300+ câu Trắc nghiệm Học máy cơ bản có đáp án - Phần 6

Để tăng tốc độ huấn luyện mô hình

Để đánh giá độ tin cậy của hiệu suất mô hình và giảm thiểu thiên vị (bias) do cách chia dữ liệu huấn luyện/kiểm tra

Để giảm số chiều của dữ liệu

Để tìm ra các tham số tối ưu cho mô hình

Tốc độ huấn luyện và độ chính xác

Độ phức tạp của mô hình và khả năng khái quát hóa trên dữ liệu mới

Số lượng đặc trưng và số lượng mẫu dữ liệu

Hiệu suất trên tập huấn luyện và tập kiểm tra

Chỉ số độ chính xác tổng thể của mô hình

Số lượng True Positives, True Negatives, False Positives và False Negatives

Tốc độ huấn luyện của mô hình

Sự tương quan giữa các đặc trưng

Tăng tốc độ hội tụ của mô hình

Giảm thiểu overfitting bằng cách thêm hình phạt vào hàm mất mát (loss function) dựa trên độ lớn của các trọng số (weights)

Tăng cường khả năng học của mô hình trên dữ liệu huấn luyện

Loại bỏ tất cả các đặc trưng có hệ số bằng 0

K-Nearest Neighbors (KNN)

Support Vector Machine (SVM)

Random Forest

Linear Regression

Tìm đường phân chia có độ lệch lớn nhất giữa các lớp

Tìm siêu phẳng (hyperplane) phân chia tốt nhất giữa các lớp, tối đa hóa lề (margin)

Chia dữ liệu thành các cụm dựa trên khoảng cách

Xây dựng một chuỗi các quyết định tuần tự

K-Means

Hierarchical Clustering

DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

Gaussian Mixture Model (GMM)

Quyết định mà Agent đưa ra

Phần thưởng mà Agent nhận được

Mô tả hiện tại của môi trường mà Agent đang tương tác

Hàm mục tiêu của Agent

Hồi quy Tuyến tính

Thuật toán K-Means

Mạng nơ-ron tích chập (CNN) hoặc Mạng nơ-ron hồi tiếp (RNN)

Cây quyết định

Khả năng học các biểu diễn phi tuyến rất phức tạp

Dễ dàng diễn giải (interpretable) và trực quan hóa

Hoạt động tốt với dữ liệu có số chiều rất cao

Không bị ảnh hưởng bởi overfitting

Truyền tín hiệu từ lớp đầu vào đến lớp đầu ra

Tính toán gradient của hàm mất mát theo trọng số của mạng để cập nhật trọng số

Khởi tạo ngẫu nhiên trọng số của mạng

Chuẩn hóa đầu vào của mạng

Linear Regression

Logistic Regression

K-Means

Support Vector Machine (SVM)

Tăng cường độ phức tạp của mô hình

Giảm số lượng đặc trưng, loại bỏ các đặc trưng không liên quan hoặc dư thừa để cải thiện hiệu suất và giảm thời gian huấn luyện

Tăng cường khả năng overfitting

Tạo ra các đặc trưng mới

Sai số do mô hình quá đơn giản, không nắm bắt được mối quan hệ cơ bản trong dữ liệu

Sai số do mô hình quá nhạy cảm với các biến động nhỏ trong tập huấn luyện, dẫn đến hiệu suất khác nhau đáng kể trên các tập dữ liệu huấn luyện khác nhau

Sai số do việc thu thập dữ liệu bị thiên lệch

Sai số do lỗi tính toán trong thuật toán

Một quyết định trung gian dựa trên một thuộc tính

Một đặc trưng (feature) được chọn để phân chia dữ liệu

Một kết quả dự đoán cuối cùng (lớp hoặc giá trị)

Một ngưỡng để phân tách dữ liệu

Một mô hình học máy duy nhất

Một chuỗi các bước xử lý dữ liệu và huấn luyện mô hình được liên kết với nhau

Quá trình đánh giá hiệu suất mô hình

Việc lựa chọn các tham số tốt nhất

Mối quan hệ nhân quả giữa hai biến

Mức độ tuyến tính của mối quan hệ giữa hai biến số và hướng của mối quan hệ đó

Sự khác biệt giữa trung bình của hai nhóm

Tỷ lệ các trường hợp khớp nhau giữa hai tập dữ liệu

Để huấn luyện mô hình và tinh chỉnh các tham số

Để đánh giá hiệu suất và khả năng tổng quát hóa của mô hình trên dữ liệu chưa từng thấy

Để lựa chọn các đặc trưng (features) quan trọng nhất cho mô hình

Để khám phá các mẫu ẩn và cấu trúc trong dữ liệu

Chuyển đổi văn bản thành các vector số

Quá trình chia văn bản thành các đơn vị nhỏ hơn như từ, cụm từ hoặc ký tự

Loại bỏ các từ dừng (stopwords) khỏi văn bản

Biểu diễn ý nghĩa ngữ nghĩa của từ

Môi trường mà Agent hoạt động

Hành động mà Agent thực hiện

Thực thể học hỏi và đưa ra quyết định để đạt được mục tiêu

Phần thưởng hoặc hình phạt mà Agent nhận được

TP / (TP + FP)

TP / (TP + FN)

TN / (TN + FP)

TN / (TN + FN)

Biểu diễn từ dưới dạng vector

Giảm các biến thể của từ về dạng gốc hoặc gốc từ để chuẩn hóa dữ liệu văn bản

Loại bỏ các từ có tần suất xuất hiện thấp

Phân tích cấu trúc ngữ pháp của câu

Accuracy và Precision

Precision và Recall

Precision và Specificity

Recall và Specificity

Học máy không giám sát

Học máy có giám sát

Học tăng cường

Học sâu (Deep Learning)

Giảm số lượng đặc trưng

Biến đổi các đặc trưng để chúng có cùng thang đo hoặc phạm vi giá trị

Tạo ra các đặc trưng mới từ các đặc trưng hiện có

Loại bỏ các đặc trưng không liên quan

Các biến số được học từ dữ liệu trong quá trình huấn luyện

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

Các thuộc tính đầu vào của dữ liệu

Kết quả dự đoán của mô hình

Huấn luyện mô hình nhanh hơn

Tìm kiếm tập hợp các giá trị hyperparameter tốt nhất cho mô hình bằng cách thử tất cả các kết hợp có thể

Đánh giá hiệu suất cuối cùng của mô hình

Chọn lựa các đặc trưng quan trọng nhất

Thực hiện phân loại cuối cùng

Trích xuất các đặc trưng cục bộ từ dữ liệu đầu vào (ví dụ: cạnh, góc trong ảnh)

Làm phẳng dữ liệu để đưa vào lớp kết nối đầy đủ

Áp dụng hàm kích hoạt phi tuyến

Học máy không giám sát

Học máy có giám sát (phân loại và hồi quy)

Học tăng cường

Học sâu

Học máy có giám sát (Supervised Learning)

Học máy không giám sát (Unsupervised Learning)

Học tăng cường (Reinforcement Learning)

Học bán giám sát (Semi-supervised Learning)