Đề thi, bài tập trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh – Đề 2

1. Trong kiểm định giả thuyết thống kê, sai lầm loại II (Type II error) còn được gọi là gì?

A. Sai lầm giả dương tính (False Positive)

B. Sai lầm giả âm tính (False Negative)

C. Sai lầm hệ thống (Systematic Error)

D. Sai lầm ngẫu nhiên (Random Error)

2. Trong lĩnh vực tài chính, khoa học dữ liệu thường được ứng dụng để làm gì?

A. Tối ưu hóa quy trình sản xuất

B. Dự đoán rủi ro tín dụng và gian lận

C. Nâng cao trải nghiệm mua sắm trực tuyến

D. Quản lý chuỗi cung ứng hiệu quả hơn

3. Kỹ thuật máy học nào thường được sử dụng để phân khúc khách hàng dựa trên đặc điểm và hành vi mua sắm của họ?

A. Hồi quy tuyến tính

B. Phân cụm (Clustering)

C. Cây quyết định

D. Phân tích chuỗi thời gian

4. Công cụ lập trình nào phổ biến NHẤT trong cộng đồng khoa học dữ liệu kinh tế và kinh doanh?

A. Java

B. C++

C. Python

D. JavaScript

5. Khái niệm 'Feature Engineering' trong khoa học dữ liệu là gì?

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

B. Quá trình trích xuất, biến đổi và tạo ra các thuộc tính (features) mới từ dữ liệu thô để cải thiện hiệu suất mô hình.

C. Quá trình đánh giá và so sánh hiệu suất của các mô hình khác nhau.

D. Quá trình triển khai mô hình máy học vào hệ thống sản xuất.

6. Trong khoa học dữ liệu kinh tế, việc phân tích 'sentiment analysis' (phân tích cảm xúc) thường được áp dụng để làm gì?

A. Dự báo giá cổ phiếu trên thị trường chứng khoán.

B. Đánh giá rủi ro tín dụng của khách hàng vay vốn.

C. Hiểu được ý kiến và cảm xúc của khách hàng về sản phẩm, dịch vụ hoặc thương hiệu từ dữ liệu văn bản.

D. Tối ưu hóa quy trình sản xuất và quản lý chất lượng sản phẩm.

7. Trong khoa học dữ liệu, 'overfitting' (quá khớp) là hiện tượng gì?

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

B. Mô hình học quá tốt trên dữ liệu huấn luyện, nhưng hoạt động kém trên dữ liệu mới hoặc dữ liệu kiểm tra.

C. Mô hình không đủ phức tạp để nắm bắt các mẫu trong dữ liệu huấn luyện.

D. Mô hình bị thiếu dữ liệu huấn luyện để học một cách hiệu quả.

8. Chỉ số 'Precision' và 'Recall' thường được sử dụng để đánh giá hiệu suất của mô hình máy học trong bài toán nào?

A. Bài toán hồi quy (Regression)

B. Bài toán phân loại (Classification)

C. Bài toán phân cụm (Clustering)

D. Bài toán giảm chiều dữ liệu (Dimensionality Reduction)

9. Phương pháp nào sau đây thường được sử dụng để giảm chiều dữ liệu (dimensionality reduction) trong khoa học dữ liệu, đặc biệt khi làm việc với dữ liệu kinh tế có nhiều biến số?

A. Phân tích tương quan (Correlation analysis)

B. Phân tích hồi quy đa biến (Multiple regression analysis)

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

D. Phân tích phương sai (Analysis of Variance - ANOVA)

10. Trong khoa học dữ liệu, 'dữ liệu ngoại lai' (outliers) là gì và tại sao chúng cần được xử lý?

A. Dữ liệu được thu thập từ các nguồn bên ngoài doanh nghiệp và cần được xác thực.

B. Dữ liệu bị thiếu giá trị và cần được điền vào trước khi phân tích.

C. Dữ liệu có giá trị bất thường, khác biệt đáng kể so với phần lớn dữ liệu còn lại, và có thể ảnh hưởng đến kết quả phân tích.

D. Dữ liệu đã được làm sạch và chuẩn hóa, sẵn sàng cho mô hình hóa.

11. Trong kinh doanh, chỉ số ROI (Return on Investment) thường được sử dụng để đánh giá điều gì liên quan đến các dự án khoa học dữ liệu?

A. Mức độ phức tạp của mô hình khoa học dữ liệu

B. Hiệu quả và lợi nhuận thu được từ việc ứng dụng khoa học dữ liệu

C. Thời gian cần thiết để triển khai một dự án khoa học dữ liệu

D. Số lượng nhà khoa học dữ liệu tham gia vào dự án

12. Thuật ngữ 'Big Data' trong kinh doanh đề cập đến đặc điểm nào của dữ liệu?

A. Dữ liệu có kích thước nhỏ và dễ quản lý

B. Dữ liệu có cấu trúc rõ ràng và đồng nhất

C. Dữ liệu có khối lượng lớn, tốc độ tạo ra nhanh và đa dạng về loại hình

D. Dữ liệu được thu thập từ các nguồn nội bộ của doanh nghiệp

13. Trong quy trình khoa học dữ liệu, giai đoạn nào tập trung vào việc làm sạch, biến đổi và tổ chức dữ liệu để chuẩn bị cho phân tích?

A. Thu thập dữ liệu

B. Khám phá dữ liệu

C. Chuẩn bị dữ liệu

D. Mô hình hóa dữ liệu

14. Mục tiêu chính của việc trực quan hóa dữ liệu trong khoa học dữ liệu kinh tế là gì?

A. Tăng cường bảo mật dữ liệu

B. Giảm dung lượng lưu trữ dữ liệu

C. Truyền đạt thông tin và hiểu biết từ dữ liệu một cách hiệu quả

D. Tự động hóa quá trình thu thập dữ liệu

15. Phương pháp nào sau đây KHÔNG thuộc nhóm kỹ thuật 'khai thác dữ liệu' (data mining) thường dùng trong kinh doanh?

A. Phân tích hồi quy

B. Phân tích phương sai (ANOVA)

C. Phân tích thành phần chính (PCA)

D. Thiết kế cơ sở dữ liệu quan hệ

16. Công cụ cơ sở dữ liệu SQL thường được sử dụng trong khoa học dữ liệu để làm gì?

A. Xây dựng giao diện người dùng cho ứng dụng phân tích dữ liệu.

B. Lưu trữ, truy vấn và quản lý dữ liệu có cấu trúc.

C. Phát triển mô hình máy học phức tạp.

D. Thực hiện phân tích thống kê nâng cao.

17. Mô hình 'hộp đen' (black box model) trong máy học có đặc điểm gì?

A. Dễ dàng giải thích và hiểu được logic đưa ra quyết định

B. Hoạt động dựa trên quy tắc logic rõ ràng do con người lập trình

C. Khó hoặc không thể giải thích được cách mô hình đưa ra dự đoán hoặc quyết định

D. Chỉ được sử dụng trong các ứng dụng đơn giản và ít phức tạp

18. Trong lĩnh vực nhân sự (HR), khoa học dữ liệu có thể được ứng dụng để làm gì?

A. Thiết kế không gian văn phòng làm việc.

B. Dự đoán tỷ lệ nghỉ việc của nhân viên và tối ưu hóa quy trình tuyển dụng.

C. Quản lý tài sản và thiết bị văn phòng.

D. Tổ chức sự kiện và hoạt động team-building.

19. Mục tiêu của việc 'chuẩn hóa dữ liệu' (data normalization) trong khoa học dữ liệu là gì?

A. Tăng dung lượng lưu trữ dữ liệu.

B. Đảm bảo dữ liệu được mã hóa an toàn.

C. Đưa các biến số về cùng một thang đo để tránh ảnh hưởng của sự khác biệt về đơn vị đo hoặc phạm vi giá trị.

D. Phân loại dữ liệu vào các nhóm khác nhau dựa trên thuộc tính.

20. Trong lĩnh vực chuỗi cung ứng, khoa học dữ liệu có thể được ứng dụng để làm gì?

A. Thiết kế logo và bao bì sản phẩm.

B. Tối ưu hóa lộ trình vận chuyển và quản lý kho hàng.

C. Phát triển chiến lược truyền thông và quảng cáo.

D. Tuyển dụng và đào tạo nhân viên.

21. Trong khoa học dữ liệu, kỹ thuật 'cross-validation' (kiểm định chéo) được sử dụng để làm gì?

A. Tăng tốc độ huấn luyện mô hình máy học.

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

C. Giảm kích thước dữ liệu huấn luyện.

D. Chọn thuật toán máy học tốt nhất cho bài toán.

22. Đánh giá mô hình máy học bằng 'ma trận nhầm lẫn' (confusion matrix) giúp chúng ta hiểu rõ điều gì?

A. Độ phức tạp tính toán của mô hình.

B. Thời gian huấn luyện mô hình.

C. Hiệu suất mô hình trong việc phân loại đúng và sai các lớp khác nhau.

D. Khả năng giải thích của mô hình.

23. Trong bối cảnh kinh doanh, ứng dụng nào sau đây KHÔNG phải là một ví dụ điển hình của khoa học dữ liệu?

A. Dự báo nhu cầu sản phẩm để tối ưu hóa hàng tồn kho

B. Phân tích cảm xúc khách hàng từ bình luận trên mạng xã hội

C. Lập kế hoạch tài chính dựa trên kinh nghiệm cá nhân

D. Phát hiện gian lận trong giao dịch tài chính

24. Khoa học dữ liệu trong kinh tế và kinh doanh chủ yếu tập trung vào việc sử dụng phương pháp nào để trích xuất tri thức và hiểu biết giá trị từ dữ liệu?

A. Phân tích thống kê và máy học

B. Thuyết trình và trực quan hóa dữ liệu

C. Thu thập và lưu trữ dữ liệu

D. Quản lý cơ sở dữ liệu

25. Loại dữ liệu nào thường được sử dụng NHẤT trong khoa học dữ liệu kinh tế để phân tích xu hướng thị trường và hành vi người tiêu dùng?

A. Dữ liệu hình ảnh và video

B. Dữ liệu văn bản phi cấu trúc từ mạng xã hội và đánh giá sản phẩm

C. Dữ liệu âm thanh từ cuộc gọi dịch vụ khách hàng

D. Dữ liệu cảm biến từ thiết bị IoT

26. Phương pháp 'học tăng cường' (Reinforcement Learning) khác biệt với 'học có giám sát' (Supervised Learning) như thế nào?

A. Học tăng cường sử dụng dữ liệu đã được gắn nhãn, trong khi học có giám sát thì không.

B. Học tăng cường tập trung vào việc dự đoán giá trị số, còn học có giám sát tập trung vào phân loại.

C. Học tăng cường học thông qua tương tác với môi trường và nhận phần thưởng/hình phạt, trong khi học có giám sát học từ dữ liệu đầu vào-đầu ra đã được gán nhãn.

D. Học tăng cường chỉ áp dụng cho dữ liệu phi cấu trúc, còn học có giám sát chỉ áp dụng cho dữ liệu có cấu trúc.

27. Trong marketing, mô hình RFM (Recency, Frequency, Monetary) được sử dụng để phân tích và phân khúc khách hàng dựa trên yếu tố nào?

A. Độ tuổi, giới tính và vị trí địa lý của khách hàng

B. Sở thích sản phẩm, hành vi trực tuyến và tương tác mạng xã hội

C. Thời gian mua hàng gần nhất, tần suất mua hàng và giá trị tiền tệ của các giao dịch mua hàng

D. Mức độ hài lòng của khách hàng, phản hồi và đánh giá sản phẩm

28. Đâu là một thách thức ĐẠO ĐỨC quan trọng khi sử dụng khoa học dữ liệu trong kinh doanh?

A. Chi phí đầu tư vào công nghệ và nhân lực khoa học dữ liệu

B. Sự thiếu hụt dữ liệu chất lượng cao

C. Sử dụng dữ liệu cá nhân một cách xâm phạm quyền riêng tư

D. Khó khăn trong việc tích hợp khoa học dữ liệu vào quy trình kinh doanh hiện tại

29. Trong bối cảnh thương mại điện tử, hệ thống gợi ý sản phẩm (recommendation system) sử dụng khoa học dữ liệu để làm gì?

A. Tự động hóa quy trình thanh toán trực tuyến

B. Phân tích hiệu quả chiến dịch quảng cáo

C. Đề xuất sản phẩm phù hợp cho từng khách hàng dựa trên lịch sử mua hàng và hành vi duyệt web

D. Quản lý kho hàng và vận chuyển sản phẩm

30. Trong phân tích chuỗi thời gian, phương pháp ARIMA được sử dụng để làm gì?

A. Phân tích mối quan hệ giữa các biến số

B. Phân loại dữ liệu vào các nhóm khác nhau

C. Dự báo các giá trị tương lai dựa trên dữ liệu quá khứ theo thời gian

D. Giảm chiều dữ liệu để đơn giản hóa phân tích