PI2
Data Mining Mastery Quiz
Challenge your knowledge of data mining and big data concepts with this comprehensive 40-question quiz! Perfect for both beginners and seasoned professionals, this quiz delves into key principles, techniques, and applications in the field of data analytics.
Key Features:
- 40 Multiple Choice Questions
- Covers a wide range of topics including Big Data, Blockchain, and Data Mining techniques
- Assess your understanding and learn new concepts
Verifikacija hipoteze, kao jedan od 2 tipa Data Mining-a je:
Postojanje nekih još nepoznatih a statistiĝki važnih (znaĝajnih) odnosa između dvije pojave koje ĝovjek ni iskustvom niti svojim intelektualnim sposobnostima ne može spoznati
Klasifikacija pojava na osnovu pronađenih obrazaca koji postoje u podacima
Provjeravanje da li je neka ideja ili dojam o važnosti odnosa među određenim podacima utemeljen ili nije
Ocjenjivanje vjerovatnoće postojanja zakonomjernosti među podacima
Karakteristika Stablo odluĝivanja, kao tehnike Data Mininig-a:
Nastaje grananjem kao posljedica ispunjenja uslova klasifikacijskih pitanja
Temelji se na traženju podataka koji imaju najsliĝinija svojstva I poznato ponašanje
Traži sliĝne podatke, ali pri tom ne utvrđuje obrasce I pravilnosti u podacima
Nije jasno definisana pripadnost elementa nekom skupu, već se mjeri u procentima
Jedna od bitnijih karakteristika (dimenzija) Big Data koncepta je „Variety“, a odnosi se na:
Brzinu kojom pristižu novi podaci, koja je ogromna I veća je od brzine obrade podataka, a radi se o permanentnom prikupljanju velike koliĝine podataka u realnom vremenu
Dostupnost podataka u razliĝitim formatima I izvorima
Veliku koliĝinu podataka koji se prikupljaju, skladište, obrađuju I distribuiraju za analizu
Podatke, koji sami po sebi posjeduju određenu vrijednost
Volatility ili nestalnost podataka je dimenzija Big Data koncepta koja, se odnosi na:
Procjenu korisnosti podataka koji se pohranjuju
Broj nedosljednosti u podacima
Narušavanje sigurnosti podataka, koji se pohranjuju
To koliko su podaci taĝni I ispravni za njihovu namjeravanu upotrebu
Market Basket Analysis metoda se jos zove
Rezonovanje zasnovano na sluĝaju
Grupisanje po sliĝnosti
Memory based reasoning
Memorijski zasnovano rasuđivanje
Verifikacija hipoteze spada u
Osnovne tehnologije za rudarenje podataka
Rezultate Data Mininga
Tipove Data Mininga
Funkcije Data Mininga
Osnovne korake procesa pronalaženja znanja
Big Data koncept se razlikuje od Poslovne inteligencije po svim nabrojanim karakteristikama osim jedne, koju trebate zaokružiti: zaokruziti
Po alatima I tehnikama, koje koristi za skladištenje podataka
Po tehnikama paralelnog procesiranja podataka, koje koristi
Izvođenje veoma ĝesto neoĝekivanih I iznenađujućih zakljuĝaka
Po brzini procesiranja ogromne koliĝine podataka
Po koliĝini podataka, koju može pohraniti, procesirati, analizirati I prezentirati rezultate analize u realnom vremenu
Blockchain tehnologija predstavlja amalgam (mješavinu) dostignuća iz dviju oblasti
Kriptografija I P2P (Peer to Peer)
Statistike I kriptografije
Matematike I fizike
Kriptografije I interneta
Matematike I statistike
Karakteristika Fuzzy logike, kao tehnike Data Mininig-a:
Nastaje grananjem kao posljedica ispunjenja uslova klasifikacijskih pitanja
Traži sliĝne podatke, ali pri tom ne utvrđuje obrasce I pravilnosti u podacima
Nije jasno definisana pripadnost elementa nekom skupu, već se mjeri u procentima
Temelji se na traženju podataka koji imaju najsliĝinija svojstva I poznato ponašanje
Šta ne spada u Usmjerenu analizu zasnovanu na od strane ĝovjeka, odnosno korisnika nadziranom uĝenju, kao jednoj od funkcija Data Mining-a:
Predviđanje
Asocijaciona pravila
Klasifikacija
Ocjenjivanje
Koji cilj ne spada u glavne ciljeve primjene Blockchain tehnologije
Liberalizacija transakcijskog poslovanja
Eliminisanje posrednika I provizije koju on naplaćuje uĝesnicima u transakciji
Unapređenje transakcijskog poslovanja
Transparentnost transakcijskog poslovanja
Klasificiranje podataka (entiteta) u jednu od nekoliko klasa, pri ĝemu se klase moraju odrediti iz podataka, naziva se:
Sažimanje
Modeliranje zavisnosti
Klasterizacija
Regresija
Klasifikacija
Asocijacije
Sekvencijalna analiza
Karakteristika Inteligentnih agenata su:
Pretraživanje Web-a (Web Mining) zasnovan na vizuelizaciji
Programi koji pomažu korisnicima u radu sa raĝunarskim aplikacijama, uĝeći kroz na primjerima baziranom zakljuĝivanju
PProgrami, koji na bazi induktivnog zakljuĝivanja otkrivaju novo znanje
Programi koji za dati fiksni broj mogućih izlaza, traže I definišu nova I bolja rješenja
Poznati primjer povezanosti kupovine piva I djeĝijih pelena, otkriven je tehnikom:
Stabla odlućivanja
Metoda analize potrošaĝke korpe
Memorijski zasnovano rasuđivanje
Metoda najbližeg susjeda
Koja od navedenih funkcija nije funkcija Data Mining-a:
Regresija
Klasterizacija
Klasifikacija
Supstitucija
Neuronske mreže su:
Tehnika Data Mining-a koja radi na principima Fuzzy logike (nerazgovjetne logike)
Tehnika Data Mining-a koja radi na principima induktvne logike I vizualizacije
Tehnika Data Mining-a koja se ne bavi prepoznavanjem obrazaca I pravila u podacima nego memorisanjem
Djeluje sliĝno ljudskom mozgu, koji predstavlja skup neurona, koji sliĝno ljudskom mozgu predviđaju promjene I dešavanja u sistemu nakon procesa uĝenja
Big Data koristi:
Zastarjeli hardver sa ispodprosjeĝnim brzinama pristupa medijima eksterne memorije I ispodprosjeĝnom brzinom procesora
Standardni hardver sa prosjeĝnim kapacitetom eksterne memorije I prosjeĝnom brzinom procesora
Najmoderniji hardver sa velikim kapacitetima I brzinom pristupa eksternoj memoriji, sa velikim brzinama procesora
Tehnika koja se zasniva na grupisanju podataka koji su sliĝni (npr. Segmentacija kupaca po starosti, zanimannju itd.) je:
Klasterizacija
Klasifikacija
Memorijski zasnovano rasuđivanje
D. Metoda najbližeg susjeda
Klasterizacija je funkcija Data Mining-a:
Koja sažima sliĝne podatke u grupe
Koja ukljuĝuje uspostavljanje relacija uz pomoć prediktorskih varijabli
Koja vrši klasificiranje podataka u jednu od nekoliko klasa, odnosno klastera, pri ĝemu se klase moraju odrediti iz podataka
Koja klasificira podatak (entitet) u jednu od nekoliko prethodno definisanih klasa
MapReduce je:
Komponenta Hadoop tehnologije, koji predstavlja interfejs za paralelno procesiranje velikih koliĝina podataka skladištenih u HDFS-u
Vrsta operativnog sistema, koji omogućava skladištenje velike koliĝine podataka
Softverski okvir otvorenog koda namijenjen za distribuiranu pohranu podataka
Web pretraživaĝ visokih performansi
Cilj Rudarenja podataka (Data Mining-a) je:
Transformacija raznolikih tipova podataka u univerzalne formate
Skladištenje (pohranjivanje) velike koliĝine podataka na efikasan naĝin
Prikupljanje velike koliĝine podataka iz razliĝitih izvora, razliĝitih formata, sa razliĝitih platformi
Identificiranje vrijednih novih, potencijalno korisnih veza I uzoraka u postojećim podacima
Otkrivanje novih znanja, kao jedan od 2 tipa Data Mining-a je:
Postojanje nekih još nepoznatih a statistiĝki važnih (znaĝajnih) odnosa između dvije pojave koje ĝovjek ni iskustvom niti svojim intelektualnim sposobnostima ne može spoznati
Provjeravanje da li je neka ideja ili dojam o važnosti odnosa među određenim podacima utemeljen ili nije
Ocjenjivanje vjerovatnoće postojanja zakonomjernosti među podacima
Klasifikacija pojava na osnovu pronađenih obrazaca koji postoje u podacima
Decision tree se temelji na:
Rezonovanje zasnovano na sluĝaju
Grananju kao posljedici ispunjenja uslova klasifikacijskih pitanja
Traženju podataka koji imaju najsliĝinija svojstva I poznato ponašanje
Nejasno (u procentima) definisanoj pripadnosti elemenata nekom skupu
Metoda najbližeg susjeda zove se još:
Rezonovanje zasnovano na sluĝaju
Market Basket Analysis
Neighbor Discovery Knowledge
Neighbor Method
Video zapisi generisani u realnom vremenu su:
Jedan od alata za tumaĝenje I prezentaciju rezultata primjene Big Data koncepta
Jedan od izvora podataka za Big Data
Jedan od karakteristika (dimenzija) podataka koji su dio Big Data koncepta (jedan od V-ova)
Jedna od tehnologija koja omogućava realizaciju Big Data koncepta
Sekvence kao rezultati Data Mining procesa su:
Događaji (outputi) koji su uslovljeni prethodnim događajima
Izlazi nastali postupkom klasifikacije bez unaprijed zadanih klasa
Izlazi, kojima se prognozira budućnost iz postojećih podataka
Izlazi, koji predstavljaju događaje koji sa određenim stepenom vjerovatnoće slijede jedan za drugim
Koja faza u procesu otkrivanja znanja neposredno prethodi fazi Data Mining:
Interpretacija I usvajanje znanja (Interpretation & Assimilation)
Selekcija I priprema za procesiranje
Integracija (Integration)
Prikupljanje I skladištenje podataka
Klase su takve vrste rezultata Data Mining-a koje nastaju:
Postupkom klasifikacije, prema unaprijed definisanim klasama
Postupkom klasifikacije, bez unaprijed zadanih klasa
Tako što su uslovljene događajima (napr. Kupci koji kupuju proizvod A u 65% sluĝajeva kupuju I proizvod B),
Tako što se njima prognozira budućnost iz postojećih podataka
Tako što otkrivaju događaje koji sa određenim stepenom vjerovatnosti slijede jedan za drugim
Hadoop tehnologija je:
Koncept I tehnologija koji omogućava pratiĝnu realizaciju Big Data koncepta
Metoda Data Mining-a, odnosno otkrivanja znanja u realnom ili razumnom vremenu
Alat koji koristi Google za pretraživanje Web-a
Alat za pretraživanje baza podataka
Procedure automatizovane analize podataka, kojima se otkrivaju skriveni uzorci u velikim bazama podataka, razvijene su u sljedećim oblastima istraživanja (zaokružite netaĝam odgovor)
Statistici,
Mašinskom uĝenju (ML),
Vještaĝkoj inteligenciji (AI),
Internetu stvari (IoT)
Teoriji o bazama podataka (DB)
Prepoznavanju oblika (RF),
Karakteristika Memorijski zasnovanog rasuđivanja (MBR):
Nastaje grananjem kao posljedica ispunjenja uslova klasifikacijskih pitanja
Traži sliĝne podatke, ali pri tom ne utvrđuje obrasce I pravilnosti u podacima
Temelji se na traženju podataka koji imaju najsliĝinija svojstva I poznato ponašanje
Nije jasno definisana pripadnost elementa nekom skupu, već se mjeri u procentima
Inteligentni agenti su:
Tehnika Data Mining-a, koja traži sliĝne podatke, ali pri tome ne utvrđuje obrasce I pravilnosti u podacima
Poluautonomni programi koji inteligentno pomažu korisnicima u radu sa raĝunarskim aplikacijama, uĝeći kroz na primjerima baziranom zakljuĝivanju I tako poboljšavajući svoje performanse
Tehnika Data Mining-a koja radi na principu proširenja mogućih izlaznih rezultata.
Tehnika Data Mining-a koja omogućava grupisanja podataka koji su sliĝni.
Asocijacije su vrsta rezultata (output-a) Data Mining-a:
Koje nastaju postupkom klasificiranja prema unaprijed definisanim klasama
Koje otkrivaju događaje koji sa određenim stepenom vjerovatnosti slijede jedan za drugim
C. Koje su uslovljene događajima (napr. Kupci koji kupuju proizvod A u 65% sluĝajeva kupuju I proizvod B)
Koja predstavlja kategoriju nastalu postupkom klasifikacije bez unaprijed zadanih klasa
Asocijacija je:
Jedan od tipova Data Mining-a
Jedan od osnovnih koraka procesa pronalaženja znanja
Jedna od osnovne tehnologija za rudarenje podataka
Jedan od rezultata (Outputs) Data Mining-a
Jedna od funkcije Data Mining-a
Tehnika najbližeg susjeda se naziva još i:
Memorijski bazirano rezonovanje
Stablo odluĝivanja
Mašinsko uĝenje
Rezonovanje zasnovano na sluĝajevima ili Case Based Reasoning
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
Ocjenjivanje vjerovatnoće postojanja zakonomjernosti među podacima
Postojanje nekih još nepoznatih a statistiĝki važnih (znaĝajnih) odnosa između dvije pojave koje ĝovjek ni iskustvom niti svojim intelektualnim sposobnostima ne može spoznati
Klasifikacija pojava na osnovu pronađenih obrazaca koji postoje u podacima
Šta ne spada u Neusmjerenu analizu, zasnovanu na nenadziranom ili automatskom uĝenju kao jednoj od funkcija Data Mining-a:
Asocijaciona pravila
Predviđanje
Deskripcija
Vizuelizacija
Klasterizovanje, odnosno grupisanje
Šta ne spada u output-e (rezultate) Data Mining-a
C. Drill down (svrdlanje) po podacima (od globalne slike do detalja)
Klase, postupkom klasificiranja prema unaprijed definisanim klasama,
Sekvence, koje otkrivaju događaje koji sa određenim stepenom vjerovatnosti slijede jedan za drugim
Asocijacije, koje su uslovljene događajima (napr. Kupci koji kupuju proizvod A u 65% sluĝajeva kupuju I proizvod B),
Odsustvo strategije napuštanja neodgovarajućih i/ili zastarjelih metoda je najviše:
Posljedica sporih promjena u poslovnom okruženju
Posljedica nedovoljnog znanja o novijim tehnologijama
Posljedica nedovoljno brzog razvoja IKT
Jedan od najĝešćih problema pri korišćenju Poslovne inteligencije, zbog straha od promjena
Koji od osnovnih koraka (faza) procesa pronalaženja znanja, predstavlja najvažniji korak:
Nadzor (praćenje) modela
Aktiviranje modela
Provjera modela
Prikupljanje, ĝišćenje I pripremanje podataka.
Definisanje problema
Data Minig
{"name":"PI2", "url":"https://www.quiz-maker.com/QPREVIEW","txt":"Challenge your knowledge of data mining and big data concepts with this comprehensive 40-question quiz! Perfect for both beginners and seasoned professionals, this quiz delves into key principles, techniques, and applications in the field of data analytics.Key Features:40 Multiple Choice QuestionsCovers a wide range of topics including Big Data, Blockchain, and Data Mining techniquesAssess your understanding and learn new concepts","img":"https:/images/course1.png"}