1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 30

Học từ dữ liệu không có nhãn.

Thực hiện tác vụ mà không cần được huấn luyện trực tiếp cho tác vụ đó.

Huấn luyện mô hình trên dữ liệu tổng hợp (synthetic data).

Đưa ra dự đoán với độ chính xác bằng 0.

Khả năng ngôn ngữ thay đổi theo thời gian.

Việc một từ hoặc cụm từ có thể có nhiều nghĩa khác nhau.

Sự khác biệt giữa ngôn ngữ nói và ngôn ngữ viết.

Khó khăn trong việc thu thập dữ liệu văn bản đủ lớn.

Dịch máy.

Nhận dạng khuôn mặt.

Phân tích cảm xúc văn bản.

Chatbot.

Các phương pháp cải thiện độ chính xác của mô hình NLP.

Các kỹ thuật tấn công mô hình NLP bằng cách tạo ra các đầu vào được thiết kế đặc biệt để đánh lừa mô hình.

Các phương pháp phát hiện lỗi sai trong dữ liệu văn bản.

Các kỹ thuật tăng cường dữ liệu huấn luyện.

Chuyển đổi văn bản thành giọng nói.

Chia văn bản thành các đơn vị nhỏ hơn, ví dụ như từ hoặc cụm từ.

Loại bỏ các từ dừng (stop words) khỏi văn bản.

Gán nhãn từ loại (part-of-speech tagging) cho các từ.

Tạo ra văn bản gốc từ dữ liệu có cấu trúc.

Tự động chuyển đổi văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Phân tích cảm xúc trong văn bản đa ngôn ngữ.

Tóm tắt văn bản bằng nhiều ngôn ngữ.

Khả năng xử lý dữ liệu tuần tự tốt hơn.

Khả năng xử lý song song tốt hơn và giải quyết vấn đề phụ thuộc xa (long-range dependencies) hiệu quả hơn.

Yêu cầu ít dữ liệu huấn luyện hơn.

Dễ dàng giải thích hơn.

Kích thước của văn bản đầu vào.

Số lượng từ xung quanh từ mục tiêu được xem xét để hiểu ngữ cảnh.

Thời gian cần thiết để xử lý một câu.

Giao diện người dùng của một ứng dụng NLP.

Phân tích cấu trúc ngữ pháp của câu.

Dự đoán xác suất xuất hiện của một chuỗi từ.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Nhận dạng thực thể có tên (Named Entity Recognition).

Biểu diễn mối quan hệ ngữ nghĩa giữa các từ.

Biểu diễn cấu trúc cú pháp của một câu.

Biểu diễn các thực thể có tên trong văn bản.

Biểu diễn tần suất xuất hiện của các từ.

Tự động tạo sinh dữ liệu huấn luyện.

Chọn lọc các mẫu dữ liệu 'thông tin' nhất để con người gán nhãn, nhằm tối ưu hóa hiệu quả huấn luyện.

Huấn luyện mô hình trên dữ liệu từ nhiều nguồn khác nhau.

Sử dụng phản hồi của người dùng để cải thiện mô hình.

Thiết kế phần cứng máy tính.

Tương tác giữa máy tính và ngôn ngữ con người.

Phát triển các thuật toán toán học thuần túy.

Nghiên cứu về tâm lý học hành vi.

Phân loại ảnh.

Xử lý dữ liệu tuần tự như chuỗi văn bản.

Phát hiện đối tượng trong ảnh.

Giảm chiều dữ liệu.

Huấn luyện mô hình với rất ít dữ liệu có nhãn.

Huấn luyện mô hình trên dữ liệu đa ngôn ngữ.

Giảm số lượng tham số của mô hình.

Tăng tốc độ huấn luyện mô hình.

Loại bỏ các từ dừng (stop words).

Tập trung vào các phần quan trọng nhất của dữ liệu đầu vào khi xử lý.

Chia nhỏ văn bản thành các token.

Mã hóa văn bản thành vector số.

Dịch tên riêng sang ngôn ngữ khác.

Xác định và phân loại các thực thể có tên trong văn bản (ví dụ: người, tổ chức, địa điểm).

Sửa lỗi chính tả trong tên riêng.

Tạo ra tên mới cho sản phẩm hoặc công ty.

Đo độ tương đồng giữa hai văn bản.

Tính trọng số của từ trong một văn bản và trong tập hợp văn bản.

Phân loại văn bản dựa trên chủ đề.

Tóm tắt văn bản.

Huấn luyện mô hình NLP trên dữ liệu phân tán ở nhiều thiết bị mà không cần tập trung dữ liệu.

Huấn luyện mô hình NLP trên dữ liệu tổng hợp từ nhiều nguồn.

Huấn luyện mô hình NLP trên dữ liệu công khai.

Tăng tốc độ huấn luyện mô hình NLP trên một máy tính duy nhất.

Phân tích cú pháp.

Word embeddings (biểu diễn từ thành vector số).

Tách từ (tokenization).

Loại bỏ từ dừng (stop word removal).

Tự động dịch văn bản.

Tương tác với người dùng thông qua ngôn ngữ tự nhiên.

Phân tích dữ liệu tài chính.

Điều khiển robot vật lý.