Thuật toán phân cụm nào sau đây không cần biết trước số cụm:

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.

Khoa học dữ liệu hướng đến việc khai thác thông tin và tri thức từ dữ liệu thô. Dữ liệu là đầu vào, thông tin là kết quả xử lý dữ liệu, và tri thức là sự hiểu biết sâu sắc hơn được rút ra từ thông tin. Vì vậy, kết quả cuối cùng mà khoa học dữ liệu hướng đến bao gồm cả thông tin và tri thức.