A.   التحليل التفسيري

C.   التوقع

D.   التحليل الوصفي

A.   تصميم الكتالوج

B.   تحليل بيانات السلة

C.   التسويق عبر

D.   تحليل قائد الخسارة

F.   لا شيء مما بالأعلى

A.   يمكنه معالجة الرسائل ورسائل البريد الإلكتروني تلقائيًا.

B.   يمكنه التحقيق في المنافسين من خلال تزحف مواقع الويب الخاصة بهم.

C.   يمكنه تحليل ردود المسح المفتوح.

D.   يمكنه تحليل المطالبات الضمان أو التأمين.

A.   إدخال الخلايا العصبية

B.   الخلية العصبية المخفية

D.   لا شيء مما بالأعلى

A.   يتم استخدامه لحساب الاحتمال الشرطي بين المدخلات والأعمدة التي يمكن التنبؤ بها ويفترض أن الأعمدة مستقلة.

B.   يتم استخدامه لتحقيق اختيار الميزات التلقائي للحد من عدد القيم التي يتم النظر فيها عند إنشاء نموذج.

C.   يتم توفيرها من قبل خدمات تحليل خادم Microsoft SQL للاستخدام في النمذجة التنبؤية.

D.   يتم استخدامه للنظر في كل زوج من قيم سمة الإدخال وقيم سمة الإخراج.

A.   يتم استخدامه لتشجيع تأثير المجموعة في حالة المتغيرات المرتبطة للغاية.

C.   يتم استخدامه لإضافة وإزالة المتنبئين حسب الحاجة لكل خطوة.

D.   يتم استخدامه لمعاقبة الحجم المطلق لمحميات الانحدار.

B.   يتم استخدامه لإيجاد الارتباطات بين سمات مختلفة في مجموعة البيانات.

C.   يتم استخدامه لتقسيم البيانات إلى مجموعات أو مجموعات من العناصر التي لها خصائص مماثلة.

D.   يتم استخدامه لتلخيص التسلسلات أو الحلقات المتكررة في البيانات ؛ على سبيل المثال. سلسلة من أحداث السجل السابقة صيانة الجهاز.

A.   ltemsets

B.   شبكة التبعية

D.   لا شيء مما بالأعلى

B.   يتم استخدامه لتزويد الاتجاه أو النمط في سلسلة زمنية من خلال استخدام الرسوم البيانية أو الأدوات الأخرى.

C.   يتم استخدامه على نطاق واسع في الميزانية. الذي يعتمد على الاتجاهات التاريخية.

D.   يتم استخدامه لدراسة العلاقة المتقاطعة بين سلسلتين زمنيتين واعتمادهما على آخر.

A.   10

C.   1

D.   0.4

B.   GLM (الصيغة ، البيانات = ، الطريقة = ، التحكم =)

C.   GLM (متجه ، ابدأ =. النهاية = ، التردد =)

D.   GLM (BootObject. conf = ، type =)

A.   GREPL.ANY (مثبتة.

C.   any.grepl (xlsx ، install.package50) | ibrary (xlsx)

D.   GREPL (أي (مثبتة.

B.   التصنيف

C.   التصور

D.   استخراج المعلومات

A.   خوارزمية تجزئة

C.   خوارزمية تحليل التسلسل

D.   خوارزمية الارتباط

A.   جمعيات المطابقة [كـ pattern_name] تحليل {measure (s)}

B.   جمعيات الألغام [كـ pattern_name] تحليل التصنيف _attribute_or_dimension

D.   رابطات الألغام [AS pattern_name] تحليل التنبؤ_attribute_or_dimension {set [attribute_or_dimension_i = value_i}]

B.   الانحدار متعدد الحدود

C.   الانحدارالخطي

D.   الانحدار اللوجستي

A.   وهو يدعم أنواع محتوى الدورية والمفتاح والجدول.

B.   وهو يدعم المفتاح والجدول وأنواع المحتوى المطلوبة.

C.   وهو يدعم أنواع محتوى المستمر والمفتاح والجدول.

B.   يحدد الخوارزمية التي يجب استخدامها للتحليل والتنبؤ.

C.   يحدد قيمة رقمية بين 0 و 1 تكتشف الدورية.

D.   إنه يحدد الحد الأدنى لعدد الشرائح الزمنية المطلوبة لإنشاء تقسيم في كل شجرة سلسلة زمنية.

A.   0.6

B.   0.1

C.   10

A.   يمكن استخدامه لإنتاج تحليل مكون رئيسي غير مؤهل.

B.   يمكن استخدامه لإنتاج أقصى قدر من تحليل عامل الاحتمالية.

C.   يمكن استخدامه لتمهيد نموذج المعادلة الهيكلية.

A.   f -score = remest - Precision + (remex x precision) / 9

B.   f -score = remex + precision - (استدعاء X Precision) i 7

D.   F -Score = remex i precision x (استدعاء - الدقة) / 5

B.   1

C.   0

D.   5

A.   تحليل الانحدار

B.   أنوفا

D.   الانحدار اللوجستي

B.   Precision = l [Retrieved} u [f-score] l + l [f-score} l

C.   الدقة = l [استدعاء] / [f-scorejl x l [recali] l

D.   الدقة = l [f -score] x

A.   دقة

C.   F-Score

D.   لا شيء مما بالأعلى

A.   200

C.   255

D.   100

A.   يتم استخدامه لنمذجة المتغيرات الثنائية.

C.   يتم استخدامه لنمذجة متغيرات الرتبة.

D.   يتم استخدامه لنماذج العد المتغيرات.

A.   الطريقة القائمة على العبارة (PBM)

B.   الطريقة القائمة على المصطلح (TBM)

C.   طريقة تصنيف النمط (PTM)

A.   ريدج الانحدار

C.   الانحدار loess

D.   الانحدار المتساوي

B.   الحد الأدنى

C.   Minimum_Itemset_Size

D.   Minimum_Itemset_Count

B.   (link = '' iogit ")

C.   (link = ‘'iog")

D.   (Link = "عكسي")

A.   lsinnode (DMX)

B.   التنبؤ (DMX)

C.   التنبؤات

D.   premthistogram (DMX)

A.   غير قابل للدراسة

C.   قابلة للتطوير K-means

D.   غير قابل للدراسة K-Means

A.   نوع منطقي

B.   قيمة الكتلة

D.   قيمة العددية

A.   التنبؤ_smoothing

B.   Precitast_Method

C.   عدم الاستقرار

A.   ينطبق على أعمدة طراز التعدين.

C.   ينطبق على كل من أعمدة طراز التعدين وأعمدة هيكل التعدين.

D.   لا ينطبق على أعمدة طراز التعدين أو على أعمدة بنية التعدين.

A.   عينة عشوائية بسيطة

C.   أخذ عينات واسعة و

D.   أخذ العينات الحصص

A.   يمكن جمع البيانات بشكل أسرع في طريقة أخذ العينات.

B.   توفر طريقة أخذ العينات المنشأة لتنظيم وتنفيذ أعمال البحث بسهولة.

C.   إنه أقل تكلفة.

A.   إنه مناسب تمامًا للبيانات الجدولية مع الأعمدة المغطاة بشكل غير متجانس.

C.   إنه مناسب لبيانات المصفوفة التعسفية (مطبوعة بشكل متجانس أو غير متجانسة) مع ملصقات صف وعمود.

D.   يمكن أيضًا تحليل بيانات السلسلة الزمنية المرتبة وغير المرتبة (وليس بالضرورة بالترددات الزمنية) مع الباندا.

A.   يتذكر

B.   F-Score

D.   كلا A و C

A.   K-Means

B.   C45

C.   م

A.   Matplotlib

B.   الباندا

C.   نومبي

A.   عندما يكون لجميع مجموعات Supersets المباشرة نفس الدعم مثل مجموعة العناصر.

B.   عندما لا يكون لدى أي من مجموعاتها الفرعية المباشرة نفس الدعم مثل مجموعة العناصر.

C.   عندما يكون لجميع مجموعاتها الفرعية المباشرة نفس الدعم مثل مجموعة العناصر.

A.   1/1024

C.   11512

D.   511/512

A.   اختيار الميزات

B.   نص معالجة مسبق

D.   كلا A و B

A.   0.60

C.   0.45

D.   0.82

A.   0.88

B.   0.82

C.   0.95

A.   بيرش

B.   K-Means

D.   FCM

A.   2.5

C.   3.2

D.   3.4

B.   13/14

C.   1/14

D.   3/14

B.   اخذ عينة عشوائية

C.   أخذ عينات الكتلة

D.   عينة عشوائية متعددة المراحل

A.   L1 في شبكة الاعتقاد ، يمكن تعريف الاستقلال الشرطي الطبقي بين المجموعات الفرعية من المتغيرات.

D.   يتم توفير نموذج رسومي للعلاقة غير الرسمية لأداء التعلم بواسطة شبكة الاعتقاد بايزي.

A.   لا توجد إمكانية للتحامل الشخصي في هذه الطريقة.

B.   إنه أكثر دقة وموثوقية.

D.   أنها مكلفة للغاية.

A.   N (XL0) P (x)

B.   n (0) p (x)

D.   NL (X) P (0LX)

A.   مكتبة (MyData)

B.   وصف (mydata)

D.   ملخص (MyData)

A.   دعم Hadoop

B.   LN-Memory Analytics

C.   الحوسبة الشبكية

A.   ipython –pylab = in | ine

B.   ipython –pylab = inline -notebook

C.   ipython = دفتر الملاحظات —Pylab.in | INE

A.   P (x/h) = p (h/x) p (h)/p (x)

C.   P (H/X) = P (x/h) p (x)/p (H)

D.   P (XIH) = P (H/X)/P (H) P (x)

B.   يستخدم C45 خوارزمية واحدة مستمدة من حدود confridization ذات الحدين.

C.   ويستخدم المعايير القائمة على المعلومات.

A.   الإحالات تهرب

C.   سير مستقيم

D.   الاتجار الاجتماعي

B.   تحليل الجمهور

C.   تحليل السلوك

D.   تحليل التحويل

A.   القواعد المتسلسلة

B.   قواعد الجمعية المعممة

D.   دافئ

A.   الأخطاء الناجمة عن التدابير الإحصائية الخاطئة.

B.   الأخطاء في التجميع.

C.   تأطير استبيان خاطئ.

A.   حدد (DataFramename ، تعبير منطقي)

B.   f‌ilter (التعبير المنطقي ، DataFramename)

D.   حدد (تعبير منطقي ، DataFramename)

A.   البقاء على قيد الحياة ()

C.   SurvDiff ()

D.   Survf‌it ()

A.   تحليل التطور

B.   تنبؤ

C.   تحليل الخارجة

A.   يتم استخدامه لتحويل البيانات إلى إجراءات.

B.   وهو يدعم ويشجع التحول بين التفكير الاستنتاجي والاستقرائي.

D.   من الضروري للشركات البقاء مع الحزمة والتنافس في المستقبل.

B.   صخر

C.   بيرش

D.   حرباء

B.   يسمح هذا النهج بنسخ البيانات. معالجة. مدمج. مشروح. لخص وإعادة هيكلة في متجر للبيانات الدلالية مقدمًا.

C.   إنه اقتصادي للغاية بالنسبة للاستعلامات التي تتطلب تجميعات.

D.   هو أكثر كفاءة بكثير للاستعلامات المتكررة.

A.   يعني = 3 والانحراف المعياري = /5

B.   يعني = 5 والانحراف المعياري = /3

D.   يعني = 7 والانحراف المعياري = /7

B.   TSO

C.   ETSO

D.   أريماو

B.   نموذج التنبؤ

C.   كلا A و B

D.   لا أ ولا حتى ب

B.   تحليلات عالية الأداء للبيانات الكبيرة

C.   خيارات النشر المرنة للبيانات الكبيرة

B.   conf (a => b) = supp (b) / supp (a)

C.   conf (a => b) = supp (a u b) / supp (a) ‘supp (b)

D.   conf (a => b) = supp (a u b) / 1 - supp (a)

A.   0.31

B.   0.42

D.   0.67

B.   P0 = L1

C.   ص 2 ص

A.   عقدة داخلية

B.   عقدة ورقة

D.   العقدة الأعلى

A.   يوفر نهج الهندسة المعمارية الصارمة.

B.   يمكن أن تدير واستفادة نموذج واحد فقط في وقت واحد.

D.   كلا الخيارين A و C صحيحان.

C.   II] لا يسمح بالمقارنة بين الخصائص المختلفة.

D.   إنه يجعل البيانات أكثر سهولة من خلال القضاء على التفاصيل غير الضرورية.

A.   يولد تنبؤات jacknifed.

B.   يتم استخدامه للحصول على وظيفة التمييز التربيعي.

D.   يمكنه عرض نتائج التصنيف الخطي أو التربيعي مع متغيرين في وقت واحد.

A.   نموذج تصنيف شجرة القرار

B.   نموذج تصنيف الفرقة

C.   نموذج تصنيف الطائرة

B.   Foil_prune = P + N/P - N

C.   Foil_prune = P/N

D.   Foil_prune = N/P + N

A.   أحادي

B.   ذات الحدين

C.   ثلاثي الحدود

A.   عينة واحدة t - اختبار

B.   عينات مقترنة t - اختبار

D.   تحليل التباين (ANOVA)

A.   يولد عنصر عنصر واحد فقط يدعمه 2 دقيقة

D.   يولد قواعد ثقة عالية من كل مجموعة عناصر متكررة

A.   صفحات/هدف الجلسة

B.   هدف المدة

D.   أهداف الحدث

B.   read.median0

C.   #الوسيط

D.   Help.median0

A.   وقت تحميل الصفحة بواسطة المتصفح

C.   التحويل بواسطة منشور المدونة

D.   المصدر في الوقت الحقيقي المهرب

B.   A = R2D

C.   س 2DR

D.   A DRZ

A.   رفض فرضية فارغة

C.   قبول أو رفض الفرضية الفارغة مستقلة عن القيمة p.

B.   1

C.   0

D.   5

B.   استخدم Data Warehouse Data_warehouse_name

C.   database.usedatabase_name

D.   datawarehouse.usedata_warehouse_name

B.   الضياع

C.   صورة نقطية

D.   عرض مرئي للمعلومات

A.   المتغيرات

C.   المهام

D.   حدود

E.   أيا من هذه

B.   بحث

C.   مجموعة المناقشة

D.   التواصل المتزامن

A.   البيانات المصابة بالفيروس

B.   البيانات المصابة بالديدان

D.   البيانات المسروقة

A.   استمارة

C.   منظر

D.   سِجِلّ

A.   أفقي

B.   نهاية المقدمة

D.   رَأسِيّ

A.   حوكمة بيانات المؤسسة

B.   نظم المعلومات الملكية

D.   العمليات التجارية