230+ câu trắc nghiệm Mạng nơ-ron nhân tạo có đáp án - Phần 8

Multi-label cho phép mỗi mẫu có nhiều nhãn, còn Multi-class chỉ có một nhãn duy nhất

Multi-label sử dụng hàm mất mát khác, còn Multi-class không cần hàm mất mát

Multi-label chỉ áp dụng cho dữ liệu văn bản, Multi-class áp dụng cho hình ảnh

Multi-label không cần huấn luyện mô hình, Multi-class cần huấn luyện

Cross-Entropy Loss

Binary Cross-Entropy Loss

Mean Squared Error

Hinge Loss

Phân loại cảm xúc của một câu văn thành tích cực, tiêu cực hoặc trung lập

Gán nhãn cho một hình ảnh với các đối tượng như "xe hơi", "cây cối", "người"

Dự đoán giá nhà dựa trên các đặc trưng

Nhận diện chữ viết tay thành các ký tự

Một vector xác suất với 5 giá trị, tổng bằng 1

Một vector với 5 giá trị 0 hoặc 1, biểu thị nhãn có hoặc không

Một giá trị duy nhất biểu thị nhãn chính

Một ma trận 5x5

Accuracy

F1-score (micro, macro, weighted)

Mean Absolute Error

Log Loss

Vì nó giảm kích thước mô hình

Vì nó chuyển bài toán thành nhiều bài toán phân loại nhị phân

Vì nó chỉ cần một nhãn cho mỗi mẫu

Vì nó không cần hàm mất mát

Không thể xử lý dữ liệu lớn

Số lượng lớp tăng theo cấp số nhân với số nhãn

Không hỗ trợ hàm mất mát Binary Cross-Entropy

Chỉ áp dụng cho dữ liệu văn bản

Dịch máy

Phân loại chủ đề cho bài báo

Nhận diện thực thể có tên (NER)

Tạo văn bản tự động

Dữ liệu cần được chuẩn hóa về giá trị 0-1

Cần đảm bảo cân bằng giữa các nhãn

Chỉ cần một nhãn cho mỗi mẫu

Không cần xử lý dữ liệu trước

Sử dụng mô hình độc lập cho từng nhãn

Sử dụng mô hình chuỗi (Chain Classifier)

Loại bỏ các nhãn hiếm

Giảm số lượng nhãn xuống còn 1

Tạo thêm mẫu cho lớp thiểu số

Giảm số lượng mẫu của lớp đa số

Phân loại dữ liệu không cân bằng

Chuẩn hóa dữ liệu về giá trị 0-1

Discriminator

Generator

Loss Function

Optimizer

Vì GAN có thể tạo hình ảnh chất lượng cao

Vì GAN không cần huấn luyện

Vì GAN tự động cân bằng dữ liệu

Vì GAN chỉ hoạt động với lớp đa số

Mean Squared Error

Binary Cross-Entropy

Hinge Loss

Kullback-Leibler Divergence

Dữ liệu tổng hợp quá giống dữ liệu thật

Mode collapse, chỉ tạo một số mẫu hạn chế

Tăng độ chính xác của mô hình phân loại

Giảm thời gian huấn luyện

Sử dụng Conditional GAN

Giảm số tầng của Generator

Tăng số mẫu của lớp đa số

Loại bỏ Discriminator

Chỉ sử dụng dữ liệu của lớp đa số

Đảm bảo dữ liệu tổng hợp không quá khác biệt với dữ liệu thật

Không cần huấn luyện Discriminator

Tăng nhiễu ngẫu nhiên vô hạn

Phát hiện gian lận trong giao dịch tài chính

Dịch văn bản từ tiếng Anh sang tiếng Việt

Tạo nội dung văn bản tự động

Chuẩn hóa dữ liệu số

Vì GAN không cần dữ liệu thật

Vì GAN yêu cầu huấn luyện đồng thời Generator và Discriminator

Vì GAN tự động cân bằng dữ liệu

Vì GAN chỉ sử dụng một mô hình

Loại bỏ tất cả mẫu của lớp thiểu số

Sử dụng SMOTE trước khi áp dụng GAN

Giảm kích thước dữ liệu đầu vào

Tăng số nhãn trong bài toán

B. b = −1

C. b = 0.5

B. a = 16.5

C. a = 17.5

B. a = −1.5

C. a = 0.5

Mạng nơ-ron Perceptron

Mạng nơ-ron tuyến tính

Mạng nơ-ron truyền thẳng đa lớp

Mạng nơ-ron SOM

Hàm tuyến tính

Hàm purelin

Hàm step

Hàm hardlim

B. b = −1

C. b = 0.5

B. a = 16.5

C. a = 17.5

B. a = −1.5

C. a = 0.5

Mạng nơ-ron Perceptron

Mạng nơ-ron tuyến tính

Mạng nơ-ron truyền thẳng đa lớp

Mạng nơ-ron SOM

Hàm tuyến tính

Hàm purelin

Hàm step

Hàm hardlim