Tất cả câu hỏi

Đáp án đúng: "Data cleaning and preliminary exploratory data analysis". Khi áp tư duy thiết kế vào quy trình khoa học dữ liệu, giai đoạn Define là lúc chuyển những gì đã tìm hiểu thành một bài toán được phát biểu rõ; với dữ liệu, điều đó nghĩa là làm sạch dữ liệu và chạy phân tích khám phá sơ bộ (exploratory data analysis, EDA) để biết dữ liệu thực sự nói gì, có thiếu sót gì, từ đó chốt câu hỏi và giả thuyết. "Data collection" thuộc bước trước, khi nhóm còn đang tìm hiểu vấn đề và gom dữ liệu thô về. "Model training" thuộc các giai đoạn sau như Ideate và Prototype, khi đã có ý tưởng mô hình để thử. "Business opportunity identification" là việc của giai đoạn Empathize đầu tiên, khi nhóm tìm hiểu các bên liên quan để nhận ra cơ hội kinh doanh; nó là đầu vào cho Define chứ không phải việc diễn ra trong đó.

Đáp án đúng: "Kullback-Leibler divergence". KL divergence (độ phân kỳ Kullback-Leibler) đo mức khác nhau giữa hai phân phối xác suất, bằng 0 khi hai phân phối trùng nhau và càng lớn khi chúng càng lệch; trong vận hành mô hình nó thường được dùng để phát hiện trôi dữ liệu (data drift) giữa dữ liệu huấn luyện và dữ liệu mới. "Linear regression" mô hình hoá quan hệ tuyến tính giữa biến đầu vào và biến mục tiêu, không phải thước đo so sánh phân phối. "Decision trees" là mô hình dự đoán chia dữ liệu theo các luật rẽ nhánh. "Neural networks" là họ mô hình học hàm phức tạp; chúng có thể học phân phối nhưng bản thân không phải phương pháp so sánh hai phân phối.

Đáp án đúng: "True". Train-test split (chia tập huấn luyện và kiểm tra) giữ riêng một phần dữ liệu mô hình chưa từng thấy để đo hiệu năng một cách trung thực, còn cross-validation (kiểm định chéo) chia tập huấn luyện thành nhiều phần, lần lượt huấn luyện trên một số phần và đánh giá trên phần còn lại, cho ước lượng hiệu năng ổn định hơn và dùng để chọn siêu tham số mà không đụng tới tập kiểm tra. Kết hợp hai công cụ này giúp phát hiện overfitting (quá khớp) và đảm bảo mô hình được điều chỉnh phù hợp để tổng quát hoá cho dữ liệu chưa thấy, đúng như phát biểu. Chọn "False" là sai vì nếu chỉ đánh giá trên dữ liệu huấn luyện thì sai số sẽ lạc quan quá mức, mô hình có thể học thuộc dữ liệu mà vẫn trông rất tốt, và ta không có cách nào biết nó hoạt động ra sao khi triển khai.

Đáp án đúng: "To analyze and understand human language". Xử lý ngôn ngữ tự nhiên (NLP) là nhánh của AI giúp máy tính phân tích, hiểu và sinh ngôn ngữ con người ở dạng văn bản hoặc lời nói, với các bài toán như phân loại cảm xúc, nhận dạng thực thể, dịch máy, tóm tắt hay trả lời câu hỏi. "To create visual content" sai vì tạo hình ảnh thuộc thị giác máy tính và các mô hình sinh ảnh, dù một số hệ đa phương thức nhận mô tả bằng chữ làm đầu vào. "To develop hardware components" sai vì NLP là lĩnh vực thuật toán và mô hình, không thiết kế linh kiện phần cứng. "To manage databases" sai vì quản trị cơ sở dữ liệu là việc của các hệ quản trị như PostgreSQL hay MongoDB; NLP có thể giúp truy vấn bằng ngôn ngữ tự nhiên nhưng đó không phải mục đích chính của nó.

Đáp án đúng: "Reproducibility and communication". Trong doanh nghiệp, biểu đồ là công cụ truyền đạt phát hiện cho người ra quyết định và phải tạo lại được: mã vẽ được lưu thành script hay hàm, chạy lại trên dữ liệu mới cho cùng kết quả, để đồng nghiệp kiểm chứng và cập nhật báo cáo định kỳ. "Speed of execution" chỉ là yếu tố phụ; biểu đồ vẽ nhanh mà không tái tạo được hay khó hiểu thì vẫn không có giá trị. "Complexity of models" thuộc khâu mô hình hoá, không phải tiêu chí của trực quan hoá, và biểu đồ tốt thường càng đơn giản càng dễ đọc. "Use of advanced algorithms" cũng không phải trọng tâm: trực quan hoá trong khám phá dữ liệu chủ yếu dùng biểu đồ cơ bản như histogram, scatter plot, boxplot, miễn là chúng kể rõ câu chuyện của dữ liệu.

Đáp án đúng: "False". Thêm GPU hay tài nguyên tính toán chỉ rút ngắn được phần công việc có thể song song hóa. Theo định luật Amdahl, phần việc buộc phải chạy tuần tự, như nạp và tiền xử lý dữ liệu, đồng bộ trọng số giữa các thiết bị hay ghi checkpoint, đặt ra giới hạn dưới cho thời gian huấn luyện. Thêm nữa, càng nhiều GPU thì chi phí giao tiếp giữa chúng càng lớn, batch quá to có thể làm mô hình hội tụ kém đi, và nút thắt có thể chuyển sang băng thông đọc dữ liệu hoặc mạng. Vì vậy đến một mức nào đó thời gian huấn luyện gần như chững lại, thậm chí tăng lên. Phát biểu "True" sai ở chữ always: lợi ích của việc thêm tài nguyên giảm dần chứ không kéo dài mãi.

Đáp án đúng: "The amount of memory allocated to each executor". Trong Spark, driver là tiến trình điều phối chạy hàm main và lập kế hoạch công việc, còn executor là các tiến trình trên những nút làm việc thực thi task và giữ dữ liệu cache. Tùy chọn --executor-memory của spark-submit đặt lượng bộ nhớ heap cho mỗi executor, ví dụ 4g nghĩa là từng executor được 4 GB. "The amount of memory allocated to the driver" là vai trò của tùy chọn khác, --driver-memory. "The total memory for the Spark application" sai vì tổng bộ nhớ phụ thuộc vào số executor nhân với bộ nhớ mỗi executor cộng phần của driver, không có một tham số này đặt trọn. "The memory required for the script" sai vì Spark không cấp bộ nhớ theo tệp script; mã được phân tán ra các executor và bộ nhớ được cấp theo tiến trình.

Đáp án đúng: "Under-representing certain subgroups in the data". Sampling bias (sai lệch lấy mẫu) xảy ra khi mẫu không phản ánh đúng tổng thể, ví dụ một nhóm khách hàng hay nhóm nhân khẩu học bị lấy quá ít, khiến mô hình học sai hoặc kém công bằng với nhóm đó. "Using a larger dataset" không tự gây sai lệch; dữ liệu lớn còn giảm phương sai ước lượng, dù dữ liệu lớn mà lấy lệch vẫn lệch. "Increasing the number of features" có thể gây quá khớp hoặc lời nguyền số chiều, nhưng đó không phải sai lệch trong cách chọn mẫu. "Using cross-validation" là kỹ thuật đánh giá mô hình bằng cách chia dữ liệu nhiều lần, giúp ước lượng hiệu năng tin cậy hơn chứ không tạo ra sai lệch lấy mẫu.

Đáp án đúng: "Both A and B". Mất cân bằng lớp (class imbalance) là khi một lớp có ít mẫu hơn hẳn lớp khác, khiến mô hình thiên về lớp đông. Hai cách lấy mẫu lại phổ biến đều được dùng: over-sampling (tăng mẫu lớp thiểu số) và under-sampling (giảm mẫu lớp đa số), nên phương án gộp cả hai là đúng. "Over-sampling" đúng nhưng chưa đủ: nó nhân bản hoặc sinh mẫu tổng hợp cho lớp thiểu số, ví dụ SMOTE, nhưng chỉ là một trong hai kỹ thuật được hỏi. "Under-sampling" cũng đúng nhưng chưa đủ: nó bỏ bớt mẫu lớp đa số để cân bằng tỷ lệ, đổi lại có thể mất thông tin. Chọn riêng một trong hai là bỏ sót kỹ thuật còn lại cũng được dùng phổ biến. "None of the above" sai vì cả hai kỹ thuật đều thực sự được dùng để xử lý mất cân bằng lớp.

Đáp án đúng: "Automated deployments of software". Continuous Deployment (triển khai liên tục) là thực hành trong CI/CD mà mọi thay đổi mã vượt qua chuỗi kiểm thử tự động sẽ được đưa thẳng lên môi trường production mà không cần người bấm duyệt; nó đi xa hơn Continuous Delivery, nơi bản dựng luôn sẵn sàng phát hành nhưng bước đưa lên vẫn do con người quyết định. "Manual deployments of software" sai vì triển khai thủ công chính là điều triển khai liên tục muốn loại bỏ. "Merging changes infrequently" sai vì tinh thần CI/CD là gộp các thay đổi nhỏ thường xuyên để giảm xung đột và rủi ro. "Extensive testing before deployment" sai vì tuy kiểm thử là điều kiện cần, phương án này mô tả một giai đoạn kiểm thử nặng trước phát hành chứ không nêu đặc trưng cốt lõi là tự động hoá chính việc triển khai.

Đáp án đúng: "A different classifier is trained for each label.". Chiến lược one-vs-all (một-đấu-tất-cả, còn gọi one-vs-rest) biến bài toán K lớp thành K bài toán nhị phân: với mỗi nhãn, huấn luyện một bộ phân loại riêng tách lớp đó khỏi toàn bộ các lớp khác; khi dự đoán, chọn lớp có điểm hoặc xác suất cao nhất. Logistic regression hay SVM tuyến tính thường dùng cách này để làm việc với nhiều lớp. "A single classifier is trained for all classes." mô tả mô hình đa lớp gốc như softmax hay Naive Bayes, ngược với ý tưởng tách bài toán. "All classes are treated as one single class." làm mất hết thông tin phân biệt giữa các lớp, không còn gì để phân loại. "It is not applicable to multiclass classification." sai vì one-vs-all sinh ra chính là để đưa bộ phân loại nhị phân vào bài toán đa lớp.

Đáp án đúng: "Incorporating best practices into the workflow". Khóa học về quy trình AI trong vận hành không bắt người học tuân thủ cứng một mô hình quy trình nào, mà đưa các thực hành tốt (best practices) như kiểm thử, đóng gói bằng container, theo dõi mô hình và lặp lại có kiểm soát vào chính quy trình làm việc hằng ngày của nhóm. "Strict adherence to a specific process model" sai vì các mô hình như CRISP-DM chỉ được dùng làm khung tham khảo, có thể điều chỉnh theo dự án chứ không áp đặt cứng nhắc. "Learning only from data science literature" sai vì trọng tâm là thực hành trên dữ liệu và tình huống kinh doanh, không chỉ đọc tài liệu. "Avoiding any structured approach" đi ngược tinh thần khóa học, vốn đề cao làm việc có cấu trúc, có thể lặp lại và đo lường được.

Đáp án đúng: "Hardware availability". Tham số điều chỉnh được (tunable parameter, hay siêu tham số) của mạng nơ-ron là những lựa chọn thiết kế và huấn luyện mà người làm mô hình thay đổi để tìm cấu hình tốt nhất. Phần cứng sẵn có ảnh hưởng tới tốc độ và giới hạn kích thước mô hình, nhưng nó là ràng buộc của môi trường chứ không phải tham số của bản thân mạng, nên đây là đáp án của câu hỏi phủ định. Các nhóm còn lại đều là siêu tham số thật nên không được chọn: "Activation functions: sigmoid, tanh, softmax, ReLU, leaky ReLU" là lựa chọn hàm kích hoạt quyết định tính phi tuyến của từng lớp; "Regularization techniques: weight decay, early stopping, dropout" là các cách chống quá khớp có thể bật tắt và chỉnh cường độ; "Training method: Loss function, learning rate, batch size, number of epochs" quyết định mô hình được tối ưu ra sao; "Structure: the number of hidden layers, the number of nodes in each layer" quyết định độ sâu và độ rộng, tức sức chứa của mạng.

Đáp án đúng: "To create summaries and visualizations of the data". Exploratory Data Analysis (phân tích khám phá dữ liệu) là bước dùng thống kê mô tả và biểu đồ để hiểu phân phối, mối quan hệ giữa các biến, giá trị ngoại lai và vấn đề chất lượng dữ liệu, từ đó định hướng giả thuyết và mô hình. "To clean the data" là việc làm sạch dữ liệu; EDA có thể phát hiện chỗ cần làm sạch, nhưng mục đích của nó là hiểu dữ liệu. "To build predictive models" thuộc bước mô hình hoá diễn ra sau EDA. "To gather raw data" là bước thu thập dữ liệu (data ingestion), phải có dữ liệu rồi mới khám phá được.

Đáp án đúng: "regularized gradient decent". Gradient descent (hạ gradient) cập nhật tham số ngược hướng gradient của hàm mất mát, và các biến thể được phân biệt theo lượng dữ liệu dùng cho mỗi lần cập nhật; regularization (chính quy hoá) là việc thêm số hạng phạt vào hàm mất mát, không phải một biến thể của thuật toán tối ưu, nên không nằm trong các biến thể đã học. "batch gradient descent" là biến thể đã học: tính gradient trên toàn bộ tập huấn luyện trước mỗi bước cập nhật. "mini-batch gradient descent" cũng đã học: mỗi bước dùng một lô nhỏ mẫu, cân bằng giữa tốc độ và độ ổn định. "stochastic gradient descent" đã học: cập nhật sau từng mẫu đơn lẻ, nhanh nhưng dao động. "gradient descent applied to regression" là ứng dụng đã học: dùng thuật toán để tìm hệ số hồi quy tối thiểu hoá sai số bình phương. Vì câu hỏi tìm cái không thuộc nhóm, đáp án là biến thể có chính quy hoá.

Đáp án đúng: "True". Mạng nơ-ron tích chập (CNN) điển hình xếp chồng các lớp convolutional (tích chập) dùng bộ lọc trượt để trích đặc trưng cục bộ như cạnh, góc, kết cấu; xen giữa là các lớp pooling (gộp) như max pooling để giảm kích thước không gian và tăng tính bất biến với dịch chuyển nhỏ; cuối cùng bản đồ đặc trưng được làm phẳng rồi đưa qua các lớp dense (kết nối đầy đủ) để phân loại, thường kết thúc bằng softmax. Các kiến trúc kinh điển như LeNet hay VGG đều theo khuôn này. "False" sai vì phát biểu mô tả đúng cấu trúc phổ biến; tuy có những biến thể hiện đại thay pooling bằng tích chập bước lớn hoặc thay lớp dense bằng global average pooling, đó là biến thể chứ không làm phát biểu về một mạng điển hình trở nên sai.

Đáp án đúng: "On a machine you trust in a secure file". API key và thông tin nhạy cảm như mật khẩu, token là chìa khoá truy cập dịch vụ: ai có nó thì dùng được tài nguyên và phát sinh chi phí dưới tên bạn. Cách làm đúng là để chúng trong một tệp riêng trên máy tin cậy, giới hạn quyền đọc, không đưa vào mã nguồn hay kho git, rồi để mã đọc vào dưới dạng biến. "In a publicly accessible file" khiến bất kỳ ai cũng lấy được khoá. "In a shared document" làm khoá lan tới nhiều người ngoài phạm vi cần thiết, khó thu hồi và không biết ai đã dùng. "In the cloud without encryption" để khoá ở dạng văn bản rõ trên hạ tầng bên ngoài, chỉ một lỗi cấu hình quyền là lộ; lưu trên đám mây chỉ ổn khi dùng kho bí mật có mã hoá và kiểm soát truy cập.

Đáp án đúng: "Each sample is assigned to only one label.". Multiclass classification (phân loại đa lớp) là bài toán có từ ba lớp trở lên nhưng mỗi mẫu chỉ thuộc đúng một lớp, ví dụ phân loại ảnh chữ số viết tay vào một trong mười chữ số. "Each sample can have multiple labels." mô tả multi-label classification (phân loại đa nhãn), nơi một mẫu được gắn nhiều nhãn cùng lúc, như một bài báo vừa thuộc chủ đề kinh tế vừa thuộc chủ đề công nghệ. "It is limited to two classes only." là định nghĩa của binary classification (phân loại nhị phân), trường hợp đặc biệt chỉ có hai lớp. "It does not require any evaluation metrics." sai, vì mô hình đa lớp vẫn phải được đánh giá bằng accuracy, ma trận nhầm lẫn hoặc precision, recall, F1 tính theo từng lớp rồi lấy trung bình macro hay micro.

Đáp án đúng: "Kubelet". Kubelet là tác tử chạy trên từng worker node (nút làm việc): nó nhận đặc tả pod từ control plane, khởi chạy container qua container runtime, chạy các probe kiểm tra sức khỏe như liveness và readiness, khởi động lại container hỏng và báo trạng thái node về cụm. Vì vậy đây là thành phần trực tiếp giữ cho ứng dụng trên node khỏe và đang chạy. "Kubernetes Master" là tên cũ của control plane, nơi ra quyết định toàn cụm như lập lịch, nhưng nó không trực tiếp trông từng container trên node. "API Server" là cổng giao tiếp trung tâm nhận và lưu yêu cầu thay đổi trạng thái cụm, không trực tiếp canh từng container ở node. "Deployment" là đối tượng khai báo số bản sao và cách cập nhật pod; nó mô tả trạng thái mong muốn ở mức cụm, còn việc thực thi trên node vẫn do kubelet làm.

Đáp án đúng: "A 2-sample unequal variances t-test". Giả thuyết so sánh tuổi trung bình của hai nhóm người dùng độc lập, nên cần kiểm định t hai mẫu; vì không có lý do để giả định hai nhóm có cùng phương sai, kiểm định Welch (two-sample t-test không giả định phương sai bằng nhau) là lựa chọn an toàn và phù hợp nhất. "A 1-sample t-test" chỉ so trung bình một nhóm với một giá trị cố định, không so hai nhóm. "A 2-sample t-test assuming equal variance" cũng so hai nhóm nhưng thêm giả định phương sai bằng nhau, giả định không được kiểm chứng ở đây. "Z-Test with continuity correction" dùng cho tỷ lệ hoặc dữ liệu đếm xấp xỉ chuẩn, không phải trung bình của biến liên tục với mẫu nhỏ. "Binomial Test" dành cho biến nhị phân (thành công hay thất bại), không áp dụng cho tuổi.