Thuộc tính tổng quát của một mô hình đối với dữ liệu mới cho phép nó thực hiện các dự đoán chính xác. Mô hình này được gọi là... Lựa chọn: 

Hồi quy là một phương pháp trong học máy, thuộc nhóm học có giám sát. Trong học có giám sát, mô hình học từ một tập dữ liệu đã được gán nhãn, tức là mỗi điểm dữ liệu đều có một 'đầu vào' và một 'đầu ra' mong muốn. Mục tiêu của hồi quy là tìm ra một hàm số ánh xạ từ đầu vào đến đầu ra liên tục. Ví dụ, dự đoán giá nhà dựa trên diện tích, vị trí... là một bài toán hồi quy, trong đó giá nhà là nhãn (đầu ra) đã biết.

* a. Lựa chọn đặc trưng: Lựa chọn đặc trưng là quá trình chọn ra các đặc trưng quan trọng nhất từ một tập hợp lớn các đặc trưng. Nó không phải là một loại học máy.
* b. Học tăng cường: Học tăng cường là một loại học máy, trong đó một tác nhân học cách đưa ra quyết định trong một môi trường để tối đa hóa phần thưởng tích lũy. Hồi quy không thuộc nhóm này.
* c. Học có giám sát: Đây là đáp án đúng. Hồi quy là một ví dụ điển hình của học có giám sát, vì nó sử dụng dữ liệu đã gán nhãn để xây dựng mô hình dự đoán.
* d. Học không giám sát: Học không giám sát là một loại học máy, trong đó mô hình học từ dữ liệu không có nhãn. Hồi quy không thuộc nhóm này.

Câu hỏi đang đề cập đến việc phân loại kiểu dữ liệu đầu ra.

* a. Một số phức: Số phức bao gồm phần thực và phần ảo, thường không phải là đầu ra của một bài toán phân loại thông thường.
* b. Một giá trị hạng mục: Phân loại (classification) là việc gán một đối tượng vào một trong các lớp (hạng mục) đã được định nghĩa trước. Ví dụ: phân loại email là spam hay không spam, phân loại ảnh là mèo hay chó, v.v. Đầu ra chính là hạng mục mà đối tượng thuộc về.
* c. Một giá trị liên tục: Giá trị liên tục thường là đầu ra của các bài toán hồi quy (regression), ví dụ như dự đoán giá nhà, dự đoán nhiệt độ.
* d. Một số thực: Tương tự như giá trị liên tục, số thực thường xuất hiện trong các bài toán hồi quy.

Do đó, đáp án chính xác nhất là b. Một giá trị hạng mục vì nó phản ánh đúng bản chất của bài toán phân loại.

Câu hỏi này kiểm tra kiến thức về sự khác biệt giữa phân loại và dự đoán trong học máy.

* Phương án a: Trong phân loại, đầu ra là một giá trị rời rạc (ví dụ: mèo, chó, chim) là đúng.
* Phương án b: Nhiệm vụ dự đoán về cơ bản là phân loại là SAI. Dự đoán bao gồm cả việc dự đoán các giá trị liên tục (ví dụ: dự đoán giá nhà, nhiệt độ).
* Phương án c: Phân loại là một nhiệm vụ dự đoán là đúng vì nó dự đoán lớp mà một điểm dữ liệu thuộc về.
* Phương án d: Trong dự đoán, đầu ra có thể là một giá trị liên tục hoặc một giá trị rời rạc là đúng (ví dụ: dự đoán giá nhà (liên tục) hoặc dự đoán khả năng khách hàng rời đi (rời rạc)).

Vậy, phương án b là câu không đúng.

Quá trình giảm số chiều của tập đặc trưng, hay còn gọi là giảm số lượng các biến đầu vào, được gọi là giảm số chiều (dimensionality reduction). Mục đích của việc này là để đơn giản hóa mô hình, tránh overfitting, và tăng tốc độ tính toán.

* Học không giám sát (Unsupervised learning) là một loại thuật toán học máy sử dụng để phân tích và nhóm các tập dữ liệu không được gán nhãn. Các thuật toán này khám phá ra các mẫu ẩn hoặc nhóm dữ liệu mà không cần sự can thiệp của con người.
* Học tăng cường (Reinforcement learning) là một loại thuật toán học máy cho phép một tác nhân (agent) học cách hành động trong một môi trường để tối đa hóa một khái niệm phần thưởng tích lũy.
* Học có giám sát (Supervised learning) là một loại thuật toán học máy sử dụng dữ liệu đã được gán nhãn để huấn luyện mô hình dự đoán hoặc phân loại các điểm dữ liệu mới.

Do đó, đáp án đúng là c.

Câu hỏi đề cập đến việc xây dựng mô hình dự đoán bằng cách huấn luyện trên tập dữ liệu quan sát. Đây là đặc điểm cốt lõi của học máy (Machine Learning).

* a. Khai thác dữ liệu (Data Mining): Là quá trình khám phá các mẫu và tri thức ẩn từ lượng lớn dữ liệu. Mặc dù khai thác dữ liệu có thể sử dụng các kỹ thuật học máy, nhưng nó bao gồm nhiều bước hơn, không chỉ là huấn luyện mô hình dự đoán.
* b. Hệ thống quản lý quan hệ khách hàng (CRM): Là hệ thống quản lý tương tác và dữ liệu khách hàng. CRM có thể sử dụng các mô hình dự đoán, nhưng bản thân nó không phải là phương pháp xây dựng mô hình.
* c. Học máy (Machine Learning): Đúng. Học máy tập trung vào việc phát triển các thuật toán cho phép máy tính học từ dữ liệu mà không cần được lập trình một cách rõ ràng. Việc huấn luyện mô hình dự đoán từ dữ liệu quan sát là một phần quan trọng của học máy.
* d. Khoa học dữ liệu (Data Science): Là một lĩnh vực rộng hơn bao gồm việc thu thập, xử lý, phân tích và diễn giải dữ liệu. Học máy là một công cụ quan trọng trong khoa học dữ liệu, nhưng khoa học dữ liệu không chỉ giới hạn ở việc xây dựng mô hình dự đoán.

Do đó, đáp án chính xác nhất là c. Học máy vì nó trực tiếp liên quan đến việc huấn luyện mô hình dự đoán từ dữ liệu.