Cho cơ sở dữ liệu giao dịch gồm N giao dịch (bản ghi). I là tập chứa tất cả các mục (item) trong CSDL. X là một tập chứa các mục thuộc I. Giao dịch hỗ trợ X là giao dịch chứa tất cả các mục có trong X. Độ hỗ trợ của tập mục X được định nghĩa là:

Câu hỏi này kiểm tra kiến thức về khai phá dữ liệu, cụ thể là khái niệm "tập mục thường xuyên" (frequent itemset). Một tập mục được coi là thường xuyên nếu độ hỗ trợ (support) của nó lớn hơn hoặc bằng độ hỗ trợ tối thiểu (min_supp).

* Phương án a: Support(X) >= Min_Supp - Đây là định nghĩa chính xác của tập mục thường xuyên. Nếu độ hỗ trợ của tập mục X lớn hơn hoặc bằng ngưỡng tối thiểu, nó được coi là thường xuyên.
* Phương án b: Support(X) <= Min_Supp - Sai. Nếu độ hỗ trợ nhỏ hơn hoặc bằng ngưỡng tối thiểu, tập mục không được coi là thường xuyên.
* Phương án c: Support(X) = Min_Supp - Mặc dù độ hỗ trợ bằng ngưỡng tối thiểu vẫn thỏa mãn điều kiện là tập mục thường xuyên, nhưng phương án a bao quát hơn (lớn hơn hoặc bằng).
* Phương án d: Support(X): Min_Supp/N - Sai. Công thức này không đúng và không liên quan đến định nghĩa tập mục thường xuyên.

Số tập mục có thể được tạo ra từ N mục phân biệt (không tính tập rỗng) là 2^N - 1. Điều này xuất phát từ việc mỗi mục có hai trạng thái: có mặt hoặc không có mặt trong một tập con. Vì vậy, có 2^N tập con có thể được tạo ra. Tuy nhiên, câu hỏi yêu cầu không tính tập rỗng, nên ta trừ đi 1.

Thuật toán Apriori dùng để khai thác luật kết hợp trong khai phá dữ liệu. Nguyên tắc cơ bản của Apriori là: Nếu một tập mục là thường xuyên (frequent), thì tất cả các tập con của nó cũng phải là thường xuyên. Ngược lại, nếu một tập mục không phải là thường xuyên, thì tất cả các tập cha của nó cũng không phải là thường xuyên.

Trong bài toán này, ta có các tập mục thường xuyên 2-item là: {A,B}, {A,C}, {B,D}.

Để sinh các tập mục ứng viên 3-item, ta ghép các tập mục 2-item có chung item.

- Ghép {A,B} và {A,C} ta được {A, B, C}.
- Ghép {A,B} và {B,D} ta được {A, B, D}.
- Ghép {A,C} và {B,D} không có phần tử chung.

Vậy, các ứng viên sinh ra có 3-item là: {A, B, C}, {A, B, D}.

Mạng Nơron nhân tạo (Artificial Neural Network - ANN) là một mô hình tính toán được lấy cảm hứng từ cấu trúc và chức năng của mạng nơ-ron sinh học trong não bộ con người. Nó được sử dụng để giải quyết nhiều loại bài toán khác nhau, bao gồm phân loại, hồi quy và nhận dạng mẫu. Do đó, đáp án a là chính xác nhất vì nó mô tả đúng bản chất của mạng Nơron nhân tạo là một mô hình toán học mô phỏng mạng Nơron sinh học để giải quyết các bài toán.

Các đáp án khác không chính xác vì:
- b. Mạng Nơron nhân tạo không phải là mạng máy tính có tốc độ truyền thông cao. Mặc dù việc triển khai ANN có thể sử dụng mạng máy tính, nhưng bản thân ANN là một mô hình tính toán.
- c. Mạng Nơron nhân tạo không phải là mạng Nơron do con người tạo ra theo nghĩa đen. Nó là một mô hình toán học được con người thiết kế.
- d. Mạng Nơron nhân tạo có thể được sử dụng trong phân tích gen, nhưng nó không chỉ giới hạn trong việc phân loại gen của các loài sinh vật.

Độ phân biệt (Gain) hay còn gọi là Information Gain, đo lường sự giảm độ không chắc chắn về biến C khi biết giá trị của thuộc tính A. Công thức tính Gain(C, A) được định nghĩa là hiệu giữa entropy của C và entropy của C sau khi đã biết A. Như vậy công thức đúng là Gain(C,A) = Entropy(C) - Entropy(A).