100+ câu trắc nghiệm Học máy có đáp án – Phần 2

A. Tối ưu hóa các tham số của mạng neural

B. Tăng độ phức tạp của mạng neural

C. Giảm overfitting trong mạng neural

D. Biến đổi đầu vào thành đầu ra cho mạng neural

A. Sự đánh đổi giữa độ phức tạp của mô hình và khả năng tổng quát hóa

B. Sự đánh đổi giữa độ chính xác và tốc độ của mô hình

C. Sự đánh đổi giữa việc học từ dữ liệu được gán nhãn và không được gán nhãn

D. Sự đánh đổi giữa việc sử dụng các thuật toán khác nhau

A. Việc chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

B. Việc xử lý và làm sạch dữ liệu trước khi đưa vào mô hình

C. Tạo ra các mô hình dự đoán từ dữ liệu

D. Đánh giá hiệu suất của mô hình trên dữ liệu kiểm tra

A. Một phương pháp tối ưu hóa gradient descent

B. Một phương pháp tối ưu hóa huấn luyện mô hình dựa trên mẫu ngẫu nhiên

C. Một phương pháp tối ưu hóa dựa trên hàm mất mát

D. Một phương pháp tối ưu hóa dựa trên quá trình lan truyền ngược

A. Quá trình tinh chỉnh các siêu tham số của mô hình để cải thiện hiệu suất

B. Quá trình xây dựng các đặc trưng mới từ dữ liệu ban đầu

C. Quá trình giảm kích thước của mô hình

D. Quá trình chia tập dữ liệu thành các phần riêng biệt để đánh giá mô hình

A. Regression

B. Classification

C. Clustering

D. Tất cả các phương án trên

A. Tạo ra các đặc trưng mới từ dữ liệu ban đầu

B. Chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

C. Chuẩn hóa dữ liệu đầu vào để đảm bảo mô hình hoạt động hiệu quả

D. Đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra

A. Regression

B. Classification

C. Clustering

D. Tất cả các phương án trên

A. Sự chuyển đổi của dữ liệu thành một không gian chiều cao hơn để giải quyết vấn đề phân loại phi tuyến

B. Sự chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

C. Sự giảm chiều dữ liệu để tăng tốc độ huấn luyện

D. Sự tăng kích thước của mô hình để cải thiện hiệu suất

A. Đánh giá hiệu suất của mô hình trên tập dữ liệu huấn luyện

B. Đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra

C. Đo lường sai số giữa dự đoán và giá trị thực tế

D. Tất cả các phương án trên

A. Quá trình phát hiện và loại bỏ dữ liệu bất thường khỏi tập huấn luyện

B. Quá trình tạo ra dữ liệu mới từ dữ liệu hiện có

C. Quá trình chuyển đổi dữ liệu để tăng độ chính xác của mô hình

D. Quá trình đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra

A. Overfitting

B. Underfitting

C. Gradient vanishing/exploding

D. Biến dạng dữ liệu

A. Số lượng mẫu dữ liệu được sử dụng để cập nhật các trọng số trong mỗi lần lan truyền ngược

B. Kích thước của các tầng ẩn trong mạng neural

C. Số lượng các mẫu dữ liệu được sử dụng trong quá trình huấn luyện mạng neural

D. Số lượng epoch cần thiết để đạt được hiệu suất mong muốn

A. Giảm số chiều của dữ liệu để giảm độ phức tạp của mô hình

B. Tăng số chiều của dữ liệu để cải thiện hiệu suất của mô hình

C. Chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

D. Tạo ra các đặc trưng mới từ dữ liệu ban đầu

A. Một kỹ thuật tối ưu hóa gradient descent

B. Một phương pháp học có giám sát kết hợp nhiều mô hình yếu để tạo ra một mô hình mạnh

C. Một phương pháp tối ưu hóa dựa trên hàm mất mát

D. Một kỹ thuật tạo ra các đặc trưng mới từ dữ liệu ban đầu

A. Phân loại hình ảnh

B. Phân cụm dữ liệu không gán nhãn vào các nhóm dựa trên đặc trưng tương tự

C. Dự đoán chuỗi thời gian

D. Phân tích ngôn ngữ tự nhiên

A. Rectified Linear Unit

B. Randomized Learning Unit

C. Recursive Linear Unit

D. Regularized Learning Unit

A. Precision và recall

B. Bias và variance

C. Feature và label

D. Epoch và batch size

A. Long Short-Term Memory

B. Linear Sequential Memory

C. Learning Stateful Memory

D. Layered Short-Term Memory

A. Giảm số chiều của dữ liệu bằng cách chuyển đổi các biến ban đầu thành các biến mới không tương quan

B. Phân loại hình ảnh

C. Dự đoán chuỗi thời gian

D. Phân tích ngôn ngữ tự nhiên

A. Biểu diễn từ dưới dạng các vector số thực

B. Phân loại hình ảnh

C. Dự đoán chuỗi thời gian

D. Phân tích ngôn ngữ tự nhiên

A. K-means clustering

B. Supervised learning

C. Unsupervised learning

D. Ensemble learning

A. Biến đổi đầu ra của mạng neural thành xác suất

B. Tăng độ phức tạp của mạng neural

C. Giảm overfitting trong mạng neural

D. Biến đổi đầu vào thành đầu ra cho mạng neural

A. Chia tập dữ liệu thành tập huấn luyện và tập kiểm tra

B. Đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra

C. Đánh giá hiệu suất của mô hình và tối ưu hóa siêu tham số

D. Đánh giá độ chính xác của mô hình trên tập dữ liệu huấn luyện

A. Quá trình chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu.

B. Quá trình tạo ra các mô hình phức tạp hơn để đối phó với dữ liệu phức tạp.

C. Quá trình biến đổi dữ liệu đầu vào thành dạng phù hợp để huấn luyện mô hình.

D. Quá trình trích xuất thông tin quan trọng từ dữ liệu và biến đổi chúng thành các đặc trưng mới.

A. Một loại mô hình học sâu.

B. Một loại mô hình học có giám sát.

C. Một thuật toán phân loại.

D. Một phương pháp học không giám sát.

A. Một loại mô hình học sâu.

B. Một loại mô hình học có giám sát.

C. Một thuật toán phân loại.

D. Một phương pháp học không giám sát.

A. Một loại mô hình học sâu.

B. Một loại mô hình học có giám sát.

C. Một thuật toán phân loại.

D. Một phương pháp học không giám sát.

A. Một loại mô hình học sâu.

B. Một loại mô hình học có giám sát.

C. Một thuật toán phân loại.

D. Một phương pháp học không giám sát.