Tất cả câu hỏi

Đáp án đúng: "Use the njobs argument". Nhiều estimator và công cụ của scikit-learn như RandomForestClassifier, GridSearchCV hay cross_val_score có đối số số tác vụ song song, viết trong mã là n_jobs; đặt n_jobs=-1 cho phép dùng mọi lõi CPU để huấn luyện các cây hoặc thử các cấu hình song song, rút ngắn thời gian mà không đổi kết quả mô hình. "Increase the number of features" sai vì thêm đặc trưng làm tăng chi phí tính toán và có thể gây quá khớp, không phải cách tối ưu huấn luyện. "Decrease the dataset size" có thể làm nhanh hơn nhưng phải trả bằng việc mất thông tin và mô hình kém đi, nên không phải cách tối ưu đúng nghĩa. "Avoid using any optimization algorithms" vô nghĩa vì chính quá trình huấn luyện là chạy một thuật toán tối ưu để tìm tham số; bỏ nó thì không có mô hình.

Đáp án đúng: "Pass a pickle file when the model is declared". Spark MLlib nhận tham số theo cơ chế Param: đặt trực tiếp khi khởi tạo hoặc truyền một ParamMap (bảng ánh xạ tham số sang giá trị) vào phương thức fit, và ParamMap truyền vào fit sẽ ghi đè giá trị đã đặt; tệp pickle là dạng tuần tự hoá đối tượng Python, không phải cách khai báo tham số, nên đây là cách không hợp lệ. "Set the named parameters directly when the model is declared" hợp lệ, ví dụ LogisticRegression(maxIter=10). "Pass a ParamMap to the .fit() method of the model" hợp lệ vì fit nhận ParamMap tuỳ chọn. "Create a ParamMap, update it then pass it to a .fit()" hợp lệ vì ParamMap là từ điển có thể cập nhật trước khi dùng. "Pass a ParamMap to the .fit() method of a pipeline" hợp lệ vì Pipeline cũng là Estimator và ParamMap có thể chứa tham số của từng giai đoạn.

Đáp án đúng: "Generating static images only". Plotly là thư viện trực quan hoá tạo biểu đồ tương tác chạy trên trình duyệt: người dùng phóng to, rê chuột xem giá trị, bật tắt chuỗi dữ liệu; nó có thể xuất ảnh tĩnh khi cần, nhưng chỉ tạo ảnh tĩnh là phát biểu sai về Plotly nên đây là đáp án của câu hỏi phủ định. Các phát biểu khác đều đúng nên không được chọn. "Creating interactive plots" là đặc trưng cốt lõi của Plotly, khác với biểu đồ tĩnh mặc định của matplotlib. "Accessing from a Python notebook" đúng vì Plotly hiển thị trực tiếp trong Jupyter notebook qua thư viện Python plotly. "Offering unique chart types like contour plots" đúng vì Plotly có sẵn nhiều loại biểu đồ như contour (đường đồng mức), bản đồ nhiệt, biểu đồ ba chiều và bản đồ địa lý.

Đáp án đúng: "That the probability statement applies to one observation at a time in a data set". Đây là câu phủ định. Khi đưa ra phát biểu xác suất về một mẫu, ta dựa trên khung suy luận thống kê: mẫu lấy từ một tổng thể, tổng thể theo một phân phối giả định, các quan sát độc lập và cùng phân phối, còn dữ liệu được mô hình hoá bằng biến ngẫu nhiên; phát biểu như khoảng tin cậy hay giá trị p nói về cả mẫu hoặc tham số của tổng thể, nên việc áp dụng cho từng quan sát một không phải một giả định. "That there is an underlying population that your sample comes from" là giả định thật nên không chọn, vì suy luận từ mẫu chỉ có nghĩa khi có tổng thể để khái quát. "That the population follows an assumed probability distribution" là giả định thật vì cần mô hình phân phối, như phân phối chuẩn, mới tính được xác suất. "That the observations in your sample are independent and identically distributed" là giả định thật (i.i.d.), cho phép nhân xác suất các quan sát và áp dụng định lý giới hạn trung tâm. "That random variables represent the possible values that the data can take" là giả định thật vì dữ liệu được xem là hiện thực của biến ngẫu nhiên.

Đáp án đúng: "To provide a functional interface for simple interactive use". matplotlib.pyplot là giao diện kiểu hàm, tự giữ trạng thái của hình và trục hiện tại, cho phép vẽ nhanh bằng các lệnh như plt.plot, plt.xlabel, plt.show trong notebook hay phiên tương tác, theo phong cách của MATLAB; với hình phức tạp thì nên dùng giao diện hướng đối tượng qua Figure và Axes. "To create complex web applications" không phải vai trò của pyplot; ứng dụng web cần framework như Flask hay Dash, pyplot chỉ tạo hình. "To manage data storage" thuộc việc của cơ sở dữ liệu, tệp hay pandas, không liên quan tới vẽ. "To perform statistical analysis" là việc của các thư viện như scipy.stats hay statsmodels; pyplot chỉ hiển thị kết quả chứ không tự tính toán thống kê.

Đáp án đúng: "Regression". Supervised learning (học có giám sát) học từ dữ liệu có nhãn; khi nhãn là một số thực liên tục như giá nhà, doanh thu hay nhiệt độ thì bài toán gọi là regression (hồi quy), với thước đo đánh giá thường dùng như MAE hay RMSE. "Classification" cũng là học có giám sát nhưng nhãn là các lớp rời rạc, chẳng hạn khách hàng có rời bỏ dịch vụ hay không. "Clustering" (phân cụm) thuộc học không giám sát, gom nhóm các mẫu giống nhau mà không cần nhãn. "Reinforcement Learning" (học tăng cường) là một nhánh riêng, trong đó tác tử học hành động qua thử và sai dựa trên phần thưởng, không phải bài toán dự đoán nhãn từ dữ liệu đã gán nhãn.

Đáp án đúng: "95-99%". Trong bài thực hành, một CNN (convolutional neural network, mạng nơ-ron tích chập) đơn giản được huấn luyện trên đủ mười lớp và toàn bộ dữ liệu của một bộ ảnh tương đối dễ, kiểu ảnh xám nhỏ như chữ số viết tay hay ảnh đồ thời trang. Với loại dữ liệu này, chỉ vài lớp tích chập và pooling đã học được nét đặc trưng đủ tốt để đạt độ chính xác rất cao, vì các lớp tách biệt rõ và có nhiều mẫu cho mỗi lớp. Các khoảng thấp hơn ứng với bối cảnh khác mà câu hỏi không hỏi: "62-77%" là mức thường gặp khi CNN nhỏ gặp bộ ảnh màu tự nhiên khó, hoặc khi chỉ dùng một phần dữ liệu; "78-83%" và "84-89%" là mức của mô hình khó hơn hoặc dữ liệu ít, chưa phản ánh việc dùng đủ dữ liệu trên bộ dễ; "90-94%" gần nhưng vẫn thấp hơn mức mà CNN đơn giản dùng đủ mười lớp và toàn bộ dữ liệu đạt được trong bài.

Đáp án đúng gồm ba ý: "Learning", "Estimation" và "Model Fitting". Trong học có giám sát, quá trình điều chỉnh tham số của mô hình để khớp với dữ liệu huấn luyện có nhãn được gọi bằng nhiều tên tuỳ cộng đồng: giới học máy gọi là learning (học) hay training, giới thống kê gọi là estimation (ước lượng tham số), còn trong thực hành thường gọi là model fitting (khớp mô hình), đúng như phương thức fit của scikit-learn. Ba thuật ngữ cùng chỉ một việc là tìm tham số tối ưu hoá hàm mất mát trên dữ liệu. "Labeling" sai vì gán nhãn là việc chuẩn bị dữ liệu, xác định đáp án đúng cho từng mẫu trước khi huấn luyện, chứ không phải bước điều chỉnh tham số của mô hình.

Đáp án đúng: "Root Mean Square Error". RMSE là căn bậc hai của trung bình bình phương sai số giữa giá trị dự đoán và giá trị thật, một thước đo phổ biến cho bài toán hồi quy; nó cùng đơn vị với biến mục tiêu nên dễ diễn giải, và vì bình phương sai số trước khi lấy trung bình nên phạt nặng các sai số lớn. Phương án "Relative Mean Squared Error" sai vì chữ R ở đây là Root (căn), không phải Relative (tương đối); sai số tương đối là một họ thước đo khác, chia cho độ lớn giá trị thật. Phương án "Random Mean Square Evaluation" sai cả hai chữ: không có yếu tố ngẫu nhiên nào, và chữ E là Error (sai số) chứ không phải Evaluation. Phương án "Root Mean Squared Evaluation" đúng phần Root Mean Squared nhưng sai chữ cuối, vì E là sai số được đo, không phải hoạt động đánh giá.

Đáp án đúng: "False". Phát biểu sai vì dịch vụ Watson Visual Recognition không chỉ dùng được qua khoá API với Python hay curl: người dùng có thể làm việc qua giao diện web trong Watson Studio để huấn luyện và thử bộ phân loại ảnh mà không viết mã, và IBM cung cấp SDK cho nhiều ngôn ngữ khác như Node.js hay Java, tất cả đều gọi tới cùng REST API (giao diện lập trình qua HTTP). Chính từ only trong phát biểu, tức là chỉ có hai cách đó, khiến nó sai. "True" sai vì Python và curl chỉ là hai trong nhiều cách truy cập dịch vụ; chúng là ví dụ phổ biến khi làm bài thực hành gọi API, nhưng không phải con đường duy nhất, nên không thể khẳng định phát biểu mang tính tuyệt đối này là đúng.

Đáp án đúng: "Decision tree". Học tập hợp (ensemble learning) là kết hợp dự đoán của nhiều mô hình cơ sở để được mô hình mạnh hơn từng mô hình riêng lẻ; một cây quyết định đơn chỉ là một mô hình, thường lại chính là mô hình cơ sở mà các phương pháp tập hợp dùng, nên không phải ví dụ của cách tiếp cận tập hợp. Câu hỏi phủ định nên các phương pháp tập hợp sau không được chọn. "Random forest" gộp nhiều cây huấn luyện trên mẫu bootstrap và tập con đặc trưng ngẫu nhiên rồi bỏ phiếu hoặc lấy trung bình, do Breiman đề xuất. "Boosting" huấn luyện tuần tự các mô hình yếu, mô hình sau tập trung vào lỗi của mô hình trước, rồi cộng chúng có trọng số. "Model stacking" dùng một mô hình meta học cách kết hợp dự đoán của nhiều mô hình khác loại. "Gradient boosting" là dạng boosting trong đó mỗi cây mới khớp với gradient của hàm mất mát, tức phần dư của tập hợp hiện tại.

Đáp án đúng: "Dask". Dask là thư viện tính toán song song của Python, cung cấp DataFrame và mảng có giao diện gần như Pandas và NumPy nhưng chia dữ liệu thành nhiều phần nhỏ, xử lý theo kiểu lười và song song trên nhiều nhân hoặc cả một cụm máy, nên làm việc được với dữ liệu lớn hơn bộ nhớ RAM. "CSV application" chỉ là phần mềm mở hay sửa tệp văn bản phân tách bằng dấu phẩy, không mở rộng được quy mô phân tích. "Visual Studio Code" và "Pycharm" là môi trường soạn thảo mã; chúng giúp viết code chứ không tự phân tán việc tính toán. "Database" lưu trữ và truy vấn được dữ liệu lớn, nhưng là một khái niệm chung chung chứ không phải công cụ mở rộng chính quy trình phân tích bằng Python như Dask.

Đáp án đúng: "Scrubbing". OSEMN là khung quy trình khoa học dữ liệu gồm năm bước, đọc như chữ awesome: Obtain (thu thập dữ liệu), Scrub (làm sạch), Explore (khám phá), Model (xây mô hình) và iNterpret (diễn giải kết quả). Chữ S ứng với Scrubbing, tức chà sạch dữ liệu: xử lý giá trị thiếu, sửa lỗi định dạng, loại bản ghi trùng, chuẩn hóa kiểu dữ liệu, thường là bước tốn thời gian nhất. "Sampling" (lấy mẫu) là một kỹ thuật có thể dùng ở vài bước nhưng không phải tên một giai đoạn trong khung này. "Structuring" (cấu trúc hóa dữ liệu) có thể là một phần của việc làm sạch, nhưng không phải tên chữ S. "Storing" (lưu trữ) là việc hạ tầng dữ liệu, khung OSEMN không có bước riêng cho nó.

Đáp án đúng: "resolve the business question, feedback loops". Dù mỗi mô hình quy trình khoa học dữ liệu như CRISP-DM, OSEMN hay quy trình AI workflow đặt trọng tâm khác nhau, cả ba đều bắt đầu từ việc làm rõ và giải quyết câu hỏi kinh doanh, và đều có vòng phản hồi (feedback loop) để quay lại các bước trước khi kết quả chưa đạt. "prediction, recommendation" là loại đầu ra của một số dự án, không phải yếu tố chung của quy trình. "data mining, data cleaning" là các bước kỹ thuật cụ thể, có quy trình gọi tên và nhấn mạnh khác nhau. "testing, model deployment" quan trọng trong vận hành nhưng không phải mô hình quy trình nào cũng coi là phần cốt lõi.

Đáp án đúng: "90%". Làm sạch dữ liệu gồm xử lý giá trị thiếu, sửa định dạng, loại trùng lặp, chuẩn hoá đơn vị và kiểm tra giá trị bất thường, và với dữ liệu thực tế lộn xộn từ nhiều nguồn, công việc này có thể chiếm tới 90% thời gian của nhà khoa học dữ liệu; câu hỏi dùng chữ can be nên hỏi mức có thể đạt tới chứ không hỏi mức trung bình. Phương án "10%" quá thấp, chỉ đúng khi dữ liệu đã được chuẩn bị sẵn rất sạch, điều hiếm gặp. Phương án "30%" cũng đánh giá thấp khối lượng chuẩn bị dữ liệu trong các dự án thực. Phương án "60%" là con số gần với mức thường gặp trong các khảo sát về thời gian làm sạch và sắp xếp dữ liệu, nhưng nó phản ánh mức điển hình, còn câu hỏi hỏi mức có thể chiếm, tức giới hạn trên mà làm sạch dữ liệu có thể đạt.

Đáp án đúng: "They handle messy data better than relational databases". Cơ sở dữ liệu NoSQL như MongoDB (lưu tài liệu), Cassandra (cột rộng) hay Redis (khoá và giá trị) thường không đòi lược đồ cố định, nên mỗi bản ghi có thể có trường khác nhau, lồng nhau hoặc thiếu trường; nhờ vậy chúng chứa tốt dữ liệu lộn xộn, bán cấu trúc như nhật ký, JSON từ API hay dữ liệu cảm biến mà cơ sở dữ liệu quan hệ khó ép vào bảng. "They impose a strict schema on data" sai vì lược đồ chặt là đặc trưng của cơ sở dữ liệu quan hệ, còn NoSQL theo hướng lược đồ linh hoạt. "They are only suitable for small datasets" sai vì nhiều hệ NoSQL được thiết kế để mở rộng ngang trên nhiều máy, phục vụ dữ liệu rất lớn. "They require complex SQL queries" sai vì NoSQL thường không dùng SQL mà truy vấn qua API hoặc ngôn ngữ riêng của từng hệ.

Đáp án đúng: "probability = 1 - stats.norm.cdf(cdf_val, loc=loc_val, scale=scale_val)". Hàm phân phối tích luỹ (CDF) stats.norm.cdf(x, loc, scale) trả về P(X ≤ x) với X theo phân phối chuẩn có trung bình loc và độ lệch chuẩn scale, nên xác suất phần đuôi P(X ≥ 80) bằng 1 trừ CDF tại 80 (với biến liên tục, P(X = 80) bằng 0 nên ≥ và > như nhau). Với trung bình 50 và độ lệch chuẩn 20, điểm 80 cách trung bình 1,5 độ lệch chuẩn, cho kết quả khoảng 0,067. Dòng này nằm trong thân hàm, thụt lề cùng cấp với return probability. "probability = stats.norm.cdf(cdf_val, loc=loc_val, scale=scale_val)" thiếu phép lấy phần bù nên trả về P(X ≤ 80), khoảng 0,933, tức xác suất điểm dưới 80. "probability = 1 - stats.cdf(cdf_val, loc=loc_val, scale=scale_val)" gọi cdf thẳng trên module scipy.stats, nơi không có hàm cdf chung, nên báo AttributeError; cdf là phương thức của từng phân phối như stats.norm. "probability = 1 - stats.norm(cdf_val, loc=loc_val, scale=scale_val)" gọi stats.norm(...) để tạo đối tượng phân phối cố định tham số chứ không tính xác suất, lại truyền loc hai lần (theo vị trí và theo từ khoá) nên báo TypeError, và kể cả tạo được thì cũng không thể lấy 1 trừ một đối tượng phân phối.

Đáp án đúng: "transactions on the rows and items like customer_name and item_id on the columns". Mục tiêu hợp lý của bước làm sạch là đưa dữ liệu về dạng tidy (gọn gàng): mỗi hàng là một quan sát ở mức chi tiết gốc, ở đây là một giao dịch, mỗi cột là một thuộc tính của giao dịch đó như tên khách hàng, mã mặt hàng. Giữ mức chi tiết này thì về sau gộp theo cách nào cũng được. "customer on the rows and items like total_sales, name, most_bought on the columns" là bảng đã gộp theo khách hàng; đó là việc của bước tạo đặc trưng phục vụ một câu hỏi cụ thể, làm ngay lúc làm sạch sẽ mất chi tiết giao dịch. "daily revenue on the rows items like customer_name and total on the columns" sai vì đã gộp theo ngày thì không còn tên khách hàng ở từng hàng. "None of the correct answer" sai vì đã có một mục tiêu hợp lý.

Đáp án đúng: "Base Python automatically parallelizes processing across cores when multiple cores are available". Python chuẩn (CPython) chạy mã trên một luồng chính và có GIL (Global Interpreter Lock, khóa chỉ cho một luồng thực thi mã Python tại một thời điểm), nên nó không tự chia việc ra nhiều lõi; muốn song song phải chủ động dùng multiprocessing, joblib hay thư viện tương tự. Vì vậy đây là phát biểu sai, đúng thứ câu hỏi phủ định cần tìm. Các phát biểu kia đều đúng nên không được chọn: "Python code can run in IPython and Jupyter notebooks" đúng vì đó là hai môi trường tương tác phổ biến cho Python; "Python allows for the inclusion of comments and pseudocode to better organize code" đúng vì ngôn ngữ có cú pháp chú thích để ghi giải thích hay phác thảo ý tưởng; "Users can save .py files with an editor then subsequently execute them from the command line" đúng, đó là cách chạy script thông thường bằng lệnh python; "Python allows users to save multiple functions in a .py file then import those functions in a different file" đúng vì mỗi tệp .py là một module có thể import.

Đáp án đúng: "Which members of leadership support this decision?". Tư duy khoa học dựa vào bằng chứng có thể kiểm chứng như dữ liệu, thí nghiệm và trường hợp tương tự, chứ không dựa vào quyền lực hay sự ủng hộ của người có chức vụ; hỏi ai trong ban lãnh đạo ủng hộ là lập luận dựa trên thẩm quyền, không phải bằng chứng. Những câu hỏi sau đều thể hiện tư duy khoa học nên không được chọn: "Do we have any data like a corpus of customer feedback" tìm dữ liệu thực tế như phản hồi khách hàng để làm căn cứ; "Can we run an experiment like A/B testing" đề xuất thí nghiệm có đối chứng để kiểm định giả thuyết; "Have any other companies been successful making a comparable change?" tìm bằng chứng từ các trường hợp tương tự bên ngoài.