В процессе работы data mining программы пользователь может получить такие результаты

1 Укажите все правильные ответы.
К логическим методам относятся:

2 Укажите все правильные ответы.
Подход Web Usage Mining технологии Data Mining для решения Web-задач включает следующие основные направления:

3 Укажите правильный ответ.
Пример: «место, которое команда заняла на соревнованиях» является:

4 Укажите все правильные ответы.
Назовите факторы, обусловившие возникновение и развитие Data Mining:

5 Укажите правильный ответ.
Подготовка данных в процессе Data Mining является:

6 Укажите правильный ответ.
Данные представляют собой:

7 Укажите все правильные ответы.
Назовите факторы, обусловившие возникновение и развитие Data Mining:

8 Укажите все правильные ответы.
Правильными являются следующие утверждения:

9 Укажите все правильные ответы.
По критерию постоянства данные подразделяются на:

10 Укажите правильный ответ.
Какая из перечисленных ниже групп методов достаточно часто использует для выявления взаимосвязей в данных концепцию усреднения по выборке?

ProM Tools Process Mining: знакомство, функционал, демонстрация работы

11 Укажите правильный ответ.
Пример: «пол (мужской и женский)» является:

12 Укажите все правильные ответы.
Стадиями Data Mining являются:

13 Укажите правильный ответ.
Пример: «температура воздуха днем — 19 градусов, вечером – 14» является:

14 Укажите все правильные ответы.
Подход Web Content Mining технологии Data Mining для решения Web-задач включает следующие основные направления:

15 Укажите все правильные ответы.
Data Mining – это процесс обнаружения сырых данных

16 Укажите правильный ответ.
В процессе работы Data Mining программы пользователь может получить такие результаты:

17 Укажите все правильные ответы.
На получение описательных результатов направлены методы:

18 Укажите все правильные ответы.
К стадиям Data Mining относят:

19 Укажите правильный ответ.
Оцените правильность утверждения: «Data Mining может заменить аналитика»

20 Укажите все правильные ответы.
Особенностями областей успешного применения технологии Data Mining являются:

Источник: studizba.com

Ответы на тест 1. Интеллектуальный анализ данных

1. Data Mining — это процесс обнаружения в сырых данных знаний, необходимых для:
   принятия решений в различных сферах человеческой деятельности
2. Атрибут – это:
   свойство, характеризующее объект
3. В процессе работы Data Mining программы пользователь может получить такие результаты:
   большой процент ложной информации из комментария (см. ниже)
4. Данные могут быть получены в результате:
   всего вместе
5. Данные представляют собой:
   все вместе
6. Данные — это …
   необработанный материал, предоставляемый поставщиками данных и используемый потребителями для формирования информации на основе данных
7. Два основных типа переменных в статистике:
   Качественные и количественные
8. Для какой шкалы применимы только такие операции как равно и не равно?
   номинальная шкала
9. Для какой шкалы применимы только такие операции как равно, не равно, больше, меньше?
   порядковая шкала
10. Задачей классификации можно назвать предсказание.
    категориальной зависимой переменной, основываясь на выборке непрерывных и/или категориальных переменных
11. Задачей регрессии можно назвать предсказание.
    числовой зависимой переменной, основываясь на выборке непрерывных и/или категориальных переменных
12. Задачи классификации решаются следующими алгоритмами:
13. нейронные сети
14. линейной регрессии
15. Задачу классификации нельзя решить с помощью.
    алгоритма Apriori
16. Закономерности, найденные в процессе использования технологии Data Mining должны обладать такими свойствами:
17. быть практически полезными
18. быть объективными
19. быть неочевидными
20. Изначальная предопределенность классов является характеристикой задачи …
    классификации
21. Инструменты Data Mining
    могут самостоятельно строить гипотезы о взаимосвязях в данных
22. Интервальная шкала – это шкала
    разности между значениями которой могут быть вычислены, однако их отношения не имеет смысла
23. К какой категории данных относится вес измеряемых объектов:
    непрерывным данным
24. К классу описательных задач Data Mining относятся такие задачи:
25. кластеризация
26. поиск ассоциативных правил
27. К классу прогнозирующих задач Data Mining относятся такие задачи:
28. регрессия
29. классификация

под сомнением

30. Классификация относится к стратегии:
    обучения с учителем
31. Классификация относится к:
32. управляемому обучению
33. контролируемому обучению
34. Классификация — это .
    отнесение объектов к одному из заранее известных классов
35. Метод деревьев решений применяется для решения задач …
    классификации
36. Множество примеров, используемое для конструирования модели, называется.
    обучающим множеством
37. Множество примеров, используемое для проверки работы сконструированной модели, называется.
    тестовым множеством
38. Назовите факторы, обусловившие возникновение и развитие Data Mining:
39. совершенствование алгоритмов обработки информации
40. накопление большого количества ретроспективных данных
41. совершенствование технологий хранения и записи данных
42. совершенствование аппаратного и программного обеспечения
43. Номинальная шкала – это шкала,
    содержащая только категории, которые не могут упорядочиваться
44. Объект описывается как …
    набор атрибутов
45. Объектом не является:
    переменная
46. Основная характеристика задачи бинарной классификации:
    зависимая переменная может принимать только два значения
47. Оцените правильность утверждения: «Извлечение полезных сведений невозможно без хорошего понимания сути данных»
    утверждение верно
48. Оцените правильность утверждения:»Data Mining может заменить аналитика»
49. технология всего лишь дает аналитику инструмент для облегчения и улучшения его работы
50. технология не может дать ответы на те вопросы, которые не были заданы
51. Подготовка данных в процессе Data Mining является:
    существенным этапом работы
52. Порядковая шкала – это шкала, содержащая
    категории, которые могут упорядочиваться

Data mining на практике. Подводные камни анализа данных / Ксения Петрова / COO dmlabs.org

• 03.12.2019 12:45 от admin Спасибо, изменил ответ 3 вопроса («в процессе работы Data Mining программы. «) с «только статистически достоверные результаты» на «большой процент ложной информации»
• 03.12.2019 11:50 от Гость 3 неверно
  ответ: большой процент ложной инф

Добавить комментарий

• Английский язык
• Бухгалтерский учёт и анализ
• Вычислительные системы
• Интеллектуальный анализ данных
• Информатика и программирование
• Информационные сети
• Информационные системы и технологии
• История
• Математика
• Менеджмент
• Методы принятия управленческих решений
• Операционные системы
• Педагогика
• Психология
• Технологии обработки информации
• Физика
• Философия
• Экономика
• Электронное правительство
• Электронный документооборот

Источник: testanswer.ru

5.4 Технология Data Mining

По данным компании Gartner, неструктурированные документы составляют более 80% корпоративных данных, а количество внешних источников (интернет-ресурсов, блогов, форумов, СМИ) исчисляется миллионами. В них содержится гигантское количество данных, которые могут обеспечить компании существенное конкурентное преимущество. Основной вопрос — эффективность и скорость извлечения и анализа ценной информации.

Data Mining — «добыча» или «раскопка данных». Data Mining предназначены для решения задач интеллектуального анализа данных, что позволяет повысить эффективность принятия решений.

Data Mining — это процесс обнаружения в сырых данных:

1) ранее неизвестных и нетривиальных

2) практически полезных и доступных интерпретации знаний,

3) необходимых для принятия решений в различных сферах человеческой деятельности.

На рис. 28 представлены уровни знаний, извлекаемых из данных.

Рис. 28 Уровни знаний, извлекаемых из данных

Data Mining – это технология анализа информации с целью нахождения в уже накопленных предприятием данных ранее неизвестных, но практически полезных знаний, необходимых для принятия решений в различных областях человеческой деятельности.

Это процесс нахождения скрытых закономерностей в существующих данных.

Знания должны описывать новые связи между свойствами, предсказывать значения одних признаков на основе других.

Интеллектуальный анализ данных или «добыча данных» (Data Mining) позволяет проводить глубокие исследования данных, включающие:

• выявление скрытых зависимостей между данными
• выявление устойчивых бизнес-групп
• прогнозирование поведения бизнес-показателей
• оценку влияния решений на бизнес компании
• поиск аномалий и пр.

Типы закономерностей, которые позволяют выявлять методы Data Mining Выделяют пять стандартных типов закономерностей, которые позволяют выявлять методы Data Mining: ассоциация, последовательность, классификация, кластеризация и прогнозирование Ассоциация имеет место в том случае, если несколько событий связаны друг с другом. Например, исследование, проведенное в супермаркете, может показать, что 65% купивших кукурузные чипсы берут также и «кока-колу», а при наличии скидки за такой комплект «колу» приобретают в 85% случаев. Располагая сведениями о подобной ассоциации, менеджерам легко оценить, насколько действенна предоставляемая скидка. Если существует цепочка связанных во времени событий, то говорят о последовательности. Так, например, после покупки дома в 45% случаев в течение месяца приобретается и новая кухонная плита, а в пределах двух недель 60% новоселов обзаводятся холодильником. С помощью классификации выявляются признаки, характеризующие группу, к которой принадлежит тот или иной объект. Это делается посредством анализа уже классифицированных объектов и формулирования некоторого набора правил. Кластеризация отличается от классификации тем, что сами группы заранее не заданы. С помощью кластеризации средства Data Mining самостоятельно выделяют различные однородные группы данных. Основой для всевозможных систем прогнозирования служит историческая информация, хранящаяся в БД в виде временных рядов. Если удается построить найти шаблоны, адекватно отражающие динамику поведения целевых показателей, есть вероятность, что с их помощью можно предсказать и поведение системы в будущем. На рис.29 представлены вопросы, на которые можно получить ответ, используя OLAP и технологию Data Mining. Рис. 29 Вопросы, на которые можно получить ответ, используяOLAPиData Mining. Для выполнения этих задач используют IBM SPSS, Oracle Data Mining, SAS Enterprise Miner. Методы Data Mining: нейронные сети, деревья решений, методы ограниченного перебора, генетические алгоритмы, эволюционное программирование, кластерные модели, комбинированные методы. Несмотря на обилие методов Data Mining, приоритет постепенно все более смещается в сторону логических алгоритмов поиска в данных if-then правил. С их помощью решаются задачи прогнозирования, классификации, распознавания образов, сегментации БД, извлечения из данных «скрытых» знаний, интерпретации данных, установления ассоциаций в БД и др. Результаты таких алгоритмов эффективны и легко интерпретируются. Но главной проблемой логических методов обнаружения закономерностей является проблема перебора вариантов за приемлемое время. ПрименениеData Mining Сфера применения Data Mining ничем не ограничена — она везде, где имеются какие-либо данные. Но в первую очередь методы Data Mining сегодня интересны компаниям, развертывающим проекты на основе информационных хранилищ данных (Data Warehousing).

• оценка влияния решений на бизнес компании
• прогнозирование движения клиентов
• повышение отклика на маркетинговые акции
• прогнозирование спроса и предложения
• анализ потребительских корзин
• выявление закономерностей и аномалий в данных

Некоторые бизнес-приложения Data MiningРозничная торговля. Предприятия розничной торговли сегодня собирают подробную информацию о каждой отдельной покупке, используя кредитные карточки с маркой магазина и компьютеризованные системы контроля. Вот типичные задачи, которые можно решать с помощью Data Mining в сфере розничной торговли:

1. анализ покупательской корзины (анализ сходства) предназначен для выявления товаров, которые покупатели стремятся приобретать вместе. Знание покупательской корзины необходимо для улучшения рекламы, выработки стратегии создания запасов товаров и способов их раскладки в торговых залах.
2. исследование временных шаблонов помогает торговым предприятиям принимать решения о создании товарных запасов. Оно дает ответы на вопросы типа «Если сегодня покупатель приобрел видеокамеру, то через какое время он вероятнее всего купит новые батарейки и пленку?»
3. создание прогнозирующих моделей дает возможность торговым предприятиям узнавать характер потребностей различных категорий клиентов с определенным поведением, например, покупающих товары известных дизайнеров или посещающих распродажи. Эти знания нужны для разработки точно направленных, экономичных мероприятий по продвижению товаров.

Банковское дело. Достижения технологии Data Mining используются в банковском деле для решения следующих распространенных задач:

1. выявление мошенничества с кредитными карточками. Путем анализа прошлых транзакций, которые впоследствии оказались мошенническими, банк выявляет некоторые стереотипы такого мошенничества.
2. сегментация клиентов. Разбивая клиентов на различные категории, банки делают свою маркетинговую политику более целенаправленной и результативной, предлагая различные виды услуг разным группам клиентов.
3. прогнозирование изменений клиентуры. Data Mining помогает банкам строить прогнозные модели ценности своих клиентов, и соответствующим образом обслуживать каждую категорию.

Телекоммуникации. В области телекоммуникаций методы Data Mining помогают компаниям более энергично продвигать свои программы маркетинга и ценообразования, чтобы удерживать существующих клиентов и привлекать новых. Типичные мероприятия:

1. анализ записей о подробных характеристиках вызовов. Назначение такого анализа — выявление категорий клиентов с похожими стереотипами пользования их услугами и разработка привлекательных наборов цен и услуг;
2. выявление лояльности клиентов. Data Mining можно использовать для определения характеристик клиентов, которые, один раз воспользовавшись услугами данной компании, с большой долей вероятности останутся ей верными. В итоге средства, выделяемые на маркетинг, можно тратить там, где отдача больше всего.

Страхование. Страховые компании в течение ряда лет накапливают большие объемы данных. Здесь обширное поле деятельности для методов Data Mining:

1. выявление мошенничества. Страховые компании могут снизить уровень мошенничества, отыскивая определенные стереотипы в заявлениях о выплате страхового возмещения, характеризующих взаимоотношения между юристами, врачами и заявителями.
2. анализ риска. Путем выявления сочетаний факторов, связанных с оплаченными заявлениями, страховщики могут уменьшить свои потери по обязательствам. Известен случай, когда в США крупная страховая компания обнаружила, что суммы, выплаченные по заявлениям людей, состоящих в браке, вдвое превышает суммы по заявлениям одиноких людей. Компания отреагировала на это новое знание пересмотром своей общей политики предоставления скидок семейным клиентам.

Источник: studfile.net