Kỹ thuật nào sau đây có thể được dùng để thu giảm dữ liệu? 

Câu hỏi yêu cầu dự đoán một giá trị số thực (tỉ giá ngoại tệ) dựa trên dữ liệu quá khứ.

* Thuật toán k láng giềng gần nhất (k-Nearest Neighbors - k-NN) thường được sử dụng cho các bài toán phân loại hoặc hồi quy. Tuy nhiên, trong trường hợp dự đoán một giá trị số thực, hồi quy tuyến tính thường là lựa chọn phù hợp hơn vì nó trực tiếp tìm kiếm mối quan hệ tuyến tính giữa các biến đầu vào và biến đầu ra.
* Hồi quy logistic (Logistic Regression) là một thuật toán phân loại, được sử dụng để dự đoán xác suất của một biến đầu ra nhị phân (0 hoặc 1). Nó không phù hợp cho việc dự đoán một giá trị số thực liên tục.
* Thuật toán k trung bình (k-Means) là một thuật toán phân cụm, được sử dụng để phân chia dữ liệu thành k cụm khác nhau dựa trên khoảng cách giữa các điểm dữ liệu. Nó không phù hợp cho việc dự đoán một giá trị số thực.
* Thuật toán hồi quy tuyến tính (Linear Regression) là một thuật toán hồi quy, được sử dụng để tìm kiếm mối quan hệ tuyến tính giữa một hoặc nhiều biến đầu vào và một biến đầu ra số thực. Trong trường hợp này, các dữ liệu về kinh tế vĩ mô là các biến đầu vào, và tỉ giá ngoại tệ là biến đầu ra cần dự đoán. Do đó, hồi quy tuyến tính là thuật toán phù hợp nhất.

Vì vậy, đáp án đúng là thuật toán hồi quy tuyến tính.

Câu hỏi này kiểm tra kiến thức về hiện tượng overfitting và underfitting trong học máy.

* Overfitting: Xảy ra khi mô hình học quá tốt trên tập huấn luyện, ghi nhớ cả những nhiễu (noise) trong dữ liệu huấn luyện. Do đó, sai số trên tập huấn luyện thấp, nhưng khi áp dụng vào tập kiểm tra (dữ liệu mới), mô hình hoạt động kém, sai số cao.
* Underfitting: Xảy ra khi mô hình quá đơn giản, không đủ khả năng nắm bắt các đặc trưng quan trọng của dữ liệu. Sai số trên cả tập huấn luyện và tập kiểm tra đều cao.

Trong trường hợp này, mô hình có sai số thấp trên tập huấn luyện và sai số cao trên tập kiểm tra, đây chính là dấu hiệu của overfitting. Vì vậy, đáp án đúng là d. gặp vấn đề overfitting

Câu hỏi này kiểm tra kiến thức về các thuật toán khác nhau trong Machine Learning và ứng dụng của chúng.

* k-means: Là một thuật toán phân cụm, được sử dụng để chia dữ liệu thành các nhóm (cụm) dựa trên khoảng cách. k-means không phải là thuật toán phân lớp.
* Hồi quy logistic: Là một thuật toán phân lớp, được sử dụng để dự đoán một biến đầu ra rời rạc (ví dụ: 0 hoặc 1, True hoặc False) dựa trên một hoặc nhiều biến đầu vào.
* DBSCAN: Là một thuật toán phân cụm dựa trên mật độ. Nó nhóm các điểm dữ liệu lại với nhau dựa trên mật độ điểm lân cận, không phải là thuật toán phân lớp.
* Apriori: Là một thuật toán được sử dụng trong khai thác luật kết hợp. Nó được sử dụng để tìm các tập mục phổ biến trong một tập dữ liệu, không phải là thuật toán phân lớp.

Vậy, đáp án đúng là hồi quy logistic vì nó là một thuật toán phân lớp.

Ma trận vuông A được gọi là chéo hóa được nếu tồn tại ma trận đường chéo D và ma trận khả nghịch P sao cho A = PDP^(-1). Điều kiện cần là D phải là ma trận đường chéo (không nhất thiết khả nghịch) và P phải là ma trận khả nghịch. Vì vậy, đáp án d là chính xác nhất.

Câu hỏi liên quan đến việc tránh tình trạng "trang bị thiếu" (underfitting) trong mô hình học máy. Dưới đây là phân tích chi tiết:

* a. Thực hiện kỹ thuật tính năng: Việc lựa chọn, biến đổi, hoặc tạo ra các tính năng (features) phù hợp có thể giúp mô hình nắm bắt được các mối quan hệ quan trọng trong dữ liệu. Nếu các tính năng không đủ để mô tả dữ liệu một cách chính xác, mô hình sẽ bị underfitting. Do đó, kỹ thuật tính năng là một phương pháp quan trọng để giải quyết vấn đề này.

* b. Thực hiện tiền xử lý dữ liệu một cách khéo léo: Tiền xử lý dữ liệu (data preprocessing) bao gồm các bước như làm sạch dữ liệu, xử lý giá trị thiếu, chuẩn hóa dữ liệu, và mã hóa dữ liệu. Nếu tiền xử lý không tốt, dữ liệu có thể bị mất thông tin quan trọng, dẫn đến underfitting. Tiền xử lý khéo léo giúp đảm bảo dữ liệu chất lượng và phù hợp cho mô hình học.

* c. Tăng độ phức tạp của mô hình: Một mô hình quá đơn giản có thể không đủ khả năng để nắm bắt các mối quan hệ phức tạp trong dữ liệu, dẫn đến underfitting. Việc tăng độ phức tạp của mô hình (ví dụ: sử dụng mạng nơ-ron sâu hơn, thêm các tham số) có thể giúp mô hình học được các mẫu phức tạp hơn và giảm thiểu underfitting.

Vì cả ba phương pháp trên đều có thể giúp tránh việc trang bị thiếu, đáp án đúng là:

* d. Tất cả các phương pháp được đề cập