CÁC CÂU HỎI NMKHDL

Chương 1

1.1. Lịch sử và sự phát triển của Khoa học dữ liệu.

1.2. Khái niệm và phân loại dữ liệu theo cấu trúc.
1.3. Dữ liệu có cấu trúc.
1.4. Dữ liệu không cấu trúc.
1.5. Dữ liệu bán cấu trúc.
1.6. Khái niệm và phương pháp thu thập dữ liệu
1.7. Khái niệm về lưu trữ dữ liệu, các thiết bị lưu trữ dữ liệu
1.8. Khái niệm và quá trình xử lý dữ liệu.
1.9. Khái niệm, phương pháp và công cụ phân tích dữ liệu.
1.10. Khái niệm và lĩnh vực ứng dụng của trí tuệ nhân tạo.
1.11. Quy trình trong Khoa học dữ liệu.
1.12. Ngôn ngữ lập trình nào thường được sử dụng trong khoa học dữ liệu.
1.13. Các thư viện và Framework hỗ trợ trong khoa học dữ liệu.
Chương 2
2.1. Phân loại định dạng dữ liệu.
2.2. Đơn vị đo lường dữ liệu.
2.3. Phân bố dữ liệu.
2.4. Làm thế nào để phát hiện và xử lý các giá trị còn thiếu trong dữ liệu?
2.5. Làm thế nào để phát hiện và xử lý các giá trị trùng lặp trong dữ liệu?
2.6. Làm thế nào để phát hiện và xử lý các giá trị ngoại lệ trong dữ liệu?
2.7. Làm thế nào để chuẩn hóa dữ liệu để đảm bảo các đơn vị đo lường đồng nhất?
2.8. Phương pháp mã hóa Label.
2.9. Làm thế nào để chọn mô hình xuất phát điểm phù hợp?
2.10. Làm thế nào chia tập dữ liệu thành tập huấn luyện và tập kiểm tra?
2.11. Quá trình huấn luyện mô hình dữ liệu.
2.12. Làm thế nào đánh giá hiệu suất của mô hình?
Chương 3
3.1. Dữ liệu lớn là gì và có những đặc điểm nào?
3.2. Thách thức của khối lượng dữ liệu lớn và giải pháp?
3.3. Thách thức của tốc độ xử lý dữ liệu lớn và giải pháp?
3.4. Thách thức của tính xác thực trong dữ liệu lớn và giải pháp?
3.5. Vai trò của phân tích dữ liệu lớn.
3.6. Tiềm năng của phân tích dữ liệu lớn.
3.7. Hệ thống lưu trữ và xử lý dữ liệu lớn.
3.8. Mô hình cơ sở dữ liệu phân tán.
3.9. Mô hình cơ sở dữ liệu đám mây.
3.10. Có những công cụ và ngôn ngữ nào phổ biến được sử dụng để phân tích dữ liệu
lớn?
3.11. Ứng dụng của khám phá dữ liệu lớn và trí tuệ nhân tạo.
3.12. Ứng dụng của phân tích dữ liệu lớn và học máy.
3.13. Dự báo và dự đoán trong dữ liệu lớn.
Chương 4
4.1. Học máy là gì? Có những thành phần chính nào?
4.2. Các đặc điểm chính của học máy là gì?
4.3. Vai trò và ứng dụng của học máy trong thế giới thực.
4.4. Khái niệm và ví dụ cụ thể về học máy có giám sát.
4.5. Thuật toán hồi quy và các bước thực hiện.
4.6. Thuật toán phân loại là gì? Nêu các thuật toán phân loại phổ biến.
4.7. Quá trình đánh giá và tinh chỉnh Học máy có giám sát.
4.8. Học máy không giám sát là gì? Cho các ví dụ.
4.9. Có những phương pháp phân cụm nào?
4.10. Giảm chiều dữ liệu là gì, các phương pháp?
4.11. Học tăng cường là gì? Cho ví dụ?
4.12. Thuật toán Q-Learning và học hướng chính sách.
4.13. Các ứng dụng của học tăng cường trong các lĩnh vực cụ thể.
Chương 5
5.1. Ứng dụng của Khoa học dữ liệu để phân tích hành vi người tiêu dùng.
5.2. Ứng dụng của Khoa học dữ liệu trong gợi ý sản phẩm và dự đoán mua hàng.
5.3. Ứng dụng của Khoa học dữ liệu trong quản lý kho và chỗi cung ứng.
5.4. Ứng dụng của Khoa học dữ liệu trong phân tích dữ liệu khách hàng và tiếp thị.
5.5. Ứng dụng của Khoa học dữ liệu trong phân tích dữ liệu bệnh nhân.
5.6. Ứng dụng của Khoa học dữ liệu để dự báo bệnh lý và chuẩn đoán.
5.7. Ứng dụng của Khoa học dữ liệu trong quản lý dữ liệu y tế và hồ sơ bệnh nhân.
5.8. Ứng dụng của Khoa học dữ liệu trong nghiên cứu và phát triển dược phẩm.
5.9. Ứng dụng của Khoa học dữ liệu trong phân tích dữ liệu xã hội và tư duy đám
đông.
5.10. Ứng dụng của Khoa học dữ liệu trong dự đoán xu hướng và lan truyền thông tin.
5.11. Ứng dụng của Khoa học dữ liệu trong giám sát và phân tích dữ liệu truyền thông
xã hội.
5.12. Ứng dụng của Khoa học dữ liệu trong hoạch định chính sách và quản lý.
5.13. Tổng kết các ứng dụng tiêu biểu của Khoa học Dữ liệu.
5.14. Nêu các thách thức và hướng phát triển trong tương lai.