Thuật toán nào sau đây phù hợp nhất với yêu cầu "Hãy dự đoán tỉ giá ngoại tệ (là một số thực) dựa vào các dữ liệu về kinh tế vĩ mô được thu thập trong quá khứ"? 

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**

Thiên kiến (Bias) trong học máy xảy ra khi mô hình quá đơn giản và không thể nắm bắt được sự phức tạp của dữ liệu. Điều này dẫn đến việc mô hình đưa ra những dự đoán sai lệch một cách hệ thống, gây ra sự khác biệt lớn giữa giá trị dự đoán và giá trị thực tế. Phương sai (Variance) lại liên quan đến việc mô hình quá nhạy cảm với những biến động nhỏ trong dữ liệu huấn luyện, dẫn đến việc hoạt động kém trên dữ liệu mới. Tín hiệu (Signal) là thông tin có giá trị trong dữ liệu, còn tiếng ồn (Noise) là những yếu tố ngẫu nhiên không liên quan.