"Reinforcement learning" thường được sử dụng trong ngữ cảnh nào?

Backpropagation (lan truyền ngược) là một thuật toán quan trọng trong học sâu, được sử dụng để tính toán gradient của hàm mất mát (loss function) đối với các trọng số của mạng neural. Gradient này sau đó được sử dụng để cập nhật các trọng số thông qua các phương pháp tối ưu hóa như gradient descent, nhằm mục đích giảm thiểu hàm mất mát và cải thiện hiệu suất của mạng. Do đó, đáp án chính xác là tối ưu hóa các tham số của mạng neural.

"Bias-variance tradeoff" trong học máy đề cập đến việc cân bằng giữa hai nguồn lỗi chính ảnh hưởng đến khả năng tổng quát hóa của một mô hình. Bias (độ chệch) thể hiện mức độ mà mô hình bỏ qua các mối quan hệ thực sự giữa các đặc trưng và biến mục tiêu (underfitting). Variance (phương sai) thể hiện mức độ nhạy cảm của mô hình đối với những thay đổi nhỏ trong tập dữ liệu huấn luyện (overfitting).

• Phương án A đúng: Sự đánh đổi giữa độ phức tạp của mô hình và khả năng tổng quát hóa. Mô hình quá đơn giản (high bias) sẽ không nắm bắt được các mối quan hệ phức tạp trong dữ liệu, dẫn đến sai số lớn trên cả tập huấn luyện và tập kiểm tra. Mô hình quá phức tạp (high variance) sẽ khớp quá chặt với dữ liệu huấn luyện, bao gồm cả nhiễu, và hoạt động kém trên dữ liệu mới. Việc tìm ra sự cân bằng phù hợp giữa độ phức tạp và khả năng tổng quát hóa là mục tiêu của "bias-variance tradeoff".
• Phương án B sai: Độ chính xác và tốc độ là các khía cạnh quan trọng của mô hình, nhưng không phải là trọng tâm chính của "bias-variance tradeoff".
• Phương án C sai: Việc học từ dữ liệu được gán nhãn và không được gán nhãn liên quan đến học bán giám sát và học không giám sát, không trực tiếp liên quan đến "bias-variance tradeoff".
• Phương án D sai: Việc sử dụng các thuật toán khác nhau có thể ảnh hưởng đến bias và variance, nhưng "bias-variance tradeoff" là một khái niệm chung áp dụng cho tất cả các mô hình học máy, không chỉ là sự lựa chọn thuật toán.

"Data preprocessing" (tiền xử lý dữ liệu) là quá trình chuẩn bị dữ liệu thô để làm cho nó phù hợp hơn cho việc sử dụng trong các mô hình machine learning. Quá trình này bao gồm việc làm sạch dữ liệu (xử lý các giá trị bị thiếu, loại bỏ các ngoại lệ), chuyển đổi dữ liệu (ví dụ: chuẩn hóa, mã hóa) và giảm chiều dữ liệu (ví dụ: chọn đặc trưng). Do đó, đáp án đúng là B: Việc xử lý và làm sạch dữ liệu trước khi đưa vào mô hình. Các đáp án khác không mô tả chính xác mục đích của tiền xử lý dữ liệu.

• A: Việc chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu là một phần của tiền xử lý, nhưng không bao gồm toàn bộ quá trình.
• C: Tạo ra các mô hình dự đoán từ dữ liệu là mục tiêu của machine learning, nhưng không phải là tiền xử lý dữ liệu.
• D: Đánh giá hiệu suất của mô hình trên dữ liệu kiểm tra là một bước sau khi đã xây dựng và huấn luyện mô hình, không thuộc về tiền xử lý dữ liệu.

Hyperparameter tuning, hay còn gọi là điều chỉnh siêu tham số, là quá trình tìm kiếm và lựa chọn các giá trị tối ưu cho các siêu tham số của một mô hình học máy. Siêu tham số là các tham số không được học từ dữ liệu mà được thiết lập trước khi bắt đầu quá trình huấn luyện. Việc tinh chỉnh này nhằm mục đích cải thiện hiệu suất của mô hình trên tập dữ liệu kiểm tra. Do đó, đáp án A là chính xác. Các đáp án còn lại không liên quan trực tiếp đến định nghĩa của hyperparameter tuning: B liên quan đến feature engineering, C liên quan đến model compression hoặc dimensionality reduction, và D liên quan đến cross-validation hoặc train/test split.

Kernel methods, đặc biệt là kernel trick, được sử dụng rộng rãi trong nhiều thuật toán machine learning, bao gồm cả regression, classification và clustering. Ví dụ, Support Vector Machines (SVM) sử dụng kernel cho classification và regression; kernel k-means sử dụng kernel cho clustering. Do đó, "kernel" được sử dụng trong tất cả các bài toán regression, classification, và clustering.