id stringlengths 4 7 | question stringlengths 56 865 | option_a stringlengths 2 319 | option_b stringlengths 2 171 | option_c stringlengths 2 302 | option_d stringlengths 4 224 | answer stringclasses 4
values | answer_index int64 0 3 | source stringclasses 3
values | module stringclasses 12
values | difficulty stringclasses 3
values | pdf_page int64 31 879 |
|---|---|---|---|---|---|---|---|---|---|---|---|
ve_29 | Hành động (action) nào sẽ kích hoạt (trigger) việc thực thi (execution) trong PySpark? | select() | count() | groupBy() | filter() | B | 1 | vietnamese_exam | Module_3A | EASY | 52 |
ex_43 | (không cộng thêm regularization). Hãy tính LMSE và LHuber, rồi chọn phương án khớp nhất với kết quả và nhận định về độ nhạy với ngoại lệ (outlier)? | mse = 3.768, Huber = 1.848 ⇒Mô hình dùng Huber ổn định hơn khi có ngoại lệ. | MSE = 2.200, Huber = 2.300 ⇒MSE ổn định hơn. | MSE = 2.200, Huber = 2.300 ⇒Huber ổn định hơn. | MSE = 3.768, Huber = 1.848 ⇒Hai mô hình chịu ảnh hưởng ngoại lệ như nhau. | A | 0 | exam | Module_4 | EASY | 128 |
qz_9_1 | Cho model Logistic Regression với BCE loss:
LBCE = -y log(ˆy) -(1 -y) log(1 -ˆy)
Cho trước w = 0.5, b = -0.2, learning rate η = 0.1 Sample: x = 2.0, y = 1
Tính giá trịw sau một bước update? | w = 0.438 | w = 0.5265 | w = 0.562 | w = 0.500 | C | 2 | quiz | Module_13 | HARD | 445 |
qz_5_2 | Cho hình minh họa. 0 1 2 3 4 1 8 3 9 7 data = 5 6 False True False True True False 8 9 7 out = Đoạn code nào sau đấy tạo ra dữ liệu out từ da ta như hình. A 1 data[data < 7] B 1 data[data < 6] C 1 data[data >= 6] D 1 data[data >= 7] | [3 4 5 6] | [0 1 3 2] | [3 4 6 5] | Error. | D | 3 | quiz | Module_9 | HARD | 428 |
qz_8_1 | Trong ứng dụng dự báo thời tiết, việc reshape dữ liệu nhiệt độ từ (36,) thành (6, 6) có mục đích gì? | Tổ chức dữ liệu theo cấu trúc có ý nghĩa (ví dụ: ngày và giờ) | Tăng số lượng dữ liệu. | Giảm kích thước dữ liệu. | Loại bỏ nhiễu. | A | 0 | quiz | Module_12 | HARD | 423 |
ve_25 | Thành phần nào sau đây KHÔ NG phải là thành phần chính trong kiến trúc PySpark? | Driver. | Executor. | Scheduler. | Compiler. | D | 3 | vietnamese_exam | Module_3A | EASY | 51 |
qz_8_5 | Hãy cho biết sau khi đưa sample 1 vào model, . . . đưa vào softmax, vector dự đoán của mô hình sẽ là? | (a) [1, 1, 1, 1, 1] | (b) [3, 2, 1, 3, 1] | (c) [2, 2, 2, 2, 2] | (d) [3, 3, 3, 3, 3] | A | 0 | quiz | Module_12 | HARD | 713 |
qz_5_7 | Đâu là giá trị output của conv1d khi đưa sample1 vào model? | (a) [0.2500, -0.8800, -0.7300, 1.4500] | (b) [-1.0100, -1.4000, -1.2000, 0.0500] | (c) [-0.5707, -0.9493, -0.7015, 0.5305] | (d) [-0.1200, 0.3400, 0.5500, -1.8000] | C | 2 | quiz | Module_9 | HARD | 711 |
ve_30 | Khi bạn muốn thêm một cột mới bonus = salary * 0.1 vào DataFrame df.
Câu lệnh nào đúng? | df.addColumn("bonus", df.salary * 0.1) | df.newColumn("bonus", df.salary * 0.1) | df.withColumn("bonus", df.salary * 0.1) | df.select("bonus", df.salary * 0.1) | C | 2 | vietnamese_exam | Module_3A | EASY | 52 |
ve_3 | Giả sử bạn cần xử lý một lượng lớn dữ liệu phát sinh theo thời gian thực. Giữa Batch Processing và Stream Processing, bạn sẽưu tiên cách tiếp cận nào cho việc thiết kế pipeline trong giai đoạn Extract vào Staging Area và tại sao? | Batch Processing, vì nó dễ triển khai hơn và tiết kiệm chi phí. | Batch Processing, vì nó cung cấp độ trễ thấp hơn (low latency) và cập nhật dữ liệu liên tục. | Stream Processing, vì nó được thiết kế để xử lý dữ liệu liên tục với độ trễ thấp (low latency) | Stream Processing, vì nó sử dụng ít tài nguyên tính toán hơn Batch Processing. | C | 2 | vietnamese_exam | Module_3A | EASY | 31 |
qz_10_7 | Dựa trên pipeline ATSC trong hình, hàm loss nào được sử dụng trực tiếp trong bước huấn luyện? | (a) MSELoss. | (b) CrossEntropyLoss. | (c) CTCLoss. | (d) KLDivLoss. | B | 1 | quiz | Module_14 | HARD | 722 |
qz_2_6 | Mỗi pixel của ảnh (H,W) sẽ được phân loại vào một trong 12 nhóm (cụm) khác nhau. Shape của label map sau khi lấy argmax theo chiều lớp là gì? | (a) shape=(1,) | (b) shape=(5,) | (c) shape=(H,W) | (d) shape=(5,H,W) | C | 2 | quiz | Module_6 | MEDIUM | 566 |
ex_64 | Đâu là giá trị output của Conv1d khi đưa sample 1 vào model? | [0.51, 0.60, 0.33, -0.51, 0.07, -0.34]. | [-0.43, -0.18, -0.05, 0.43, 0.31, -0.09]. | [0.4705, 0.2540]. | [-0.0875, 0.3090]. | A | 0 | exam | Module_4 | EASY | 366 |
qz_4_3 | Giả sử ta có hai mô hình Logistic Regression với cùng dữ liệu, nhưng mô hình A dùng learning rate η = 0.001, mô hình B dùng η = 1.0. Nhận xét nào đúng? | Mô hình B luôn đạt sai số nhỏ hơn. | Mô hình A hội tục hậm nhưng ổn định hơn. | Mô hình A dao động mạnh hơn mô hình B. | Cả hai sẽ hội tụ giống nhau. | B | 1 | quiz | Module_8 | HARD | 442 |
qz_6_1 | Trong mô hình Logistic Regression sử dụng hàm Tanh, với z = θTx, ˆy = tanh(z), và ˆys = ˆy + 1
2
,
Hàm loss Binary Cross-Entropy được tính trên ˆys. Đạo hàm của loss L theo tham sốθi được rút gọn thành:
1. ∂L ∂θi = xi · (ˆy -y)
2. ∂L ∂θi
= xi · (ˆys -y)
3. ∂L ∂θi
= xi · (ˆy + 1 -2y)
4. ∂L ∂θi
= xi · (1 -ˆy2) | ˆys = ˆy + 1 2. | ˆys = ˆy 2. | ˆys = 1 1 + e-ˆy. | ˆys = tanh-1(ˆy) 2 , đảm bảo khi ˆy = -1 thì ˆys = 0 và khi ˆy = 1 thì ˆys = 1. 440. | C | 2 | quiz | Module_10 | HARD | 443 |
qz_5_6 | (Hàm loss sẽ thiết kế sau). Có bao nhiêu model thiết kế đúng cho hình sau? | (a) Có 1. | (b) Có 2. | (c) Có 3. | (d) Có 4. | B | 1 | quiz | Module_9 | HARD | 568 |
qz_2_3 | Kết quả của đoạn code sau là:
1 s1 = pd.Series ([1, 2, 3], index =['a', 'b', 'c'])
2 s2 = pd.Series ([4, 5, 6], index =['b', 'c', 'd'])
3 s3 = s1.add(s2 , fill_value =0)
4 print(s3) | a: NaN, b: 6, c: 8, d: 6. | a: 1, b: 7, c: 9, d: 6. | a: 1, b: 6, c: 8, d: NaN. | a: 1, b: 6, c: 8, d: 6. | D | 3 | quiz | Module_6 | MEDIUM | 432 |
ve_54 | Hoàn thiện đoạn code Perform Joins ở phần 10.0. Biết rằng cần: • Thực hiện inner join giữa df và customer_demo_df trên khóa Customer_Name để bổ sung thông tin nhân khẩu học. • Sau đó thực hiện left join giữa kết quả trên với product_cat_df trên khóa Product để bổ sung thông tin loại sản phẩm (Category). • Hiển thị kết ... | Bob Johnson. | John Doe. | Jane Smith. | Sydney Waller. | A | 0 | vietnamese_exam | Module_3A | EASY | 63 |
qz_5_1 | Từ ma trận dữ liệu dưới đây: 3 4 5 6 2 7 8 9 7 data x Đoạn code nào sau đây lấy dữ liệu cột 2 và cột 3 (Dữ liệu được tô màu xanh) | 1 import numpy as np 2 data_x = np.array ([[3 , 4, 2], [5, 6, 7], [7, 8, 9]]) 3 result = data_x [:, [1, 2]] | 1 import numpy as np 2 data_x = np.array ([[3 , 4, 2], [5, 6, 7], [7, 8, 9]]) 3 result = data_x [1, [1, 2]] | 1 import numpy as np 2 data_x = np.array ([[3 , 4, 2], [5, 6, 7], [7, 8, 9]]) 3 result = data_x [[1, 2], :] | 1 import numpy as np 2 data_x = np.array ([[3 , 4, 2], [5, 6, 7], [7, 8, 9]]) 3 result = data_x [0:3 , [0, 2]] | A | 0 | quiz | Module_9 | HARD | 421 |
qz_7_4 | Cho đoạn code inference sau. Vai trò của torch.no_grad() trong đoạn code trên là gì?
1 # Compute accuracy for data X
2 with torch.no_grad ():
3 outputs = model(X)
4 predicted = torch.argmax(outputs , 1)
5 accuracy = (predicted == y).sum().item () / y.size (0)
6 print(f'Accuracy: {accuracy * 100:.2f}%') | Tắt chế độ training của model. | Tắt tính toán và lưu trữ gradient để tiết kiệm bộ nhớ và tăng tốc độ. | Ngăn model cập nhật trọng số. | Chuyển model sang chế độ evaluation. | B | 1 | quiz | Module_11 | HARD | 459 |
qz_1_13 | Cho biểu thức sau. Hỏi có bao nhiêu tham số cần huấn luyện, biết rằng D và d được cho trước và không tính chúng là tham số học được? | Là 0. | Là d*d. | Là d. | Không xác định. | A | 0 | quiz | Module_5 | EASY | 737 |
qz_9_4 | Pipeline dưới đây đang sử dụng kỹ thuật gì để xử lý vấn đề mất cân bằng dữ liệu? Luồng hoạt động này là đúng hay sai? A. Oversampling - Đúng B. Oversampling - Sai C. Undersampling - Đúng D. Undersampling - Sai Lời giải Trên ảnh đang sử dụng kỹ thuật oversampling vì nó đang tăng các dữ liệu về mèo lên (từ 3 lên 6). Luồn... | (a) 70% / 30% 875. | (b) 80% / 20%. | (c) 90% / 10%. | (d) 95% / 5% | B | 1 | quiz | Module_13 | HARD | 879 |
ve_7 | Hiện tại người phân tích cần tổng hợp các dữ liệu của các kho hàng tồn A, B thành "inventory_warehouse_master"(có code và cấu trúc như dưới), dựa vào code và thông tin dữ liệu của hai bảng "inventory_warehouse_A", "inventory_warehouse_B", liệu sẽ có vấn đề gì gặp phải? | Có, cụ thể là Invalid Foreign Key. | Có, cụ thể là Composite Key Collision. | Có, cụ thể là Foreign Key Collision. | Không gặp phải vấn đề gì. | B | 1 | vietnamese_exam | Module_3A | EASY | 37 |
ve_24 | Kiểm định Chi Squa re χ2 độc lập 2×2. Observed tại E2:F3, Expected đã tính sẵn tại H2:I3. Chọn công thức p-value đúng? | =CHISQ.TEST(E2:F3,H2:I3) | =CHISQ.TEST(H2:I3,E2:F3) | =CHISQ.DIST.RT(E2:F3,1) | =CHISQ.INV.RT(E2:F3,H2:I3) | A | 0 | vietnamese_exam | Module_3A | EASY | 50 |
ve_31 | Phát biểu nào sau đây về lazy evaluation trong PySpark là đúng? | Các phép biến đổi (transformations) chỉ được thực thi khi có hành động (action) được kích hoạt (trigger). | Transformations được thực thi ngay lập tức khi gọi. | Actions được thực thi lười biếng (lazy), còn transformations thì ngay lập tức. | Cả transformations và actions đều được thực thi ngay. | A | 0 | vietnamese_exam | Module_3A | EASY | 52 |
ex_51 | Skip Connection là cơ chế cốt lõi của kiến trúc U-Net, đóng vai trò ghép nối các đặc trưng từ nhánh Encoder sang nhánh Decoder. Tuy nhiên, việc không sử dụng kỹ thuật padding sẽ khiến kích thước feature map bị thu hẹp dần qua từng lớp, dẫn đến hiện tượng tensor ở nhánh Encoder luôn lớn hơn so với nhánh Decoder. Để khắc... | [128, 32, 32]. | [128, 28, 28]. | [128, 100, 100]. | [128, 52, 52]. | B | 1 | exam | Module_4 | EASY | 301 |
qz_3_1 | Hai cách khởi tạo model Linear trong PyTorch dưới đây có khác nhau không?
Code 1
1 Linear = nn.Linear (1, 1)
Code 2
1 Linear = nn.Sequential( 2 nn.Linear (1, 1)
3 ) | Có, cấu trúc model khác nhau (Linear vs Sequential container) | Không, hoàn toàn giống nhau. | Có, model2 có nhiều tham số hơn. | Có, model2 huấn luyện nhanh hơn. | A | 0 | quiz | Module_7 | MEDIUM | 456 |
ve_42 | Một tổ chức đã lưu trữ hàng terabyte dữ liệu dưới dạng các tệp JSON và CSV trong Amazon S3. Họ muốn sử dụng Amazon Athena để truy vấn dữ liệu này. Tuy nhiên, Athena cần biết cấu trúc (schema) của dữ liệu. Làm thế nào để giải quyết vấn đề này một cách hiệu quả nhất? | Tải tất cả dữ liệu vào một cơ sở dữ liệu quan hệ (relational database) để xác định schema. | sử dụng AWS Glue Crawlers để tự động quét dữ liệu trong S3, suy ra cấu trúc và tạo các bảng metadata trong AWS Glue Data Catalog mà Athena có thể sử dụng. | Viết một chương trình tùy chỉnh để đọc từng tệp và xác định thủ công schema của chúng. | Dùng AWS CloudWatch để giám sát các tệp dữ liệu. | B | 1 | vietnamese_exam | Module_3A | EASY | 56 |
qz_2_2 | Cho ma trận và vector M, v. Kết quả của nhân matrix M và vector v là:
M =
2
1
3
0
2
1
1
0
2
, v =
1
2
1 | 7 5 3 T. | 4 4 2 T. | 6 3 4 T. | 5 6 3 T. | A | 0 | quiz | Module_6 | MEDIUM | 426 |
ve_12 | Cho hình ảnh cuối của một Pivot Table và các bước như sau, hãy điền các bước vào vị trí [Blank] để có thể hoàn thành Pivot Table như trong ảnh. Các bước: Tạo Pivot Table Rows: Product_Category Rows: Sub_Category Values: Revenue Revenue: Number Format Currency [Blank] [Blank] [Blank] Sum of Revenue2: Rename . Lưu ý: Các... | Values: Revenue; Show Values As: % of Parent Total; Base Field: Product_Category. | Values: Revenue; Show Values As: % of Grand Total; Base Field: Sub_Category. | Values: Revenue; Show Values As: % of Column Total; Base Field: Product_Category. | Values: Revenue; Show Values As: % of Parent Total; Base Field: Sub_Category. | A | 0 | vietnamese_exam | Module_3A | EASY | 43 |
qz_6_2 | Tính trạng thái ẩn h2 tại thời điểm t = 2. sử dụng kết quảh1 từ câu 5? | h2 ≈[0.26, 0.53]T. | h2 ≈[-0.46, 0.46]T. | h2 ≈[0.15, 0.60]T. | h2 ≈[0.35, 0.12]T. | A | 0 | quiz | Module_10 | HARD | 505 |
ex_66 | Sau lớp Fully Connected, mô hình tạo ra logits cho từng token trong câu. Tensor logits cần có kích thước bằng bao nhiêu để phù hợp với đầu vào của hàm nn.CrossEntropyLoss trong bài toán POS Tagging? | (1, 2, 5). | (1, 5, 2). | (1, 4, 5). | (1, 5, 4). | C | 2 | exam | Module_4 | EASY | 370 |
qz_10_3 | sử dụng bài code ở câu 9 tiến hành train (vẫn sử dụng GRU). Kết quả test_accuracy với max_epoch = 20 là: | 83.32%. | 85.32%. | 82.2%. | 80.02%. | D | 3 | quiz | Module_14 | HARD | 521 |
qz_10_4 | Từ code của câu 9 chúng ta tiến hành áp dụng scheduler.
1 criterion = nn. CrossEntropyLoss ()
2 optimizer = Adam(model.parameters (), lr=1e-3, weight_decay =5e-4)
3 decayRate = 0.96
4 lr_scheduler = torch.optim.lr_scheduler.ExponentialLR(optimizer= optimizer , gamma=decayRate)
Kết quả test_accuracy với max_epoch = 20 l... | 86.01%. | 82.93%. | 83.32%. | 84.92%. | A | 0 | quiz | Module_14 | HARD | 526 |
ve_20 | Dòng tiền bắt đầu: 500. Các thay đổi: +120, -80, +60, -50. Hãy chọn cách tạo biểu đồ hợp lý nhất trong Excel? | Line Chart; thêm Secondary Axis. | Pie Chart; gắn nhãn Data Labels. | Waterfall Chart; thiết lập Total cho Starting và Ending Line/Histogram/Pie không phản ánh dòng tiền tích lũy theo giai đoạn. | Histogram; bin width = 50. | C | 2 | vietnamese_exam | Module_3A | EASY | 48 |
qz_7_8 | Mô hình giải quyết bài toán ATE dựa vào bài toán tổng quát nào sau đây? | (a) Sequence Labeling. | (b) Machine Translation. | (c) Topic Modeling. | (d) Summarization. | A | 0 | quiz | Module_11 | HARD | 720 |
qz_2_5 | Trong Logistic Regression với vectorization, giả sử X có kích thước (m, n + 1)
(với m samples và n + 1 features bao gồm bias) và θ có kích thước (n + 1, ), công thức nào sau đây đúng để tính z cho m samples?
A. z = X · θ B. z = θ · X
C. z = X ∗θ (phép nhân phần tử) D. z = θT · X | Mô hình B luôn đạt sai số nhỏ hơn. | Mô hình A hội tục hậm nhưng ổn định hơn. | Mô hình A dao động mạnh hơn mô hình B. | Cả hai sẽ hội tụ giống nhau. | A | 0 | quiz | Module_6 | MEDIUM | 441 |
ve_14 | Cho hình ảnh cuối của một Pivot Table và các bước như sau, hãy điền các bước vào vị trí [Blank] để có thể hoàn thành Pivot Table như trong ảnh. Các bước: Tạo Pivot Table Filters: Year (2015) Rows: Month Values: Profit Profit: Number Format Currency Values: Profit [Blank] [Blank] Sum of Profit2: Rename Growth_vs_Previou... | Show Values As: Running Total in; Month: (previous) | Show Values As: % Difference From; Month: (previous) | Show Values As: Rank Largest to Smallest; Month: (previous) | Show Values As: Difference From; Month: (previous) | D | 3 | vietnamese_exam | Module_3A | EASY | 45 |
qz_4_1 | Kết quả của đoạn code sau là: 1 data = pd.Series (['apple ', 'ban a na ', 'apple ', 'orange ', 'ban a na ']) 2 data.value_counts () | apple: 2, ban a na: 2, orange: 1. | apple: 1, ban a na: 2, orange: 2. | apple: 2, ban a na: 1, orange: 2. | apple: 1, ban a na: 1, orange: 3. | A | 0 | quiz | Module_8 | HARD | 433 |
qz_1_3 | Kết quả của đoạn code sau là:
1 import pandas as pd
2 import numpy as np
3 data = pd.Series ([10 , 20, 30, 40], index =[1, 2, 3, 4])
4
5 data.loc [2] | 30 | Lỗi KeyError. | 20 | NaN. | C | 2 | quiz | Module_5 | EASY | 432 |
ve_39 | Một kỹ sư dữ liệu muốn tự động hóa việc di chuyển các tệp dữ liệu hàng ngày từ một thư mục sang một vị trí lưu trữ đám mây. Thay vì sử dụng giao diện đồ họa (GUI), tại sao việc sử dụng Giao diện dòng lệnh (CLI) lại là lựa chọn tối ưu hơn trong trường hợp này? | cli không yêu cầu kiến thức kỹ thuật và dễ sử dụng cho người mới bắt đầu. | cli cung cấp giao diện trực quan và hình ảnh sinh động hơn gui. | cli cho phép tự động hóa các tác vụ lặp đi lặp lại thông qua script, tăng hiệu quả và giảm thiểu sai sót do thao tác thủ công. | gui không có khả năng thực hiện các tác vụ di chuyển tệp. | C | 2 | vietnamese_exam | Module_3A | EASY | 55 |
ex_42 | (Hard):
Xét dataset giá nhà gồm N = 5 mẫu ở trên (diện tích x theo m2, giá y theo tỷ VNĐ).
Giả sử mô hình hiện tại có w = 1.05 và b = 0.35.
Sử dụng Huber Loss có Regularization L2 chỉ trên w với λ = 0.1 và ngưỡng δ = 2.0:
LHuber(ˆy, y) = { 1/2(ˆy - y)², |ˆy - y| ≤ δ; δ|ˆy - y| - 1/2δ², ngược lại }
LHuberReg = 1/N Σᵢ LH... | (1.064653, 0.355280) | (1.164721, 0.366530) | (1.173784, 0.354912) | (1.094210, 0.352800) | B | 1 | exam | Module_4 | EASY | 127 |
qz_4_5 | xT = xMom T , vT = vMom T . Hãy tính giá trị sau 1 bước Nesterov, tức là xNAG T+1 . (Kết quả làm tròn đến 2 chữ số thập phân.) | (a) xNAG T+1 ≈2.91. | (b) xNAG T+1 ≈3.09. | (c) xNAG T+1 ≈2.26. | (d) xNAG T+1 ≈1.94. | C | 2 | quiz | Module_8 | HARD | 485 |
ex_56 | Hãy xác định output shape của mô hình là bao nhiêu?
Giả thiết bài toán: | (N, 25). | (N, 15). | (N, 35). | (N, 45). | C | 2 | exam | Module_4 | EASY | 331 |
ve_21 | Hai mẫu độc lập khác phương sai. Hãy lấy p-value hai phía (two-tailed) bằng hàm Excel (A: Group_A, B: Group_B)? | =T.TEST(A2:A11,B2:B11,1,3) | =T.TEST(A2:A11,B2:B11,2,2) | =T.TEST(A2:A11,B2:B11,2,3) | =T.TEST(A2:A11,B2:B11,2,1) | C | 2 | vietnamese_exam | Module_3A | EASY | 49 |
qz_7_5 | Trong PyTorch, khi sử dụng nn.RNN với batch_first=True như sau:
1 rnn = nn.RNN(input_size =1, hidden_size =32, batch_first=True)
2 output_rnn , hidden_rnn = rnn(x)
Giả sử đầu vào x có shape (B, L, 1) (với B là batch size và L là sequence length). Khi đó, shape đúng của output_rnn và hidden_rnn lần lượt là: | output_rnn: (B, 32), hidden_rnn: (B, L, 32) | output_rnn: (B, L, 32), hidden_rnn: (1, B, 32) | output_rnn: (L, B, 32), hidden_rnn: (B, 32) | output_rnn: (B, L, 1), hidden_rnn: (1, L, 32) | B | 1 | quiz | Module_11 | HARD | 506 |
qz_10_1 | Cho model Logistic Regression với MSE loss:
ˆy = σ(z) =
1
1 + e-z , z = wx + b LMSE = (ˆy -y)2
Cho trước: w = 0.5, b = -0.2, learning rate η = 0.1 Sample: x = 2.0, y = 1
Tính giá trịw sau một bước update? | w = 0.4735 | w = 0.5265 | w = 0.5000 | w = 0.7646 | B | 1 | quiz | Module_14 | HARD | 440 |
ex_63 | Hãy xác định shape đầu vào của convolution model Conv1d? | (1, 7, 2). | (1, 2, 7). | (1, 1, 6). | (1, 6, 2). | B | 1 | exam | Module_4 | EASY | 364 |
qz_6_4 | Biết rằng giá trị của vector output của lớp Conv1D khi mô hình nhận sample 2 là [-0.0385, -0.7279, -0.2772, -1.1053], hãy cho biết output của lớp Fully Connected (FC) là bao nhiêu? | (a) [0.75, 0.44] | (b) [0.12, -0.89] | (c) [-0.45, 1.02] | (d) [0.00, 0.00] | A | 0 | quiz | Module_10 | HARD | 711 |
ex_68 | Xác định chuỗi văn bản hoàn chỉnh được mô hình dự đoán từ token khởi tạo đã cho? | "hãy tỏa sáng theo cách của bạn". | "hãy tỏa sáng theo cách của mây". | "hãy theo cách của bạn". | "hãy tỏa sáng của bạn". | A | 0 | exam | Module_4 | EASY | 385 |
qz_5_3 | Kết quả của đoạn code sau là:
1 data = pd.Series ([5, 3, 5, 1, 3])
2 data.rank(method='min') | 0: 5.0, 1: 2.0, 2: 5.0, 3: 1.0, 4: 2.0. | 0: 4.0, 1: 2.0, 2: 4.0, 3: 1.0, 4: 2.0. | 0: 3.0, 1: 2.0, 2: 3.0, 3: 1.0, 4: 2.0. | 0: 4.0, 1: 3.0, 2: 4.0, 3: 1.0, 4: 3.0. | B | 1 | quiz | Module_9 | HARD | 433 |
qz_1_7 | Cho ma trận như hình bên dưới, kết quả của argmax(axis=1) là gì?
4
4
9
9
8
2
7
9
4
4
9
4
.argmax(axis=1) = | [0, 1, 0, 1] | [0, 0, 0, 1] | [1, 0, 1, 0] | [0, 2, 2, 1] | B | 1 | quiz | Module_5 | EASY | 455 |
ex_52 | Dựa trên sơ đồ kiến trúc dưới đây, bạn hãy hoàn thiện các phần code còn thiếu cho block Decoder và mô hình TwoStageDecoder tại Colab Notebook. 2 1 2 3 4 ? (1) conv 1x1 up-conv 2x2 copy and crop weight.shape = [1, 2, 1, 1] weight.shape = [1, 1, 2, 2] ? (2) 1x2x2x2 1x1x2x2 1x2x4x4 1x1x4x4 Để mô hình thực hiện đúng quy tr... | (2.6744, -0.4609). | (4.5765, 3.8665). | (-0.1248, 2.8253). | (4.1406, 4.0682). | A | 0 | exam | Module_4 | EASY | 306 |
ex_55 | Trong DETR, ảnh đầu vào được đưa qua backbone CNN để tạoo feature map, sau đó feature map được project về hidden dimension, flatten thành chuỗi token không gian và đưa vào transformer encoder. Ở phía decoder, mô hình sử dụng learned object queries để tạoo ra một fixed-size set các prediction outputs. Dựa trên pipeline ... | [2, 256, 8, 8], [2, 100, 80], 97. | [2, 64, 256], [2, 100, 81], 61. | [2, 64, 256], [2, 100, 81], 97. | [2, 64, 2048], [2, 81, 100], 96. | C | 2 | exam | Module_4 | EASY | 328 |
ex_57 | Hãy xác định output shape của mô hình là bao nhiêu?
Giả thiết bài toán: | (N, 30). | (N, 32). | (N, 35). | (N, 40). | B | 1 | exam | Module_4 | EASY | 332 |
qz_5_5 | Từ code của câu 4 chúng ta tiến hành thêm nhiễu bằng đoạn code:
1 transforms.RandomErasing(p=0.75 , 2 scale =(0.01 , 0.3) , 3 ratio =(1.0 , 1.0) , 4 value=0, 5 inplace =True)
Kết quả test_accuracy với max_epoch = 20 là: | 77.58%. | 75.48%. | 74.59%. | 79.62%. | D | 3 | quiz | Module_9 | HARD | 524 |
qz_1_2 | Hệ phương trình tuyến tính ( a1T1 + a2R1 = S1 a1T2 + a2R2 = S2 được biểu diễn dưới dạng ma trận là Ax = b. Trong biểu diễn này, ma trận A là gì?) | T1 T2.
R1 R2. | S1.
S2. | a1 a2. | T1 R1.
T2 R2. | D | 3 | quiz | Module_5 | EASY | 426 |
qz_4_6 | sử dụng đoạn code baseline của bài giảng, các bạn hãy tải về, chỉnh sửa kiến trúc model theo hình dưới đây và tiến hành huấn luyện (train) mô hình.
input (3, 32, 32)
(32, 16, 16)
(64, 8, 8)
(128, 4, 4) output
(3x3) Convolution padding='same' stride=1+ReLU
(2x2) max pooling Flatten Dense Layer Dense Layer + ReLU
Kết quả... | 76.58%. | 75.58%. | 78.18%. | 78.59%. | C | 2 | quiz | Module_8 | HARD | 524 |
qz_7_2 | sử dụng phương pháp nội suy tuyến tính(Linear Interpolation) để tìm các giá trị None 3.0
3.7
None 3.9 None 4.3
5.2
None
Các giá trị None trong hình theo thứ tự là: | 3.8, 4.1, None. | 3.8, 4.1, 5.2. | 3.85, 4.15, None. | 3.8, 4.1, 6.1. | A | 0 | quiz | Module_11 | HARD | 434 |
qz_7_1 | Cho hình minh họa. 0 1 2 3 4 data 5 6 7 8 0 1 2 3 4 5 6 7 8 out Đoạn code nào sau đây chuyển từ ma trận data thành ma trận out như hình. A 1 data [[1, 0, 2], :] B 1 data[:, [1, 0, 2]] C 1 data [[2, 1, 0], :] D 1 data[:, [2, 1, 0]] | 0 1 2 3 4 5 6 7 8426. | [0 1 3 2] | [3 4 6 5] | Error. | B | 1 | quiz | Module_11 | HARD | 429 |
qz_6_3 | Cho thông tin như hình vẽ. Chúng ta có skip-connection (SK) và tensor T. Hãy bắt cặp phù hợp giữa nhóm (SK, T) với (cung cấp thông tin cục bộ local, thông tin toàn cục global]
(3,128,128)
(64,64,64)
(128,32,32)
(256,16,16)
(512,8,8)
(512,4,4)
(512,8,8)
(256,16,16)
(128,32,32)
(64,64,64)
(3,128,128) Tensor T) | (a) SK–local và T–global. | (b) SK–global và T–global. | (c) SK–local và T–local. | (d) SK–global và T– local. | A | 0 | quiz | Module_10 | HARD | 569 |
ex_69 | Sau khi Encoder xử lý xong token thứ hai te, hidden state tương ứng là giá trị nào dưới đây? | [ 0.5309, -0.0725 ] | [ 0.5209, -0.0625 ] | [ 0.5409, -0.0825 ] | [ 0.5509, -0.0525 ] | A | 0 | exam | Module_4 | EASY | 393 |
qz_1_12 | Dựa vào câu bình luận trên, giá trị dự đoán phù hợp nhất của mô hình giải quyết bài toán ATE là gì? | (a) food. | (b) (food, positive) | (c) (food, very fresh) | (d) (food, very fresh, positive) | A | 0 | quiz | Module_5 | EASY | 717 |
qz_8_3 | Khi sử dụng hàm Tanh làm hàm kích hoạt trong bài toán phân loại nhịphân, đầu ra ˆy = tanh(z) nằm trong khoảng (-1, 1). Để chuyển đổi ˆy thành xác suất thuộc lớp
1 (trong khoảng [0, 1]), ta dùng công thức: | ˆys = ˆy + 1 2. | ˆys = ˆy 2. | ˆys = 1 1 + e-ˆy. | ˆys = tanh-1(ˆy) | A | 0 | quiz | Module_12 | HARD | 444 |
qz_1_6 | Hạn chế chính của Hồi quy Logistic mà Hồi quy Softmax giải quyết là gì? | Hồi quy Logistic không thể xử lý các đặc trưng đầu vào có tương quan với nhau. | Hồi quy Logistic đòi hỏi dữ liệu phải được chuẩn hóa thì mới cho kết quả chính xác. | Hồi quy Logistic về cơ bản chỉ được thiết kế cho bài toán phân loại nhịphân, trong khi Hồi quy Softmax xử lý được bài toán phân loại nhiều lớp. | Hồi quy Logistic sử dụng một hàm mất mát phức tạp hơn so với Hồi quy Softmax. | C | 2 | quiz | Module_5 | EASY | 447 |
ex_61 | Bạn mong muốn xây dựng một hệ thống Face Recognition với pipeline bao gồm: Face Detection, Face Alignment, Feature Extraction, và Feature Matching như hình minh họa bên dưới.
Face Alignment → Face Detector → Face Embedding → Vector Database → Feature Matching: A match!
Similarity = 0.81
→ ArcFace Feature Extractor
Hiện... | SCRFD-34GF. | SCRFD-10GF. | SCRFD-2.5GF. | SCRFD-0.5GF. | B | 1 | exam | Module_4 | EASY | 343 |
qz_8_4 | Từ code của câu 7 chúng ta tiến hành áp dụng Kernel regularization với hệ số như sau: 1 optimizer = Adam(model.parameters (), lr=1e-3, weight_decay =5e-4) Kết quả test_accuracy với max_epoch = 20 là: | 82.77%. | 83.77%. | 82.75%. | 83.75%. | C | 2 | quiz | Module_12 | HARD | 525 |
ve_51 | Hoàn thiện đoạn code RFM Base Calculation ở phần 5.0. Biết rằng cần: • Gom nhóm theo Customer_Name. • Tính toán các chỉ số: – Last_Purchase_Date = ngày giao dịch gần nhất. – Frequency = số lần giao dịch. – Monetary = tổng chi tiêu (Total_Cost). • Sau đó tính Recency = số ngày từ lần mua gần nhất đến ngày hiện tại. • Cu... | Recency = 16, Frequency = 774.73, Monetary = 655. | Recency = 2, Frequency = 81.75, Monetary = 1889. | Recency = 2, Frequency = 73.61, Monetary = 1103 . | Recency = 4, Frequency = 286.62, Monetary = 751. | A | 0 | vietnamese_exam | Module_3A | EASY | 61 |
qz_3_6 | Hãy xác định shape đầu vào của convolution model Conv1d? | (a) (1, 3, 6) | (b) (1, 6, 3) | (c) (1, 5, 2) | (d) (1, 2, 5) | D | 3 | quiz | Module_7 | MEDIUM | 710 |
qz_3_5 | Bài toán phân cụm (segmentation) ảnh có size=(H,W). Giải bài toán theo cách regression có được không? | (a) Được. | (b) Không được. | (c) Không xác định. | (d) Không biết. | A | 0 | quiz | Module_7 | MEDIUM | 567 |
qz_4_4 | Cho một mẫu dữ liệu có nhãn thật (sau khi mã hóa one-hot) là yT = [0, 1, 0, 0] và vector xác suất dự đoán từ mô hình là ˆyT = [0.2, 0.5, 0.1, 0.2]. Hàm mất mát cross-entropy L cho mẫu này được tính như thế nào? | L = -(0.2 + 0.5 + 0.1 + 0.2) | L = 0.5 | L = -log(0.5) | L = -log(0.2) | C | 2 | quiz | Module_8 | HARD | 448 |
ve_33 | Phép toán nào dưới đây sẽ gây ra xáo trộn (shuffle) trong PySpark? | map() | filter() | groupByKey() | mapPartitions() | C | 2 | vietnamese_exam | Module_3A | EASY | 53 |
ex_46 | (Easy): Hình bên mô phỏng Tournament Selection với kích thước giải đấu là 3 hoặc 2 và cạnh tranh bằng giá trị Fitness. Trong trường hợp này, biết giá trị Fitness = số lượng bit 1 trong cá thể, hỏi cá thể nào giành chiến thắng cuối cùng? 1 0 0 0 1 1 1 1 0 0 0 0 0 1 1 0 1 1 1 1 1 0 1 1 0 Winner Winner Winner Cá thể 1: Cá... | Cá thể 2. | Cá thể 3. | Cá thể 4. | Cá thể 5. | C | 2 | exam | Module_4 | EASY | 134 |
ve_23 | Kiểm định z cho trung bình một mẫu với σ đã biết = 3 và giả thuyết µ0 = 62 trên mẫu A2:A11. Lấy p-value hai phía (two-tailed). Giả sử hàm Z.TEST cho ¯x > µ0 là luôn đúng? | =2*Z.TEST(A2:A11,62,3) Hàm Z.TEST trong Excel trả vềp-value một phía với giả định ¯x > µ0. Để lấy p-value hai phía, ta nhân kết quả này với 2. (Trong bài thi chấp nhận dạng này, mặc dù công thức đầy đủ nên dùng 2*MIN(Z.TEST(...),1-Z.TEST(...)).) Mục tiêu là kiểm tra kiến thức "p-value hai phía = 2 × p-value một phía". | =Z.TEST(A2:A11,62) | =Z.TEST(62,A2:A11,3) | =T.TEST(A2:A11,62,2,3) | A | 0 | vietnamese_exam | Module_3A | EASY | 50 |
ve_26 | Trong PySpark SQL, phương thức nào được dùng để chạy một câu lệnh SQL? | spark.sql() | df.sql() | sql.run() | query.sql() | A | 0 | vietnamese_exam | Module_3A | EASY | 51 |
qz_1_5 | Hàm sigmoid có công thức và miền giá trị như thế nào? A. σ(z) = 1 1 + e-z với σ(z) ∈(0, 1) B. σ(z) = 1 1 -e-z với σ(z) ∈(-∞, +∞) C. σ(z) = ez 1 + ez với σ(z) ∈[-1, 1] D. σ(z) = 1 1 + ez với σ(z) ∈[0, 1] | Mô hình B luôn đạt sai số nhỏ hơn. | Mô hình A hội tục hậm nhưng ổn định hơn. | Mô hình A dao động mạnh hơn mô hình B. | Cả hai sẽ hội tụ giống nhau. | A | 0 | quiz | Module_5 | EASY | 441 |
ex_59 | Hãy xác định output shape của mô hình là bao nhiêu?
Giả thiết bài toán: | (N, 20). | (N, 26). | (N, 29). | (N, 35). | B | 1 | exam | Module_4 | EASY | 334 |
qz_7_7 | Cho model A = Multivariate Probit Variational AutoEncoder (MPVAE).
Các tính chất quan trọng của model A trong bài toán multi-label classification là:
sample sample mean mean Chọn | Không có sequential structure như NLP; thay Self-Attention bằng Label Embedding để giảm chi phí; dùng K group labels và expand K groups thành N labels. | Embed cả feature X và label Y vào latent space; latent space deterministic thiếu smoothness/structure; nhiễu nhỏ trong latent space có thể làm Decoder output thay đổi lớn. | Dựa trên Probit model; mô hình hoá conditional probability của Y theo X; học hai probabilistic embedding spaces (label/feature) với shared covariance matrix; khi testing không có label nên chỉ dùng nhánh feature; có thể dùng covariance để diễn giải khoảng cách giữa các nhãn (dimensionality reduction). | Thiết kế để so sánh hai latent representations và đo similarity; gồm label network và feature network; học pairwise interactions và higher-order correlations; có factorization layer (kernel-like) giúp giảm chi phí tính toán. | C | 2 | quiz | Module_11 | HARD | 589 |
qz_3_3 | sử dụng tokenizer của câu 2 tiến hành vectorization hai câu "Deep learning is fun" và "AI is fun" bằng code dưới đây sẽ lần lượt cho kết quả nào? 1 sequence_length = 4 2 3 pad_id = tokenizer.token_to_id("<pad >") 4 tokenizer. enable_padding(pad_id=pad_id , pad_token="<pad >", length= sequence_length) 5 tokenizer. enabl... | vec1 = [5,6,2,3] và vec2 = [4,2,3,1] | vec1 = [4,5,3,2] và vec2 = [6,3,2,1] | vec1 = [5,6,3,2] và vec2 = [4,3,2,1] | vec1 = [2,3,5,6] và vec2 = [4,3,2,0] | C | 2 | quiz | Module_7 | MEDIUM | 503 |
ve_17 | Bạn muốn hiển thị tỷ trọng 6 kênh bán hàng với tỷ lệ[28%, 24%, 20%, 17%, 6%, 5%]. Đâu là cách trực quan hợp lý nhất. Ở bài này, chúng ta sẽ dựa vào lý thuyết ở buổi học Excel-2 khi muốn trực quan hoá dữ liệu phần trăm có giá trị gần bằng nhau? | Pie Chart, các phần bằng nhau. | Pie Chart, sắp xếp giảm dần và gắn nhãn %. | 100% Stacked Bar Chart, gắn nhãn % Pie "các phần bằng nhau": sai bản chất. Histogram: dành cho phân phối tần suất, không phải cơ cấu %. | Histogram, bin width = 10. | C | 2 | vietnamese_exam | Module_3A | EASY | 47 |
ve_36 | Trong bối cảnh điện toán đám mây và các công cụ lưu trữ hiệu suất cao như AWS S3 và Data Lake, tại sao phương pháp ELT lại trở thành lựa chọn phổ biến hơn so với ETL truyền thống? | elt chỉ phù hợp với dữ liệu có cấu trúc, giúp tiết kiệm chi phí biến đổi. | Với elt, việc biến đổi dữ liệu được thực hiện sau khi tải dữ liệu thô vào Data Lake, tận dụng khả năng mở rộng (scalability) và sức mạnh xử lý của đám mây. | elt giảm thiểu đáng kể thời gian tải dữ liệu vào kho lưu trữ. | ETL phức tạp hơn vì nó yêu cầu một máy chủ riêng biệt cho quá trình biến đổi. | B | 1 | vietnamese_exam | Module_3A | EASY | 54 |
ve_15 | Cho hình ảnh cuối của một Pivot Table và các bước như sau, hãy điền các bước vào vị trí [Blank] để có thể hoàn thành Pivot Table như trong ảnh. Các bước: Tạo Pivot Table (Add this data to the Data Model) Rows: Country Values: Product [Blank] [Blank] . Lưu ý: • Phần này yêu cầu bật Microsoft Power Pivot. Coi hướng dẫn ở... | Summarize Values By: Count; Slicer: Customer_Gender. | Summarize Values By: Distinct Count; Slicer: Customer_Gender. | Summarize Values By: Count Numbers; Slicer: Customer_Gender. | Summarize Values By: Sum; Slicer: Customer_Gender. | B | 1 | vietnamese_exam | Module_3A | EASY | 46 |
ve_48 | Hoàn thiện đoạn code Statistical Calculations ở phần 3.0. Biết rằng cần phân tích hiệu suất từng Product với các chỉ số sau: • Total_Units_Sold = tổng số lượng sản phẩm bán ra (Total_Items) • Total_Revenue = tổng do anh thu (Total_Cost) • Avg_Product_Price = giá trung bình mỗi giao dịch của sản phẩm đó (Total_Cost) • U... | Razors. | Soap. | Eggs. | Toothpaste. | D | 3 | vietnamese_exam | Module_3A | EASY | 60 |
qz_5_8 | Dựa trên hình minh hoạ ABSA ở trên, bài toán nào nhận đầu vào là câu bình luận và aspect term, sau đó dự đoán sentiment tương ứng? | (a) ATE. | (b) ATSC. | (c) AOPE. | (d) AOSTE. | B | 1 | quiz | Module_9 | HARD | 718 |
qz_2_4 | Trong phương pháp Stochastic Gradient Descent, ta cập nhật tham số như thế nào? A. sử dụng toàn bộ dataset mỗi lần cập nhật B. sử dụng từng mẫu dữ liệu một để cập nhật tham số C. sử dụng 50% dataset mỗi lần D. Không cập nhật tham số | Sử dụng toàn bộ dataset mỗi lần cập nhật. | Sử dụng từng mẫu dữ liệu một để cập nhật tham số. | Sử dụng 50% dataset mỗi lần. | Không cập nhật tham số. | B | 1 | quiz | Module_6 | MEDIUM | 436 |
ve_10 | Giả sử trong Data warehouse ta đã có bảng staffs (như dưới) và khi loading thêm dữ liệu mới X (thông tin mới của nhân viên Alice) trong trường hợp này ta nên dùng phương pháp phù hợp (nhất) nào để xử lí? | Xóa toàn bộ records của bảng staffs và ghi lại thông tin mới. | Ghi đè lên bản ghi hiện có bằng thông tin mới của Alice (Hợp lí nhất) | Xóa thông toàn bộ record có thông tin Alice. | Tạo một bảng mới chứa thông tin mới của Alice. | B | 1 | vietnamese_exam | Module_3A | EASY | 40 |
ve_13 | Cho hình ảnh cuối của một Pivot Table và các bước như sau, hãy điền các bước vào vị trí [Blank] để có thể hoàn thành Pivot Table như trong ảnh. Các bước: Tạo Pivot Table Rows: Customer_Age [Blank] Values: Revenue [Blank] Average of Revenue: Number Format Curren Values: Order_Quantity . Lưu ý: Các bước ở đáp án sẽ được ... | Calculated Field: IF(Customer_Age<=26, "17-26", ...)); Show Values As: Average. | Slicer; Show Values As: Average. | Group; Summarize Values By: Average. | Label Filters; Summarize Values By: Average. | C | 2 | vietnamese_exam | Module_3A | EASY | 44 |
qz_8_2 | Hàm logistic growth trong sinh học liên quan đến hàm sigmoid như thế nào? | Không liên quan. | Hàm sigmoid là dạng tổng quát của logistic growth function. | Chúng hoàn toàn giống nhau. | Logistic growth là đạo hàm của sigmoid. | B | 1 | quiz | Module_12 | HARD | 439 |
ex_48 | Thực hiện chia patch bằng Stem Conv2D với kernel 4 x 4, stride = 4 va padding = 0 cho ảnh đầu vào có kích thước là 32 x 32. Sau Stem Conv2D, ta thu được grid token. Mask ngẫu nhiên cho 75% số lượng token, hỏi số lượng visible token còn lại là bao nhiêu? | 48 token. | 32 token. | 16 token. | 64 token. | C | 2 | exam | Module_4 | EASY | 227 |
ve_9 | Sau khi tổng hợp dữ liệu thành công bây giờ có hai bảng chính đó là: inventory_warehouse_master và staffs, Dựa vào hai bảng trên vừa được tổng hợp, với bước Transform chúng ta cần làm những gì để làm sạch data? | Data đã sạch, không cần xử lí. | Thực hiện xử lí Missing values, Type casting, Normalize. | Thực hiện xử lí Missing values, Type casting. | Thực hiện xử lí Missing values, Type casting, Enrichment. | C | 2 | vietnamese_exam | Module_3A | EASY | 40 |
qz_1_9 | Trước khi đưa một câu (Text) vào mô hình RNN để huấn luyện, dữ liệu cần trải qua các bước tiền xử lý theo thứ tự nào sau đây? | Tokenization →Vectorization (Index) →Build Vocabulary →Word Embedding. | Build Vocabulary →Tokenization →Word Embedding →Vectorization (Index). | Tokenization →Build Vocabulary →Vectorization →Word Embedding. | Word Embedding →Tokenization →Vectorization →Build Vocabulary. | C | 2 | quiz | Module_5 | EASY | 502 |
qz_1_4 | Hàm sigmoid có công thức và miền giá trị như thế nào? A. σ(z) = 1 1+e-z với σ(z) ∈[0, 1] B. σ(z) = 1 1-e-z với σ(z) ∈(-∞, +∞) C. σ(z) = ez 1+ez với σ(z) ∈[-1, 1] D. σ(z) = 1 1+ez với σ(z) ∈[0, 1] | ∂2f ∂x∂y = 2x + 6y, ∂2f ∂y∂x = 2x + 6y. | ∂2f ∂x∂y = 2y, ∂2f ∂y∂x = 2x. | ∂2f ∂x∂y = 2x + 3y, ∂2f ∂y∂x = 2y + 3x. | ∂2f ∂x∂y = 6, ∂2f ∂y∂x = 6. | A | 0 | quiz | Module_5 | EASY | 436 |
ex_71 | Trong quá trình huấn luyện một mô hình seq2seq, giả sử đầu ra của mô hình là tensor logits chứa điểm số dự đoán cho toàn bộ từ vựng tại mỗi vị trí token trong chuỗi đích. Tensor này có dạng logits ∈RB×T×V . Trong đó: | (4, 32000, 100). | (4, 100, 32000). | (100, 4, 32000). | (32000, 4, 100). | B | 1 | exam | Module_4 | EASY | 408 |
qz_1_1 | Ưu điểm chính của Numpy so với list Python thông thường là? | Cú pháp đơn giản hơn. | Thực hiện phép toán vector hóa nhanh hơn. | Có thể chứa nhiều kiểu dữ liệu hơn. | Chiếm ít bộ nhớ hơn trong mọi trường hợp. | B | 1 | quiz | Module_5 | EASY | 419 |
qz_2_1 | Kết quả của đoạn code sau là gì?
1 data = np.array ([2, 4, 6, 8])
2 result = (data * 3).reshape (2, 2).max(axis =1) | [6, 12, 18, 24] | 24 | [18, 24] | [12, 24] | D | 3 | quiz | Module_6 | MEDIUM | 419 |
ex_49 | Channels Weighted Channels Global Response Normalization Cho tensor đầu vào x ∈RH×W×C với H = W = 2 và C = 3 (tức mỗi kênh là một ma trận 2 × 2). Ba kênh của x lần lượt là: x(0) = 0.6 0.8 0.0 0.0 , x(1) = 0.9 1.2 0.0 0.0 , x(2) = 0.5 0.0 1.2 0.0 . Xét phép biến đổi Global Response Normalization - GRN (giản lược bỏϵ) đư... | [0.94, 1.53, 0.86]. | [0.70, 1.35, 0.75]. | [1.04, 1.63, 0.96]. | [0.84, 1.23, 0.76]. | A | 0 | exam | Module_4 | EASY | 228 |
ve_41 | Nếu một nhà khoa học dữ liệu lưu trữ các tệp CSV chứa dữ liệu khách hàng vào một bucket S3, "tên của tệp CSV"tương ứng với khái niệm nào của S3, và "dữ liệu khách hàng"tương ứng với khái niệm nào? | "Tên tệp"là Version ID, "dữ liệu khách hàng"là Metadata. | "Tên tệp"là Key, "dữ liệu khách hàng"là Data. | "Tên tệp"là Metadata, "dữ liệu khách hàng"là Key. | "Tên tệp"là Object, "dữ liệu khách hàng"là Bucket. | B | 1 | vietnamese_exam | Module_3A | EASY | 56 |
ve_27 | Phương thức nào được dùng để tạo một RDD từ một danh sách (list) trong PySpark? | sc.list() | sc.parallelize() | sc.createRDD() | sc.buildRDD() | B | 1 | vietnamese_exam | Module_3A | EASY | 51 |
ve_19 | Bạn có 20 điểm kiểm tra trong khoảng 0–100. Muốn xác định phân phối và tìm ngoại lệ. Đâu là kết hợp thao tác hợp lý? | Histogram (Bin = 5); Box Plot; dùng quartile.exc Pie/Waterfall/Trendline không phục vụ mục tiêu "phân phối và ngoại lệ". | Pie Chart; Histogram (Bin = 5); dùng COUNTIF. | Line Chart; Trendline; dùng STDEV.P. | Waterfall Chart; Summarize Values By: Sum. | A | 0 | vietnamese_exam | Module_3A | EASY | 47 |
qz_6_5 | Trong cùng ngữ cảnh, giữa transformer encoder và masked encoder, mô hình nào có nhiều tham số hơn? | Transformer encoder. | Masked encoder. | Bằng nhau. | Không xác định. | C | 2 | quiz | Module_10 | HARD | 740 |
End of preview. Expand in Data Studio
YAML Metadata Warning:empty or missing yaml metadata in repo card
Check out the documentation for more information.
version https://git-lfs.github.com/spec/v1 oid sha256:072d081dec61aad02275a7ed608c136a28f1de6672c7ff3a520bdbf7b0952e53 size 2225
- Downloads last month
- 152