Một số thách thức lớn trong quá trình khai phá dữ liệu là (chọn đáp án đúng nhất):

Làm sạch dữ liệu (Data Cleaning) là quá trình:

Lời giải:

Đáp án đúng: A

Làm sạch dữ liệu (Data Cleaning) là quá trình loại bỏ nhiễu (ví dụ: dữ liệu sai, thiếu hoặc không liên quan) và dữ liệu không nhất quán (ví dụ: các định dạng khác nhau cho cùng một loại dữ liệu, các giá trị mâu thuẫn). Mục tiêu là để cải thiện chất lượng dữ liệu, giúp cho việc phân tích và khai thác dữ liệu chính xác và hiệu quả hơn. Do đó, đáp án A là chính xác nhất. Các đáp án khác mô tả các khía cạnh khác của việc xử lý dữ liệu, nhưng không phải là định nghĩa chính xác của 'làm sạch dữ liệu'.

Câu 17:

Thuật ngữ Big Data có nghĩa là:

Lời giải:

Đáp án đúng: A

Big Data không chỉ đơn thuần là dữ liệu lớn (phương án B) hay dữ liệu từ nhiều nguồn (phương án C) hoặc chỉ dữ liệu trên Internet (phương án D). Định nghĩa chính xác của Big Data bao gồm cả kích thước lớn và độ phức tạp của dữ liệu, đến mức các công cụ và kỹ thuật xử lý dữ liệu truyền thống không thể đáp ứng được. Vì vậy, phương án A là đáp án chính xác nhất vì nó bao hàm cả hai yếu tố quan trọng này.

Câu 18:

Thuật ngữ BioInfomatics có nghĩa là:

Lời giải:

Đáp án đúng: A

Bioinformatics (Tin sinh học) là một lĩnh vực liên ngành phát triển các phương pháp và phần mềm để hiểu dữ liệu sinh học. Nó kết hợp khoa học máy tính, thống kê, toán học và kỹ thuật để phân tích và diễn giải dữ liệu sinh học. Do đó, đáp án chính xác là giải quyết các bài toán sinh học bằng việc sử dụng các phương pháp của khoa học tính toán.

Câu 19:

Các bài toán thuộc làm sạch dữ liệu là:

Lời giải:

Đáp án đúng: A

Các bài toán thuộc làm sạch dữ liệu bao gồm: xử lý giá trị thiếu, xử lý dữ liệu nhiễu (định danh ngoại lai và làm trơn), chỉnh sửa dữ liệu không nhất quán và giải quyết tính dư thừa tạo ra sau tích hợp dữ liệu. Phương án A liệt kê đầy đủ và chính xác các công việc này.

Câu 20:

Một số phương pháp loại bỏ dữ liệu nhiễu là:

Lời giải:

Đáp án đúng: A

Câu hỏi này kiểm tra kiến thức về các phương pháp loại bỏ dữ liệu nhiễu (noisy data) trong quá trình tiền xử lý dữ liệu. Dữ liệu nhiễu có thể gây ảnh hưởng tiêu cực đến hiệu suất và độ chính xác của các mô hình học máy. Dưới đây là phân tích chi tiết từng phương án:

Phương án A: Bỏ qua bản ghi có dữ liệu bị thiếu, điền giá trị thiếu bằng tay, điền giá trị tự động. Đây là các phương pháp xử lý dữ liệu bị thiếu (missing data), không phải là loại bỏ dữ liệu nhiễu nói chung. Mặc dù dữ liệu thiếu có thể coi là một dạng nhiễu, nhưng phương án này không bao quát hết các trường hợp dữ liệu nhiễu khác.

Phương án B: Loại bỏ dựa trên quan sát, loại bỏ khi lựa chọn đặc trưng. Loại bỏ dựa trên quan sát (outlier detection and removal) là một phương pháp hiệu quả để loại bỏ các điểm dữ liệu bất thường, tức là dữ liệu nhiễu. Loại bỏ khi lựa chọn đặc trưng (feature selection) cũng có thể giúp loại bỏ nhiễu bằng cách chỉ giữ lại các đặc trưng quan trọng, ít bị ảnh hưởng bởi nhiễu.

Phương án C: Loại bỏ toàn bộ dữ liệu bị nhiễu và thay thế bằng tập dữ liệu mới, lựa chọn các đặc trưng quan trọng. Việc thay thế toàn bộ dữ liệu nhiễu bằng một tập dữ liệu mới là không thực tế và không khả thi trong hầu hết các tình huống. Lựa chọn các đặc trưng quan trọng thì có liên quan đến giảm nhiễu.

Phương án D: Sử dụng các thuật toán phân lớp, phân cụm, tìm luật kết hợp. Các thuật toán này không trực tiếp loại bỏ dữ liệu nhiễu. Chúng có thể bị ảnh hưởng bởi dữ liệu nhiễu, nhưng không phải là phương pháp để loại bỏ nó.

Do đó, phương án B là đáp án chính xác nhất, vì nó mô tả các phương pháp trực tiếp liên quan đến việc xác định và loại bỏ dữ liệu nhiễu.

Câu 21:

Khi xử lý thiếu giá trị của các bản ghi dữ liệu, phương pháp "Bỏ qua bản ghi có giá trị thiếu" chỉ thích hợp khi:

Lời giải: