Tài liệu ôn tập Nhập môn trí tuệ nhân tạo (AI) - Câu hỏi và khái niệm cơ bản. Môn Nhập môn AI | Đại học Trường Đại học Phenika.

lOMoAR cPSD| 59561309
1-10: Câu hỏi về khái niệm và lịch sử AI
1. Trí tuệ nhân tạo (AI) là gì?
○ A) Lập trình trò chơi
○ B) Khả năng học tập và ra quyết định của máy móc
○ C) Mạng lưới máy tính ○ D) Công nghệ truyền thông
2. AI ra đời vào năm nào? ○ A) 1950 ○ B) 1956 ○ C) 1969 ○ D) 1973
3. Người đã đưa ra khái niệm về AI là ai? ○ A) Alan Turing ○ B) John McCarthy ○ C) Marvin Minsky ○ D) Claude Shannon
4. Máy nào đã đánh bại Garry Kasparov trong cờ vua vào năm 1997? ○ A) Watson ○ B) AlphaGo ○ C) Deep Blue ○ D) Siri
5. "Turing Test" được sử dụng để làm gì?
○ A) Kiểm tra khả năng học của máy tính
○ B) Kiểm tra xem máy có thể suy nghĩ như con người không
○ C) Kiểm tra tốc độ xử lý của máy ○ D)
Kiểm tra khả năng giải quyết bài toán
6. AI yếu (Narrow AI) là gì?
○ A) AI chỉ có thể làm một nhiệm vụ cụ thể
○ B) AI có thể thay thế con người trong mọi công việc ○ C) AI có ý thức ○
D) AI có thể tự học 7. AI mạnh (General AI) là gì?
○ A) AI có thể học mọi thứ như con người
○ B) AI chỉ giải quyết được một nhiệm vụ
○ C) AI không thể tự học ○ D)
AI chỉ dành cho trò chơi điện tử
8. Alan Turing là ai trong lịch sử AI?
○ A) Người phát minh ra máy tính hiện đại
○ B) Người sáng tạo ra khái niệm AI
○ C) Người phát minh ra điện toán lượng tử
○ D) Người phát minh ra phần mềm học máy
9. AI có thể áp dụng vào lĩnh vực nào sau đây? ○ A) Y tế ○ B) Ô tô tự lái ○ C) Giáo dục
○ D) Tất cả các đáp án trên lOMoAR cPSD| 59561309
10. Khái niệm "Machine Learning" liên quan đến AI như thế nào?
● A) Một lĩnh vực con của AI
● B) Một hệ thống mạng máy tính
● C) Một loại phần mềm điều khiển robot
● D) Một dạng hệ điều hành
11-20: Tổng quan về Machine Learning và phân loại 1. Machine Learning là gì?
○ A) Khả năng của máy móc để thực hiện các nhiệm vụ một cách tự động mà
không cần sự can thiệp của con người
○ B) Khả năng của máy móc để học và cải thiện hiệu suất thông qua dữ liệu
○ C) Một hệ thống tìm kiếm thông tin
○ D) Phần mềm kiểm tra lỗi
2. Trong Machine Learning, học có giám sát (Supervised Learning) là gì? ○ A) Máy
học từ các dữ liệu không gán nhãn
○ B) Máy học từ các cặp dữ liệu đầu vào và đầu ra đã được gán nhãn
○ C) Máy tự điều chỉnh hành vi dựa trên phần thưởng và hình phạt
○ D) Máy học dựa trên tương tác thực tế
3. Học không giám sát (Unsupervised Learning) là gì?
○ A) Máy học từ các cặp dữ liệu đầu vào - đầu ra
○ B) Máy học từ dữ liệu không có nhãn
○ C) Máy tự chơi với nó để tìm ra giải pháp tối ưu
○ D) Máy học từ các dữ liệu không liên quan
4. Phương pháp nào thuộc học không giám sát (Unsupervised Learning)?
○ A) Phân cụm (Clustering) ○ B) Hồi quy (Regression)
○ C) Phân loại (Classification)
○ D) Học tăng cường (Reinforcement Learning)
5. Học bán giám sát (Semi-supervised Learning) là gì?
○ A) Máy học từ dữ liệu không có nhãn hoàn toàn
○ B) Máy học từ dữ liệu phần lớn không có nhãn, chỉ một phần có nhãn
○ C) Máy học từ dữ liệu hoàn toàn có nhãn ○ D)
Máy học mà không cần tương tác với con người
6. Ví dụ nào sau đây là ứng dụng của Supervised Learning?
○ A) Phân loại email thành thư rác và không phải thư rác
○ B) Phân cụm khách hàng dựa trên hành vi mua sắm
○ C) Nhận diện các đối tượng trong hình ảnh mà không có nhãn
○ D) Tự động điều chỉnh chiến lược trong trò chơi
7. Bài toán hồi quy (Regression) trong học có giám sát nhằm dự đoán điều gì?
○ A) Dự đoán giá trị liên tục
○ B) Dự đoán phân loại rời rạc
○ C) Dự đoán dữ liệu không có nhãn
○ D) Dự đoán phần thưởng trong trò chơi lOMoAR cPSD| 59561309
8. Bài toán phân loại (Classification) trong học có giám sát nhằm dự đoán điều gì?
○ A) Dự đoán phân loại rời rạc
○ B) Dự đoán giá trị liên tục
○ C) Dự đoán hành vi tương tác của người dùng
○ D) Dự đoán kết quả trò chơi
9. Reinforcement Learning là gì?
○ A) Học từ các cặp dữ liệu đã được gán nhãn
○ B) Máy tự học từ các phần thưởng và hình phạt khi tương tác với môi trường
○ C) Phân loại dữ liệu dựa trên các đặc trưng
○ D) Phân tích và phân cụm các đối tượng trong dữ liệu không có nhãn
10. Ví dụ nào là ứng dụng của Reinforcement Learning? ● A) AlphaGo thắng nhà vô địch cờ vây
● B) Phân loại ảnh thành ảnh chó và mèo
● C) Dự đoán giá nhà dựa trên diện tích
● D) Phân nhóm khách hàng theo hành vi
31-40: Câu hỏi về ứng dụng và phân loại trong Machine Learning
11. Bài toán phân loại ung thư dựa vào kích thước khối u (Ác tính - malignant hoặc lành
tính - benign) thuộc loại bài toán nào? ● A) Hồi quy ● B) Phân loại ● C) Phân cụm ● D) Tăng cường
12. Bài toán xác định số lượng sản phẩm được bán ra trong một ngày dựa trên các yếu
tố như giá cả, đánh giá của khách hàng, thời tiết là bài toán loại nào? ● A) Hồi quy ● B) Phân loại ● C) Phân cụm ● D) Tăng cường
13. Bài toán xác định loại người dùng (ví dụ: Thường, VIP, Premium) dựa trên hành vi
mua sắm là bài toán thuộc loại nào? ● A) Hồi quy ● B) Phân loại ● C) Phân cụm ● D) Tăng cường
14. Đặc trưng (feature) trong Machine Learning là gì?
● A) Các biến đầu vào mà máy học từ dữ liệu
● B) Các nhãn đầu ra của bài toán
● C) Các thuật toán được sử dụng để học
● D) Các thông tin không liên quan đến bài toán
15. Hồi quy tuyến tính (Linear Regression) nhằm mục đích gì trong Machine Learning?
● A) Dự đoán một giá trị liên tục từ dữ liệu
● B) Phân loại dữ liệu thành các nhóm
● C) Phân cụm dữ liệu không có nhãn
● D) Tìm kiếm giải pháp tối ưu trong trò chơi lOMoAR cPSD| 59561309
16. Trong học không giám sát (Unsupervised Learning), phương pháp nào sau đây
được dùng để tìm các nhóm trong dữ liệu? ● A) Clustering ● B) Regression ● C) Classification ● D) Reinforcement Learning
17. Ví dụ nào là một bài toán phân loại trong Machine Learning?
● A) Phân loại thư điện tử thành thư rác và thư chính
● B) Dự đoán giá cổ phiếu trong tương lai
● C) Phân nhóm khách hàng dựa trên dữ liệu mua sắm
● D) Xác định cụm khách hàng
18. Trong phân cụm (Clustering), thuật toán phổ biến nhất là gì? ● A) K-Means ● B) Decision Tree ● C) Random Forest ● D) Naive Bayes
19. Ví dụ nào sau đây thuộc bài toán hồi quy?
● A) Dự đoán giá nhà dựa trên diện tích và vị trí
● B) Phân loại các loại hoa dựa trên màu sắc và kích thước
● C) Phân cụm khách hàng dựa trên hành vi mua hàng
● D) Xác định chiến lược tối ưu trong trò chơi
20. Trong học bán giám sát (Semi-supervised Learning), dữ liệu được sử dụng là loại nào?
● A) Một phần có nhãn và phần còn lại không có nhãn
● B) Tất cả dữ liệu đều có nhãn
● C) Tất cả dữ liệu đều không có nhãn
● D) Không sử dụng dữ liệu nào
41-50: Khái niệm cơ bản về Linear Regression
1. Linear Regression là gì?
○ A) Một phương pháp phân tích thống kê xác định mối quan hệ giữa hai biến số
○ B) Một phương pháp phân loại dữ liệu
○ C) Một thuật toán không giám sát
○ D) Một kỹ thuật học tăng cường
2. Trong Simple Linear Regression, biến nào được dự đoán? ○ A) Biến độc lập ○ B) Biến phụ thuộc ○ C) Biến ngẫu nhiên ○ D) Biến thống kê
3. Multiple Linear Regression sử dụng bao nhiêu biến độc lập? ○ A) Một ○ B) Nhiều hơn một ○ C) Không có lOMoAR cPSD| 59561309 ○ D) Không xác định
4. Giả định nào sau đây là đúng trong Linear Regression?
○ A) Các biến độc lập phải có mối quan hệ tuyến tính với biến phụ thuộc
○ B) Các biến độc lập phải có mối quan hệ phi tuyến tính với biến phụ thuộc
○ C) Dữ liệu không cần phải có mối quan hệ ○ D)
Mô hình phải bao gồm nhiều biến phụ thuộc
5. Phương trình hồi quy tuyến tính có dạng: ○ A) Y = mX + b ○ B) Y = bX + c ○ C) X = mY + b ○ D) Y = X^2 + c
6. Slope (độ dốc) trong hồi quy tuyến tính biểu thị điều gì?
○ A) Mức độ thay đổi của biến phụ thuộc theo biến độc lập ○ B) Mức độ thay
đổi của biến độc lập theo biến phụ thuộc
○ C) Điểm giao của đường hồi quy và trục tung
○ D) Giá trị dự đoán của mô hình
7. Trong bài toán hồi quy tuyến tính, điểm giao của đường hồi quy và trục tung được gọi là gì? ○ A) Độ dốc (slope)
○ B) Tung độ gốc (intercept) ○ C) Gradient ○ D) Hệ số hồi quy
8. Mục tiêu của Least Squares Regression là gì?
○ A) Tối thiểu hóa tổng bình phương sai số giữa giá trị dự đoán và giá trị thực
○ B) Tối đa hóa sai số giữa giá trị dự đoán và giá trị thực
○ C) Tìm giá trị lớn nhất của biến độc lập
○ D) Giảm sai số ngẫu nhiên trong dữ liệu
9. Overfitting xảy ra khi nào trong Linear Regression?
○ A) Mô hình hoạt động tốt trên tập huấn luyện nhưng kém trên tập kiểm tra
○ B) Mô hình hoạt động tốt trên cả tập huấn luyện và kiểm tra
○ C) Mô hình quá đơn giản để dự đoán kết quả
○ D) Mô hình không thể học từ dữ liệu
10. Underfitting xảy ra khi nào?
○ A) Mô hình quá đơn giản để nắm bắt sự phức tạp của dữ liệu
○ B) Mô hình ghi nhớ quá nhiều thông tin từ tập huấn luyện
○ C) Mô hình dự đoán giá trị quá chính xác
○ D) Mô hình không tương thích với tập dữ liệu
61-70: Phương pháp và các vấn đề liên quan trong Linear Regression
11. Gradient Descent trong hồi quy tuyến tính là phương pháp gì?
● A) Một thuật toán tối ưu hóa để giảm thiểu hàm mất mát
● B) Một kỹ thuật phân loại
● C) Một phương pháp kiểm tra sai số
● D) Một phương pháp để phân cụm dữ liệu
12. Learning rate (tốc độ học) trong Gradient Descent có ý nghĩa gì?
● A) Xác định kích thước của bước di chuyển trong quá trình tối ưu lOMoAR cPSD| 59561309
● B) Xác định số vòng lặp tối đa
● C) Xác định dữ liệu huấn luyện
● D) Xác định mô hình nào sẽ được sử dụng
13. Regularization được sử dụng để giải quyết vấn đề nào? ● A) Overfitting ● B) Underfitting ● C) Thiếu dữ liệu ● D) Phân loại sai
14. L1 Regularization được gọi là gì? ● A) Lasso Regression ● B) Ridge Regression ● C) Linear Regression ● D) Logistic Regression
15. L2 Regularization được gọi là gì? ● A) Ridge Regression ● B) Lasso Regression
● C) Simple Linear Regression
● D) Multiple Linear Regression
16. Trong Cross-validation, mục tiêu chính là gì?
● A) Đánh giá độ tổng quát hóa của mô hình
● B) Tối ưu hóa hàm chi phí
● C) Phân loại dữ liệu không nhãn
● D) Tìm kiếm giá trị của hệ số hồi quy 17. Mean Squared Error (MSE) là gì?
● A) Đo lường sai số bình phương trung bình giữa giá trị dự đoán và giá trị thực
● B) Đo lường sai số tuyệt đối giữa giá trị dự đoán và giá trị thực
● C) Tính tổng số sai số của mô hình
● D) Tìm sai số nhỏ nhất trong mô hình
18. R-squared (R²) là gì trong hồi quy tuyến tính?
● A) Đo lường mức độ giải thích của mô hình đối với biến phụ thuộc
● B) Đo lường giá trị lớn nhất của biến độc lập
● C) Đo lường khoảng cách giữa các giá trị thực tế và dự đoán
● D) Đo lường mức độ phù hợp của biến độc lập 19. Multiple Linear Regression được sử dụng khi:
● A) Có nhiều hơn một biến độc lập
● B) Có một biến độc lập và một biến phụ thuộc
● C) Không có mối quan hệ giữa các biến ● D) Mối quan hệ giữa các biến là phi
tuyến tính 20. Một ví dụ thực tế của hồi quy tuyến tính là gì?
● A) Dự đoán giá nhà dựa trên diện tích và vị trí
● B) Phân loại email thành thư rác và không phải thư rác
● C) Tìm kiếm các cụm trong dữ liệu không nhãn
● D) Phân tích hình ảnh và video