Trong học sâu, "batch normalization" được sử dụng để giải quyết vấn đề gì?

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

Backpropagation (lan truyền ngược) là một thuật toán quan trọng trong học sâu, được sử dụng để tính toán gradient của hàm mất mát (loss function) đối với các trọng số của mạng neural. Gradient này sau đó được sử dụng để cập nhật các trọng số thông qua các phương pháp tối ưu hóa như gradient descent, nhằm mục đích giảm thiểu hàm mất mát và cải thiện hiệu suất của mạng. Do đó, đáp án chính xác là tối ưu hóa các tham số của mạng neural.

"Bias-variance tradeoff" trong học máy đề cập đến việc cân bằng giữa hai nguồn lỗi chính ảnh hưởng đến khả năng tổng quát hóa của một mô hình. Bias (độ chệch) thể hiện mức độ mà mô hình bỏ qua các mối quan hệ thực sự giữa các đặc trưng và biến mục tiêu (underfitting). Variance (phương sai) thể hiện mức độ nhạy cảm của mô hình đối với những thay đổi nhỏ trong tập dữ liệu huấn luyện (overfitting).

• Phương án A đúng: Sự đánh đổi giữa độ phức tạp của mô hình và khả năng tổng quát hóa. Mô hình quá đơn giản (high bias) sẽ không nắm bắt được các mối quan hệ phức tạp trong dữ liệu, dẫn đến sai số lớn trên cả tập huấn luyện và tập kiểm tra. Mô hình quá phức tạp (high variance) sẽ khớp quá chặt với dữ liệu huấn luyện, bao gồm cả nhiễu, và hoạt động kém trên dữ liệu mới. Việc tìm ra sự cân bằng phù hợp giữa độ phức tạp và khả năng tổng quát hóa là mục tiêu của "bias-variance tradeoff".
• Phương án B sai: Độ chính xác và tốc độ là các khía cạnh quan trọng của mô hình, nhưng không phải là trọng tâm chính của "bias-variance tradeoff".
• Phương án C sai: Việc học từ dữ liệu được gán nhãn và không được gán nhãn liên quan đến học bán giám sát và học không giám sát, không trực tiếp liên quan đến "bias-variance tradeoff".
• Phương án D sai: Việc sử dụng các thuật toán khác nhau có thể ảnh hưởng đến bias và variance, nhưng "bias-variance tradeoff" là một khái niệm chung áp dụng cho tất cả các mô hình học máy, không chỉ là sự lựa chọn thuật toán.

"Data preprocessing" (tiền xử lý dữ liệu) là quá trình chuẩn bị dữ liệu thô để làm cho nó phù hợp hơn cho việc sử dụng trong các mô hình machine learning. Quá trình này bao gồm việc làm sạch dữ liệu (xử lý các giá trị bị thiếu, loại bỏ các ngoại lệ), chuyển đổi dữ liệu (ví dụ: chuẩn hóa, mã hóa) và giảm chiều dữ liệu (ví dụ: chọn đặc trưng). Do đó, đáp án đúng là B: Việc xử lý và làm sạch dữ liệu trước khi đưa vào mô hình. Các đáp án khác không mô tả chính xác mục đích của tiền xử lý dữ liệu.

• A: Việc chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu là một phần của tiền xử lý, nhưng không bao gồm toàn bộ quá trình.
• C: Tạo ra các mô hình dự đoán từ dữ liệu là mục tiêu của machine learning, nhưng không phải là tiền xử lý dữ liệu.
• D: Đánh giá hiệu suất của mô hình trên dữ liệu kiểm tra là một bước sau khi đã xây dựng và huấn luyện mô hình, không thuộc về tiền xử lý dữ liệu.