Целью интеллектуального анализа данных является



жүктеу/скачать 67,67 Kb.
Дата31.01.2022
өлшемі67,67 Kb.
#116658
түріЗакон
Байланысты:
Тесты ИАД
Дәріс 13 сценарий, Дәріс 13 сценарий, Дәріс 13 сценарий, Ұлықбек Ернар(-Информационные системы и программная инженерия,05-703-18-05,IISBZ 12332551-3-Lab)-Лаб 2 7, Био IT ОСӨЖ-1 Отарбаева Туймеш 302, тәрбие сағаты

Целью интеллектуального анализа данных является

обнаружение неявных закономерностей в наборах данных

поиск шаблонов для определения числового значения

деление множества объектов на группы (кластеры) схожие по параметрам

выделение групп, учитывая их особенности

разработка новых алгоритмов анализа данных

Когда интеллектуальный анализ данных стал активно развиваться как научное направление?

в 90-х годах XXвека

в 80-х годах XXвека

в 70-х годах XXвека

в 50-х годах XXвека

в 60-х годах XXвека

Чем вызвано активное развитие интеллектуального анализа данных?

широким распространением технологий автоматизированной обработки информации и накоплением в компьютерных системах больших объемов данных

обнаружением неявных закономерностей в наборах данных

созданием средств интегрированных в системы управления базами данных (СУБД)

созданием специализированных "коробочных" программных продуктов для интеллектуального анализа

созданием средств аналитической обработки данных в режиме on-line (OLAP)

Определение термина DataMining, данное Григорием Пятецким-Шапиро

это исследование и обнаружение "машиной" (алгоритмами, средствами искусственного интеллекта) в сырых данных скрытых знаний, которые ранее не были известны, нетривиальны, практически полезны, доступны для интерпретации

это разнообразие форм представления данных, используемых алгоритмов и сфер применения

это специализированные "коробочные" программные продукты для интеллектуального анализа

это электронные таблицы (и различного рода надстройки над ними)

это средства интегрированные в системы управления базами данных (СУБД)

Исследование и обнаружение "машиной" (алгоритмами, средствами искусственного интеллекта) в сырых данных скрытых знаний, которые ранее не были известны, нетривиальны, практически полезны, доступны для интерпретации

DataMining

СУБД

OLAP

supervised learning

unsupervised learning

Что не относится к классам программных продуктов для интеллектуального анализа данных

службы AnalysisServices

специализированные "коробочные" программные продукты для интеллектуального анализа

средства интегрированные в системы управления базами данных (СУБД)

электронные таблицы (и различного рода надстройки над ними)

математические пакеты

Какие службы входят в состав СУБД Microsoft SQL Server?

Analysis Services

MS SQL Server 2000

unsupervised learning

supervised learning

OLAP

Средства аналитической обработки данных в режиме on-line

OLAP

MS SQL Server 2000

Microsoft SQL Server

BI DevStudio

AnalysisServicesDatabase

Зависимая переменная это

параметр, значение которого рассматриваем как зависящее от других параметров (независимых переменных)

параметр, значение которого рассматриваем как независящее от других параметров (независимых переменных)

это оценка кредитоспособности потенциального заемщика

множество классов задачи классификации

определение числового значения

Задачи интеллектуального анализа данных

все ответы верны

задача классификации

задача регрессии

задача прогнозирования

все ответы не верны

Задача классификации

заключается в том, что для каждого варианта определяется категория или класс, которому он принадлежит

производится поиск шаблонов для определения числового значения

прогнозирование новых значений на основании имеющихся значений числовой последовательности (или нескольких последовательностей, между значениями в которых наблюдается корреляция)

обучение с учителем (от англ. Supervisedlearning)

обучение без учителя (от англ. Unsupervisedlearning)

Задача регрессии

во многом схожа с задачей классификации, но в ходе ее решения производится поиск шаблонов для определения числового значения

заключается в том, что для каждого варианта определяется категория или класс, которому он принадлежит

прогнозирование новых значений на основании имеющихся значений числовой последовательности (или нескольких последовательностей, между значениями в которых наблюдается корреляция)

обучение с учителем (от англ. Supervisedlearning)

обучение без учителя (от англ. Unsupervisedlearning)

Задача прогнозирования

прогнозирование новых значений на основании имеющихся значений числовой последовательности (или нескольких последовательностей, между значениями в которых наблюдается корреляция)

обучение с учителем (от англ. Supervisedlearning)

обучение без учителя (от англ. Unsupervisedlearning)

заключается в том, что для каждого варианта определяется категория или класс, которому он принадлежит

во многом схожа с задачей классификации, но в ходе ее решения производится поиск шаблонов для определения числового значения

Прогнозирование новых значений на основании имеющихся значений числовой последовательности (или нескольких последовательностей, между значениями в которых наблюдается корреляция)

Задача прогнозирования

Задача регрессии

Задача классификации

Задача поиска аномалий

Задача нахождения переменной

Во многом схожа с задачей классификации, но в ходе ее решения производится поиск шаблонов для определения числового значения

Задача регрессии

Задача прогнозирования

Задача классификации

Задача поиска аномалий

Задача нахождения переменной

Задача, при котором для каждого варианта определяется категория или класс, которому он принадлежит

Задача классификации

Задача регрессии

Задача прогнозирования

Задача поиска аномалий

Задача нахождения переменной

По способу решения задачи интеллектуального анализа можно разделить на

обучение с учителем (от англ. Supervisedlearning) и обучение без учителя (от англ. Unsupervisedlearning)

задача поиска аномалий и задача классификации

выявление закономерностей имеющихся в существующем наборе данных и задача нахождения переменной

выявление закономерностей имеющихся в существующем наборе данных и задача прогнозирования

задача нахождения переменной и задача поиска аномалий

При обучении с учителем (от англ. Supervisedlearning)

требуется обучающий набор данных, на котором создается и обучается модель интеллектуального анализа данных

выявляются закономерности имеющиеся в существующем наборе данных

производится поиск шаблонов для определения числового значения

для каждого варианта определяется категория или класс, которому он принадлежит

учитываются имеющиеся тенденции (тренды), сезонность, другие факторы

При обучении без учителя (от англ. Unsupervisedlearning)

выявляются закономерности имеющиеся в существующем наборе данных

требуется обучающий набор данных, на котором создается и обучается модель интеллектуального анализа данных

производится поиск шаблонов для определения числового значения

для каждого варианта определяется категория или класс, которому он принадлежит

учитываются имеющиеся тенденции (тренды), сезонность, другие факторы

При обучении с учителем (от англ. Supervisedlearning)

готовая модель тестируется и впоследствии используется для предсказания значений в новых наборах данных

выявляются закономерности имеющиеся в существующем наборе данных

производится поиск шаблонов для определения числового значения

для каждого варианта определяется категория или класс, которому он принадлежит

учитываются имеющиеся тенденции (тренды), сезонность, другие факторы

При обучении без учителя (от англ. Unsupervisedlearning)

Обучающая выборка не требуется

требуется обучающий набор данных, на котором создается и обучается модель интеллектуального анализа данных

производится поиск шаблонов для определения числового значения

для каждого варианта определяется категория или класс, которому он принадлежит

учитываются имеющиеся тенденции (тренды), сезонность, другие факторы

Классификация задач интеллектуального анализа данных по назначению делится на

описательные (descriptive) и предсказательные (predictive)

задача поиска аномалий и задача классификации

выявление закономерностей имеющихся в существующем наборе данных и задача нахождения переменной

выявление закономерностей имеющихся в существующем наборе данных и задача прогнозирования

задача нахождения переменной и задача поиска аномалий

Цель решения описательных задач

лучше понять исследуемые данные, выявить имеющиеся в них закономерности, даже если в других наборах данных они встречаться не будут

в ходе их решения на основании набора данных с известными результатами строится модель для предсказания новых значений

выявление закономерностей имеющихся в существующем наборе данных

обучение модели интеллектуального анализа данных

определение категории или класса, которому он принадлежит

Цель решения предсказательных задач

в ходе их решения на основании набора данных с известными результатами строится модель для предсказания новых значений

лучше понять исследуемые данные, выявить имеющиеся в них закономерности, даже если в других наборах данных они встречаться не будут

выявление закономерностей имеющихся в существующем наборе данных

обучение модели интеллектуального анализа данных

определение категории или класса, которому он принадлежит

Задача кластеризации

заключается в делении множества объектов на группы (кластеры) схожих по параметрам

лучше понять исследуемые данные, выявить имеющиеся в них закономерности, даже если в других наборах данных они встречаться не будут

выявление закономерностей имеющихся в существующем наборе данных

определение категории или класса, которому он принадлежит

в ходе их решения на основании набора данных с известными результатами строится модель для предсказания новых значений

Отличие кластеризации от классификации

число кластеров и их характеристики могут быть заранее неизвестны и определяться в ходе построения кластеров исходя из степени близости объединяемых объектов по совокупности параметров

лучшее понимание исследуемых данных, чтобы выявить имеющиеся в них закономерности, даже если в других наборах данных они встречаться не будут

определение категории или класса, которому он принадлежит

в ходе их решения на основании набора данных с известными результатами строится модель для предсказания новых значений

задача поиска ассоциативных правил

Делении множества объектов на группы (кластеры) схожих по параметрам

Задача кластеризации

Задача классификации

Задача поиска аномалий

Задача регрессии

Задача прогнозирования

Другое название задачи кластеризации

сегментация

классификация

прогнозирование

поиск аномалий

регрессия

Кластеризация относится к задачам

обучения без учителя (или "неуправляемым" задачам)

обучения с учителем (от англ. Supervisedlearning)

поиска ассоциативных правил

прогнозирования

регрессии

Задача определения взаимосвязей также называется

задачей поиска ассоциативных правил

задачей прогнозирования

задачей регрессии

задачей обучения без учителя

задачей обучения с учителем

Задача определения взаимосвязей

заключается в определении часто встречающихся наборов объектов среди множества подобных наборов

заключается в поиске ассоциативных правил

заключается в определении категории или класса, которому он принадлежит

заключается в обучении без учителя

заключается в обучении с учителем

Классическим примером задачи определения взаимосвязей является

является анализ потребительской корзины, который позволяет определить наборы товаров, чаще всего встречающиеся в одном заказе (или в одном чеке)

анализ последовательности переходов по страницам пользователей web-сайтов

сегментация клиентов

прогнозирование цен акции

выявление мошенничества с банковскими картами

Классическим примером задачи классификации является

Оценка кредитоспособности

Оценка допустимого кредитного лимита

Прогнозирование продаж

Сегментация клиентов

Анализ переходов по страницам web-сайта

Классическим примером задачи регрессии является

Оценка допустимого кредитного лимита

Оценка кредитоспособности

Прогнозирование продаж

Сегментация клиентов

Анализ переходов по страницам web-сайта

Классическим примером задачи прогнозирования является

Прогнозирование цен акции

Сегментация клиентов

Анализ переходов по страницам web-сайта

Анализ потребительской корзины

Обнаружение вторжений в информационные системы

36

Сегментация клиентов



Прогнозирование цен акции

Анализ переходов по страницам web-сайта

Анализ потребительской корзины

Обнаружение вторжений в информационные системы

Службы AnalysisServices предоставляют следующие функции и средства для создания решений по интеллектуальному анализу данных

все ответы верны

все ответы не верны

набор стандартных алгоритмов интеллектуального анализа данных

конструктор интеллектуального анализа данных, предназначенный для создания и просмотра моделей интеллектуального анализа данных, управления ими и построения прогнозов

язык расширений интеллектуального анализа данных (DataMiningeXtensionsto SQL, DMX)

SQLServer 2008 и 2008 R2 поддерживают

создание, управление и использование моделей интеллектуального анализа данных из MicrosoftExcel с помощью Надстроек интеллектуального анализа данных SQLServer 2008 для Office 2007

совокупность исходных данных и описания способов их обработки

сочетание самих данных, алгоритма интеллектуального анализа данных и коллекции значений параметров и фильтров, управляющих использованием и обработкой данных

анализ набор данных, осуществляя поиск определенных закономерностей и трендов

примеры использования интеллектуального анализа данных и соответствующие им алгоритмы

Структура интеллектуального анализа данных может быть представлена как

совокупность исходных данных и описания способов их обработки

сочетание самих данных, алгоритма интеллектуального анализа данных и коллекции значений параметров и фильтров

примеры использования интеллектуального анализа данных и соответствующие им алгоритмы

анализ набор данных, осуществляя поиск определенных закономерностей и трендов

конструктор интеллектуального анализа данных, предназначенный для создания и просмотра моделей интеллектуального анализа данных

В структуре интеллектуального анализа данных можно выделить

обучающий и проверочный набор данных

обучающий и не обучающий набор данных

тестирующий и проверочный набор данных

тестирующий и ошибочный набор данных

обучающий и ошибочный набор данных

Модель интеллектуального анализа данных

представляет собой сочетание самих данных, алгоритма интеллектуального анализа данных и коллекции значений параметров и фильтров, управляющих использованием и обработкой данных

язык расширений интеллектуального анализа данных (DataMiningeXtensionsto SQL, DMX)

конструктор интеллектуального анализа данных, предназначенный для создания и просмотра моделей интеллектуального анализа данных, управления ими и построения прогнозов

число кластеров и их характеристики могут быть заранее неизвестны и определяться в ходе построения кластеров исходя из степени близости объединяемых объектов по совокупности параметров

средства интегрированные в системы управления базами данных (СУБД)

Модель интеллектуального анализа данных определяется

на языке расширений интеллектуального анализа данных или с помощью мастера интеллектуального анализа данных в среде BI DevStudio

на конструкторе интеллектуального анализа данных, предназначенной для создания и просмотра моделей интеллектуального анализа данных, управления ими и построения прогнозов

только на языке расширений интеллектуального анализа данных

только с помощью мастера интеллектуального анализа данных в среде BI DevStudio

нет верного ответа

Алгоритм интеллектуального анализа данных представляет собой

механизм, создающий модель интеллектуального анализа данных

средства интегрированные в системы управления базами данных (СУБД)

число кластеров и их характеристики

язык расширений

тестирующий и ошибочный набор данных

Чтобы создать модель, алгоритм

сначала анализирует набор данных, осуществляя поиск определенных закономерностей и трендов

сначала тестирует набор данных

принимает решение на основе значений параметров и фильтров

производит классификацию данных

производит кластеризацию данных

Майкрософт предлагают следующий вариант декомпозиции задачи обработки данных

постановка задачи, подготовка данных, изучение данных, построение моделей, исследование и проверка моделей, развертывание и обновление моделей

постановка задачи, изучение данных, построение моделей, исследование и проверка моделей, развертывание и обновление моделей, подготовка данных

постановка задачи, подготовка данных, построение моделей, исследование и проверка моделей, развертывание и обновление моделей, изучение данных

постановка задачи, подготовка данных, изучение данных, построение моделей, развертывание и обновление моделей, исследование и проверка моделей

постановка задачи, изучение данных, подготовка данных, построение моделей, исследование и проверка моделей, развертывание и обновление моделей

На этапе постановки задачи нужно определить

что является целью анализа

что является задачами анализа

что является актуальностью анализа

что является новизной анализа

что является анализом данных

Ряд вопросов, на которые необходимо ответить на этапе постановки задачи, выберите неправильный вариант

Как происходит определение источников данных для анализа, объединение данных и их очистка?

Нужно ли будет делать прогнозы на основании модели интеллектуального анализа данных или просто найти содержательные закономерности и взаимосвязи?

Если требуется прогноз, какой атрибут набора данных необходимо спрогнозировать?

Как связаны столбцы? Если существует несколько таблиц, как они связаны?

Каким образом распределяются данные? Являются ли данные сезонными? Дают ли данные точное представление о предметной области?

Этап подготовки данных включает

определение источников данных для анализа, объединение данных и их очистку

определение средств интегрированных в системы управления базами данных (СУБД)

определение числа кластеров и их характеристики

определение цели анализа данных

определение атрибута набора данных необходимого для прогноза

В процессе объединения и преобразования данных часто используются

возможностислужб SQL Server Integration Services

атрибуты набора данных

источники данных для анализа

обновление моделей, изучение данных

число кластеров и их характеристики

Использование возможностей служб SQL ServerIntegrationServices позволяет

существенно автоматизировать процесс подготовки

исключить избыточные данные в наборах

улучшить параметры для классификации

улучшить качество прогноза

улучшить точность представления о предметной области

Собранные данные, как правило, нуждаются в дополнительной обработке, называемой

очисткой

тестированием

классификацией

преобразованием

алгоритмизацией

Очистка это

процесс дополнительной обработки данных

выявление статистических характеристик

анализ созданной модели

тестирование наборов данных

улучшение показателей точности

В процессе очистки при необходимости может производиться

удаление "выбросов" (нехарактерных и ошибочных значений), обработка отсутствующих значений параметров, численное преобразование (например, нормализация) и т.д.

выявление статистических характеристик

анализ созданной модели

использование возможности служб SQLServerIntegrationServices

тестирование наборов данных

"Выбросы" это

нехарактерные и ошибочные значения

обработка отсутствующих значений параметров

численное преобразование

нормализация

улучшение показателей точности

Что характеризует изучение данных

позволяет понять, насколько адекватно подготовленный набор представляет исследуемую предметную область

позволяет производить обработку отсутствующих значений параметров

это удаление "выбросов" (нехарактерных и ошибочных значений), обработка отсутствующих значений параметров, численное преобразование (например, нормализация) и т.д.

включает указание на алгоритм интеллектуального анализа данных и его параметры, а также анализируемые данные

требуется прогноз, какой атрибут набора данных необходимо спрогнозировать

При изучении данных может производиться

поиск минимальных и максимальных значений параметров, анализ распределений значений и других статистических характеристик, сравнение полученных результатов с представлениями о предметной области

удаление "выбросов" (нехарактерных и ошибочных значений), обработка отсутствующих значений параметров, численное преобразование (например, нормализация) и т.д.

выявление статистических характеристик

улучшение показателей точности

нормализация

Модель включает

указание на алгоритм интеллектуального анализа данных и его параметры, а также анализируемые данные

указание на метод интеллектуального анализа данных и его параметры, а также анализируемые данные

указание на алгоритм интеллектуального анализа данных и его параметры, а также на принципы использования алгоритмов

указание на модель интеллектуального анализа данных и его параметры, а также анализируемые данные

указание на алгоритм интеллектуального анализа данных и его параметры, а также параметры обучения модели

При определении модели могут использоваться

различные фильтры

среды BI DevStudio

языки DMX

производственные среды

проверочные наборы

Модель может проходить обучение, заключающееся

в применении выбранного алгоритма к обучающему набору данных

в применении обучающего набора данных к выбранному алгоритму

в указании на алгоритмы интеллектуального анализа данных и его параметры, а также параметры обучения модели

использовании различных фильтров

описании структуры моделей

Где сохраняются выявленные закономерности после обучения?

в модели

в наборе

в алгоритме классификации

в производственной среде

в проверочном наборе

Новую модель можно определить с помощью

мастера интеллектуального анализа данных в среде BI DevStudio или с помощью языка DMX

средств, упрощающих разделение данных на обучающий и проверочный наборы

подхода, называемого перекрестной проверкой

предсказательных задач интеллектуального анализа

средств автоматизации перекрестной проверки

Цель проверки модели

оценка качества работы созданной модели перед началом ее использования в "производственной среде"

в указании на алгоритмы интеллектуального анализа данных и его параметры, а также параметры обучения модели

в применении выбранного алгоритма к обучающему набору данных

указание на алгоритм интеллектуального анализа данных и его параметры, а также параметры обучения модели

поиск минимальных и максимальных значений параметров, анализ распределений значений и других статистических характеристик, сравнение полученных результатов с представлениями о предметной области

Если создавалось несколько моделей, то на этапе проверки модели делается выбор

в пользу той, что даст наилучший результат

в пользу той, что даст наихудший результат

в пользу той, не даст результата

в пользу той, что даст отрицательный результат

в пользу той, что даст неприемлемый результат

При решении предсказательных задач интеллектуального анализа качество выдаваемого моделью прогноза можно оценить на

проверочном наборе данных, для которого известно значение прогнозируемого параметра

обучающем наборе данных

производственной среде

создаваемых моделях

в информационных средах

В MS SQL Server 2008 службы Analysis Services предоставляют

средства, упрощающие разделение данных на обучающий и проверочный наборы

средства, усложняющие разделение данных на обучающий и проверочный наборы

средства, упрощающие разделение данных

решение предсказательных задач

методы перекрестной проверки

Точность прогнозов, создаваемых моделями, можно проверить при помощи

таких средств, как диаграмма точности прогнозов и матрица классификации

MS SQL Server 2008

Analysis Services

языка DMX

среды BI DevStudio

Подход, называемый перекрестной проверкой, заключается в том

что создаются подмножества данных и сравниваются результаты работы модели на каждом подмножестве

что создаются подмножества данных и улучшаются результаты работы модели на каждом подмножестве

что создаются подмножества данных и ухудшаются результаты работы модели на каждом подмножестве

что создаются множества данных и сравниваются результаты работы модели на каждом множестве

что создаются множества данных и улучшаются результаты работы модели на каждом множестве

Перекрестная проверка может использоваться

как при решении предсказательных, так и описательных задач

сравнивания результатов работы модели на каждом множестве

при решении задач кластеризации

при решении задач классификации

при решении задач регрессии

Средства автоматизации перекрестной проверки доступны при использовании

MS SQL Server 2008 версии Enterprise или Developer

среды BI DevStudio

приложенийMicrosoftOffice 2007

приложения Excel

нет верного ответа

Наиболее эффективные модели развертываются в

производственной среде

среде разработки

программной среде

интеллектуальной среде

среде установки

Один из возможных вариантов проведения интеллектуального анализа данных средствами Microsoft SQL Server 2008 это

использование надстроек для пакета MicrosoftOffice 2007

переобучение существующих моделей или создание новых

автоматизация процесса обновления моделей

анализ данных и пользовательских приложений

формирование отчетов о результатах проведенного анализа

Для того, чтобы выполнить конфигурацию MS SQLServer 2008 надо иметь

права администратора

права гостя

права пользователя

права для обновления компонентов

права просмотра конфигурации

Временная модель отличается от постоянной тем, что

создается только на время сеанса пользователя

создается не только на время сеанса пользователя

не создается на время сеанса пользователя

создается при завершении сессии

нет верного ответа

Когда пользователь, проводящий анализ с помощью надстроек, завершит сессию (закроет Excel), модель будет

удалена

возобновлена

принята

отменена

задействована

Постоянная модель

автоматически не удаляется, хранится на сервере, и к работе с ней можно вернуться

автоматически удаляется

автоматически не удаляется, хранится на облаке, и к работе с ней можно вернуться

автоматически удаляется, и не хранится на сервере

автоматически удаляется, и к работе с ней нельзя вернуться

Инструмент AnalyzeKeyInfluencers позволяет определить

как зависит интересующий нас параметр от других

как проводится анализ с помощью надстроек

структуру анализируемых данных

ошибки классификации

порядковый номер записи в таблицы

Если целевой или другой столбец, обрабатываемый инструментом AnalyzeKeyInfluencers, содержит много различных числовых значений, то проводится

дискретизация

классификация

кластеризация

регрессия

анализ результатов

Какую задачу решает инструмент DetectCategories?

кластеризация

дискретизация

классификация

регрессия

выявление аномалий

Разделение всего множества вариантов на "естественные" группы, члены которых наиболее близки по ряду признаков

сегментация

дискретизация

классификация

регрессия

выявление аномалий

Диаграмма профилей категорий

показывает количество строк данных в каждой категории с каждым значением выбранных параметров

показывает количество столбцов данных в каждой категории с каждым значением выбранных параметров

показывает количество строк данных в каждой записи с каждым значением выбранных параметров

показывает количество записей данных в каждой категории

показывает количество параметров в каждой категории с каждым значением выбранных параметров

Что можно сделать с помощью фильтра Column?

можно изменить число параметров

можно классифицировать набор

можно кластеризовать набор

разделить по категориям

удалить данные

Для создания модели в обучающей выборке должны быть представлены

варианты со всеми возможными значениями целевого столбца

варианты со всеми возможными значениями целевой строки

параметры рассматриваемого объекта

число параметров системы

особенности предметной области

Необходимое число примеров зависит от

особенностей предметной области

числа параметров системы

вариантов со всеми возможными значениями целевой строки

вариантов со всеми возможными значениями целевого столбца

категорий и признаков элемента

Чем больше характерных примеров в обучающей выборке

тем более качественно будет обучена модель

тем менее качественно будет обучена модель

тем более качественно будет создана модель

тем менее качественно будет создана модель

тем менее качественно будет обучен алгоритм

Инструмент FillFromExample непригоден для

задачи предсказания значений параметра, который может принимать непрерывные числовые значения

задачи классификации

задачи кластеризации

для обучения моделей

для тестирования наборов данных

Особенность инструмента FillFromExample

анализ проводится по столбцам

анализ проводится по строкам

анализ проводится по фильтрам

анализ не проводится по столбцам

анализ не проводится по строкам

Если ряд, который необходимо заполнить, хранится в виде строки, перед началом анализа надо выполнить

транспонирование

сегментацию

клонирование данных

кластеризацию

анализ событий

Инструмент Forecast позволяет

построить прогноз значений числового ряда

построить прогноз значений числового столбца

построить график значений числового ряда

построить гистограмму значений числового ряда

построить прогноз значений параметров

Ряд в Forecast должен быть представлен

столбцом в таблице

строкой в таблице

параметром в таблице

формулой в таблице

графиком в таблице

В процессе работы инструмент Forecast строит модель с использованием алгоритма

временных рядов

связующего дерева

ближайших соседей

дерева решений

ассоциаций

В Forecast предсказывать можно

числовые (непрерывные) или "денежные" (тип currency) значения

только числовые (непрерывные) значения

только "денежные" (тип currency) значения

только номинальные значения

нет правильного ответа

Инструмент Forecast не рассчитан на

предсказание дат

кластеризацию

классификацию

выявление аномалий

все ответы верны

Тренд может быть

восходящим (возрастание значений ряда) или нисходящим (уменьшение значений)

положительным или отрицательным

хорошим или плохим

обучаемым или необучаемым

нет правильного ответа

Инструмент Forecast ищет в анализируемой последовательности шаблоны следующих типов

все ответы верны

нет правильного ответа

тренд

периодичность (сезонность)

взаимная корреляция

Периодичность (сезонность)

событие повторяется через определённые интервалы

тенденция изменения значений

зависимость значений одного ряда от других

все ответы верны

нет правильного ответа

Взаимная корреляция

зависимость значений одного ряда от других

тенденция изменения значений

событие повторяется через определённые интервалы

все ответы верны

нет правильного ответа

Тенденция изменения значений

тренд

взаимная корреляция

периодичность

сезонность

обучение

Зависимость значений одного ряда от других

взаимная корреляция

тренд

периодичность

сезонность

обучение

Настройка параметров в Forecast заключается в

выборе анализируемых столбцов, количества предсказываемых значений ряда, указания временной отметки и типа периодичности

выборе анализируемых столбцов, количества предсказываемых значений ряда

выборе анализируемых столбцов и указания временной отметки периодичности

выборе анализируемых столбцов, количества предсказываемых значений столбца, указания временной отметки и типа периодичности

выборе количества предсказываемых значений ряда, указания временной отметки и типа периодичности

Алгоритмы, обнаруживающие взаимную корреляцию, входят в поставку

MS SQLServer 2008

Forecast

любойSQLServer

Yearly параметр

нет правильного ответа

Что касается периодичности, то предлагаемые для выбора варианты определяются следующим образом, выберите неправильный вариант

Secondly

Hourly

Daily

Weekly

Monthly

Если периодичность неизвестна, то рекомендуется оставить

"detect automatically"

"detect faster"

"detect periodically"

"detect firstly"

"detectsecondary"

Чтобы инструмент Forecast проверил данные на наличие периодичности разных типов рекомендуется оставить

"detect automatically"

"detect faster"

"detect periodically"

"detect firstly"

"detectsecondary"

Инструмент Forecast создает отчет с графиком, на котором непрерывной линей обозначен

"исторический тренд"

"последовательный тренд"

"параболический тренд"

"экспоненциальный тренд"

"логистический тренд"

Инструмент Forecast создает отчет с графиком, на котором пунктирной линией показан (о)

предсказываемое продолжение тренда

"последовательный тренд"

"параболический тренд"

"экспоненциальный тренд"

"логистический тренд"

Чтобы убрать результаты работы инструмента Forecast, надо

удалить лист отчета и строки исходной таблицы с предсказанными значениями

удалить лист и строки полученной таблицы с предсказанными значениями

добавить лист отчета и строки исходной таблицы с предсказанными значениями

удалить отчет исходной таблицы с предсказанными значениями

добавить лист отчета и строки исходной таблицы без предсказанных значений

Инструмент HighlightExceptions позволяет выявить

данные, выделяющиеся среди имеющегося набора

данные, не выделяющиеся среди имеющегося набора

аномалии, выделяющиеся среди имеющегося набора

алгоритмы, выделяющиеся среди имеющегося набора

данные, выделяющиеся среди тестируемого набора

Что относится к данным, выделяющимся среди имеющегося набора, выберите неправильный вариант

реальные данные

исключения

результаты ошибки оператора при вводе каких-то значений

нетипичные примеры в выборке

ошибочные данные

Анализ исключений позволяет

исключить попадание нетипичных примеров в обучающую выборку

исключить попадание типичных примеров в обучающую выборку

исключить попадание нетипичных примеров в тестирующую выборку

исключить попадание типичных примеров в тестирующую выборку

нет правильного ответа

В ходе работы инструмент HighlightExceptions создает

временную модель интеллектуального анализа с использованием алгоритма MicrosoftClustering

временную модель интеллектуального анализа с использованием алгоритма Clustering

тепловую модель интеллектуального анализа с использованием алгоритма MicrosoftClustering

временную модель интеллектуального анализа с использованием алгоритма регрессии

временную модель интеллектуального анализа с использованием алгоритма кластеризации

Для каждой анализируемой строки в HighlightExceptions оценивается

степень принадлежности выявленным кластерам

степень принадлежности выявленным классам

степень принадлежности выявленным значениям

степень принадлежности выявленным типам

степень принадлежности выявленным методам

Значения в HighlightExceptions, находящиеся далеко от всех кластеров, помечаются как

исключения

дополнения

признаки

алгоритмы

выборки

При запуске инструмента HighlightExceptions можно отметить

столбцы, не учитываемые при анализе

строки, не учитываемые при анализе

данные, не учитываемые при анализе

признаки, не учитываемые при анализе

исключения, не учитываемые при анализе

В рекомендациях по использованию HighlightExceptions указывается

что желательно исключить из анализа столбцы с уникальными значениями (имена, идентификаторы), а также содержащие много пустых значений или произвольный текст

что желательно исключить из анализа столбцы с уникальными значениями (имена, идентификаторы)

что желательно исключить из анализа столбцы, содержащие много пустых значений или произвольный текст

что желательно исключить из анализа строчки с уникальными значениями (имена, идентификаторы), а также содержащие много пустых значений или произвольный текст

что желательно включить в анализ столбцы с уникальными значениями (имена, идентификаторы), а также содержащие много пустых значений или произвольный текст

Инструмент HighlightExceptions позволяет

указать порог отклонения от нормы

указать порог достаточности

указать произвольные значения параметров

указать порог ответственности

указать порог симметричности

В чем измеряется Exceptionthreshold

в процентах

в баррелях

в битах

в логарифмических единицах

безразмерная величина

Уменьшение порога приведет к тому, что

больше записей будет рассматриваться как исключения, увеличение - наоборот

меньше записей будет рассматриваться как исключения, увеличение - наоборот

больше записей будет рассматриваться как дополнения, увеличение - наоборот

больше записей будет рассматриваться как исключения

больше записей будет рассматриваться как дополнения

Рассматриваемые как выбросы значения в HighlightExceptions выделяются в таблице цветом

вся строка-коричневым, конкретное значение - желтым

вся строка-желтым, конкретное значение - красным

вся строка-коричневым, конкретное значение - черным

вся строка-коричневым, конкретное значение - зеленым

вся строка-зеленым, конкретное значение – желтым

Чтобы сгруппировать нужные строки в HighlightExceptions можно воспользоваться функциями

Excel

Word

Power Point

Explorer

Adobe

Инструменты вкладки "Вид" нужны

чтобы создать новое окно и расположить рядом с окном с отчетом и данными

чтобы удалить окно и расположить рядом с окном с отчетом и данными

чтобы создать новое окно и расположить между окном с отчетом и данными

чтобы удалить окно

нет правильного ответа

Автоматический пересчет работает только в том случае, если

сессия работы с аналитическими службами SQLServer остается открытой

сессия работы с аналитическими службами SQLServer остается закрытой

сессия работы с аналитическими службами алгоритмов остается открытой

сессия работы со службами остается открытой

нет правильного ответа

Если таблица Excel была закрыта и снова открыта, то

автоматического пересчета не будет

не нужно проводить анализ

будет автоматический пересчет

будет повторное обучение

будут добавлены новые строки

Инструмент HighlightExceptions реагирует только на изменения

данных в диапазоне ячеек, использовавшемся при обучении

данных в диапазоне ячеек, использовавшемся при тестировании

параметров в диапазоне ячеек, использовавшемся при обучении

данных в диапазоне столбцов, использовавшемся при обучении

данных в диапазоне столбцов, использовавшемся при тестировании

Если после начала работы инструмента HighlightExceptions в конец таблицы добавить новые строки

они оцениваться не будут

они будут оцениваться

они будут удалены

они будут добавлены в новое поле

нет правильного ответа

Если нужно рассматривать только наиболее сильные выбросы, можно увеличить значение порога отклонения и инструмент HighlightExceptions изменит

оценки в соответствии с заданным значением

риски в соответствии с заданным значением

параметры в соответствии с заданным значением

реалии в соответствии с заданным значением

оценки в соответствии с принятым значением

Повторный запуск инструмента HighlightExceptions

удалит результаты предыдущего анализа

улучшит результаты предыдущего анализа

ухудшит результаты предыдущего анализа

все варианты верны

нет правильного ответа

Учитывая, что проводимые инструментом HighlightExceptions изменения достаточно сложны (раскраска строк таблицы и т.д.), если нужно удалить результаты работы, рекомендуется

запустить повторный анализ

запустить повторный тест

уменьшить число исключений

увеличить набор данных

нет правильного ответа

Инструмент ScenarioAnalysis позволяет

моделировать влияние, оказываемое изменением одного из параметров (значений одного столбца) на другой, связанный с первым

моделировать ситуации, оказываемые изменением одного из параметров (значений одного столбца) на другой, связанный с первым

моделировать влияние, оказываемое изменением одного из параметров (значений одного столбца) на другой, связанный со вторым

моделировать изменение, оказываемое влиянием одного из параметров (значений одного столбца) на другой, связанный с первым

нет правильного ответа

В основе работы инструмента ScenarioAnalysis лежит

использование алгоритма MicrosoftLogisticRegression

использование алгоритма LogisticRegression

использование алгоритма RegressionAnalytics

использование алгоритма Classification

использование алгоритма K-nearest

Для формирования временной модели в ScenarioAnalysis требуется обучающая выборка, содержащая не менее

50 записей

150 записей

100 записей

500 записей

250 записей

Инструмент ScenarioAnalysis включает

две составные части - "Анализ сценария поиска решений" (GoalSeek) и "Анализ возможных вариантов"("What-If")

одну составную часть - "Анализ сценария поиска решений" (GoalSeek)

одну составную часть - "Анализ возможных вариантов"("What-If")

нет правильного ответа

не имеет составных частей

Использование инструмента GoalSeek позволяет

оценить, сможем ли мы достичь желаемого значения в целевом столбце, меняя значения выбранного параметра

определить наилучшие варианта тестируемых параметров

узнать, как будет влиять образование на уровень достаточности одного алгоритма

запросить систему увеличивать количество обучающей выборки

выявить точное совпадение элементов в записи данных

Инструмент What-If позволяет

решить обратную по отношению к GoalSeek задачу: оценить значение целевой переменной при определенном изменении заданного параметра

решить аналогичную GoalSeek задачу: оценить значение целевой переменной при определенном изменении заданного параметра

оценить значение целевой переменной при определенном изменении прогнозируемого параметра

определить значение остаточной переменной при определенном изменении прогнозируемого параметра

нет правильного ответа

С помощью инструмента What-If можно оценить

как изменился бы уровень дохода человека, если бы повысился его уровень образования

как найти точку пересечения координат с графиком

как определить кредитный скоринг без данных о человеке

как определить достоверность параметров

количество записей в выборке обучающих данных

Для того чтобы удалить результаты работы с таблицей инструментов What-If и ScenarioAnalysis, достаточно

удалить добавленные столбцы

удалить добавленные строки

удалить добавленные записи

удалить все столбцы

удалить все строки

При работе с отдельными строками в What-If

никаких дополнительных действий не требуется

требуется удалить добавленные столбцы

требуется удалить добавленные строки

требуется удалить добавленные записи

нет правильного ответа

Инструмент PredictionCalculator

помогает сгенерировать и настроить "калькулятор", который позволяет оценить шансы на получение ожидаемого значения целевого параметра без подключения к аналитическим службам SQL Server

помогает сгенерировать и настроить "осциллограф", который позволяет оценить шансы на получение ожидаемого значения целевого параметра без подключения к аналитическим службам SQL Server

помогает сгенерировать и настроить "преобразователь", который позволяет оценить шансы на получение ожидаемого значения целевого параметра без подключения к аналитическим службам SQL Server

помогает сгенерировать и настроить "коммутатор", который позволяет оценить шансы на получение ожидаемого значения целевого параметра без подключения к аналитическим службам SQL Server

нет правильного ответа

Этот инструмент может быть полезен для удаленных пользователей

Prediction Calculator

Prediction Oscillator

Analyze Calculator

Base Station

Power Switch

PredictionCalculator генерирует отчет под названием

Prediction Calculator Report

Prediction Calculator Port

Prediction Calculator Docs

Prediction Calculator List

Prediction Calculator Table

Работая с калькулятором PredictionCalculator, можно

описать анализируемый пример, указывая значения для каждого параметра

описать анализируемый процесс, указывая значения для каждого параметра отчета

удалить анализируемый пример, указывая значения для каждого параметра

преобразовать анализируемый пример, указывая значения для каждого параметра

нет правильного ответа

Значения в столбец Value в PredictionCalculator

можно вводить или выбирать из выпадающих списков

нельзя вводить

нельзя выбирать из выпадающих списков

можно выбрать из выпадающих списков соседнего столбца

можно выбрать из выпадающих списков соседней строки

Отчет "PrintableCalculator" позволяет

вывести на печать готовую форму для ручного подсчета баллов и получения оценки без использования компьютера

вывести на печать еще неготовую форму для ручного подсчета баллов и получения оценки без использования компьютера

вывести на печать только готовую форму для ручного подсчета баллов

вывести на печать только форму получения оценки без использования компьютера

нет правильного ответа

По итогам анализа в PrintableCalculator формируется

прогноз

утверждение

расчетные данные

список программ

ошибка

Четыре категории прогноза в PrintableCalculator, выберите ошибочный вариант

неистинный позитивный прогноз (TruePositive; ошибка 3 рода)

истинный позитивный прогноз (TruePositive)

истинный негативный прогноз (TrueNegative)

ложный позитивный прогноз (FalsePositive; ошибка 1 рода)

ложный негативный прогноз (FalseNegative; ошибка 2 рода)

Верный прогноз

истинный позитивный прогноз (TruePositive)

истинный негативный прогноз (TrueNegative)

ложный позитивный прогноз (FalsePositive; ошибка 1 рода)

ложный негативный прогноз (FalseNegative; ошибка 2 рода)

неистинный позитивный прогноз (TruePositive; ошибка 3 рода)

Верный негативный прогноз

истинный негативный прогноз (TrueNegative)

истинный позитивный прогноз (TruePositive)

ложный позитивный прогноз (FalsePositive; ошибка 1 рода)

ложный негативный прогноз (FalseNegative; ошибка 2 рода)

неистинный позитивный прогноз (TruePositive; ошибка 3 рода)

Неверный прогноз, показывающий, что клиент хочет сделать покупку, хотя на самом деле это не так (может привести магазин к затратам на сопровождение клиента)

ложный позитивный прогноз (FalsePositive; ошибка 1 рода)

истинный негативный прогноз (TrueNegative)

истинный позитивный прогноз (TruePositive)

ложный негативный прогноз (FalseNegative; ошибка 2 рода)

неистинный позитивный прогноз (TruePositive; ошибка 3 рода)

Неверный прогноз, показывающий, что клиент не хочет сделать покупку, хотя на самом деле он в ней заинтересован (может привести к упущенной прибыли)

ложный негативный прогноз (FalseNegative; ошибка 2 рода)

истинный негативный прогноз (TrueNegative)

истинный позитивный прогноз (TruePositive)

ложный позитивный прогноз (FalsePositive; ошибка 1 рода)

неистинный позитивный прогноз (TruePositive; ошибка 3 рода)

Истинный позитивный прогноз (TruePositive)

верный прогноз. Например, клиент, для которого прогноз показал истину, на самом деле заинтересован в покупке велосипеда. Магазин получил прибыль

верный негативный прогноз. Клиент, для которого прогноз показал незаинтересованность в покупке, на самом деле не собирается покупать велосипед. Магазин не получил прибыли, но и не понес затрат (на рассылку рекламных предложений и проч.)

неверный прогноз, показывающий, что клиент хочет сделать покупку, хотя на самом деле это не так (может привести магазин к затратам на сопровождение клиента)

неверный прогноз, показывающий, что клиент не хочет сделать покупку, хотя на самом деле он в ней заинтересован (может привести к упущенной прибыли)

нет правильного ответа

Истинный негативный прогноз (TrueNegative)

верный негативный прогноз. Клиент, для которого прогноз показал незаинтересованность в покупке, на самом деле не собирается покупать велосипед. Магазин не получил прибыли, но и не понес затрат (на рассылку рекламных предложений и проч.)

верный прогноз. Например, клиент, для которого прогноз показал истину, на самом деле заинтересован в покупке велосипеда. Магазин получил прибыль

неверный прогноз, показывающий, что клиент хочет сделать покупку, хотя на самом деле это не так (может привести магазин к затратам на сопровождение клиента)

неверный прогноз, показывающий, что клиент не хочет сделать покупку, хотя на самом деле он в ней заинтересован (может привести к упущенной прибыли)

нет правильного ответа

Ложный позитивный прогноз (FalsePositive; ошибка 1 рода)

неверный прогноз, показывающий,что клиент хочет сделать покупку, хотя на самом деле это не так (может привести магазин к затратам на сопровождение клиента)

верный негативный прогноз. Клиент, для которого прогноз показал незаинтересованность в покупке, на самом деле не собирается покупать велосипед. Магазин не получил прибыли, но и не понес затрат (на рассылку рекламных предложений и проч.)

верный прогноз. Например, клиент, для которого прогноз показал истину, на самом деле заинтересован в покупке велосипеда. Магазин получил прибыль

неверный прогноз, показывающий, что клиент не хочет сделать покупку, хотя на самом деле он в ней заинтересован (может привести к упущенной прибыли)

нет правильного ответа

Ложный негативный прогноз (FalseNegative; ошибка 2 рода)

неверный прогноз, показывающий, что клиент не хочет сделать покупку, хотя на самом деле он в ней заинтересован (может привести к упущенной прибыли)

позволяет указать прибыль от истинных прогнозов и убыток от ложных

верный прогноз. Например, клиент, для которого прогноз показал истину, на самом деле заинтересован в покупке велосипеда. Магазин получил прибыль

верный негативный прогноз. Клиент, для которого прогноз показал незаинтересованность в покупке, на самом деле не собирается покупать велосипед. Магазин не получил прибыли, но и не понес затрат (на рассылку рекламных предложений и проч.)

неверный прогноз, показывающий, что клиент хочет сделать покупку, хотя на самом деле это не так (может привести магазин к затратам на сопровождение клиента)

ОтчетPredictionCalculatorReport позволяет

указать прибыль от истинных прогнозов и убыток от ложных

указать прибыль от ложных прогнозов и убыток от истинных

соответствовать пороговому значению для прогноза

строить график потерь от ложных прогнозов

нет правильного ответа

Инструмент ShoppingBasketAnalysis

позволяет, на основе данных о покупках выделить товары, чаще всего встречающиеся в одном заказе, и сформировать рекомендации относительно совместных продаж

позволяет строить маршруты движения самолетов

позволяет кластеризовать данные по несхожим признакам

нет правильного ответа

все ответы верны

Для удаления результатов работы инструмента ShoppingBasketAnalysis

достаточно удалить сформированные отчеты

достаточно удалить подаваемые данные

нужно удалить атрибуты

нужно исключить ошибки

нет правильного ответа

Алгоритм классификации, основанный на вычислении условной вероятности значений прогнозируемых атрибутов

упрощенный алгоритм Байеса

алгоритм дерева решений

алгоритм ближайших соседей

алгоритм априори

нет правильного ответа

В каком алгоритме предполагается, что входные атрибуты являются независимыми и определен хотя бы один выходной атрибут

упрощенный алгоритм Байеса

алгоритм дерева решений

алгоритм ближайших соседей

алгоритм априори

нет правильного ответа

Алгоритм Байеса основан на использовании

формулы Байеса

закона Ома

преобразовании Лапласа

рядов Фурье

алгоритма априори

В СУБД MS SQLServer 2008 описание модели интеллектуального анализа хранится в виде

иерархии узлов

иерархии таблиц

совмещенных узлов

таблицы

системы уравнений

Для упрощенного алгоритма Байеса иерархия имеет

4 уровня

3 уровня

1 уровень

5 уровней

не имеет уровней

На верхнем уровне иерархии алгоритма Байеса находится

узел самой модели

узел искомой модели

таблица модели

параметры модели

уровень модели

Этот уровень иерархии алгоритма Байеса содержит информацию о том, с какой частотой встречались в обучающей выборке различные значения выходного параметра в сочетании с указанным значением выбранного входного параметра

нижний уровень

узел искомой модели

таблица модели

параметры модели

уровень модели

Для корректного использования упрощенного алгоритма Байеса необходимо учитывать, что

все ответы верны

нет правильного ответа

входные атрибуты должны быть взаимно независимыми

атрибуты могут быть только дискретными или дискретизированными (в процессе дискретизации множество значений непрерывного числового атрибута разбивается на интервалы и дальше идет работа с номером интервала)

алгоритм требует меньшего количества вычислений, чем другие алгоритмы интеллектуального анализа, представляемые MicrosoftSQLServer 2008, поэтому он часто используется для первоначального исследования данных. По той же причине, данный алгоритм предпочтителен для анализа больших наборов данных с большим числом входных атрибутов

Деревья решений (или деревья принятия решений, англ. "DecisionTrees")

семейство алгоритмов, позволяющих сформировать правила классификации в виде иерархической (древовидной структуры)

уровень иерархии алгоритма Байеса

алгоритм классификации, основанный на вычислении условной вероятности значений прогнозируемых атрибутов

алгоритм кластеризации

нет правильного ответа

В ряде случаев, деревья решений позволяют также решать задачи

регрессии и поиска взаимосвязей

только регрессии

только поиска взаимосвязей

кластеризации

нет правильного ответа

Решение задачи классификации заключается

в определении значения категориального (дискретного) выходного атрибута на основании входных данных

в определении значения любого атрибута на основании входных данных

в определении значения категориального (дискретного) выходного атрибута на основании выходных данных

все ответы верны

нет правильного ответа

Несомненным достоинством деревьев решений является

их интуитивная понятность

их интуитивная непонятность

их совместимость

их логическая необоснованность

нет правильного ответа

При построении дерева решений важно

добиться того, чтобы модель корректно отображала особенности предметной области и в то же время не содержала неоправданно большого числа ветвей

добиться того, чтобы модель некорректно отображала особенности предметной области и в то же время не содержала неоправданно большого числа ветвей

добиться того, чтобы модель корректно отображала особенности предметной области и в то же время содержала большого числа ветвей

добиться того, чтобы модель не отображала особенности предметной области и в то же время содержала неоправданно большого числа ветвей

нет правильного ответа

Слишком "ветвистое" дерево может

отлично классифицировать данные из обучающего набора, но иметь невысокую точность прогнозирования для новых данных

не может классифицировать данные

может неверно классифицировать данные

иметь высокую точность прогнозирования для новых данных

нет правильного ответа

"Переобучение" это

когда слишком "ветвистое" дерево может отлично классифицировать данные из обучающего набора, но иметь невысокую точность прогнозирования для новых данных

когда алгоритм может неверно классифицировать данные

когда алгоритм может иметь высокую точность прогнозирования для новых данных

когда алгоритм не может классифицировать данные

когда модель не отображает особенности предметной области

Для борьбы с "переобучением" используется

остановка при достижении определенных пороговых показателей (например, по объему данных, поддерживающих разбиение) и процедура "обрезки" дерева, в результате которой некоторые ветви объединяются или удаляются

"ветвистое" дерево

большое число ветвей

обучающий набор

дерево решений

Алгоритм линейной регрессии позволяет

представить зависимость между зависимой и независимой переменными как линейную, а затем использовать полученный результат при прогнозировании

добиться того, чтобы модель не отображала особенности предметной области и в то же время содержала неоправданно большого числа ветвей

кластеризовать данные по несхожим признакам

добиться того, чтобы модель корректно отображала особенности предметной области и в то же время не содержала неоправданно большого числа ветвей

строить дерево решений

При выборе какого алгоритма в SQLServer 2008 вызывается особый вариант алгоритма дерева решений с параметрами, которые ограничивают поведение алгоритма и требуют использования определенных типов данных на входе

алгоритма линейной регрессии

алгоритма Байеса

алгоритма априори

алгоритма ближайших соседей

алгоритмов кластеризации

Набор числовых значений, собранных в последовательные моменты времени (в большинстве случаев - через равные промежутки времени)

временной ряд

запись

кортеж

алгоритм

регрессия

Выделяют два основных формата представления временных рядов

столбчатый и чередующийся

столбчатый и нестолбчатый

модельный и пирамидальный

положительный и отрицательный

точный и неточный

Алгоритм временных рядов Майкрософт (MicrosoftTimeSeries) предоставляет собой

совокупность двух алгоритмов регрессии, оптимизированных для прогноза рядов непрерывных числовых значений

совокупность одного алгоритма регрессии, оптимизированного для прогноза рядов непрерывных числовых значений

совокупность трех алгоритмов регрессии, оптимизированных для прогноза рядов непрерывных числовых значений

совокупность четырех алгоритмов регрессии, оптимизированных для прогноза рядов непрерывных числовых значений

совокупность пяти алгоритмов регрессии, оптимизированных для прогноза рядов непрерывных числовых значений

Эти службы используют каждый алгоритм отдельно для обучения модели, а затем объединяют результаты, чтобы получить самый лучший прогноз

Analysis Services

ARIMA

ARTxp

Microsoft Time Series

SQLServer 2008

Учет корреляций между рассматриваемыми рядами или, иначе говоря, перекрестного влияния, можно отметить в качестве особенности реализации алгоритма

временных рядов

ближайших соседей

линейной регрессии

кластеризации

априори

Этот параметр для временного ряда может повысить указание известной периодичности

точность прогноза

количество атрибутов

степень верстки

уровень сложности

количество деревьев решений

Позволяет снизить размерность задачи анализа предметной области, путем "естественной" группировки вариантов в кластеры

кластеризация

регрессия

классификация

алгоритм Байеса

дерево решений

В случаях, когда для группировки используются значения 1-2 параметров, задача кластеризации может быть относительно быстро решена

вручную или обычными средствами работы с реляционными БД

только вручную

только средствами работы с реляционными БД

не может быть решена

нет правильного ответа

MicrosoftClustering содержит реализацию

двух алгоритмов кластеризации

трех алгоритмов кластеризации

четырех алгоритмов кластеризации

пяти алгоритмов кластеризации

шести алгоритмов кластеризации

Идея алгоритма К-средних (англ. k-means)

все ответы верны

Выбирается число кластеров k.

Из исходного множества данных случайным образом выбираются k записей, которые будут служить начальными центрами кластеров

Для каждой записи исходной выборки определяется ближайший к ней центр кластера

Вычисляются центроиды - центры тяжести кластеров

Вектор, элементы которого представляют собой средние значения признаков, вычисленные по всем записям кластера

центроид

класс

уровень

кортеж

атрибут

Второй метод, реализованный в MicrosoftClustering

максимизация ожиданий

минимизация ожиданий

типизация ожиданий

простая кластеризация

умная кластеризация

Он относится к методам мягкой кластеризации, т.е. вариант в этом случае принадлежит к нескольким кластерам и для всех возможных сочетаний вариантов с кластерами вычисляются вероятности

максимизация ожиданий

минимизация ожиданий

типизация ожиданий

простая кластеризация

умная кластеризация

При кластеризации каким методом алгоритм итеративно уточняет начальную модель кластеризации, подгоняя ее к данным, и определяет вероятность принадлежности точки данных кластеру

методом EM

методом PM

методом RM

методом QM

методом PR

Если в процессе формируются пустые кластеры или количество элементов в одном или нескольких кластерах оказывается меньше заданного минимального значения

малочисленные кластеры заполняются повторно с помощью новых точек и алгоритм EM запускается снова

алгоритм EM не запускается

малочисленные кластеры заполняются повторно с помощью старых точек

малочисленные кластеры не заполняются повторно с помощью новых точек

увеличивается объем памяти

По умолчанию в MicrosoftClustering используется

масштабируемая максимизация ожидания

немасштабируемая максимизация ожидания

масштабируемая минимизация ожидания

масштабируемая максимизация дисперсии

масштабируемая максимизация регрессии

При не масштабируемой максимизации ожидания считывается

весь набор данных

только первая запись в данных

только последняя запись в данных

только выборочные данные

не считываются данные

В большинстве случаев выигрыш в скорости

не ведет к ухудшению качества окончательной модели

ведет к ухудшению качества окончательной модели

не ведет к ухудшению качества алгоритма

ведет к ухудшению качества алгоритма

не к чему не приводит

Этот алгоритм позволяет выявить часто встречающиеся сочетания элементов данных и использовать обнаруженные закономерности для построения прогноза

алгоритм взаимосвязей или ассоциативных правил (AssociationRules)

алгоритм Байеса

алгоритм ближайших соседей

алгоритм прогнозирования

алгоритм кластеризации

Задача кластеризации последовательностей

выявить часто встречающиеся последовательности событий

определение закономерностей

выявление ошибок в данных

упрощение алгоритмов

анализ результатов

Гибридный алгоритм, сочетающий методы кластеризации с анализом марковских цепей

алгоритмMicorosoft Sequence Clustering

алгоритм Sequence Clustering

алгоритмMicorosoftClustering

алгоритм выявления ошибок

алгоритм Байеса

С помощью этих моделей анализируется направленный граф, хранящий переходы между различными состояниями

марковских

регрессионных

прямых

относительных

ложных

Алгоритм MicrosoftSequenceClustering использует

марковские цепи n-го порядка

марковские цепи 2-го порядка

марковские цепи 1-го порядка

марковские цепи 5-го порядка

марковские цепи 3-го порядка

В модели первого порядка вероятность текущего состояния зависит

только от предыдущего состояния

только от последующего состояния

не зависит от состояния

слабо зависит от состояния

только от аналогичного состояния

Класс моделей, построенных по аналогии с работой человеческого мозга

нейронные сети

деверья решений

алгоритм Байеса

алгоритм регрессии

алгоритм ближайших соседей

В SQLServer алгоритм нейронной сети использует сеть в виде

многослойного перцептрона

однослойного перцептрона

обычного перцептрона

немногослойного перцептрона

двухслойного перцептрона

200. Каждый нейрон получает одно или несколько входных значений (входов)и создает выходное значение (один или несколько одинаковых выходов). Каждый выход является простой нелинейной функцией суммы входов, полученных нейроном. Входы передаются в прямом направлении от узлов во входном слое к узлам в скрытом слое, а оттуда передаются на выходной слой. Нейроны в составе слоя не соединены друг с другом. Данные выражения характеризуют



нейронные сети

деверья решений

алгоритм Байеса

алгоритм регрессии

алгоритм ближайших соседей
жүктеу/скачать 67,67 Kb.

Достарыңызбен бөлісу:



©engime.org 2024
әкімшілігінің қараңыз
    Басты бет