15 Câu hỏi và trả lời của Khoa học Dữ liệu

Câu 1: Data Science là gì?
A. Một lĩnh vực nghiên cứu và phân tích dữ liệu để rút ra insights.
B. Một loại phần mềm dùng để thiết kế website.
C. Một ngôn ngữ lập trình như Python.
D. Một công cụ phần cứng để lưu trữ dữ liệu.
Đáp án: A
Giải thích: Data Science kết hợp toán học, thống kê và lập trình để xử lý và phân tích dữ liệu lớn nhằm đưa ra quyết định dựa trên dữ liệu.

Câu 2: Khái niệm “Big Data” thường liên quan đến những đặc tính nào?
A. Dữ liệu có kích thước nhỏ và dễ quản lý.
B. Dữ liệu có khối lượng lớn, đa dạng và tốc độ cao (Volume, Variety, Velocity).
C. Chỉ dữ liệu dạng số.
D. Dữ liệu không cần lưu trữ.
Đáp án: B
Giải thích: Big Data được đặc trưng bởi 3V: Volume (khối lượng lớn), Variety (đa dạng loại dữ liệu), và Velocity (tốc độ tạo ra dữ liệu), giúp phân tích thông tin phức tạp.

Câu 3: Trong Machine Learning, thuật toán Supervised Learning khác biệt như thế nào?
A. Không cần dữ liệu huấn luyện.
B. Sử dụng dữ liệu có nhãn để dự đoán.
C. Chỉ xử lý dữ liệu không có nhãn.
D. Tập trung vào việc tối ưu hóa phần cứng.
Đáp án: B
Giải thích: Supervised Learning sử dụng dữ liệu đã được gắn nhãn để huấn luyện mô hình, giúp dự đoán kết quả cho dữ liệu mới dựa trên các ví dụ đã biết.

Câu 4: Công cụ nào thường được sử dụng để phân tích dữ liệu và trực quan hóa?
A. Microsoft Word.
B. Tableau hoặc Power BI.
C. Adobe Photoshop.
D. Excel (chỉ cho tính toán cơ bản).
Đáp án: B
Giải thích: Tableau và Power BI là các công cụ chuyên dụng để trực quan hóa dữ liệu, giúp người dùng dễ dàng khám phá và trình bày insights từ dữ liệu.

Câu 5: Khái niệm “Overfitting” trong Machine Learning nghĩa là gì?
A. Mô hình quá đơn giản, không học được dữ liệu.
B. Mô hình học quá sát dữ liệu huấn luyện, dẫn đến kém hiệu suất trên dữ liệu mới.
C. Mô hình không cần dữ liệu.
D. Mô hình chỉ hoạt động trên dữ liệu nhỏ.
Đáp án: B
Giải thích: Overfitting xảy ra khi mô hình phức tạp quá mức, ghi nhớ dữ liệu huấn luyện thay vì học quy luật chung, dẫn đến sai số cao trên dữ liệu kiểm tra.

Câu 6: SQL được sử dụng để làm gì trong Data Science?
A. Xử lý hình ảnh.
B. Truy vấn và quản lý cơ sở dữ liệu.
C. Thiết kế giao diện người dùng.
D. Phát triển ứng dụng di động.
Đáp án: B
Giải thích: SQL (Structured Query Language) là ngôn ngữ dùng để truy vấn, thêm, sửa hoặc xóa dữ liệu từ cơ sở dữ liệu, rất quan trọng trong việc chuẩn bị dữ liệu cho phân tích.

Câu 7: Kỹ thuật “Cross-Validation” phục vụ mục đích gì?
A. Kiểm tra lỗi chính tả trong dữ liệu.
B. Đánh giá hiệu suất mô hình bằng cách chia dữ liệu thành các tập con để huấn luyện và kiểm tra.
C. Chỉ dùng để trực quan hóa dữ liệu.
D. Tối ưu hóa bộ nhớ.
Đáp án: B
Giải thích: Cross-Validation giúp đánh giá độ chính xác của mô hình bằng cách sử dụng các tập dữ liệu khác nhau, giảm thiểu rủi ro overfitting và cải thiện tính tổng quát.

Câu 8: Python là ngôn ngữ lập trình phổ biến trong Data Science vì lý do nào?
A. Nó chậm và khó học.
B. Nó có thư viện mạnh mẽ như NumPy, Pandas và Scikit-learn cho phân tích dữ liệu.
C. Chỉ dùng cho phát triển web.
D. Không hỗ trợ dữ liệu lớn.
Đáp án: B
Giải thích: Python cung cấp các thư viện chuyên dụng để xử lý dữ liệu, xây dựng mô hình và trực quan hóa, làm cho nó trở thành lựa chọn hàng đầu trong Data Science.

Câu 9: Khái niệm “Regression” trong thống kê là gì?
A. Dự đoán giá trị phân loại như yes/no.
B. Dự đoán giá trị liên tục như giá nhà.
C. Chỉ dùng cho dữ liệu rời rạc.
D. Phân tích văn bản.
Đáp án: B
Giải thích: Regression là kỹ thuật dự đoán giá trị số liên tục dựa trên các biến độc lập, thường được sử dụng trong phân tích dữ liệu để dự báo xu hướng.

Câu 10: “Data Cleaning” bao gồm những bước nào?
A. Chỉ vẽ biểu đồ.
B. Xử lý giá trị thiếu, loại bỏ dữ liệu trùng lặp và chuyển đổi định dạng.
C. Thiết kế mô hình.
D. In ấn báo cáo.
Đáp án: B
Giải thích: Data Cleaning là quá trình chuẩn bị dữ liệu bằng cách sửa lỗi, xử lý giá trị thiếu và đảm bảo tính nhất quán, giúp cải thiện chất lượng phân tích.

Câu 11: Thuật toán “K-Means” thuộc loại nào?
A. Supervised Learning.
B. Unsupervised Learning, dùng để phân cụm dữ liệu.
C. Reinforcement Learning.
D. Deep Learning.
Đáp án: B
Giải thích: K-Means là thuật toán không giám sát, phân nhóm dữ liệu dựa trên khoảng cách giữa các điểm, giúp phát hiện mẫu ẩn mà không cần nhãn.

Câu 12: “Neural Network” là gì trong Deep Learning?
A. Một mạng lưới đơn giản như cây quyết định.
B. Một mô hình học sâu mô phỏng cấu trúc não bộ, với các lớp neuron để xử lý dữ liệu phức tạp.
C. Chỉ dùng cho dữ liệu hình ảnh.
D. Một loại cơ sở dữ liệu.
Đáp án: B
Giải thích: Neural Network bao gồm các lớp neuron kết nối, học từ dữ liệu để nhận diện mẫu, thường được áp dụng trong nhận diện hình ảnh và ngôn ngữ tự nhiên.

Câu 13: “Ethics in Data Science” liên quan đến vấn đề nào?
A. Chỉ tập trung vào tốc độ xử lý.
B. Bảo vệ quyền riêng tư dữ liệu và tránh thiên kiến trong mô hình.
C. Không quan trọng trong phân tích.
D. Chỉ áp dụng cho doanh nghiệp lớn.
Đáp án: B
Giải thích: Ethics đảm bảo rằng việc sử dụng dữ liệu không vi phạm quyền riêng tư, tránh phân biệt đối xử và thúc đẩy sử dụng dữ liệu một cách có trách nhiệm.

Câu 14: “Data Pipeline” là gì?
A. Một dòng chảy dữ liệu từ nguồn đến đích, bao gồm thu thập, xử lý và lưu trữ.
B. Một loại phần mềm chỉnh sửa ảnh.
C. Chỉ dùng cho dữ liệu nhỏ.
D. Một công cụ trực quan hóa.
Đáp án: A
Giải thích: Data Pipeline là quy trình tự động hóa việc di chuyển và biến đổi dữ liệu, giúp đảm bảo dữ liệu được xử lý liên tục và hiệu quả.

Câu 15: “Predictive Analytics” sử dụng để làm gì?
A. Phân tích dữ liệu lịch sử mà không dự đoán tương lai.
B. Dự đoán xu hướng tương lai dựa trên dữ liệu lịch sử và mô hình thống kê.
C. Chỉ hiển thị dữ liệu hiện tại.
D. Xóa dữ liệu cũ.
Đáp án: B
Giải thích: Predictive Analytics sử dụng các kỹ thuật như regression và machine learning để phân tích dữ liệu qua để dự báo kết quả, hỗ trợ ra quyết định kinh doanh.