Đề thi, bài tập trắc nghiệm online Học máy – Đề 15

Random Forest là một thuật toán ensemble dựa trên bagging. Nó xây dựng nhiều cây quyết định trên các mẫu dữ liệu bootstrap và kết hợp dự đoán của chúng bằng cách lấy trung bình (cho hồi quy) hoặc bỏ phiếu (cho phân loại). Tính ngẫu nhiên trong việc chọn mẫu và features giúp giảm variance và cải thiện tính tổng quát.

Hàm kích hoạt thêm tính phi tuyến vào mạng nơ-ron, cho phép mạng học các mối quan hệ phức tạp và phi tuyến trong dữ liệu. Nếu không có hàm kích hoạt phi tuyến, mạng nơ-ron sẽ chỉ có thể mô hình hóa các hàm tuyến tính.

Backpropagation là thuật toán cốt lõi để huấn luyện mạng nơ-ron. Nó tính toán gradient của hàm mất mát đối với trọng số của mạng và sử dụng gradient này để cập nhật trọng số theo hướng giảm thiểu mất mát.

Explainable AI (XAI) tập trung vào việc phát triển các kỹ thuật và phương pháp để làm cho các mô hình học máy (đặc biệt là các mô hình phức tạp như mạng nơ-ron sâu) dễ hiểu và dễ diễn giải hơn đối với con người. Điều này quan trọng để tăng cường sự tin tưởng, trách nhiệm giải trình và khả năng gỡ lỗi cho các hệ thống AI.

Cây quyết định có ưu điểm lớn về khả năng diễn giải. Cấu trúc cây giúp dễ dàng hiểu được quy tắc quyết định mà mô hình học được, và có thể trực quan hóa cây để hiểu rõ hơn quá trình phân loại hoặc hồi quy.

RNNs được thiết kế để xử lý dữ liệu tuần tự, nơi mà thứ tự của dữ liệu là quan trọng. Chúng duy trì trạng thái ẩn để ghi nhớ thông tin từ các bước thời gian trước đó, làm cho chúng phù hợp với chuỗi thời gian, ngôn ngữ tự nhiên và các dữ liệu tuần tự khác.

Các vấn đề đạo đức trong học máy ngày càng được quan tâm. Các hệ thống học máy có thể chứa bias từ dữ liệu huấn luyện, dẫn đến kết quả không công bằng hoặc phân biệt đối xử. Tính minh bạch và trách nhiệm giải trình cũng quan trọng để đảm bảo các hệ thống này được sử dụng một cách có trách nhiệm.

Cả ba phương pháp (tăng dữ liệu, giảm độ phức tạp, chính quy hóa) đều có thể giúp giảm overfitting. Tăng dữ liệu cung cấp nhiều thông tin hơn, giảm độ phức tạp làm mô hình tổng quát hơn, và chính quy hóa thêm ràng buộc để ngăn chặn mô hình học quá sát dữ liệu huấn luyện.

Gradient Boosting là một thuật toán ensemble dựa trên boosting. Nó xây dựng các mô hình tuần tự, trong đó mỗi mô hình mới cố gắng sửa lỗi của các mô hình trước đó bằng cách tối ưu hóa hàm mất mát theo hướng gradient. XGBoost, LightGBM và AdaBoost là các biến thể phổ biến của Gradient Boosting.

Trong KNN, 'K' là số lượng láng giềng gần nhất được xem xét khi phân loại một điểm dữ liệu mới. Thuật toán tìm K điểm dữ liệu gần nhất trong tập huấn luyện và dự đoán nhãn dựa trên nhãn phổ biến nhất (cho phân loại) hoặc giá trị trung bình (cho hồi quy) của các láng giềng này.

Principal Component Analysis (PCA) là một thuật toán phổ biến để giảm chiều dữ liệu. Nó tìm kiếm các thành phần chính (principal components) là các hướng mà dữ liệu có phương sai lớn nhất, và chiếu dữ liệu lên không gian con được tạo bởi các thành phần này.

Bias-Variance tradeoff là một khái niệm quan trọng trong học máy. Mô hình có độ chệch cao (high bias) thường quá đơn giản và underfit dữ liệu. Mô hình có phương sai cao (high variance) thường quá phức tạp và overfit dữ liệu. Mục tiêu là tìm một sự cân bằng để mô hình có thể tổng quát tốt.

Support Vector Machine (SVM) là một thuật toán học có giám sát, thường được sử dụng cho bài toán phân loại và hồi quy. Các lựa chọn khác (K-means, PCA, Anomaly Detection) đều là các thuật toán học không giám sát.

Feature là các thuộc tính đo lường được, là đầu vào cho thuật toán học máy, giúp mô tả và phân biệt các mẫu dữ liệu. Chúng là các biến độc lập được sử dụng để dự đoán biến mục tiêu.

Học không giám sát tập trung vào việc khám phá thông tin tiềm ẩn trong dữ liệu không có nhãn, chẳng hạn như phân cụm dữ liệu tương tự hoặc giảm chiều dữ liệu để dễ dàng phân tích.

Bagging và Boosting là các kỹ thuật ensemble. Bagging huấn luyện nhiều mô hình độc lập trên các mẫu dữ liệu bootstrap (lấy mẫu có hoàn lại) và kết hợp dự đoán của chúng. Boosting huấn luyện các mô hình tuần tự, trong đó mỗi mô hình cố gắng sửa lỗi của mô hình trước đó.

Trong học tăng cường, sự cân bằng giữa exploration và exploitation là rất quan trọng. Tác nhân cần khám phá môi trường để tìm hiểu các hành động tốt nhất, nhưng cũng cần khai thác những hành động đã biết là tốt để đạt được phần thưởng.

Cross-validation là một kỹ thuật quan trọng để đánh giá khách quan hiệu suất của mô hình học máy. Nó chia dữ liệu thành nhiều phần (folds), huấn luyện mô hình trên một số phần và đánh giá trên phần còn lại, lặp lại quá trình này để có được ước tính hiệu suất tổng quát hơn.

SVM là một thuật toán phân loại mạnh mẽ. Nguyên tắc chính của SVM là tìm một hyperplane (trong không gian nhiều chiều) để phân chia các lớp dữ liệu sao cho khoảng cách (margin) giữa hyperplane và các điểm dữ liệu gần nhất của mỗi lớp là lớn nhất.

Transfer learning là một kỹ thuật mạnh mẽ giúp tận dụng kiến thức đã học từ một bài toán có nhiều dữ liệu (source task) để cải thiện hiệu suất học trên một bài toán khác có ít dữ liệu hơn hoặc liên quan (target task). Điều này đặc biệt hữu ích khi huấn luyện mô hình từ đầu đòi hỏi nhiều dữ liệu và tài nguyên tính toán.

CNNs được thiết kế đặc biệt để xử lý dữ liệu dạng lưới, như ảnh. Các lớp convolution cho phép chúng tự động học các đặc trưng không gian từ ảnh, làm cho chúng cực kỳ hiệu quả trong các tác vụ thị giác máy tính như nhận dạng ảnh, phát hiện đối tượng và phân đoạn ảnh.

Parameters của mô hình học máy (ví dụ: trọng số trong mạng nơ-ron) được học từ dữ liệu trong quá trình huấn luyện. Hyperparameters (ví dụ: learning rate, số lượng lớp trong mạng nơ-ron) là các thiết lập được đặt trước khi huấn luyện và thường được điều chỉnh để tối ưu hóa hiệu suất mô hình.

Overfitting xảy ra khi mô hình học quá chi tiết dữ liệu huấn luyện, bao gồm cả nhiễu, dẫn đến việc mô hình hoạt động kém khi gặp dữ liệu mới. Ngược lại, underfitting là khi mô hình quá đơn giản và không nắm bắt được các mẫu trong dữ liệu huấn luyện.

F1-score là trung bình điều hòa của Precision và Recall, cung cấp một đánh giá cân bằng về hiệu suất của mô hình phân loại, đặc biệt hữu ích khi Precision và Recall có sự đánh đổi.

Học máy tập trung vào việc phát triển các thuật toán cho phép máy tính học từ dữ liệu, cải thiện hiệu suất theo thời gian mà không cần các quy tắc được lập trình trước một cách cụ thể cho từng nhiệm vụ.

Precision và Recall là các chỉ số quan trọng trong bài toán phân loại, đặc biệt khi lớp dữ liệu bị mất cân bằng. Precision đo lường tỷ lệ dự đoán dương tính đúng, trong khi Recall đo lường tỷ lệ mẫu dương tính thực tế được phát hiện đúng.

Học có giám sát sử dụng dữ liệu đã được gán nhãn (input-output pairs) để huấn luyện mô hình dự đoán đầu ra cho dữ liệu mới. Các loại học khác có phương pháp tiếp cận khác nhau với dữ liệu.

AutoML (Automated Machine Learning) là một lĩnh vực đang phát triển nhằm mục tiêu tự động hóa nhiều bước trong quy trình phát triển mô hình học máy, giúp người không chuyên cũng có thể xây dựng và triển khai các mô hình học máy hiệu quả. Nó bao gồm tự động chọn thuật toán, điều chỉnh hyperparameters, feature engineering và các bước khác.

Học máy có nhiều ứng dụng trong y tế, bao gồm phân tích hình ảnh y tế để chẩn đoán bệnh (ví dụ: ung thư), dự đoán nguy cơ bệnh tật, cá nhân hóa điều trị và phát triển thuốc mới. Các lĩnh vực khác cũng ứng dụng học máy, nhưng chẩn đoán bệnh là một ứng dụng nổi bật trong y tế.

Trong học tăng cường, 'agent' là thực thể học cách hành động trong một 'environment' (môi trường) để đạt được mục tiêu. Nó đưa ra 'actions' (hành động) và nhận 'rewards' (phần thưởng) hoặc 'penalties' (hình phạt) dựa trên hành động của mình.