Đáp án: A. B.

Chúng mô tả lý do tại sao cần dữ liệu đa dạng trong việc xây dựng mô hình Học máy.

Đáp án: C. Mục đích chính của việc chuẩn bị dữ liệu là làm sạch và xử lý dữ liệu để đảm bảo rằng dữ liệu có chất lượng tốt nhất, phù hợp với mô hình Học máy. Việc này bao gồm loại bỏ dữ liệu nhiễu, bổ sung các giá trị thiếu, và chuyển đổi dữ liệu sang định dạng mà mô hình có thể sử dụng.

Đáp án: B. Mô hình Học máy được huấn luyện trên một tập hợp dữ liệu cụ thể, thường là dữ liệu đã được xử lý và chọn lọc từ một tập dữ liệu lớn hơn. Dữ liệu huấn luyện này cung cấp thông tin cho mô hình để học cách phân loại hoặc dự đoán.

Đáp án: C. Mục đích sử dụng mô hình Học máy trong thực tế chủ yếu là để thực hiện dự đoán hoặc phân cụm trên dữ liệu mới. Các phương án khác đều không phản ánh đúng chức năng của Học máy.

Đáp án: B. Học máy không chỉ giúp tự động hóa các quy trình phân loại mà còn nâng cao độ chính xác và hiệu quả của các nhiệm vụ này, làm cho nó trở thành một công cụ không thể thiếu trong các ứng dụng phân loại thư điện tử và nhận dạng hình ảnh.

Đáp án: B. Học máy không giám sát chủ yếu được sử dụng để phân cụm dữ liệu, tức là nhóm các dữ liệu lại với nhau mà không cần nhãn hoặc thông tin bổ sung về chúng. Phân cụm giúp tìm ra cấu trúc hoặc mẫu trong dữ liệu mà không có sự hướng dẫn trước.

Đáp án: B. Học máy có giám sát yêu cầu mô hình được huấn luyện trên một tập hợp dữ liệu có nhãn. Điều này có nghĩa là mỗi ví dụ trong tập dữ liệu đều được gán một nhãn hoặc giá trị mục tiêu, giúp mô hình học và tạo ra các dự đoán chính xác cho dữ liệu chưa thấy. Việc có dữ liệu có nhãn là yếu tố then chốt để đạt được hiệu suất tốt trong các tác vụ phân loại hoặc hồi quy.

Đáp án: B. Phân loại trong Học máy là quá trình mà mô hình học từ một tập dữ liệu có nhãn để phân loại hoặc gán nhãn cho dữ liệu mới chưa được biết. Mục tiêu của phân loại là phân loại các đối tượng hoặc điểm dữ liệu vào các nhóm cụ thể dựa trên các đặc điểm hoặc thuộc tính của chúng.

Đáp án: D. Phát hiện gian lận tài chính thường sử dụng các thuật toán Học máy không giám sát để phân tích các mẫu giao dịch mà không cần nhãn. Mục tiêu là nhận diện các hành vi giao dịch bất thường so với các mẫu bình thường.

Đáp án: A. Trong Học máy có giám sát, mô hình được huấn luyện bằng cách sử dụng một tập dữ liệu đã được gán nhãn, có nghĩa là mỗi mẫu dữ liệu đầu vào (input) đều có một nhãn tương ứng (output) xác định.

Mô hình sẽ học cách xác định mối quan hệ giữa đầu vào và đầu ra thông qua quá trình huấn luyện. Điều này có thể bao gồm việc phát hiện các mẫu, quy luật, và sự tương quan trong dữ liệu, từ đó dự đoán đầu ra cho dữ liệu mới chưa được gán nhãn.

Đáp án: A, B, D. đều đúng, trong khi phương án C là sai. Học máy là một công cụ mạnh mẽ hỗ trợ bác sĩ nhưng không thể thay thế vai trò của họ trong việc thăm khám và đưa ra chẩn đoán.

A. Học máy có thể phân tích dữ liệu sức khỏe của bệnh nhân để dự đoán các vấn đề sức khỏe trong tương lai. Ví dụ, nó có thể dự đoán khả năng phát triển bệnh tim dựa trên các yếu tố nguy cơ như tuổi tác, giới tính, huyết áp, và cholesterol.

B. Học máy có thể phân tích dữ liệu từ nhiều bệnh nhân để tìm ra các phương pháp điều trị hiệu quả. Nó có thể đưa ra các khuyến nghị điều trị dựa trên thông tin cụ thể của từng bệnh nhân

D. Học máy có thể giúp bác sĩ phân tích dữ liệu nhanh chóng và chính xác, từ đó hỗ trợ họ trong việc đưa ra quyết định chẩn đoán và điều trị. Các mô hình Học máy có thể tìm ra các mẫu trong dữ liệu mà bác sĩ có thể bỏ qua, giúp cải thiện chất lượng chẩn đoán

a) Đúng: Học máy có khả năng phân tích các mẫu dữ liệu từ thị trường để đưa ra dự đoán về biến động giá cả. Các mô hình Học máy có thể sử dụng dữ liệu lịch sử để dự đoán xu hướng giá trong tương lai, từ đó hỗ trợ các nhà kinh doanh trong việc xây dựng chiến lược

b) Đúng: Học máy có thể cung cấp các phân tích sâu sắc và mô hình hóa các yếu tố ảnh hưởng đến thị trường. Điều này giúp người đầu tư có cái nhìn rõ ràng hơn về thị trường và đưa ra quyết định đầu tư hiệu quả hơn dựa trên thông tin phân tích.

c) Sai: Mặc dù Học máy có thể cung cấp thông tin và phân tích kĩ thuật, quyết định đầu tư cuối cùng vẫn phụ thuộc vào con người. Học máy hỗ trợ trong việc ra quyết định nhưng không hoàn toàn thay thế vai trò của người đầu tư.

d) Đúng: Học máy có thể tự động hóa một phần quá trình ra quyết định đầu tư thông qua việc phân tích dữ liệu và đưa ra khuyến nghị. Tuy nhiên, việc tự động hóa hoàn toàn vẫn cần được giám sát và điều chỉnh bởi con người để đảm bảo tính chính xác và thích ứng với các thay đổi của thị trường.

a) Đúng : Đây là một vai trò cơ bản của nhận dạng tiếng nói. Âm thanh trong thế giới thực là dạng sóng liên tục, cần được chuyển thành dạng số hóa (biểu diễn số) để máy tính có thể xử lý. Học máy có thể sử dụng các đặc trưng từ dữ liệu số hoá này để nhận dạng và phân loại tiếng nói.

b) Sai: Nhận dạng tiếng nói chủ yếu tập trung vào phân tích âm thanh và giọng nói. Việc kết hợp biểu cảm cơ thể hay ngôn ngữ cơ thể là lĩnh vực của nhận dạng hành vi hay phân tích đa phương thức (multimodal analysis). Mặc dù có những hệ thống nâng cao có thể sử dụng thông tin từ hình ảnh hay video (như biểu cảm khuôn mặt), nhưng đây không phải là chức năng chính của học máy trong nhận dạng tiếng nói.

c) Đúng: Học máy có khả năng phân tích và nhận biết các đặc điểm cá nhân trong giọng nói, như giọng điệu, tần số, cường độ. Điều này giúp phân biệt giữa các người nói khác nhau và cải thiện độ chính xác của hệ thống nhận dạng.

d) Sai: Hiểu ngữ cảnh và ngữ nghĩa trong các cuộc trò chuyện là nhiệm vụ của xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP), chứ không phải của riêng nhận dạng tiếng nói. Nhận dạng tiếng nói chủ yếu liên quan đến việc chuyển đổi âm thanh thành văn bản, trong khi ngữ cảnh và ngữ nghĩa cần các mô hình ngôn ngữ phức tạp hơn để xử lý

Gợi ý: Tuỳ theo tiêu chí về hình dạng xác định, học không giám sát có thể phân chia các đối tượng thành các cụm khác nhau. Ví dụ:

- Hình có dạng tròn: 3, 7, 11, 12, 14, 16, 17, 18.

- Hình có dạng vuông: 4, 6, 13, 20, 32, 34.

- Hình có dạng tam giác: 9, 15, 19, 22.

- Hình có dạng sao: 2, 23, 26.

- Hình có phần biên dạng tròn: 3, 7, 11, 12, 14, 16, 17, 18, 25, 29, 30.

- Hình có 4 cạnh: 4, 6, 13, 20, 31, 32, 33, 34.

一…

Lưu ý: Có thể kết hợp nhiều tiêu chí khác nhau để thực hiện phân cụm. Đồng thời, do việc phân cụm của Học máy không phải bao giờ cũng chính xác hoàn toàn, cho nên các hình 1, 5, 24 cũng có thể được xếp vào "hình có dạng vuông" như là các trường hợp có "sai số".