Có thể sử dụng phân lớp dựa trên mạng Nơron nhân tạo. Vậy mạng Nơron nhân tạo là gì? 

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).

Câu hỏi yêu cầu tìm kết luận sai trong các lựa chọn đã cho.

* Phương án a: Thuật toán Quilan sử dụng độ lợi thông tin (Information Gain) để chọn thuộc tính làm gốc cây quyết định, không phải chọn ngẫu nhiên. Vì vậy, phương án a sai.
* Phương án b: Độ phân biệt (độ lộn xộn) cao tương ứng với Entropy cao, và ngược lại. Vì vậy, phương án b đúng.
* Phương án c: Thuật toán CLS không chọn ngẫu nhiên thuộc tính làm gốc cây quyết định. Vì vậy, phương án c sai.
* Phương án d: Entropy là một số nằm trong đoạn [0,1]. Vì vậy, phương án d đúng.

Vì câu hỏi yêu cầu chọn kết luận sai, nên đáp án là a và c. Tuy nhiên, theo khuôn dạng chỉ được chọn một đáp án, ta chọn a là đáp án sai rõ ràng và thường gặp hơn trong các tài liệu về cây quyết định.

Entropy, trong lý thuyết thông tin, là một đại lượng đo độ không chắc chắn hoặc độ ngẫu nhiên của một biến ngẫu nhiên. Entropy có giá trị không âm và có thể lớn hơn 1.

Phương án a. [0 ; 1] không đúng vì entropy có thể lớn hơn 1.
Phương án b. (0 ; 1) không đúng vì entropy có thể bằng 0 và lớn hơn 1.
Phương án c. Miền giá trị là tập số nguyên dương không đúng vì entropy có thể là số thực.
Phương án d. Miền giá trị là tập số thực dương là đáp án đúng. Entropy là một số thực không âm.

Thuật toán k-means là một thuật toán phân cụm dựa trên khoảng cách. Để giải bài toán này, chúng ta cần thực hiện các bước sau:

1. Khởi tạo: Chọn k tâm cụm ban đầu (trong trường hợp này, k=2). Vì không có thông tin về tâm cụm ban đầu, ta giả sử chọn ngẫu nhiên A(1, 1) và D(5, 4) làm tâm cụm ban đầu.
2. Gán điểm vào cụm: Tính khoảng cách Euclidean từ mỗi điểm đến các tâm cụm. Điểm nào gần tâm cụm nào hơn thì gán vào cụm đó.
* Khoảng cách từ B(2, 1) đến A(1, 1) là √((2-1)² + (1-1)²) = 1
* Khoảng cách từ B(2, 1) đến D(5, 4) là √((2-5)² + (1-4)²) = √(9+9) = √18 ≈ 4.24
=> B thuộc cụm C1={A}
* Khoảng cách từ C(4, 3) đến A(1, 1) là √((4-1)² + (3-1)²) = √(9+4) = √13 ≈ 3.61
* Khoảng cách từ C(4, 3) đến D(5, 4) là √((4-5)² + (3-4)²) = √(1+1) = √2 ≈ 1.41
=> C thuộc cụm C2={D}
* Khoảng cách từ E(1, 0) đến A(1, 1) là √((1-1)² + (0-1)²) = 1
* Khoảng cách từ E(1, 0) đến D(5, 4) là √((1-5)² + (0-4)²) = √(16+16) = √32 ≈ 5.66
=> E thuộc cụm C1={A, B}
Vậy ta có C1 = {A, B, E}, C2 = {C, D}.
3. Tính lại tâm cụm: Tính trung bình cộng tọa độ của các điểm trong mỗi cụm để cập nhật tâm cụm mới.

Với cách phân tích như trên, đáp án đúng là C1={A, B, E} ; C2={C, D}.

Câu hỏi này kiểm tra hiểu biết về các nguyên nhân dẫn đến sự bùng nổ dữ liệu trong những năm gần đây.

Phương án a là đáp án đúng nhất vì nó bao gồm các yếu tố quan trọng nhất thúc đẩy sự bùng nổ dữ liệu: sự phát triển mạnh mẽ của công nghệ phần cứng (khả năng lưu trữ và xử lý dữ liệu lớn), năng lực số hóa của con người ngày càng cao (tạo ra nhiều dữ liệu hơn thông qua các hoạt động trực tuyến), sự bùng nổ của công nghệ mạng (tạo điều kiện cho việc thu thập và chia sẻ dữ liệu dễ dàng hơn), và sự gia tăng của các tác nhân tạo mới dữ liệu (IoT, thiết bị di động,...).

Phương án b chỉ đề cập đến sự tiến bộ của khoa học kỹ thuật và nguồn nhân lực CNTT, nhưng không trực tiếp chỉ ra các yếu tố tạo ra dữ liệu.

Phương án c đề cập đến các loại dữ liệu cụ thể, nhưng không bao quát được nguyên nhân chung.

Phương án d chỉ tập trung vào quảng cáo và mạng xã hội, bỏ qua các nguồn dữ liệu quan trọng khác.