Câu 22: Định nghĩa mạng neuron? Định nghĩa perceptron?

Mạng neuron:
Mạng neuron là một mô hình tính toán được lấy cảm hứng từ cách mà hệ thống thần kinh của
con người hoạt động. Mô hình này bao gồm một số lượng lớn các đơn vị tính toán cơ bản được
gọi là neuron, mỗi neuron kết nối với các neuron khác thông qua các trọng số. Mỗi neuron tính
tổng các tín hiệu đầu vào của nó, sau đó áp dụng một hàm kích hoạt để quyết định xem nó có
phản ứng như thế nào.
Các mạng neuron có thể được tổ chức thành nhiều lớp, bao gồm lớp đầu vào, lớp đầu ra và một
hoặc nhiều lớp ẩn giữa. Các mô hình mạng neuron được sử dụng rộng rãi trong học máy và trí
tuệ nhân tạo, bao gồm các ứng dụng như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, dự đoán
chuỗi thời gian, và nhiều hơn nữa.
Perceptron:

Perceptron là một mô hình học máy cơ bản, lấy cảm hứng từ hoạt động của mạng neuron trong
hệ thống thần kinh của con người. Nó bao gồm một tập hợp các đầu vào (input), mỗi đầu vào
được gán một trọng số tương ứng, và sau đó tính tổng trọng số của các đầu vào này. Kết quả sau
đó được đưa vào một hàm kích hoạt (activation function), chẳng hạn như hàm step, để tạo ra đầu
ra của perceptron. Trong quá trình huấn luyện, các trọng số của perceptron được điều chỉnh dựa
trên các dữ liệu huấn luyện để đạt được hiệu suất phân loại tốt nhất. Mặc dù perceptron chỉ có
thể giải quyết các vấn đề phân loại tuyến tính, nhưng nó đã đóng góp quan trọng trong việc xây
dựng nền tảng cho các mô hình học máy phức tạp hơn như các mạng neuron đa lớp.

Câu 23: Trình bày định nghĩa của phân lớp (classification), hồi quy (regression)?
+ Phân lớp (classification) trong lĩnh vực học máy là quá trình gán nhãn (label) hoặc nhóm
(class) cho các mẫu dữ liệu dựa trên các đặc trưng (features) của chúng. Mục tiêu của phân loại
là xây dựng một mô hình có khả năng dự đoán nhãn hoặc nhóm của các mẫu mới dựa trên thông
tin đã học từ các mẫu dữ liệu huấn luyện trước đó. Trong quá trình phân loại, một mô hình học
máy được huấn luyện sử dụng một tập dữ liệu huấn luyện được gắn nhãn, trong đó mỗi mẫu dữ
liệu đi kèm với một nhãn hoặc nhóm mong muốn. Mô hình sẽ học từ các đặc trưng của các mẫu
này để xây dựng một quy tắc hoặc mô hình dự đoán nhãn cho các mẫu mới mà nó chưa nhìn thấy
trước đó.
+ Hồi quy (regression)
Hồi quy trong lĩnh vực học máy là quá trình dự đoán một giá trị liên tục dựa trên các đặc trưng
hoặc biến đầu vào. Mục tiêu là xây dựng một mô hình dự đoán giá trị đầu ra dựa trên dữ liệu
huấn luyện đã biết trước đó. Các thuật toán phổ biến bao gồm hồi quy tuyến tính, hồi quy đa
biến, và các phương pháp hồi quy phi tuyến tính như hồi quy đa thức và hồi quy mạng neuron.
Hồi quy được sử dụng rộng rãi trong nhiều lĩnh vực, bao gồm dự đoán giá cổ phiếu, dự báo thời
tiết, và dự đoán giá nhà đất.
Câu 24: Trình bày định nghĩa của Machine learning Pipeline?
+ Machine learning pipeline là một chuỗi các bước tự động hoặc bán tự động được thiết kế để xử
lý dữ liệu, huấn luyện mô hình, đánh giá hiệu suất và triển khai mô hình học máy. Quy trình này
bao gồm tiền xử lý dữ liệu, lựa chọn mô hình, huấn luyện mô hình, đánh giá hiệu suất, và triển
khai mô hình vào môi trường sản xuất hoặc thử nghiệm. Pipeline giúp tổ chức quy trình phát
triển mô hình một cách có hệ thống và hiệu quả, bắt đầu từ việc tiền xử lý dữ liệu, lựa chọn mô
hình phù hợp, huấn luyện mô hình với dữ liệu huấn luyện, đánh giá hiệu suất của mô hình trên
tập dữ liệu kiểm tra và cuối cùng là triển khai mô hình vào môi trường thực tế. Việc tự động hóa
các bước này giúp tối ưu hóa thời gian và tài nguyên, đồng thời giảm thiểu lỗi và tăng tính nhất
quán trong quá trình phát triển và triển khai mô hình học máy.