15 Câu hỏi và câu trả lời bài kiểm tra sâu sắc

1. Câu hỏi 1: Deep Learning là gì?
A) Một tập hợp các thuật toán học máy dựa trên dữ liệu.
B) Một phương pháp học sâu sử dụng mạng lưới thần kinh với nhiều lớp ẩn.
C) Một loại cơ sở dữ liệu cho trí tuệ nhân tạo.
D) Một kỹ thuật lập trình truyền thống.
Đáp án: B
Giải thích: Deep Learning là một nhánh của học máy sử dụng mạng lưới thần kinh nhân tạo với nhiều lớp ẩn để học các biểu diễn dữ liệu phức tạp từ dữ liệu đầu vào.

2. Câu hỏi 2: Hàm kích hoạt nào thường được sử dụng trong mạng neural để tránh vấn đề gradient vanishing?
A) Sigmoid.
B) Tanh.
C) ReLU.
D) Linear.
Đáp án: C
Giải thích: Hàm ReLU (Rectified Linear Unit) giúp giảm vấn đề gradient vanishing bằng cách giữ giá trị dương và đặt giá trị âm về zero, làm cho quá trình huấn luyện nhanh hơn và hiệu quả hơn.

3. Câu hỏi 3: Trong mạng neural, quá trình backpropagation dùng để làm gì?
A) Tối ưu hóa dữ liệu đầu vào.
B) Tính toán lỗi và cập nhật trọng số.
C) Xây dựng lớp ẩn.
D) Dự đoán đầu ra.
Đáp án: B
Giải thích: Backpropagation là thuật toán lan truyền lỗi ngược để tính toán gradient của hàm mất mát và cập nhật trọng số của mạng neural nhằm giảm lỗi.

4. Câu hỏi 4: CNN (Convolutional Neural Network) thường được sử dụng cho lĩnh vực nào?
A) Xử lý ngôn ngữ tự nhiên.
B) Phân tích chuỗi thời gian.
C) Nhận diện hình ảnh.
D) Dự đoán thời tiết.
Đáp án: C
Giải thích: CNN được thiết kế đặc biệt để xử lý dữ liệu hình ảnh bằng cách sử dụng các lớp tích chập để phát hiện các đặc trưng như cạnh và hình dạng.

5. Câu hỏi 5: Overfitting trong Deep Learning xảy ra khi?
A) Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới.
B) Mô hình không học được gì từ dữ liệu.
C) Mô hình chỉ hoạt động với dữ liệu nhỏ.
D) Mô hình quá đơn giản.
Đáp án: A
Giải thích: Overfitting xảy ra khi mô hình học chi tiết quá mức từ dữ liệu huấn luyện, dẫn đến việc không tổng quát hóa tốt cho dữ liệu kiểm tra hoặc thực tế.

6. Câu hỏi 6: RNN (Recurrent Neural Network) phù hợp nhất cho loại dữ liệu nào?
A) Dữ liệu hình ảnh.
B) Dữ liệu chuỗi thời gian hoặc văn bản.
C) Dữ liệu số học.
D) Dữ liệu âm thanh.
Đáp án: B
Giải thích: RNN được thiết kế để xử lý dữ liệu có tính tuần tự như chuỗi thời gian hoặc văn bản, vì nó có khả năng lưu giữ thông tin từ các bước trước đó.

7. Câu hỏi 7: Dropout là kỹ thuật nào trong Deep Learning?
A) Loại bỏ các lớp ẩn.
B) Ngẫu nhiên tắt một số neuron trong quá trình huấn luyện.
C) Tăng cường dữ liệu đầu vào.
D) Cập nhật trọng số thủ công.
Đáp án: B
Giải thích: Dropout giúp ngăn chặn overfitting bằng cách ngẫu nhiên tắt một số neuron trong mỗi lần huấn luyện, buộc mô hình phải học các đặc trưng độc lập hơn.

8. Câu hỏi 8: TensorFlow là gì?
A) Một ngôn ngữ lập trình.
B) Một thư viện mã nguồn mở cho học máy và Deep Learning.
C) Một loại mạng neural.
D) Một cơ sở dữ liệu.
Đáp án: B
Giải thích: TensorFlow là một framework mã nguồn mở do Google phát triển, dùng để xây dựng và huấn luyện các mô hình Deep Learning một cách hiệu quả.

9. Câu hỏi 9: Hàm mất mát nào thường được sử dụng cho bài toán phân loại nhị phân?
A) Mean Squared Error.
B) Cross-Entropy Loss.
C) Mean Absolute Error.
D) Hinge Loss.
Đáp án: B
Giải thích: Cross-Entropy Loss đo lường sự khác biệt giữa phân bố xác suất dự đoán và thực tế, rất phù hợp cho các bài toán phân loại như nhị phân.

10. Câu hỏi 10: Transfer Learning là kỹ thuật gì?
A) Chuyển dữ liệu từ mô hình này sang mô hình khác.
B) Sử dụng mô hình đã huấn luyện trước để áp dụng cho nhiệm vụ mới.
C) Tối ưu hóa trọng số thủ công.
D) Xóa bỏ lớp ẩn.
Đáp án: B
Giải thích: Transfer Learning giúp tiết kiệm thời gian và tài nguyên bằng cách sử dụng kiến thức từ mô hình đã huấn luyện để cải thiện hiệu suất trên dữ liệu mới.

11. Câu hỏi 11: Batch Normalization làm gì trong mạng neural?
A) Chuẩn hóa dữ liệu đầu vào.
B) Chuẩn hóa đầu ra của các lớp ẩn.
C) Tăng tốc độ huấn luyện và ổn định gradient.
D) Giảm số lượng lớp.
Đáp án: C
Giải thích: Batch Normalization chuẩn hóa đầu ra của các lớp trước đó, giúp giảm vấn đề internal covariate shift, từ đó tăng tốc độ hội tụ và cải thiện hiệu suất.

12. Câu hỏi 12: Autoencoder là loại mạng neural nào?
A) Mạng cho phân loại.
B) Mạng cho giảm chiều dữ liệu và học biểu diễn.
C) Mạng cho dự đoán thời gian.
D) Mạng cho xử lý âm thanh.
Đáp án: B
Giải thích: Autoencoder là mạng neural không giám sát dùng để học biểu diễn dữ liệu bằng cách mã hóa và giải mã, thường áp dụng cho giảm chiều hoặc phát hiện bất thường.

13. Câu hỏi 13: Gradient Descent là thuật toán gì?
A) Một phương pháp tối ưu hóa để cập nhật trọng số.
B) Một loại hàm kích hoạt.
C) Một kỹ thuật dữ liệu.
D) Một mô hình phân loại.
Đáp án: A
Giải thích: Gradient Descent là thuật toán tối ưu hóa sử dụng gradient của hàm mất mát để cập nhật trọng số, giúp mô hình hội tụ về giá trị tối ưu.

14. Câu hỏi 14: GAN (Generative Adversarial Network) bao gồm những thành phần nào?
A) Chỉ generator.
B) Generator và discriminator.
C) Chỉ discriminator.
D) Mạng neural đơn giản.
Đáp án: B
Giải thích: GAN bao gồm hai mạng: generator tạo ra dữ liệu giả và discriminator phân biệt dữ liệu thật và giả, giúp tạo ra dữ liệu mới giống thật.

15. Câu hỏi 15: PyTorch là framework nào?
A) Một thư viện cho xử lý hình ảnh.
B) Một framework mã nguồn mở cho Deep Learning với tính linh hoạt cao.
C) Một công cụ cho dữ liệu lớn.
D) Một loại mạng neural.
Đáp án: B
Giải thích: PyTorch là framework do Facebook phát triển, cho phép xây dựng và huấn luyện mô hình Deep Learning một cách dễ dàng nhờ vào tính linh hoạt và hỗ trợ GPU.