Cho FP-Tree như hình vẽ, có mấy đường đi kết thúc ở nút p 

Câu hỏi yêu cầu xác định phương pháp *không* thuộc về phân lớp (classification) trong lĩnh vực học máy hoặc khai phá dữ liệu. Các phương pháp b, c, d (Cây quyết định, Bayes, Mạng Nơ-ron) đều là các thuật toán phổ biến và được sử dụng rộng rãi cho bài toán phân lớp. Phương án a, "Chia các đối tượng thành từng lớp để giảng dạy", mô tả một hoạt động sư phạm thông thường, không liên quan đến các thuật toán phân lớp trong học máy.

Câu hỏi yêu cầu định nghĩa chính xác về gom cụm (clustering) hay phân cụm dữ liệu.

Phương án a là đáp án đúng vì nó mô tả chính xác mục tiêu của phân cụm dữ liệu: chia các đối tượng thành các nhóm sao cho các đối tượng trong cùng một nhóm tương tự nhau hơn so với các đối tượng ở các nhóm khác.

Phương án b sai vì nó nói rằng các phần tử *khác* nhóm thì tương tự nhau hơn, điều này ngược lại với định nghĩa của phân cụm.

Phương án c sai vì tiêu chí "dễ sử dụng nhất" không phải là mục tiêu cốt lõi của phân cụm. Mục tiêu chính là tìm ra các cụm có ý nghĩa dựa trên sự tương đồng của dữ liệu.

Phương án d sai vì việc giảm thiểu số lượng nhóm không phải là mục tiêu duy nhất của phân cụm. Số lượng cụm phải phản ánh cấu trúc tự nhiên của dữ liệu.

Câu hỏi yêu cầu tìm số cách chia N phần tử thành một cụm duy nhất. Khi tất cả các phần tử được gộp vào một cụm, chỉ có duy nhất một cách chia. Do đó, đáp án đúng là 1 cách.

Quá trình Khai phá tri thức trong CSDL (KDD) bao gồm các bước chính sau: 1. Trích chọn dữ liệu (Data Selection): Chọn lọc dữ liệu liên quan từ các nguồn khác nhau. 2. Tiền xử lý dữ liệu (Data Preprocessing): Làm sạch dữ liệu, xử lý các giá trị thiếu, loại bỏ nhiễu. 3. Biến đổi dữ liệu (Data Transformation): Chuyển đổi dữ liệu sang định dạng phù hợp cho khai phá, ví dụ như chuẩn hóa hoặc rời rạc hóa. 4. Khai phá dữ liệu (Data Mining): Áp dụng các thuật toán khai phá (ví dụ: phân lớp, phân cụm, khám phá luật kết hợp) để tìm ra các mẫu tri thức ẩn. 5. Đánh giá và biểu diễn tri thức (Evaluation and Representation): Đánh giá các mẫu tri thức tìm được và biểu diễn chúng một cách dễ hiểu cho người dùng. Do đó, đáp án a là chính xác nhất.

Làm sạch dữ liệu (Data Cleaning) là quá trình loại bỏ nhiễu (ví dụ: dữ liệu sai, không đầy đủ, không chính xác) và dữ liệu không nhất quán (ví dụ: định dạng khác nhau, giá trị trùng lặp) khỏi tập dữ liệu. Mục tiêu là cải thiện chất lượng dữ liệu để có thể sử dụng cho các phân tích và mô hình hóa chính xác hơn. Các phương án còn lại mô tả các hoạt động khác liên quan đến dữ liệu, nhưng không phải là làm sạch dữ liệu.