Trong học máy, "feature scaling" thường được sử dụng để làm gì?

Trong học máy, "loss function" (hàm mất mát) được sử dụng để đo lường mức độ khác biệt (sai số) giữa giá trị dự đoán của mô hình và giá trị thực tế. Mục tiêu của quá trình huấn luyện mô hình là giảm thiểu giá trị của hàm mất mát này. Vì vậy, đáp án C là chính xác.

Các đáp án khác không hoàn toàn đúng vì:

• Đáp án A và B chỉ đề cập đến việc đánh giá hiệu suất, nhưng không nói rõ mục đích cụ thể của loss function là đo lường sai số.
• Đáp án D bao gồm cả các phương án trên, nhưng chỉ có phương án C là chính xác và đầy đủ nhất.

Trong học máy, "dimensionality reduction" (giảm chiều dữ liệu) là quá trình giảm số lượng các biến ngẫu nhiên hoặc đặc trưng (features) được xem xét. Mục đích chính là giảm độ phức tạp của mô hình, tránh hiện tượng overfitting (quá khớp), và cải thiện hiệu suất tính toán. Việc giảm số chiều cũng có thể giúp trực quan hóa dữ liệu dễ dàng hơn.

• Phương án A: Giảm số chiều của dữ liệu để giảm độ phức tạp của mô hình - Đây là đáp án đúng vì nó thể hiện mục tiêu chính của việc giảm chiều dữ liệu.
• Phương án B: Tăng số chiều của dữ liệu để cải thiện hiệu suất của mô hình - Sai. Giảm chiều chứ không phải tăng chiều.
• Phương án C: Chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu - Đúng một phần, vì chọn lọc đặc trưng (feature selection) là một kỹ thuật giảm chiều, nhưng không bao quát hết các phương pháp giảm chiều (ví dụ: PCA biến đổi dữ liệu chứ không chỉ chọn lọc).
• Phương án D: Tạo ra các đặc trưng mới từ dữ liệu ban đầu - Đúng một phần, vì một số phương pháp giảm chiều tạo ra đặc trưng mới (ví dụ: PCA), nhưng đây không phải là mục tiêu duy nhất của giảm chiều.

LSTM là một loại mạng nơ-ron hồi quy (RNN) đặc biệt, được thiết kế để xử lý các chuỗi dữ liệu dài và khắc phục vấn đề biến mất gradient. LSTM là viết tắt của "Long Short-Term Memory", có nghĩa là "Bộ nhớ ngắn hạn dài".

K-fold cross-validation là một kỹ thuật đánh giá mô hình bằng cách chia tập dữ liệu thành k phần (folds). Mô hình được huấn luyện trên k-1 phần và kiểm tra trên phần còn lại. Quá trình này lặp lại k lần, mỗi lần một phần khác nhau được sử dụng làm tập kiểm tra. Kết quả là, chúng ta có k kết quả đánh giá, sau đó được tính trung bình để đưa ra đánh giá tổng thể về hiệu suất của mô hình. Ngoài ra, cross-validation có thể được sử dụng kết hợp với grid search hoặc random search để tối ưu hóa siêu tham số của mô hình. Do đó, đáp án C là chính xác nhất vì nó bao gồm cả việc đánh giá hiệu suất và tối ưu hóa siêu tham số.

A. Sai, K-fold cross-validation sử dụng để đánh giá mô hình, không chỉ đơn thuần là chia dữ liệu. B. Sai, K-fold cross-validation đánh giá hiệu suất một cách toàn diện hơn trên nhiều tập dữ liệu kiểm tra khác nhau. D. Sai, K-fold cross-validation không tập trung vào độ chính xác trên tập huấn luyện, mà là khả năng tổng quát hóa của mô hình.

Logistic Regression là một thuật toán học có giám sát (Supervised Learning) được sử dụng để giải quyết các bài toán phân loại. Nó dự đoán xác suất của một biến mục tiêu nhị phân (binary outcome). Do đó, 'Một thuật toán phân loại' và 'Một loại mô hình học có giám sát' đều đúng nhưng 'Một loại mô hình học có giám sát' bao quát hơn và chính xác hơn trong ngữ cảnh tổng quan về các loại mô hình trong học máy. Các lựa chọn khác không chính xác vì Logistic Regression không phải là một mô hình học sâu (Deep Learning) cũng không phải là phương pháp học không giám sát (Unsupervised Learning).