Poslovna inteligencija II parcijala
Poslovna inteligencija II parcijala
Testirajte svoje znanje iz oblasti poslovne inteligencije kroz naš detaljan kviz sa 39 pitanja! Kviz obuhvata kljuĝne koncepte OLAP, Data Mining i analizu podataka, pružajući vam priliku da procijenite svoje razumijevanje teme.
Ukljuĝuje:
- Pitanja o OLAP sistemima
- Definicije kljuĝnih pojmova
- Analizu tehnologija i metoda
1. Uslov za izgradnju OLAP sistema je:
Postojanje OLTP sistema
2. Zaokružiti funkciju koja ne pripada usmjerenoj analizi (nadzirano uĝenje) –
Vizuelizacija
3. Koja je od navedenih karakteristika OLAP alata najmanje važna:
Modularnost primjene
4. Koja se od navedenih karakteristika ne odnosi na DOLAP alate:
Robusni I veoma skupi alati
5. Karakteristika inteligentnih agenata su:
Programi koji inteligentno pomažu korisnicima u radu sa raĝunarskim aplikacijama, uĝeći kroz na primjerima baziranom zakljuĝivanju
6. Znaĝenje pojma Data Mining je:
Otkrivanje skrivenih obrazaca u odnosima između podataka u velikim bazama podataka
7. Drill down (svrdlanje) po podacima je:
Operacija nad podacima, koja posmatra podatke od globalne slike do detalja
8. Koja od navedenih funkcija nije funkcija Data Mining-a:
Supstitucija
9. Karakteristika Fuzzy logike, kao tehnike Data Mining-a:
Nije jasno definisana pripadnost elementa nekom skupu, već se mjeri u procentima
10. Poznati primjer povezanosti kupovine piva I djeĝijih pelena, otkriven je tehnikom:
Metoda analiza potrošaĝke korpe
11. Zašto su nekad firme birale manju grupu najboljih, najvažnijih I najprofitabilnijih klijenata I samo njima davali personaliziranu ponudu:
Zato što su personalizacijske usluge bile intenzivne živim ljudskim radom I iziskivale su povećanje troškova sa rastom broja klijenata.
12. Klasa je:
Kategorija dobivena postupkom svrstanja prema unaprijed definisanim klasama
13. Sekvence kao rezultati Data Mining procesa su:
Izlazi koji predstavljaju događaje koji sa određenim stepenom vjerovatnosti slijede jedan za drugim
14. Klaster je:
Kategorija dobivena postupkom klasifikacije bez unaprijed zadanih klasa
15. Tehnika koja se zasniva na grupisanju podataka koji su sliĝni (npr. Segmentacija kupaca po starosti, zanimanju itd.) je:
Klasterizacija
16. Karakteristika Stablo odluĝivanja, kao tehnike Data Mining-a:
Nastaje grananjem kao posljedica ispunjenja uslova klasifikacijskih pitanja
17. Skraćenica za Analiza potrošaĝke korpe na engl. je:
MBA
18. Karakteristika Memorijski zasnovanog rasuđivanja (MBR):
Traži sliĝne podatke, ali pri tom ne utvrđuje obrasce I pravilnosti u podacima
19. Osnovna mana ROLAP alata je:
Zaostaje u brzini davanja odgovora (nije tacan odgovor, naci ponovo )
20. HOLAP alati su:
Hibrid ROLAP I MOLAP alata
21. Dimenzija kao jedan od 2 osnovna pojma za shvatanje koncepta OLAP-a je:
Opisna kategorija koja ima svoju hijerarhiju
22. Osnovna karakteristika Hiper kocke je:
Multidimenzionalna baza podataka I predstavljanje skoro svakog poslovnog tipa podataka kao dijela kocke
23. Koja od sljedećih aktivnosti ne spada u OLAP:
Skladištenje višedimenzionalnih podataka
24. U konceptu OLAP-a dimenzija je:
Opisna kategorija koja ima svoju hijerarhiju. Za svaku mjeru u OLAP sistemu moguće je definisati jednu ili više dimenzija koje joj daju kontekst posmatranja
25. Zaokružite tehnologiju koja ne spada u osnovne tehnologije Data Mining-a:
Cloud Computing
26. Koji skup karakteristika se odnosi na OLTP sisteme:
Izvršenje upita je sporo; spajanje tabela je sporo; ne mogu da predvide sve upite koji će biti potrebni; podaci su normalizovani
27. Market Basket Analysis metoda se još zove:
Grupisanje po sliĝnosti
28. Rotacija dimenzija je:
Posmatranje iste mjere na razliĝite naĝine
29. Otkrivanje novih znanja kao jedan od 2 tipa Data Mining-a je:
Postojanje nekih još nepoznatih a statistiĝkih važnih (znaĝajnih) odnosa koje ĝovjek ni iskustvom niti svojim intelektualnim sposobnostima ne može spoznati
30. Šta ne spada u output-e (rezultate) Data Mining – a
Drill down (svrdlanje) po podacima (od globalne slike do detalja)
Dicing je:
Vertikalni presjek kocke, a naziva se još I rangiranje podataka zato što se podaci grupisanjem razlažu na podskupove.
32. Tehnika najbližeg susjeda se naziva još i:
Rezonovanje zasnovano na sluĝajevima ili Case Based Reasoning.
33. Verifikacija hipoteze, kao jedan od 2 tipa Data Mining-a je :
Provjeravanje da li je neka ideja ili dojam o važnosti odnosa među određenim podacima utemeljen ili nije.
34. Osnovna prednost MOLAP, alata je
Obezbjeđenje odliĝnh performansi kada se radi o već izraĝunatim podacima (agregacijama)
35. Asocijacije su vrsta rezultata (output-a) Data Mining-a:
Koje su uslovljene događajima (napr. Kupci koji kupuju proizvod A u 65% sluĝajeva kupuju I proizvod B)
36. Odsustvo strategije napuštanja neodgovarajućih i/ili zastarjelih metoda je najviše:
Jedan od najĝešćih problema pri korišćenju Poslovne inteligencije, zbog straha od promjena
37. Klasterizacija je funkcija Data Mining-a:
Koja vrši klasificiranje podataka (entiteta) u jednu od nekoliko klasa (klastera), pri ĝemu se klase moraju odrediti iz podataka
38. Mjera kao jedan od 2 osnovna pojma za shvatanje koncepta OLAP-a je:
Numeriĝka vrijednost koja je od presudnog interesa za analizu
39. Koji se proizvod najbolje prodaje u srednjoj Evropi I u kom je to odnosu sa demografskim podacima?“ pitanje je na koje mogu dati odgovor:
Analitiĝko (DW) procesiranje podataka
{"name":"Poslovna inteligencija II parcijala", "url":"https://www.quiz-maker.com/QPREVIEW","txt":"Testirajte svoje znanje iz oblasti poslovne inteligencije kroz naš detaljan kviz sa 39 pitanja! Kviz obuhvata kljuĝne koncepte OLAP, Data Mining i analizu podataka, pružajući vam priliku da procijenite svoje razumijevanje teme.Ukljuĝuje:Pitanja o OLAP sistemimaDefinicije kljuĝnih pojmovaAnalizu tehnologija i metoda","img":"https:/images/course3.png"}