Loại tập dữ liệu nào thường cần thiết để xây dựng một mô hình học máy như một quy trình 'hoàn chỉnh'? Lựa chọn: 

Câu hỏi này kiểm tra kiến thức về các loại bài toán phân loại trong machine learning.

* Phân loại nhị phân: Là bài toán phân loại mà nhãn mục tiêu chỉ có hai giá trị có thể (thường là 0 và 1, hoặc True và False, hoặc Positive và Negative). Ví dụ: xác định một email là spam hay không spam.
* Phân loại đa lớp: Là bài toán phân loại mà nhãn mục tiêu có nhiều hơn hai giá trị có thể. Ví dụ: phân loại ảnh thành chó, mèo, chim.

Trong trường hợp này, vì nhãn y chỉ có hai giá trị (0 hoặc 1), nên đây là bài toán phân loại nhị phân.

Do đó, đáp án đúng là b.

Để xây dựng một mô hình học máy hoàn chỉnh, cần phải có ba loại tập dữ liệu khác nhau:

* Tập huấn luyện (Training set): Được sử dụng để huấn luyện mô hình, giúp mô hình học các mẫu và mối quan hệ trong dữ liệu.
* Tập xác thực (Validation set): Được sử dụng để đánh giá hiệu suất của mô hình trong quá trình huấn luyện và điều chỉnh các siêu tham số (hyperparameters) để tối ưu hóa mô hình. Tập xác thực giúp ngăn ngừa tình trạng quá khớp (overfitting), khi mô hình học quá kỹ dữ liệu huấn luyện và không thể tổng quát hóa tốt cho dữ liệu mới.
* Tập kiểm tra (Test set): Được sử dụng để đánh giá hiệu suất cuối cùng của mô hình sau khi đã hoàn thành quá trình huấn luyện và điều chỉnh. Tập kiểm tra cung cấp một ước lượng khách quan về khả năng tổng quát hóa của mô hình trên dữ liệu chưa từng thấy.

Vì vậy, đáp án đúng là c.

Sự khác biệt cơ bản giữa học có giám sát và học không giám sát nằm ở việc sử dụng dữ liệu có nhãn (labeled data).

* Học có giám sát (Supervised Learning): Sử dụng dữ liệu đã được gán nhãn, nghĩa là mỗi điểm dữ liệu đều có một "đầu ra" hoặc "mục tiêu" tương ứng. Thuật toán học cách ánh xạ đầu vào với đầu ra dựa trên dữ liệu đã cho. Ví dụ: phân loại email là spam hay không spam (dữ liệu đã gán nhãn là "spam" hoặc "không spam").

* Học không giám sát (Unsupervised Learning): Sử dụng dữ liệu không có nhãn. Thuật toán phải tự khám phá cấu trúc ẩn hoặc các mối quan hệ trong dữ liệu. Ví dụ: phân cụm khách hàng thành các nhóm dựa trên hành vi mua hàng (dữ liệu không có nhãn là các giao dịch mua hàng).

Trong xử lý văn bản, để đo độ tương tự giữa hai văn bản, người ta thường biểu diễn mỗi văn bản thành một vector trong không gian nhiều chiều. Mỗi chiều của vector có thể tương ứng với một từ hoặc một thuộc tính nào đó của văn bản. Sau đó, độ tương tự giữa hai văn bản được tính bằng cách đo góc giữa hai vector tương ứng. Hàm cosine được sử dụng phổ biến để tính góc này. Giá trị cosine càng gần 1, hai vector càng giống nhau, và do đó, hai văn bản càng tương tự. Các khoảng cách Euclid, Minkowski và Manhattan thường được dùng để đo khoảng cách (sự khác biệt) giữa hai vector, không phải độ tương tự (sự giống nhau).

Câu hỏi yêu cầu tìm thuật toán KHÔNG dùng để giảm chiều dữ liệu.

* UMAP (Uniform Manifold Approximation and Projections): Là một thuật toán giảm chiều phi tuyến tính mạnh mẽ, thường được sử dụng để trực quan hóa dữ liệu nhiều chiều.
* LDA (Linear Discriminant Analysis): Là một thuật toán giảm chiều tuyến tính, chủ yếu được sử dụng trong các bài toán phân loại để tìm các đặc trưng phân biệt tốt nhất giữa các lớp.
* t-SNE (t-Distributed Stochastic Neighbor Embedding): Là một thuật toán giảm chiều phi tuyến tính, đặc biệt hữu ích cho việc trực quan hóa dữ liệu nhiều chiều trong không gian hai hoặc ba chiều.
* PLA (Perceptron Learning Algorithm): Là một thuật toán học máy tuyến tính được sử dụng để phân loại nhị phân. Nó không phải là một thuật toán giảm chiều dữ liệu.

Vậy, PLA không phải là thuật toán giảm chiều dữ liệu, trong khi UMAP, LDA và t-SNE đều là các thuật toán giảm chiều dữ liệu.