Vấn đề phân loại đầu ra ... Lựa chọn: 

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.

Gom cụm (clustering) là một kỹ thuật trong học máy, thuộc nhóm học không giám sát (unsupervised learning). Trong học không giám sát, thuật toán không được cung cấp nhãn hoặc kết quả đầu ra mong muốn trước. Thay vào đó, thuật toán phải tự khám phá ra các cấu trúc, mẫu hoặc nhóm (cụm) trong dữ liệu. Gom cụm thực hiện việc này bằng cách nhóm các điểm dữ liệu tương tự lại với nhau dựa trên một số độ đo khoảng cách hoặc độ tương đồng.

* a. Học có giám sát: Trong học có giám sát, thuật toán được huấn luyện trên một tập dữ liệu đã được gán nhãn, và mục tiêu là học một hàm ánh xạ từ đầu vào sang đầu ra. Ví dụ: phân loại (classification) và hồi quy (regression).
* b. Học tăng cường: Học tăng cường (reinforcement learning) là một loại học máy, trong đó một tác nhân (agent) học cách hành động trong một môi trường để tối đa hóa một khái niệm về "phần thưởng" tích lũy.
* c. Lựa chọn đặc trưng: Lựa chọn đặc trưng (feature selection) là quá trình chọn một tập con các đặc trưng có liên quan nhất từ tập dữ liệu ban đầu. Mục tiêu là cải thiện hiệu suất của mô hình học máy.
* d. Học không giám sát: Như đã giải thích ở trên, gom cụm là một ví dụ điển hình của học không giám sát.

Do đó, đáp án đúng là d.

Câu hỏi này kiểm tra kiến thức về các loại sai số trong mô hình học máy. Trong đó, độ lệch (bias) là sai số do việc đơn giản hóa quá mức mô hình, dẫn đến việc mô hình không thể nắm bắt được các mối quan hệ phức tạp trong dữ liệu. Điều này gây ra sự khác biệt lớn giữa dự đoán của mô hình và giá trị thực tế.

* Nhiễu (noise) là dữ liệu không liên quan hoặc không chính xác có thể làm ảnh hưởng đến mô hình.
* Tín hiệu (signal) là thông tin hữu ích trong dữ liệu.
* Phương sai (variance) là mức độ thay đổi của mô hình khi được huấn luyện trên các tập dữ liệu khác nhau. Phương sai cao thường xảy ra khi mô hình quá phức tạp và khớp quá chặt với dữ liệu huấn luyện, dẫn đến việc kém hiệu quả trên dữ liệu mới.