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

1. Phương pháp 'cross-validation' (kiểm định chéo) được sử dụng trong khoa học dữ liệu để:

A. Tăng tốc độ huấn luyện mô hình.

B. Đánh giá khả năng khái quát hóa của mô hình và tránh overfitting.

C. Làm sạch dữ liệu bị thiếu.

D. Chọn thuật toán học máy tốt nhất.

2. Trong lĩnh vực marketing, khoa học dữ liệu được sử dụng để:

A. Tự động hóa quy trình sản xuất hàng loạt.

B. Tối ưu hóa chiến dịch quảng cáo, phân khúc thị trường, và dự đoán hành vi khách hàng.

C. Quản lý chuỗi cung ứng hiệu quả hơn.

D. Giảm chi phí vận chuyển hàng hóa.

3. Ứng dụng nào sau đây KHÔNG phải là ứng dụng của khoa học dữ liệu trong kinh doanh?

A. Dự báo doanh số bán hàng.

B. Phát triển sản phẩm mới dựa trên cảm hứng cá nhân.

C. Phân khúc khách hàng để tối ưu hóa chiến dịch marketing.

D. Phát hiện gian lận trong giao dịch tài chính.

4. Khi dữ liệu có dạng phi cấu trúc (unstructured data) như văn bản hoặc hình ảnh, phương pháp nào sau đây thường được sử dụng để phân tích?

A. Hồi quy tuyến tính.

B. Khai thác văn bản (Text Mining) và xử lý ảnh (Image Processing).

C. Phân tích phương sai (ANOVA).

D. Phân tích chuỗi thời gian.

5. Trong kinh tế lượng, hiện tượng 'đa cộng tuyến' (multicollinearity) đề cập đến:

A. Sai số phương sai thay đổi theo quan sát.

B. Tồn tại mối tương quan tuyến tính cao giữa các biến độc lập trong mô hình hồi quy.

C. Biến phụ thuộc không tuân theo phân phối chuẩn.

D. Mô hình hồi quy bị thiếu biến quan trọng.

6. Mô hình học máy nào sau đây thường được sử dụng để phân loại khách hàng thành các nhóm khác nhau dựa trên đặc điểm của họ?

A. Hồi quy tuyến tính.

B. Cây quyết định (Decision Tree).

C. Phân tích phương sai (ANOVA).

D. Phân tích tương quan.

7. Trong phân tích rủi ro tín dụng, mô hình 'logistic regression' thường được sử dụng để:

A. Dự báo chính xác số tiền nợ xấu.

B. Phân loại khách hàng vay thành nhóm có khả năng vỡ nợ cao hoặc thấp.

C. Ước tính lãi suất tối ưu cho khoản vay.

D. Tự động thu hồi nợ.

8. Trong phân tích dữ liệu chuỗi thời gian kinh tế, ARIMA là viết tắt của:

A. AutoRegressive Integrated Moving Average.

B. Artificial Intelligence for Regression and Iteration Method Analysis.

C. Advanced Regression and Interpolation Model Application.

D. Algorithm for Recursive Identification and Market Analysis.

9. Thuật ngữ 'feature engineering' trong khoa học dữ liệu dùng để chỉ:

A. Quá trình lựa chọn phần cứng máy tính phù hợp cho phân tích dữ liệu.

B. Quá trình chuyển đổi và tạo ra các thuộc tính (features) phù hợp từ dữ liệu thô để cải thiện hiệu suất mô hình.

C. Quá trình trình bày kết quả phân tích dữ liệu một cách trực quan.

D. Quá trình kiểm tra và làm sạch dữ liệu bị lỗi.

10. Trong khoa học dữ liệu, 'overfitting' (quá khớp) xảy ra khi:

A. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới.

B. Mô hình không học được mối quan hệ quan trọng trong dữ liệu.

C. Dữ liệu huấn luyện quá ít.

D. Mô hình quá phức tạp để xử lý dữ liệu.

11. Công cụ nào sau đây thường được sử dụng để trực quan hóa dữ liệu trong Python?

A. Microsoft Excel.

B. Tableau.

C. Matplotlib và Seaborn.

D. SPSS.

12. Trong lĩnh vực tài chính, khoa học dữ liệu được ứng dụng để:

A. Tăng cường bảo mật hệ thống ngân hàng vật lý.

B. Phát hiện gian lận giao dịch thẻ tín dụng và dự báo rủi ro tín dụng.

C. In tiền giấy hiệu quả hơn.

D. Giảm thiểu sự can thiệp của con người vào quyết định đầu tư.

13. Chỉ số 'precision' (độ chính xác) trong đánh giá mô hình phân loại được tính bằng:

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

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

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

D. Tỷ lệ dự đoán đúng là âm trên tổng số mẫu được dự đoán là âm.

14. Vấn đề đạo đức nào sau đây là quan trọng nhất khi sử dụng khoa học dữ liệu trong kinh doanh?

A. Sử dụng phần mềm phân tích dữ liệu có bản quyền.

B. Bảo vệ quyền riêng tư và dữ liệu cá nhân của khách hàng.

C. Đảm bảo tốc độ xử lý dữ liệu nhanh chóng.

D. Tối ưu hóa lợi nhuận cho doanh nghiệp.

15. Thách thức lớn nhất khi áp dụng khoa học dữ liệu trong các doanh nghiệp truyền thống thường là:

A. Chi phí mua phần mềm phân tích dữ liệu.

B. Thiếu hụt nhân lực có kỹ năng khoa học dữ liệu và văn hóa dữ liệu trong tổ chức.

C. Sự cạnh tranh từ các doanh nghiệp công nghệ lớn.

D. Khó khăn trong việc tiếp cận dữ liệu công khai.

16. Ưu điểm chính của việc sử dụng ngôn ngữ lập trình Python trong khoa học dữ liệu là:

A. Tốc độ thực thi nhanh hơn so với các ngôn ngữ khác.

B. Thư viện phong phú và đa dạng cho phân tích dữ liệu và học máy.

C. Khả năng tương thích tốt với phần cứng cũ.

D. Giao diện người dùng đồ họa (GUI) mạnh mẽ.

17. Phương pháp nào sau đây KHÔNG thuộc về lĩnh vực khoa học dữ liệu?

A. Hồi quy tuyến tính.

B. Phân tích chuỗi thời gian.

C. Khảo sát định tính quy mô nhỏ.

D. Khai phá dữ liệu (Data Mining).

18. Kỹ thuật 'Principal Component Analysis' (PCA) được sử dụng để:

A. Tăng chiều dữ liệu.

B. Giảm chiều dữ liệu và giữ lại thông tin quan trọng nhất.

C. Phân cụm dữ liệu thành các nhóm.

D. Dự báo giá trị tương lai của dữ liệu.

19. Khi xây dựng mô hình dự báo chuỗi thời gian, 'stationarity' (tính dừng) của chuỗi thời gian là quan trọng vì:

A. Giúp mô hình chạy nhanh hơn.

B. Đảm bảo rằng các thuộc tính thống kê của chuỗi thời gian không thay đổi theo thời gian, giúp mô hình dự báo ổn định và chính xác hơn.

C. Giảm thiểu nhiễu trong dữ liệu.

D. Làm cho dữ liệu dễ trực quan hóa hơn.

20. Khoa học dữ liệu trong kinh tế và kinh doanh chủ yếu tập trung vào việc:

A. Thu thập và lưu trữ dữ liệu kinh tế vĩ mô.

B. Áp dụng phương pháp khoa học để phân tích dữ liệu và rút ra quyết định kinh doanh.

C. Xây dựng các mô hình kinh tế lượng phức tạp để dự báo thị trường chứng khoán.

D. Tối ưu hóa quy trình sản xuất trong các ngành công nghiệp.

21. Trong bối cảnh kinh doanh hiện đại, dữ liệu lớn (Big Data) mang lại lợi ích nào sau đây?

A. Giảm chi phí lưu trữ dữ liệu.

B. Tăng cường bảo mật thông tin cá nhân của khách hàng.

C. Cung cấp thông tin chi tiết và sâu sắc hơn về hành vi khách hàng và xu hướng thị trường.

D. Đơn giản hóa quy trình phân tích dữ liệu.

22. Chỉ số nào sau đây thường được sử dụng để đánh giá hiệu suất của mô hình phân loại?

A. R-squared.

B. Mean Squared Error (MSE).

C. Accuracy (Độ chính xác).

D. P-value.

23. Trong khoa học dữ liệu, 'data warehouse' (kho dữ liệu) được sử dụng để:

A. Thực hiện phân tích dữ liệu thời gian thực.

B. Lưu trữ dữ liệu đã được làm sạch, tích hợp, và tối ưu hóa cho mục đích phân tích và báo cáo.

C. Thu thập dữ liệu từ các cảm biến IoT.

D. Quản lý giao dịch trực tuyến.

24. Mô hình học máy nào sau đây phù hợp nhất để dự đoán giá nhà dựa trên các đặc điểm như diện tích, vị trí, số phòng ngủ?

A. K-Means Clustering.

B. Hồi quy tuyến tính (Linear Regression).

C. Phân tích thành phần chính (PCA).

D. Phân loại Naive Bayes.

25. Trong khoa học dữ liệu, 'A/B testing' (thử nghiệm A/B) được sử dụng để:

A. Đánh giá hiệu quả của hai phiên bản khác nhau của một sản phẩm hoặc dịch vụ.

B. Phát hiện gian lận trong dữ liệu.

C. Dự báo doanh số bán hàng trong tương lai.

D. Phân cụm khách hàng thành các nhóm.

26. Trong khoa học dữ liệu, 'bias-variance tradeoff' (đánh đổi giữa độ chệch và phương sai) đề cập đến:

A. Sự đánh đổi giữa chi phí tính toán và độ chính xác của mô hình.

B. Sự đánh đổi giữa độ phức tạp của mô hình và khả năng khái quát hóa của nó.

C. Sự đánh đổi giữa tốc độ huấn luyện và tốc độ dự đoán của mô hình.

D. Sự đánh đổi giữa kích thước dữ liệu huấn luyện và hiệu suất mô hình.

27. Trong khoa học dữ liệu, 'data cleaning' (làm sạch dữ liệu) bao gồm các công việc nào sau đây?

A. Thu thập dữ liệu từ nhiều nguồn khác nhau.

B. Xóa bỏ dữ liệu trùng lặp, xử lý dữ liệu thiếu, và sửa lỗi dữ liệu.

C. Trực quan hóa dữ liệu bằng biểu đồ.

D. Xây dựng mô hình học máy từ dữ liệu.

28. Ứng dụng nào sau đây của khoa học dữ liệu giúp doanh nghiệp cải thiện trải nghiệm khách hàng?

A. Tối ưu hóa lịch trình làm việc của nhân viên.

B. Cá nhân hóa đề xuất sản phẩm và dịch vụ cho từng khách hàng.

C. Giảm chi phí thuê văn phòng.

D. Tự động hóa quy trình kế toán.

29. Kỹ thuật 'gradient boosting' thường được sử dụng trong học máy để:

A. Giảm chiều dữ liệu.

B. Xây dựng mô hình dự đoán mạnh mẽ bằng cách kết hợp nhiều mô hình yếu.

C. Phân cụm dữ liệu.

D. Phát hiện ngoại lệ trong dữ liệu.

30. Phương pháp 'random forest' là một loại mô hình học máy thuộc nhóm:

A. Mô hình tuyến tính.

B. Mô hình cây quyết định ensemble.

C. Mô hình mạng nơ-ron.

D. Mô hình phân cụm.