Sự khác biệt cơ bản giữa học có giám sát (supervised) và không giám sát (unsupervised) là gì? 

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.

Câu hỏi này kiểm tra kiến thức về các thuật toán học máy và ứng dụng của chúng trong bài toán phân lớp.

* k-trung bình (k-means) là một thuật toán phân cụm (clustering), nghĩa là nó được sử dụng để nhóm các điểm dữ liệu thành các cụm dựa trên sự tương đồng của chúng. Nó không được sử dụng để phân lớp, vì phân lớp yêu cầu phải có nhãn (label) cho dữ liệu huấn luyện, trong khi phân cụm thì không.
* Máy vector hỗ trợ (support vector machine), hồi quy logistic (logistic regression) và naïve Bayes là các thuật toán phân lớp phổ biến. Chúng sử dụng dữ liệu huấn luyện đã được gán nhãn để xây dựng một mô hình có thể dự đoán nhãn cho các điểm dữ liệu mới.

Do đó, đáp án đúng là a. k-trung bình (k-means).

Phân tích thành phần chính (PCA) là một phương pháp giảm chiều dữ liệu bằng cách tìm các thành phần chính, là các hướng mà dữ liệu có phương sai lớn nhất. PCA thực hiện một phép xoay hệ trục tọa độ để các trục mới (các thành phần chính) hướng theo phương của phương sai lớn nhất. Hệ cơ sở mới này là một hệ trực chuẩn. PCA là một thuật toán học không giám sát (unsupervised), vì nó không sử dụng thông tin về nhãn của dữ liệu để tìm các thành phần chính. Do đó, phát biểu "PCA là một thuật toán học có giám sát (supervised)" là sai.

Máy vector hỗ trợ (Support Vector Machine - SVM) là thuật toán phân loại dựa trên việc tìm một siêu phẳng (hyperplane) để phân chia dữ liệu thành các lớp khác nhau. Ý tưởng cốt lõi của SVM là tìm siêu phẳng sao cho khoảng cách từ siêu phẳng đó đến các điểm dữ liệu gần nhất của mỗi lớp (được gọi là vector hỗ trợ) là lớn nhất. Khoảng cách này được gọi là "lề" (margin). SVM cố gắng tối đa hóa lề này để đảm bảo khả năng tổng quát hóa tốt nhất cho mô hình. Các thuật toán khác như Naive Bayes, k-Nearest Neighbors và Perceptron không trực tiếp tối ưu hóa lề theo cách này.