Khái niệm nào được sử dụng để biểu diễn các phép biến đổi hình học của vật thể trong ảnh?

Cân bằng biểu đồ (Histogram Equalization) là một kỹ thuật xử lý ảnh được sử dụng để cải thiện độ tương phản của một hình ảnh bằng cách trải đều các mức độ sáng. Điều này đặc biệt hữu ích trong các hình ảnh mà cả độ sáng và độ tương phản đều thấp, hoặc khi có sự biến đổi đáng kể về độ sáng (ví dụ: một số vùng quá tối, một số vùng quá sáng). Cân bằng biểu đồ giúp làm nổi bật các chi tiết trong ảnh bằng cách phân phối lại các giá trị pixel. Các lựa chọn khác không trực tiếp giải quyết vấn đề biến thể độ sáng:

• Làm sắc nét hình ảnh (Image sharpening): Tăng cường các cạnh và chi tiết, nhưng không loại bỏ các biến thể độ sáng tổng thể.
• So khớp biểu đồ (Histogram matching): Thay đổi biểu đồ của một ảnh để khớp với biểu đồ của một ảnh khác, nhưng không nhất thiết loại bỏ các biến thể độ sáng.
• Khử nhiễu hình ảnh (Image denoising): Loại bỏ nhiễu, chứ không phải là các biến thể độ sáng.

Các mô hình deep learning, đặc biệt là các mạng nơ-ron tích chập (Convolutional Neural Networks - CNNs), đã đạt được những tiến bộ đáng kể trong lĩnh vực siêu phân giải ảnh. Chúng có khả năng học các đặc trưng phức tạp từ dữ liệu ảnh có độ phân giải thấp và ánh xạ chúng đến các ảnh có độ phân giải cao tương ứng. Các thuật toán như SRCNN, EDSR, và RCAN là các ví dụ điển hình. Do đó, đáp án D là chính xác.

Các lựa chọn khác không phù hợp vì:

• Phân cụm K-mean (A) là một thuật toán phân cụm, thường được sử dụng để nhóm các điểm dữ liệu tương tự lại với nhau, không phải để nâng cao độ phân giải ảnh.
• Cây quyết định (B) là một thuật toán học máy có giám sát, thường được sử dụng cho các bài toán phân loại và hồi quy, không phù hợp cho việc tạo ảnh siêu phân giải.
• Máy vectơ hỗ trợ (SVM) (C) cũng là một thuật toán học máy có giám sát, thường được sử dụng cho các bài toán phân loại và hồi quy, nhưng không phải là lựa chọn tối ưu cho siêu phân giải ảnh so với deep learning.

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.

Mục tiêu chính của xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) là giúp máy tính có thể hiểu và tạo ra ngôn ngữ của con người một cách tự động. Điều này bao gồm việc phân tích cú pháp, ngữ nghĩa, và ngữ cảnh của ngôn ngữ để trích xuất thông tin, trả lời câu hỏi, dịch thuật, và tạo ra các văn bản tự động. Các đáp án khác chỉ là những ứng dụng cụ thể của NLP, không phải là mục tiêu chính.

• Đáp án B (Dịch ngôn ngữ) là một ứng dụng của NLP.
• Đáp án C (Phân tích mẫu dữ liệu) là một lĩnh vực rộng hơn, không chỉ giới hạn trong ngôn ngữ.
• Đáp án D (Tạo tác nhân đàm thoại) cũng là một ứng dụng của NLP.

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.