Trang chủ
Trắc nghiệm
Trắc nghiệm Xử lý ngôn ngữ tự nhiên
Bộ 8 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Quay lại danh mục Trắc nghiệm Xử lý ngôn ngữ tự nhiên

Bộ 8 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Thời gian còn lại: --:--

Kết quả của bạn:

Bạn đã đúng:

Bạn đã sai:

Tổng số câu:

Câu 1: Trong lịch sử phát triển của xử lý ngôn ngữ tự nhiên, mục tiêu chính của Phép thử Turing (Turing Test) là gì?

A. Xác định xem máy tính có thể mô phỏng các tế bào thần kinh của con người hay không.
B. Đánh giá xem máy tính có khả năng biểu hiện hành vi thông minh tương đương hoặc không thể phân biệt được với con người hay không.
C. Đo lường tốc độ xử lý các câu lệnh ngôn ngữ lập trình của máy tính.
D. Kiểm tra khả năng lưu trữ lượng từ vựng khổng lồ của một hệ thống cơ sở dữ liệu.

💡 Lời giải chi tiết:

Theo định nghĩa của Alan Turing, phép thử này nhằm kiểm tra khả năng của máy trong việc thực hiện các hành vi trí tuệ khiến người quan sát không thể phân biệt được với con người, Kết luận Lý giải Đánh giá xem máy tính có khả năng biểu hiện hành vi thông minh tương đương hoặc không thể phân biệt được với con người hay không.

Câu 2: Sự khác biệt cốt lõi giữa Stemming và Lemmatization trong tiền xử lý văn bản là gì?

A. Stemming dựa trên từ điển để tìm từ gốc, còn Lemmatization chỉ cắt bỏ các hậu tố một cách cơ học.
B. Stemming luôn giữ nguyên nghĩa của từ, trong khi Lemmatization có thể thay đổi nghĩa hoàn toàn.
C. Stemming thường cắt bỏ các phần cuối từ theo quy tắc cứng nhắc, còn Lemmatization sử dụng phân tích hình thái học để đưa từ về dạng từ điển hợp lệ.
D. Lemmatization nhanh hơn rất nhiều so với Stemming vì không cần tra cứu dữ liệu phức tạp.

💡 Lời giải chi tiết:

Trong xử lý ngôn ngữ, Stemming là quá trình cắt đuôi từ dựa trên quy tắc đơn giản, trong khi Lemmatization xem xét ngữ cảnh và cấu trúc từ điển để trả về gốc từ chính xác, Kết luận Lý giải Stemming thường cắt bỏ các phần cuối từ theo quy tắc cứng nhắc, còn Lemmatization sử dụng phân tích hình thái học để đưa từ về dạng từ điển hợp lệ.

Câu 3: Tại sao việc loại bỏ 'Stop words' không phải lúc nào cũng có lợi trong các bài toán NLP như Phân tích cảm xúc (Sentiment Analysis)?

A. Vì 'Stop words' là những từ mang trọng số TF-IDF cao nhất trong mọi văn bản.
B. Vì một số 'Stop words' như 'not' hoặc 'no' có thể đảo ngược hoàn toàn ý nghĩa cảm xúc của câu văn.
C. Vì việc loại bỏ 'Stop words' sẽ làm tăng đáng kể độ nhiễu của mô hình học máy.
D. Vì 'Stop words' giúp máy tính xác định được tác giả của văn bản đó là ai.

💡 Lời giải chi tiết:

Các từ dừng mang tính phủ định đóng vai trò quyết định trong việc xác định sắc thái tình cảm của câu, do đó việc loại bỏ chúng có thể dẫn đến sai lệch kết quả phân tích, Kết luận Lý giải Vì một số 'Stop words' như 'not' hoặc 'no' có thể đảo ngược hoàn toàn ý nghĩa cảm xúc của câu văn.

Câu 4: Trong công thức TF-IDF, thành phần IDF (Inverse Document Frequency) đóng vai trò gì?

A. Tăng trọng số cho các từ xuất hiện rất thường xuyên trong tất cả các tài liệu của tập dữ liệu.
B. Giảm trọng số của các từ xuất hiện quá phổ biến và tăng trọng số cho các từ hiếm mang tính đặc trưng cao.
C. Đếm tổng số lượng từ có trong một tài liệu cụ thể để chuẩn hóa độ dài.
D. Tính toán xác suất xuất hiện của một từ dựa trên mô hình Markov.

💡 Lời giải chi tiết:

IDF giúp làm nổi bật những từ có khả năng phân biệt giữa các tài liệu bằng cách giảm tầm quan trọng của những từ phổ biến như 'the', 'is', 'a', Kết luận Lý giải Giảm trọng số của các từ xuất hiện quá phổ biến và tăng trọng số cho các từ hiếm mang tính đặc trưng cao.

Câu 5: Mô hình Word2Vec với kiến trúc Skip-gram hoạt động dựa trên nguyên lý nào?

A. Dự đoán từ mục tiêu dựa trên các từ ngữ cảnh xung quanh nó.
B. Dự đoán các từ ngữ cảnh xung quanh dựa trên một từ mục tiêu cho trước.
C. Sử dụng ma trận hiệp xuất hiện để tính toán mối quan hệ giữa các từ trên toàn bộ tập dữ liệu.
D. Mã hóa mỗi từ thành một chỉ số duy nhất (One-hot encoding) mà không quan tâm đến ngữ nghĩa.

💡 Lời giải chi tiết:

Kiến trúc Skip-gram được thiết kế để học các vector từ bằng cách lấy một từ làm đầu vào và cố gắng dự đoán các từ nằm trong cửa sổ ngữ cảnh của nó, Kết luận Lý giải Dự đoán các từ ngữ cảnh xung quanh dựa trên một từ mục tiêu cho trước.

Câu 6: Kỹ thuật Named Entity Recognition (NER) được sử dụng để thực hiện nhiệm vụ nào sau đây?

A. Tóm tắt nội dung chính của một đoạn văn bản dài thành một câu ngắn.
B. Dịch tự động từ ngôn ngữ này sang ngôn ngữ khác mà vẫn giữ nguyên ngữ pháp.
C. Xác định và phân loại các thực thể như tên người, tổ chức, địa điểm trong văn bản.
D. Kiểm tra lỗi chính tả và gợi ý từ thay thế phù hợp trong câu.

💡 Lời giải chi tiết:

NER là một nhiệm vụ quan trọng trong trích xuất thông tin nhằm tìm kiếm và gán nhãn các danh từ riêng vào các nhóm thực thể xác định, Kết luận Lý giải Xác định và phân loại các thực thể như tên người, tổ chức, địa điểm trong văn bản.

Câu 7: Thách thức lớn nhất của bài toán Gán nhãn từ loại (POS Tagging) khi gặp các từ như 'book' trong tiếng Anh là gì?

A. Từ này quá ngắn nên mô hình không thể nhận diện được các ký tự.
B. Từ này có thể là danh từ hoặc động từ tùy thuộc vào ngữ cảnh của câu.
C. Từ này không bao giờ xuất hiện trong các bộ dữ liệu huấn luyện phổ biến.
D. Từ này có quá nhiều từ đồng nghĩa nên máy tính bị nhầm lẫn.

💡 Lời giải chi tiết:

Tính đa nghĩa về mặt từ loại (như 'book' có thể là cuốn sách hoặc đặt chỗ) yêu cầu mô hình phải phân tích các từ xung quanh để đưa ra nhãn chính xác, Kết luận Lý giải Từ này có thể là danh từ hoặc động từ tùy thuộc vào ngữ cảnh của câu.

Câu 8: Trong mô hình Hidden Markov Model (HMM) ứng dụng cho NLP, 'Xác suất chuyển trạng thái' (Transition Probability) đại diện cho điều gì?

A. Xác suất một từ cụ thể được tạo ra từ một nhãn từ loại cho trước.
B. Xác suất một nhãn từ loại này được theo sau bởi một nhãn từ loại khác.
C. Tỷ lệ xuất hiện của một từ trong toàn bộ văn bản huấn luyện.
D. Khả năng một câu văn kết thúc tại một vị trí bất kỳ.

💡 Lời giải chi tiết:

Trong HMM, xác suất chuyển trạng thái mô tả logic trình tự của các thẻ (tags), ví dụ như xác suất một tính từ thường đứng trước một danh từ, Kết luận Lý giải Xác suất một nhãn từ loại này được theo sau bởi một nhãn từ loại khác.

Câu 9: Vấn đề 'Vanishing Gradient' (Biến mất đạo hàm) trong mạng nơ-ron hồi quy (RNN) truyền thống gây ra hậu quả gì?

A. Làm cho mô hình học quá nhanh dẫn đến hiện tượng quá khớp (Overfitting).
B. Khiến mô hình khó học được các phụ thuộc xa (long-range dependencies) trong các câu dài.
C. Làm tăng kích thước của bộ nhớ cần thiết để lưu trữ các tham số mô hình.
D. Khiến mô hình chỉ có thể xử lý được các ký tự số thay vì văn bản.

💡 Lời giải chi tiết:

Khi đạo hàm trở nên quá nhỏ trong quá trình lan truyền ngược qua thời gian, RNN không còn khả năng cập nhật trọng số hiệu quả cho các thông tin ở xa trong quá khứ, Kết luận Lý giải Khiến mô hình khó học được các phụ thuộc xa (long-range dependencies) trong các câu dài.

Câu 10: Cơ chế 'Self-Attention' trong kiến trúc Transformer giải quyết vấn đề gì so với RNN?

A. Cho phép tính toán song song toàn bộ các từ trong câu thay vì phải xử lý tuần tự từng từ.
B. Loại bỏ hoàn toàn nhu cầu sử dụng vector nhúng từ (Word Embeddings).
C. Giảm số lượng tham số của mô hình xuống mức tối thiểu để chạy trên thiết bị yếu.
D. Ngăn chặn việc mô hình sử dụng quá nhiều dữ liệu từ internet.

💡 Lời giải chi tiết:

Self-attention cho phép mô hình nhìn vào toàn bộ các từ trong chuỗi cùng lúc để xác định mối quan hệ giữa chúng, giúp tăng tốc độ huấn luyện qua việc song song hóa, Kết luận Lý giải Cho phép tính toán song song toàn bộ các từ trong câu thay vì phải xử lý tuần tự từng từ.

Câu 11: Mô hình BERT (Bidirectional Encoder Representations from Transformers) khác biệt với các mô hình ngôn ngữ truyền thống ở điểm nào?

A. Nó chỉ đọc văn bản từ trái sang phải để dự đoán từ tiếp theo.
B. Nó học ngữ cảnh của một từ từ cả hai phía trái và phải cùng một lúc thông qua nhiệm vụ Masked LM.
C. Nó không sử dụng cơ chế Attention mà dựa trên các tầng tích chập (CNN).
D. Nó được thiết kế riêng để chỉ xử lý các văn bản ngắn như tin nhắn Twitter.

💡 Lời giải chi tiết:

BERT sử dụng kỹ thuật che đi một số từ trong câu và yêu cầu mô hình dự đoán chúng dựa trên toàn bộ ngữ cảnh xung quanh, tạo ra biểu diễn hai chiều thực sự, Kết luận Lý giải Nó học ngữ cảnh của một từ từ cả hai phía trái và phải cùng một lúc thông qua nhiệm vụ Masked LM.

Câu 12: Kiến trúc của mô hình GPT (Generative Pre-trained Transformer) chủ yếu dựa trên thành phần nào của Transformer?

A. Chỉ sử dụng phần Encoder để trích xuất đặc trưng văn bản.
B. Sử dụng cả Encoder và Decoder nối tiếp nhau để dịch máy.
C. Chỉ sử dụng phần Decoder để thực hiện nhiệm vụ dự đoán từ tiếp theo (Auto-regressive).
D. Sử dụng một mạng nơ-ron tích chập thay thế hoàn toàn cho Transformer.

💡 Lời giải chi tiết:

Dòng mô hình GPT tập trung vào khả năng sinh văn bản bằng cách sử dụng các tầng Decoder chồng lên nhau để dự đoán xác suất của từ tiếp theo dựa trên các từ đã xuất hiện, Kết luận Lý giải Chỉ sử dụng phần Decoder để thực hiện nhiệm vụ dự đoán từ tiếp theo (Auto-regressive).

Câu 13: Chỉ số BLEU (Bilingual Evaluation Understudy) thường được sử dụng để đánh giá chất lượng của hệ thống nào?

A. Hệ thống nhận dạng giọng nói từ âm thanh sang văn bản.
B. Hệ thống dịch máy (Machine Translation) dựa trên sự tương đồng n-gram với bản dịch chuẩn.
C. Hệ thống phân loại thư rác dựa trên tần suất xuất hiện của từ khóa.
D. Hệ thống kiểm tra tính đúng đắn của các cấu trúc ngữ pháp phức tạp.

💡 Lời giải chi tiết:

BLEU đo lường mức độ trùng khớp của các cụm từ (n-grams) giữa văn bản máy dịch và văn bản do con người dịch để đưa ra điểm số định lượng, Kết luận Lý giải Hệ thống dịch máy (Machine Translation) dựa trên sự tương đồng n-gram với bản dịch chuẩn.

Câu 14: Trong đánh giá mô hình ngôn ngữ, giá trị 'Perplexity' thấp có ý nghĩa gì?

A. Mô hình đang gặp khó khăn trong việc hiểu cấu trúc câu văn.
B. Mô hình có khả năng dự đoán từ tiếp theo trong chuỗi một cách chính xác và tự tin hơn.
C. Mô hình bị quá khớp và không thể áp dụng cho các dữ liệu mới.
D. Mô hình tốn rất nhiều thời gian để xử lý một truy vấn đơn giản.

💡 Lời giải chi tiết:

Perplexity tỷ lệ nghịch với xác suất mà mô hình gán cho tập dữ liệu kiểm tra, vì vậy giá trị thấp cho thấy mô hình dự báo sát với thực tế hơn, Kết luận Lý giải Mô hình có khả năng dự đoán từ tiếp theo trong chuỗi một cách chính xác và tự tin hơn.

Câu 15: Kỹ thuật 'Aspect-based Sentiment Analysis' (Phân tích cảm xúc dựa trên khía cạnh) khác gì so với phân tích cảm xúc thông thường?

A. Nó chỉ quan tâm đến việc văn bản đó là tiếng Anh hay tiếng Việt.
B. Nó xác định thái độ đối với từng đặc tính cụ thể của thực thể thay vì đánh giá chung cho cả văn bản.
C. Nó bỏ qua toàn bộ các tính từ và chỉ tập trung vào các động từ trong câu.
D. Nó chỉ hoạt động hiệu quả khi văn bản có chứa các biểu tượng cảm xúc (emoji).

💡 Lời giải chi tiết:

Kỹ thuật này đi sâu vào chi tiết, ví dụ như trong một bài đánh giá điện thoại, nó có thể tách biệt cảm xúc về 'pin' (tích cực) và 'giá cả' (tiêu cực), Kết luận Lý giải Nó xác định thái độ đối với từng đặc tính cụ thể của thực thể thay vì đánh giá chung cho cả văn bản.

Câu 16: Trong Dependency Parsing (Phân tích cú pháp dựa trên sự phụ thuộc), mối quan hệ giữa các từ được biểu diễn như thế nào?

A. Dưới dạng các cụm từ lồng nhau theo cấu trúc phân cấp cây thành phần.
B. Dưới dạng các cung có hướng kết nối từ từ trung tâm (head) đến từ phụ thuộc (dependent).
C. Dưới dạng một danh sách các từ được sắp xếp theo thứ tự bảng chữ cái.
D. Dưới dạng các vector không gian nhiều chiều không có mối liên kết trực tiếp.

💡 Lời giải chi tiết:

Phân tích phụ thuộc tập trung vào các liên kết trực tiếp giữa các từ, chỉ ra từ nào bổ nghĩa hoặc chịu tác động từ từ nào trong cấu trúc câu, Kết luận Lý giải Dưới dạng các cung có hướng kết nối từ từ trung tâm (head) đến từ phụ thuộc (dependent).

Câu 17: Mô hình FastText của Facebook (Meta) cải tiến điều gì so với Word2Vec truyền thống?

A. Sử dụng ít bộ nhớ hơn bằng cách nén dữ liệu văn bản.
B. Xử lý tốt các từ hiếm hoặc từ ngoài từ vựng (OOV) bằng cách học biểu diễn của các n-gram ký tự.
C. Tăng tốc độ huấn luyện bằng cách loại bỏ các tầng ẩn trong mạng nơ-ron.
D. Cho phép mô hình học được các quy luật ngữ pháp phức tạp của tiếng Latin.

💡 Lời giải chi tiết:

Bằng cách phân tách từ thành các đoạn ký tự nhỏ, FastText có thể ước tính vector cho những từ mới chưa từng xuất hiện trong quá trình huấn luyện dựa trên cấu trúc của chúng, Kết luận Lý giải Xử lý tốt các từ hiếm hoặc từ ngoài từ vựng (OOV) bằng cách học biểu diễn của các n-gram ký tự.

Câu 18: Cơ chế 'Beam Search' trong các bài toán sinh ngôn ngữ (như Dịch máy) có tác dụng gì?

A. Luôn chọn từ có xác suất cao nhất tại mỗi bước để đảm bảo tốc độ nhanh nhất.
B. Mở rộng không gian tìm kiếm bằng cách giữ lại một số ứng viên tiềm năng nhất tại mỗi bước để tìm ra chuỗi câu có tổng xác suất cao nhất.
C. Loại bỏ hoàn toàn các từ hiếm gặp để tránh gây lỗi cho câu dịch.
D. Thay đổi ngẫu nhiên các từ trong câu để tạo ra sự đa dạng cho văn bản đầu ra.

💡 Lời giải chi tiết:

Beam Search giúp tránh việc rơi vào tối ưu cục bộ của thuật toán tham lam (Greedy Search) bằng cách duy trì một tập hợp các chuỗi giả thuyết có triển vọng, Kết luận Lý giải Mở rộng không gian tìm kiếm bằng cách giữ lại một số ứng viên tiềm năng nhất tại mỗi bước để tìm ra chuỗi câu có tổng xác suất cao nhất.

Câu 19: Điểm khác biệt chính giữa chỉ số ROUGE và BLEU là gì?

A. ROUGE đo lường độ chính xác (Precision), còn BLEU đo lường độ gợi nhớ (Recall).
B. ROUGE tập trung vào độ gợi nhớ (Recall) và thường dùng cho tóm tắt văn bản, còn BLEU tập trung vào độ chính xác (Precision) và dùng cho dịch máy.
C. ROUGE chỉ dành cho tiếng Anh, còn BLEU có thể dùng cho mọi ngôn ngữ.
D. BLEU yêu cầu nhiều bản dịch tham chiếu hơn so với ROUGE.

💡 Lời giải chi tiết:

Trong khi BLEU kiểm tra xem bao nhiêu phần của bản dịch máy xuất hiện trong bản gốc, ROUGE kiểm tra xem bao nhiêu nội dung quan trọng của bản gốc được máy giữ lại, Kết luận Lý giải ROUGE tập trung vào độ gợi nhớ (Recall) và thường dùng cho tóm tắt văn bản, còn BLEU tập trung vào độ chính xác (Precision) và dùng cho dịch máy.

Câu 20: Khái niệm 'Zero-shot learning' trong NLP hiện đại đề cập đến khả năng nào của mô hình?

A. Mô hình có thể thực hiện một tác vụ mới mà không cần thêm bất kỳ dữ liệu huấn luyện nào cho tác vụ đó.
B. Mô hình tự động xóa bỏ toàn bộ dữ liệu cũ sau khi hoàn thành một chu kỳ huấn luyện.
C. Mô hình yêu cầu ít nhất 1.000 ví dụ mẫu để có thể hiểu được yêu cầu của người dùng.
D. Mô hình chỉ có thể xử lý các câu văn có đúng 0 lỗi chính tả.

💡 Lời giải chi tiết:

Dựa trên kiến thức rộng lớn từ quá trình tiền huấn luyện, các mô hình ngôn ngữ lớn có thể hiểu hướng dẫn và thực hiện các yêu cầu mà nó chưa từng được học trực tiếp, Kết luận Lý giải Mô hình có thể thực hiện một tác vụ mới mà không cần thêm bất kỳ dữ liệu huấn luyện nào cho tác vụ đó.

Câu 21: Tại sao 'Byte Pair Encoding' (BPE) lại trở thành phương pháp Tokenization phổ biến cho các mô hình như GPT?

A. Vì nó giúp mã hóa văn bản thành các số nguyên tố để bảo mật dữ liệu.
B. Vì nó cân bằng giữa kích thước từ vựng và khả năng biểu diễn các từ hiếm bằng cách chia nhỏ từ thành các đơn vị dưới cấp từ (sub-words).
C. Vì nó tự động dịch văn bản sang mã nhị phân để máy tính xử lý nhanh hơn.
D. Vì nó loại bỏ hoàn toàn các dấu câu và khoảng trắng trong văn bản.

💡 Lời giải chi tiết:

BPE giải quyết bài toán từ vựng mở bằng cách phân rã các từ phức tạp thành các phân đoạn nhỏ phổ biến, giúp mô hình không bao giờ gặp lỗi 'out-of-vocabulary', Kết luận Lý giải Vì nó cân bằng giữa kích thước từ vựng và khả năng biểu diễn các từ hiếm bằng cách chia nhỏ từ thành các đơn vị dưới cấp từ (sub-words).

Câu 22: Nhiệm vụ 'Word Sense Disambiguation' (Khử nhập nhằng nghĩa từ) giải quyết vấn đề nào?

A. Xác định nghĩa đúng của một từ đa nghĩa dựa trên ngữ cảnh cụ thể của nó trong câu.
B. Đếm số lượng từ đồng nghĩa hiện có trong một bộ từ điển ngôn ngữ.
C. Chuyển đổi một từ từ dạng danh từ sang dạng tính từ một cách tự động.
D. Phát hiện xem một từ có phải là từ mượn từ ngôn ngữ nước ngoài hay không.

💡 Lời giải chi tiết:

Cùng một từ có thể mang nhiều nghĩa khác nhau (ví dụ từ 'đường' có thể là gia vị hoặc lối đi), và nhiệm vụ này giúp máy tính chọn đúng nghĩa dựa vào các từ xung quanh, Kết luận Lý giải Xác định nghĩa đúng của một từ đa nghĩa dựa trên ngữ cảnh cụ thể của nó trong câu.

Câu 23: Trong mô hình chủ đề Latent Dirichlet Allocation (LDA), mỗi 'Chủ đề' (Topic) được định nghĩa là gì?

A. Một tiêu đề duy nhất do con người đặt ra cho mỗi tài liệu.
B. Một phân phối xác suất trên tập hợp các từ vựng.
C. Một danh sách các câu văn có độ dài bằng nhau trong văn bản.
D. Một thuật toán để phân loại văn bản vào các thư mục có sẵn.

💡 Lời giải chi tiết:

LDA coi mỗi chủ đề là một sự kết hợp của các từ với các xác suất khác nhau, và mỗi tài liệu là một sự kết hợp của nhiều chủ đề, Kết luận Lý giải Một phân phối xác suất trên tập hợp các từ vựng.

Câu 24: Lợi ích chính của việc sử dụng mạng LSTM (Long Short-Term Memory) so với mạng RNN đơn giản là gì?

A. LSTM có ít tham số hơn nên huấn luyện nhanh hơn RNN.
B. LSTM sử dụng các 'cổng' (gates) để kiểm soát dòng thông tin, giúp lưu giữ thông tin quan trọng trong thời gian dài.
C. LSTM không cần sử dụng hàm kích hoạt phi tuyến tính như Tanh hay ReLU.
D. LSTM chỉ có thể xử lý dữ liệu dạng bảng thay vì dữ liệu dạng chuỗi.

💡 Lời giải chi tiết:

Cấu trúc ô nhớ và các cổng đóng/mở của LSTM cho phép nó quyết định thông tin nào cần nhớ và thông tin nào cần quên, khắc phục hiệu quả hiện tượng mất trí nhớ ngắn hạn của RNN, Kết luận Lý giải LSTM sử dụng các 'cổng' (gates) để kiểm soát dòng thông tin, giúp lưu giữ thông tin quan trọng trong thời gian dài.

Câu 25: Hàm 'Softmax' thường được đặt ở tầng cuối cùng của các mô hình phân loại văn bản với mục đích gì?

A. Nén các giá trị đầu ra vào khoảng từ âm vô cùng đến dương vô cùng.
B. Chuyển đổi các giá trị đầu ra (logits) thành một phân phối xác suất có tổng bằng 1.
C. Tự động loại bỏ các đặc trưng không quan trọng trước khi đưa ra dự đoán.
D. Tăng độ phức tạp của mô hình để đạt được độ chính xác cao hơn trên tập huấn luyện.

💡 Lời giải chi tiết:

Softmax biến đổi các số thực đầu ra thành các giá trị biểu thị xác suất cho từng nhãn lớp, giúp dễ dàng xác định lớp có khả năng cao nhất, Kết luận Lý giải Chuyển đổi các giá trị đầu ra (logits) thành một phân phối xác suất có tổng bằng 1.

Danh sách trắc nghiệm Làm bài tiếp theo

Danh sách các bộ trắc nghiệm:

Các bài trắc nghiệm liên quan

Bộ 9 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 296 lượt làm

Làm ngay

Bộ 10 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 113 lượt làm

Làm ngay

Bộ 11 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 130 lượt làm

Làm ngay

Bộ 12 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 147 lượt làm

Làm ngay

Bộ 13 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 164 lượt làm

Làm ngay

Bộ 14 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 181 lượt làm

Làm ngay

Bộ 8 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Kết quả của bạn:

Câu 1: Trong lịch sử phát triển của xử lý ngôn ngữ tự nhiên, mục tiêu chính của Phép thử Turing (Turing Test) là gì?

Câu 2: Sự khác biệt cốt lõi giữa Stemming và Lemmatization trong tiền xử lý văn bản là gì?

Câu 3: Tại sao việc loại bỏ 'Stop words' không phải lúc nào cũng có lợi trong các bài toán NLP như Phân tích cảm xúc (Sentiment Analysis)?

Câu 4: Trong công thức TF-IDF, thành phần IDF (Inverse Document Frequency) đóng vai trò gì?

Câu 5: Mô hình Word2Vec với kiến trúc Skip-gram hoạt động dựa trên nguyên lý nào?

Câu 6: Kỹ thuật Named Entity Recognition (NER) được sử dụng để thực hiện nhiệm vụ nào sau đây?

Câu 7: Thách thức lớn nhất của bài toán Gán nhãn từ loại (POS Tagging) khi gặp các từ như 'book' trong tiếng Anh là gì?

Câu 8: Trong mô hình Hidden Markov Model (HMM) ứng dụng cho NLP, 'Xác suất chuyển trạng thái' (Transition Probability) đại diện cho điều gì?

Câu 9: Vấn đề 'Vanishing Gradient' (Biến mất đạo hàm) trong mạng nơ-ron hồi quy (RNN) truyền thống gây ra hậu quả gì?

Câu 10: Cơ chế 'Self-Attention' trong kiến trúc Transformer giải quyết vấn đề gì so với RNN?

Câu 11: Mô hình BERT (Bidirectional Encoder Representations from Transformers) khác biệt với các mô hình ngôn ngữ truyền thống ở điểm nào?

Câu 12: Kiến trúc của mô hình GPT (Generative Pre-trained Transformer) chủ yếu dựa trên thành phần nào của Transformer?

Câu 13: Chỉ số BLEU (Bilingual Evaluation Understudy) thường được sử dụng để đánh giá chất lượng của hệ thống nào?

Câu 14: Trong đánh giá mô hình ngôn ngữ, giá trị 'Perplexity' thấp có ý nghĩa gì?

Câu 15: Kỹ thuật 'Aspect-based Sentiment Analysis' (Phân tích cảm xúc dựa trên khía cạnh) khác gì so với phân tích cảm xúc thông thường?

Câu 16: Trong Dependency Parsing (Phân tích cú pháp dựa trên sự phụ thuộc), mối quan hệ giữa các từ được biểu diễn như thế nào?

Câu 17: Mô hình FastText của Facebook (Meta) cải tiến điều gì so với Word2Vec truyền thống?

Câu 18: Cơ chế 'Beam Search' trong các bài toán sinh ngôn ngữ (như Dịch máy) có tác dụng gì?

Câu 19: Điểm khác biệt chính giữa chỉ số ROUGE và BLEU là gì?

Câu 20: Khái niệm 'Zero-shot learning' trong NLP hiện đại đề cập đến khả năng nào của mô hình?

Câu 21: Tại sao 'Byte Pair Encoding' (BPE) lại trở thành phương pháp Tokenization phổ biến cho các mô hình như GPT?

Câu 22: Nhiệm vụ 'Word Sense Disambiguation' (Khử nhập nhằng nghĩa từ) giải quyết vấn đề nào?

Câu 23: Trong mô hình chủ đề Latent Dirichlet Allocation (LDA), mỗi 'Chủ đề' (Topic) được định nghĩa là gì?

Câu 24: Lợi ích chính của việc sử dụng mạng LSTM (Long Short-Term Memory) so với mạng RNN đơn giản là gì?

Câu 25: Hàm 'Softmax' thường được đặt ở tầng cuối cùng của các mô hình phân loại văn bản với mục đích gì?

Danh sách các bộ trắc nghiệm:

Voviethoang.top

Voviethoangseo.com

Seogenz.top