Đề thi, bài tập trắc nghiệm online Khoa học dữ liệu trong kinh tế và kinh doanh – Đề 8

1. Phương pháp nào sau đây KHÔNG phải là một kỹ thuật chính trong khoa học dữ liệu?

A. Hồi quy tuyến tính

B. Phân tích phương sai (ANOVA)

C. Quản lý dự án Agile

D. Cây quyết định

2. Trong kinh doanh, ứng dụng nào của khoa học dữ liệu giúp doanh nghiệp phân khúc thị trường hiệu quả nhất?

A. Dự báo doanh số

B. Phân tích rủi ro tín dụng

C. Phân cụm khách hàng

D. Tối ưu hóa chuỗi cung ứng

3. Thuật toán nào sau đây thường được sử dụng cho bài toán phân loại (classification) trong khoa học dữ liệu?

A. Linear Regression

B. K-means

C. Decision Tree

D. Principal Component Analysis (PCA)

4. Trong khoa học dữ liệu, 'regularization' (chính quy hóa) là kỹ thuật để giải quyết vấn đề nào?

A. Dữ liệu bị thiếu (missing data).

B. Overfitting (quá khớp).

C. Dữ liệu nhiễu (noisy data).

D. Dữ liệu không cân bằng (imbalanced data).

5. Phương pháp 'time series analysis' (phân tích chuỗi thời gian) được sử dụng chủ yếu để làm gì?

A. Phân loại dữ liệu văn bản.

B. Phân tích dữ liệu hình ảnh.

C. Phân tích dữ liệu có thứ tự thời gian để dự báo hoặc hiểu các xu hướng theo thời gian.

D. Phân tích dữ liệu không gian địa lý.

6. Kỹ thuật 'ensemble learning' (học tập kết hợp) trong khoa học dữ liệu là gì?

A. Kỹ thuật giảm chiều dữ liệu.

B. Kỹ thuật làm sạch dữ liệu.

C. Kỹ thuật kết hợp dự đoán của nhiều mô hình học máy khác nhau để cải thiện hiệu suất tổng thể.

D. Kỹ thuật chọn lọc thuộc tính (feature selection).

7. Đâu là ví dụ về dữ liệu 'phi cấu trúc' thường được sử dụng trong khoa học dữ liệu kinh doanh?

A. Bảng dữ liệu doanh số bán hàng

B. Cơ sở dữ liệu khách hàng quan hệ (Relational database)

C. Bình luận của khách hàng trên mạng xã hội

D. Báo cáo tài chính của công ty

8. Ứng dụng nào của khoa học dữ liệu giúp các nhà bán lẻ tối ưu hóa giá sản phẩm?

A. Phân tích cảm xúc khách hàng (Sentiment analysis)

B. Dự báo nhu cầu (Demand forecasting)

C. Tối ưu hóa giá động (Dynamic pricing)

D. Phân tích giỏ hàng (Market basket analysis)

9. Trong lĩnh vực tài chính, khoa học dữ liệu được ứng dụng để phát hiện gian lận giao dịch như thế nào?

A. Bằng cách mã hóa dữ liệu giao dịch.

B. Bằng cách xây dựng mô hình phát hiện bất thường (anomaly detection) dựa trên lịch sử giao dịch.

C. Bằng cách tăng cường bảo mật hệ thống giao dịch.

D. Bằng cách dự báo xu hướng thị trường tài chính.

10. Đánh giá mô hình học máy là bước quan trọng. Độ đo nào sau đây thường được sử dụng để đánh giá mô hình phân loại nhị phân?

A. RMSE (Root Mean Squared Error)

B. R-squared

C. Accuracy, Precision, Recall, F1-score

D. Mean Absolute Error (MAE)

11. Đâu là thách thức lớn nhất khi áp dụng khoa học dữ liệu vào kinh tế và kinh doanh?

A. Chi phí phần mềm phân tích dữ liệu quá cao.

B. Sự thiếu hụt nhân lực có kỹ năng phân tích dữ liệu.

C. Khó khăn trong việc thu thập dữ liệu từ đối thủ cạnh tranh.

D. Sự phản đối từ các bộ phận khác trong doanh nghiệp.

12. Trong bối cảnh kinh doanh, 'data visualization' (trực quan hóa dữ liệu) có vai trò quan trọng nhất là gì?

A. Tăng dung lượng lưu trữ dữ liệu.

B. Giúp con người dễ dàng hiểu và nhận diện các mẫu, xu hướng trong dữ liệu phức tạp.

C. Tăng tốc độ xử lý dữ liệu.

D. Bảo mật dữ liệu.

13. Phương pháp nào sau đây giúp giảm chiều dữ liệu, loại bỏ sự dư thừa và giữ lại thông tin quan trọng nhất?

A. Hồi quy Logistic

B. Phân tích thành phần chính (Principal Component Analysis - PCA)

C. K-Nearest Neighbors (KNN)

D. Naive Bayes

14. Mục tiêu chính của việc 'làm sạch dữ liệu' (data cleaning) trong quy trình khoa học dữ liệu là gì?

A. Tăng dung lượng lưu trữ dữ liệu.

B. Cải thiện chất lượng dữ liệu bằng cách xử lý dữ liệu thiếu, sai lệch, hoặc không nhất quán.

C. Tăng tốc độ truy xuất dữ liệu.

D. Bảo mật dữ liệu khỏi truy cập trái phép.

15. Kỹ thuật 'feature engineering' trong khoa học dữ liệu có mục đích chính là gì?

A. Giảm kích thước của tập dữ liệu

B. Tăng tốc độ xử lý dữ liệu

C. Tạo ra các thuộc tính (features) mới, phù hợp hơn từ dữ liệu hiện có để cải thiện hiệu suất mô hình.

D. Chọn ra các thuật toán học máy tốt nhất.

16. Khoa học dữ liệu trong kinh tế và kinh doanh chủ yếu tập trung vào điều gì?

A. Thu thập và phân tích dữ liệu để đưa ra quyết định và dự đoán trong bối cảnh kinh tế và kinh doanh.

B. Phát triển phần mềm và ứng dụng cho các doanh nghiệp.

C. Nghiên cứu các mô hình kinh tế vĩ mô.

D. Quản lý hệ thống thông tin của doanh nghiệp.

17. Trong bối cảnh kinh doanh, phân tích 'churn' (khách hàng rời bỏ) sử dụng khoa học dữ liệu để làm gì?

A. Tăng cường bảo mật dữ liệu khách hàng

B. Dự đoán khách hàng nào có khả năng rời bỏ dịch vụ/sản phẩm.

C. Tối ưu hóa trải nghiệm người dùng trên website.

D. Phát triển sản phẩm mới dựa trên phản hồi của khách hàng.

18. Trong khoa học dữ liệu, 'bias' (thiên vị) trong dữ liệu huấn luyện có thể dẫn đến hậu quả gì?

A. Mô hình học máy hoạt động nhanh hơn.

B. Mô hình học máy đưa ra dự đoán thiên vị và không công bằng trong thực tế.

C. Tăng độ chính xác của mô hình trên dữ liệu kiểm tra.

D. Giảm overfitting của mô hình.

19. Phương pháp 'A/B testing' trong kinh doanh trực tuyến là một ứng dụng của khoa học dữ liệu trong lĩnh vực nào?

A. Quản lý rủi ro tài chính

B. Tối ưu hóa chiến dịch marketing

C. Dự báo nhu cầu sản xuất

D. Quản lý chuỗi cung ứng

20. Trong khoa học dữ liệu, 'clustering' (phân cụm) là kỹ thuật thuộc loại học máy nào?

A. Học có giám sát (Supervised learning)

B. Học không giám sát (Unsupervised learning)

C. Học tăng cường (Reinforcement learning)

D. Học bán giám sát (Semi-supervised learning)

21. Loại dữ liệu nào thường được sử dụng trong khoa học dữ liệu kinh tế để phân tích xu hướng thị trường chứng khoán?

A. Dữ liệu hình ảnh từ vệ tinh

B. Dữ liệu giao dịch chứng khoán theo thời gian thực

C. Dữ liệu khảo sát mức độ hài lòng của khách hàng

D. Dữ liệu cảm biến môi trường

22. Trong khoa học dữ liệu, khái niệm 'overfitting' (quá khớp) đề cập đến vấn đề gì?

A. Mô hình học máy hoạt động quá chậm.

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

C. Dữ liệu huấn luyện có quá nhiều thuộc tính.

D. Mô hình học máy không đủ mạnh để học từ dữ liệu.

23. Trong kinh tế, khoa học dữ liệu có thể hỗ trợ phân tích chính sách công như thế nào?

A. Chỉ để thu thập dữ liệu kinh tế.

B. Để mô phỏng và dự đoán tác động của các chính sách kinh tế khác nhau trước khi thực thi.

C. Để thay thế hoàn toàn các nhà kinh tế học.

D. Để tạo ra các báo cáo thống kê.

24. Trong phân tích dữ liệu lớn (Big Data), '3V' thường được dùng để mô tả các đặc tính của dữ liệu. '3V' đó là gì?

A. Validity, Veracity, Value

B. Volume, Velocity, Variety

C. Visualization, Verification, Versioning

D. Volatility, Vulnerability, Virality

25. Mô hình học máy nào thường được sử dụng để dự báo giá cổ phiếu?

A. K-means clustering

B. Support Vector Machines (SVM)

C. Mạng nơ-ron hồi quy (Recurrent Neural Networks - RNNs)

D. Principal Component Analysis (PCA)

26. Trong kinh tế lượng, 'vấn đề nội sinh' (endogeneity) có thể ảnh hưởng đến kết quả phân tích dữ liệu như thế nào?

A. Làm tăng độ chính xác của mô hình.

B. Gây ra ước lượng thiên lệch và không nhất quán của các hệ số.

C. Giảm thiểu sai số ngẫu nhiên trong dữ liệu.

D. Không ảnh hưởng đến kết quả phân tích.

27. Trong khoa học dữ liệu, 'cross-validation' (kiểm định chéo) được sử dụng để làm gì?

A. Làm sạch dữ liệu.

B. Đánh giá khách quan hiệu suất của mô hình học máy trên dữ liệu mới.

C. Giảm chiều dữ liệu.

D. Tăng tốc độ huấn luyện mô hình.

28. Đâu là một ví dụ về ứng dụng khoa học dữ liệu trong quản lý nguồn nhân lực (HR)?

A. Tối ưu hóa quy trình sản xuất

B. Dự báo doanh thu

C. Phân tích tỷ lệ nhân viên nghỉ việc (employee attrition analysis)

D. Quản lý kho hàng

29. Ứng dụng nào của khoa học dữ liệu giúp doanh nghiệp cải thiện trải nghiệm khách hàng trực tuyến?

A. Phân tích rủi ro tín dụng

B. Hệ thống gợi ý sản phẩm (Recommendation systems)

C. Dự báo chuỗi cung ứng

D. Phân tích tình hình kinh tế vĩ mô

30. Công cụ nào sau đây KHÔNG phải là một ngôn ngữ lập trình phổ biến trong khoa học dữ liệu?

A. Python

B. R

C. Java

D. SQL