Đề thi, bài tập trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh – Đề 5

1. Để đánh giá hiệu suất của mô hình hồi quy, chỉ số 'R-squared' đo lường điều gì?

A. Độ chính xác của các hệ số hồi quy.

B. Tỷ lệ phương sai của biến phụ thuộc được giải thích bởi mô hình.

C. Sai số trung bình tuyệt đối của mô hình.

D. Mức độ ý nghĩa thống kê của mô hình.

2. Mô hình 'Decision Tree' (Cây quyết định) trong máy học hoạt động dựa trên nguyên tắc nào?

A. Tìm kiếm siêu phẳng phân tách các lớp dữ liệu.

B. Xây dựng cấu trúc cây phân cấp các quyết định dựa trên các thuộc tính của dữ liệu.

C. Tìm kiếm các cụm dữ liệu tương đồng.

D. Ước lượng mối quan hệ tuyến tính giữa các biến số.

3. Phương pháp 'Cross-validation' (Kiểm định chéo) quan trọng như thế nào trong quá trình xây dựng mô hình dự đoán trong kinh doanh?

A. Giúp tăng tốc độ xử lý dữ liệu lớn.

B. Đảm bảo mô hình dự đoán khái quát hóa tốt trên dữ liệu mới và tránh hiện tượng 'quá khớp' (overfitting).

C. Tự động lựa chọn các biến số quan trọng nhất cho mô hình.

D. Cải thiện khả năng trực quan hóa kết quả mô hình.

4. Trong ngữ cảnh đạo đức của khoa học dữ liệu kinh doanh, thuật ngữ 'algorithmic bias' (thiên vị thuật toán) đề cập đến vấn đề gì?

A. Sự phức tạp của các thuật toán máy học.

B. Xu hướng thuật toán đưa ra kết quả không công bằng hoặc phân biệt đối xử do dữ liệu huấn luyện hoặc thiết kế thuật toán.

C. Khả năng thuật toán bị tấn công mạng.

D. Chi phí cao để phát triển các thuật toán phức tạp.

5. Đâu là một ví dụ về ứng dụng của khoa học dữ liệu trong lĩnh vực quản lý chuỗi cung ứng?

A. Phân tích tình hình kinh tế vĩ mô để dự báo tăng trưởng GDP.

B. Tối ưu hóa lộ trình vận chuyển và quản lý kho hàng để giảm chi phí.

C. Nghiên cứu hành vi tiêu dùng để phát triển sản phẩm mới.

D. Phân tích thị trường chứng khoán để đưa ra quyết định đầu tư.

6. Trong phân tích rủi ro tín dụng, mô hình nào thường được sử dụng để dự đoán khả năng vỡ nợ của khách hàng?

A. Mô hình K-Means Clustering.

B. Mô hình ARIMA.

C. Mô hình Logistic Regression.

D. Mô hình Principal Component Analysis (PCA).

7. Trong phân tích văn bản (Text Analytics) ứng dụng trong kinh doanh, kỹ thuật 'Sentiment Analysis' (Phân tích cảm xúc) được sử dụng để làm gì?

A. Phân loại văn bản theo chủ đề.

B. Trích xuất thông tin quan trọng từ văn bản.

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

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

8. Khi làm việc với dữ liệu văn bản trong khoa học dữ liệu kinh doanh, kỹ thuật 'Tokenization' (phân tách từ) có nghĩa là gì?

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

B. Chuyển đổi văn bản thành chữ thường.

C. Chia văn bản thành các đơn vị nhỏ hơn, thường là từ hoặc cụm từ (tokens).

D. Tìm kiếm các từ khóa quan trọng trong văn bản.

9. Khi xây dựng mô hình máy học, việc chia dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (test set) nhằm mục đích gì?

A. Tăng kích thước dữ liệu để cải thiện hiệu suất mô hình.

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

C. Giảm thời gian huấn luyện mô hình.

D. Chọn ra thuật toán máy học tốt nhất.

10. Trong lĩnh vực tài chính, khoa học dữ liệu được ứng dụng để phát hiện gian lận (fraud detection) bằng cách nào?

A. Tăng cường bảo mật hệ thống giao dịch trực tuyến.

B. Phân tích các mẫu giao dịch bất thường và khác biệt so với hành vi thông thường của khách hàng.

C. Tuân thủ các quy định pháp lý về phòng chống rửa tiền.

D. Giảm thiểu chi phí giao dịch ngân hàng.

11. Trong lĩnh vực quản lý nhân sự (HR), khoa học dữ liệu có thể được sử dụng để dự đoán điều gì?

A. Xu hướng kinh tế vĩ mô ảnh hưởng đến thị trường lao động.

B. Khả năng nhân viên nghỉ việc (employee attrition) và các yếu tố ảnh hưởng đến quyết định này.

C. Mức lương trung bình của các vị trí công việc khác nhau trên thị trường.

D. Hiệu quả của các chương trình đào tạo và phát triển nhân viên.

12. Đâu là một thách thức lớn khi triển khai các dự án khoa học dữ liệu trong doanh nghiệp?

A. Sự thiếu hụt các công cụ phần mềm phân tích dữ liệu.

B. Khả năng tích hợp dữ liệu từ nhiều nguồn khác nhau và đảm bảo chất lượng dữ liệu.

C. Chi phí đầu tư vào phần cứng máy tính quá cao.

D. Sự phức tạp của các thuật toán máy học.

13. Trong bối cảnh khoa học dữ liệu kinh doanh, 'Big Data' (Dữ liệu lớn) thường được mô tả bởi 4Vs. Yếu tố 'Velocity' (Tốc độ) đề cập đến khía cạnh nào?

A. Sự đa dạng về loại và nguồn dữ liệu.

B. Độ chính xác và tin cậy của dữ liệu.

C. Tốc độ tạo ra và xử lý dữ liệu.

D. Khối lượng dữ liệu khổng lồ.

14. Để xử lý dữ liệu bị thiếu (missing data) trong một tập dữ liệu kinh doanh, phương pháp 'imputation' (ước tính giá trị thay thế) có nghĩa là gì?

A. Xóa bỏ hoàn toàn các dòng dữ liệu chứa giá trị bị thiếu.

B. Thay thế các giá trị bị thiếu bằng các giá trị ước tính dựa trên các giá trị khác trong dữ liệu.

C. Bỏ qua các cột dữ liệu chứa giá trị bị thiếu.

D. Chuyển đổi dữ liệu sang định dạng khác để loại bỏ giá trị bị thiếu.

15. Khái niệm 'feature engineering' (kỹ thuật tạo đặc trưng) trong máy học đề cập đến công việc gì?

A. Lựa chọn thuật toán máy học phù hợp nhất.

B. Tối ưu hóa các tham số của mô hình máy học.

C. Quá trình chọn lọc, biến đổi và tạo ra các đặc trưng (features) phù hợp từ dữ liệu thô để cải thiện hiệu suất mô hình.

D. Đánh giá hiệu suất của mô hình máy học.

16. Trong bối cảnh kinh doanh trực tuyến (e-commerce), khoa học dữ liệu có thể giúp cá nhân hóa trải nghiệm khách hàng bằng cách nào?

A. Tự động hóa quy trình thanh toán trực tuyến.

B. Hiển thị quảng cáo nhắm mục tiêu dựa trên hành vi duyệt web và mua sắm của khách hàng.

C. Cải thiện tốc độ tải trang web.

D. Ngăn chặn tấn công từ chối dịch vụ (DDoS).

17. Trong khoa học dữ liệu, 'ensemble methods' (phương pháp kết hợp) như 'Random Forest' và 'Gradient Boosting' có ưu điểm gì so với các mô hình đơn lẻ?

A. Đơn giản và dễ diễn giải hơn.

B. Tốc độ huấn luyện nhanh hơn.

C. Thường cho hiệu suất dự đoán cao hơn và ổn định hơn bằng cách kết hợp kết quả của nhiều mô hình yếu.

D. Yêu cầu ít dữ liệu huấn luyện hơn.

18. Đâu là một ví dụ về ứng dụng của khoa học dữ liệu trong lĩnh vực nông nghiệp?

A. Dự báo giá cổ phiếu của các công ty nông nghiệp.

B. Tối ưu hóa việc sử dụng phân bón và nước tưới dựa trên dữ liệu về đất đai, thời tiết và cây trồng.

C. Phân tích thị trường lao động trong ngành nông nghiệp.

D. Nghiên cứu chính sách hỗ trợ nông nghiệp của chính phủ.

19. Trong phân tích dữ liệu chuỗi thời gian (Time Series), thành phần 'tính mùa vụ' (seasonality) thể hiện điều gì?

A. Xu hướng tăng hoặc giảm dài hạn của chuỗi dữ liệu.

B. Sự biến động ngẫu nhiên và không dự đoán được trong dữ liệu.

C. Các biến động lặp lại trong khoảng thời gian cố định (ví dụ: hàng năm, hàng quý, hàng tháng).

D. Sự thay đổi đột ngột và không thường xuyên trong dữ liệu.

20. Trong lĩnh vực bán lẻ, khoa học dữ liệu có thể được sử dụng để tối ưu hóa chiến lược giá (pricing strategy) như thế nào?

A. Tự động hóa quy trình thanh toán tại quầy.

B. Dự đoán nhu cầu sản phẩm theo thời gian và điều chỉnh giá linh hoạt để tối đa hóa lợi nhuận (dynamic pricing).

C. Phân tích đối thủ cạnh tranh và sao chép chiến lược giá của họ.

D. Giảm chi phí vận hành cửa hàng bán lẻ.

21. Trong đánh giá mô hình phân loại (Classification), chỉ số 'Precision' (Độ chính xác) đo lường điều gì?

A. Tỷ lệ dự đoán đúng trên tổng số mẫu thực tế là tích cực.

B. Tỷ lệ dự đoán đúng là tích cực trên tổng số mẫu được dự đoán là tích cực.

C. Tỷ lệ dự đoán sai là tích cực trên tổng số mẫu thực tế là tích cực.

D. Tỷ lệ mẫu thực tế là tích cực được dự đoán đúng.

22. Trong ngữ cảnh khoa học dữ liệu kinh doanh, 'A/B testing' (thử nghiệm A/B) được sử dụng để làm gì?

A. Đánh giá hiệu quả của mô hình máy học.

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

C. Phân tích dữ liệu lớn để tìm ra mẫu hình.

D. Dự đoán xu hướng thị trường.

23. Lợi ích chính của việc sử dụng các công cụ trực quan hóa dữ liệu (Data Visualization) trong kinh doanh là gì?

A. Tăng tốc độ thu thập dữ liệu.

B. Giúp nhận diện xu hướng, mẫu hình và thông tin chi tiết từ dữ liệu một cách nhanh chóng và dễ dàng hơn.

C. Giảm thiểu nhu cầu về chuyên gia phân tích dữ liệu.

D. Tự động tạo ra các mô hình dự đoán phức tạp.

24. Phương pháp 'Principal Component Analysis' (PCA) được sử dụng trong khoa học dữ liệu kinh doanh với mục đích chính nào?

A. Phân loại dữ liệu vào các nhóm khác nhau.

B. Giảm số chiều dữ liệu bằng cách tìm ra các thành phần chính giải thích phương sai lớn nhất trong dữ liệu.

C. Dự đoán giá trị tương lai của một biến số.

D. Tìm kiếm các quy luật kết hợp trong dữ liệu giao dịch.

25. Trong kinh doanh, kỹ thuật 'phân cụm' (clustering) trong khai phá dữ liệu thường được ứng dụng để làm gì?

A. Dự báo doanh số bán hàng trong tương lai dựa trên dữ liệu lịch sử.

B. Phân loại khách hàng thành các nhóm khác nhau dựa trên đặc điểm chung của họ.

C. Xác định mối quan hệ nhân quả giữa các biến số kinh tế.

D. Đánh giá rủi ro tín dụng của khách hàng dựa trên hồ sơ tài chính.

26. Trong lĩnh vực marketing, kỹ thuật 'Recommendation System' (Hệ thống gợi ý) sử dụng khoa học dữ liệu để làm gì?

A. Phân tích đối thủ cạnh tranh và chiến lược giá của họ.

B. Dự đoán xu hướng thị trường và nhu cầu sản phẩm mới.

C. Gợi ý sản phẩm hoặc dịch vụ phù hợp cho từng khách hàng dựa trên lịch sử mua hàng, sở thích, và hành vi của họ.

D. Tối ưu hóa ngân sách quảng cáo trên các kênh truyền thông khác nhau.

27. Mô hình hồi quy tuyến tính (Linear Regression) được sử dụng trong kinh tế lượng và khoa học dữ liệu kinh doanh với mục đích chính nào?

A. Phân loại dữ liệu vào các nhóm khác nhau.

B. Dự đoán giá trị của một biến số phụ thuộc dựa trên một hoặc nhiều biến số độc lập.

C. Tìm kiếm các mẫu ẩn trong dữ liệu phi cấu trúc.

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

28. Ứng dụng nào sau đây thể hiện việc sử dụng khoa học dữ liệu để cải thiện trải nghiệm khách hàng trong ngành dịch vụ?

A. Tự động hóa quy trình chấm công nhân viên.

B. Dự đoán thời gian chờ đợi của khách hàng và thông báo cho họ để giảm sự khó chịu.

C. Tối ưu hóa lịch trình bảo trì thiết bị.

D. Phân tích hiệu quả của các chiến dịch quảng cáo trên truyền hình.

29. Đâu là định nghĩa chính xác nhất về Khoa học Dữ liệu trong bối cảnh kinh tế và kinh doanh?

A. Việc sử dụng các phương pháp thống kê truyền thống để phân tích dữ liệu kinh tế vĩ mô.

B. Lĩnh vực nghiên cứu về phần mềm quản lý cơ sở dữ liệu lớn cho doanh nghiệp.

C. Một lĩnh vực liên ngành sử dụng các phương pháp khoa học để trích xuất kiến thức và hiểu biết giá trị từ dữ liệu nhằm hỗ trợ ra quyết định trong kinh tế và kinh doanh.

D. Việc áp dụng các thuật toán máy học phức tạp để tự động hóa hoàn toàn quy trình kinh doanh.

30. Trong khoa học dữ liệu, 'overfitting' (quá khớp) là hiện tượng gì và tại sao nó là vấn đề?

A. Mô hình hoạt động quá chậm do xử lý dữ liệu lớn.

B. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới, chưa từng thấy.

C. Dữ liệu huấn luyện không đủ lớn để mô hình học hiệu quả.

D. Thuật toán máy học được chọn không phù hợp với dữ liệu.