Trong machine learning, "kernel" được sử dụng trong bài toán gì?

Feature scaling là quá trình chuẩn hóa hoặc co giãn các đặc trưng (features) của dữ liệu để chúng có cùng một khoảng giá trị. Điều này rất quan trọng vì nhiều thuật toán học máy nhạy cảm với khoảng giá trị của các đặc trưng. Nếu các đặc trưng có khoảng giá trị khác nhau đáng kể, các đặc trưng có giá trị lớn hơn có thể chi phối các đặc trưng có giá trị nhỏ hơn, dẫn đến mô hình kém hiệu quả. Do đó, feature scaling giúp đảm bảo rằng tất cả các đặc trưng đóng góp như nhau vào quá trình học của mô hình, từ đó cải thiện hiệu suất và độ ổn định của mô hình.

Phương án A không đúng vì tạo đặc trưng mới là feature engineering, không phải feature scaling. Phương án B không đúng vì chọn lọc đặc trưng là feature selection, không phải feature scaling. Phương án D không đúng vì đánh giá hiệu suất mô hình là một bước khác trong quy trình học máy, không liên quan trực tiếp đến feature scaling.

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.