Câu 1
Kết quả nào đúng cho đoạn code sau?
X = numpy.array([[3, 89],
[23, 17],
[92, 26],
[34, 28],
[12, 9]])
print(numpy.ptp(X))
Đáp án và lời giải
Đáp án: B
1/16 câu đang cập nhật đáp án (ghi rõ ở từng câu), chưa tính điểm; điểm tính trên 15 câu còn lại.
Kết quả nào đúng cho đoạn code sau?
X = numpy.array([[3, 89],
[23, 17],
[92, 26],
[34, 28],
[12, 9]])
print(numpy.ptp(X))
Đáp án: B
Đâu không phải là thuộc tính của module?
Đáp án: D
Xác định kết quả cho đoạn code sau:
import collections
c = collections.Counter()
print(c.most_common(1))
Đáp án: A
Đâu là kết quả của đoạn code sau?
colors = {1: 'blue', 2: 'red', 3: 'green'}
itm = colors.items()
print(itm)
Đáp án: A
Khẳng định nào đúng?
1 - Tăng số đặc trưng không làm tăng số mẫu huấn luyện.
2 - Tăng đặc trưng không làm ảnh hưởng tới hiệu năng của hệ thống.
3 - Tăng đặc trưng không luôn luôn tăng độ chính xác của phân lớp.
Đáp án: A
Tìm kiếm đặc trưng theo chiến lược vét cạn có đặc điểm gì?
Đáp án: B
Đâu là ưu điểm của thuật toán Random Forest?
Đáp án: A
Tìm kiếm đặc trưng theo chiến lược Heuristic có đặc điểm gì?
Đáp án: A
Overfitting xảy ra do vấn đề nào dưới đây?
Đáp án: D
Giả sử bạn đang làm việc với bài toán phân lớp nhị phân và có 3 model với mỗi model có độ chính xác là 70%. Nếu bạn kết hợp kết quả của 3 model theo phương pháp bỏ phiếu (voting method) thì độ chính xác thấp nhất bạn nhận được là bao nhiêu?
Đáp án: D
Hàm kích hoạt nào được sử dụng cho lớp đầu ra của model?
Đáp án: B
Mạng CNN có những thành phần cơ bản nào?
Đáp án: C
Chọn đúng hàm kích hoạt cho lớp cuối cùng và hàm mất mát thích hợp nhất cho bài toán hồi quy có đầu ra là giá trị vô hướng?
Đáp án: D
Hình ảnh dưới đây là biểu diễn của hàm kích hoạt nào?
Câu này chưa tính điểm. Đáp án sẽ được cập nhật sớm.
Tham số nào không được gọi là Hyperparameter?
Đáp án: D
Đoạn giả mã sau thể hiện nguyên lý hoạt động của mạng nào?
t = 0
for input_t in N:
output_t = f(input_t, t)
t = output_t
Đáp án: A