Phát hiện các mẫu giữa các điểm dữ liệu trong một tập dữ liệu hoặc phát hiện các mẫu giữa một lượng lớn các tập dữ liệu quan sát là mục tiêu của ... Lựa chọn: 

Câu hỏi này kiểm tra kiến thức về các tập dữ liệu khác nhau được sử dụng trong machine learning.

* Tập huấn luyện (a): Là tập dữ liệu được sử dụng để huấn luyện mô hình. Mô hình học từ tập dữ liệu này để nhận diện các mẫu và quan hệ.
* Bộ thử nghiệm (b): Là tập dữ liệu độc lập được sử dụng để đánh giá hiệu suất của mô hình sau khi đã được huấn luyện. Mục đích là để ước tính khả năng khái quát hóa của mô hình trên dữ liệu mới, chưa từng thấy.
* Bộ nhớ đệm (c): Không liên quan đến khái niệm tập dữ liệu trong ngữ cảnh này.
* Bộ xác nhận (d): Là tập dữ liệu độc lập được sử dụng để điều chỉnh các siêu tham số của mô hình và lựa chọn mô hình tốt nhất trong quá trình huấn luyện. Thường được sử dụng khi cần tránh overfitting trên tập huấn luyện và tập thử nghiệm.

Theo định nghĩa trong câu hỏi, tập hợp các trường hợp dữ liệu độc lập nhưng tuân theo phân phối xác suất 'tương tự' của tập huấn luyện chính là bộ thử nghiệm. Nó được sử dụng để đánh giá khả năng của mô hình đã được huấn luyện trên tập huấn luyện để dự đoán chính xác trên dữ liệu mới (tức là dữ liệu 'tương tự' nhưng chưa từng thấy).

Thuật toán Perceptron là một thuật toán học có giám sát được sử dụng cho bài toán phân loại nhị phân. Nó hoạt động bằng cách tìm một siêu phẳng (hyperplane) để phân tách hai lớp dữ liệu. Trong trường hợp này, hai lớp được gán nhãn -1 và +1, phù hợp với cách Perceptron hoạt động. Các thuật toán khác như K lân cận gần nhất và Naive Bayes có thể được sử dụng cho nhiều lớp hơn và không nhất thiết phải dựa trên nhãn -1 và +1.

Do đó, đáp án đúng là c.

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

Các phương án khác sai vì:
- b: P không nhất thiết phải là ma trận đường chéo, mà cần là ma trận khả nghịch.
- c: D không cần khả nghịch.
- d: P không cần là ma trận đường chéo khả nghịch, chỉ cần là ma trận khả nghịch. D cũng không cần khả nghịch.

Thuật toán máy vector hỗ trợ (Support Vector Machine - SVM) tìm cách tạo ra một siêu phẳng (hyperplane) phân chia dữ liệu thành các lớp sao cho khoảng cách từ siêu phẳng này đến các điểm dữ liệu gần nhất của mỗi lớp (lề của lớp) là lớn nhất. Mục tiêu là tối đa hóa lề (margin) giữa các lớp, tức là tìm đường phân chia sao cho lề của hai lớp là như nhau đối với đường phân chia đó. Do đó, đáp án d là chính xác.

Các lựa chọn khác không phù hợp vì:

a. Thuật toán học perceptron: Tìm một đường thẳng (trong 2D) hoặc siêu phẳng (trong không gian nhiều chiều) để phân tách dữ liệu tuyến tính, nhưng không nhất thiết tối ưu hóa lề.
b. Thuật toán K láng giềng gần nhất (K-Nearest Neighbors - KNN): Phân loại dựa trên khoảng cách đến các điểm dữ liệu lân cận, không liên quan đến việc tìm đường phân chia với lề tối ưu.
c. Bộ phân loại naïve Bayes: Dựa trên định lý Bayes và giả định về tính độc lập giữa các đặc trưng, không liên quan đến việc tối ưu hóa lề.

Thuật toán K lân cận gần nhất (K-Nearest Neighbors - KNN) là một thuật toán học máy thuộc loại học có giám sát (supervised learning) và thường được sử dụng cho các bài toán phân loại và hồi quy.

* Phương án a đúng: KNN dự đoán đầu ra cho một điểm dữ liệu mới dựa trên thông tin của K điểm dữ liệu gần nhất trong tập huấn luyện. Khoảng cách giữa các điểm dữ liệu thường được tính bằng các độ đo như Euclidean, Manhattan, hoặc Minkowski.
* Phương án b sai: Mặc dù KNN sử dụng dữ liệu huấn luyện để đưa ra dự đoán, nhưng nó không thực sự "xây dựng mô hình" theo cách các thuật toán khác như hồi quy tuyến tính hoặc cây quyết định thực hiện. KNN lưu trữ toàn bộ tập huấn luyện và sử dụng nó trực tiếp trong quá trình dự đoán.
* Phương án c đúng: KNN là một thuật toán "lười biếng" (lazy learner) vì nó gần như không học gì trong giai đoạn huấn luyện. Tất cả các tính toán và việc đưa ra quyết định đều được thực hiện trong giai đoạn kiểm tra, khi cần dự đoán nhãn cho một điểm dữ liệu mới.
* Phương án d sai: Vì phương án b sai nên phương án d cũng sai.

Vì vậy, các phương án a và c đều đúng.