Thuật toán nào sau đây cho phép một phần tử có thể thuộc về một hoặc nhiều cụm khác nhau:

Câu hỏi này kiểm tra kiến thức về các thuật toán phân cụm và yêu cầu về việc xác định số cụm trước khi thực hiện thuật toán.

A. K-means: Thuật toán K-means yêu cầu phải xác định trước số lượng cụm (K). Thuật toán sẽ cố gắng chia dữ liệu thành K cụm sao cho tổng bình phương khoảng cách từ mỗi điểm dữ liệu đến tâm cụm của nó là nhỏ nhất.

B. Agnes (Agglomerative Nesting): Là một thuật toán phân cụm phân cấp kiểu bottom-up. Nó bắt đầu bằng việc coi mỗi điểm dữ liệu là một cụm riêng biệt, sau đó lặp đi lặp lại việc hợp nhất các cụm gần nhau nhất cho đến khi chỉ còn lại một cụm duy nhất, hoặc đạt đến một điều kiện dừng nào đó. Số cụm không cần xác định trước, mà có thể được xác định sau khi xây dựng xong cây phân cấp (dendrogram).

C. Fuzzy C-means (FCM): Tương tự như K-means, Fuzzy C-means cũng yêu cầu phải xác định trước số lượng cụm (C). Điểm khác biệt là FCM cho phép mỗi điểm dữ liệu thuộc về nhiều cụm với các mức độ thành viên khác nhau (fuzzy membership).

D. DBSCAN (Density-Based Spatial Clustering of Applications with Noise): Là một thuật toán phân cụm dựa trên mật độ. DBSCAN có thể tự động xác định số lượng cụm dựa trên mật độ của dữ liệu. Nó không yêu cầu phải xác định trước số cụm.

Vậy, thuật toán DBSCAN và Agnes không yêu cầu phải biết trước số cụm. Trong các lựa chọn trên, DBSCAN là đáp án đúng nhất vì Agnes còn có thể được dùng để xác định số cụm sau.

Câu hỏi đề cập đến việc so sánh kết quả giữa các mô hình phân cụm để đánh giá tính hiệu quả. Trong ngữ cảnh này, chúng ta cần xem xét các loại đánh giá khác nhau:

• Đánh giá ngoài (External Evaluation): Sử dụng thông tin bên ngoài (ground truth) để so sánh kết quả phân cụm. Ví dụ, nếu chúng ta biết trước các nhãn của dữ liệu, chúng ta có thể so sánh kết quả phân cụm với các nhãn này.
• Đánh giá trong (Internal Evaluation): Đánh giá chất lượng phân cụm dựa trên các thuộc tính nội tại của dữ liệu và kết quả phân cụm, ví dụ như sự gắn kết (cohesion) và sự phân tách (separation) của các cụm.
• Đánh giá tương đối (Relative Evaluation): So sánh kết quả giữa các mô hình phân cụm khác nhau để xem mô hình nào tốt hơn dựa trên một tiêu chí đánh giá nhất định (ví dụ: sử dụng một chỉ số đánh giá trong như Silhouette score để so sánh các mô hình).

Trong trường hợp này, việc so sánh kết quả giữa các mô hình để xem xét tính hiệu quả chính là đánh giá tương đối. Các mô hình được so sánh với nhau dựa trên một hoặc nhiều tiêu chí đánh giá chất lượng cụm.

Thuật toán K-means là một thuật toán lặp đi lặp lại để phân cụm dữ liệu. Quá trình lặp lại này tiếp tục cho đến khi các cụm không thay đổi đáng kể hoặc đạt đến một số lượng lần lặp tối đa được xác định trước. Nếu dữ liệu hội tụ chậm hoặc không hội tụ, việc tăng số lần lặp tối đa sẽ cho phép thuật toán có thêm cơ hội để tìm ra một giải pháp tốt hơn. Các tham số khác như số lượng cụm, khởi tạo các phần tử đại diện, và số lần chạy lại (re-runs) cũng ảnh hưởng đến kết quả nhưng không trực tiếp kiểm soát vấn đề hội tụ chậm bằng tham số số lần lặp tối đa.

Phát biểu sai là C. Bigdata là công nghệ lưu trữ và khai thác dữ liệu có dung lượng lớn (volume), đa dạng (variety), yêu cầu tốc độ cao (velocity) và có tính xác thực (Veracity). 

Giải thích:

Big Data (Dữ liệu lớn) được mô tả bởi 5V:

• Volume (khối lượng): Dung lượng dữ liệu rất lớn.
• Velocity (tốc độ): Dữ liệu được tạo ra và xử lý với tốc độ cao.
• Variety (sự đa dạng): Dữ liệu có nhiều định dạng khác nhau.
• Veracity (tính xác thực): Dữ liệu có thể không chính xác hoặc không đáng tin cậy.
• Value (giá trị): Giá trị tiềm năng được khai thác từ dữ liệu.

Trong phát biểu C, thiếu yếu tố "Value" (giá trị) hoặc đã dịch sai "Value" thành "tính xác thực" (Veracity). Mặc dù tính xác thực là một khía cạnh quan trọng của dữ liệu, nhưng nó không phải là yếu tố "V" chính thức trong mô hình 5V của Big Data.

Các phát biểu A, B, D đều đúng.

• A: IoT tạo ra rất nhiều dữ liệu.
• B: AI cần dữ liệu từ khoa học dữ liệu để học hỏi và cải thiện.
• D: Data mining (khai thác dữ liệu) là một phần của khoa học dữ liệu.