Cắt sơ đồ tại ngưỡng bằng 1.5 hỏi có mấy cụm được sinh ra?

Cắt sơ đồ tại ngưỡng bằng 0.5 hỏi có mấy cụm được sinh ra?

Lời giải:

Đáp án đúng: A

Để trả lời câu hỏi này, cần có sơ đồ cụ thể được đề cập đến. Tuy nhiên, về mặt lý thuyết, nếu ta cắt một sơ đồ tại ngưỡng 0.5, các phần của sơ đồ có giá trị kết nối (ví dụ, trọng số cạnh) lớn hơn hoặc bằng 0.5 sẽ được giữ lại và tạo thành các cụm. Số lượng cụm được sinh ra phụ thuộc vào cấu trúc của sơ đồ và các giá trị kết nối giữa các phần tử. Do không có sơ đồ cụ thể, không thể xác định chính xác số lượng cụm được tạo ra. Vì vậy, không thể xác định đáp án chính xác trong các lựa chọn A, B, C, D.

Câu 16:

Một số bài toán điển hình trong khai phá dữ liệu là:

Lời giải:

Đáp án đúng: A

Các bài toán điển hình trong khai phá dữ liệu bao gồm: khai phá luật kết hợp (tìm các mối quan hệ giữa các mục dữ liệu), phân loại (gán các đối tượng vào các lớp định nghĩa trước), phân cụm (nhóm các đối tượng tương tự vào các cụm) và hồi quy (dự đoán giá trị số của một biến dựa trên các biến khác). Các phương án khác không hoàn toàn chính xác vì chứa các khái niệm không hoàn toàn thuộc về các bài toán khai phá dữ liệu điển hình (ví dụ: xây dựng máy tìm kiếm, web mining, text mining, bài toán nhận dạng, bài toán tìm kiếm thông tin, bài toán lựa chọn đặc trưng).

Câu 17:

Khai phá dữ liệu có lợi ích gì?

Lời giải:

Đáp án đúng: A

Khai phá dữ liệu (Data Mining) là quá trình tìm kiếm tri thức ẩn chứa trong một lượng lớn dữ liệu. Nó bao gồm nhiều kỹ thuật và phương pháp khác nhau để cung cấp hỗ trợ ra quyết định (ví dụ: dự đoán xu hướng thị trường), dự báo (ví dụ: dự báo doanh số), khái quát hóa dữ liệu (ví dụ: tóm tắt thông tin quan trọng từ dữ liệu lớn), tìm kiếm các quy luật (ví dụ: các mặt hàng thường được mua cùng nhau), tìm kiếm các cụm (ví dụ: phân nhóm khách hàng), và phân loại dữ liệu (ví dụ: xác định email là spam hay không spam). Các lựa chọn C và D chỉ đề cập đến một số khía cạnh hạn chế của khai phá dữ liệu hoặc các ứng dụng quá cụ thể và không bao quát đầy đủ các lợi ích cốt lõi. Do đó, lựa chọn A và B là đầy đủ nhất, trong đó A mang tính tổng quan và B đi vào chi tiết các task của khai phá dữ liệu. Tuy nhiên, phương án A bao quát hơn.

Câu 18:

Phát biểu nào sau đây là đúng?

Lời giải:

Đáp án đúng: A

A. Đúng. Data Mining (khai thác dữ liệu) là một giai đoạn then chốt trong quy trình Khám phá Tri thức từ Dữ liệu (Knowledge Discovery in Databases - KDD). KDD là một quy trình tổng thể, trong đó Data Mining là bước tìm kiếm các mẫu tiềm ẩn trong dữ liệu đã được chuẩn bị và chuyển đổi. B. Sai. Tiền xử lý dữ liệu bao gồm nhiều công đoạn như làm sạch, chuyển đổi, tích hợp và giảm dữ liệu, chứ không chỉ là chọn đặc trưng. C. Sai. Không phải mọi dữ liệu đều có thể tìm kiếm được bằng Google. Nhiều dữ liệu nằm trong các cơ sở dữ liệu riêng, hệ thống nội bộ hoặc các deep web không được index bởi các công cụ tìm kiếm thông thường. D. Sai. Data Mining là một lĩnh vực khoa học dữ liệu, sử dụng các thuật toán và kỹ thuật để khám phá tri thức từ dữ liệu. Nó không trực tiếp giúp các lập trình viên tìm kiếm thông tin dễ dàng hơn (mặc dù các công cụ và kết quả từ Data Mining có thể hỗ trợ quá trình phát triển phần mềm).

Câu 19:

Cho cơ sở dữ liệu giao dịch gồm N giao dịch (bản ghi). I là tập chứa tất cả các mục (item) trong CSDL. X, Y là tập chứa các mục thuộc I. Độ tin cậy của luật kết hợp X Y được định nghĩa là:

Lời giải:

Đáp án đúng: A

Độ tin cậy (Confidence) của luật kết hợp X → Y được định nghĩa là tỷ lệ các giao dịch chứa X cũng chứa Y. Công thức tính độ tin cậy là: Confidence(X → Y) = Số lượng giao dịch hỗ trợ cả X và Y / Số lượng giao dịch hỗ trợ X. Vì vậy, đáp án A là đáp án chính xác.

Câu 20:

Cho cơ sở dữ liệu giao dịch gồm N giao dịch (bản ghi). I là tập chứa tất cả các mục (item) trong CSDL. X, Y là tập chứa các mục thuộc I. Độ hỗ trợ của luật kết hợp X Y được định nghĩa là:

Lời giải: