300+ câu Trắc nghiệm Học máy cơ bản có đáp án - Phần 10

Sai số giữa dự đoán và giá trị thực tế

Sự phức tạp của mô hình

Tính tổng quát hóa của mô hình

Sự khác biệt giữa dữ liệu huấn luyện và dữ liệu kiểm tra

Hàm được sử dụng để biến đổi đầu vào của một neural network thành đầu ra

Hàm để tính toán gradient

Hàm để giảm overfitting

Hàm để tối ưu hóa trọng số của mạng neural

Tỷ lệ giữa số lần dự đoán đúng positive và tổng số positive thực sự

Tỷ lệ giữa số lần dự đoán đúng negative và tổng số negative thực sự

Số lần dự đoán đúng trên tổng số lần dự đoán

Tỷ lệ giữa số lần dự đoán đúng và tổng số lần dự đoán đúng và sai

Quá trình chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

Quá trình xây dựng các mô hình dự đoán

Quá trình tinh chỉnh siêu tham số của mô hình

Quá trình đánh giá hiệu suất của mô hình

Chia tập dữ liệu thành tập huấn luyện và tập kiểm tra

Đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra

Đánh giá hiệu suất của mô hình và tối ưu hóa siêu tham số

Đánh giá độ chính xác của mô hình trên tập dữ liệu huấn luyện

Regression

Classification

Clustering

Tất cả các phương án trên

Sự chuyển đổi của dữ liệu thành một không gian chiều cao hơn để giải quyết vấn đề phân loại phi tuyến

Sự chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

Sự giảm chiều dữ liệu để tăng tốc độ huấn luyện

Sự tăng kích thước của mô hình để cải thiện hiệu suất

Quá trình phát hiện và loại bỏ dữ liệu bất thường khỏi tập huấn luyện

Quá trình tạo ra dữ liệu mới từ dữ liệu hiện có

Quá trình chuyển đổi dữ liệu để tăng độ chính xác của mô hình

Quá trình đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra

Overfitting

Underfitting

Gradient vanishing/exploding

Biến dạng dữ liệu

Precision và recall

Bias và variance

Feature và label

Epoch và batch size

Giảm số chiều của dữ liệu bằng cách chuyển đổi các biến ban đầu thành các biến mới không tương quan

Phân loại hình ảnh

Dự đoán chuỗi thời gian

Phân tích ngôn ngữ tự nhiên

K-means clustering

Supervised learning

Unsupervised learning

Ensemble learning

Biến đổi đầu ra của mạng neural thành xác suất

Tăng độ phức tạp của mạng neural

Giảm overfitting trong mạng neural

Biến đổi đầu vào thành đầu ra cho mạng neural

Một loại mô hình học sâu

Một loại mô hình học có giám sát

Một thuật toán phân loại

Một phương pháp học không giám sát

Các tham số mà mô hình học từ dữ liệu

Các tham số không thể thay đổi được trong quá trình huấn luyện mô hình

Các tham số được thiết lập trước cho mô hình và không thay đổi dựa trên dữ liệu

Các tham số quyết định cách mà mô hình được huấn luyện và tối ưu hóa

Một bảng tổng hợp thể hiện kết quả của mô hình dự đoán so với nhãn thực tế

Một phương pháp để giảm kích thước của dữ liệu đầu vào

Một phương pháp để xử lý dữ liệu bị thiếu

Một phương pháp để chọn lọc các đặc trưng quan trọng từ dữ liệu

Một phương pháp biểu diễn văn bản thành một tập hợp không có thứ tự của các từ và số lượng của chúng

Một phương pháp để giảm kích thước của dữ liệu đầu vào

Một phương pháp tạo ra các mẫu dữ liệu mới từ dữ liệu ban đầu

Một phương pháp để chia tập dữ liệu thành các tập con để đánh giá mô hình

Một số lượng mẫu dữ liệu được sử dụng để cập nhật các trọng số của mạng neural network

Một phương pháp để chuyển đổi dữ liệu đầu vào thành dạng phù hợp cho mạng neural

Một số lần lặp lại toàn bộ tập dữ liệu trong quá trình huấn luyện mô hình

Một phương pháp tạo ra các mẫu dữ liệu mới từ dữ liệu ban đầu

Một kỹ thuật tăng số lượng lớp trong một mạng neural network

Một kỹ thuật dừng quá trình huấn luyện mô hình khi hiệu suất trên tập kiểm tra bắt đầu giảm

Một kỹ thuật để tối ưu hóa các tham số của mô hình

Một kỹ thuật sử dụng để giảm kích thước của dữ liệu đầu vào

Một phương pháp để tối ưu hóa các tham số của mô hình

Một hàm mất mát thường được sử dụng trong bài toán phân loại, đo lường sự khác biệt giữa dự đoán và giá trị thực tế

Một phương pháp để chuyển đổi dữ liệu đầu vào thành dạng phù hợp cho mạng neural

Một hàm mất mát thường được sử dụng trong bài toán hồi quy, tính toán bình phương của sự chênh lệch giữa dự đoán và giá trị thực tế

σ(s)(1 – σ(s))

σ(s) – (1 – σ(s))

σ(s)

1 – σ(s)

Tất cả các feature đều được chọn

Chỉ một subset ngẫu nhiên của các feature được chọn

Chỉ feature có độ quan trọng cao được chọn

Feature được chọn dựa trên tần suất xuất hiện trong dữ liệu huấn luyện

Nó làm giảm độ chệch (bias) của mô hình

Nó giữ nguyên giá trị âm

Nó không bị sự mất mát gradient khi huấn luyện

Nó không thể giải quyết được vấn đề overfitting

Accuracy

Precision

Recall

F1-score

K-means

Linear Regression

Decision Tree

KNN (K-Nearest Neighbors)

2

5

6

3

L2 = numpy.remove_duplicate(L1)

L2 = L1.remove_duplicate()

L2 = list.remove_duplicate(L1)

L2 = list(set(L1))

EOFError

IndexError

KeyError

LoopError

Mở tệp và cho phép bổ sung vào cuối tệp

Mở tệp để đọc hoặc ghi

Mở tệp để đọc

Mở tệp để ghi

Không tìm được tập đặc trưng con tối ưu

Luôn tìm được tập đặc trưng con tối ưu

Chỉ tìm được tập đặc trưng con cận tối ưu

Chỉ tìm được tập đặc trưng con tốt hơn tập đặc trưng gốc