A. Phát triển phần cứng máy tính tiên tiến B. Tự động hóa các hành vi thông minh C. Nghiên cứu về tâm lý học con người D. Ứng dụng toán học trong kinh tế

A. Đưa máy móc trở nên thông minh hơn B. Phục vụ lợi ích cho con người C. Thay thế hoàn toàn lao động con người trong mọi lĩnh vực D. Khiến máy móc phát triển hòa bình và hỗ trợ lẫn nhau với con người

A. 2 B. 3 C. 4 D. 5

A. Các hệ thống suy nghĩ (thông minh) như con người B. Các hệ thống suy nghĩ một cách hợp lý C. Các hệ thống hành động (thông minh) như con người D. Các hệ thống hành động một cách hợp lý

A. Khả năng tính toán của máy tính B. Khả năng bảo mật của hệ thống Trợ lý thông minh C. Mức độ thông minh của máy tính thông qua hành vi tương tự con người D. Hiệu suất của thuật toán học máy

A. John McCarthy B. Alan Turing C. Herbert Simon D. Marvin Minsky

A. Văn bản viết B. Câu hỏi C. Giọng nói D. Màn hình máy tính

A. Quá dễ để máy tính vượt qua B. Không phản ánh đầy đủ trí tuệ thực sự của máy móc, chỉ tập trung vào hành vi C. Đòi hỏi người thẩm vấn phải có kiến thức chuyên sâu về Trợ lý thông minh D. Chi phí thực hiện quá cao

A. ELIZA B. GPS (General Problem Solver) C. Deep Blue D. AlphaGo

A. Mạng nơ-ron nhân tạo B. Logic và lập luận C. Dữ liệu lớn D. Mô phỏng não bộ con người

A. Lisp B. Prolog C. Python D. Không có đáp án đúng

A. 1943-1955 B. 1952-1969 C. 1969-1979 D. 1980 đến nay

A. Đề xuất thuật ngữ "Trí tuệ nhân tạo" B. Phát triển Perceptron C. Ra đời chương trình ELIZA D. Deep Blue đánh bại Garry Kasparov

A. 1952-1969 B. 1974-1980 C. 1980-1988 D. 1987-1993

A. Thiếu kinh phí nghiên cứu từ chính phủ B. Sự xuất hiện của Internet và dữ liệu lớn C. Những khó khăn trong việc hiện thực hóa các dự đoán lạc quan ban đầu, "bùng nổ tổ hợp" và hạn chế của cách tiếp cận đơn giản D. Cạnh tranh gay gắt giữa các nhà nghiên cứu Trợ lý thông minh

A. Giai đoạn khởi đầu (1952-1969) B. Giai đoạn trầm lắng (1974-1980) C. Hệ thống dựa trên tri thức (1969-1979) D. Trí tuệ nhân tạo có sản phẩm thương mại (1980 đến nay)

A. Logic Theorist B. GPS C. Deep Blue D. AlphaGo

A. ASIMO B. Shakey C. Kismet D. Sophia

A. Tập trung vào thuật toán phức tạp B. Dựa trên tri thức chuyên gia C. Dựa trên dữ liệu lớn và học máy D. Mô phỏng hoàn toàn nhận thức con người

A. 2019 B. 2020 C. 2022 D. 2023

A. Một lĩnh vực nghiên cứu về toán học và thống kê B. Một lĩnh vực nghiên cứu về dữ liệu và cách khai thác thông tin từ chúng C. Một ngành khoa học chỉ liên quan đến máy tính D. Một ngành khoa học chỉ sử dụng các phương pháp nghiên cứu lý thuyết

A. Video đánh giá sản phẩm B. Email (người gửi, người nhận, nội dung) C. Lịch sử giao dịch của khách hàng (ngày, sản phẩm, số tiền) D. Bài đăng trên mạng xã hội

A. Xử lý ngôn ngữ tự nhiên (NLP) B. Phân tích hồi quy C. Thị giác máy tính D. Chuyển đổi giọng nói thành văn bản

A. Cơ sở dữ liệu khách hàng B. Bài đăng trên mạng xã hội C. Dữ liệu giao dịch D. Dữ liệu nhân sự

A. Chỉ cần kỹ năng lập trình B. Kỹ năng lập trình, kiến thức toán học và thống kê, kiến thức chuyên ngành C. Kỹ năng giao tiếp và kỹ năng quản lý dự án D. Kiến thức về dữ liệu và kỹ năng bán hàng

A. Dữ liệu đã được thu thập từ nghiên cứu trước đó B. Dữ liệu có sẵn từ các báo cáo nghiên cứu C. Dữ liệu lấy từ các nguồn công cộng trên internet D. Dữ liệu do chính người nghiên cứu làm thí nghiệm xác định được

A. Làm tăng độ phức tạp tính toán và thời gian xử lý B. Tăng độ chính xác của mô hình C. Tăng tốc độ học tập của mô hình D. Tăng khả năng phân tích dữ liệu

A. Loại bỏ toàn bộ cột chứa giá trị thiếu B. Điền giá trị thiếu bằng giá trị trung bình của cột C. Điền “0” vào vị trí giá trị thiếu D. Loại bỏ toàn bộ hàng chứa giá trị thiếu

A. Loại bỏ các giá trị ngoại lai nếu không có giá trị thông tin B. Điền giá trị ngoại lai bằng giá trị trung bình của dữ liệu C. Tách các giá trị ngoại lai ra thành nhóm riêng biệt D. Điền giá trị ngoại lai bằng giá trị lớn nhất của dữ liệu

A. Biểu đồ phân tán (Scatter plot) B. Biểu đồ tần suất (Histogram) C. Biểu đồ tương quan (Correlogram) D. Biểu đồ hộp (Boxplot)

A. Quá trình thu thập dữ liệu từ nhiều nguồn khác nhau. B. Quá trình làm sạch và chuẩn hóa dữ liệu. C. Quá trình tìm kiếm thông tin hữu ích từ dữ liệu. D. Quá trình lưu trữ và quản lý dữ liệu.

A. Phân lớp (Classification) B. Hồi quy (Regression) C. Trực quan hóa (Visualization) D. Gom cụm (Clustering)

A. Microsoft Word B. Adobe Photoshop C. Python D. Google Chrome

A. Sao lưu dữ liệu định kỳ B. Mã hóa dữ liệu C. Phân quyền truy cập D. Tất cả các đáp án trên

A. Tạo ra dữ liệu. B. Phân tích dữ liệu. C. Quản lý và đảm bảo an toàn cho dữ liệu. D. Thu thập dữ liệu từ internet.

A. Có thể trùng lặp. B. Xác định duy nhất một bản ghi. C. Không bắt buộc. D. Luôn là số tự động tăng.

A. Xác định duy nhất một bản ghi trong một bảng. B. Liên kết một bảng với chính nó. C. Tham chiếu đến khóa chính của một bảng khác. D. Tạo chỉ mục cho bảng.

A. Tăng tốc độ truy vấn. B. Giảm dung lượng lưu trữ. C. Mã hóa dữ liệu. D. Phân quyền truy cập.

A. Mã hóa dữ liệu. B. Quản lý quyền truy cập. C. Sao lưu và phục hồi dữ liệu. D. Nén dữ liệu.

A. Lập trình web. B. Thiết kế giao diện. C. Thao tác với CSDL quan hệ. D. Phân tích dữ liệu.

A. NumPy B. Pandas C. Matplotlib D. Seaborn

A. Hiểu vấn đề B. Thu thập dữ liệu C. Xây dựng mô hình D. Trình bày kết quả.

A. Tính toán các thống kê mô tả B. Sử dụng các mô hình học máy C. Phân tích mối quan hệ giữa các biến D. Tìm hiểu nguyên nhân dẫn đến một sự kiện

A. TensorFlow B. PyTorch C. Spark D. Hadoop

A. Ngôn ngữ lập trình B. Thư viện Python C. Nền tảng đám mây D. Môi trường lập trình cục bộ

A. !pip install B. !conda install C. !install.packages D. !apt-get install

A. Miễn phí B. Hỗ trợ GPU/TPU C. Dễ dàng chia sẻ D. Tất cả các đáp án trên

A. Xử lý dữ liệu dạng bảng B. Tính toán hiệu quả C. Trực quan hóa dữ liệu D. Xây dựng mô hình học máy

A. Xử lý dữ liệu dạng bảng B. Tính toán hiệu quả C. Trực quan hóa dữ liệu nâng cao D. Xây dựng mô hình học máy

A. Đúng B. Sai

A. Học có giám sát B. Học không giám sát C. Học tăng cường D. Học sâu

A. Phân loại nhị phân B. Phân loại đa lớp C. Hồi quy D. Phân cụm

A. So sánh với kết quả thực tế B. Đánh giá mô hình dựa trên các chỉ số C. Cả A và B D. Không có đáp án đúng

A. Mô hình học quá chi tiết trên tập huấn luyện, kém hiệu quả trên dữ liệu mới B. Mô hình không đủ phức tạp để nắm bắt các quy luật trong dữ liệu C. Cả A và B D. Không có đáp án đúng

A. Phân loại B. Hồi quy C. Cả A và B D. Không có đáp án đúng

A. Phân loại B. Hồi quy C. Cả A và B D. Không có đáp án đúng

A. Học có giám sát B. Học không giám sát C. Học tăng cường D. Học sâu

A. Tìm một siêu phẳng tối ưu để phân tách dữ liệu B. Xây dựng một cây quyết định C. Sử dụng mạng nơ-ron D. Không có đáp án đúng

A. Dữ liệu văn bản B. Dữ liệu hình ảnh C. Dữ liệu âm thanh D. Dữ liệu chuỗi thời gian

A. Quyết định tín hiệu nào sẽ được truyền qua mạng B. Tính toán sai số giữa đầu ra dự đoán và giá trị thực tế C. Điều chỉnh trọng số D. Tất cả các đáp án trên

A. Tạo ra các ứng dụng di động B. Quản lý cơ sở dữ liệu của doanh nghiệp C. Thiết kế và tối ưu hóa câu lệnh nhằm giúp LLMs thực hiện tác vụ chính xác theo yêu cầu của người dùng D. Phát triển phần cứng cho máy tính

A. Giúp mô hình tính toán nhanh hơn B. Xác định rõ ràng yêu cầu và điều chỉnh giọng văn, định dạng cho phù hợp với đối tượng sử dụng C. Giảm chi phí phần cứng D. Tăng tốc độ truy vấn cơ sở dữ liệu

A. Lựa chọn từ khóa và cấu trúc câu lệnh B. Đánh giá kết quả đầu ra C. Thử nghiệm với mô hình D. Xác định mục tiêu và ngữ cảnh của câu lệnh

A. Phần mở đầu của câu lệnh B. Tên gọi của các mô hình ngôn ngữ lớn C. Công cụ đo lường hiệu suất của mô hình D. Thành phần giúp mô hình xác định yêu cầu cần thực hiện

A. Chỉ dẫn, chủ đề/nội dung, định dạng yêu cầu và thông tin ngữ cảnh B. Tên người dùng, mật khẩu và địa chỉ IP C. Các lệnh SQL cơ bản D. Hình ảnh và video minh họa

A. Tăng độ ngẫu nhiên của kết quả B. Đặt ra các ràng buộc hoặc giới hạn cho kết quả đầu ra như độ dài, định dạng hay các từ khóa cụ thể C. Loại bỏ hoàn toàn các từ khóa không cần thiết D. Tạo các câu lệnh ngắn gọn mà không cần thông tin bổ sung

A. Giảm chi phí tính toán B. Tăng thời gian xử lý của mô hình C. Cung cấp các ví dụ mẫu giúp mô hình hiểu rõ định dạng và phong cách mong muốn D. Giảm số lượng từ khóa cần sử dụng

A. Vì nó giúp giảm chi phí phần cứng B. Vì nó là cầu nối giữa con người và các mô hình ngôn ngữ lớn, tối ưu hóa hiệu suất và độ chính xác của ứng dụng Trợ lý thông minh C. Vì nó thay thế hoàn toàn việc sử dụng ngôn ngữ tự nhiên D. Vì nó đảm bảo an ninh mạng cho doanh nghiệp

A. Sử dụng các tham số kỹ thuật để tăng độ chính xác của mô hình B. Yêu cầu mô hình đóng vai một nhân vật cụ thể để điều chỉnh phong cách và giọng văn của câu trả lời C. Sử dụng công cụ quản lý và lưu trữ các câu lệnh D. Tạo ra các câu lệnh ngẫu nhiên để kiểm tra hiệu quả mô hình

A. Giúp mô hình giảm độ phức tạp trong quá trình tính toán B. Giúp mô hình tăng tốc độ xử lý dữ liệu C. Giúp mô hình hiểu rõ đối tượng, mục đích và yêu cầu cụ thể của tác vụ D. Giúp mô hình tránh được lỗi kỹ thuật trong quá trình huấn luyện

A. Quản lý tài chính dự án B. Thiết kế và tối ưu hóa câu lệnh C. Bảo trì phần cứng máy tính D. Phân tích đối thủ cạnh tranh

A. Thiết kế đồ họa B. Lập trình web C. Quản lý dự án D. Kể chuyện

A. Chọn diễn viên B. Thiết kế âm thanh C. Viết lời thoại nhân vật D. Quản lý ngân sách

A. Có B. Rất đẹp trai C. Cả hai

A. Giới hạn độ dài B. Ràng buộc về từ ngữ C. Thiết lập bối cảnh và nhân vật D. Chỉ định giọng văn

A. Mô tả nhân vật B. Yêu cầu phong cách cụ thể C. Xây dựng tình huống khởi đầu D. Giới hạn độ dài

A. Giới hạn độ dài B. Thiết lập bối cảnh C. Mô tả nhân vật D. Chỉ định giọng văn

A. Sử dụng ràng buộc B. Cung cấp thông tin nền C. Giới hạn độ dài D. Giao vai

A. Phong cách dịch B. Ngôn ngữ nguồn và ngôn ngữ đích C. Lĩnh vực chuyên ngành D. Ngữ cảnh

A. Phong cách B. Độ dài văn bản C. Số lượng từ D. Kích thước font chữ

A. Sử dụng phong cách thân mật B. Giới hạn số lượng từ C. Cung cấp thêm ngữ cảnh hoặc từ khóa chuyên ngành D. Dịch lặp đi lặp lại

A. Làm ngắn văn bản B. Thay đổi ý nghĩa của văn bản C. Rút gọn văn bản nhưng vẫn giữ thông tin quan trọng D. Thêm thông tin mới vào văn bản

A. Số lượng hình ảnh B. Số lượng tiêu đề C. Số từ, số câu, hoặc tỷ lệ phần trăm so với văn bản gốc D. Kích thước font chữ

A. Tóm tắt khái quát B. Tóm tắt tập trung vào ý chính C. Tóm tắt theo chủ đề D. Tóm tắt trích đoạn

A. Tạo nội dung dài B. Xử lý thông tin quá tải C. Viết sách D. Soạn email

A. Thiết kế giao diện người dùng B. Lập trình ứng dụng C. Phân tích cảm xúc D. Quản lý dự án

A. Thu thập dữ liệu. B. Lựa chọn bài toán. C. Xây dựng mô hình. D. Đánh giá mô hình.

A. Microsoft Word. B. Adobe Photoshop. C. TensorFlow. D. Google Chrome.

A. Giảm thời gian huấn luyện mô hình. B. Cải thiện hiệu suất của mô hình. C. Giảm kích thước của mô hình. D. Tăng khả năng giải thích của mô hình.

A. Lỗi trung bình bình phương (MSE). B. Hệ số xác định (R2). C. Lỗi tuyệt đối trung bình (MAE). D. Tất cả các đáp án trên

A. Khi dữ liệu đã được gán nhãn. B. Khi cần dự đoán một giá trị liên tục. C. Khi dữ liệu chưa được gán nhãn. D. Khi cần huấn luyện robot.

A. Tăng kích thước của dữ liệu. B. Loại bỏ các vấn đề không mong muốn trong dữ liệu. C. Chuyển đổi dữ liệu thành dạng hình ảnh. D. Giảm chi phí lưu trữ dữ liệu.

A. Chuẩn hóa dữ liệu số. B. Mã hóa biến phân loại. C. Xử lý giá trị thiếu. D. Loại bỏ giá trị ngoại lai.

A. Điều chỉnh siêu tham số và giảm thiểu nguy cơ quá khớp. B. Huấn luyện mô hình. C. Đánh giá hiệu suất cuối cùng của mô hình. D. So sánh hiệu suất của các mô hình khácnhau.

A. Ngôn ngữ lập trình. B. Loại bài toán. C. Thời gian thực hiện. D. Kinh nghiệm của người xây dựng.

A. Giảm kích thước của mô hình. B. Tái sử dụng mô hình cho các dự án khác. C. Chia sẻ mô hình với người dùng khác. D. Bảo vệ mô hình khỏi các cuộc tấn công mạng.

A. Microsoft Excel. B. Biểu đồ phân tán. C. Máy tính cầm tay. D. Notepad.

A. Để xác định thời gian huấn luyện mô hình. B. Để tính toán chi phí xây dựng mô hình. C. Để kiểm tra khả năng tổng quát hóa của mô hình. D. Để lựa chọn siêu tham số tốt nhất.

A. Tăng tốc độ huấn luyện mô hình. B. Giảm kích thước của mô hình. C. Hiểu rõ giới hạn và nguyên nhân gây ra lỗi. D. Tự động điều chỉnh siêu tham số.

A. Sử dụng nhiều thuật ngữ chuyên ngành. B. Truyền đạt rõ ràng mục tiêu, phương pháp và kết quả. C. Trình bày tất cả các chi tiết kỹ thuật. D. Thuyết trình với tốc độ nhanh.

A. Kéo dài thời gian thực hiện dự án. B. Tăng số lượng người tham gia dự án. C. Giảm bớt trách nhiệm của nhóm phát triển. D. Cải thiện hoặc mở rộng ứng dụng của mô hình.

A. Xây dựng mô hình. B. Thu thập dữ liệu. C. Tư duy bài toán. D. Trình bày dự án.

A. Tăng tốc độ xử lý dữ liệu. B. Giảm chi phí thực hiện dự án. C. Đảm bảo dự án đi đúng hướng và đạt được kết quả mong muốn. D. Loại bỏ hoàn toàn các rủi ro trong dự án.

A. Bao gồm dữ liệu đầu vào. B. Bao gồm các ràng buộc về kỹ thuật. C. Bao gồm các yêu cầu từ phía người dùng. D. Bao gồm dữ liệu, kỹ thuật, con người và các yêu cầu từ phía người dùng.

A. Phân loại hình ảnh. B. Dự đoán giá nhà. C. Tối ưu hóa hành động trong môi trường tương tác. D. Phân cụm dữ liệu.

A. Làm tăng độ phức tạp của dự án. B. Làm rõ mục tiêu và hướng dẫn quá trình thực hiện dự án. C. Giảm bớt khối lượng công việc. D. Tránh việc phải thu thập dữ liệu.

A. Tăng tính phức tạp của dự án. B. Giảm bớt độ phức tạp và tạo điều kiện phân công nhiệm vụ. C. Tăng sự sáng tạo trong dự án. D. Kéo dài thời gian thực hiện dự án.

A. Microsoft Word. B. Zoom. C. Google Drive. D. GitHub.

A. Tạo ra sự cạnh tranh giữa các thành viên. B. Giảm bớt trách nhiệm của trưởng nhóm. C. Đảm bảo sự phối hợp hiệu quả và tiến độ của dự án. D. Hạn chế việc trao đổi thông tin giữa các thành viên.

A. Sử dụng nhiều hiệu ứng động trong slide. B. Truyền đạt rõ ràng kết quả và giá trị của dự án. C. Thuyết trình truyền cảm. D. Không trình bày những hạn chế của dự án.

A. Làm tăng thời gian thuyết trình. B. Nhận diện những khía cạnh cần cải thiện và phát triển dự án. C. Tăng sự tự tin của nhóm phát triển. D. Tạo ra tranh luận sôi nổi giữa các thành viên.

A. Để đánh giá mức độ hài lòng của khán giả. B. Để khen ngợi nhóm phát triển. C. Để hoàn thiện và cải thiện dự án. D. Để so sánh với các dự án khác.

A. Máy tính cầm tay. B. Biểu đồ. C. Bảng tính. D. Notepad.

A. Ngôn ngữ chuyên ngành, phức tạp hóa. B. Ngôn ngữ dễ hiểu, rõ ràng. C. Ngôn ngữ mang tính chất quảng cáo. D. Ngôn ngữ tương đối chính xác.

A. Để đánh giá kết quả học tập của sinh viên. B. Để truyền đạt kết quả và giá trị của dự án đến người nghe. C. Để quảng bá sản phẩm Trợ lý thông minh. D. Để hoàn thành dự án.

A. Tự do cá nhân. B. Tinh thần hợp tác. C. Lạc quan. D. Giữ nguyên quan điểm cá nhân.

A. Lập trình các quy tắc tường minh cho máy tính. B. Cho phép máy tính học hỏi từ dữ liệu mà không cần lập trình tường minh. C. Tạo ra robot có hình dáng giống con người. D. Thiết kế giao diện người dùng thân thiện.

A. Natural Language Processing (NLP) B. Reinforcement Learning (Học tăng cường) C. Computer Vision (Thị giác máy tính) D. Generative Trợ lý thông minh (Trợ lý thông minh tạo sinh)

A. Computer Vision B. Machine Learning C. Robotics D. Expert Systems (Hệ chuyên gia)

A. Phân loại dữ liệu có sẵn. B. Đưa ra quyết định dựa trên quy tắc. C. Tạo ra nội dung mới (văn bản, hình ảnh, âm thanh...). D. Tối ưu hóa một quy trình công nghiệp.

A. Xe tự lái nhận diện biển báo giao thông. B. Phần mềm chẩn đoán bệnh qua hình ảnh X-quang. C. Chatbot trả lời tự động câu hỏi của khách hàng. D. Hệ thống phân loại email spam dựa trên người gửi.

A. RL sử dụng dữ liệu không có nhãn, SL sử dụng dữ liệu có nhãn. B. RL học thông qua phần thưởng/phạt, SL học từ cặp dữ liệu vào/ra. C. RL chỉ áp dụng cho robot, SL áp dụng cho phân loại ảnh. D. RL yêu cầu dữ liệu lớn hơn nhiều so với SL.

A. Y tế B. Kinh tế - Tài chính C. Giao thông vận tải D. Xây dựng, Công trình

A. Giai đoạn Trợ lý thông minh bắt đầu được hình thành ý tưởng. B. Giai đoạn các thuật toán Trợ lý thông minh phức tạp nhất được phát triển. C. Giai đoạn Trợ lý thông minh đạt được trí tuệ siêu việt. D. Giai đoạn giảm sút sự quan tâm và nguồn tài trợ cho nghiên cứu Trợ lý thông minh.

A. Xây dựng mô hình Machine Learning. B. Trực quan hóa dữ liệu. C. Thu thập và làm sạch dữ liệu. D. Triển khai giải pháp.

A. Để dữ liệu trông đẹp mắt hơn. B. Để giảm kích thước bộ dữ liệu. C. Để đảm bảo chất lượng, độ chính xác của dữ liệu đầu vào cho phân tích. D. Để tăng số lượng biến trong bộ dữ liệu.

A. Làm cho báo cáo dài hơn. B. Giúp dễ dàng nhận diện các mẫu, xu hướng và thông tin ẩn trong dữ liệu. C. Thay thế hoàn toàn việc phân tích thống kê. D. Mã hóa dữ liệu để bảo mật.

A. NoSQL B. Cơ sở dữ liệu đồ thị (Graph Database) C. Cơ sở dữ liệu quan hệ (Relational Database) D. Cơ sở dữ liệu tài liệu (Document Database)

A. Chỉ đơn thuần lưu trữ dữ liệu một cách an toàn. B. Truy vấn dữ liệu đã biết trong cơ sở dữ liệu. C. Khám phá các mẫu hoặc kiến thức mới, tiềm ẩn, hữu ích từ tập dữ liệu lớn. D. Thiết kế cấu trúc cho cơ sở dữ liệu mới.

A. Dữ liệu quá sạch sẽ và hoàn hảo. B. Thiếu công cụ để lưu trữ dữ liệu. C. Dữ liệu bị nhiễu, thiếu, hoặc không nhất quán. D. Có quá nhiều thuật toán để phân tích.

A. Dữ liệu có cấu trúc luôn ở dạng số, dữ liệu phi cấu trúc luôn ở dạng văn bản. B. Dữ liệu có cấu trúc được tổ chức theo một định dạng cố định (bảng), dữ liệu phi cấu trúc thì không (văn bản, hình ảnh, video). C. Dữ liệu có cấu trúc nhỏ hơn dữ liệu phi cấu trúc. D. Chỉ có dữ liệu phi cấu trúc mới dùng được cho Trợ lý thông minh.

A. Pandas B. Matplotlib C. NumPy D. Scikit-learn

A. Array B. List C. Dictionary D. DataFrame

A. NumPy B. Pandas C. Matplotlib D. Requests

A. Để tăng tốc độ huấn luyện mô hình. B. Để đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu mới chưa từng thấy. C. Để giảm dung lượng lưu trữ cần thiết. D. Để làm cho dữ liệu trông cân bằng hơn.

A. Mô hình học quá tốt trên tập huấn luyện nhưng hiệu suất kém trên tập kiểm tra. B. Mô hình quá đơn giản và không học được các quy luật trong dữ liệu. C. Dữ liệu huấn luyện và dữ liệu kiểm tra giống hệt nhau. D. Thuật toán chạy quá chậm trên phần cứng hiện có.

A. Chỉ bài toán phân cụm (Clustering). B. Chỉ bài toán giảm chiều dữ liệu (Dimensionality Reduction). C. Bài toán phân loại (Classification) và hồi quy (Regression). D. Chỉ bài toán phát hiện bất thường (Anomaly Detection).

A. Chuẩn hóa dữ liệu đầu vào. B. Thêm tính phi tuyến tính vào mô hình, cho phép học các mối quan hệ phức tạp. C. Chọn ra các đặc trưng quan trọng nhất. D. Giảm số lượng nơ-ron trong mạng.

A. Thay thế bằng giá trị trung bình (mean) của cột. B. Thay thế bằng giá trị trung vị (median) của cột. C. Xóa toàn bộ các hàng chứa giá trị bị thiếu. D. Thay thế bằng một giá trị văn bản ngẫu nhiên như "không biết".

A. Thiết kế phần cứng cho các siêu máy tính chạy Trợ lý thông minh. B. Viết mã nguồn cho các Mô hình Ngôn ngữ Lớn (LLM). C. Thiết kế và tối ưu hóa các câu lệnh (prompts) để giao tiếp hiệu quả với LLM. D. Thu thập dữ liệu để huấn luyện LLM.

A. Low Latency Model B. Large Language Model C. Logarithmic Learning Machine D. Linear Logic Module

A. Tăng tốc độ xử lý của CPU. B. Tạo ra các đoạn văn bản sáng tạo theo yêu cầu. C. Cải thiện chất lượng hình ảnh camera. D. Quản lý cơ sở dữ liệu quan hệ.

A. Để làm cho prompt dài hơn. B. Để LLM hiểu rõ yêu cầu và tạo ra kết quả phù hợp, chính xác hơn. C. Để kiểm tra khả năng hiểu của LLM. D. Để giảm chi phí sử dụng API của LLM.

A. Cung cấp cho LLM một vài ví dụ (examples) về tác vụ mong muốn trong prompt. B. Chỉ sử dụng những từ ngữ rất ngắn gọn trong prompt. C. Yêu cầu LLM thực hiện tác vụ mà không cần ví dụ nào (zero-shot). D. Chia một tác vụ lớn thành nhiều prompt nhỏ.

A. Chỉ cần dán toàn bộ văn bản vào prompt. B. Yêu cầu LLM viết lại y nguyên văn bản. C. Chỉ định độ dài mong muốn hoặc các ý chính cần giữ lại trong bản tóm tắt. D. Sử dụng font chữ đặc biệt trong prompt.

A. Thu thập và chuẩn bị dữ liệu. B. Lựa chọn và huấn luyện mô hình. C. Thiết kế giao diện phần cứng phức tạp. D. Đánh giá hiệu suất mô hình.

A. Để xem mô hình có đẹp không. B. Để biết mô hình hoạt động tốt như thế nào trên dữ liệu mới và có đáp ứng yêu cầu bài toán không. C. Để tăng kích thước của mô hình. D. Để chọn màu sắc cho biểu đồ kết quả.

A. Là thành phần không bắt buộc. B. Chỉ dùng để trình bày kết quả cuối cùng. C. Là nguyên liệu cốt lõi để huấn luyện và kiểm thử mô hình Trợ lý thông minh. D. Chỉ bao gồm các tài liệu mô tả về dự án.

A. Danh sách tất cả các lỗi gặp phải khi lập trình. B. Mục tiêu bài toán, phương pháp tiếp cận, dữ liệu sử dụng và các hạn chế của mô hình. C. Tên của tất cả thành viên trong nhóm phát triển. D. Chi phí chi tiết cho việc mua máy tính thực hiện dự án.

A. Chỉ việc tải dữ liệu về máy. B. Làm sạch, xử lý giá trị thiếu, chuyển đổi định dạng, và có thể tạo thêm đặc trưng mới (feature engineering). C. Chỉ việc chọn tên cho các cột dữ liệu. D. Viết báo cáo cuối kỳ cho dự án.

A. Mean Squared Error (MSE - Sai số bình phương trung bình) B. R-squared (Hệ số xác định R-bình phương) C. Accuracy (Độ chính xác) D. Runtime (Thời gian chạy)

A. Để tăng tính cạnh tranh giữa các thành viên. B. Để đảm bảo mọi công việc cần thiết được thực hiện, tránh chồng chéo hoặc bỏ sót, và tăng hiệu quả phối hợp. C. Để giảm số lượng thành viên cần thiết cho dự án. D. Chỉ quan trọng đối với các dự án có quy mô rất lớn.

A. Chọn ngay một thuật toán phức tạp nhất để thử nghiệm. B. Xác định rõ mục tiêu cần đạt được, dữ liệu nào có sẵn hoặc cần thu thập, và liệu Trợ lý thông minh có phải là giải pháp phù hợp hay không. C. Viết code ngay lập tức để xem kết quả. D. Tìm kiếm các dự án tương tự trên mạng và sao chép giải pháp.

A. Tốc độ xử lý tính toán. B. Khả năng lưu trữ dữ liệu lớn. C. Khả năng thể hiện hành vi thông minh tương đương con người. D. Khả năng thực hiện các công việc chân tay lặp đi lặp lại.

A. Natural Language Processing (NLP) B. Computer Vision (CV) C. Machine Learning (ML) D. Reinforcement Learning (RL)

A. Tự mình chế tạo các thiết bị quan sát mới. B. Phân tích lượng lớn dữ liệu từ vệ tinh để dự báo thời tiết hoặc biến đổi khí hậu. C. Thay thế hoàn toàn các nhà địa chất học thực địa. D. Đưa ra các quyết định chính trị về bảo vệ môi trường.

A. Thiết kế logo cho các ngân hàng mới. B. Xây dựng các tòa nhà trụ sở ngân hàng. C. Phát hiện gian lận thẻ tín dụng và dự báo rủi ro thị trường. D. In tiền và quản lý kho bạc nhà nước.

A. Để có thể kể chuyện về các nhà khoa học nổi tiếng. B. Để biết được những ý tưởng nào đã từng thất bại và những thách thức nào đã được vượt qua. C. Để thuộc lòng tên các thuật toán cũ không còn dùng nữa. D. Để có thể dự đoán chính xác 100% tương lai của Trợ lý thông minh.

A. Chỉ thiết kế giao diện người dùng cho ứng dụng. B. Phân tích dữ liệu, xây dựng mô hình dự đoán, và truyền đạt kết quả. C. Chỉ quản trị hệ thống mạng máy tính. D. Chỉ viết tài liệu hướng dẫn sử dụng phần mềm.

A. Thu thập dữ liệu. B. Làm sạch và tiền xử lý dữ liệu. C. Trực quan hóa dữ liệu. D. Xây dựng mô hình.

A. Biểu đồ tròn (Pie chart) B. Biểu đồ cột (Bar chart) C. Biểu đồ phân tán (Scatter plot) D. Biểu đồ hộp (Box plot)

A. Chỉ dữ liệu có cấu trúc rất chặt chẽ dạng bảng. B. Dữ liệu lớn, phi cấu trúc hoặc bán cấu trúc, cần tính linh hoạt cao. C. Chỉ dữ liệu dạng ảnh và video. D. Chỉ dữ liệu tài chính giao dịch chứng khoán.

A. Chỉ việc lưu trữ dữ liệu trên ổ cứng. B. Các chính sách, quy trình về thu thập, lưu trữ, bảo mật, và sử dụng dữ liệu hiệu quả. C. Chỉ việc trực quan hóa dữ liệu bằng biểu đồ. D. Chỉ việc huấn luyện các mô hình học máy.

A. Để làm chậm quá trình thực hiện dự án. B. Để hiểu rõ hơn về dữ liệu, khám phá các đặc điểm, mối quan hệ cơ bản. C. Để chứng minh rằng không cần xây dựng mô hình. D. Chỉ là một bước tùy chọn, không quan trọng.

A. Phát triển web front-end. B. Lập trình hệ thống nhúng. C. Phân tích thống kê và trực quan hóa dữ liệu. D. Phát triển game 3D.

A. Thực hiện các phép toán đại số tuyến tính. B. Tạo ra các biểu đồ thống kê nâng cao và đẹp mắt hơn dựa trên Matplotlib. C. Xử lý và làm sạch dữ liệu dạng bảng. D. Xây dựng các mô hình mạng nơ-ron sâu.

A. Là kết quả đầu ra dự đoán của mô hình. B. Là một biến đầu vào có thể đo lường được, dùng để huấn luyện mô hình. C. Là tên của thuật toán được sử dụng. D. Là độ chính xác cuối cùng của mô hình.

A. Làm cho dữ liệu dễ đọc hơn đối với con người. B. Đảm bảo các đặc trưng có thang đo khác nhau đóng góp một cách công bằng vào quá trình học. C. Giảm số lượng mẫu dữ liệu cần thiết. D. Tăng số chiều của dữ liệu lên.

A. Học có giám sát (Supervised Learning) B. Học không giám sát (Unsupervised Learning) C. Học tăng cường (Reinforcement Learning) D. Học bán giám sát (Semi-supervised Learning)

A. Một mô hình toán học phức tạp đã học được từ dữ liệu. B. Nhãn của K điểm dữ liệu gần nhất với nó trong không gian đặc trưng. C. Một cây quyết định đã được xây dựng. D. Kết quả của một mạng nơ-ron sâu.

A. Điều chỉnh các trọng số (weights) bên trong mô hình trong quá trình huấn luyện. B. Lựa chọn các đặc trưng tốt nhất từ dữ liệu đầu vào. C. Tìm kiếm bộ giá trị tối ưu cho các tham số được thiết lập trước khi quá trình huấn luyện bắt đầu (ví dụ: số K trong k-NN, learning rate). D. Viết lại mã nguồn của thuật toán để chạy nhanh hơn.

A. Microsoft Excel B. Adobe Photoshop C. Google Search D. GPT-4 (Generative Pre-trained Transformer 4)

A. Làm cho prompt dài hơn một cách không cần thiết. B. Định hướng phong cách, kiến thức và giọng văn của LLM cho phù hợp với vai trò đó. C. Kiểm tra xem LLM có biết về vai trò đó hay không. D. Chỉ là một cách để bắt đầu prompt một cách lịch sự.

A. Cung cấp hàng trăm ví dụ cho LLM. B. Yêu cầu LLM thực hiện một tác vụ mà không cần cung cấp bất kỳ ví dụ nào trước đó. C. Prompt không chứa bất kỳ từ nào. D. Chỉ sử dụng các con số trong prompt.

A. Yêu cầu dịch từng từ một cách riêng lẻ. B. Chỉ định ngữ cảnh hoặc lĩnh vực của văn bản (ví dụ: y tế, kỹ thuật, văn học). C. Yêu cầu LLM sử dụng càng nhiều từ đồng nghĩa càng tốt. D. Bắt buộc LLM dịch trong thời gian ngắn nhất.

A. Chỉ Microsoft Word và Notepad. B. Các giao diện web như ChatGPT, Claude, hoặc các API được cung cấp bởi OpenAI, Google, Anthropic. C. Chỉ các phần mềm quản lý cơ sở dữ liệu như SQL Server. D. Chỉ các trình biên dịch C++.

A. Chỉ dựa vào cảm giác chủ quan của người viết prompt. B. So sánh kết quả do LLM tạo ra với kết quả mong đợi hoặc tiêu chuẩn chất lượng đã định trước. C. Đếm số lượng từ trong prompt. D. Xem prompt có sử dụng từ ngữ phức tạp hay không.

A. Tên của tất cả các thư viện Python sẽ sử dụng. B. Giới hạn rõ ràng về những gì dự án sẽ làm và không làm, mục tiêu cụ thể cần đạt được. C. Màu sắc chủ đạo của giao diện người dùng. D. Danh sách các máy tính sẽ dùng để huấn luyện mô hình.

A. Xóa mô hình khỏi máy tính. B. Đưa mô hình vào hoạt động thực tế để đưa ra dự đoán hoặc quyết định. C. Vẽ lại các biểu đồ đánh giá mô hình. D. Viết lại báo cáo về quá trình huấn luyện.

A. Để so sánh hiệu suất của hai phiên bản mô hình khác nhau trên người dùng thực tế. B. Để kiểm tra xem mã nguồn có lỗi cú pháp hay không. C. Để chọn ra thuật toán tốt nhất chỉ dựa trên lý thuyết. D. Để tăng tốc độ huấn luyện mô hình.

A. Trình bày chi tiết tất cả các công thức toán học phức tạp. B. Tập trung vào ý nghĩa kinh doanh, lợi ích thực tế và giải thích kết quả một cách dễ hiểu, tránh thuật ngữ chuyên sâu. C. Chỉ hiển thị các dòng mã lệnh đã viết. D. So sánh chi tiết tốc độ chạy của các thuật toán khác nhau.

A. Mô hình chạy quá nhanh. B. Đảm bảo tính công bằng, tránh phân biệt đối xử do thiên kiến trong dữ liệu hoặc thuật toán. C. Sử dụng quá nhiều thư viện mã nguồn mở. D. Mô hình đạt độ chính xác quá cao.

A. Chỉ Huấn luyện -> Kiểm thử. B. Thu thập dữ liệu -> Chỉ Trực quan hóa. C. Hiểu bài toán -> Thu thập/Chuẩn bị dữ liệu -> Xây dựng mô hình -> Đánh giá -> Triển khai -> Giám sát. D. Chỉ Lập trình -> Chạy thử -> Báo cáo.

A. Vì mọi bài toán đều có thể dùng chung chỉ số Accuracy. B. Vì các chỉ số khác nhau (Accuracy, Precision, Recall, F1, AUC...) đo lường các khía cạnh khác nhau về hiệu suất; ví dụ, trong bài toán phát hiện bệnh hiếm, Recall (khả năng phát hiện ca bệnh) quan trọng hơn Accuracy. C. Vì chỉ số phức tạp hơn luôn tốt hơn chỉ số đơn giản. D. Vì việc chọn chỉ số chỉ ảnh hưởng đến cách vẽ biểu đồ cuối cùng.

A. Machine Learning (Học máy) B. Natural Language Processing (NLP) C. Reinforcement Learning (Học tăng cường) D. Computer Vision (Thị giác máy tính)

A. Hệ chuyên gia (Expert Systems) B. Lập kế hoạch tự động (Automated Planning) C. Hệ thống gợi ý (Recommender Systems) - một nhánh của ML D. Robot tự hành (Autonomous Robots)

A. Machine Learning B. Natural Language Processing C. Data Structures and Algorithms (Cấu trúc dữ liệu và giải thuật) D. Computer Vision

A. Thay thế hoàn toàn bác sĩ phẫu thuật trong mọi ca mổ. B. Hỗ trợ chẩn đoán bệnh từ hình ảnh y tế, phân tích dữ liệu bệnh nhân. C. Quyết định chi phí bảo hiểm y tế cho bệnh nhân. D. Thiết kế bao bì thuốc.

A. Phát minh ra bóng bán dẫn. B. Hội nghị Dartmouth năm 1956. C. Sự ra đời của mạng Internet. D. Phát hành máy tính cá nhân đầu tiên.

A. Phân tích thị trường chứng khoán. B. Tạo ra chú thích tự động cho hình ảnh (Image Captioning). C. Tối ưu hóa chuỗi cung ứng. D. Chơi game chiến thuật thời gian thực.

A. Xây dựng ngay một mô hình dự đoán cuối cùng. B. Tìm hiểu sâu về cấu trúc, đặc điểm, phân phối của dữ liệu, phát hiện các mẫu và điểm bất thường ban đầu, hình thành giả thuyết. C. Làm sạch toàn bộ dữ liệu một cách triệt để. D. Viết báo cáo tổng kết dự án.

A. Chạy một file mã nguồn Python. B. Gỡ cài đặt một thư viện. C. Cài đặt một thư viện mới từ Python Package Index (PyPI). D. Tạo một môi trường ảo mới.

A. Số lượng dòng và cột của DataFrame. B. Các thống kê mô tả cơ bản cho các cột số (như count, mean, std, min, max...). C. Vẽ biểu đồ phân tán cho tất cả các cặp cột số. D. Liệt kê tất cả các giá trị duy nhất trong mỗi cột.

A. Là dữ liệu đầu vào của mô hình. B. Là tên của biến cần dự đoán. C. Là giá trị thực tế của biến mục tiêu mà mô hình cần học để dự đoán. D. Là độ đo hiệu suất của mô hình.

A. Phân loại dữ liệu thành các nhóm khác nhau. B. Tăng số lượng đặc trưng của dữ liệu. C. Giảm số chiều của dữ liệu trong khi cố gắng giữ lại nhiều thông tin (phương sai) nhất. D. Dự đoán một giá trị số liên tục.

A. Chỉ cho biết độ chính xác tổng thể (Accuracy). B. Cho biết chi tiết số lượng mẫu được phân loại đúng/sai cho từng lớp (True Positives, True Negatives, False Positives, False Negatives). C. Cho biết thời gian huấn luyện mô hình. D. So sánh hiệu suất của nhiều mô hình khác nhau trên cùng một biểu đồ.

A. Chỉ ảnh hưởng đến số lượng lớp ẩn trong mạng. B. Quyết định tốc độ đọc dữ liệu từ đĩa cứng. C. Kiểm soát độ lớn của việc cập nhật trọng số trong mỗi bước huấn luyện; quá lớn có thể khiến mô hình không hội tụ, quá nhỏ khiến huấn luyện quá chậm. D. Xác định hàm kích hoạt nào sẽ được sử dụng.

A. Thay thế hoàn toàn vai trò của giáo viên. B. Tạo ra các bài kiểm tra tự động chấm điểm. C. Cung cấp gia sư ảo cá nhân hóa, giải đáp thắc mắc cho học sinh. D. Xây dựng cơ sở vật chất cho trường học.

A. Để đảm bảo LLM luôn đưa ra cùng một câu trả lời chính xác cho cùng một câu hỏi, không bị mâu thuẫn. B. Để LLM trả lời nhanh hơn. C. Để làm cho câu trả lời của LLM đa dạng hơn. D. Chỉ quan trọng khi prompt rất ngắn.

A. Làm chậm tiến độ dự án. B. Giúp các thành viên trong nhóm (và cả bản thân trong tương lai) hiểu rõ hơn về các quyết định, mã nguồn, dữ liệu và kết quả. C. Chỉ cần thiết cho các dự án thất bại. D. Chỉ dành cho người quản lý dự án đọc.

A. Dữ liệu luôn ở định dạng hoàn hảo và sẵn sàng sử dụng. B. Tích hợp dữ liệu từ nhiều nguồn khác nhau với định dạng và chất lượng không đồng nhất. C. Thiếu các thuật toán để xử lý dữ liệu. D. Có quá ít dữ liệu để làm sạch.

A. Mã nguồn của mô hình phải luôn được công khai. B. Khả năng hiểu và giải thích cách thức hoạt động của mô hình và dữ liệu được sử dụng. C. Giao diện người dùng của ứng dụng phải trong suốt. D. Tốc độ xử lý của mô hình phải nhanh.

A. Tỷ lệ phần trăm các dự đoán đúng. B. Độ lớn trung bình của sai số giữa giá trị dự đoán và giá trị thực tế, không quan tâm đến dấu. C. Bình phương trung bình của sai số. D. Mức độ tương quan tuyến tính giữa giá trị dự đoán và giá trị thực tế.

A. Giúp máy tính "nhìn" và hiểu hình ảnh. B. Cho phép máy tính hiểu, diễn giải và tạo ra ngôn ngữ của con người. C. Điều khiển robot thực hiện các nhiệm vụ vật lý. D. Tối ưu hóa các thuật toán tìm kiếm trên web.

A. Chỉ các bảng dữ liệu có cấu trúc. B. Hình ảnh nghệ thuật, các đoạn nhạc, hay thậm chí viết code. C. Chỉ các báo cáo tài chính. D. Chỉ các bản vẽ kỹ thuật chi tiết.

A. Trợ lý giọng nói trên điện thoại (ví dụ: Siri, Google Assistant). B. Hệ thống gợi ý phim trên Netflix. C. Tính năng mở khóa điện thoại bằng nhận diện khuôn mặt. D. Phần mềm kiểm tra ngữ pháp tự động.

A. Lập trình tường minh mọi quy tắc cho máy tính. B. Xây dựng các robot giống người. C. Cho phép hệ thống tự động học hỏi và cải thiện từ kinh nghiệm (dữ liệu). D. Thiết kế cơ sở dữ liệu hiệu quả.

A. Dữ liệu không có nhãn hoặc thông tin đầu ra. B. Dữ liệu đầu vào đi kèm với "nhãn" hoặc kết quả đầu ra chính xác tương ứng. C. Chỉ dữ liệu dạng văn bản. D. Chỉ dữ liệu dạng hình ảnh.

A. Giao thông vận tải B. Y tế C. Xây dựng / Tòa nhà thông minh D. Kinh tế - Tài chính

A. Tốc độ thực hiện các phép tính số học lớn. B. Khả năng lưu trữ chính xác một lượng lớn thông tin chi tiết. C. Khả năng thích ứng linh hoạt, học hỏi từ ít dữ liệu, và hiểu biết ngữ cảnh, lẽ thường. D. Khả năng hoạt động liên tục 24/7 mà không cần nghỉ ngơi.

A. Khó khăn trong việc thu thập, lưu trữ và gán nhãn dữ liệu, đặc biệt với các lĩnh vực dữ liệu hiếm hoặc nhạy cảm. B. Làm cho các mô hình trở nên quá đơn giản. C. Giảm chi phí tính toán cần thiết. D. Khiến Trợ lý thông minh không thể áp dụng cho bài toán phân loại.

A. Vì dữ liệu chất lượng thấp giúp mô hình học nhanh hơn. B. Vì mô hình học máy chỉ tốt tương ứng với chất lượng dữ liệu đầu vào ("Garbage In, Garbage Out"). C. Vì dữ liệu chất lượng cao luôn có sẵn và dễ tìm. D. Vì chất lượng dữ liệu không ảnh hưởng đến kết quả cuối cùng.

A. Chỉ từ sách giáo khoa. B. Cơ sở dữ liệu công ty, API công cộng, khảo sát người dùng, dữ liệu mở từ chính phủ. C. Chỉ từ trí tưởng tượng của nhà khoa học dữ liệu. D. Chỉ từ các bài báo khoa học đã xuất bản.

A. Một file video MP4. B. Một bài đăng trên mạng xã hội. C. Một bảng dữ liệu trong file Excel với các hàng và cột rõ ràng. D. Một file ghi âm bài giảng.

A. Chỉ trực quan hóa dữ liệu. B. Xử lý giá trị thiếu, loại bỏ dữ liệu nhiễu, chuẩn hóa định dạng. C. Chỉ xây dựng mô hình học máy. D. Viết báo cáo cuối cùng.

A. Làm phức tạp hóa quy trình làm việc. B. Giúp hiểu rõ hơn về các đặc tính của dữ liệu, phát hiện các mối quan hệ tiềm ẩn, và định hướng cho việc lựa chọn mô hình. C. Thay thế hoàn toàn nhu cầu làm sạch dữ liệu. D. Chỉ cần thiết nếu dữ liệu có kích thước rất nhỏ.

A. Làm cho báo cáo trông màu sắc hơn. B. Truyền đạt thông tin và kết quả phân tích một cách hiệu quả, dễ hiểu qua biểu đồ, đồ thị. C. Mã hóa dữ liệu để bảo mật. D. Thay thế việc lưu trữ dữ liệu trong cơ sở dữ liệu.

A. Python B. Java C. SQL (Structured Query Language) D. HTML

A. Chỉ phụ thuộc vào sở thích của người phân tích. B. Tỷ lệ dữ liệu bị thiếu, bản chất của dữ liệu, và tác động tiềm ẩn đến kết quả phân tích hoặc mô hình. C. Chỉ phụ thuộc vào kích thước của toàn bộ tập dữ liệu. D. Luôn luôn nên xóa dữ liệu bị thiếu.

A. DataFrame B. Series C. Mảng đa chiều (N-dimensional array - ndarray) D. Dictionary

A. Xây dựng giao diện người dùng đồ họa. B. Thao tác, xử lý và phân tích dữ liệu dạng bảng (tabular data). C. Thực hiện các phép toán ma trận phức tạp hiệu năng cao. D. Vẽ các biểu đồ 3D tương tác.

A. Khi mô hình học quá tốt trên tập huấn luyện và kém trên tập kiểm tra. B. Khi mô hình quá đơn giản, không nắm bắt được quy luật cơ bản trong dữ liệu, dẫn đến hiệu suất kém trên cả tập huấn luyện và tập kiểm tra. C. Khi mô hình chỉ hoạt động tốt trên tập kiểm tra. D. Khi thời gian huấn luyện mô hình quá lâu.

A. Để làm cho quá trình huấn luyện diễn ra nhanh hơn. B. Để kiểm tra khả năng tổng quát hóa thực sự của mô hình đối với dữ liệu mới. C. Để tăng độ chính xác trên tập huấn luyện. D. Chỉ là một bước hình thức, không có ý nghĩa thực tế.

A. Trả về giá trị đầu vào nếu đầu vào là dương, và trả về 0 nếu đầu vào là âm. B. Luôn trả về giá trị trong khoảng từ 0 đến 1. C. Chỉ được sử dụng ở lớp đầu ra của mạng phân loại nhị phân. D. Làm cho mạng nơ-ron học chậm hơn.

A. Độ dài của prompt. B. Việc cung cấp thông tin nền, ví dụ cụ thể, hoặc định dạng đầu ra mong muốn. C. Sử dụng các từ ngữ phức tạp và khó hiểu. D. Không cung cấp bất kỳ thông tin bổ sung nào.

A. Tự động sửa lỗi phần cứng máy tính. B. Tạo sinh mã nguồn (code generation), giải thích đoạn mã, hoặc tìm lỗi trong code. C. Thiết kế giao diện đồ họa cho ứng dụng. D. Quản lý cơ sở dữ liệu quan hệ.

A. Học thuộc lòng một vài ví dụ trước khi trả lời. B. Thực hiện một tác vụ mà không cần bất kỳ ví dụ cụ thể nào được cung cấp trong prompt. C. Chỉ trả lời các câu hỏi có/không. D. Tạo ra một prompt mới từ một prompt cũ.

A. Vì prompt đầu tiên luôn là prompt tốt nhất. B. Vì LLM hiểu mọi prompt một cách hoàn hảo ngay lần đầu. C. Vì cần tinh chỉnh prompt dựa trên kết quả thực tế để đạt được hiệu suất mong muốn từ LLM. D. Chỉ để kéo dài thời gian thực hiện công việc.

A. LLM không thể đọc văn bản dài. B. Đảm bảo bản tóm tắt giữ lại được các ý chính quan trọng và không bị mất thông tin cốt lõi hoặc bịa đặt thêm. C. LLM chỉ có thể tóm tắt văn bản tiếng Anh. D. Bản tóm tắt luôn dài hơn văn bản gốc.

A. Làm cho LLM trả lời chậm hơn. B. Định hướng LLM sử dụng kiến thức, phong cách và thuật ngữ phù hợp với vai trò được giao, giúp câu trả lời phù hợp và đáng tin cậy hơn trong ngữ cảnh đó. C. Chỉ có tác dụng với các LLM nhỏ. D. Giới hạn khả năng sáng tạo của LLM.

A. Lựa chọn ngay một thuật toán Deep Learning phức tạp. B. Thu thập càng nhiều dữ liệu càng tốt mà không cần mục tiêu. C. Xác định rõ ràng bài toán cần giải quyết và mục tiêu kinh doanh/nghiên cứu cụ thể. D. Viết mã nguồn cho phần giao diện người dùng.

A. Để xem mô hình có bao nhiêu tham số. B. Để đo lường hiệu suất của mô hình (ví dụ: độ chính xác, độ phủ) và xem nó có đáp ứng yêu cầu đặt ra hay không. C. Để làm cho mô hình huấn luyện lâu hơn. D. Chỉ để tạo ra các biểu đồ đẹp mắt.

A. Rất ít, không đáng kể. B. Thường chiếm một phần đáng kể, thậm chí là phần lớn thời gian và công sức của dự án. C. Chỉ cần thiết nếu dữ liệu bị lỗi hoàn toàn. D. Có thể bỏ qua nếu có đủ dữ liệu.

A. Chỉ để làm cho bài thuyết trình dài hơn. B. Giúp người nghe (kể cả người không chuyên) dễ dàng hiểu được kết quả, ý nghĩa và hoạt động của mô hình. C. Vì các con số và bảng biểu khó hiểu hơn. D. Không quan trọng bằng việc trình bày mã nguồn chi tiết.

A. Chỉ lưu mô hình đã huấn luyện trên ổ cứng. B. Tích hợp mô hình vào một ứng dụng web để phân loại email spam tự động. C. Viết báo cáo về kết quả huấn luyện mô hình. D. Xóa dữ liệu đã dùng để huấn luyện mô hình.

A. Chỉ làm tăng tính quan liêu trong dự án. B. Giúp đảm bảo tính nhất quán, khả năng tái lập, quản lý hiệu quả các bước từ chuẩn bị dữ liệu đến triển khai và giám sát, đặc biệt khi có nhiều người tham gia. C. Chỉ cần thiết cho các dự án cá nhân. D. Làm giảm tốc độ hoàn thành dự án.

A. Chúng hoàn toàn tách biệt và không liên quan. B. Trợ lý thông minh cung cấp "trí tuệ" (khả năng nhận thức, ra quyết định) cho các robot vật lý. C. Robotics là một nhánh con của Trợ lý thông minh. D. Trợ lý thông minh chỉ là phần mềm, Robotics chỉ là phần cứng.

A. Thay thế hoàn toàn kỹ sư thiết kế kết cấu. B. Tối ưu hóa lịch trình thi công, giám sát an toàn lao động qua hình ảnh. C. Tự động sản xuất tất cả các loại vật liệu xây dựng. D. Quyết định vị trí xây dựng các công trình công cộng.

A. Sự phát minh ra thuật toán Perceptron đơn lớp. B. Sự gia tăng về lượng dữ liệu lớn (Big Data) và khả năng tính toán của phần cứng (GPU). C. Chi phí triển khai Trợ lý thông minh giảm xuống mức không đáng kể. D. Các mô hình Deep Learning trở nên dễ hiểu và giải thích hơn.

A. Học từ một lượng lớn dữ liệu có nhãn. B. Mô phỏng quá trình ra quyết định của một chuyên gia trong lĩnh vực hẹp dựa trên cơ sở tri thức và bộ quy tắc suy diễn. C. Tối ưu hóa một hàm mục tiêu thông qua thử và sai. D. Tự động tạo ra các nội dung mới chưa từng có.

A. Trợ lý thông minh đưa ra dự đoán không chính xác. B. Việc thu thập và sử dụng lượng lớn dữ liệu cá nhân để huấn luyện mô hình Trợ lý thông minh. C. Mô hình Trợ lý thông minh quá lớn và tốn tài nguyên tính toán. D. Trợ lý thông minh không thể giải thích được quyết định của mình.

A. Định nghĩa, mô tả, kiểu dữ liệu, và các thông tin khác về các trường (cột) trong một tập dữ liệu hoặc cơ sở dữ liệu. B. Danh sách các thuật toán khoa học dữ liệu. C. Hướng dẫn cài đặt phần mềm phân tích dữ liệu. D. Kết quả phân tích dữ liệu.

A. Vì dữ liệu cũ luôn tốt hơn dữ liệu mới. B. Vì dữ liệu cần phải có sẵn và cập nhật đủ nhanh để phục vụ cho việc ra quyết định hoặc phân tích kịp thời. C. Vì dữ liệu phải được lưu trữ trong một khoảng thời gian dài. D. Vì dữ liệu phải có định dạng chuẩn.

A. Chỉ trong giai đoạn triển khai mô hình. B. Trong giai đoạn tích hợp và làm sạch dữ liệu. C. Chỉ trong giai đoạn trực quan hóa dữ liệu. D. Chỉ trong giai đoạn lựa chọn thuật toán.

A. Chuyển đổi dữ liệu số liên tục thành dữ liệu hạng mục. B. Chuẩn hóa dữ liệu số về cùng một thang đo. C. Chuyển đổi các biến hạng mục (categorical) thành dạng số nhị phân mà các thuật toán học máy có thể xử lý được. D. Giảm số chiều của dữ liệu.

A. Tăng tốc độ huấn luyện mô hình lên K lần. B. Cung cấp một ước lượng đáng tin cậy hơn về hiệu suất của mô hình trên dữ liệu mới, giảm sự phụ thuộc vào một lần chia train/test duy nhất. C. Tự động chọn ra các đặc trưng tốt nhất. D. Chỉ áp dụng được cho các mô hình học không giám sát.

A. Temperature cao làm tăng tốc độ tạo văn bản. B. Temperature thấp (gần 0) làm cho kết quả có tính xác định, lặp lại nhiều hơn; temperature cao làm tăng tính ngẫu nhiên, sáng tạo (và cả khả năng sai lệch). C. Temperature chỉ ảnh hưởng đến độ dài của văn bản được tạo ra. D. Temperature không có tác dụng gì đối với các LLM hiện đại.

A. Một prompt duy nhất hoạt động tốt cho mọi tác vụ. B. Một cấu trúc prompt được định sẵn với các vị trí trống để điền thông tin cụ thể, giúp tạo prompt một cách nhất quán và hiệu quả. C. Một thư viện chứa các prompt ví dụ. D. Tên của một mô hình ngôn ngữ lớn.

A. Chỉ cần dán mã nguồn vào mà không cần giải thích gì thêm. B. Chỉ định rõ ràng ngôn ngữ lập trình, mục tiêu của đoạn mã, hoặc yêu cầu giải thích cụ thể. C. Yêu cầu LLM viết mã càng phức tạp càng tốt. D. Luôn yêu cầu LLM sử dụng các biến có tên dài.

A. Thể hiện sự yếu kém của nhóm thực hiện dự án. B. Thể hiện sự hiểu biết sâu sắc về giới hạn của giải pháp hiện tại và định hướng phát triển tiếp theo một cách khoa học và trung thực. C. Chỉ là một phần không bắt buộc trong báo cáo. D. Cho thấy dự án đã thất bại hoàn toàn.