Mục đích chính của học máy là gì?

Phương pháp "dropout" là một kỹ thuật regularization (điều chuẩn) được sử dụng trong huấn luyện mạng neural để giảm overfitting. Trong quá trình huấn luyện, dropout loại bỏ ngẫu nhiên một số lượng các neuron (cùng với các kết nối của chúng) trong mỗi lần lặp (iteration). Điều này buộc mạng phải học các đặc trưng (features) dư thừa, làm cho mạng trở nên mạnh mẽ hơn và ít bị phụ thuộc vào các neuron cụ thể. Do đó, đáp án A là chính xác nhất.

Trong học máy, "feature" (đặc trưng) đề cập đến một đặc điểm, thuộc tính, hoặc một thành phần đo lường được của dữ liệu được sử dụng làm đầu vào cho một thuật toán học máy. Các thuật toán học máy sử dụng các features này để đưa ra dự đoán hoặc phân loại. Ví dụ, trong bài toán nhận dạng ảnh, features có thể là các cạnh, góc, hoặc màu sắc của các pixel trong ảnh.

Boosting là một kỹ thuật machine learning sử dụng một tập hợp các mô hình yếu (weak learners) để tạo ra một mô hình mạnh (strong learner). Các mô hình yếu thường là các mô hình đơn giản, có độ chính xác không cao. Boosting hoạt động bằng cách huấn luyện các mô hình yếu một cách tuần tự, trong đó mỗi mô hình yếu tập trung vào việc sửa chữa các lỗi mà các mô hình trước đó đã mắc phải. Cuối cùng, các dự đoán từ tất cả các mô hình yếu được kết hợp lại để tạo ra dự đoán cuối cùng. Do đó, đáp án chính xác là C.

Mạng nơ-ron tích chập (CNNs) đặc biệt hiệu quả trong việc xử lý dữ liệu hình ảnh. Các lớp tích chập (convolutional layers) trong CNNs có khả năng học các đặc trưng quan trọng từ hình ảnh, chẳng hạn như cạnh, góc, và các hình dạng phức tạp hơn. Do đó, CNNs được sử dụng rộng rãi trong các bài toán phân loại hình ảnh, nhận diện đối tượng, và các tác vụ liên quan đến thị giác máy tính. Các phương án B và C thiên về xử lý ngôn ngữ và chuỗi thời gian hơn, trong khi CNNs không phải là lựa chọn tối ưu cho các tác vụ này.

Precision (độ chính xác) trong machine learning là tỷ lệ giữa số lượng true positive (dự đoán là positive và thực tế là positive) và tổng số lượng positive mà mô hình dự đoán (bao gồm cả true positive và false positive). Nói cách khác, nó đo lường mức độ chính xác của các dự đoán positive. Do đó, đáp án đúng là B.