Giả sử chúng ta muốn xây dựng một mô hình phân loại, một tập hợp các trường hợp dữ liệu được sử dụng để điều chỉnh siêu tham số sau quá trình học được gọi là ... 

Câu hỏi này kiểm tra sự hiểu biết về khái niệm "vấn đề dự đoán" trong bối cảnh ứng dụng thực tế. Vấn đề dự đoán là việc sử dụng dữ liệu để ước tính hoặc dự đoán một kết quả hoặc sự kiện trong tương lai.

• a. Một ứng dụng cần dự đoán hiệu suất của ứng viên công việc dựa trên CV của ứng viên: Đây là một vấn đề dự đoán vì ứng dụng sử dụng thông tin CV (dữ liệu) để dự đoán hiệu suất (kết quả) trong tương lai.
• b. Tất cả các nhiệm vụ được đề cập: Phương án này đúng nếu tất cả các phương án khác đều là vấn đề dự đoán. Chúng ta cần xem xét các phương án còn lại.
• c. Dự báo sự gián đoạn chuỗi cung ứng dựa trên thông tin về thị trường: Đây cũng là một vấn đề dự đoán vì sử dụng thông tin thị trường (dữ liệu) để dự đoán sự gián đoạn chuỗi cung ứng (kết quả) trong tương lai.
• d. Một ứng dụng quét một hình ảnh và cần quyết định xem hình ảnh đó có chứa một động vật nuôi hay không: Đây là một vấn đề phân loại, một dạng của dự đoán, vì ứng dụng sử dụng hình ảnh (dữ liệu) để dự đoán lớp (có/không có động vật nuôi).
• e. Một robot được cung cấp một số thông tin về thế giới và cần thực hiện hành động tốt nhất tiếp theo: Đây là một vấn đề ra quyết định hoặc lập kế hoạch, không đơn thuần là dự đoán một kết quả cụ thể. Mặc dù việc lựa chọn hành động có thể dựa trên dự đoán, bản thân nhiệm vụ này không chỉ giới hạn ở dự đoán.

Vì các phương án a, c, và d đều là các vấn đề dự đoán hoặc có thể được coi là một dạng của dự đoán, phương án b. Tất cả các nhiệm vụ được đề cập là đáp án đúng nhất vì nó bao hàm tất cả các trường hợp dự đoán một cách rõ ràng.

Câu hỏi này kiểm tra kiến thức về các tập dữ liệu thường được sử dụng trong học máy.

• Tập huấn luyện (training set): Được sử dụng để huấn luyện mô hình học máy.
• Tập xác thực (validation set): Được sử dụng để tinh chỉnh các siêu tham số của mô hình và đánh giá hiệu năng của mô hình trong quá trình huấn luyện.
• Tập kiểm tra (test set): Được sử dụng để đánh giá hiệu năng cuối cùng của mô hình sau khi đã hoàn thành quá trình huấn luyện và tinh chỉnh.

Theo định nghĩa, tập dữ liệu độc lập tuân theo phân phối xác suất tương tự như tập huấn luyện, nhưng được sử dụng để đánh giá hiệu năng của mô hình, chính là tập kiểm tra.

Do đó, đáp án đúng là d.

• Tập caching: Không phải là một khái niệm tiêu chuẩn trong học máy liên quan đến việc chia tập dữ liệu.

Câu hỏi này kiểm tra sự hiểu biết về hiện tượng overfitting (quá khớp) và underfitting (thiếu khớp) trong học máy.

• Overfitting (quá khớp): Mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến việc nó hoạt động rất tốt trên dữ liệu huấn luyện nhưng lại kém trên dữ liệu kiểm tra (dữ liệu mới). Điều này xảy ra khi mô hình học cả những nhiễu (noise) trong dữ liệu huấn luyện.
• Underfitting (thiếu khớp): Mô hình không học đủ tốt từ dữ liệu huấn luyện, dẫn đến việc nó hoạt động kém cả trên dữ liệu huấn luyện lẫn dữ liệu kiểm tra. Điều này xảy ra khi mô hình quá đơn giản và không thể nắm bắt được các mối quan hệ quan trọng trong dữ liệu.

Trong trường hợp này, nếu mô hình hoạt động tốt trên cả tập huấn luyện và tập kiểm tra, điều đó có nghĩa là nó đã học được các mối quan hệ quan trọng trong dữ liệu mà không bị ảnh hưởng bởi nhiễu. Do đó, hiện tượng overfitting đã được giảm thiểu, và hiện tượng underfitting cũng không xảy ra.

Vậy, đáp án đúng là:

• c. đã xảy ra overfitting tối thiểu (vì mô hình không chỉ học thuộc dữ liệu huấn luyện mà còn khái quát hóa tốt cho dữ liệu kiểm tra).

Các đáp án khác sai vì:

• a và d: Nếu overfitting hoặc underfitting xảy ra ở mức tối đa, mô hình sẽ không hoạt động tốt trên cả hai tập dữ liệu.
• b: Underfitting tối thiểu có thể đúng, nhưng overfitting tối thiểu chính xác hơn vì nó nhấn mạnh việc tránh học thuộc lòng dữ liệu huấn luyện.

Phân loại (Classification) là một bài toán trong đó chúng ta gán một đối tượng vào một trong số các lớp (categories) đã được định nghĩa trước. Để thực hiện việc này, chúng ta sử dụng một tập dữ liệu huấn luyện (training dataset) đã được gán nhãn (labeled), tức là mỗi mẫu dữ liệu đã biết thuộc về lớp nào. Quá trình này thuộc về học có giám sát (Supervised Learning), vì chúng ta "giám sát" thuật toán bằng cách cung cấp cho nó các nhãn đúng.

• Học tăng cường (Reinforcement Learning): Là một loại học máy trong đó một tác nhân (agent) học cách hành động trong một môi trường để tối đa hóa một khái niệm về "phần thưởng" tích lũy.
• Lựa chọn đặc trưng (Feature Selection): Là quá trình chọn một tập hợp con các đặc trưng liên quan nhất để sử dụng trong xây dựng mô hình.
• Học có giám sát (Supervised Learning): Là một loại học máy, trong đó thuật toán học từ một tập dữ liệu huấn luyện đã được gán nhãn.
• Học không giám sát (Unsupervised Learning): Là một loại học máy, trong đó thuật toán học từ một tập dữ liệu không được gán nhãn, và cố gắng tìm ra các cấu trúc ẩn trong dữ liệu.

Câu hỏi đề cập đến vấn đề có thể xảy ra khi huấn luyện mô hình học máy bằng dữ liệu quan sát. Các vấn đề chính thường gặp là overfitting (quá khớp) và underfitting (thiếu khớp).

• Overfitting (quá khớp): Xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến việc nó hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới hoặc dữ liệu kiểm tra. Mô hình học cả những nhiễu (noise) trong dữ liệu huấn luyện.
• Underfitting (thiếu khớp): Xảy ra khi mô hình quá đơn giản và không thể nắm bắt được các mẫu (patterns) quan trọng trong dữ liệu. Do đó, nó hoạt động kém cả trên dữ liệu huấn luyện và dữ liệu kiểm tra.

Như vậy, cả hai vấn đề overfitting và underfitting đều có thể xảy ra.

Phân tích các lựa chọn:

• a. Không gian vượt quá và không gian thiếu: Cách diễn đạt này tương đương với overfitting và underfitting, do đó đây là đáp án đúng.
• b. Không gian vượt quá: Chỉ đề cập đến overfitting mà bỏ qua underfitting.
• c. Không gian thiếu: Chỉ đề cập đến underfitting mà bỏ qua overfitting.
• d. Cả không gian vượt quá và không gian thiếu: Lặp lại đáp án a, nhưng diễn đạt không tự nhiên bằng đáp án a. Cách diễn đạt này làm cho lựa chọn a đúng hơn.