Sequential covering is used for

When building a decision tree using C4.5, branching is made using the attribute that:

KNN algorithm is for:

A decision tree can be converted in:

Hierarchical clustering produces a sequence of embedded clusters called:

Variance is:

K-Means is sensitive to:

Fuzzy C-Means type is:

The standard deviation of (1,1,1,1,1) is:

In the case of SVM the algorithms tries to find the hyperplane that:

In a school 60% of the students are boys and 40% girls. Girls wear shorts and skirts in equal proportions, boys only shorts. A distant observer sees a person wearing shorts. What is the probability that the person is a boy?( Source: Wikipedia)

K-Means is not suitable for finding clusters that:

When we start with a set of labeled items (labels from a set of classes) we have:

For 4 points in 1D (1,2,5,6), using K-Means with K=2 and initial centroids 1 and 6, the result is:

From Apriori principle, if the sets A and B are frequent itemsets, then also X is frequent itemset, with:

Eye color has values of type:

If for 200 items, all positive, 50 are not correctly classified, then the accuracy is:

For 4 points in 1D ( 1,2,5,6), using k-Means with K=2 and initial centroids 1 and 2, the result is:

If A is a frequent itemset and s is the threshold then:

Binning Methods for Data Smoothing is a bin contains 4,8,9,15, the result of smoothing boundaries is:

(1,3,5,7,1001,2002,9999) is:

Transaction set ((1,2,3), (2,3,4), (3,4,5)); s=50%. The number of frequent items is:

If P(A)=0.8%, P(B)=40%, P(B|A)=10%, then P(A|B) is:

Having 10000 transactions with 10 items each and s=10 000, then the number of frequent items is at most:

The median value of (1,3,5,7,1001,2002,9999) is:

Entropy(D)= . If D contains 100% positive examples the entropy of D is:

Transaction set [(1,2,3,5), (2,3,4),(3,4,5)); s=50%. The number of frequent pair is:

It is not Data Mining:

Five number summay contains:

If for 200 items, all positive, 50 are not correctly classified, then the F1-score is:

If D has 50% positive and 50% negative examples the entropy of D is:

Transaction set: {(1,2,3,5),(2,3,5,6),(3,4,6)}, s=50%. The frequent items are

Transaction set: {(1,2,3,5),(2,3,4,5),(3,4,5)}. The support of the rule (3)->(5) is

In the case of discretization using equi-width bining with width=10 for 0,4,12,16,16,18,24,26,38 we obtain

Detecting outliers using 1,5*IQR:X is outlier if the value of X in {1,2,3,X} is:

Using Min-Max normalization, the set {1,2,3,6} is transformed in:

Using Decimal Scaling, the set {1,2,3,6} is transformed in:

The distance in 1D between the clusters (1,2,3) and (4,5,6) using single link is:

For 4 points in 1D (1,2,5,6), using K-Means with K=2 and initial centroids 1 and 6, the result is:

Vocabulary: {eu, nu, sunt ,acasa. The cosine distance between “ eu sunt” and “ sunt acasa” is:

Se poate folosi o cheie surogat pentru o tabelă de fapte dacă:

În lucrările sale, Ralph Kimball a susținut o stocare a datelor într-un depozit de date folosind o abordare:

Algoritmii de clasificare sunt de tipul:

Deviația (abaterea) standard a mulțimii {1, 1, 1, 1, 1} este:

Distanta in 1D intre: (1, 2, 3) si (4, 5, 6) utilizând metoda “complete link” este:

Extragerea și integrarea datelor, informațiilor și cunoștințelor din paginile web fac obiectul:

Cand etichetele de clasa pentru date nu sunt cunoscute avem:

Formula entropiei este cea cunoscuta: Entropie(D) = -Sum [ Pr(c ) * log Pr (c )]. Daca D are 50% exemple pozitive si 50% exemple negative entropia este:

O tabelă de dimensiuni reprezintă:

În cazul în care studiem secvența de coșuri de cumpărături a unui client posesor de card de loialitate folosind GSP, daca L2 (secvențe frecvente de lungime 2) conține doar secvențele si , are sens să considerăm ca și candidat de lungime 3 secvența <(AB),C>?

Pentru recunoașterea punctelor izolate (outliers) se folosește valoarea 1,5 * IQR. In acest caz, cât ar trebui sa fie X din mulțimea {0, 1, 2, X} pentru a fi considerat punct izolat:

În cazul în care studiem secvența de coșuri de cumpărături a unui client posesor de card de loialitate folosind GSP, daca L2 (secvențe frecvente de lungime 2) conține doar secvențele si , are sens să considerăm ca și candidat de lungime 3 secvența ?

Dacă pentru datele unei rețele de magazine o linie a tabelei de fapte reprezintă un bon de cumpărături al unui client, atunci care dimensiune nu poate fi atașată schemei stea:

Sesionizarea înseamnă

În cazul algoritmilor de tip Expectation-Maximization, etapa Maximization:

În cadrul cursului acoperirea secvențială (sequential covering) s-a folosit pentru:

Discretizarea face parte din etapa de:

Faptul ca într-un depozit de date datele sunt dependente de timp (time-variant) înseamnă că:

O tabelă de tipul Aggregated Fact Tables poate conține, pe lângă cheia primara și cheile străine:

In cazul SVM, algoritmii de acest tip pot fi folositi pentru un numar de clase:

In cazul MCAR (MCAR = Missing Completely At Random):

Tranzacții: {(1, 2, 3, 5), (2, 3, 5, 6), (1, 4, 6)} ; s = 50%. Atunci articolele frecvente sunt:

O diferență dintre un depozit de date (DWH) și un magazin de date operaționale (Operational Data Store – ODS) este:

In cazul SVM/separare non-liniara asa numitul „feature space” are de obicei:

Fie vocabularul {eu, nu, sunt, acasa}. Distanta cosinus intre 'eu sunt acasa' si 'nu sunt acasa' este:

Fie o scoala avand 40% elevi si 60% eleve. Elevele poarta sort sau fusta in proportii egale iar baietii doar sort. Un observator vede de la mare distanta o persoana purtand sort. Care este probabilitatea ca persoana respectiva sa fie o eleva?

Faptul că un depozit de date este orientat (axat) pe subiecte înseamnă că:

Faptul că datele dintr-un depozit de date sunt non-volatile înseamnă că:

In cazul MNAR (MNAR = Missing Not At Random):

Distanta in 1D intre: (1, 2, 6) si (1, 5, 6) utilizând metoda centroizilor este:

O tabelă de fapte (măsuri) reprezintă:

Fie în 1D doua clustere: (1 ,2) și (3, 4). Care este valoarea siluetei s(2) a punctului 2 din (1, 2):

(A, BC) este o subsecvență pentru:

In cazul algoritmului Co-training (versiunea Blum and Mitchel), tabela conținând setul de antrenament va fi fragmentată în vederea construirii de clasificatori:

O schemă fulg-de-zăpadă (Snow-flake) se obține dintr-o schemă stea când:

O tabelă de tipul Periodic snapshot fact table poate conține, pe lângă cheia primară și cheile străine:

Relația între Common Logfile Format și Combined Log File Format este :

Fie patru puncte in plan, A(0, 0), B(4, 0), C(4, 2), D(0, 2). In contextul evaluarii clusterelor, pentru impartirea in doua clustere: (A, D) si (B, C), suma patratelor distantelor (SSD) este:

Cheile surogat sunt recomandate de R. Kimball pentru:

In cazul SVM, o functie kernel liniara este de tipul:

Daca din 200 cazuri de test, toate pozitive, 50 sunt clasificate gresit, Recall este egal cu:

În cazul normalizării Min-Max, mulțimea {1, 2, 3, 6} devine:

Tranzacții: {(1, 2, 3, 5), (2, 4, 5), (2, 3, 4, 5)}. Încrederea regulii {5} → {2} este aproximativ:

In cazul in care exemplele etichetate sunt toate din clasa pozitiva, pentru construirea multimii care va fi considerata continand exemple negative cursul prezinta algoritmi ca:

In contextul evaluarii clusterelor, o valoare pozitiva a siluetei pentru un punct asignat unui cluster arata ca punctul a fost corect asignat?

Daca avem punctele A si B într-un spațiu cu 4 dimensiuni și distanta între ele pentru fiecare dimensiune este cea din tabelul de mai jos, care este distanța dintre A si B obținută prin combinarea acestora

O dimensiune degenerată reprezintă:

Algoritmii de clustering sunt de tipul:

Ca dată despre o persoana, genul (masculin, feminin) este un atribut de tip:

Daca din 200 cazuri de test  50 sunt clasificate gresit acuratetea este egala cu:

O dimensiune degenerată reprezintă:

In cazul clusteringului ierarhic se obține o:

Utilizatorii obișnuiți ai unui depozit de date lucrează cu datele din:

In cazul clusteringului ierarhic, pentru a obține un set de clustere se face:

Procesul ETL (Extract-Transform-Load) este mai dificil de efectuat în cazul abordării dimensionale decât în cazul celeilalte abordări prezentate în curs?

În contextul cursului nostru, care afirmație este corectă

Tabelele de dimensiuni au ca si cheie primară:

Fie o scoala avand 80% elevi si 20% eleve. Elevele poarta la ora de sport sort sau fusta in proportii egale iar baietii doar sort. Un observator vede de la mare distanta o persoana purtand sort. Care este probabilitatea ca persoana respectiva sa fie o eleva? 

Algoritmul K-Means :

In cazul MCAR (MCAR = Missing Completely At Random):

Încrederea unei reguli de asociere X → Y este dată de formula:

Faptul că un depozit de date este orientat (axat) pe subiecte înseamnă că:

Faptul că un depozit de date este orientat (axat) pe subiecte înseamnă că:

Tranzacții: {(1, 2, 3, 5), (2, 4, 5), (2, 3, 4, 5)}. Încrederea regulii {5} → {2} este aproximativ:

Pentru recunoașterea punctelor izolate (outliers) se folosește valoarea 1,5 * IQR. In acest caz, cât ar trebui sa fie X din mulțimea {0, 1, 2, X} pentru a fi considerat punct izolat:

In cazul MNAR (MNAR = Missing Not At Random):

În cazul în care studiem secvența de coșuri de cumpărături a unui client posesor de card de loialitate folosind GSP, daca L2 (secvențe frecvente de lungime 2) conține doar secvențele si , are sens să considerăm ca și candidat de lungime 3 secvența <(AB),C>?

Daca A este o mulțime frecventă și s este pragul de suport (ca procent) atunci:

Fie în 1D doua clustere: (1 ,2) și (3, 4). Care este valoarea siluetei s(1) a punctului 1 din (1, 2):

Care afirmatie e adevarata:

O cheie străină care referă o anumită dimensiune:

Pentru evitarea fenomenului de overfitting la arbori de decizie se poate folosi:

Cheile surogat sunt recomandate de R. Kimball pentru:

În cazul unei reguli de asociere X → Y, X si Y sunt:

Un atribut non-aditiv:

Fie punctele A, B si C si distantele intre ele d(A,B)=3, d(A,C)=5, d(B,C)=4 (numere pitagoreice). In contextul algoritmului FastMap, coordonata punctului C pe axa AB (origine in A) este:

Fie patru puncte in plan, A(0, 0), B(4, 0), C(4, 2), D(0, 2). In contextul evaluarii clusterelor, pentru impartirea in doua clustere: (A, D) si (B, C), suma patratelor distantelor (SSD) este:

Folosirea teoriei grafurilor pentru analiza structurii si conexiunilor intre noduri (pagini web) fac obiectul:

Din principiul Apriori rezultă că dacă avem doua mulțimi frecvente A si B atunci și X este frecventă, unde:

Efectul Hughes arata ca:

În cazul în care studiem secvența de coșuri de cumpărături a unui client posesor de card de loialitate folosind GSP, daca L2 (secvențe frecvente de lungime 2) conține doar secvențele si , are sens să considerăm ca și candidat de lungime 3 secvența ?

In Common Logfile Format, statusul "Succes" este reprezentat prin codul numeric:

În contextual cursului nostru, abrevierea ETL înseamnă:

În cazul algoritmilor de tip Expectation-Maximization, etapa Expectation:

În cazul normalizării Min-Max, mulțimea {1, 2, 3, 6} devine:

O tabelă de tipul Factless Fact Tables poate conține, pe lângă cheia primara și cheile străine:

Dacă pentru datele unei rețele de magazine o linie a tabelei de fapte reprezintă un bon de cumpărături al unui client, atunci care dimensiune nu poate fi atașată schemei stea:

În cazul Discretizării utilizând împărțirea în benzi egale (“equi-width binning”) cu lățime  = 10, pentru valorile 0, 4, 12, 16, 16, 18, 24, 26, 38 obținem:

Fie o scoala avand 40% elevi si 60% eleve. Elevele poarta sort sau fusta in proportii egale iar baietii doar sort. Un observator vede de la mare distanta o persoana purtand sort. Care este probabilitatea ca persoana respectiva sa fie o eleva?

In cazul algoritmului Co-training (versiunea Blum and Mitchel), tabela conținând setul de antrenament va fi fragmentată în vederea construirii de clasificatori:

Formula entropiei este cea cunoscuta: Entropie(D) =  -Sum [ Pr(c ) * log Pr (c )]. Daca D are 100% exemple negative entropia este:

Intr-ul spatiu 1D avem 2 puncte rosii (1 si 3) si 2 puncte albastre (10 si 11). Folosind kNN pentru k = 3, punctul 7 este:

Pretul total al unei linii dintr o factura este un exemplu de atribut

In cazul algoritmul Co-training (versiunea Goldman and Zhou), tabela continand setul de antrenament va fi fragmentata in vederea construirii de clasificatori

Gradele militare sunt valori de tip

Dimensiunile conforme permit integrarea in acelasi raport a unor date din

Care afirmatie e adevarata

Pretul unitar al unui articol dintr-o factura este un exemplu de atribut

in cazul Random Forest, numarul de atribute luate in calcul la fiecare ramificare este:

in cazul MAR (MAR = Missing at Random)

Relatia dintre Data Staging Area si Data Presentation Area este:

Care este valoarea de adevar a afirmatiei: "un punct intr-o zona libera (eng: hole) spune ca o anumita combinatie de valori de atribute e foarte posibila"

O schema stea are in centru:

Varianta (eng. Variance) multimii {0,1,2,3,4} este:

Termenul Bagging vine de la

Care afirmatie este adevarata