hiểu được các yếu tố ảnh hưởng và tác động lẫn nhau.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 28: Để đảm bảo tính công bằng (fairness) trong các mô hình học máy, đặc biệt trong các ứng dụng nhạy cảm như tuyển dụng hoặc cho vay, cần chú ý đến vấn đề nào sau đây?

Thiên vị dữ liệu (Data bias)

Độ phức tạp của mô hình (Model complexity)

Kích thước tập dữ liệu (Dataset size)

Hiệu suất tính toán (Computational performance)

Thiên vị dữ liệu (data bias) là một trong những nguồn gốc chính gây ra sự không công bằng trong mô hình học máy. Dữ liệu huấn luyện có thể chứa các thiên vị tiềm ẩn, dẫn đến mô hình đưa ra các quyết định phân biệt đối xử.

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 29: Trong triển khai mô hình học máy vào thực tế kinh doanh, bước nào sau đây thường được thực hiện sau khi mô hình đã được huấn luyện và đánh giá?

Thu thập thêm dữ liệu.

Triển khai mô hình (Model deployment)

Tối ưu hóa siêu tham số.

Phân tích lỗi mô hình.

Sau khi huấn luyện và đánh giá, mô hình cần được tích hợp vào hệ thống hiện có hoặc triển khai dưới dạng dịch vụ (API) để có thể sử dụng trong các quy trình kinh doanh thực tế.

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 14

Câu 30: Một công ty muốn phân tích phản hồi của khách hàng từ các khảo sát trực tuyến để cải thiện sản phẩm và dịch vụ. Phương pháp nào sau đây trong khoa học dữ liệu có thể giúp phân loại phản hồi thành các chủ đề chính và xác định xu hướng ý kiến?

Phân tích hồi quy (Regression analysis)

Phân tích chuỗi thời gian (Time series analysis)

Mô hình hóa chủ đề (Topic Modeling)

Phân tích phương sai (ANOVA)

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.

Phân tích chủ đề (topic modeling) là kỹ thuật NLP giúp khám phá và phân loại các chủ đề tiềm ẩn trong một tập hợp văn bản, rất phù hợp để phân tích phản hồi khảo sát và xác định các chủ đề chính.

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 Khoa học dữ liệu trong kinh tế và kinh doanh

Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh - Đề 15

1 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 1: Một công ty thương mại điện tử muốn phân tích hành vi mua sắm của khách hàng để tạo ra các chiến dịch marketing cá nhân hóa. Dữ liệu thu thập bao gồm lịch sử duyệt web, các sản phẩm đã xem, sản phẩm đã thêm vào giỏ hàng và sản phẩm đã mua. Nhóm kỹ thuật phân tích dữ liệu nào phù hợp nhất để xác định các nhóm khách hàng có hành vi tương đồng?

Hồi quy (Regression)

Phân loại (Classification)

Gom cụm (Clustering)

Phân tích chuỗi thời gian (Time Series Analysis)

Câu hỏi yêu cầu xác định kỹ thuật phân tích phù hợp để nhóm các đối tượng (khách hàng) dựa trên sự tương đồng về đặc điểm (hành vi mua sắm) mà không có nhãn sẵn. Đây là đặc trưng của bài toán gom cụm (Clustering), một phương pháp học không giám sát.

2 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 2: Trong bài toán dự đoán khả năng một khách hàng 'churn' (ngừng sử dụng dịch vụ) dựa trên dữ liệu hành vi và nhân khẩu học, biến mục tiêu (target variable) 'Churn' thường có hai giá trị ('Có' hoặc 'Không'). Đây là ví dụ điển hình của bài toán học máy thuộc loại nào?

Hồi quy (Regression)

Phân loại (Classification)

Gom cụm (Clustering)

Phân tích luật kết hợp (Association Rule Mining)

Bài toán dự đoán một biến mục tiêu rời rạc (Có/Không churn) dựa trên các biến đầu vào là bài toán phân loại (Classification). Vì biến mục tiêu chỉ có hai lớp, đây là phân loại nhị phân.

3 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 3: Một nhà phân tích dữ liệu đang làm sạch dữ liệu doanh số bán hàng và phát hiện nhiều dòng có giá trị 'Giá bán' bị thiếu. Phương pháp nào sau đây KHÔNG phải là một cách xử lý phổ biến cho dữ liệu bị thiếu trong trường hợp này?

Loại bỏ các dòng dữ liệu có giá trị 'Giá bán' bị thiếu.

Điền giá trị trung bình (mean) hoặc trung vị (median) của 'Giá bán' cho các giá trị bị thiếu.

Sử dụng một mô hình học máy để dự đoán và điền các giá trị 'Giá bán' bị thiếu.

Chuẩn hóa (Normalize) cột 'Giá bán' về phạm vi [0, 1].

Câu hỏi kiểm tra kiến thức về các phương pháp xử lý dữ liệu bị thiếu. Các phương pháp phổ biến bao gồm loại bỏ dòng/cột, điền giá trị trung bình/trung vị/mode, hoặc sử dụng các thuật toán điền phức tạp hơn. Chuẩn hóa (Normalization) là kỹ thuật thay đổi phạm vi giá trị của các thuộc tính, không phải là cách xử lý dữ liệu bị thiếu.

4 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 4: Khi xây dựng mô hình dự đoán giá nhà (một biến liên tục) dựa trên diện tích, số phòng ngủ, vị trí, v.v., nhà khoa học dữ liệu sẽ sử dụng kỹ thuật học máy nào?

Hồi quy (Regression)

Phân loại (Classification)

Gom cụm (Clustering)

Phân tích luật kết hợp (Association Rule Mining)

Bài toán dự đoán một biến mục tiêu có giá trị liên tục (giá nhà) dựa trên các biến đầu vào là bài toán hồi quy (Regression).

5 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 5: Một ngân hàng xây dựng mô hình phân loại để phát hiện giao dịch gian lận. Mô hình này đạt độ chính xác tổng thể (Accuracy) là 98%. Tuy nhiên, bộ phận phòng chống gian lận báo cáo rằng mô hình bỏ sót rất nhiều giao dịch gian lận thực tế. Chỉ số đánh giá nào sau đây có khả năng nhất là thấp trong trường hợp này?

Precision

Recall

F1-score

Specificity

Câu hỏi yêu cầu phân tích ý nghĩa của các chỉ số đánh giá trong ngữ cảnh cụ thể. Accuracy cao có thể đánh lừa trong dữ liệu mất cân bằng (ví dụ: rất ít giao dịch gian lận). Việc 'bỏ sót rất nhiều giao dịch gian lận thực tế' (False Negatives cao) trực tiếp liên quan đến chỉ số Recall (độ nhạy) - khả năng mô hình tìm thấy tất cả các trường hợp tích cực thực sự. Recall thấp nghĩa là mô hình bỏ sót nhiều trường hợp gian lận.

6 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 6: Một siêu thị lớn muốn phân tích dữ liệu từ các hóa đơn bán hàng để tìm ra các mặt hàng thường được mua cùng nhau (ví dụ: sữa và bánh mì). Kết quả phân tích này sẽ giúp tối ưu hóa cách sắp xếp sản phẩm trên kệ hoặc đưa ra các combo khuyến mãi. Kỹ thuật khai phá dữ liệu nào phù hợp nhất cho mục tiêu này?

Phân loại (Classification)

Hồi quy (Regression)

Gom cụm (Clustering)

Phân tích luật kết hợp (Association Rule Mining)

Bài toán tìm kiếm mối quan hệ giữa các mặt hàng trong các giao dịch (ví dụ: 'Nếu mua A thì có khả năng mua B') là bài toán phân tích luật kết hợp (Association Rule Mining), thường được áp dụng trong phân tích giỏ hàng (Market Basket Analysis).

7 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 7: Để đánh giá hiệu quả của một mô hình phân loại trên dữ liệu chưa từng thấy trong quá trình huấn luyện, kỹ thuật nào sau đây chia tập dữ liệu gốc thành nhiều phần (folds) và huấn luyện/kiểm thử mô hình lặp đi lặp lại trên các tập con khác nhau?

Hold-out method (chia một lần tập huấn luyện/kiểm thử)

Đánh giá chéo K lần (K-fold Cross-validation)

Bootstrapping

Grid Search

Kỹ thuật chia tập dữ liệu thành K phần, sử dụng K-1 phần để huấn luyện và 1 phần để kiểm thử, lặp lại K lần với mỗi phần làm tập kiểm thử được gọi là Đánh giá chéo K lần (K-fold Cross-validation). Kỹ thuật này giúp có được ước lượng hiệu quả mô hình đáng tin cậy hơn so với chia tập huấn luyện/kiểm thử cố định một lần.

8 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 8: Dữ liệu về 'Doanh thu hàng tháng' của một cửa hàng trong 5 năm qua được ghi nhận theo thứ tự thời gian. Kiểu dữ liệu này phù hợp nhất cho loại phân tích nào sau đây?

Phân loại (Classification)

Gom cụm (Clustering)

Phân tích chuỗi thời gian (Time Series Analysis)

Phân tích luật kết hợp (Association Rule Mining)

Dữ liệu được ghi nhận theo thứ tự thời gian (chuỗi thời gian) thường được sử dụng để phân tích xu hướng, tính mùa vụ và dự báo các giá trị trong tương lai. Đây là đặc trưng của phân tích chuỗi thời gian (Time Series Analysis).

9 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 9: Một nhà khoa học dữ liệu đang chuẩn bị dữ liệu khách hàng cho bài toán phân loại. Cột 'Thu nhập' có đơn vị là VNĐ và dao động từ 5 triệu đến 100 triệu. Cột 'Số lần mua hàng' là số nguyên dương nhỏ, dao động từ 1 đến 50. Để tránh thuộc tính 'Thu nhập' có ảnh hưởng quá lớn đến mô hình do phạm vi giá trị lớn, kỹ thuật tiền xử lý nào thường được áp dụng?

Chuẩn hóa (Scaling)

Rời rạc hóa (Discretization)

Mã hóa One-Hot (One-Hot Encoding)

Làm sạch dữ liệu (Data Cleaning)

Câu hỏi mô tả tình huống các thuộc tính có phạm vi giá trị khác biệt lớn, điều này có thể ảnh hưởng tiêu cực đến hiệu suất của nhiều thuật toán học máy dựa trên khoảng cách (ví dụ: K-Means, SVM, K-NN). Kỹ thuật chuẩn hóa (Scaling) hoặc định tỷ lệ dữ liệu (ví dụ: Min-Max Scaling, Standardization) được sử dụng để đưa các thuộc tính về cùng một phạm vi hoặc phân phối tương tự, giảm thiểu ảnh hưởng của sự khác biệt về phạm vi giá trị.

10 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 10: Trong quy trình Khoa học dữ liệu, bước nào sau đây tập trung vào việc hiểu rõ yêu cầu kinh doanh, xác định mục tiêu của dự án và thu thập dữ liệu ban đầu?

Tiền xử lý dữ liệu (Data Preprocessing)

Xây dựng mô hình (Modeling)

Đánh giá mô hình (Evaluation)

Hiểu dữ liệu và vấn đề kinh doanh (Data and Business Understanding)

Quy trình Khoa học dữ liệu thường bắt đầu bằng việc hiểu vấn đề kinh doanh, xác định mục tiêu và thu thập dữ liệu liên quan. Bước này được gọi là Hiểu dữ liệu (Data Understanding) hoặc Hiểu vấn đề kinh doanh (Business Understanding), tùy theo mô hình quy trình (ví dụ: CRISP-DM).

11 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 11: Một công ty muốn dự báo doanh thu quý tiếp theo dựa trên dữ liệu doanh thu lịch sử, các chiến dịch khuyến mãi đã triển khai và dữ liệu thời tiết. Biến 'Chiến dịch khuyến mãi' có thể là 'Không', 'Giảm giá 10%', 'Tặng kèm sản phẩm'. Để sử dụng biến này trong mô hình hồi quy tuyến tính, kỹ thuật tiền xử lý nào thường được áp dụng cho biến phân loại này?

Mã hóa One-Hot (One-Hot Encoding)

Chuẩn hóa (Scaling)

Rời rạc hóa (Discretization)

Làm sạch dữ liệu (Data Cleaning)

Câu hỏi yêu cầu xử lý biến phân loại (categorical variable) 'Chiến dịch khuyến mãi' để sử dụng trong mô hình hồi quy tuyến tính, vốn yêu cầu các biến đầu vào là số. Mã hóa One-Hot (One-Hot Encoding) là phương pháp phổ biến để chuyển biến phân loại thành nhiều biến nhị phân (0 hoặc 1), mỗi biến đại diện cho một danh mục của biến gốc.

12 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 12: Biểu đồ nào sau đây là phù hợp nhất để trực quan hóa mối quan hệ giữa hai biến số liên tục, ví dụ: mối quan hệ giữa 'Chi phí quảng cáo' và 'Doanh thu'?

Biểu đồ cột (Bar Chart)

Biểu đồ tròn (Pie Chart)

Biểu đồ phân tán (Scatter Plot)

Biểu đồ hộp (Box Plot)

Biểu đồ phân tán (Scatter Plot) được sử dụng để hiển thị mối quan hệ giữa hai biến số liên tục. Mỗi điểm trên biểu đồ biểu diễn một cặp giá trị của hai biến, giúp nhận diện xu hướng, cụm hoặc ngoại lệ.

13 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 13: Một nhà bán lẻ trực tuyến muốn dự báo lượng hàng tồn kho cần thiết cho từng mặt hàng trong tháng tới. Loại bài toán này thuộc về nhóm ứng dụng nào trong khoa học dữ liệu kinh doanh?

Dự báo (Forecasting)

Phân khúc khách hàng (Customer Segmentation)

Phát hiện gian lận (Fraud Detection)

Hệ thống gợi ý (Recommendation Systems)

Dự báo lượng hàng tồn kho là một bài toán dự báo giá trị số (lượng hàng) trong tương lai dựa trên dữ liệu lịch sử, thường sử dụng các kỹ thuật phân tích chuỗi thời gian hoặc hồi quy. Nó thuộc nhóm ứng dụng dự báo trong kinh doanh.

14 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 14: Khi đánh giá một mô hình hồi quy dự đoán giá sản phẩm, chỉ số nào sau đây đo lường mức độ sai khác trung bình giữa giá trị dự đoán và giá trị thực tế, được tính bằng căn bậc hai của trung bình bình phương các sai số?

MAE (Mean Absolute Error)

RMSE (Root Mean Squared Error)

R-squared

Accuracy

Câu hỏi mô tả định nghĩa và cách tính của chỉ số RMSE (Root Mean Squared Error - Căn bậc hai sai số trung bình bình phương), một chỉ số phổ biến để đánh giá hiệu quả của mô hình hồi quy.

15 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 15: Dữ liệu khách hàng chứa cột 'Mã bưu chính'. Mặc dù là số, mã bưu chính thường được coi là kiểu dữ liệu nào trong phân tích, vì các phép toán số học (như cộng, trừ) trên chúng không có ý nghĩa thực tế?

Liên tục (Continuous)

Thứ tự (Ordinal)

Rời rạc (Discrete)

Định danh (Nominal/Categorical)

Mã bưu chính là một ví dụ về dữ liệu định danh (Nominal) hoặc phân loại (Categorical) mặc dù được biểu diễn bằng số. Giá trị của chúng chỉ dùng để phân biệt các khu vực/địa điểm, không có ý nghĩa thứ tự hay khoảng cách số học.

16 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 16: Hiện tượng xảy ra khi một mô hình học máy học quá sát với dữ liệu huấn luyện, bao gồm cả nhiễu và các đặc điểm ngẫu nhiên, dẫn đến hiệu suất kém trên dữ liệu mới chưa từng thấy được gọi là gì?

Overfitting (Quá khớp)

Underfitting (Không khớp)

Bias (Thiên lệch)

Variance (Phương sai)

Hiện tượng mô hình học quá chi tiết dữ liệu huấn luyện, mất khả năng tổng quát hóa trên dữ liệu mới được gọi là Overfitting (Quá khớp).

17 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 17: Một công ty truyền thông muốn xây dựng hệ thống gợi ý nội dung cho người dùng dựa trên lịch sử xem của họ và lịch sử xem của những người dùng tương tự. Kỹ thuật nào sau đây phù hợp nhất cho mục đích này?

Phân loại (Classification)

Gom cụm (Clustering)

Hệ thống gợi ý (Recommendation Systems)

Phân tích cảm xúc (Sentiment Analysis)

Hệ thống gợi ý (Recommendation Systems) là lĩnh vực chuyên biệt trong khoa học dữ liệu nhằm đề xuất các mặt hàng (sản phẩm, nội dung, dịch vụ) cho người dùng dựa trên sở thích hoặc hành vi của họ. Kỹ thuật này thường sử dụng lọc cộng tác (collaborative filtering) hoặc lọc dựa trên nội dung (content-based filtering).

18 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 18: Khi phân tích dữ liệu khách hàng, nhà khoa học dữ liệu phát hiện một số giá trị 'Tuổi' là 150 hoặc -5. Những giá trị này được coi là gì và cần được xử lý trong bước tiền xử lý dữ liệu?

Giá trị bị thiếu (Missing Values)

Giá trị ngoại lai/không hợp lệ (Outliers/Invalid Data)

Dữ liệu nhiễu (Noisy Data)

Đặc trưng (Features)

Các giá trị nằm ngoài phạm vi hợp lý hoặc không có ý nghĩa thực tế (như tuổi 150 hoặc -5) được gọi là các giá trị ngoại lai (Outliers) hoặc dữ liệu không hợp lệ. Chúng cần được xác định và xử lý (loại bỏ, thay thế, chuyển đổi) trong bước làm sạch dữ liệu.

19 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 19: Một mô hình phân loại dự đoán khách hàng có 'Mua hàng' (Positive) hay 'Không mua hàng' (Negative). Ma trận nhầm lẫn (Confusion Matrix) cho kết quả sau: TP=120, TN=350, FP=30, FN=50. Tỷ lệ Precision của mô hình này là bao nhiêu?

0.706 (Recall)

0.922 (Accuracy)

0.800 (Precision)

0.200 (False Positive Rate)

Câu hỏi yêu cầu tính chỉ số Precision từ ma trận nhầm lẫn. Công thức Precision = TP / (TP + FP). Với TP=120 và FP=30, Precision = 120 / (120 + 30) = 120 / 150 = 0.8.

20 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 20: Tiếp tục từ Câu 19, tỷ lệ Recall của mô hình này là bao nhiêu?

0.706 (Recall)

0.800 (Precision)

0.922 (Accuracy)

0.750 (F1-score)

Câu hỏi yêu cầu tính chỉ số Recall từ ma trận nhầm lẫn. Công thức Recall = TP / (TP + FN). Với TP=120 và FN=50, Recall = 120 / (120 + 50) = 120 / 170 ≈ 0.706.

21 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 21: Khi so sánh hai mô hình hồi quy khác nhau, mô hình nào có giá trị R-squared cao hơn thường được coi là tốt hơn (với các điều kiện khác tương đương)?

Mô hình có R-squared cao hơn

Mô hình có R-squared thấp hơn

Giá trị R-squared không dùng để so sánh mô hình

Cần xem xét thêm chỉ số Adjusted R-squared

Chỉ số R-squared (Hệ số xác định) trong hồi quy đo lường tỷ lệ phương sai của biến phụ thuộc được giải thích bởi mô hình. Giá trị R-squared càng cao (gần 1) cho thấy mô hình càng giải thích được nhiều sự biến động của biến mục tiêu, tức là mô hình phù hợp với dữ liệu tốt hơn.

22 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 22: Một công ty viễn thông muốn xác định các khách hàng có khả năng rời mạng (churn) cao để đưa ra các chương trình giữ chân phù hợp. Dữ liệu có sẵn bao gồm: Thời gian sử dụng dịch vụ, cước phí hàng tháng, số cuộc gọi đến/đi, loại hợp đồng, v.v. Mục tiêu này phù hợp nhất với bài toán khoa học dữ liệu nào?

Hồi quy (Regression)

Phân loại (Classification)

Gom cụm (Clustering)

Phân tích luật kết hợp (Association Rule Mining)

Bài toán xác định khách hàng có khả năng rời bỏ (Yes/No) dựa trên các đặc điểm của họ là một bài toán phân loại (Classification).

23 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 23: Khi trình bày kết quả phân tích dữ liệu cho các nhà quản lý không chuyên về kỹ thuật, điều quan trọng nhất cần tập trung là gì?

Chi tiết kỹ thuật của mô hình (thuật toán, tham số)

Mã nguồn (code) được sử dụng

Độ phức tạp tính toán của quy trình

Ý nghĩa kinh doanh của kết quả và các đề xuất hành động

Khi giao tiếp với đối tượng không chuyên, trọng tâm phải là ý nghĩa kinh doanh của kết quả, các insight rút ra, và cách những kết quả này hỗ trợ việc ra quyết định. Tránh sa đà vào chi tiết kỹ thuật phức tạp hoặc mã nguồn.

24 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 24: Dữ liệu khảo sát khách hàng về mức độ hài lòng được thu thập theo thang điểm Likert từ 1 đến 5, trong đó 1 là 'Rất không hài lòng' và 5 là 'Rất hài lòng'. Kiểu dữ liệu này được gọi là gì?

Định danh (Nominal)

Thứ tự (Ordinal)

Khoảng (Interval)

Tỷ lệ (Ratio)

Dữ liệu có thứ tự rõ ràng giữa các danh mục nhưng khoảng cách giữa các danh mục có thể không đồng đều hoặc không có ý nghĩa số học tuyệt đối (ví dụ: sự khác biệt giữa 'Hài lòng' và 'Rất hài lòng' không nhất thiết bằng sự khác biệt giữa 'Không hài lòng' và 'Bình thường') được gọi là dữ liệu thứ tự (Ordinal).

25 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 25: Lợi ích chính của việc sử dụng các thư viện (libraries) và framework có sẵn trong Khoa học dữ liệu (ví dụ: Pandas, Scikit-learn, TensorFlow) là gì?

Tăng tốc độ phát triển và giảm thiểu công sức viết code thủ công.

Luôn đảm bảo kết quả dự đoán chính xác 100%.

Loại bỏ hoàn toàn nhu cầu hiểu biết về thuật toán bên dưới.

Chỉ hoạt động với các tập dữ liệu nhỏ.

Các thư viện và framework cung cấp các công cụ, thuật toán, và chức năng đã được kiểm thử và tối ưu hóa, giúp tăng tốc đáng kể quá trình phát triển, giảm thiểu lỗi và cho phép tập trung vào giải quyết vấn đề thay vì xây dựng lại từ đầu.

26 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 26: Khi phân tích dữ liệu bán lẻ, biểu đồ hộp (Box Plot) của biến 'Doanh thu' cho thấy một số điểm nằm rất xa phía trên râu (whisker) trên cùng. Điều này cho thấy điều gì về dữ liệu doanh thu?

Dữ liệu doanh thu có phân phối chuẩn.

Không có sự biến động trong dữ liệu doanh thu.

Có nhiều giá trị bị thiếu trong cột doanh thu.

Tồn tại các giá trị ngoại lai (outliers) hoặc giao dịch có doanh thu rất cao.

Trong biểu đồ hộp, các điểm nằm ngoài 'râu' thường được coi là các giá trị ngoại lai (Outliers). Sự xuất hiện của các điểm này ở phía trên râu trên cùng cho thấy có những giao dịch hoặc khách hàng có doanh thu cao bất thường so với phần lớn dữ liệu.

27 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 27: Trong bài toán phân khúc khách hàng bằng thuật toán K-Means, việc xác định số lượng cụm (K) phù hợp thường là một thách thức. Phương pháp nào sau đây là một kỹ thuật phổ biến để ước lượng số cụm tối ưu?

Phương pháp Elbow (Elbow Method)

Grid Search

Cross-validation

Phân tích thành phần chính (PCA)

Phương pháp Elbow (Elbow Method) và Silhouette Score là hai kỹ thuật phổ biến để xác định số lượng cụm tối ưu trong K-Means bằng cách đánh giá chất lượng phân cụm với các giá trị K khác nhau. Phương pháp Elbow tìm điểm 'cong' nơi việc tăng thêm cụm không còn mang lại nhiều cải thiện đáng kể về độ chặt chẽ của cụm.

28 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 28: Một công ty bảo hiểm muốn xây dựng mô hình dự đoán khả năng một khách hàng yêu cầu bồi thường bảo hiểm trong năm tới. Các yếu tố đầu vào bao gồm tuổi, nghề nghiệp, lịch sử yêu cầu bồi thường trước đây, loại hợp đồng, v.v. Đây là một ứng dụng của khoa học dữ liệu trong lĩnh vực nào của kinh doanh bảo hiểm?

Tối ưu hóa chuỗi cung ứng (Supply Chain Optimization)

Phân tích thị trường (Market Analysis)

Đánh giá rủi ro (Risk Assessment)

Quản lý quan hệ khách hàng (CRM)

Việc dự đoán khả năng khách hàng yêu cầu bồi thường là một bài toán đánh giá rủi ro. Trong kinh doanh bảo hiểm, việc này liên quan đến việc tính toán phí bảo hiểm, quản lý rủi ro và phát hiện gian lận. Nó thuộc nhóm ứng dụng đánh giá rủi ro (Risk Assessment).

29 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 29: Thuật toán nào sau đây là một thuật toán học có giám sát, hoạt động bằng cách tìm một siêu phẳng (hyperplane) để phân chia dữ liệu thành các lớp khác nhau với biên độ (margin) lớn nhất có thể?

K-Means

Apriori

PCA (Principal Component Analysis)

SVM (Support Vector Machine)

Câu hỏi mô tả nguyên lý hoạt động của thuật toán Support Vector Machine (SVM) trong bài toán phân loại. SVM tìm siêu phẳng tối ưu để tối đa hóa khoảng cách giữa siêu phẳng và các điểm dữ liệu gần nhất của mỗi lớp (support vectors).

30 / 30

Category: Trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh

Tags: Bộ đề 15

Câu 30: Việc thu thập và sử dụng dữ liệu cá nhân của khách hàng cho mục đích phân tích và marketing đặt ra những vấn đề quan trọng về mặt đạo đức và pháp lý. Khía cạnh nào sau đây là mối quan tâm hàng đầu?

Tốc độ xử lý dữ liệu

Bảo mật và quyền riêng tư dữ liệu

Chi phí lưu trữ dữ liệu

Độ phức tạp của thuật toán

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.

Khi làm việc với dữ liệu cá nhân, bảo mật dữ liệu (Data Security) và quyền riêng tư (Privacy) là những mối quan tâm đạo đức và pháp lý hàng đầu. Việc đảm bảo dữ liệu được lưu trữ an toàn, chỉ sử dụng cho mục đích đã thông báo và tuân thủ các quy định về bảo vệ dữ liệu (như GDPR, CCPA) là cực kỳ quan trọng.

Đề trắc nghiệm liên quan:

Đề Thi Thử Trắc Nghiệm Online – Môn Luật Giáo Dục
Đề Thi Thử Trắc Nghiệm Online – Môn Suy Tim 1
Đề Thi Thử Trắc Nghiệm Online – Môn Giải Phẫu
Đề Thi Thử Trắc Nghiệm Online – Môn Đạo Đức Nghề Luật
Đề Thi Thử Trắc Nghiệm Online – Môn Lịch Sử Thế Giới Cận Đại

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