Thuật toán nào thường được sử dụng để tạo ảnh siêu phân giải, nâng cao độ phân giải của ảnh?

Câu hỏi yêu cầu xác định nhiệm vụ KHÔNG thuộc về xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP).

- A. Phân tích tình cảm (Sentiment Analysis): Là một nhiệm vụ NLP, phân tích cảm xúc, thái độ của người viết/nói về một chủ đề nào đó.
- B. Nhận dạng giọng nói (Speech Recognition): Là một nhiệm vụ NLP, chuyển đổi âm thanh giọng nói thành văn bản.
- C. Phân loại hình ảnh (Image Classification): Thuộc về lĩnh vực thị giác máy tính (Computer Vision), không phải NLP. Nhiệm vụ này liên quan đến việc xác định đối tượng hoặc nội dung chính của một hình ảnh.
- D. Nhận dạng thực thể được đặt tên (Named Entity Recognition - NER): Là một nhiệm vụ NLP, xác định và phân loại các thực thể có tên (ví dụ: người, địa điểm, tổ chức) trong văn bản.

Vậy, đáp án đúng là C vì phân loại hình ảnh không thuộc lĩnh vực xử lý ngôn ngữ tự nhiên.

Phân tích câu hỏi: Câu hỏi yêu cầu xác định kỹ thuật thường được sử dụng trong phân loại văn bản.

Phân tích các lựa chọn:

• A. Phân tích ngữ nghĩa tiềm ẩn (LSA): LSA là một kỹ thuật giảm chiều dữ liệu và khám phá ngữ nghĩa, thường được sử dụng để tìm mối quan hệ giữa các từ và các đoạn văn bản, nhưng không phải là một thuật toán phân loại trực tiếp.
• B. Mạng thần kinh tích chập (CNN): CNN, đặc biệt là các biến thể được thiết kế cho xử lý ngôn ngữ tự nhiên (NLP), thường được sử dụng trong phân loại văn bản. CNN có thể học các đặc trưng quan trọng từ văn bản.
• C. Phân tích thành phần chính (PCA): PCA là một kỹ thuật giảm chiều dữ liệu, thường được sử dụng để giảm số lượng biến trong một tập dữ liệu, nhưng không phải là một thuật toán phân loại.
• D. Máy vectơ hỗ trợ (SVM): SVM là một thuật toán học có giám sát mạnh mẽ, rất hiệu quả trong phân loại văn bản. SVM tìm một siêu phẳng tối ưu để phân tách các lớp dữ liệu.

Kết luận: Cả CNN và SVM đều là các kỹ thuật phổ biến trong phân loại văn bản. Tuy nhiên, SVM thường được sử dụng rộng rãi hơn và được xem là một trong những thuật toán cổ điển và hiệu quả cho nhiệm vụ này, đặc biệt khi dữ liệu có chiều cao. CNN nổi lên mạnh mẽ hơn trong các bài toán xử lý ngôn ngữ tự nhiên phức tạp gần đây.

Vì vậy, cả B và D đều có thể coi là đáp án đúng, nhưng vì câu hỏi hỏi "thường được sử dụng", SVM có lẽ là lựa chọn phù hợp hơn xét đến lịch sử phát triển của lĩnh vực.

Quá trình chuyển đổi một từ về dạng gốc hay dạng cơ bản của nó (ví dụ: "running" về "run") được gọi là "lemmatization" trong tiếng Anh. Trong tiếng Việt, thuật ngữ tương ứng và được sử dụng phổ biến là "Từ ngữ hóa". Các lựa chọn khác không phù hợp vì:

• "Mã thông báo" (Tokenization) là quá trình chia một chuỗi văn bản thành các đơn vị nhỏ hơn (tokens).
• "Thân cây" (Stemming) là một kỹ thuật rút gọn từ về dạng gốc bằng cách loại bỏ các hậu tố hoặc tiền tố, nhưng không đảm bảo từ gốc là một từ có nghĩa.
• "Gắn thẻ một phần của bài phát biểu" (Part-of-speech tagging) là quá trình gán nhãn ngữ pháp cho mỗi từ trong một câu.

Mô hình Markov ẩn (HMM) là một thuật toán xác suất thống kê thường được sử dụng trong nhận dạng thực thể được đặt tên (Named Entity Recognition - NER). HMM đặc biệt hữu ích để mô hình hóa chuỗi các sự kiện, trong đó mỗi sự kiện phụ thuộc vào một số sự kiện trước đó. Trong NER, HMM có thể được sử dụng để xác định chuỗi các từ tạo thành một thực thể được đặt tên, dựa trên các đặc điểm và ngữ cảnh của chúng. Các thuật toán khác như phân cụm K-mean, Apriori và cây quyết định không phù hợp trực tiếp cho nhiệm vụ NER.