Kết quả dự bảo về hạng tín dụng của một khách hàng mới trong thuật toán Random Forest được trích xuất như thế nào?

Các ngân hàng tiên tiến sử dụng Computer Vision trong eKYC (Electronic Know Your Customer) để xác minh danh tính khách hàng từ xa khi mở tài khoản. Việc này thường bao gồm:

- Chụp ảnh selfie: Khách hàng chụp ảnh khuôn mặt và hệ thống sử dụng Computer Vision để so sánh với ảnh trên giấy tờ tùy thân để xác minh tính xác thực.

- Cuộc gọi video ngắn: Ngân hàng có thể yêu cầu khách hàng thực hiện cuộc gọi video ngắn để xác minh trực tiếp và đảm bảo rằng người mở tài khoản là người thật.

Vì vậy, đáp án D chính xác nhất vì nó bao gồm cả hai phương pháp phổ biến này.

Amazon Go sử dụng một hệ thống phức tạp gồm camera, cảm biến và thuật toán máy học để theo dõi khách hàng và các mặt hàng trong cửa hàng. Hệ thống này không chỉ dựa vào một yếu tố duy nhất mà kết hợp nhiều yếu tố để xác định hành động của khách hàng.

• Phân tích hình ảnh: Camera giám sát toàn bộ cửa hàng, ghi lại hình ảnh và video. Các thuật toán thị giác máy tính phân tích những hình ảnh này để xác định khách hàng, sản phẩm và hành động của họ.
• Cảm biến trọng lượng: Các kệ hàng được trang bị cảm biến trọng lượng để theo dõi sự thay đổi về khối lượng khi một mặt hàng được lấy hoặc trả lại. Sự thay đổi này cung cấp thông tin quan trọng về việc một mặt hàng đã được di chuyển.
• Kết hợp dữ liệu: Hệ thống kết hợp dữ liệu từ camera và cảm biến trọng lượng để xác định chính xác hành động của khách hàng. Ví dụ, nếu camera nhìn thấy một khách hàng cầm một hộp ngũ cốc và cảm biến trọng lượng trên kệ ngũ cốc giảm xuống, hệ thống có thể kết luận rằng khách hàng đã lấy hộp ngũ cốc đó.

Vậy đáp án đúng là: B. Thông qua việc tăng giảm tổng khối lượng của kệ hàng

Để xây dựng một lớp CNN (Convolutional Neural Network) với 64 bộ lọc kích thước 5x5, ta sử dụng hàm Conv2D trong Keras (hoặc TensorFlow) với các tham số phù hợp.

Phân tích các đáp án:

• Đáp án A: model.add(Conv2D(64,(5,5), activation='relu')) model.add(MaxPooling2D(2,2)). Đáp án này đúng. Conv2D(64, (5, 5), activation='relu') tạo ra một lớp convolutional với 64 bộ lọc kích thước 5x5 và hàm kích hoạt ReLU. MaxPooling2D(2, 2) thêm một lớp max pooling với kích thước cửa sổ 2x2.


• Đáp án B: model.add(Conv2D(5,(64,64), activation="relu')) model.add(MaxPooling2D(2.2)). Đáp án này sai vì tham số đầu tiên của Conv2D phải là số lượng bộ lọc, tham số thứ hai phải là kích thước của bộ lọc. Ở đây, số lượng bộ lọc là 5 và kích thước bộ lọc là (64, 64), ngược lại với yêu cầu của đề bài. Ngoài ra, kích thước pooling phải là số nguyên.


• Đáp án C: model.add(Conv2D(64,(2,2), activation='relu')) model.add(MaxPooling2D(5,5)). Đáp án này sai vì kích thước bộ lọc là (2,2) chứ không phải (5,5) như yêu cầu của đề bài.


• Đáp án D: model.add(Conv2D((2,2).(5,5), activation='relu')) model.add(MaxPooling2D(64)). Đáp án này sai vì cú pháp (2,2).(5,5) không hợp lệ trong Python/Keras để chỉ kích thước bộ lọc. Hơn nữa, MaxPooling2D(64) không đúng vì cần một tuple chỉ kích thước của bộ lọc.

Vậy đáp án đúng là A.