300+ câu Trắc nghiệm Học máy cơ bản có đáp án - Phần 2

Phân loại dữ liệu

Tìm các cụm dữ liệu

Giảm thiểu hàm mất mát (loss function) bằng cách điều chỉnh tham số mô hình

Tạo ra các đặc trưng mới

Tỷ lệ các dự đoán đúng trên tổng số dự đoán

Trung bình của bình phương sai số giữa giá trị dự đoán và giá trị thực tế

Tỷ lệ các trường hợp dương tính được dự đoán đúng

Độ chính xác của các dự đoán âm tính

Cây quyết định (Decision Tree)

Các thuật toán dựa trên khoảng cách như K-Nearest Neighbors (KNN) và SVM

Hồi quy Logistic

Tất cả các thuật toán học máy

Mô hình quá đơn giản, không nắm bắt được mối quan hệ trong dữ liệu

Mô hình hoạt động tốt trên cả tập huấn luyện và tập kiểm tra

Mô hình hoạt động rất tốt trên tập huấn luyện nhưng kém trên tập kiểm tra

Dữ liệu huấn luyện không đủ lớn

Độ chính xác (Accuracy)

Sai số bình phương trung bình (Mean Squared Error – MSE)

F1-Score

R-squared

Học có giám sát (Supervised Learning)

Học không giám sát (Unsupervised Learning) cho giảm chiều dữ liệu

Học tăng cường (Reinforcement Learning)

Học bán giám sát (Semi-supervised Learning)

Hồi quy tuyến tính (Linear Regression)

Phân cụm Isolation Forest

Hồi quy Logistic (Logistic Regression)

Cây quyết định (Decision Tree)

Tăng tốc độ huấn luyện

Ngăn chặn overfitting bằng cách dừng huấn luyện khi hiệu suất trên tập kiểm tra bắt đầu giảm

Giảm thiểu sai số hệ thống (bias)

Tăng cường tính đa dạng của các đặc trưng

Tỷ lệ các trường hợp dương tính thực sự trên tổng số các trường hợp được dự đoán là dương tính

Tỷ lệ các trường hợp dương tính thực sự trên tổng số các trường hợp dương tính thực tế

Tỷ lệ các trường hợp âm tính thực sự trên tổng số các trường hợp được dự đoán là âm tính

Tỷ lệ các trường hợp âm tính thực sự trên tổng số các trường hợp âm tính thực tế

Các tham số của mô hình được học từ dữ liệu

Các biến đầu vào của mô hình

Các tham số được thiết lập trước khi quá trình huấn luyện bắt đầu và không được học từ dữ liệu

Các giá trị đầu ra của mô hình

Decision Trees (Cây quyết định)

Linear Regressions (Hồi quy tuyến tính)

Support Vector Machines (SVM)

K-Means Clustering

Tỷ lệ các trường hợp được dự đoán là dương tính thực sự là dương tính

Tỷ lệ các trường hợp dương tính thực tế được mô hình dự đoán đúng

Tỷ lệ tổng số dự đoán đúng trên tổng số dự đoán

Khả năng mô hình đưa ra dự đoán chính xác trên dữ liệu chưa thấy

Dự đoán giá nhà dựa trên diện tích, vị trí và số phòng ngủ

Phân loại hình ảnh thành chó hoặc mèo

Nhận dạng chữ viết tay

Phát hiện gian lận thẻ tín dụng

Đánh giá hiệu suất của mô hình một cách đáng tin cậy và ước lượng khả năng khái quát hóa của nó

Tăng tốc độ huấn luyện mô hình trên tập dữ liệu lớn

Giảm số lượng đặc trưng (features) cần thiết cho mô hình

Trực quan hóa kết quả học tập của mô hình

Sai số hệ thống do giả định đơn giản hóa của mô hình, dẫn đến việc mô hình bỏ sót các mối quan hệ thực sự trong dữ liệu

Sai số ngẫu nhiên do tính không chắc chắn của dữ liệu

Sai số do quá trình huấn luyện không hội tụ

Sai số do dữ liệu bị thiếu

Bias (độ chệch) và Variance (phương sai)

Precision và Recall

Overfitting và Underfitting

Accuracy và F1-Score

Các đặc trưng là độc lập có điều kiện với nhau, cho biết lớp (class) của mẫu

Các đặc trưng có mối tương quan mạnh mẽ với nhau

Dữ liệu tuân theo phân phối chuẩn

Các lớp là phụ thuộc lẫn nhau

Sử dụng một lượng nhỏ dữ liệu có nhãn và một lượng lớn dữ liệu không nhãn để huấn luyện mô hình

Chỉ sử dụng dữ liệu có nhãn

Chỉ sử dụng dữ liệu không nhãn

Huấn luyện mô hình dựa trên phần thưởng từ môi trường

Mô hình học quá tốt trên tập dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới chưa từng thấy

Mô hình học kém trên cả tập dữ liệu huấn luyện và dữ liệu mới

Mô hình có khả năng khái quát hóa tốt trên mọi loại dữ liệu

Mô hình cần nhiều dữ liệu hơn để hội tụ

Mức độ thay đổi của ước lượng mô hình nếu nó được huấn luyện trên các tập dữ liệu huấn luyện khác nhau

Sai số hệ thống do giả định đơn giản hóa của mô hình

Sai số do dữ liệu bị thiếu

Sai số do mô hình không hội tụ

Sử dụng nhiều lớp ẩn (deep architectures) để học các biểu diễn dữ liệu phức tạp và phân cấp một cách tự động

Luôn yêu cầu dữ liệu có cấu trúc

Không sử dụng hàm mất mát

Chỉ áp dụng cho bài toán phân loại

Một tín hiệu phản hồi từ môi trường cho biết mức độ tốt hay xấu của hành động mà tác tử vừa thực hiện

Môi trường mà tác tử tương tác

Mục tiêu cuối cùng mà tác tử cần đạt được

Hàm mục tiêu mà tác tử cần tối ưu hóa

Tự động trích xuất các đặc trưng phân cấp từ dữ liệu ảnh thông qua các lớp tích chập (convolutional layers)

Phân tích mối quan hệ tuần tự trong dữ liệu văn bản

Tìm kiếm các mẫu ẩn trong dữ liệu số

Tối ưu hóa quá trình ra quyết định trong môi trường tương tác

Các thuật toán nhạy cảm với thang đo của đặc trưng, như SVM, K-Nearest Neighbors (KNN) và Gradient Descent

Các thuật toán không phụ thuộc vào thang đo như Decision Trees và Random Forests

Tất cả các thuật toán học máy, không phân biệt

Chỉ các thuật toán học không giám sát

Chia tập dữ liệu thành K cụm sao cho tổng bình phương khoảng cách từ mỗi điểm đến tâm cụm gần nhất của nó là nhỏ nhất

Tìm một đường thẳng phân chia dữ liệu

Dự đoán nhãn của các điểm dữ liệu

Tối ưu hóa hàm mất mát bằng gradient descent

Chọn một tập con các đặc trưng có liên quan nhất đến biến mục tiêu để xây dựng mô hình

Tạo ra các đặc trưng mới từ dữ liệu thô

Giảm chiều dữ liệu bằng cách kết hợp các đặc trưng

Loại bỏ các mẫu dữ liệu không cần thiết

Dữ liệu trong bảng cơ sở dữ liệu với các cột và hàng được định nghĩa rõ ràng

Tập hợp các bài đăng trên mạng xã hội

Tệp âm thanh

Hình ảnh y tế

Ngăn chặn overfitting bằng cách thêm một khoản phạt vào hàm mất mát dựa trên độ lớn của các trọng số

Tăng tốc độ huấn luyện mô hình

Giảm thiểu bias của mô hình

Tăng cường khả năng học trên dữ liệu huấn luyện

Thực thể học cách đưa ra quyết định bằng cách tương tác với môi trường để tối đa hóa phần thưởng

Môi trường mà tác tử tương tác

Phần thưởng mà tác tử nhận được

Hàm mục tiêu mà tác tử cần tối ưu

Logistic Regression (Hồi quy Logistic)

Principal Component Analysis (PCA)

K-Means Clustering

Association Rule Mining