Tất cả câu hỏi

Đáp án đúng: "Routing to avoid using the same bridge or road.". Trong đồ thị, trail là đường đi không lặp lại cạnh nhưng được phép quay lại đỉnh cũ; nếu thành phố là đỉnh và cầu, con đường là cạnh thì yêu cầu không đi lại cùng một cây cầu hay con đường chính là ràng buộc không lặp cạnh, giống bài toán bảy cây cầu Königsberg. "Routing to avoid visiting the same city." là ràng buộc không lặp đỉnh, ứng với khái niệm path (đường đi đơn) chứ không phải trail. "An email network tracing frequency of emails from one person to another." quan tâm trọng số trên cạnh, tức số email giữa hai người, không cần khái niệm đường đi không lặp cạnh. "An email network tracing email replies." lần theo chuỗi trả lời qua lại, trong đó cùng một cặp người gửi và nhận có thể xuất hiện nhiều lần, nên việc cấm lặp cạnh không có ý nghĩa ở đây.

Đáp án đúng: "False". Phát biểu cho rằng Cypher không có lệnh riêng để tìm đường đi ngắn nhất là sai, vì Cypher cung cấp sẵn hai hàm shortestPath và allShortestPaths; ví dụ viết match p=shortestPath((a)-[:TO*]-(b)) return p sẽ trả về một đường ngắn nhất giữa hai nút, còn allShortestPaths trả về mọi đường có cùng độ dài ngắn nhất. Ngoài ra thư viện Graph Data Science của Neo4j còn có thủ tục Dijkstra cho đồ thị có trọng số. Phương án "True" sai vì nó phủ nhận sự tồn tại của các hàm dựng sẵn này; người dùng không phải tự viết thuật toán duyệt đồ thị mà chỉ cần bọc mẫu đường đi có độ dài biến thiên trong hàm shortestPath là đủ.

Đáp án đúng: "Apply classification on clusters". Phân cụm (clustering) như k-means là học không giám sát: nó chia dữ liệu thành các nhóm giống nhau nhưng không gắn tên cho nhóm. Sau khi chuyên gia xem đặc điểm từng cụm và đặt nhãn, ví dụ cụm khách chi tiêu cao, các nhãn đó có thể làm dữ liệu huấn luyện cho một bộ phân loại (classification) để gán nhãn cho cả những mẫu mới; đó là cách phân cụm hỗ trợ tạo dữ liệu có nhãn. "Increase support" sai vì support là độ đo tần suất xuất hiện của tập mục trong luật kết hợp, không liên quan đến việc đặt nhãn cụm. "Use FP-Growth" sai vì FP-Growth là thuật toán khai phá tập mục phổ biến cho luật kết hợp, không gán nhãn cho cụm. "Convert to regression" sai vì hồi quy dự đoán giá trị số liên tục, còn nhãn cụm là nhãn rời rạc nên bài toán phù hợp là phân loại.

Đáp án đúng: "Closeness". Closeness centrality (độ trung tâm gần) của một nút được tính từ tổng độ dài các đường đi ngắn nhất từ nút đó tới mọi nút khác, thường lấy nghịch đảo; nút có closeness cao là nút trung bình gần mọi nút nhất, nên thông tin bơm vào từ đó đi theo đường ngắn nhất sẽ phủ toàn mạng nhanh nhất. "Degree" chỉ đếm số láng giềng trực tiếp, đo ảnh hưởng cục bộ trong một bước; nút nhiều bạn vẫn có thể nằm ở rìa mạng và xa phần còn lại. "Between-ness" đo số đường ngắn nhất giữa các cặp nút khác đi qua một nút, cho biết nút đóng vai trò cầu nối hay người gác cổng có thể kiểm soát hoặc chặn dòng thông tin, chứ không phải điểm xuất phát lan nhanh nhất. "Group" là độ trung tâm tính cho cả một nhóm nút, mở rộng các chỉ số trên cho tập nút chứ không phải loại chỉ số trả lời câu hỏi này.

Đáp án đúng: "Utilizing real-time data to compute and change the state of an application continuously.". Xử lý luồng (streaming) nghĩa là dữ liệu đi vào liên tục và hệ thống tính toán ngay khi từng phần tử tới, cập nhật trạng thái của ứng dụng không ngừng, ví dụ bảng điều khiển giao thông thay đổi theo từng tín hiệu cảm biến. "Using static data stored from a real-time source to process and guide the application." mô tả dữ liệu đã được lưu lại thành tĩnh rồi mới xử lý, tức xử lý theo lô dù nguồn ban đầu là thời gian thực. "Calculating results using real-time data, otherwise known as streaming data." nghe gần đúng nhưng chỉ nói việc tính ra kết quả, thiếu ý cốt lõi là tính liên tục và thay đổi trạng thái theo thời gian, lại định nghĩa vòng quanh bằng chính từ streaming. "Using sensors to manipulate the system, such as a smart car being able to drive by itself using sensors to detect road hazards." là một ví dụ ứng dụng cụ thể có thể dùng xử lý luồng, không phải định nghĩa của khái niệm.

Đáp án đúng: "match (n)-[r]-(m) return n,r,m". Trong Cypher, mệnh đề match nhận một mẫu đồ thị: (n) và (m) là hai nút bất kỳ, -[r]- là một quan hệ bất kỳ không xét chiều nối chúng; câu lệnh vì vậy khớp mọi cặp nút có quan hệ và trả về cả nút lẫn quan hệ, Neo4j Browser hiển thị ra toàn bộ phần đồ thị có cạnh. "show graph" không phải câu lệnh Cypher; Cypher không có lệnh show để in cả đồ thị. "select * from graph" là cú pháp SQL cho bảng quan hệ, Neo4j không có bảng tên graph và Cypher không dùng mệnh đề select from. "return all" thiếu mệnh đề match để xác định cần lấy gì và all không phải biến được khai báo, nên câu lệnh không hợp lệ.

Đáp án đúng: "Results can be ordered by similarity using vector projection.". Trong mô hình không gian vector (vector space model) cho dữ liệu văn bản, mỗi tài liệu và cả truy vấn được biểu diễn thành vector trọng số các từ, thường theo tf-idf; độ giống nhau được đo bằng hình chiếu của vector này lên vector kia, cụ thể là tích vô hướng chia cho tích độ dài, tức độ tương đồng cosine, nên kết quả tìm kiếm có thể xếp hạng từ giống nhất tới ít giống nhất. "Enables image searching." sai vì biểu diễn vector trong ngữ cảnh này nhằm tìm kiếm và xếp hạng văn bản; tìm ảnh cần trích đặc trưng ảnh riêng và không phải lý do điển hình. "Enables weighting of the query." chỉ là một khả năng phụ: có thể tăng trọng số cho từ quan trọng trong truy vấn, nhưng mục đích chính vẫn là đo tương đồng để xếp hạng. "The ability to normalize vectors, allowing probability distributions." sai vì chuẩn hoá vector về độ dài 1 là để so sánh cosine công bằng giữa văn bản dài và ngắn, không biến vector thành phân phối xác suất.

Đáp án đúng: "The data does not necessarily need to be formatted in a way that represents the data model. Just so long as it can be extrapolated.". Data model (mô hình dữ liệu) mô tả ở mức logic cấu trúc, phép toán và ràng buộc của dữ liệu, còn format là cách dữ liệu được ghi xuống thực tế; cùng một mô hình có thể lưu theo nhiều định dạng, ví dụ một đồ thị có thể lưu dạng danh sách kề, ma trận kề hay tập bộ ba trong tệp văn bản, miễn là từ đó suy ra lại được cấu trúc của mô hình. Mảnh "always one specific schema for storing model data" sai vì không có một lược đồ lưu trữ duy nhất tối ưu cho mọi trường hợp; lựa chọn phụ thuộc vào cách truy vấn và hệ thống dùng. Mảnh "There is a one-to-one correspondence between formatting data and data modeling" sai vì quan hệ giữa mô hình và định dạng là một-nhiều, như ví dụ đồ thị ở trên. "None of the above" sai vì đã có một phương án mô tả đúng sự tách biệt giữa mô hình và định dạng.

Đáp án đúng: "A method to process streaming data by utilizing batch processing and real-time processing.". Kiến trúc lambda (lambda architecture) chạy song song hai tầng: tầng lô (batch layer) định kỳ xử lý lại toàn bộ dữ liệu lịch sử để cho kết quả chính xác, và tầng tốc độ (speed layer) xử lý dữ liệu mới đến theo thời gian thực để bù độ trễ; tầng phục vụ (serving layer) gộp hai kết quả khi trả lời truy vấn. "A specific method for processing streaming data using special real-time processes." chỉ có phần thời gian thực, gần với kiến trúc kappa chỉ dùng một luồng xử lý, thiếu hẳn tầng lô vốn là nửa cốt lõi của lambda. "A specific hardware architecture for a server made specifically for processing real-time data." sai bản chất vì lambda là kiến trúc phần mềm, cách tổ chức luồng xử lý chạy trên cụm máy thông thường, không phải thiết kế phần cứng máy chủ. "None of the above." sai vì đã có một mô tả đúng.

Đáp án đúng: "The size and frequency of the streaming data may be sporadic.". Với dữ liệu luồng (streaming), thách thức về kích thước và tần suất là dữ liệu đến không đều: có lúc dồn dập với khối lượng lớn, có lúc thưa thớt, kích thước mỗi gói cũng thay đổi, nên hệ thống phải co giãn tài nguyên và xử lý đột biến mà không mất dữ liệu hay tăng độ trễ. "There may not be data to produce the notion of size and frequency." sai vì luồng dữ liệu luôn có kích thước và tần suất đo được, vấn đề là chúng biến động chứ không phải không tồn tại. "The size and frequency of the streaming data may be too small." không phải thách thức đặc trưng, dữ liệu ít và thưa dễ xử lý hơn; cái khó là sự thất thường và những lúc tăng vọt. "None of the above." sai vì đã có một phương án mô tả đúng thách thức này.

Đáp án đúng: "Big data enables advanced analytics and insights for decision-making.". Trong hệ thống quy mô lớn, giá trị của dữ liệu lớn nằm ở chỗ nhờ lưu trữ phân tán và xử lý song song, tổ chức có thể truy xuất và phân tích khối dữ liệu khổng lồ, đa dạng để tìm mẫu, dự báo và ra quyết định dựa trên bằng chứng, tức chữ V value (giá trị). "Big data reduces the complexity of data systems significantly." sai vì dữ liệu lớn làm hệ thống phức tạp hơn: phải phân tán, nhân bản, chịu lỗi, tích hợp nhiều nguồn. "Big data eliminates the need for data processing in large scale systems." sai vì ngược lại, dữ liệu càng lớn càng cần xử lý như làm sạch, tích hợp, tổng hợp trước khi dùng được. "Big data is primarily useful for storing large volumes of data without analysis." sai vì lưu trữ chỉ là phương tiện; dữ liệu nằm yên không được phân tích thì không mang lại giá trị nào.

Đáp án đúng: "DataNode". HDFS (Hadoop Distributed File System) chia mỗi tệp thành các khối (block), mặc định 128 MB, và các khối này được lưu thật sự trên đĩa của các DataNode, mỗi khối được sao chép thường là ba bản trên các máy khác nhau; DataNode cũng phục vụ yêu cầu đọc ghi khối và gửi heartbeat định kỳ báo còn sống. "NameNode" chỉ giữ siêu dữ liệu (metadata) như cây thư mục, tên tệp và bảng ánh xạ khối nào nằm ở DataNode nào, chứ không chứa nội dung dữ liệu. "Zookeeper" là dịch vụ điều phối phân tán dùng cho bầu chọn leader, quản lý cấu hình và khoá, ví dụ hỗ trợ NameNode dự phòng, không lưu dữ liệu người dùng. "Flume" là công cụ thu thập và chuyển dữ liệu dòng vào HDFS, tức đứng ở phía nạp dữ liệu chứ không phải nơi lưu trữ.

Đáp án đúng: "Accuracy". Ứng dụng dữ liệu lớn chỉ đáng tin khi kết quả phản ánh đúng thực tế, và điều đó phụ thuộc trước hết vào độ chính xác (accuracy) của dữ liệu đầu vào: giá trị sai, trùng lặp, thiếu hay nhiễu sẽ dẫn tới phân tích sai theo nguyên tắc rác vào thì rác ra; đây là phần Veracity (độ xác thực) trong các chữ V. "Volume" là khối lượng dữ liệu; nhiều dữ liệu hơn không làm dữ liệu đáng tin hơn nếu bản thân nó sai. "Velocity" là tốc độ sinh và xử lý dữ liệu, liên quan tới tính kịp thời chứ không phải tính đúng. "Retention" là chính sách lưu giữ dữ liệu trong bao lâu, phục vụ tuân thủ pháp lý và kiểm soát chi phí lưu trữ, không quyết định dữ liệu có chính xác hay không.

Đáp án đúng gồm bốn ý: "Hadoop", "Spark", "MapReduce" và "Hive". Khung xử lý dữ liệu phân tán chia việc ra nhiều máy trong cụm và chạy song song: Hadoop cung cấp HDFS, YARN và MapReduce; MapReduce là mô hình lập trình chia bài toán thành pha map và pha reduce; Spark là động cơ xử lý phân tán trong bộ nhớ. Hive thì nói cho đúng là tầng truy vấn kiểu SQL (HiveQL) đặt trên các khung đó, biên dịch truy vấn thành job MapReduce, Tez hoặc Spark chứ tự nó không phải động cơ thực thi; tuy vậy xét theo nhóm công cụ xử lý dữ liệu lớn phân tán thì Hive gần với nhóm này hơn hẳn hai lựa chọn kia nên vẫn được tính. "MongoDB" là cơ sở dữ liệu NoSQL hướng tài liệu, việc chính là lưu trữ và truy vấn bản ghi, không phải khung xử lý tính toán phân tán. "RDBMS" là hệ quản trị cơ sở dữ liệu quan hệ như MySQL hay PostgreSQL, thường chạy tập trung với lược đồ cố định và giao dịch ACID, không được thiết kế làm khung xử lý dữ liệu lớn.

Đáp án đúng: "Data privacy concerns". Đồng hồ điện thông minh (smart meter) ghi mức tiêu thụ theo từng khoảng ngắn, vài phút tới một giờ, rồi gửi về công ty điện; chuỗi số liệu chi tiết đó cho phép suy ra thói quen sinh hoạt như giờ ngủ, giờ vắng nhà, thiết bị đang dùng, nên quyền riêng tư dữ liệu trở thành thách thức chính khi ngành năng lượng thu thập và phân tích dữ liệu lớn từ hàng triệu hộ. "Decreased energy demand" sai vì nhu cầu năng lượng giảm không phải hệ quả tất yếu của việc lắp đồng hồ thông minh, và nếu có tiết kiệm thì đó là lợi ích chứ không phải thách thức. "Lack of consumer awareness" có thể gặp trong thực tế nhưng không gắn với bản chất dữ liệu mà công nghệ này sinh ra. "High cost of deployment" là chi phí đầu tư có thể lên kế hoạch được, còn thách thức nổi bật xuất phát từ chính dữ liệu là quyền riêng tư.

Đáp án đúng: "A dense amount of edge connections between nodes in a community and a few connections across communities.". Trong phân tích đồ thị, community (cộng đồng) là một nhóm nút liên kết chặt với nhau: số cạnh bên trong nhóm nhiều hơn hẳn số cạnh nối sang nhóm khác, và các thuật toán phát hiện cộng đồng như tối ưu modularity đều đo đúng chênh lệch này. "High density of nodes at a certain location." nói về mật độ nút theo vị trí không gian, trong khi cộng đồng được xác định bằng cấu trúc cạnh chứ không bằng toạ độ. Mảnh "defined by an integer constant K around a specific node" mô tả vùng lân cận k bước quanh một nút (ego network), một khái niệm cục bộ chứ không phải cộng đồng, và việc nút ở bước K+1 thuộc cộng đồng khác là không có căn cứ. "Many anomalous neighborhoods within the same vicinity." thuộc về phát hiện bất thường trên đồ thị, không phải định nghĩa cộng đồng.

Đáp án đúng: "A compressed list that is stored within the value of the database.". Trong Redis, ziplist là cách mã hoá nén dùng cho các danh sách, hash hay sorted set còn nhỏ: thay vì cấp phát từng nút liên kết riêng, Redis xếp mọi phần tử liền nhau trong một vùng nhớ duy nhất làm giá trị của khoá, tiết kiệm bộ nhớ đáng kể; khi cấu trúc vượt ngưỡng cấu hình, Redis chuyển sang dạng mã hoá thông thường. "A special type of data type that can store up to 512 mb of image data." lẫn với giới hạn 512 MB của một giá trị chuỗi trong Redis; chuỗi có thể chứa dữ liệu nhị phân như ảnh, nhưng đó không phải ziplist. "A look up table that is stored as a value in the database. Look up table points to actual values in memory." tả một bảng tra chứa con trỏ, ngược với ý tưởng của ziplist là đặt giá trị ngay trong khối nén. "A special type of data type that can store hashes that point to multiple attributes." tả kiểu hash, nơi một khoá ánh xạ tới nhiều cặp trường giá trị; hash nhỏ có thể được mã hoá bằng ziplist, nhưng bản thân ziplist không phải kiểu hash.

Đáp án đúng: "it is impossible to have consistency, availability, and partition tolerance". Định lý CAP do Eric Brewer nêu nói rằng một hệ phân tán không thể đồng thời bảo đảm cả ba tính chất: nhất quán (mọi nút thấy cùng một dữ liệu tại cùng thời điểm), sẵn sàng (mọi yêu cầu đều nhận được phản hồi) và chịu phân mảnh mạng (hệ vẫn chạy khi mạng giữa các nút bị đứt); khi mạng bị chia cắt, hệ buộc phải chọn giữ nhất quán hoặc giữ sẵn sàng. "it is impossible to have consistency, accuracy, and partial tolerance" dùng sai tên hai tính chất, accuracy và partial tolerance không phải thành phần của định lý. "it is necessary to have consistency, accuracy, and partial tolerance" vừa sai tên tính chất vừa đảo nghĩa thành bắt buộc phải có. "it is necessary to have consistency, availability, and partition tolerance" đúng tên ba tính chất nhưng nói ngược nội dung định lý, vốn khẳng định không thể có đủ cả ba cùng lúc.

Đáp án đúng: "ResourceManager". YARN (Yet Another Resource Negotiator, bộ điều phối tài nguyên) có kiến trúc chủ–tớ: ResourceManager chạy trên nút chủ, nắm toàn bộ tài nguyên của cụm và dùng bộ lập lịch (scheduler) để cấp container cho từng ứng dụng; mỗi ứng dụng có một ApplicationMaster riêng xin tài nguyên từ ResourceManager. "DataNode" sai vì đó là nút tớ của HDFS, lưu các khối dữ liệu, thuộc tầng lưu trữ chứ không phải YARN. "NodeManager" là nút tớ của YARN chạy trên từng máy, khởi tạo và giám sát container rồi báo cáo về ResourceManager, nên không phải nút chủ. "JobTracker" là nút chủ của MapReduce thế hệ đầu (Hadoop 1), gộp cả quản lý tài nguyên lẫn theo dõi tác vụ; YARN ra đời chính để tách vai trò đó thành ResourceManager và ApplicationMaster.

Đáp án đúng: "All of the others". Để tránh overfitting (quá khớp), ta giữ lại một phần dữ liệu không dùng để huấn luyện làm validation set (tập kiểm định) và đo lỗi trên đó; cả ba kỹ thuật được nêu đều là cách tạo và dùng tập này. "random sub-sampling" lặp lại nhiều lần việc chia ngẫu nhiên dữ liệu thành phần huấn luyện và phần kiểm định rồi lấy trung bình lỗi. "k-fold cross-validation" chia dữ liệu thành k phần bằng nhau, lần lượt dùng mỗi phần làm tập kiểm định và k-1 phần còn lại để huấn luyện, nên mỗi mẫu đều được kiểm định đúng một lần. "leave-one-out cross-validation" là trường hợp đặc biệt của k-fold với k bằng số mẫu, mỗi lần chỉ để riêng một mẫu để kiểm định. Vì cả ba đều đúng, chọn riêng một kỹ thuật là chưa đầy đủ.