100'den fazla veri analizi sorusunu yanıtlayarak veri analizi konularını ne kadar anladığınızı test edin.
Başlamak için aşağı kaydırın!
A. Açıklayıcı analiz
B. Spektral analiz
C. Tahmini
D. Açıklayıcı analiz
A. Katalog tasarımı
B. Sepet Veri Analizi
C. Çapraz pazarlama
D. Kayıp lider analizi
E. Yukarıdakilerin hepsi
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.
E. Yukarıdakilerin hepsi.
A. Giriş Nöronu
B. Gizli nöron
C. Çıkış Nöronu
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.
E. Yukarıdakilerin hepsi.
A. Yüksek korelasyonlu değişkenler durumunda grup etkisini teşvik etmek için kullanılır.
B. Olay = başarı ve olay = başarısızlık olasılığını bulmak için kullanılır.
C. Her adım için gerektiğinde öngörücü eklemek ve çıkarmak için kullanılır.
D. Regresyon katsayılarının mutlak büyüklüğünü cezalandırmak için kullanılır.
A. Bir veya daha fazla sürekli sayısal değişkeni tahmin etmek için kullanılır; Örneğin. Bir veri kümesindeki diğer özelliklere dayanan kâr veya zarar.
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
C. Tüzük
D. Yukarıdakilerin hiçbiri
A. Bir olayın bir zaman serisinde bir değişikliğe yol açıp açamayacağını düşünmek için kullanılır.
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
B. 3
C. 1
D. 0.4
A. GLM (Formula, Family = FamilyType (Link = LinkFunction), Veri =)
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")
B. herhangi bir (Grepl ("xlsx“, yüklü.package ())) kütüphanesi ("xlsx")
C. any.grepl (xlsx, yüklü.package50) | ibrary (xlsx)
D. grepl (herhangi bir (yüklü.packages (xlsx))) | ibrary (xlsx)
A. Kümeleme
B. Kategorizasyon
C. Görselleştirme
D. Bilgi Çıkarma
A. Segmentasyon algoritması
B. Classifation 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
C. Maden Dernekleri [[desen_name]] {eşleşen {metapattern}}
D. Maden İlişkileri [Desen_name olarak] Prectiction_attribute_or_Dimension {set [attribute_or_dimension_i = value_i}]
A. Aşamalı regresyon
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.
D. Sürekli, döngüsel ve sıralı içerik türlerini destekler.
A. Tahminleri optimize etmek için bir modelin nasıl karıştırılması gerektiğini belirtir.
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
D. 1
A. Çürümüşsüz bir temel bileşen analizi üretmek için kullanılabilir.
B. Maksimum olabilirlik faktörü analizi üretmek için kullanılabilir.
C. Yapısal eşitlik modelini önyüklemek için kullanılabilir.
D. Otoregresif bir entegre hareketli ortalama modelin için kullanılabilir.
A. F -skor = hatırlama - hassas + (geri çağırma x hassasiyet) / 9
B. F -skor = geri çağırma + hassasiyet - (geri çağırma x hassasiyeti) i 7
C. F-skor = geri çağırma x hassasiyeti / (hatırlama + hassasiyet) / 2
D. F -skor = Hatırlayın I Hassas X (hatırlama - hassasiyet) / 5
A. 10
B. 1
C. 0
D. 5
A. Regresyon analizi
B. ANOVA
C. Faktor analizi
D. Lojistik regresyon
A. Hassasiyet: l [alakalı] n [alındı] l / l [Alınan] l
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
B. Hatırlamak
C. F-skoru
D. Yukarıdakilerin hiçbiri
A. 200
B. 30
C. 255
D. 100
A. İkili değişkenleri modellemek için kullanılır.
B. Kompozisyon verilerini 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)
D. Kavram Tabanlı Yöntem (CBM)
A. Ridge regresyonu
B. Beta regresyonu
C. Regresyon
D. İzotonik regresyon
A. Minimum_support
B. Minimum_probibability
C. Minimum_itemset_size
D. Minimum_itemset_count
A. (link = '' kimlik ")
B. (link = '' iogit ")
C. (link = ‘'iog")
D. (link = ”ters")
A. lsinnode (DMX)
B. Tahmini (DMX)
C. Tahmini just -reprobability (DMX)
D. Preditthistogram (DMX)
A. Ölçeklenmeyen EM
B. Ölçeklenebilir Em
C. Ölçeklenebilir K-Means
D. Dönüştürülemez K-
A. Boolean tipi
B. Küme değeri
C. Masa
D. Skaler değer
A. Tahmin_smoothing
B. Forecast_method
C. İnstabilite_sensitivity
D. Complexity_penalty
A. Madencilik modeli sütunları için geçerlidir.
B. Madencilik yapısı 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
B. Tabakalı 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.
D. Bir örnekleme yöntemi kullanmak için özel bir bilgi gerekmez.
A. Heterojen olarak - tipli sütunlarla tablo verileri için çok uygundur.
B. Yalnızca etiketli veriler bir Pandas veri yapısına yerleştirilebilir.
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
C. Kesinlik
D. Hem A hem de C
A. Kavrama
B. C45
C. EM
D. Önsel
A. matplotlib
B. pandalar
C. dizi
D. Hem A hem de C
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.
D. Hemen süper kümelerinin hiçbiri, öğe kümesiyle aynı desteğe sahip olmadığında.
A. 1/1024
B. 1023/1024
C. 11512
D. 511/512
A. Özellikler Seçim
B. Metin önişleme
C. Özellikler Nesil
D. Hem A hem de B
A. 0.60
B. 0.79
C. 0.45
D. 0.82
A. 0.88
B. 0.82
C. 0.95
D. 0.90
A. Huş ağacı
B. Kavrama
C. Sting
D. FCM
A. 2.5
B. 2.8
C. 3.2
D. 3.4
A. 11/14
B. 13/14
C. 1/14
D. 3/14