Sử dụng thuật toán liên kết đơn (Single Linkage), bước đầu tiên 2 phần tử nào được chọn để gom thành 1 cụm?

Sử dụng thuật toán liên kết đầy đủ (Complete Linkage), bước đầu tiên 2 phần tử nào được chọn để gom thành 1 cụm?

Lời giải:

Đáp án đúng: A

Thuật toán liên kết đầy đủ (Complete Linkage) là một phương pháp phân cụm theo phân cấp. Trong bước đầu tiên, thuật toán sẽ tìm hai phần tử có khoảng cách lớn nhất giữa chúng là nhỏ nhất so với tất cả các cặp phần tử khác. Nói cách khác, nó sẽ chọn hai phần tử sao cho khoảng cách giữa hai phần tử xa nhất trong hai cụm này là nhỏ nhất. Để trả lời câu hỏi này, chúng ta cần biết ma trận khoảng cách giữa các phần tử. Tuy nhiên, vì đề bài không cung cấp ma trận khoảng cách cụ thể, chúng ta không thể xác định chính xác cặp phần tử nào được chọn ở bước đầu tiên. Do đó, không có đáp án chính xác trong các lựa chọn đã cho vì cần có thêm thông tin (ma trận khoảng cách) để xác định.

Câu 17:

Cắt sơ đồ tại ngưỡng bằng 5 hỏi có mấy cụm được sinh ra?

Lời giải:

Đáp án đúng: A

Để trả lời câu hỏi này, chúng ta cần hiểu khái niệm 'cắt sơ đồ tại ngưỡng'. Ngưỡng ở đây là 5. Điều này có nghĩa là chúng ta sẽ chia sơ đồ thành các cụm, sao cho mọi phần tử trong một cụm có giá trị ít nhất là 5. Tuy nhiên, do không có sơ đồ cụ thể nào được cung cấp, chúng ta không thể biết chính xác số lượng cụm được tạo ra. Câu hỏi này thiếu thông tin cần thiết để đưa ra câu trả lời chính xác. Vì vậy, không có đáp án đúng trong các lựa chọn đã cho do thiếu dữ liệu đầu vào (sơ đồ cụ thể). Tuy nhiên, nếu chúng ta giả sử rằng việc 'cắt sơ đồ tại ngưỡng 5' tạo ra các cụm dựa trên số lượng các phần tử có giá trị từ 5 trở lên, thì các lựa chọn A, B, C, D đều có thể đúng tùy thuộc vào sơ đồ đó.

Câu 18:

Các loại đặc trưng của dữ liệu:

Lời giải:

Đáp án đúng: A

Câu hỏi yêu cầu xác định các loại đặc trưng của dữ liệu. Có bốn loại đặc trưng dữ liệu chính thường được sử dụng:

* Đặc trưng danh nghĩa (Nominal): Dữ liệu được sử dụng để gán nhãn hoặc phân loại các biến, không có thứ tự hoặc giá trị số. Ví dụ: màu sắc (đỏ, xanh, vàng), giới tính (nam, nữ).
* Đặc trưng thứ tự (Ordinal): Dữ liệu có thứ tự hoặc xếp hạng, nhưng khoảng cách giữa các giá trị không nhất thiết phải bằng nhau. Ví dụ: mức độ hài lòng (rất hài lòng, hài lòng, trung bình, không hài lòng, rất không hài lòng), trình độ học vấn (tiểu học, trung học, đại học).
* Đặc trưng đo theo khoảng (Interval): Dữ liệu có khoảng cách bằng nhau giữa các giá trị, nhưng không có điểm 0 tuyệt đối. Ví dụ: nhiệt độ Celsius hoặc Fahrenheit.
* Đặc trưng đo theo tỷ lệ (Ratio): Dữ liệu có khoảng cách bằng nhau giữa các giá trị và có điểm 0 tuyệt đối. Điều này cho phép thực hiện các phép toán như nhân và chia. Ví dụ: chiều cao, cân nặng, tuổi tác, thu nhập.

Dựa vào định nghĩa trên, đáp án A là đáp án chính xác nhất.

Câu 19:

Một số lĩnh vực liên quan đến khai phá tri thức – KDD là:

Lời giải:

Đáp án đúng: A

Khai phá tri thức (Knowledge Discovery in Databases - KDD) là một lĩnh vực liên ngành, sử dụng các phương pháp từ nhiều lĩnh vực khác nhau để khám phá các mẫu, xu hướng và thông tin hữu ích từ các tập dữ liệu lớn. Các lĩnh vực liên quan mật thiết đến KDD bao gồm:

* Machine Learning (Học máy): Cung cấp các thuật toán để học từ dữ liệu và xây dựng các mô hình dự đoán hoặc phân loại.
* Visualization (Trực quan hóa dữ liệu): Giúp biểu diễn dữ liệu một cách trực quan để người dùng có thể dễ dàng hiểu và khám phá các mẫu.
* Statistics (Thống kê): Cung cấp các phương pháp để phân tích dữ liệu, kiểm định giả thuyết và đánh giá độ tin cậy của các kết quả.
* Databases (Cơ sở dữ liệu): Cung cấp các công cụ để lưu trữ, quản lý và truy vấn dữ liệu một cách hiệu quả.

Vì vậy, đáp án A là chính xác nhất vì nó bao gồm các lĩnh vực cốt lõi liên quan đến KDD. Các đáp án khác có thể chứa một số yếu tố liên quan, nhưng không đầy đủ hoặc chính xác bằng đáp án A (ví dụ: Programming chỉ là một công cụ hỗ trợ, BioInfomatics hẹp hơn, Support Vector Machine chỉ là một thuật toán cụ thể trong Machine Learning).

Câu 20:

Một số ứng dụng tiềm năng của Khai phá dữ liệu:

Lời giải:

Đáp án đúng: A

Khai phá dữ liệu (Data Mining) là quá trình tìm kiếm tri thức, mẫu, và xu hướng ẩn chứa trong lượng lớn dữ liệu.

Phương án A liệt kê các ứng dụng tiềm năng của khai phá dữ liệu một cách chính xác và đầy đủ, bao gồm:
* Phân tích và quản lý thị trường: Hiểu rõ hơn về khách hàng, xu hướng thị trường, và hiệu quả của các chiến dịch marketing.
* Quản lý và phân tích rủi ro: Dự đoán và giảm thiểu rủi ro trong các lĩnh vực như tài chính, bảo hiểm, và tín dụng.
* Quản lý và phân tích các sai hỏng: Xác định nguyên nhân gây ra sai hỏng trong sản xuất, bảo trì, và vận hành.
* Khai thác Web: Thu thập và phân tích dữ liệu từ web để tìm kiếm thông tin, xu hướng, và ý kiến.
* Khai thác văn bản (text mining): Phân tích văn bản để trích xuất thông tin, xác định chủ đề, và đánh giá tình cảm.

Các phương án còn lại (B, C, D) chỉ liệt kê một số ứng dụng cụ thể hoặc không liên quan trực tiếp đến khai phá dữ liệu một cách bao quát. Ví dụ, "tìm kiếm văn bản" là một phần nhỏ trong khai thác văn bản, "phân tích tâm lý khách hàng" có thể là một ứng dụng của phân tích thị trường, nhưng không phải là một lĩnh vực riêng biệt của khai phá dữ liệu.

Câu 21:

Các cơ sở dữ liệu cần khai phá là:

Lời giải: