1. Trong học không giám sát, thuật toán thường tìm kiếm các mẫu hoặc cấu trúc tiềm ẩn trong dữ liệu mà không có nhãn đi kèm. Loại nhiệm vụ nào sau đây thuộc học không giám sát?
A. Phân loại email thành spam hoặc không spam.
B. Dự đoán giá nhà dựa trên các đặc điểm.
C. Phân nhóm khách hàng dựa trên hành vi mua sắm.
D. Nhận dạng chữ viết tay.
2. Tại sao việc chia dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (testing set) lại quan trọng trong học máy?
A. Để đảm bảo mô hình luôn đạt độ chính xác 100% trên cả hai tập.
B. Để đánh giá khách quan hiệu suất của mô hình trên dữ liệu mà nó chưa từng thấy, tránh tình trạng "quá khớp".
C. Để tăng tốc độ huấn luyện mô hình.
D. Để làm cho dữ liệu trở nên dễ hiểu hơn.
3. Cụm từ "data preprocessing" (tiền xử lý dữ liệu) trong học máy bao gồm những hoạt động nào?
A. Xây dựng kiến trúc mạng neural.
B. Làm sạch, chuẩn hóa và biến đổi dữ liệu để phù hợp với thuật toán.
C. Đánh giá hiệu suất của mô hình đã huấn luyện.
D. Triển khai mô hình vào ứng dụng thực tế.
4. Đâu là một ví dụ về ứng dụng của học máy trong đời sống hàng ngày?
A. Máy tính thực hiện phép tính cộng trừ cơ bản.
B. Hệ thống gợi ý phim trên các nền tảng xem phim trực tuyến.
C. Trình soạn thảo văn bản hỗ trợ kiểm tra chính tả.
D. Máy in hoạt động dựa trên lệnh từ máy tính.
5. Trong học máy, "nhãn" (label) thường được sử dụng trong loại hình học nào?
A. Học không giám sát.
B. Học tăng cường.
C. Học có giám sát.
D. Cả học không giám sát và học tăng cường.
6. Khi đánh giá hiệu suất của một mô hình học máy, chỉ số "độ chính xác" (accuracy) có thể không đủ, đặc biệt trong trường hợp dữ liệu mất cân bằng. Điều này có nghĩa là:
A. Mô hình luôn đưa ra dự đoán sai cho các lớp thiểu số.
B. Độ chính xác có thể cao do mô hình dự đoán đúng phần lớn các mẫu thuộc lớp đa số, che lấp hiệu suất kém trên lớp thiểu số.
C. Dữ liệu mất cân bằng làm cho mọi chỉ số đánh giá đều trở nên vô nghĩa.
D. Chỉ số độ chính xác chỉ áp dụng cho các bài toán hồi quy.
7. Đâu là một ví dụ về bài toán "phân loại" (classification) trong học máy?
A. Dự đoán nhiệt độ ngày mai.
B. Xác định xem một bức ảnh chứa "mèo" hay "chó".
C. Ước tính thời gian hoàn thành một dự án.
D. Đo lường mức độ hài lòng của khách hàng.
8. Trong lĩnh vực học máy, thuật ngữ "model" (mô hình) thường đề cập đến điều gì?
A. Một tập hợp các quy tắc logic được con người viết ra để giải quyết vấn đề.
B. Một hàm toán học hoặc cấu trúc dữ liệu học được từ dữ liệu để đưa ra dự đoán hoặc quyết định.
C. Một đoạn mã nguồn mở được sử dụng để triển khai các thuật toán học máy.
D. Một báo cáo phân tích kết quả của quá trình huấn luyện mô hình học máy.
9. Khái niệm "overfitting" (quá khớp) trong học máy xảy ra khi nào?
A. Mô hình quá đơn giản, không học đủ từ dữ liệu.
B. Mô hình học quá tốt trên dữ liệu huấn luyện, nhưng hoạt động kém trên dữ liệu mới chưa từng thấy.
C. Mô hình không học được gì từ dữ liệu huấn luyện.
D. Dữ liệu huấn luyện không đủ lớn.
10. Thuật toán nào sau đây thường được sử dụng cho bài toán phân loại?
A. Hồi quy tuyến tính (Linear Regression).
B. Phân tích thành phần chính (Principal Component Analysis - PCA).
C. Máy vector hỗ trợ (Support Vector Machine - SVM).
D. K-Means Clustering.
11. Học tăng cường (Reinforcement Learning) khác biệt với học có giám sát và không giám sát ở điểm nào?
A. Nó sử dụng tập dữ liệu lớn được gán nhãn sẵn.
B. Nó hoạt động dựa trên nguyên tắc thử và sai, nhận phần thưởng hoặc phạt từ môi trường.
C. Nó tập trung vào việc tìm kiếm các mẫu ẩn mà không có sự tương tác.
D. Nó chỉ áp dụng cho các bài toán phân loại nhị phân.
12. Mục tiêu chính của giai đoạn "huấn luyện" (training) trong học máy là gì?
A. Tối ưu hóa các tham số của mô hình dựa trên dữ liệu huấn luyện để đạt hiệu suất tốt nhất.
B. Trực quan hóa kết quả dự đoán của mô hình trên tập dữ liệu mới.
C. Phát triển giao diện người dùng cho ứng dụng học máy.
D. Thu thập thêm dữ liệu mới để mở rộng tập dữ liệu huấn luyện.
13. Điều gì xảy ra với mô hình học máy nếu nó gặp phải "data leakage" (rò rỉ dữ liệu)?
A. Mô hình sẽ trở nên đơn giản hơn và ít bị quá khớp.
B. Hiệu suất của mô hình trên dữ liệu kiểm tra sẽ bị thổi phồng một cách không thực tế.
C. Quá trình huấn luyện sẽ bị dừng lại ngay lập tức.
D. Mô hình sẽ hoạt động tốt hơn trên cả dữ liệu huấn luyện và kiểm tra.
14. Mục tiêu của "kiểm tra" (testing) sau khi huấn luyện mô hình là gì?
A. Điều chỉnh các tham số của mô hình để nó hoạt động tốt hơn trên dữ liệu huấn luyện.
B. Đánh giá khả năng khái quát hóa của mô hình trên dữ liệu mới, chưa từng được sử dụng trong quá trình huấn luyện.
C. Thu thập phản hồi từ người dùng về ứng dụng học máy.
D. Tăng cường sức mạnh tính toán cho quá trình huấn luyện.
15. Thuật toán K-Means là một ví dụ điển hình cho phương pháp nào trong học máy?
A. Học có giám sát.
B. Học không giám sát.
C. Học tăng cường.
D. Học sâu (Deep Learning).
16. Khi nào thì việc sử dụng "hồi quy logistic" (logistic regression) là phù hợp?
A. Khi bạn muốn dự đoán một giá trị số liên tục.
B. Khi bạn muốn phân loại dữ liệu thành hai hoặc nhiều lớp rời rạc.
C. Khi bạn muốn nhóm các điểm dữ liệu tương tự nhau.
D. Khi bạn muốn giảm số chiều của dữ liệu.
17. Trong học máy, "đặc trưng" (feature) là gì?
A. Kết quả cuối cùng mà mô hình dự đoán.
B. Một thuộc tính hoặc đặc điểm có thể đo lường được của dữ liệu đầu vào, được sử dụng để huấn luyện mô hình.
C. Thuật toán được sử dụng để huấn luyện mô hình.
D. Quá trình làm sạch và chuẩn bị dữ liệu.
18. Trong học máy, "underfitting" (thiếu khớp) xảy ra khi mô hình:
A. Quá phức tạp, học thuộc mọi chi tiết của dữ liệu huấn luyện.
B. Quá đơn giản, không nắm bắt được các mối quan hệ cơ bản trong dữ liệu.
C. Chỉ hoạt động tốt trên một phần nhỏ của dữ liệu huấn luyện.
D. Yêu cầu quá nhiều tài nguyên tính toán.
19. Trong học máy, "feature engineering" (kỹ thuật đặc trưng) là quá trình:
A. Huấn luyện mô hình với các đặc trưng có sẵn.
B. Tạo ra các đặc trưng mới hoặc biến đổi các đặc trưng hiện có từ dữ liệu thô để cải thiện hiệu suất mô hình.
C. Loại bỏ các đặc trưng không quan trọng.
D. Đánh giá tầm quan trọng của từng đặc trưng.
20. Một "tác tử" (agent) trong học tăng cường là gì?
A. Môi trường mà tác tử tương tác.
B. Phần thưởng mà tác tử nhận được.
C. Thực thể học cách đưa ra quyết định và hành động để đạt mục tiêu.
D. Hàm đánh giá hiệu suất của tác tử.
21. Khi một mô hình học máy hoạt động tốt trên dữ liệu huấn luyện nhưng lại rất tệ trên dữ liệu kiểm tra, hiện tượng này được gọi là gì?
A. Underfitting (thiếu khớp).
B. Overfitting (quá khớp).
C. Data Leakage (rò rỉ dữ liệu).
D. Bias-Variance Tradeoff (cân bằng giữa sai số chệch và phương sai).
22. Trong học tăng cường, "trạng thái" (state) biểu thị điều gì?
A. Hành động mà tác tử thực hiện.
B. Phần thưởng nhận được sau hành động.
C. Mô tả hiện tại của môi trường mà tác tử quan sát được.
D. Mục tiêu cuối cùng mà tác tử hướng tới.
23. Loại học máy nào thường được sử dụng khi chúng ta có dữ liệu đầu vào và đầu ra mong muốn (nhãn) tương ứng?
A. Học không giám sát (Unsupervised Learning).
B. Học tăng cường (Reinforcement Learning).
C. Học có giám sát (Supervised Learning).
D. Học bán giám sát (Semi-supervised Learning).
24. Trong học máy, "hồi quy" (regression) là loại bài toán dùng để làm gì?
A. Dự đoán một giá trị rời rạc, ví dụ: "mèo", "chó".
B. Dự đoán một giá trị liên tục, ví dụ: nhiệt độ, giá nhà.
C. Phân nhóm các đối tượng tương tự nhau.
D. Tìm kiếm các quy tắc kết hợp trong dữ liệu.
25. Khi đánh giá mô hình phân loại, chỉ số "precision" (độ chính xác) đo lường điều gì?
A. Tỷ lệ các trường hợp thực sự dương tính trên tổng số trường hợp được dự đoán là dương tính.
B. Tỷ lệ các trường hợp thực sự dương tính trên tổng số trường hợp dương tính thực tế.
C. Tỷ lệ các trường hợp âm tính thực tế trên tổng số trường hợp được dự đoán là âm tính.
D. Tỷ lệ các trường hợp âm tính trên tổng số trường hợp âm tính thực tế.
