Trắc nghiệm Tin học 12 Bài 1: Giới thiệu về học máy - Cánh diều

Đáp án: A

Giải thích: Học máy giúp máy tính học từ dữ liệu để tự động phát hiện mối quan hệ và mẫu trong dữ liệu, điều này làm nổi bật khả năng học từ dữ liệu mà không cần lập trình chi tiết.

Đáp án: C

Giải thích: Bước đầu tiên trong quy trình học máy là thu thập dữ liệu từ nhiều nguồn khác nhau để có dữ liệu thô cần thiết cho các bước tiếp theo.

Đáp án: A

Giải thích: Mô hình học máy được tạo ra từ thuật toán học máy và được huấn luyện bằng dữ liệu huấn luyện.

Đáp án: A

Giải thích: Trong học có giám sát, dữ liệu huấn luyện bao gồm các mẫu dữ liệu có nhãn đầu ra tương ứng, giúp máy tính học cách dự đoán nhãn cho dữ liệu mới.

Đáp án: A

Giải thích: Phân loại thư rác là một ví dụ điển hình của bài toán phân loại, nơi các email được gán nhãn "spam" hoặc "no spam" dựa trên các thuộc tính đặc trưng của chúng.

Đáp án: A

Giải thích: Trong bài toán phân cụm, dữ liệu huấn luyện không có nhãn và chỉ chứa các thuộc tính đặc trưng của đối tượng để nhóm các mẫu dữ liệu thành các cụm dựa trên sự tương tự.

Đáp án: A

Giải thích: Phân cụm dữ liệu khách hàng thuộc học không giám sát, nơi dữ liệu không có nhãn và các mẫu được nhóm lại dựa trên sự tương tự giữa các thuộc tính của chúng.

Đáp án: A

Giải thích: Chuyển đổi chữ viết tay thành văn bản là một ứng dụng của nhận dạng chữ viết, không phải của nhận dạng tiếng nói.

Đáp án: A

Giải thích: Học máy có thể phân tích triệu chứng và kết quả xét nghiệm để hỗ trợ bác sĩ trong việc chẩn đoán bệnh nhanh chóng và chính xác hơn.

Đáp án: A

Giải thích: Phân tích thị trường sử dụng học máy để phân cụm dữ liệu khách hàng, giúp doanh nghiệp xây dựng chiến lược tiếp thị hiệu quả, tăng doanh số và nâng cao hiệu quả kinh doanh.

a) Đúng – Học máy giúp máy tính phát hiện mối quan hệ trong dữ liệu một cách tự động bằng cách sử dụng các thuật toán học máy.

b) Đúng – Bài toán phân loại là một ví dụ của học máy có giám sát, nơi máy tính học cách phân loại dữ liệu dựa trên các nhãn đã biết.

c) Sai – Quy trình học máy bắt đầu bằng việc thu thập và chuẩn bị dữ liệu trước khi xây dựng và đánh giá mô hình.

d) Sai – Học không giám sát được sử dụng cho các bài toán phân cụm, không yêu cầu dữ liệu có nhãn. Phân loại yêu cầu dữ liệu có nhãn.

a) Đúng – Mô hình phân loại có thể được sử dụng để phân loại email thành "spam" hoặc "không spam" dựa trên thuộc tính đặc trưng của email.

b) Đúng – Trong bài toán phân cụm, dữ liệu không có nhãn và thuật toán học không giám sát nhóm các mẫu dữ liệu thành các cụm dựa trên sự tương tự.

c) Sai – Học không giám sát không yêu cầu dữ liệu có nhãn. Phân cụm là một bài toán học không giám sát.

d) Đúng – Ứng dụng nhận dạng chữ viết tay có thể bao gồm chế độ tĩnh (offline) để phân tích hình ảnh chữ viết tay và chế độ động (online) để phân tích chữ viết trong thời gian thực.

Đáp án: Học máy là nhánh của trí tuệ nhân tạo (AI) giúp máy tính học từ dữ liệu để tự động phát hiện mối quan hệ trong dữ liệu.

Giải thích: Học máy cho phép máy tính học và cải thiện từ dữ liệu mà không cần lập trình cụ thể cho từng nhiệm vụ. Nó phân tích dữ liệu đầu vào để tìm ra các mẫu và mối quan hệ, giúp máy tính tự động đưa ra dự đoán hoặc quyết định dựa trên dữ liệu mới.

Đáp án: Quy trình học máy bao gồm các bước chính: thu thập dữ liệu, chuẩn bị dữ liệu, xây dựng mô hình, đánh giá mô hình, và triển khai ứng dụng mô hình.

Giải thích:

Thu thập dữ liệu: Lựa chọn và thu thập dữ liệu phù hợp từ các nguồn khác nhau.

Chuẩn bị dữ liệu: Làm sạch, xử lý và chuẩn bị dữ liệu cho quá trình huấn luyện.

Xây dựng mô hình: Chọn thuật toán học máy và huấn luyện mô hình với dữ liệu đã chuẩn bị.

Đánh giá mô hình: Kiểm tra mô hình với dữ liệu chưa thấy và so sánh kết quả với tiêu chí đánh giá.

Triển khai ứng dụng mô hình: Sử dụng mô hình đã huấn luyện để giải quyết các bài toán thực tế.

Đáp án: Sự khác biệt chính là: học có giám sát sử dụng dữ liệu có nhãn, trong khi học không giám sát sử dụng dữ liệu không có nhãn.

Giải thích:

Học có giám sát: Dữ liệu huấn luyện bao gồm các mẫu dữ liệu đã được gán nhãn đầu ra. Mục tiêu là học mối quan hệ giữa đầu vào và nhãn để dự đoán nhãn cho dữ liệu mới.

Học không giám sát: Dữ liệu huấn luyện không có nhãn. Mục tiêu là tìm cấu trúc hoặc mẫu trong dữ liệu, như phân nhóm dữ liệu thành các cụm mà không cần nhãn trước đó.