A.   Açıklayıcı analiz

C.   Tahmini

D.   Açıklayıcı analiz

A.   Katalog tasarımı

B.   Sepet Veri Analizi

C.   Çapraz pazarlama

D.   Kayıp lider analizi

F.   Yukarıdakilerin hiçbiri

A.   Mesajları ve e -postaları otomatik olarak işleyebilir.

B.   Web sitelerini sürünerek rakipleri araştırabilir.

C.   Açık uçlu anket yanıtlarını analiz edebilir.

D.   Garanti veya sigorta taleplerini analiz edebilir.

A.   Giriş Nöronu

B.   Gizli nöron

D.   Yukarıdakilerin hiçbiri

A.   Giriş ve öngörülebilir sütunlar arasındaki koşullu olasılığı hesaplamak için kullanılır ve sütunların bağımsız olduğunu varsayar.

B.   Bir model oluştururken dikkate alınan değer sayısını sınırlamak için otomatik özellik seçimi yapmak için kullanılır.

C.   Öngörücü modellemede kullanılmak üzere Microsoft SQL Server Analiz Hizmetleri tarafından sağlanır.

D.   Her bir giriş özniteliği değerleri ve çıkış özniteliği değerleri dikkate almak için kullanılır.

A.   Yüksek korelasyonlu değişkenler durumunda grup etkisini teşvik etmek için kullanılır.

C.   Her adım için gerektiğinde öngörücü eklemek ve çıkarmak için kullanılır.

D.   Regresyon katsayılarının mutlak büyüklüğünü cezalandırmak için kullanılır.

B.   Bir veri kümesindeki farklı özellikler arasında korelasyon bulmak için kullanılır.

C.   Verileri benzer özelliklere sahip gruplara veya kümelere bölmek için kullanılır.

D.   Verilerdeki sık dizilerin veya atakların özetlenmesi için kullanılır; Örneğin. Makine Bakımı'ndan önceki bir dizi günlük etkinliği.

A.   Ltemsets

B.   Bağımlılık ağı

D.   Yukarıdakilerin hiçbiri

B.   Grafikler veya diğer araçların kullanımı yoluyla bir zaman serisinde bir trend veya desenle ilgili olarak kullanılır.

C.   Bütçelemede yaygın olarak kullanılır. tarihsel eğilimlere dayanmaktadır.

D.   İki zaman serisi arasındaki çapraz korelasyonu incelemek için kullanılır ve bunların bir diğerine bağımlılığı kullanılır.

A.   10

C.   1

D.   0.4

B.   GLM (formül, veri =, yöntem =, kontrol =)

C.   GLM (vektör, start =. son =, frekans =)

D.   GLM (bootobject. conf =, type =)

A.   Grepl.Ay (yüklemeli.Packages ("XLSX")) Kütüphane ("XLSX")

C.   any.grepl (xlsx, yüklü.package50) | ibrary (xlsx)

D.   grepl (herhangi bir (yüklü.packages (xlsx))) | ibrary (xlsx)

B.   Kategorizasyon

C.   Görselleştirme

D.   Bilgi Çıkarma

A.   Segmentasyon algoritması

C.   Sekans Analizi Algoritması

D.   Dernek algoritması

A.   Eşleşme İlişkileri [desen_name olarak] Analiz {Tedbir (ler)}

B.   Maden İlişkileri [Desen_name olarak] Classificing_attribute_or_Dimension analizi analiz edin

D.   Maden İlişkileri [Desen_name olarak] Prectiction_attribute_or_Dimension {set [attribute_or_dimension_i = value_i}]

B.   Polinom regresyonu

C.   Doğrusal regresyon

D.   Lojistik regresyon

A.   Döngüsel, anahtar ve tablo içeriği türlerini destekler.

B.   Anahtar, tablo ve sipariş edilen içerik türlerini destekler.

C.   Sürekli, anahtar ve tablo içeriği türlerini destekler.

B.   Analiz ve tahmin için hangi algoritmanın kullanılacağını belirtir.

C.   Periyodikliği tespit eden 0 ile 1 arasında sayısal bir değer belirtir.

D.   Her zaman serisi ağacında bir bölünme oluşturmak için gereken minimum zaman dilimlerini belirtir.

A.   0.6

B.   0.1

C.   10

A.   Çürümüşsüz bir temel bileşen analizi üretmek için kullanılabilir.

B.   Maksimum olabilirlik faktörü analizi üretmek için kullanılabilir.

C.   Yapısal eşitlik modelini önyüklemek için kullanılabilir.

A.   F -skor = hatırlama - hassas + (geri çağırma x hassasiyet) / 9

B.   F -skor = geri çağırma + hassasiyet - (geri çağırma x hassasiyeti) i 7

D.   F -skor = Hatırlayın I Hassas X (hatırlama - hassasiyet) / 5

B.   1

C.   0

D.   5

A.   Regresyon analizi

B.   ANOVA

D.   Lojistik regresyon

B.   Precision = l [Alındı} u [f-skor] l + l [f-skor} l

C.   Hassas = l [hatırlama] / [f-scorejl x l [recali] l

D.   Precision = l [f -skor] x [REVLEGJL - L [f - skor) l

A.   Kesinlik

C.   F-skoru

D.   Yukarıdakilerin hiçbiri

A.   200

C.   255

D.   100

A.   İkili değişkenleri modellemek için kullanılır.

C.   Sıralama değişkenlerini modellemek için kullanılır.

D.   Sayım değişkenlerini modellemek için kullanılır.

A.   İfade tabanlı yöntem (PBM)

B.   Terim Tabanlı Yöntem (TBM)

C.   Desen Taksonomi Yöntemi (PTM)

A.   Ridge regresyonu

C.   Regresyon

D.   İzotonik regresyon

B.   Minimum_probibability

C.   Minimum_itemset_size

D.   Minimum_itemset_count

B.   (link = '' iogit ")

C.   (link = ‘'iog")

D.   (link = ”ters")

A.   lsinnode (DMX)

B.   Tahmini (DMX)

D.   Preditthistogram (DMX)

A.   Ölçeklenmeyen EM

C.   Ölçeklenebilir K-Means

D.   Dönüştürülemez K-

A.   Boolean tipi

B.   Küme değeri

D.   Skaler değer

A.   Tahmin_smoothing

B.   Forecast_method

C.   İnstabilite_sensitivity

A.   Madencilik modeli sütunları için geçerlidir.

C.   Hem madencilik modeli sütunları hem de madencilik yapısı sütunları için geçerlidir.

D.   Ne madencilik model sütunları ne de madencilik yapı sütunları için geçerli değildir.

A.   Basit rastgele örnekleme

C.   Kapsamlı örnekleme f

D.   Kota örnekleme

A.   Veriler bir örnekleme yönteminde daha hızlı toplanabilir.

B.   Bir örnekleme yöntemi, araştırma işini uygun bir şekilde organize etme ve yürütme tesisini sağlar.

C.   Daha ucuzdur.

A.   Heterojen olarak - tipli sütunlarla tablo verileri için çok uygundur.

C.   Satır ve sütun etiketleri ile keyfi matris verileri (homojen olarak yazılmış veya heterojen) için uygundur.

D.   Sipariş edilmemiş ve sıralanmamış (mutlaka frekanslı değil) zaman serisi verileri de pandalarla analiz edilebilir.

A.   Hatırlamak

B.   F-skoru

D.   Hem A hem de C

A.   Kavrama

B.   C45

C.   EM

A.   matplotlib

B.   pandalar

C.   dizi

A.   Tüm süper kümeleri, öğe kümesiyle aynı desteğe sahip olduğunda.

B.   Hemen alt kümelerinin hiçbiri öğe kümesiyle aynı desteğe sahip olmadığında.

C.   Tüm alt kümelerinin tümü, öğe kümesiyle aynı desteğe sahip olduğunda.

A.   1/1024

C.   11512

D.   511/512

A.   Özellikler Seçim

B.   Metin önişleme

D.   Hem A hem de B

A.   0.60

C.   0.45

D.   0.82

A.   0.88

B.   0.82

C.   0.95

A.   Huş ağacı

B.   Kavrama

D.   FCM

A.   2.5

C.   3.2

D.   3.4

B.   13/14

C.   1/14

D.   3/14

B.   Tabakalı rastgele örnekleme

C.   Küme örneklemesi

D.   Çok aşamalı rastgele örnekleme

A.   L1 Bir inanç ağında, değişkenlerin alt kümeleri arasında koşullu bağımsızlık sınıfı tanımlanabilir.

D.   VJ Öğrenmeyi gerçekleştirmek için gündelik bir ilişkinin grafik modeli Bayesian inanç ağı tarafından sağlanmaktadır.

A.   Bu yöntemde kişisel önyargı olasılığı yoktur.

B.   Daha doğru ve güvenilirdir.

D.   Bu çok pahalı.

A.   n (xl0) p (x)

B.   n (0) p (x)

D.   NL (X) P (0LX)

A.   Kütüphane (MyData)

B.   Açıklayın (MyData)

D.   Özet (MyData)

A.   Hadoop için destek

B.   LN-Memory Analytics

C.   Izgara hesaplama

A.   ipython —Pylab = in | ine

B.   ipython —Pylab = satır içi -Notebook

C.   ipython = dizüstü bilgisayar —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.   C45 tarafından binom konf‌idence sınırlarından türetilen tek geçişli bir algoritma kullanılır.

C.   Bilgi tabanlı kriterleri kullanır.

A.   Tavsiye Traff‌ic

C.   Doğrudan Traffic‌ic

D.   Sosyal Ticaret

B.   Kitle Analizi

C.   Davranış analizi

D.   Dönüşüm analizi

A.   Sıralı Kurallar

B.   Genelleştirilmiş Dernek Kuralları

D.   Sıcaklık

A.   Yanlış istatistiksel önlemlerden kaynaklanan hatalar.

B.   Derlemede hatalar.

C.   Yanlış bir anketin çerçevelenmesi.

A.   Hatırlama = l [alakalı} u [alındı] l l l [alakalı}!

B.   Geri çağırma = l [alakalı} u [alındı] | L L {Alındı] L

C.   Geri çağırma = l [alakalı} f‌l {Alındı} | / l [alındı] l

A.   Seç (DataFrameName, Mantıksal İfade)

B.   F‌ilter (Mantıksal İfade, DataFramename)

D.   Seç (Mantıksal İfade, DataFramename)

A.   Surv ()

C.   SurvDiff ()

D.   Surv‌it ()

A.   Evrim analizi

B.   Tahmin

C.   Aykırı analiz

A.   Verileri eylemlere dönüştürmek için kullanılır.

B.   Tümdengelim ve endüktif akıl yürütme arasında değişmeyi destekler ve teşvik eder.

D.   Şirketlerin paketle kalması ve gelecekte rekabet etmesi gerekir.

B.   KAYNAK

C.   Huş ağacı

D.   Bukalemun

B.   Bu yaklaşım verilerin kopyalanmasını sağlar. işlenmiş. Birleşik. Açıklamalı. Önceden bir semantik veri deposunda özetlendi ve yeniden yapılandırıldı.

C.   Toplama gerektiren sorgular için çok ekonomiktir.

D.   Sık sorgular için çok daha verimlidir.

A.   Ortalama = 3 ve standart sapma = /5

B.   Ortalama = 5 ve standart sapma = /3

D.   Ortalama = 7 ve standart sapma = /7

B.   TSO

C.   ETSO

D.   Arimao

B.   Tahmin Modeli

C.   Hem A hem de B

D.   Ne bir ne de b

B.   Büyük veriler için yüksek performanslı analitik

C.   Büyük veriler için esnek dağıtım seçenekleri

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

C.   conf (a => b) = Supp (a u b) / supp (a) ‘such (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.   PO 2 P

A.   Dahili bir düğüm

B.   Bir yaprak düğümü

D.   En üst düğüm

A.   Sert mimari yaklaşım sağlar.

B.   Her seferinde yalnızca bir model yönetebilir ve kullanabilir.

D.   Hem A hem de C seçeneği doğrudur.

C.   İi] Çeşitli özellikler arasında karşılaştırmaya izin vermez.

D.   Gereksiz ayrıntıları ortadan kaldırarak verileri daha kolay anlaşılabilir hale getirir.

A.   Jacknifed tahminler üretir.

B.   İkinci kuadratik ayrımcı fonksiyonu elde etmek için kullanılır.

D.   Bir seferde iki değişkenle doğrusal veya kuadratik bir sınıflandırmanın sonuçlarını gösterebilir.

A.   Karar Ağacı Sınıflandırma Modeli

B.   Topluluk Sınıflandırma Modeli

C.   Hiper -plan sınıflandırma modeli

D.   Knn tarafından hiçbir sınıflandırma modeli oluşturulmaz

B.   Folyo_pune = p + n/p - n

C.   Folyo_pune = p/n

D.   Folyo_pune = n/p + n

A.   Monomiyal

B.   Binom

C.   Üçlü

A.   Bir örnek t - testi

B.   Eşleştirilmiş örnekler t - Test

D.   Varyans analizi (ANOVA)

A.   Desteği 2 dakikan

B.   Desteği 5 Minsup olan tüm öğe kümelerini oluşturur

C.   Desteği 5 Minsup olan tüm öğe kümelerini oluşturur

D.   Her sık ​​öğe kümesinden yüksek güven kuralları oluşturur

A.   Sayfalar/oturum hedefi

B.   Süreli hedef

D.   Etkinlik Hedefleri

B.   Read.median0

C.   #medyan

D.   Yardım.median0

A.   Sayfa Tarayıcı tarafından Yükleme Süresi

C.   Blog yazısına göre dönüşüm

D.   Gerçek Zamanlı Traff‌ic Kaynak

B.   A = R2D

C.   o c 2dr

D.   A E DRZ

A.   Sıfır hipotezini reddet

C.   Sıfır hipotezinin kabulü veya reddedilmesi P değerinden bağımsızdır.

B.   1

C.   0

D.   5

A.   Veritabanı Database_Name kullanın

B.   Veri Deposu Data_Warehouse_Name kullanın

C.   database.useatabase_name

D.   datawarehouse.useata_warehouse_name

B.   Kayıplı Sıkıştırma

C.   Bitmap

D.   Veri goruntuleme

A.   Değişkenler

C.   İşlevler

D.   Parametreler

E.   Bunlardan hiçbiri

B.   Araştırma

C.   Tartışma grubu

D.   Eşzamanlı iletişim

A.   Virüs ile enfekte veriler

B.   Solucan ile enfekte veriler

D.   Çalınan veriler

A.   Biçim

C.   Görüş

D.   Kayıt

A.   Yatay

B.   Başlangıç ​​aşaması

D.   Dikey

A.   Kurumsal Veri Yönetişimi

B.   Tescilli bilgi sistemleri

D.   İş süreçleri