Datasets:

vudang449
/

aio2025-vietnamese-exam

id stringlengths 4 7	question stringlengths 56 1.23k	answer stringclasses 4 values	answer_index int64 0 3	source stringclasses 3 values	module stringclasses 12 values	difficulty stringclasses 3 values	pdf_page int64 31 737
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?	C	2	quiz	Module_13	HARD	445
qz_9_2	Một ảnh màu thường được biểu diễn dưới dạng tensor trong PyTorch như thế nào?	D	3	quiz	Module_13	HARD	460
qz_9_3	Theo đoạn mã ở trên, lớp mô hình được sử dụng để xây dựng bài toán ATSC là gì?	C	2	quiz	Module_13	HARD	722
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?	B	1	vietnamese_exam	Module_3A	EASY	40
ve_11	(Pivot Table): 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 [Blank] Sum of Avg_Profit_per_Unit: = ’Profit’ / ’Order_Quantity’ [Blank] Top 5 items Sum of Avg_Profit_per_Unit: Number ...	B	1	vietnamese_exam	Module_3A	EASY	42
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...	A	0	vietnamese_exam	Module_3A	EASY	43
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 ...	C	2	vietnamese_exam	Module_3A	EASY	44
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...	D	3	vietnamese_exam	Module_3A	EASY	45
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...	B	1	vietnamese_exam	Module_3A	EASY	46
ve_16	(Biểu đồ và trực quan hóa): Bạn có dữ liệu do anh số theo tháng của 3 nhóm sản phẩm trong 2 năm. Mục tiêu là so sánh xu hướng theo thời gian. Hãy chọn loại biểu đồ và thao tác phù hợp trong Excel?	B	1	vietnamese_exam	Module_3A	EASY	46
ve_17	Bạn muốn hiển thị tỷ trọng 6 kênh bán hàng với tỷlệ[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?	C	2	vietnamese_exam	Module_3A	EASY	47
ve_18	Bạn có dữ liệu ngân sách quảng cáo (x) và do anh thu (y). Muốn kiểm tra mối tương quan và dự báo. Đâu là thao tác Excel đúng?	A	0	vietnamese_exam	Module_3A	EASY	47
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?	A	0	vietnamese_exam	Module_3A	EASY	47
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?	C	2	vietnamese_exam	Module_3A	EASY	48
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)?	C	2	vietnamese_exam	Module_3A	EASY	49
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?	A	0	vietnamese_exam	Module_3A	EASY	50
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?	A	0	vietnamese_exam	Module_3A	EASY	50
ve_25	Thành phần nào sau đây KHÔNG phải là thành phần chính trong kiến trúc PySpark?	D	3	vietnamese_exam	Module_3A	EASY	51
ve_26	Trong PySpark SQL, phương thức nào được dùng để chạy một câu lệnh SQL?	A	0	vietnamese_exam	Module_3A	EASY	51
ve_27	Phương thức nào được dùng để tạo một RDD từ một danh sách (list) trong PySpark?	B	1	vietnamese_exam	Module_3A	EASY	51
ve_29	Hành động (action) nào sẽ kích hoạt (trigger) việc thực thi (execution) trong PySpark?	B	1	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 kếpipeline trong giai đoạn Extract vào Staging Area và tại sao?	C	2	vietnamese_exam	Module_3A	EASY	31
ve_30	Khi bạn muốn thêm một cột mới bonus = salary * 0.1 vào DataFrame df. Câu lệnh nào đúng?	C	2	vietnamese_exam	Module_3A	EASY	52
ve_31	Phát biểu nào sau đây vềlazy evaluation trong PySpark là đúng?	A	0	vietnamese_exam	Module_3A	EASY	52
ve_32	Trong PySpark, sự khác nhau chính giữa cache() và persist() khi áp dụng lên DataFrame hoặc RDD là gì?	A	0	vietnamese_exam	Module_3A	EASY	53
ve_33	Phép toán nào dưới đây sẽgây ra xáo trộn (shuffle) trong PySpark?	C	2	vietnamese_exam	Module_3A	EASY	53
ve_34	Kỹ thuật nào sau đây là cách tối ưu hóa cho các job trong PySpark?	B	1	vietnamese_exam	Module_3A	EASY	53
ve_35	Một công ty đang xây dựng một hệ thống để xử lý và phân tích lượng lớn dữ liệu cảm biến (IoT) từ các thiết bị thông minh. Dữ liệu này được tạo ra liên tục và có cấu trúc không đồng nhất. Vai trò nào sau đây sẽ đóng vai trò quan trọng nhất trong việc thiết kế và xây dựng cơ sở hạ tầng cho hệ thống này?	C	2	vietnamese_exam	Module_3A	EASY	54
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?	B	1	vietnamese_exam	Module_3A	EASY	54
ve_38	Đâu là lý do chính khiến các công ty khởi nghiệp (start-up) thường chọn điện toán đám mây thay vì thiết lập cơ sở hạ tầng tại chỗ(on-premises) ngay từ đầu?	C	2	vietnamese_exam	Module_3A	EASY	55
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 dụngg giao diện đồ họa (GUI), tại sao việc sử dụngg Giao diện dòng lệnh (CLI) lại là lựa chọn tối ưu hơn trong trường hợp này?	C	2	vietnamese_exam	Module_3A	EASY	55
ve_4	Trong bối cảnh Star Schema, đâu là mối quan hệ chính giữa bảng sự kiện (Fact Table) và các bảng chiều (Dimension Table)?	C	2	vietnamese_exam	Module_3A	EASY	32
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?	B	1	vietnamese_exam	Module_3A	EASY	56
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?	B	1	vietnamese_exam	Module_3A	EASY	56
ve_44	Một ứng dụng web của công ty đang gặp vấn đề về hiệu suất, với thời gian tải trang tăng đột ngột vào một số thời điểm trong ngày. Để xác định nguyên nhân và tự động cảnh báo cho nhóm kỹ thuật, dịch vụAWS nào sẽ cung cấp giải pháp toàn diện nhất?	C	2	vietnamese_exam	Module_3A	EASY	57
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)	A	0	quiz	Module_9	HARD	421
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]	D	3	quiz	Module_9	HARD	428
qz_5_3	Kết quả của đoạn code sau là: 1 data = pd.Series ([5, 3, 5, 1, 3]) 2 data.rank(method=’min’)	B	1	quiz	Module_9	HARD	433
qz_5_4	Cho f(x, y) = x2y + 3xy2. Hãy tính các đạo hàm hỗn hợp ∂2f ∂x∂y và ∂2f ∂y∂x?	A	0	quiz	Module_9	HARD	437
qz_5_5	Từcode 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 quảtest_accuracy với max_epoch = 20 là:	D	3	quiz	Module_9	HARD	524
qz_5_6	(Hàm loss sẽ thiết kế sau). Có bao nhiêu model thiết kế đúng cho hình sau?	B	1	quiz	Module_9	HARD	568
ex_42	(Hard): Xét dataset giá nhà gồm N = 5 mẫu ở trên (diện tích x theo m2, giá y theo tỷVNĐ). 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 LHu...	B	1	exam	Module_4	EASY	127
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)?	A	0	exam	Module_4	EASY	128
ex_44	(Easy): Giả sử có một quan sát với các dữ kiện: x = 5.00, y = 10.80, θ = b w = 0.15 2.10 , η = 0.02. Hãy tính (i) dự đoán ˆy = θTx với x = 1 x ; (ii) loss L = (ˆy −y)2; (iii) gradient ∇θL = 2x(ˆy −y); (iv) tham số sau cập nhật θ′ = θ −η ∇θL. Chọn cặp (b′, w′) đúng (làm tròn kết quả đến 2 chữ số thập phân)?	B	1	exam	Module_4	EASY	130
ex_45	(Hard): Giả sử cho bộ dữ liệu và tham số: X = 1.20 1 2.50 1 3.00 1 4.10 1 5.30 1 , y = 1.82 3.80 4.70 6.45 8.40 , θ = w b = 1.50 −0.20 , η = 0.02, N = 5. Hãy tính lần lượt (i) ˆy = Xθ; (ii) k = 2(ˆy −y); (iii) gradient theo vector hoá ∇θL = XTk = ∂L/∂w ∂L/∂b . Chọn kết quả đúng của ∇θL?	A	0	exam	Module_4	EASY	131
ex_46	(Easy): Hình bên mô phỏng Tournament Selection với kích thước giải đấu là 3 hoặc 2 và cạnh tranh bằng giá trịFitness. Trong trường hợp này, biết giá trịFitness = 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 t...	C	2	exam	Module_4	EASY	134
ex_47	Ta có đầu vào feature map X kích thước 3 × 3 với 3 kênh. Thực hiện Depthwise Conv2D kernel 3 × 3 với bias bằng 0, stride = 1, padding = 0 (Lưu ý: không lật kernel). Vì kernel bằng đúng kích thước feature map, mỗi kênh dùng đúng 1 kernel và output mỗi kênh là 1 × 1, tức thu được Y = (Y1, Y2, Y3). 1.4 2.1 1.9 2.0 2.3 2.1...	A	0	exam	Module_4	EASY	224
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?	C	2	exam	Module_4	EASY	227
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...	A	0	exam	Module_4	EASY	228
ex_50	Trong bài toán visual question answering (VQA), mô hình được thiết kế để tìm ra câu trả lời dự đoán ˆa thuộc không gian các và câu hỏi Q. Công thức xác suất chuẩn cho bài toán này được biểu diễn như sau: ˆa = argmax a∈A P(a \| I, Q) Quan sát thực nghiệm tại Hình 9 trên một cặp dữ liệu cân bằng trong bộ dữ liệu VQAv2: cù...	C	2	exam	Module_4	EASY	292
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...	B	1	exam	Module_4	EASY	301
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...	A	0	exam	Module_4	EASY	306
ex_53	Trong kiến trúc U-Net, các skip connection tại khối decoder thường sử dụnggg phép concatenate. Tuy nhiên, một biến thể phổ biến khác là sử dụnggg phép add. Add Add UNet Skip Connection Using Addition Concat Concat UNet Skip Connection Using Concatenation Giả sử sau bước up-convolution, tensor từdecoder và tensor từenco...	B	1	exam	Module_4	EASY	309
ex_54	Trong bài toán phân vùng ảnh (image segmentation), đầu ra của mô hình thường là một bản đồ xác suất (probability map). Giả sử ta thực hiện chuyển đổi probability map này thành mặt nạnhịphân (binary mask) dựa trên quy tắc ngưỡng như sau: ˆYi,j = ( 1 nếu pi,j ≥0.5, 0 nếu pi,j < 0.5. Cho mặt nạ nhãn chuẩn (ground truth ma...	B	1	exam	Module_4	EASY	312
ex_55	Trong DETR, ảnh đầu vào được đưa qua backbone CNN để tạoo feature map, sau đó feature map được project vềhidden 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 t...	C	2	exam	Module_4	EASY	328
ex_56	Hãy xác định output shape của mô hình là bao nhiêu? Giả thiết bài toán:	C	2	exam	Module_4	EASY	331
ex_57	Hãy xác định output shape của mô hình là bao nhiêu? Giả thiết bài toán:	B	1	exam	Module_4	EASY	332
ex_58	Hãy xác định output shape của mô hình là bao nhiêu? Giả thiết bài toán:	A	0	exam	Module_4	EASY	333
ex_59	Hãy xác định output shape của mô hình là bao nhiêu? Giả thiết bài toán:	B	1	exam	Module_4	EASY	334
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...	B	1	exam	Module_4	EASY	343
ex_62	Bạn đang thực hiện huấn luyện mô hình SCRFD dựa vào tài liệu hướng dẫn của insightface tại Github. Bạn mong muốn xây dựng một bộ dữ liệu mới để huấn luyện mô hình. Hãy tải tấm ảnh từGoogle Drive và thực hiện gán nhãn khuôn mặt cho ảnh đó. Trong các phương án dưới đây, đâu là cách gán nhãn đúng nhất?	B	1	exam	Module_4	EASY	344
ex_63	Hãy xác định shape đầu vào của convolution model Conv1d?	B	1	exam	Module_4	EASY	364
ex_64	Đâu là giá trịoutput của Conv1d khi đưa sample 1 vào model?	A	0	exam	Module_4	EASY	366
ex_65	Biết rằng giá trị của vector output của lớp Conv1d khi mô hình nhận sample 2 là [−0.43, −0.18, −0.05, 0.43, 0.31, −0.09], hãy cho biết output của lớp Fully Connected (FC) là bao nhiêu?	C	2	exam	Module_4	EASY	367
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?	B	1	quiz	Module_14	HARD	440
qz_10_2	Trong bài toán Weather Forcasting sử dụng RNN có hàm create_sequences được định nghĩa như sau: 1 def create_sequences(data , lag , ahea)	C	2	quiz	Module_14	HARD	508
qz_10_3	sử dụngg bài code ở câu 9 tiến hành train (vẫn sử dụngg GRU). Kết quả test_accuracy với max_epoch = 20 là:	D	3	quiz	Module_14	HARD	521
qz_10_4	Từcode 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 quảtest_accuracy với max_epoch = 20 là:	A	0	quiz	Module_14	HARD	526
qz_10_5	Trong notebook (notebook) : sau chúng ta sử dụng YOLOv10 đểdetect 3 bức ảnh tương ứng là: test_1 (khó thấy object), test_2 (đông người), test_3 (1 object là mèo). 1 # Load YOLOv10 (sẽtựdownload yolov10n.pt nếu chưa có) 2 model = YOLO("yolov10n.pt") 3 4 out_dir = Path("runs/ yolov10_demo ") 5 out_dir.mkdir(parents=True ...	B	1	quiz	Module_14	HARD	652
qz_10_6	Hãy dùng token đầu tiên của sample 1 tính toán forward và trảvềoutput cuối cùng. Dưới đây, đâu là kết quả tổng tất cả các phần tử trong vector output đó?	C	2	quiz	Module_14	HARD	715
qz_1_1	Ưu điểm chính của Numpy so với list Python thông thường là?	B	1	quiz	Module_5	EASY	419
qz_1_10	Theo nội dung bài giảng, một đơn vị xử lý (Cell) của LSTM bao gồm 3 cổng chính (Gates) và 2 trạng thái đường truyền. thứ tự tính toán logic và tên gọi chính xác của các thành phần này trong một bước thời gian (time-step) là gì?	C	2	quiz	Module_5	EASY	509
qz_1_11	Trong bài toán phân loại biển báo giao thông (Traffic Sign Recognition), áp dụng kỹ thuật Horizontal Flip (Lật ngang) để tăng cường dữ liệu (Data Augmentation) cho toàn bộ tập dữ liệu huấn luyện. Điều gì sẽ xảy ra? 1 flipped_img = cv2.flip(img , 1)	D	3	quiz	Module_5	EASY	522
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	0	quiz	Module_5	EASY	717
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?	A	0	quiz	Module_5	EASY	737
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?)	D	3	quiz	Module_5	EASY	426
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]	C	2	quiz	Module_5	EASY	432
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]	A	0	quiz	Module_5	EASY	436
qz_1_6	Hạn chế chính của Hồi quy Logistic mà Hồi quy Softmax giải quyết là gì?	C	2	quiz	Module_5	EASY	447
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 ()	A	0	quiz	Module_8	HARD	433
qz_4_2	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?	B	1	quiz	Module_8	HARD	437
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?	C	2	quiz	Module_8	HARD	448
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.)	C	2	quiz	Module_8	HARD	485
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 )	A	0	quiz	Module_7	MEDIUM	456
qz_3_2	Cho hàm f(x, y). Hai hình dưới lần lượt là đồ thị cho x và cho y. Kỹ thuật nào hợp lý nhất để cải thiện tình huống này?	D	3	quiz	Module_7	MEDIUM	483
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...	C	2	quiz	Module_7	MEDIUM	503
qz_3_4	Qua n sát sơ đồ kiến trúc Residual Block và công thức toán học tương ứng bên dưới: Output = ReLU(F(x) + x) Đoạn code PyTorch nào dưới đây mô tả CHÍNH XÁC sơ đồ và công thức trên?	A	0	quiz	Module_7	MEDIUM	523
qz_3_5	Bài toán phân cụm (segmentation) ảnh có size=(H,W). Giải bài toán theo cách regression có được không?	A	0	quiz	Module_7	MEDIUM	567
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)	D	3	quiz	Module_6	MEDIUM	419
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	A	0	quiz	Module_6	MEDIUM	426
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)	D	3	quiz	Module_6	MEDIUM	432
qz_2_4	Trong phương pháp Stochastic Gradient Descent, ta cập nhật tham số như thế nào? A. sử dụnggg toàn bộdataset mỗi lần cập nhật B. sử dụnggg từng mẫu dữ liệu một để cập nhật tham số C. sử dụnggg 50% dataset mỗi lần D. Không cập nhật tham số	B	1	quiz	Module_6	MEDIUM	436
qz_2_5	Trong Logistic Regression với vectorization, giảsửX 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	A	0	quiz	Module_6	MEDIUM	441
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?	C	2	quiz	Module_6	MEDIUM	566
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]]	B	1	quiz	Module_11	HARD	429
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 trịNone trong hình theo thứ tự là:	A	0	quiz	Module_11	HARD	434
qz_7_3	Cho mô hình Softmax Regression với đầu vào và tham số: x = 1 2 3 , θ = 0.5 −0.3 0.2 0.4 −0.1 0.6 Vector dự đoán (đã tính đ ư ợ)	A	0	quiz	Module_11	HARD	450
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}%’)	B	1	quiz	Module_11	HARD	459
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:	B	1	quiz	Module_11	HARD	506
qz_7_6	Từcode của câu 6 chúng ta tiến hành áp dụng Dropout tại các layer 2,4 và 7 với dropout_rate=0.3. Kết quảtest_accuracy với max_epoch = 20 là: 1 nn.Dropout(dropout_rate)	B	1	quiz	Module_11	HARD	525

End of preview. Expand in Data Studio

AIO2025 Vietnamese AI Exam Dataset (v3 - Normalized)

Bộ dữ liệu câu hỏi trắc nghiệm AI tiếng Việt từ Kỳ thi AI Việt Nam 2025 (AIO2025).

Dataset Summary

Split	Số câu
Train	109
Test	34
Tổng	143

Ngôn ngữ: Tiếng Việt
Chủ đề: AI, Machine Learning, Deep Learning, Computer Vision, NLP
Nguồn: AIO2025 Vietnam AI Exam
Version: v3 (normalized, verified by eval_dataset.py)

Schema (13 trường)

Trường	Mô tả
`id`	Mã định danh duy nhất
`question`	Nội dung câu hỏi
`option_a`	Đáp án A
`option_b`	Đáp án B
`option_c`	Đáp án C
`option_d`	Đáp án D
`answer`	Đáp án đúng (A/B/C/D)
`answer_index`	Chỉ số đáp án (0-3)
`source`	Nguồn (quiz/exam/vietnamese_exam)
`module`	Module (Module_3A đến Module_14)
`difficulty`	Độ khó (EASY/MEDIUM/HARD)
`pdf_page`	Số trang PDF gốc
`explanation`	Giải thích (nếu có)

Module Distribution

Module	Count	Chủ đề
Module_3A	41	Toán & Thống kê
Module_4	29	Python & ML cơ bản
Module_5-14	73	Deep Learning, NLP, CV, etc

Sử dụng

from datasets import load_dataset

ds = load_dataset("vudang449/aio2025-vietnamese-exam")
train = ds['train']
print(train[0]['question'])
print(train[0]['options'])  # if present
print(train[0]['answer'])

Quality Notes (v3)

✅ All required fields present
✅ All IDs unique
✅ All answer_index values consistent
⚠️ 2 groups of near-duplicate content (different answers, kept as separate questions — requires manual review)
⚠️ Answer distribution imbalanced (D: 11.2%, B: 30.8%)

License

CC BY 4.0

Citation

AIO2025 Vietnamese AI Exam Dataset
Vietnam AI Exam - aivietnam.edu.vn

Downloads last month: 97