Trong ngữ cảnh của khai phá dữ liệu, thuật ngữ 'outlier' (giá trị ngoại lệ) đề cập đến điều gì?

• A. Các giá trị dự đoán sai bởi mô hình.
• B. Các giá trị không có trong tập dữ liệu.
• C. Các giá trị khác biệt đáng kể so với phần lớn các giá trị khác trong tập dữ liệu.
• D. Các giá trị bị thiếu trong tập dữ liệu.

Mục tiêu chính của việc sử dụng các kỹ thuật khai phá dữ liệu trong lĩnh vực marketing là gì?

• A. Giảm chi phí lưu trữ dữ liệu.
• B. Tăng cường bảo mật dữ liệu khách hàng.
• C. Cải thiện khả năng dự đoán hành vi khách hàng, cá nhân hóa trải nghiệm và tăng hiệu quả các chiến dịch marketing.
• D. Tự động hóa quy trình báo cáo marketing.

Khi nào thì việc sử dụng 'PCA (Principal Component Analysis)' trở nên hữu ích trong khai phá dữ liệu?

• A. Khi cần phân loại dữ liệu thành các nhóm khác nhau.
• B. Khi cần giảm số lượng chiều dữ liệu trong khi vẫn giữ lại thông tin quan trọng.
• C. Khi cần tìm ra các luật kết hợp giữa các mục dữ liệu.
• D. Khi cần dự đoán giá trị của một biến số dựa trên các biến số khác.

Trong khai phá dữ liệu, 'recall' (độ phủ) là gì và nó quan trọng trong trường hợp nào?

• A. Tỷ lệ các trường hợp dự đoán đúng trên tổng số các trường hợp được dự đoán.
• B. Tỷ lệ các trường hợp dự đoán đúng là dương tính trên tổng số các trường hợp thực tế là dương tính, quan trọng khi cần giảm thiểu các trường hợp bỏ sót.
• C. Tỷ lệ các trường hợp dự đoán đúng trên tổng số các trường hợp.
• D. Tỷ lệ các trường hợp dự đoán sai trên tổng số các trường hợp.

Trong khai phá dữ liệu, thuật toán nào thường được sử dụng để phân loại dữ liệu dựa trên một tập hợp các luật được xây dựng từ dữ liệu huấn luyện?

• A. K-means
• B. Apriori
• C. Decision Tree (Cây quyết định)
• D. PCA (Principal Component Analysis)

Trong khai phá dữ liệu, phương pháp nào thường được sử dụng để giảm số lượng chiều dữ liệu, giúp đơn giản hóa mô hình và giảm overfitting?

• A. Chuẩn hóa dữ liệu (Data Normalization)
• B. Rút gọn chiều dữ liệu (Dimensionality Reduction)
• C. Phân tích tương quan (Correlation Analysis)
• D. Làm sạch dữ liệu (Data Cleaning)

Khi nào thì việc sử dụng phương pháp 'làm sạch dữ liệu' (data cleaning) trở nên đặc biệt quan trọng trong quá trình khai phá dữ liệu?

• A. Khi dữ liệu đã được chuẩn hóa hoàn toàn.
• B. Khi dữ liệu chứa nhiều giá trị thiếu, nhiễu hoặc không nhất quán.
• C. Khi dữ liệu đã được chuyển đổi sang định dạng phù hợp.
• D. Khi dữ liệu có kích thước nhỏ và dễ quản lý.

Trong khai phá dữ liệu, 'cross-selling' (bán chéo) là gì và nó được thực hiện như thế nào?

• A. Bán sản phẩm với giá thấp hơn để thu hút khách hàng mới.
• B. Giới thiệu các sản phẩm hoặc dịch vụ liên quan đến sản phẩm mà khách hàng đã mua hoặc quan tâm, thường dựa trên phân tích luật kết hợp.
• C. Tập trung vào việc bán các sản phẩm cao cấp hơn cho khách hàng hiện tại.
• D. Cung cấp các chương trình khuyến mãi đặc biệt cho khách hàng thân thiết.

Trong các thuật toán phân cụm, thuật toán nào yêu cầu xác định trước số lượng cụm (k) cần tìm?

• A. Apriori
• B. K-means
• C. PCA (Principal Component Analysis)
• D. Support Vector Machine (SVM)

Trong các phương pháp đánh giá mô hình khai phá dữ liệu, phương pháp nào chia dữ liệu thành tập huấn luyện và tập kiểm tra để đánh giá khả năng tổng quát hóa của mô hình?

• A. Phân tích phương sai (ANOVA)
• B. Kiểm định giả thuyết (Hypothesis Testing)
• C. Cross-validation (Kiểm định chéo)
• D. Phân tích hồi quy (Regression Analysis)

Trong khai phá dữ liệu, 'overfitting' xảy ra khi nào?

• A. Mô hình quá đơn giản và không thể nắm bắt được các mẫu trong dữ liệu.
• B. Mô hình học quá kỹ các chi tiết nhiễu trong dữ liệu huấn luyện, dẫn đến kém hiệu quả trên dữ liệu mới.
• C. Dữ liệu huấn luyện không đủ lớn để xây dựng một mô hình chính xác.
• D. Quá trình tiền xử lý dữ liệu không được thực hiện đúng cách.

Khi nào thì việc sử dụng 'support vector machine (SVM)' trở nên phù hợp trong khai phá dữ liệu?

• A. Khi dữ liệu có số lượng đặc trưng rất lớn và mối quan hệ giữa các đặc trưng là tuyến tính.
• B. Khi cần một mô hình đơn giản và dễ giải thích.
• C. Khi cần một mô hình có khả năng xử lý dữ liệu phi tuyến tính tốt và có độ chính xác cao.
• D. Khi cần giảm số lượng chiều dữ liệu.

Trong khai phá dữ liệu, thuật ngữ 'precision' (độ chính xác) là gì và nó quan trọng trong trường hợp nào?

• A. Tỷ lệ các trường hợp dự đoán đúng trên tổng số các trường hợp thực tế.
• B. Tỷ lệ các trường hợp dự đoán đúng là dương tính trên tổng số các trường hợp được dự đoán là dương tính, quan trọng khi cần giảm thiểu các dự đoán sai là dương tính.
• C. Tỷ lệ các trường hợp dự đoán đúng trên tổng số các trường hợp.
• D. Tỷ lệ các trường hợp dự đoán sai trên tổng số các trường hợp.

Trong khai phá dữ liệu, thuật ngữ 'bias' (độ lệch) trong mô hình học máy đề cập đến điều gì?

• A. Sự khác biệt giữa kết quả dự đoán của mô hình và giá trị thực tế.
• B. Xu hướng của mô hình học máy để đơn giản hóa quá mức dữ liệu, dẫn đến hiệu suất kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.
• C. Khả năng của mô hình để khái quát hóa tốt trên dữ liệu mới.
• D. Mức độ phức tạp của mô hình học máy.

Phương pháp nào sau đây giúp giảm thiểu tác động của các giá trị ngoại lệ (outliers) trong quá trình xây dựng mô hình khai phá dữ liệu?

• A. Chuẩn hóa dữ liệu (Data Normalization) hoặc Rút gọn chiều dữ liệu (Dimensionality Reduction)
• B. Làm sạch dữ liệu (Data Cleaning) và sử dụng các thuật toán mạnh mẽ với outliers.
• C. Phân tích tương quan (Correlation Analysis)
• D. Trực quan hóa dữ liệu (Data Visualization)

Thuật ngữ nào mô tả quá trình chuyển đổi dữ liệu thô sang định dạng phù hợp hơn cho việc phân tích, bao gồm làm sạch, chuyển đổi và tích hợp dữ liệu?

• A. Trực quan hóa dữ liệu (Data Visualization)
• B. Khai phá dữ liệu (Data Mining)
• C. Tiền xử lý dữ liệu (Data Preprocessing)
• D. Phân tích hồi quy (Regression Analysis)

Phương pháp nào sau đây được sử dụng để đánh giá hiệu suất của một mô hình phân loại?

• A. RMSE (Root Mean Squared Error)
• B. Độ chính xác (Accuracy), Precision, Recall, F1-score
• C. MAE (Mean Absolute Error)
• D. R-squared

Trong khai phá dữ liệu, kỹ thuật 'clustering' (phân cụm) được sử dụng để làm gì?

• A. Dự đoán giá trị của một biến số dựa trên các biến số khác.
• B. Phân loại dữ liệu vào các nhóm đã được định nghĩa trước.
• C. Tìm ra các nhóm dữ liệu tương tự nhau dựa trên các đặc điểm của chúng.
• D. Tìm ra các luật kết hợp giữa các mục dữ liệu.

Một siêu thị muốn tối ưu hóa việc sắp xếp hàng hóa trên kệ để tăng doanh số bán hàng. Kỹ thuật khai phá dữ liệu nào có thể giúp họ đạt được mục tiêu này?

• A. Phân tích hồi quy (Regression Analysis)
• B. Phân tích luật kết hợp (Association Rule Mining) để tìm ra các sản phẩm thường được mua cùng nhau.
• C. Phân cụm (Clustering) để phân nhóm khách hàng.
• D. Phân loại (Classification) để dự đoán hành vi khách hàng.

Một công ty muốn dự đoán khả năng khách hàng rời bỏ (churn) dịch vụ của họ. Kỹ thuật khai phá dữ liệu nào phù hợp nhất để giải quyết vấn đề này?

• A. Phân tích luật kết hợp (Association Rule Mining)
• B. Phân tích hồi quy (Regression Analysis)
• C. Phân loại (Classification)
• D. Phân cụm (Clustering)

Đâu là một thách thức lớn khi làm việc với dữ liệu lớn (Big Data) trong khai phá dữ liệu?

• A. Thiếu các thuật toán khai phá dữ liệu phù hợp.
• B. Khó khăn trong việc lưu trữ, xử lý và phân tích dữ liệu với tốc độ và quy mô lớn.
• C. Chi phí phần mềm khai phá dữ liệu quá cao.
• D. Sự thiếu hụt nhân lực có kỹ năng khai phá dữ liệu.

Trong khai phá dữ liệu, thuật ngữ 'feature engineering' (kỹ thuật đặc trưng) đề cập đến điều gì?

• A. Quá trình lựa chọn các thuật toán khai phá dữ liệu phù hợp nhất.
• B. Quá trình biến đổi và tạo ra các đặc trưng mới từ dữ liệu hiện có để cải thiện hiệu suất của mô hình.
• C. Quá trình loại bỏ các đặc trưng không liên quan khỏi dữ liệu.
• D. Quá trình trực quan hóa dữ liệu để hiểu rõ hơn về các đặc trưng.

Khi nào thì việc sử dụng 'random forest' (rừng ngẫu nhiên) trở nên phù hợp trong khai phá dữ liệu?

• A. Khi dữ liệu có ít đặc trưng và mối quan hệ giữa các đặc trưng là tuyến tính.
• B. Khi cần một mô hình đơn giản và dễ giải thích.
• C. Khi cần một mô hình có độ chính xác cao và khả năng xử lý dữ liệu phức tạp tốt.
• D. Khi cần giảm số lượng chiều dữ liệu.

Trong khai phá dữ liệu, thuật ngữ 'F1-score' là gì và nó được tính như thế nào?

• A. Trung bình cộng của precision và recall.
• B. Trung bình điều hòa của precision và recall, F1-score = 2 * (precision * recall) / (precision + recall).
• C. Tỷ lệ các trường hợp dự đoán đúng trên tổng số các trường hợp.
• D. Tỷ lệ các trường hợp dự đoán sai trên tổng số các trường hợp.

Một công ty muốn phân tích ý kiến của khách hàng về sản phẩm của họ từ các bình luận trên mạng xã hội. Kỹ thuật khai phá dữ liệu nào phù hợp nhất để giải quyết vấn đề này?

• A. Phân tích luật kết hợp (Association Rule Mining)
• B. Phân tích tình cảm (Sentiment Analysis)
• C. Phân cụm (Clustering)
• D. Phân loại (Classification)

Phương pháp nào trong khai phá dữ liệu được sử dụng để tìm ra các mối quan hệ hoặc quy luật phổ biến giữa các mục dữ liệu trong một tập dữ liệu lớn, ví dụ như phân tích giỏ hàng?

• A. Phân tích hồi quy (Regression Analysis)
• B. Phân tích luật kết hợp (Association Rule Mining)
• C. Phân tích phương sai (ANOVA)
• D. Phân tích chuỗi thời gian (Time Series Analysis)

Trong khai phá dữ liệu, thuật ngữ 'ensemble learning' (học tập kết hợp) đề cập đến điều gì?

• A. Quá trình kết hợp nhiều mô hình học máy khác nhau để cải thiện hiệu suất tổng thể.
• B. Quá trình lựa chọn các đặc trưng quan trọng nhất từ dữ liệu.
• C. Quá trình làm sạch và tiền xử lý dữ liệu.
• D. Quá trình trực quan hóa dữ liệu để hiểu rõ hơn về các mẫu.

Kỹ thuật nào sau đây thường được sử dụng để xử lý dữ liệu bị thiếu trong quá trình tiền xử lý dữ liệu?

• A. Phân tích hồi quy (Regression Analysis)
• B. Thay thế bằng giá trị trung bình, trung vị hoặc một giá trị mặc định.
• C. Phân tích phương sai (ANOVA)
• D. Trực quan hóa dữ liệu (Data Visualization)

Trong khai phá dữ liệu, 'regularization' (chính quy hóa) là gì và nó được sử dụng để làm gì?

• A. Quá trình chuẩn hóa dữ liệu để có phân phối Gaussian.
• B. Kỹ thuật thêm một hình phạt vào hàm mất mát để ngăn chặn overfitting bằng cách giảm độ phức tạp của mô hình.
• C. Quá trình lựa chọn các đặc trưng quan trọng nhất từ dữ liệu.
• D. Quá trình trực quan hóa dữ liệu để hiểu rõ hơn về các mẫu.

Trong phân tích luật kết hợp, độ đo 'support' (hỗ trợ) của một luật cho biết điều gì?

• A. Xác suất luật đó là đúng.
• B. Tần suất xuất hiện của các mục trong luật trong tập dữ liệu.
• C. Độ tin cậy của luật.
• D. Mức độ quan trọng của luật đối với người dùng.