Đoạn giả mã sau thể hiện nguyên lý hoạt động của mạng nào?

t = 0

for input_t in N:

output_t = f(input_t, t)

t = output_t

AI được sử dụng rộng rãi trong nhiều lĩnh vực, nhưng ngành sản xuất là một trong những lĩnh vực ứng dụng AI phổ biến nhất. AI giúp tự động hóa quy trình, kiểm soát chất lượng, tối ưu hóa chuỗi cung ứng và dự đoán bảo trì, từ đó tăng hiệu quả và giảm chi phí.

Deep learning (học sâu) là một nhánh của machine learning dựa trên kiến trúc mạng neural nhân tạo (artificial neural networks). Mạng neural này có nhiều lớp (deep), cho phép mô hình học các biểu diễn phức tạp của dữ liệu. Các mô hình thống kê, tuyến tính và logic có thể được sử dụng trong machine learning, nhưng deep learning đặc biệt dựa trên mạng neural.

Mục đích chính của học máy (Machine Learning) là huấn luyện máy tính để có thể tự học và cải thiện hiệu suất dựa trên dữ liệu mà không cần được lập trình một cách rõ ràng cho từng nhiệm vụ cụ thể. Điều này có nghĩa là máy tính sẽ tự động tìm ra các mẫu và quy tắc từ dữ liệu để đưa ra dự đoán hoặc quyết định. Do đó, đáp án B là chính xác nhất.

Phương pháp "dropout" là một kỹ thuật regularization (điều chuẩn) được sử dụng trong huấn luyện mạng neural để giảm overfitting. Trong quá trình huấn luyện, dropout loại bỏ ngẫu nhiên một số lượng các neuron (cùng với các kết nối của chúng) trong mỗi lần lặp (iteration). Điều này buộc mạng phải học các đặc trưng (features) dư thừa, làm cho mạng trở nên mạnh mẽ hơn và ít bị phụ thuộc vào các neuron cụ thể. Do đó, đáp án A là chính xác nhất.

Trong học máy, "feature" (đặc trưng) đề cập đến một đặc điểm, thuộc tính, hoặc một thành phần đo lường được của dữ liệu được sử dụng làm đầu vào cho một thuật toán học máy. Các thuật toán học máy sử dụng các features này để đưa ra dự đoán hoặc phân loại. Ví dụ, trong bài toán nhận dạng ảnh, features có thể là các cạnh, góc, hoặc màu sắc của các pixel trong ảnh.