Để tính chỉ số EMA của chứng khoán người ta sử dụng phương pháp nào sau đây:

Phân tích các lựa chọn: * **A. Trung bình trượt (Moving Average):** Là một phương pháp phân tích kỹ thuật sử dụng bằng cách tính giá trung bình của cổ phiếu trong một khoảng thời gian nhất định. Phương pháp này giúp làm mịn dữ liệu giá và xác định xu hướng. Dữ liệu giá và khối lượng giao dịch các ngày trước đó là những yếu tố đầu vào quan trọng. * **B. San bằng mũ (Exponential Smoothing):** Là một phương pháp dự báo chuỗi thời gian, trong đó các quan sát gần đây được gán trọng số lớn hơn so với các quan sát cũ hơn. Nó cũng có thể sử dụng thông tin về giá cả và khối lượng giao dịch để dự đoán. * **C. Hồi quy (Regression):** Là một phương pháp thống kê dùng để mô hình hóa mối quan hệ giữa một biến phụ thuộc (ví dụ: giá cổ phiếu) và một hoặc nhiều biến độc lập (ví dụ: giá, khối lượng giao dịch). Phương pháp này có thể được sử dụng để dự đoán xu hướng. Trong trường hợp này, cả ba công cụ đều có thể được sử dụng để dự đoán xu hướng tăng/giảm của cổ phiếu dựa trên thông tin về giá và khối lượng giao dịch. Tuy nhiên, câu hỏi yêu cầu chọn *một* công cụ. Trong thực tế, trung bình trượt là phương pháp đơn giản và phổ biến nhất để xác định xu hướng dựa trên giá và khối lượng giao dịch, đặc biệt là trong phân tích kỹ thuật cơ bản. Hồi quy có thể được sử dụng, nhưng nó phức tạp hơn và đòi hỏi nhiều dữ liệu hơn. San bằng mũ cũng có thể được sử dụng, nhưng nó thường phù hợp hơn cho các chuỗi thời gian có tính mùa vụ hoặc xu hướng không tuyến tính. Tuy nhiên, vì câu hỏi không cung cấp đủ thông tin để loại trừ hoàn toàn các phương án B và C, và cũng không có phương án "Tất cả đều đúng", phương án A có vẻ là phù hợp nhất trong bối cảnh này, nhưng không phải là đáp án hoàn toàn chính xác. Vì không có đáp án nào hoàn toàn đúng, đáp án D - "Tất cả đều sai" sẽ là đáp án hợp lý nhất. Tuy nhiên, điều này phụ thuộc vào cách hiểu và diễn giải câu hỏi. **Tuy nhiên, nếu hiểu câu hỏi theo nghĩa hẹp về công cụ đơn giản nhất và thường được sử dụng nhất, thì đáp án A có thể được coi là đúng.**

Quy trình khai thác dữ liệu (Data Mining) thường bao gồm các bước sau: 1. **Data Understanding (Hiểu dữ liệu):** Thu thập thông tin ban đầu về dữ liệu, xác định mục tiêu và phạm vi của dự án. 2. **Data Preparation (Chuẩn bị dữ liệu):** Làm sạch, chuyển đổi và tích hợp dữ liệu để chuẩn bị cho quá trình khai thác. 3. **Data Mining (Khai thác dữ liệu):** Áp dụng các thuật toán và kỹ thuật khai thác dữ liệu để tìm kiếm các mẫu và quy luật ẩn trong dữ liệu. 4. **Evaluation (Đánh giá):** Đánh giá kết quả khai thác được, kiểm tra tính chính xác và hữu ích của các mẫu tìm thấy. 5. **Deployment (Triển khai):** Sử dụng các mẫu và quy luật tìm thấy để giải quyết các vấn đề thực tế. Như vậy, các lựa chọn A, B, C và D đều là các bước trong quy trình khai thác dữ liệu. Tuy nhiên, câu hỏi yêu cầu lựa chọn **không** phải là một bước. Do đó, đáp án đúng nhất là C. Data Mining, vì Data Mining là tên của cả quy trình, không phải là một bước riêng lẻ trong quy trình đó.

Phân tích câu hỏi: Câu hỏi yêu cầu xác định kiểu dữ liệu của thuộc tính "Loại khách hàng" khi nó có ba giá trị rời rạc: "VIP", "Premium" và "Economic". Đánh giá các phương án: * **A. Liên tục:** Dữ liệu liên tục là dữ liệu có thể nhận bất kỳ giá trị nào trong một phạm vi nhất định (ví dụ: chiều cao, cân nặng). "Loại khách hàng" không phải là dữ liệu liên tục. * **B. Rời rạc:** Dữ liệu rời rạc chỉ có thể nhận một số giá trị hữu hạn hoặc đếm được (ví dụ: số lượng sản phẩm, số người). "Loại khách hàng" với ba giá trị "VIP", "Premium" và "Economic" là dữ liệu rời rạc. * **C. Xếp hạng/thứ tự:** Dữ liệu xếp hạng có thứ tự tự nhiên giữa các giá trị (ví dụ: rất hài lòng, hài lòng, bình thường, không hài lòng). Mặc dù các loại khách hàng có thể ngụ ý một thứ tự nhất định, nhưng nó không phải là bản chất của kiểu dữ liệu. * **D. Định danh:** Dữ liệu định danh được sử dụng để phân biệt các đối tượng khác nhau, không có thứ tự hoặc ý nghĩa số học (ví dụ: mã số sinh viên, biển số xe). "Loại khách hàng" không chỉ đơn thuần là định danh, nó còn mang ý nghĩa về phân loại. Kết luận: Phương án B là đáp án đúng nhất vì "Loại khách hàng" với ba giá trị cho trước là một ví dụ về dữ liệu rời rạc.

Tiền xử lý dữ liệu là quá trình chuẩn bị dữ liệu thô để làm cho nó phù hợp hơn cho các mô hình học máy và các kỹ thuật khai thác dữ liệu khác. Quá trình này thường bao gồm các bước như làm sạch dữ liệu (xử lý các giá trị bị thiếu, loại bỏ nhiễu), chuyển đổi dữ liệu (thay đổi định dạng dữ liệu, chuẩn hóa dữ liệu), và rút gọn dữ liệu (giảm kích thước dữ liệu bằng cách loại bỏ các thuộc tính không liên quan hoặc sử dụng các kỹ thuật giảm chiều). Thu thập dữ liệu là một bước riêng biệt, xảy ra trước khi tiền xử lý dữ liệu. Vì vậy, đáp án C là đáp án đúng.

Khi dữ liệu bị thiếu, có một số phương pháp xử lý phổ biến như sau:

1. Xóa bỏ các bản ghi chứa dữ liệu thiếu: Đây là cách đơn giản nhất, nhưng có thể dẫn đến mất mát thông tin quan trọng nếu số lượng bản ghi bị xóa quá nhiều.
2. Điền giá trị thiếu bằng các giá trị thay thế:
   • Điền bằng giá trị trung bình (mean): Thích hợp cho dữ liệu số có phân phối gần chuẩn.
   • Điền bằng giá trị trung vị (median): Thích hợp cho dữ liệu số có nhiều giá trị ngoại lệ.
   • Điền bằng giá trị thường xuyên xuất hiện nhất (mode): Thích hợp cho dữ liệu định tính.
   • Điền bằng hằng số: Điền tất cả các giá trị thiếu bằng một giá trị cố định.
3. Sử dụng các thuật toán dự đoán: Sử dụng các mô hình học máy để dự đoán giá trị thiếu dựa trên các thuộc tính khác.
   • K-Nearest Neighbors (KNN): Dự đoán giá trị dựa trên các bản ghi gần nhất.
   • Hồi quy tuyến tính: Dự đoán giá trị dựa trên mối quan hệ tuyến tính giữa các thuộc tính.

Như vậy, có ít nhất 3 cách xử lý chính khi dữ liệu bị thiếu. Các phương pháp cụ thể có thể được điều chỉnh hoặc kết hợp tùy thuộc vào bản chất của dữ liệu và mục tiêu phân tích.