Câu hỏi: AID301c Thiết kế sản phẩm TTNT – Bộ ôn tập thi lại số 1

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: "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: "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: "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: "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: "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: "Use the Shuffle and split form of cross-validation". Thời gian grid search (dò lưới siêu tham số) phụ thuộc vào số tổ hợp tham số, số lần chia kiểm định chéo và kích thước dữ liệu mỗi lần huấn luyện. ShuffleSplit chỉ đổi cách xáo trộn và chia tập huấn luyện với tập kiểm định, không giảm số đặc trưng, số mẫu hay số tổ hợp, nên ít khả năng tăng tốc nhất. "In your pipeline use variance thresholding to limit the number of features" bỏ các đặc trưng gần như không đổi, giảm chi phí tính toán. "Use a randomized grid search form of cross validation" chỉ thử một số tổ hợp ngẫu nhiên thay vì toàn bộ lưới nên nhanh hơn rõ rệt. "Randomly subset the data" huấn luyện trên ít mẫu hơn nên mỗi lần khớp mô hình rẻ hơn. "Use PCA to reduce the dimensionality of the data before training" nén dữ liệu xuống ít chiều hơn, giảm thời gian huấn luyện trên dữ liệu nhiều đặc trưng.

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: "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: "Average Score (AS)". Confusion matrix (ma trận nhầm lẫn) của bài toán phân loại nhị phân là bảng 2x2 đối chiếu nhãn thật với nhãn dự đoán, gồm đúng bốn ô; từ bốn ô này mới tính ra các chỉ số như accuracy, precision, recall. "Average Score (AS)" không phải một ô của ma trận, cũng không phải thuật ngữ chuẩn nào gắn với nó, nên là đáp án của câu hỏi phủ định. Ba ô còn lại đều là thành phần thật nên không được chọn: "True Negatives (TN)" là số mẫu âm được dự đoán đúng là âm; "False Positives (FP)" là số mẫu âm bị dự đoán nhầm thành dương, còn gọi là lỗi loại I; "True Positives (TP)" là số mẫu dương được dự đoán đúng là dương; "False Negatives (FN)" là số mẫu dương bị bỏ sót, dự đoán nhầm thành âm, tức lỗi loại II.

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: "To summarize model performance". Hàm classification_report trong sklearn.metrics nhận nhãn thật và nhãn dự đoán rồi in bảng tóm tắt hiệu năng phân loại theo từng lớp: precision (độ chính xác của các dự đoán dương), recall (độ phủ, tỉ lệ ca dương thật được bắt), f1-score (trung bình điều hoà của hai chỉ số trên) và support (số mẫu thật của lớp), kèm các dòng accuracy, macro avg và weighted avg. "To visualize data" sai vì hàm chỉ trả về văn bản hoặc dict số liệu, không vẽ biểu đồ nào; muốn trực quan hoá dữ liệu phải dùng matplotlib hay seaborn. "To preprocess data" sai vì tiền xử lý là việc của các transformer như StandardScaler hay OneHotEncoder, diễn ra trước khi huấn luyện chứ không phải sau khi đã có dự đoán. "To train a model" sai vì huấn luyện là lời gọi fit của estimator; classification_report chỉ dùng sau đó để đánh giá mô hình đã huấn luyện.

Đáp án đúng: "Naive Bayes". Naive Bayes dùng định lý Bayes với giả định các đặc trưng độc lập có điều kiện để tính xác suất hậu nghiệm P(lớp | đặc trưng) cho từng lớp rồi chọn lớp có xác suất lớn nhất, nên nó xử lý tự nhiên bất kỳ số lớp nào mà không cần chiến lược one-vs-rest (một-đấu-phần-còn-lại). "Linear Regression" là mô hình hồi quy dự đoán giá trị liên tục, không phải bộ phân loại. "K-Means Clustering" là thuật toán phân cụm không giám sát, không học từ nhãn lớp nên không phải bộ phân loại đa lớp. "Decision Trees (in binary mode)" tự giới hạn ở chế độ nhị phân; cây quyết định thông thường vẫn phân loại được nhiều lớp, nhưng mô tả gắn với chế độ nhị phân này không phải ví dụ của một bộ phân loại vốn được thiết kế cho đa lớp như câu hỏi yêu cầu.

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: "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: "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: "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: "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: "If the teams are well-optimized based on historical sales data". Trong quy trình AI, việc đầu tiên là hiểu câu hỏi kinh doanh mà người ra quyết định thật sự quan tâm. Với ban quản lý, khi số liệu bán hàng được công bố, mối bận tâm là liệu cách bố trí và vận hành các đội bán hàng đã tối ưu chưa khi đối chiếu với lịch sử doanh số, vì đó là câu hỏi dẫn tới hành động như phân bổ lại nguồn lực. "The number of products sold" chỉ là một con số mô tả có sẵn trong chính dữ liệu được công bố, nó là đầu vào chứ không phải điều cần kết luận. "The marketing budget for each team" là thông tin quản trị nội bộ mà ban quản lý vốn đã nắm, không phải điều họ chờ dữ liệu bán hàng trả lời. "The demographics of the customers" có thể hữu ích cho phân khúc thị trường, nhưng nó không trả lời câu hỏi về hiệu quả của các đội mà ban quản lý cần biết.

Đáp án đúng: "Null Hypothesis Significance Testing (NHST)". NHST (kiểm định ý nghĩa thống kê với giả thuyết không) là quy trình ra quyết định: giả định giả thuyết không đúng rồi tính p-value để bác bỏ hay không bác bỏ nó, chứ không phải phương pháp tính ước lượng tham số. Các phương án còn trong danh sách đều là cách tính ước lượng nên không được chọn. "Maximum Likelihood Estimation (MLE)" tìm giá trị tham số làm hàm hợp lý (likelihood) của dữ liệu đạt cực đại. "Markov Chain Monte Carlo (MCMC)" lấy mẫu từ phân phối hậu nghiệm trong suy luận Bayes, từ đó ước lượng tham số và khoảng tin cậy. "Expectation Maximization (EM)" là thuật toán lặp tìm ước lượng hợp lý cực đại khi có biến ẩn hoặc dữ liệu thiếu, ví dụ ước lượng tham số mô hình hỗn hợp Gauss. "Simulation via Permutations" dùng hoán vị và lấy mẫu lại để mô phỏng phân phối của một thống kê, từ đó xấp xỉ giá trị và độ bất định của nó mà không cần công thức giải tích.