Qiz HUBQizHUBQUESTION LIBRARY PLATFORM
Bỏ quảng cáoLuyện đề ngay
Đăng nhập
AID301cChưa đo Cập nhật 23 giờ trước

AID301c - Thiết kế sản phẩm TTNT

AID301c - Thiết kế sản phẩm TTNT là môn 3 tín chỉ bậc cử nhân của Đại học FPT, học sau SWE201c và AIL303m. Môn xử lý khoảng cách giữa một mô hình chạy tốt trong sổ tay thử nghiệm và một sản phẩm trí tuệ nhân tạo mà doanh nghiệp dùng được mỗi ngày. Nhiều dự án AI không hỏng ở thuật toán: chúng hỏng vì bài toán kinh doanh đặt mơ hồ, vì dữ liệu đổ vào không ổn định, hoặc vì mô hình lặng lẽ xuống cấp sau khi lên hệ thống thật mà không ai hay. Do đó việc làm AI được xem như một vòng khép kín, mở bằng câu hỏi kinh doanh và đóng bằng dữ liệu vận hành quay về chất vấn chính câu hỏi ấy. Đầu cuối của vòng là phần dễ bị xem nhẹ: giám sát mô hình đang chạy, nhận ra độ trôi của dữ liệu đầu vào và của chất lượng dự đoán, rồi dựng vòng phản hồi để biết lúc nào phải huấn luyện lại. Ở đầu kia, ưu tiên kinh doanh được dịch thành giả thuyết đo được, và dữ liệu từ nhiều nguồn rời rạc được gom qua đường ống thu nhận chạy lặp lại thay vì nhặt tay một lần. Chặng chuẩn bị dữ liệu đi qua biến đổi và tạo đặc trưng, việc soát thiên lệch trong dữ liệu lẫn trong kết quả mô hình, và trước đó là phân tích khám phá kèm kiểm định giả thuyết thống kê để tách khác biệt có thật khỏi nhiễu. Ở khâu triển khai, mô hình trở thành dịch vụ: đóng gói trong container Docker, xử lý dữ liệu lớn bằng Apache Spark, chạy và mở rộng trên cụm Kubernetes. Ở khâu mô hình, trọng tâm là chọn thước đo đánh giá khớp với cái giá của từng loại sai, so học máy truyền thống với học sâu, và hai lớp ứng dụng riêng là nhận dạng hình ảnh với xử lý ngôn ngữ tự nhiên. Học xong, người học dựng được một dịch vụ dự đoán có giám sát đủ để bàn giao cho người vận hành, biện hộ được cho lựa chọn mô hình bằng thước đo gắn với thiệt hại thật thay vì một con số chính xác chung chung, và trước cả hai việc đó, đọc được một yêu cầu kinh doanh để chỉ ra dữ liệu nào còn thiếu trước khi viết dòng mã đầu tiên. Môn cũng rèn thói quen nghi ngờ kết quả của chính mình: một mô hình đạt điểm cao trên tập kiểm tra vẫn có thể sai có hệ thống với một nhóm khách hàng, hoặc mất giá trị sau vài tháng khi hành vi người dùng đổi, và phải có số đo liên tục mới thấy được điều đó.

134Câu hỏi
3Bộ đề
6Chủ đề

Câu hỏi của môn

124/134 câuCòn 10
105AAVAIL Management has described their needs to you in the language of business. How would you describe this project in the language of Data Science?6 lựa chọn
ARecommender system
BA/B Testing
CDimensionality Reduction
DRegression Analysis
EUnsupervised Learning
FClassification Analysis
Lời giải
Đáp án đúng: "Recommender system". Trong tình huống AAVAIL, nhu cầu ban quản lý mô tả bằng ngôn ngữ kinh doanh được diễn đạt lại thành bài toán gợi ý: dựa vào hành vi và sở thích của người dùng để đưa ra nội dung hay sản phẩm phù hợp với từng người, đó là recommender system (hệ gợi ý). "A/B Testing" là phương pháp thí nghiệm để so hai phương án, dùng để đánh giá giải pháp chứ không mô tả bản chất bài toán. "Dimensionality Reduction" là kỹ thuật giảm số chiều dữ liệu, chỉ là bước hỗ trợ. "Regression Analysis" dự đoán một giá trị liên tục như doanh thu, không phải điều dự án cần. "Unsupervised Learning" là cả một họ phương pháp quá rộng để gọi tên dự án. "Classification Analysis" gán nhãn rời rạc cho từng đối tượng, hợp với bài toán như dự đoán khách rời bỏ, nhưng không phản ánh mục tiêu gợi ý cho người dùng.
Mở trang câu hỏi này →
106Which of the following are three services provided by IBM Watson OpenScale?4 lựa chọn
AAutomatic CSS-HTML Generation, Hyerparameter Tuning, Performance Metrics
BCompliance, Cross Regional Availabilty, Automatic Backup
CDrift Monitoring, Fairness, Explainability
DGeneral Artificial Intelligence, Time Travel, World Domination
Lời giải
Đáp án đúng: "Drift Monitoring, Fairness, Explainability". IBM Watson OpenScale là nền tảng giám sát mô hình AI sau khi triển khai, với ba năng lực cốt lõi: theo dõi drift (độ trôi, khi dữ liệu hay độ chính xác thay đổi so với lúc huấn luyện), kiểm tra fairness (tính công bằng, phát hiện thiên lệch với các nhóm như giới tính hay độ tuổi) và explainability (khả năng giải thích từng dự đoán). "Automatic CSS-HTML Generation, Hyerparameter Tuning, Performance Metrics" sai vì sinh mã giao diện web không liên quan, còn tinh chỉnh siêu tham số là việc của giai đoạn huấn luyện chứ không phải giám sát. "Compliance, Cross Regional Availabilty, Automatic Backup" nghe giống tính năng vận hành hạ tầng đám mây như sao lưu hay sẵn sàng đa vùng, không phải chức năng giám sát mô hình. "General Artificial Intelligence, Time Travel, World Domination" là các mục đùa, không có sản phẩm nào cung cấp.
Mở trang câu hỏi này →
107What happens if a pod fails in a Kubernetes deployment?4 lựa chọn
AThe deployment is deleted
BA new pod is created to replace it
CThe application stops running
DThe kubelet is notified
Lời giải
Đáp án đúng: "A new pod is created to replace it". Deployment trong Kubernetes khai báo trạng thái mong muốn, chẳng hạn ba bản sao của một ứng dụng. Nó quản lý một ReplicaSet, và bộ điều khiển này liên tục so số pod đang chạy với số mong muốn; khi một pod hỏng hay bị xóa, ReplicaSet tạo pod mới thay thế, cơ chế này gọi là self-healing (tự phục hồi). "The deployment is deleted" sai, vì sự cố của một pod không xóa đối tượng Deployment. "The application stops running" sai, vì các bản sao khác vẫn phục vụ và pod thay thế sẽ được bổ sung. "The kubelet is notified" không phải hệ quả đặc trưng: kubelet là tác tử trên từng node, trực tiếp chạy và khởi động lại container, chứ không phải nơi nhận thông báo và quyết định thay pod.
Mở trang câu hỏi này →
108In the context of topic modeling, what does the bag-of-words representation refer to?4 lựa chọn
AA method of visualizing data in three dimensions.
BA technique for organizing documents based on their length.
CA way of representing text data by counting the frequency of words.
DA model that predicts the next word in a sentence.
Lời giải
Đáp án đúng: "A way of representing text data by counting the frequency of words.". Bag-of-words (túi từ) biểu diễn mỗi văn bản thành một vectơ đếm số lần mỗi từ trong bộ từ vựng xuất hiện, bỏ qua thứ tự và ngữ pháp; ma trận văn bản và từ này là đầu vào cho các mô hình chủ đề như LDA hay NMF, vốn tìm các nhóm từ thường đi cùng nhau. "A method of visualizing data in three dimensions." nhầm với trực quan hoá, trong khi túi từ là cách mã hoá dữ liệu văn bản. "A technique for organizing documents based on their length." sai vì độ dài không phải nội dung của biểu diễn, dù tổng số đếm có phản ánh độ dài. "A model that predicts the next word in a sentence." mô tả mô hình ngôn ngữ, vốn cần đúng thứ tự từ, trong khi túi từ cố ý bỏ qua thứ tự.
Mở trang câu hỏi này →
109Which of the following is NOT a type of interface in scikit-learn?4 lựa chọn
ATransformer interface
BEstimator interface
CPredictor interface
DClassifier interface
Lời giải
Đáp án đúng: "Classifier interface". Đây là câu phủ định: scikit-learn thiết kế API quanh ba giao diện chính là Estimator (có fit để học từ dữ liệu), Predictor (có predict và thường kèm score) và Transformer (có transform cùng fit_transform); các bộ phân loại như LogisticRegression chỉ là đối tượng vừa là estimator vừa là predictor, chứ thư viện không định nghĩa một giao diện riêng mang tên Classifier. "Transformer interface" là giao diện thật nên không chọn, dùng cho các bước tiền xử lý như StandardScaler hay PCA. "Estimator interface" là giao diện thật, nền của mọi đối tượng học được bằng fit, kể cả mô hình lẫn bộ tiền xử lý. "Predictor interface" là giao diện thật, cho phép mô hình đã huấn luyện sinh dự đoán trên dữ liệu mới bằng predict.
Mở trang câu hỏi này →
110What is the primary focus of the F1 Score?4 lựa chọn
ATrue negatives.
BFalse positives.
CTrue positives and false negatives.
DTrue positives and false positives.
Lời giải
Đáp án đúng: "True positives and false negatives.". F1 Score là trung bình điều hoà của precision và recall, chỉ xoay quanh lớp dương và hoàn toàn bỏ qua true negative; nó được dùng khi dữ liệu mất cân bằng và điều quan trọng là bắt được các ca dương thật, nên trọng tâm nằm ở việc tăng true positive và hạn chế false negative, tức bỏ sót ca dương mà accuracy dễ che giấu. Phương án "True negatives." sai vì true negative không xuất hiện trong công thức F1; đây chính là điểm khác F1 với accuracy. Phương án "False positives." sai vì chỉ nêu một loại lỗi đơn lẻ, trong khi F1 trước hết đo mức bắt đúng ca dương. Phương án "True positives and false positives." chỉ mô tả precision, một thành phần của F1; nó phù hợp khi điều cần lo là báo động giả, còn câu hỏi hướng tới trọng tâm là không bỏ sót ca dương mà F1 được dùng để bảo vệ.
Mở trang câu hỏi này →
111Your company is convinced it is time to change the nature of your companies core product and management has come to ask your advise. Which question DOES NOT exemplify scientific thinking in this situation?4 lựa chọn
ADo we have any data like a corpus of customer feedback to support this decision?
BCan we run an experiment like A/B testing to see if it helps support this decision?
CWhich members of leadership support this decision?
DHave any other companies been successful making a comparable change?
Lời giải
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.
Mở trang câu hỏi này →
112Which of the following is NOT true about Python?5 lựa chọn
APython code can run in IPython and Jupyter notebooks
BPython allows for the inclusion of comments and pseudocode to better organize code
CUsers can save .py files with an editor then subsequently execute them from the command line
DBase Python automatically parallelizes processing across cores when multiple cores are available
EPython allows users to save multiple functions in a .py file then import those functions in a different file
Lời giải
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.
Mở trang câu hỏi này →
113If you were to munge the data into a pandas.DataFrame which of the following would describe a reasonable goal for the cleaning process?4 lựa chọn
Acustomer on the rows and items like total_sales, name, most_bought on the columns
Bdaily revenue on the rows items like customer_name and total on the columns
Ctransactions on the rows and items like customer_name and item_id on the columns
DNone of the correct answer
Lời giải
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.
Mở trang câu hỏi này →
114Gaussian distribution The Gaussian or Normal distribution is use heavily throughout statistics and data science. Lets assume scores for this assessment have a mean of 50% and a standard deviation of 20%. Represent these data with a Normal distribution What is the probability of observing a score >= 80? Use 50.0, 20.0, and 80 for your input values4 lựa chọncó code
Đề bài
import scipy.stats as stats

def gaussian_distribution(loc_val, scale_val, cdf_val):
    '''
    INPUT: loc (mean of the distribution), scale (standard deviation of the distribution), and cdf values
    OUTPUT: determined probability
    '''

    //Code here?
    return probability
Aprobability = 1 - stats.norm.cdf(cdf_val, loc=loc_val, scale=scale_val)
Bprobability = stats.norm.cdf(cdf_val, loc=loc_val, scale=scale_val)
Cprobability = 1 - stats.cdf(cdf_val, loc=loc_val, scale=scale_val)
Dprobability = 1 - stats.norm(cdf_val, loc=loc_val, scale=scale_val)
Lời giải
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.
Mở trang câu hỏi này →
115What is a key advantage of using NoSQL databases?4 lựa chọn
AThey impose a strict schema on data
BThey handle messy data better than relational databases
CThey are only suitable for small datasets
DThey require complex SQL queries
Lời giải
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.
Mở trang câu hỏi này →
116What percentage of a data scientist's time can be spent on data cleaning?4 lựa chọn
A10%
B30%
C60%
D90%
Lời giải
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.
Mở trang câu hỏi này →
117Though the emphasis may change, which two elements are both essential and common to all three process models we talked about?4 lựa chọn
Aprediction, recommendation
Bdata mining, data cleaning
Cresolve the business question, feedback loops
Dtesting, model deployment
Lời giải
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.
Mở trang câu hỏi này →
118In the OSEMN framework, what does the "S" stand for?4 lựa chọn
AScrubbing
BSampling
CStructuring
DStoring
Lời giải
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.
Mở trang câu hỏi này →
119Which tool can help you scale your analysis with such massive data sources ?5 lựa chọn
ADask
BCSV application
CVisual Studio Code
DDatabase
EPycharm
Lời giải
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.
Mở trang câu hỏi này →
120Which of the following model is not an example of an ensemble approach to learning?5 lựa chọn
ADecision tree
BRandom forest
CBoosting
DModel stacking
EGradient boosting
Lời giải
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.
Mở trang câu hỏi này →
121The Watson Visual Recognition service can only be accessed using an API key via Python or curl.2 lựa chọn
ATrue
BFalse
Lời giải
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.
Mở trang câu hỏi này →
122What does RMSE stand for?4 lựa chọn
ARoot Mean Square Error
BRelative Mean Squared Error
CRandom Mean Square Evaluation
DRoot Mean Squared Evaluation
Lời giải
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.
Mở trang câu hỏi này →
123In supervised learning, what is the term for the process of adjusting model parameters based on training data?4 lựa chọn
ALearning
BEstimation
CModel Fitting
DLabeling
Lời giải
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.
Mở trang câu hỏi này →
124A simple CNN that runs on all ten classes and uses all of the data obtains approximately what level of accuracy?5 lựa chọn
A62-77%
B78-83%
C84-89%
D90-94%
E95-99%
Lời giải
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.
Mở trang câu hỏi này →
Tin cậyĐiều khoảnBảo mậtCookieQuảng cáoThanh toánBiên tậpBản quyềnLiên hệ