Trong ứng dụng về xử lý văn bản (text), người ta thường đo độ tương tự giữa hai văn bản bằng cách nào? 

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.

Câu hỏi này liên quan đến hiện tượng "quá khớp" (overfitting) trong machine learning. Quá khớp xảy ra khi mô hình học quá sát dữ liệu huấn luyện, bao gồm cả nhiễu, dẫn đến khả năng khái quát hóa kém trên dữ liệu mới.

* a. Mô hình quá phức tạp: Mô hình phức tạp có nhiều tham số, dễ dàng "ghi nhớ" dữ liệu huấn luyện, bao gồm cả nhiễu. Điều này làm tăng khả năng quá khớp.
* b. Phương sai cao và độ lệch thấp: Đây là đặc điểm của mô hình bị quá khớp. Phương sai cao nghĩa là mô hình rất nhạy cảm với sự thay đổi nhỏ trong dữ liệu huấn luyện. Độ lệch thấp nghĩa là mô hình khớp rất tốt với dữ liệu huấn luyện.
* d. Quá nhiều tiếng ồn trong dữ liệu huấn luyện: Nhiễu (noise) trong dữ liệu huấn luyện có thể là các điểm dữ liệu sai lệch hoặc không liên quan. Mô hình học cả nhiễu sẽ dẫn đến quá khớp.

Vì cả ba lý do trên đều góp phần vào việc trang bị quá mức, đáp án đúng là c.