A tập hợp các trường hợp dữ liệu độc lập nhưng tuân theo phân phối xác suất 'tương tự' của tập huấn luyện được gọi là ... 

Trong thuật toán Machine Learning (ML), mục tiêu là tìm ra mô hình "tốt nhất" từ một tập hợp các mô hình tiềm năng. "Tốt nhất" ở đây có nghĩa là mô hình đó phù hợp vừa phải (well-fit) với tập dữ liệu. Điều này có nghĩa là mô hình có khả năng khái quát hóa tốt, không chỉ hoạt động tốt trên dữ liệu huấn luyện mà còn trên dữ liệu mới chưa từng thấy. * **Phương án a: Không phù hợp với tập dữ liệu** - Mô hình không phù hợp với dữ liệu (underfitting) sẽ có hiệu suất kém cả trên dữ liệu huấn luyện và dữ liệu kiểm tra, do đó không phải là mô hình "tốt nhất". * **Phương án b: Trang bị quá mức tập dữ liệu** - Mô hình trang bị quá mức (overfitting) sẽ hoạt động rất tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra do nó đã học cả những nhiễu trong dữ liệu huấn luyện. Vì vậy, đây cũng không phải là mô hình "tốt nhất". * **Phương án c: Phù hợp vừa phải với tập dữ liệu** - Mô hình phù hợp vừa phải sẽ cân bằng giữa việc học các mẫu trong dữ liệu và khả năng khái quát hóa. Đây là mô hình lý tưởng và được coi là "tốt nhất".

Giai đoạn triển khai (Deployment) trong mô hình CRISP-DM là giai đoạn mà các mô hình học máy được tích hợp và vận hành như một phần của quy trình kinh doanh tổng thể. Trong giai đoạn này, mô hình đã được xây dựng và đánh giá, và bây giờ được đưa vào sử dụng thực tế để giải quyết các vấn đề kinh doanh hoặc cải thiện hiệu suất. Các giai đoạn khác (hiểu biết kinh doanh, làm mô hình, đánh giá) là các bước chuẩn bị và xây dựng mô hình, không phải là giai đoạn vận hành liên tục trong quy trình kinh doanh.

Câu hỏi này liên quan đến các loại hình học máy (machine learning). Việc phân loại (classification) là một bài toán thuộc học tập có giám sát (supervised learning). Trong học tập có giám sát, chúng ta cung cấp cho mô hình dữ liệu đã được gán nhãn, và mô hình học cách ánh xạ từ dữ liệu đầu vào đến nhãn tương ứng. Phân loại là một nhiệm vụ mà mục tiêu là gán một đối tượng vào một trong số các lớp (categories) đã được định nghĩa trước. Các thuật toán phân loại phổ biến bao gồm: Logistic Regression, Support Vector Machines (SVM), Decision Trees, và Random Forests. * **Học tập không giám sát (Unsupervised learning):** Không sử dụng dữ liệu gán nhãn. Thay vào đó, mô hình tìm kiếm cấu trúc ẩn trong dữ liệu. Ví dụ: phân cụm. * **Lựa chọn tính năng (Feature selection):** Là quá trình chọn ra một tập con các tính năng quan trọng nhất từ tập các tính năng ban đầu để cải thiện hiệu suất mô hình. * **Học tăng cường (Reinforcement learning):** Mô hình học cách đưa ra quyết định trong một môi trường để tối đa hóa phần thưởng tích lũy. Vì vậy, đáp án đúng là học tập có giám sát.

Giai đoạn "Hiểu dữ liệu" (Data Understanding) trong quy trình CRISP-DM tập trung vào việc thu thập, mô tả và khám phá dữ liệu. Trong giai đoạn này, các định dạng dữ liệu, kiểu dữ liệu, phân phối dữ liệu, và các đặc tính thống kê khác của dữ liệu được xem xét một cách kỹ lưỡng. Điều này giúp xác định chất lượng dữ liệu, các vấn đề tiềm ẩn và thông tin hữu ích có thể được sử dụng trong các giai đoạn tiếp theo của quy trình. Các lựa chọn khác không phù hợp vì: - "Hiểu biết kinh doanh" (Business Understanding) tập trung vào việc xác định mục tiêu kinh doanh và yêu cầu của dự án. - "Làm người mẫu" (Modeling) tập trung vào việc xây dựng và đánh giá các mô hình dự đoán hoặc phân tích. - "Triển khai" (Deployment) tập trung vào việc tích hợp các mô hình đã xây dựng vào môi trường thực tế.

Để xây dựng một mô hình học máy hoàn chỉnh, chúng ta thường cần ba loại tập dữ liệu chính: * **Tập huấn luyện (Training set):** Được sử dụng để huấn luyện mô hình. Mô hình học các mẫu và quan hệ từ dữ liệu này. * **Tập xác thực (Validation set):** Được sử dụng để tinh chỉnh các siêu tham số của mô hình và đánh giá hiệu suất của mô hình trong quá trình huấn luyện. Nó giúp ngăn ngừa tình trạng quá khớp (overfitting) bằng cách cung cấp một đánh giá khách quan về khả năng khái quát hóa của mô hình trên dữ liệu chưa thấy. * **Tập kiểm tra (Test set):** Được sử dụng để đánh giá hiệu suất cuối cùng của mô hình sau khi đã hoàn thành quá trình huấn luyện và tinh chỉnh. Tập kiểm tra phải là dữ liệu hoàn toàn mới mà mô hình chưa từng thấy trước đó. Do đó, đáp án đúng là a. Tập huấn luyện, tập xác thực và tập kiểm tra. Các đáp án còn lại thiếu một hoặc nhiều loại tập dữ liệu cần thiết cho quy trình xây dựng mô hình học máy hoàn chỉnh.