Đề thi, bài tập trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh – Đề 6

Độ chuẩn xác (Precision) đo lường tỷ lệ dự đoán đúng các trường hợp dương tính (True Positives) trên tổng số trường hợp được dự đoán là dương tính (True Positives + False Positives). Nó cho biết trong số các trường hợp mô hình dự đoán là dương tính, có bao nhiêu trường hợp thực sự là dương tính.

Feature engineering (kỹ thuật tạo đặc trưng) là quá trình quan trọng trong Khoa học dữ liệu, tập trung vào việc tạo ra các đặc trưng (features) phù hợp từ dữ liệu thô để mô hình học máy có thể học hiệu quả hơn. Điều này có thể bao gồm tạo biến mới, biến đổi biến hiện có, hoặc chọn lọc các biến quan trọng.

Hồi quy tuyến tính là mô hình học máy phù hợp cho các bài toán dự đoán giá trị số (regression), như dự đoán giá nhà. Các đặc điểm (diện tích, vị trí, số phòng ngủ) là biến đầu vào và giá nhà là biến mục tiêu.

Python là một trong những ngôn ngữ lập trình phổ biến nhất trong Khoa học dữ liệu do tính linh hoạt, thư viện phong phú (như Pandas, NumPy, Scikit-learn), và cộng đồng hỗ trợ lớn. R cũng là một ngôn ngữ phổ biến khác, đặc biệt trong thống kê và phân tích dữ liệu.

Thuật toán AI trong tuyển dụng nhân sự, nếu không được thiết kế và kiểm tra cẩn thận, có thể vô tình duy trì hoặc khuếch đại sự thiên vị giới tính, chủng tộc hoặc các hình thức phân biệt đối xử khác có trong dữ liệu huấn luyện hoặc logic thuật toán. Điều này đặt ra thách thức đạo đức lớn trong việc đảm bảo tính công bằng và minh bạch trong quá trình tuyển dụng.

Ưu điểm chính của Khoa học dữ liệu là cung cấp thông tin chi tiết và dự đoán dựa trên dữ liệu, giúp doanh nghiệp đưa ra quyết định sáng suốt và hiệu quả hơn. Nó không loại bỏ hoàn toàn vai trò của kinh nghiệm và trực giác, mà bổ sung và làm phong phú thêm quá trình ra quyết định.

Dự đoán 'churn rate' là bài toán phân loại (Classification) vì mục tiêu là phân loại khách hàng vào hai nhóm: 'churn' (rời bỏ) hoặc 'not churn' (không rời bỏ). Các mô hình phân loại như Logistic Regression, Decision Trees, hoặc Support Vector Machines có thể được sử dụng.

Đa cộng tuyến (multicollinearity) xảy ra khi các biến độc lập trong mô hình hồi quy có tương quan cao với nhau, gây khó khăn cho việc ước lượng chính xác hệ số hồi quy. Một cách để giảm thiểu vấn đề này là loại bỏ một trong các biến độc lập có tương quan cao, hoặc sử dụng các kỹ thuật khác như phân tích thành phần chính (PCA) hoặc hồi quy Ridge/Lasso.

Giai đoạn Chuẩn bị dữ liệu (Data Preparation) bao gồm các hoạt động như làm sạch dữ liệu (data cleaning), chuyển đổi dữ liệu (data transformation), và tích hợp dữ liệu (data integration) để dữ liệu sẵn sàng cho phân tích.

Matplotlib và Seaborn là hai thư viện Python phổ biến nhất để tạo ra các biểu đồ và đồ thị trực quan hóa dữ liệu. Matplotlib là thư viện cơ bản, còn Seaborn xây dựng trên Matplotlib và cung cấp các giao diện đẹp mắt và tiện lợi hơn cho việc trực quan hóa thống kê.

Thiên vị (bias) trong thuật toán học máy có thể xuất phát từ dữ liệu huấn luyện hoặc thiết kế thuật toán. Nếu không được kiểm soát, thiên vị có thể dẫn đến các quyết định phân biệt đối xử hoặc không công bằng, gây tổn hại đến uy tín doanh nghiệp và ảnh hưởng tiêu cực đến một số nhóm khách hàng hoặc nhân viên.

Tập kiểm chứng (validation set) được sử dụng trong quá trình huấn luyện mô hình học máy để tinh chỉnh siêu tham số (hyperparameters) của mô hình. Nó giúp đánh giá hiệu suất của mô hình trên dữ liệu chưa từng thấy trong quá trình huấn luyện và lựa chọn cấu hình siêu tham số tốt nhất trước khi đánh giá cuối cùng trên tập kiểm tra (test set).

Phân tích mô tả (Descriptive Analytics) tập trung vào việc tóm tắt và mô tả dữ liệu lịch sử để hiểu 'điều gì đã xảy ra' trong quá khứ. Nó sử dụng các kỹ thuật như thống kê mô tả, trực quan hóa dữ liệu để cung cấp cái nhìn tổng quan về dữ liệu.

Khoa học dữ liệu cho phép phân tích dữ liệu khách hàng (hành vi mua sắm, tương tác trực tuyến, nhân khẩu học) để hiểu rõ hơn về sở thích và nhu cầu của từng cá nhân. Dựa trên thông tin này, doanh nghiệp có thể cá nhân hóa trải nghiệm khách hàng bằng cách đề xuất sản phẩm phù hợp, gửi thông điệp marketing cá nhân hóa, và tối ưu hóa hành trình khách hàng.

Tối ưu hóa chuỗi cung ứng sản xuất là ứng dụng quan trọng của Khoa học dữ liệu, nhưng thường thuộc lĩnh vực quản lý vận hành và sản xuất hơn là tài chính. Các ứng dụng còn lại (phát hiện gian lận, định giá tài sản, phân tích danh mục đầu tư) đều là ứng dụng phổ biến của Khoa học dữ liệu trong tài chính.

Dữ liệu phi cấu trúc (unstructured data) không có định dạng xác định trước và khó phân tích trực tiếp bằng các phương pháp truyền thống. Bài đăng trên mạng xã hội và đánh giá sản phẩm trực tuyến (dữ liệu văn bản, hình ảnh, video) là ví dụ điển hình của dữ liệu phi cấu trúc. Các lựa chọn khác thường là dữ liệu cấu trúc (structured data) dạng bảng biểu.

Khoa học dữ liệu có thể phân tích dữ liệu lịch sử và hiện tại để dự đoán nhu cầu sản phẩm, tối ưu hóa mức tồn kho, giảm thiểu lãng phí, và cải thiện hiệu quả chuỗi cung ứng. Điều này giúp doanh nghiệp giảm chi phí, tăng cường khả năng đáp ứng và nâng cao lợi nhuận.

Phân tích hồi quy (Regression Analysis) là phương pháp thống kê cốt lõi để mô hình hóa và phân tích mối quan hệ giữa biến phụ thuộc và biến độc lập. Nó được sử dụng rộng rãi trong kinh tế lượng và Khoa học dữ liệu để dự đoán và hiểu các yếu tố ảnh hưởng đến một biến quan tâm.

Ensemble methods (phương pháp kết hợp) như Random Forest và Gradient Boosting hoạt động bằng cách kết hợp dự đoán của nhiều mô hình học máy yếu hơn (thường là cây quyết định) để tạo ra một mô hình mạnh hơn và chính xác hơn. Nguyên tắc cơ bản là 'sức mạnh từ sự đa dạng', khi kết hợp nhiều mô hình yếu có thể bù trừ lỗi cho nhau và cải thiện hiệu suất tổng thể.

Học máy có giám sát (supervised learning) sử dụng dữ liệu đã được gán nhãn để huấn luyện mô hình dự đoán. Hồi quy tuyến tính, Cây quyết định phân loại, và Mạng nơ-ron cho phân loại đều là các phương pháp học có giám sát. Phân cụm K-Means là phương pháp học không giám sát (unsupervised learning), không sử dụng dữ liệu gán nhãn mà tìm kiếm cấu trúc ẩn trong dữ liệu.

Khi làm việc với dữ liệu lớn (Big Data), thách thức chính thường xoay quanh việc đảm bảo chất lượng dữ liệu (data quality) và xử lý độ phức tạp của dữ liệu (data complexity) về mặt kích thước, tốc độ và sự đa dạng (volume, velocity, variety). Các thách thức khác có thể bao gồm vấn đề về quyền riêng tư và bảo mật dữ liệu.

Phân tích chuỗi thời gian thường phân tách chuỗi thời gian thành các thành phần chính: Xu hướng (Trend), Tính mùa vụ (Seasonality), Tính chu kỳ (Cyclicity), và Tính ngẫu nhiên/Dư thừa (Randomness/Residuals). 'Tính chủ quan' không phải là một thành phần thống kê của chuỗi thời gian.

Phát hiện dị thường (Anomaly Detection) là kỹ thuật học máy được thiết kế đặc biệt để xác định các mẫu dữ liệu bất thường hoặc ngoại lệ so với dữ liệu thông thường. Trong phát hiện gian lận thẻ tín dụng, các giao dịch gian lận thường là dị thường so với hành vi giao dịch thông thường của chủ thẻ.

Phân cụm (Clustering) là kỹ thuật phân tích dữ liệu được sử dụng để nhóm các đối tượng tương tự lại với nhau. Trong kinh doanh, nó thường được dùng để phân khúc khách hàng dựa trên các đặc điểm hoặc hành vi chung.

A/B testing (thử nghiệm A/B) là một phương pháp thực nghiệm được sử dụng để so sánh hiệu quả của hai phiên bản (A và B) của một yếu tố kinh doanh. Mục tiêu là xác định phiên bản nào hoạt động tốt hơn dựa trên các chỉ số đo lường cụ thể.

Điền giá trị trung bình (Mean Imputation) là một phương pháp đơn giản để xử lý dữ liệu bị thiếu bằng cách thay thế các giá trị thiếu bằng giá trị trung bình của cột dữ liệu đó. Các phương pháp khác bao gồm điền giá trị trung vị, điền giá trị theo mô hình dự đoán, hoặc loại bỏ các hàng/cột chứa dữ liệu thiếu.

Xử lý ngôn ngữ tự nhiên (NLP) là lĩnh vực Khoa học dữ liệu tập trung vào việc xử lý và hiểu ngôn ngữ của con người. Phân tích cảm xúc (sentiment analysis) từ phản hồi của khách hàng (ví dụ: đánh giá sản phẩm, bình luận trên mạng xã hội) là một ứng dụng quan trọng của NLP trong kinh doanh, giúp doanh nghiệp hiểu được thái độ và cảm xúc của khách hàng về sản phẩm và dịch vụ.

Giảm chiều dữ liệu (dimensionality reduction) là kỹ thuật giảm số lượng biến (features) trong tập dữ liệu. Mục tiêu là đơn giản hóa dữ liệu, giảm nhiễu, và cải thiện hiệu suất mô hình (ví dụ: tốc độ huấn luyện, tránh overfitting) mà vẫn giữ lại được thông tin quan trọng nhất.

Khoa học dữ liệu trong kinh tế và kinh doanh là một lĩnh vực liên ngành, kết hợp thống kê, khoa học máy tính và kiến thức kinh tế/kinh doanh để phân tích dữ liệu và cung cấp thông tin hữu ích cho việc ra quyết định.

Overfitting (quá khớp) xảy ra khi mô hình học máy học quá kỹ dữ liệu huấn luyện, bao gồm cả nhiễu trong dữ liệu. Kết quả là mô hình hoạt động rất tốt trên dữ liệu huấn luyện (độ chính xác cao), nhưng khả năng khái quát hóa kém, dẫn đến hiệu suất kém trên dữ liệu mới (dữ liệu kiểm tra).