Thuật ngữ "precision" trong machine learning ám chỉ điều gì?

Thuật ngữ "neural network" (mạng nơ-ron) trong học máy ám chỉ một phương pháp tính toán mô phỏng cách bộ não con người xử lý thông tin. Nó bao gồm các tầng xử lý (layers) liên kết với nhau, mỗi tầng thực hiện các phép biến đổi trên dữ liệu đầu vào. Các tầng này được tạo thành từ các nơ-ron (neurons) kết nối với nhau thông qua các trọng số (weights).

Phương án A không đúng vì thuật toán tối ưu hóa (optimization algorithm) được sử dụng để tìm các trọng số tốt nhất cho mạng nơ-ron, chứ không phải là định nghĩa của mạng nơ-ron. Phương án C không đúng vì hàm kích hoạt (activation function) là một thành phần của nơ-ron, quyết định đầu ra của nơ-ron dựa trên đầu vào, chứ không phải là định nghĩa của mạng nơ-ron. Phương án D không đúng vì gom nhóm dữ liệu (clustering) là một kỹ thuật khác trong học máy, dùng để phân loại dữ liệu thành các nhóm dựa trên sự tương đồng, không liên quan trực tiếp đến định nghĩa của mạng nơ-ron.

Underfitting xảy ra khi mô hình quá đơn giản để nắm bắt các mối quan hệ phức tạp trong dữ liệu. Điều này dẫn đến hiệu suất kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra. Vì vậy, đáp án A là chính xác. Các đáp án khác mô tả các tình huống khác: B mô tả overfitting, C mô tả một mô hình bị lỗi hoàn toàn, và D mô tả một mô hình lý tưởng.

Batch normalization là một kỹ thuật được sử dụng trong các mạng nơ-ron sâu để ổn định quá trình huấn luyện và cho phép sử dụng tốc độ học lớn hơn. Nó giải quyết vấn đề gradient vanishing/exploding bằng cách chuẩn hóa các activations của các lớp trong mạng, đảm bảo rằng các activations này có trung bình gần bằng 0 và phương sai gần bằng 1. Điều này giúp giảm sự phụ thuộc của mạng vào việc khởi tạo các tham số và cho phép các gradient truyền qua mạng một cách hiệu quả hơn. Do đó, đáp án đúng là C. Gradient vanishing/exploding.

Trong học máy, "ensemble learning" (học tập tổ hợp) là một kỹ thuật kết hợp nhiều mô hình học máy (ví dụ: các mô hình phân loại hoặc hồi quy) để tạo ra một mô hình dự đoán mạnh mẽ hơn so với việc sử dụng một mô hình duy nhất. Ý tưởng chính là các mô hình khác nhau có thể mắc các lỗi khác nhau, và bằng cách kết hợp chúng, ta có thể giảm thiểu sai sót tổng thể và cải thiện độ chính xác.

Phương án A mô tả chính xác định nghĩa của ensemble learning.

Phương án B không đúng vì ensemble learning tập trung vào việc kết hợp các mô hình, không phải các tập dữ liệu (mặc dù dữ liệu khác nhau có thể được sử dụng để huấn luyện các mô hình khác nhau trong ensemble).

Phương án C không đúng vì ensemble learning không nhất thiết tạo ra các mô hình phức tạp hơn; nó kết hợp các mô hình (đơn giản hoặc phức tạp) đã có.

Phương án D không đúng vì chọn siêu tham số là một phần của việc xây dựng mô hình riêng lẻ, không phải là định nghĩa của ensemble learning.

"Reinforcement learning" trong tiếng Anh có nghĩa là "học củng cố". Đây là một phương pháp học máy, trong đó một tác nhân (agent) học cách đưa ra quyết định bằng cách thực hiện các hành động trong một môi trường để tối đa hóa phần thưởng tích lũy. Do đó, đáp án chính xác là C. Học củng cố