300+ câu Trắc nghiệm Học máy cơ bản có đáp án - Phần 5

Hồi quy tuyến tính (Linear Regression)

Thuật toán K-Means

Mạng nơ-ron tích chập (Convolutional Neural Network – CNN)

Cây tăng cường (Gradient Boosting Tree)

Giảm số chiều của dữ liệu

Chuyển đổi các biến phân loại (categorical variables) thành dạng số mà các mô hình Học Máy có thể xử lý

Xử lý các giá trị bị thiếu (missing values)

Tăng cường khả năng diễn giải của mô hình

Để kiểm tra hiệu suất của mô hình trên dữ liệu mới chưa từng thấy

Để tìm ra các mẫu (patterns) và mối quan hệ giữa các đặc trưng (features) và nhãn (labels) nhằm xây dựng mô hình có khả năng dự đoán

Để giảm thiểu số lượng đặc trưng trong tập dữ liệu

Để đảm bảo tính ngẫu nhiên của dữ liệu

A. Cây quyết định đơn lẻ (Single Decision Tree)

B. Hồi quy Tuyến tính

C. Bagging (Bootstrap Aggregating) hoặc Boosting

Precision

Recall

Mean Squared Error (MSE)

F1-Score

Hồi quy Logistic (Logistic Regression)

Cây quyết định (Decision Tree)

Phân tích thành phần chính (Principal Component Analysis – PCA)

Máy vector hỗ trợ (Support Vector Machine – SVM)

Phân loại email là spam hay không spam

Dự đoán giá nhà dựa trên các đặc điểm của nó

Nhận dạng chữ viết tay

Phân loại ảnh mèo và ảnh chó

Tăng tốc độ huấn luyện

Giảm số lượng đặc trưng

Tăng cường khả năng khái quát hóa và giảm overfitting bằng cách tạo ra các biến thể mới từ dữ liệu huấn luyện hiện có

Loại bỏ các giá trị ngoại lai (outliers)

C. Tỷ lệ các trường hợp âm tính thực sự (True Negatives) trên tổng số các trường hợp được dự đoán là âm tính

Khi biến mục tiêu là liên tục (continuous)

Khi biến mục tiêu là phân loại (categorical), đặc biệt là phân loại nhị phân

Khi cần dự đoán giá trị trung bình của một biến

Khi dữ liệu có mối quan hệ tuyến tính mạnh

C. Mô hình dự đoán là dương tính, và thực tế cũng là dương tính

Giá bán của căn nhà

Diện tích sử dụng của căn nhà

Loại hình giao dịch (mua/bán)

Ngày đăng bán

Dimensionality Reduction tạo ra các đặc trưng mới, còn Feature Selection chỉ chọn các đặc trưng gốc

Feature Selection tạo ra các đặc trưng mới, còn Dimensionality Reduction chỉ chọn các đặc trưng gốc

Dimensionality Reduction luôn làm giảm overfitting, còn Feature Selection thì không

Feature Selection chỉ áp dụng cho dữ liệu số, còn Dimensionality Reduction áp dụng cho mọi loại dữ liệu

Overfitting

Underfitting

Prediction Error (Lỗi dự đoán)

Feature Engineering

Số lượng đặc trưng được sử dụng

Kích thước của bước cập nhật trọng số mỗi lần lặp

Số lượng lớp ẩn trong mạng nơ-ron

Độ phức tạp của hàm mất mát

Nó tăng tốc độ huấn luyện cho tất cả các thuật toán

Nó giúp các thuật toán nhạy cảm với thang đo (scale) của đặc trưng hoạt động hiệu quả hơn

Nó luôn làm giảm overfitting

Nó loại bỏ các đặc trưng không liên quan

Hàm thưởng mà Agent nhận được

Cách mà Agent chọn hành động dựa trên trạng thái hiện tại của môi trường

Mô tả của môi trường

Trạng thái cuối cùng của quá trình tương tác

A. Mô hình cần có nhãn (labels) đi kèm với dữ liệu đầu vào để học

B. Mô hình tìm kiếm các cấu trúc ẩn hoặc mẫu trong dữ liệu không có nhãn

C. Mô hình nhận phản hồi từ môi trường để điều chỉnh hành vi

Huấn luyện mô hình nhận dạng ảnh chỉ với các ảnh đã được gán nhãn

Huấn luyện mô hình nhận dạng ảnh sử dụng một lượng lớn ảnh có nhãn và một lượng nhỏ ảnh không có nhãn

Sử dụng thuật toán phân cụm để nhóm các ảnh tương tự

Dạy robot cách chơi cờ bằng cách thử và sai

Phân loại hình ảnh

Dự đoán doanh số bán hàng

Dạy một robot học cách đi hoặc chơi một trò chơi điện tử.Máy chơi trò chơi điện tử tốt nhất

Phân tích cảm xúc từ các bài đánh giá sản phẩm