Đề thi, bài tập trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh – Đề 10

Cross-validation giúp đánh giá khách quan hiệu suất mô hình trên dữ liệu chưa từng thấy, từ đó ước lượng khả năng khái quát hóa và phát hiện overfitting. Nó không trực tiếp liên quan đến tốc độ huấn luyện, làm sạch dữ liệu, hay chọn thuật toán.

Khoa học dữ liệu có nhiều ứng dụng trong marketing, bao gồm tối ưu hóa chiến dịch quảng cáo (ví dụ: nhắm mục tiêu quảng cáo), phân khúc thị trường (ví dụ: phân loại khách hàng), dự đoán hành vi khách hàng (ví dụ: dự đoán tỷ lệ rời bỏ), và cá nhân hóa trải nghiệm khách hàng. Các lựa chọn khác liên quan đến các lĩnh vực khác ngoài marketing.

Khoa học dữ liệu dựa trên phân tích dữ liệu để đưa ra quyết định. Việc phát triển sản phẩm mới dựa trên 'cảm hứng cá nhân' không phải là ứng dụng của khoa học dữ liệu, mà là dựa trên yếu tố chủ quan. Các lựa chọn khác đều là các ứng dụng thực tế của khoa học dữ liệu trong kinh doanh.

Dữ liệu phi cấu trúc như văn bản, hình ảnh, video, âm thanh đòi hỏi các kỹ thuật phân tích đặc biệt. Khai thác văn bản và xử lý ảnh là các lĩnh vực của khoa học dữ liệu tập trung vào việc phân tích và trích xuất thông tin từ dữ liệu văn bản và hình ảnh, tương ứng. Các lựa chọn khác thường phù hợp hơn với dữ liệu cấu trúc.

Đa cộng tuyến xảy ra khi có mối tương quan tuyến tính mạnh giữa hai hoặc nhiều biến độc lập trong mô hình hồi quy, gây khó khăn trong việc ước lượng tác động riêng rẽ của từng biến. Các lựa chọn khác mô tả các vấn đề khác trong mô hình kinh tế lượng.

Cây quyết định và các mô hình phân loại khác như Support Vector Machines (SVM), Logistic Regression, và thuật toán K-Means Clustering thường được sử dụng cho phân khúc khách hàng. Hồi quy tuyến tính dùng cho dự đoán giá trị liên tục, ANOVA cho so sánh trung bình giữa các nhóm, và phân tích tương quan đo lường mối quan hệ tuyến tính giữa các biến.

Logistic regression là mô hình phân loại nhị phân, rất phù hợp để dự đoán xác suất một sự kiện xảy ra (ví dụ: khách hàng vỡ nợ). Trong rủi ro tín dụng, nó được dùng để phân loại khách hàng vào các nhóm rủi ro khác nhau. Các lựa chọn khác không phải là ứng dụng chính của logistic regression trong bối cảnh này.

ARIMA là một mô hình thống kê phổ biến để phân tích và dự báo chuỗi thời gian, đặc biệt trong kinh tế và tài chính. Nó là viết tắt của AutoRegressive Integrated Moving Average, mô tả các thành phần tự hồi quy (AR), tích hợp (I), và trung bình trượt (MA) của mô hình.

'Feature engineering' là một bước quan trọng trong khoa học dữ liệu, tập trung vào việc tạo ra các thuộc tính (features) có ý nghĩa từ dữ liệu gốc để mô hình học máy có thể học và dự đoán hiệu quả hơn. Các lựa chọn khác mô tả các khía cạnh khác của quy trình khoa học dữ liệu.

Overfitting là tình trạng mô hình học quá chi tiết dữ liệu huấn luyện, bao gồm cả nhiễu, dẫn đến mất khả năng khái quát hóa và dự đoán kém trên dữ liệu mới. Underfitting (thiếu khớp) là trường hợp mô hình không học được mối quan hệ quan trọng (lựa chọn 2).

Matplotlib và Seaborn là các thư viện Python phổ biến và mạnh mẽ để tạo biểu đồ và hình ảnh trực quan từ dữ liệu. Excel và Tableau là công cụ trực quan hóa dữ liệu độc lập. SPSS là phần mềm thống kê.

Khoa học dữ liệu có nhiều ứng dụng trong tài chính, bao gồm phát hiện gian lận, quản lý rủi ro tín dụng, giao dịch thuật toán, và tư vấn tài chính cá nhân hóa. Các lựa chọn khác không phải là ứng dụng trực tiếp hoặc chính xác của khoa học dữ liệu trong tài chính.

Precision đo lường độ chính xác của các dự đoán dương tính. Nó được tính bằng tỷ lệ số lượng dự đoán dương tính đúng (True Positives) trên tổng số dự đoán dương tính (True Positives + False Positives). Recall (độ phủ) đo lường tỷ lệ dự đoán đúng trên tổng số mẫu thực tế là dương (lựa chọn 1).

Bảo vệ quyền riêng tư và dữ liệu cá nhân là một vấn đề đạo đức hàng đầu trong khoa học dữ liệu, đặc biệt khi doanh nghiệp thu thập và sử dụng dữ liệu khách hàng. Các lựa chọn khác ít liên quan đến đạo đức hơn hoặc là mục tiêu kinh doanh chứ không phải vấn đề đạo đức.

Một trong những thách thức lớn nhất là thiếu nhân lực có kỹ năng khoa học dữ liệu và sự thiếu văn hóa dữ liệu trong các tổ chức truyền thống, cản trở việc ứng dụng và khai thác hiệu quả khoa học dữ liệu. Chi phí phần mềm và cạnh tranh là các yếu tố khác, nhưng yếu tố con người và văn hóa thường là rào cản lớn hơn.

Python được ưa chuộng trong khoa học dữ liệu nhờ hệ sinh thái thư viện mạnh mẽ như NumPy, pandas, scikit-learn, TensorFlow, PyTorch, v.v., hỗ trợ đắc lực cho phân tích dữ liệu, học máy, và trực quan hóa. Tốc độ thực thi của Python không phải là ưu điểm, và GUI không phải là trọng tâm chính của nó.

Khảo sát định tính quy mô nhỏ, mặc dù hữu ích trong nghiên cứu kinh tế và kinh doanh, nhưng không phải là một phương pháp cốt lõi của khoa học dữ liệu, vốn tập trung vào phân tích dữ liệu định lượng lớn. Các lựa chọn còn lại đều là các kỹ thuật phổ biến trong khoa học dữ liệu.

PCA là một kỹ thuật giảm chiều dữ liệu hiệu quả, bằng cách tìm ra các thành phần chính (principal components) là tổ hợp tuyến tính của các biến gốc, giữ lại phần lớn phương sai và thông tin quan trọng trong dữ liệu với số chiều ít hơn. Các lựa chọn khác không mô tả đúng mục đích của PCA.

Tính dừng (stationarity) là một thuộc tính quan trọng của chuỗi thời gian trong dự báo. Chuỗi dừng có các thuộc tính thống kê (như trung bình và phương sai) không đổi theo thời gian, giúp các mô hình dự báo chuỗi thời gian hoạt động hiệu quả hơn. Các lựa chọn khác không phải là lý do chính cho tầm quan trọng của tính dừng.

Khoa học dữ liệu, trong bối cảnh kinh tế và kinh doanh, tập trung vào việc sử dụng phương pháp khoa học để phân tích dữ liệu, từ đó hỗ trợ ra quyết định kinh doanh hiệu quả hơn. Các lựa chọn khác chỉ là các ứng dụng hoặc khía cạnh hẹp hơn của lĩnh vực này.

Dữ liệu lớn cho phép doanh nghiệp thu thập và phân tích lượng thông tin khổng lồ, từ đó hiểu rõ hơn về khách hàng và thị trường, phát hiện các xu hướng và cơ hội mới. Các lựa chọn khác không phải là lợi ích chính hoặc thậm chí không đúng.

Accuracy, Precision, Recall, F1-score, và AUC-ROC là các chỉ số phổ biến để đánh giá mô hình phân loại. R-squared và MSE thường dùng cho mô hình hồi quy. P-value dùng trong kiểm định giả thuyết thống kê.

Data warehouse là một hệ thống lưu trữ dữ liệu được thiết kế đặc biệt cho mục đích phân tích và báo cáo. Dữ liệu trong data warehouse thường được tích hợp từ nhiều nguồn, làm sạch, và chuyển đổi để đảm bảo tính nhất quán và chất lượng, phục vụ cho việc ra quyết định dựa trên dữ liệu. Các lựa chọn khác mô tả các chức năng khác nhau liên quan đến dữ liệu.

Hồi quy tuyến tính là mô hình phù hợp để dự đoán một giá trị số liên tục (giá nhà) dựa trên các biến đầu vào (diện tích, vị trí, số phòng ngủ). K-Means Clustering dùng để phân cụm, PCA để giảm chiều dữ liệu, và Naive Bayes cho phân loại.

A/B testing là một phương pháp thử nghiệm đối chứng được sử dụng để so sánh hiệu quả của hai phiên bản (A và B) của một yếu tố nào đó (ví dụ: trang web, email marketing, giao diện ứng dụng) bằng cách chia ngẫu nhiên người dùng thành hai nhóm và đo lường phản ứng của họ. Nó giúp đưa ra quyết định dựa trên dữ liệu về phiên bản nào hoạt động tốt hơn. Các lựa chọn khác mô tả các ứng dụng khác của khoa học dữ liệu.

Bias-variance tradeoff là một khái niệm cốt lõi trong học máy. Mô hình có độ chệch cao (high bias) thường quá đơn giản và không khớp tốt với dữ liệu, trong khi mô hình có phương sai cao (high variance) thường quá phức tạp và overfitting dữ liệu huấn luyện. Cần tìm sự cân bằng để mô hình có khả năng khái quát hóa tốt trên dữ liệu mới. Các lựa chọn khác liên quan đến các khía cạnh khác của mô hình nhưng không phải là bias-variance tradeoff.

Data cleaning là bước quan trọng trong quy trình khoa học dữ liệu, đảm bảo chất lượng dữ liệu trước khi phân tích và mô hình hóa. Nó bao gồm xử lý dữ liệu thiếu, loại bỏ dữ liệu trùng lặp hoặc không nhất quán, sửa lỗi dữ liệu, và chuyển đổi dữ liệu về định dạng phù hợp. Các lựa chọn khác mô tả các bước khác trong quy trình khoa học dữ liệu.

Cá nhân hóa trải nghiệm khách hàng, như đề xuất sản phẩm và dịch vụ phù hợp với sở thích và hành vi của từng khách hàng, là một ứng dụng quan trọng của khoa học dữ liệu giúp tăng sự hài lòng và trung thành của khách hàng. Các lựa chọn khác không trực tiếp liên quan đến trải nghiệm khách hàng.

Gradient boosting là một thuật toán học máy ensemble mạnh mẽ, xây dựng mô hình dự đoán bằng cách kết hợp tuần tự các mô hình yếu (thường là cây quyết định), trong đó mỗi mô hình mới cố gắng sửa chữa sai sót của các mô hình trước đó. Các lựa chọn khác mô tả các kỹ thuật khác trong khoa học dữ liệu.

Random forest là một thuật toán học máy ensemble dựa trên cây quyết định. Nó xây dựng nhiều cây quyết định và tổng hợp kết quả dự đoán của chúng để đưa ra dự đoán cuối cùng, giúp cải thiện độ chính xác và giảm overfitting so với một cây quyết định đơn lẻ. Các lựa chọn khác mô tả các loại mô hình học máy khác nhau.