Тест: ТОИ
Список вопросов
1. Адаптивная модель прогнозирования (Adoptive model of forecasting) это … |
|
1) Самонастраивающаяся динамическая модель. | |
2) Самонастраивающаяся динамическая модель, учитывает информационную ценность его элементов. | |
3) Самонастраивающаяся рекуррентная модель. | |
4) Самонастраивающаяся рекуррентная модель, отражает динамические свойства временного ряда, учитывает информационную ценность его элементов. | |
2. Под абстрагированием понимается |
|
1) Выделение существенных деталей реализации некоторого процесса или объекта. | |
2) Выделение существенных характеристик некоторого процесса или объекта. | |
3) Выделение существенных характеристик некоторого процесса или объекта, которые отличают его от всех остальных и таким образом четко определяют их концептуальные границы относительно дальнейшего рассмотрения и анализа. | |
4) Выделение существенных входных данных некоторого процесса или объекта. | |
3. Адекватность аналитической модели это… |
|
1) Полнота и точность описания предмета исследования. | |
2) Степень соответствия модели реальному объекту или процессу, полнота и точность описания предмета исследования. | |
3) Степень соответствия модели реальному объекту или процессу в зависимости от цели исследования. | |
4) Степень соответствия модели реальному объекту или процессу. | |
4. Алгоритм Apriori связан с…. |
|
1) Поиском ассоциативных правил при анализе транзакционной базы данных | |
2) Анализом фреймовой базы данных. | |
3) Анализом транзакционной базы данных. | |
4) Поиском ассоциативных правил. | |
5. Алгоритм CART позволяет |
|
1) Производить фильтрацию данных | |
2) Модифицировать нечеткие данные. | |
3) Сглаживать аномальные выбросы. | |
4) Строить деревья решений. | |
6. С какими данными работает алгоритм CART |
|
1) С лингвистической переменной. | |
2) С двоичным представлением информации. | |
3) Только с дискретными данными. | |
4) Как с непрерывной, так и с дискретной выходной переменной. | |
7. Какой основной принцип работы алгоритма CART |
|
1) Алгоритм строит деревья решений, которые содержат не более десяти потомков в каждом узле. | |
2) Алгоритм строит деревья решений, которые содержат не более пяти потомков в каждом узле. | |
3) Алгоритм строит бинарные деревья решений, которые содержат только два потомка в каждом узле. | |
4) Алгоритм строит деревья решений, которые содержат только три потомка в каждом узле. | |
8. Назначение алгоритма CHAID (Chi-square Automatic Interaction Detector) |
|
1) Используется для предсказания или обнаружения взаимосвязей между переменными. | |
2) Определяет значимость разбиения. | |
3) Используется как классификатор. | |
4) Используется только для предсказания изменения переменных. | |
9. Какой критерий используется для оценки значимости узла в алгоритме CHAID (Chi-square Automatic Interaction Detector) |
|
1) Хи-квадрат и критерий Фишера | |
2) Критерий Стьюдента. | |
3) Критерий Фишера. | |
4) Хи-квадрат. | |
10. Алгоритм ближайшего соседа (k-nearest neighbor algorithm) способен |
|
1) Решать задачу регрессии | |
2) Решать задачу кластеризации | |
3) Решать задачу классификации и регрессии. | |
4) Восстанавливать пропущенные данные. | |
11. Суть алгоритма обратного распространения ошибки |
|
1) Алгоритм обучения нейронных сетей, основанный на максимизации математического ожидания. | |
2) Градиентный алгоритм обучения нейронных сетей, основанный на минимизации среднеквадратической ошибки на выходах сети. | |
3) Градиентный алгоритм обучения нейронных сетей, основанный на минимизации дисперсии на выходах сети. | |
4) Алгоритм обучения нейронных сетей, основанный на минимизации времени рещения задачи. | |
12. Алгоритм последовательного покрытия позволяет.. |
|
1) Разбить исходный набор данных на минимальное количество однородных подмножеств. | |
2) Разбить исходный набор данных на два однородных подмножества | |
3) Разбить исходный набор данных на три однородных подмножества. | |
4) Разбить исходный набор данных на максимальное количество однородных подмножеств. | |
13. Амплификация это |
|
1) Метод прогнозирования | |
2) Принцип, утверждающий, что сложные системы значительно меньше реагируют на внешние воздействия, чем простые. | |
3) Метод кластеризации. | |
4) Принцип, утверждающий, что сложные системы значительно сильнее реагируют на внешние воздействия, чем простые. | |
14. Анализ с последовательной детализацией это … |
|
1) Получения более детальных сведений об исследуемых процессах или явлениях. | |
2) 1,2 и 3 все вместе. | |
3) Метод, предусматривающий пошаговый переход к более низким уровням иерархии элементов измерений. | |
4) Метод анализа информации в хранилищах данных. | |
15. Перед выполнением аналитической обработки аномальные значения необходимо |
|
1) Обрабатывать без изменений | |
2) Удалить. | |
3) Подавить или удалить в зависимости от задачи. | |
4) Подавить. | |
16. Аппроксимация это … |
|
1) Математический метод, в основе которого лежит замена одних математических объектов аналитическими зависимостями близкими к исходным. | |
2) Экстраполяция данных на несколько временных шагов вперед. | |
3) Оценка предистории данных. | |
4) Синоним интерполяции. | |
17. Аттрактор |
|
1) Алгоритм анализа данных. | |
2) Множество точек фазового пространства некоторой динамической системы, к которым она стремится в процессе эволюции. | |
3) Поглощающее состояние узла нейросети | |
4) Узел сценария предварительной обработки данных | |
18. Бектрекинг |
|
1) Процедура возврата алгоритма, использующего ветвление при поиске на некоторой структуре данных. | |
2) Последовательность алгоритмов интеллектуального анализа данных. | |
3) Этап алгоритма аппроксимации. | |
4) Элемент нейросети. | |
19. Валидация модели |
|
1) Проверка правильности работы предсказательной способности аналитической модели. | |
2) Изменение последовательности обработки информации. | |
3) Оценка достоверности модели. | |
4) Проверка адекватности исходных данных. | |
20. Вейвлет |
|
1) Точка максимума спектральной плотности. | |
2) Амплитудно-частотная характеристика входных данных | |
3) Это класс математических функций, позволяющих анализировать различные временные компоненты данных | |
4) Это класс математических функций, позволяющих анализировать различные частотные компоненты данных. | |
21. Витрина данных |
|
1) Обычная реляционная база данных. | |
2) База данных, построенная на основе фреймовой модели. | |
3) Витрина данных- это относительно небольшое хранилище или же его часть, представленное в виде срезов информации с точки зрения решения конкретных задач. | |
4) То же самое что и хранилище данных | |
22. Вычислительная сложность алгоритма |
|
1) Число параллельных вычислительных процессов, необходимых для решения задачи за минимальное время. | |
2) Количество элементарных операций, затрачиваемых алгоритмом для решения конкретной задачи. | |
3) Время, затраченное специалистом на решение задачи с использованием вычислительных средств. | |
4) Объем оперативной памяти, необходимый для решения задачи на ЭВМ. | |
23. Гистограмма |
|
1) Плотность распределения вероятностей. | |
2) Диаграмма которая используется в статистике для графического представления распределения вероятностей значений некоторой случайной величины. | |
3) Любая функция, построенная с использованием столбиковой диаграммы | |
4) Диаграмма которая используется для графического представления распределения дисперсии. | |
24. Пусть задан временной ряд значений за май, июнь, июль. Какие значения будут анализироваться при горизонте прогнозирования равного 2? |
|
1) За июнь. | |
2) За май, июнь, июль, август, сентябрь | |
3) За июнь и июль. | |
4) За февраль. | |
25. Дендрограмма |
|
1) Дендрограмма показывает трехмерное изображение диаграммы связей. | |
2) Визуализатор, используемый для представления результатов работы нейросети. | |
3) Дендрограмма показывает результаты вейвлет преобразования данных. | |
4) Дендрограмма показывает степень близости отдельных объектов и кластеров и демонстрирует в графическом виде последовательность их объединения или разделения. | |
26. Какие понятия используются при построении дерева решений а) корень, б)листья, в)узлы, г) ветви |
|
1) а), б), в). | |
2) б), в). | |
3) а). | |
4) а), б), в), г). | |
27. Что откладывается по горизонтальной оси диаграммы рассеяния |
|
1) Значения, оцененные моделью, | |
2) Множество объектов классификации, | |
3) Множество исходных данных. | |
4) Целевые значения обучающих примеров. | |
28. Дихотомия |
|
1) Однократное деление множества данных на две части | |
2) Последовательное деление множества данных на две части | |
3) Однократное деление множества данных на тридве части | |
4) Последовательное деление множества данных на четыре части | |
29. Значимость регрессионной модели |
|
1) Оценка достоверности выходных переменных регрессионной модели | |
2) Степень статистической связи между выходными переменными регрессионной модели | |
3) Степень статистической связи между входной (набором входных) и выходной переменными регрессионной модели. | |
4) Степень статистической связи между входными переменными регрессионной модели. | |
30. Являются ли измерениями в хранилище данных названия товаров, городов, фирм поставщиков или покупателей, ФИО людей и т. д. |
|
1) Могут являться. | |
2) Являются свойствами | |
3) Да. | |
4) Нет | |
31. Какое измерения является согласованным |
|
1) Если одно измерение является точным подмножеством другого на уровне определения (одинаковые названия столбцов) | |
2) Если одно измерение является точным подмножеством другого на уровне значений (одинаковые значения в строках). | |
3) Если одно измерение является точной копией другого на уровне определения (одинаковые названия столбцов) | |
4) Если одно измерение является точным подмножеством другого как на уровне определения (одинаковые названия столбцов), так и на уровне значений (одинаковые значения в строках). | |
32. Инициализация карты Кохонена |
|
1) Проверка обучения на тестовой выборке | |
2) Запуск обучения карты Кохонена. | |
3) Процесс присвоения начальных значений весам нейронов карты | |
4) Задание обучающей выборки. | |
33. Добыча данных (Data Mining) |
|
1) Обнаружение в | |
2) Любая трансформация данных для последующего анализа. | |
3) Формирование репрезентативного подмножества. | |
4) Трансформация данных скользящим окном. | |
34. Что относится к интеллектуальному анализу данных |
|
1) Сэмплинг. | |
2) Понижение разнообразия уникальных значений | |
3) Кластеризация, ассоциативные правила | |
4) Формирование конечных классов. | |
35. Интерполяция |
|
1) Метод нахождения неизвестных промежуточных значений некоторой функции по имеющемуся дискретному набору ее известных значений | |
2) Нахождение среднего значения двух соседних измерений. | |
3) Нахождение данных функции аппроксимации. | |
4) Нахождение данных в результате прогнозирования на один шаг дискретизации. | |
36. Какие критерии не относятся качеству данных |
|
1) Никакие. | |
2) Интерпретируемость. | |
3) Своевременность, точность. | |
4) Своевременность . | |
37. Какой порядок квантиля называется квартилем |
|
1) x0,1…x0,9. | |
2) x0,01…x0,99. | |
3) Все. | |
4) x1/4, x1/2, x3/4. | |
38. Под кластеризацией понимается |
|
1) Объединение объектов или наблюдений в пересекающиеся группы, пересекающиеся не более чем на 15%, на основе близости значений их атрибутов (признаков). | |
2) Объединение объектов или наблюдений в пересекающиеся группы, пересекающиеся не более чем на 50%, на основе близости значений их атрибутов (признаков). | |
3) Объединение объектов или наблюдений в пересекающиеся группы, пересекающиеся не более чем на 10%, на основе близости значений их атрибутов (признаков). | |
4) Объединение объектов или наблюдений в непересекающиеся группы на основе близости значений их атрибутов (признаков). | |
39. Ковариация служит мерой … |
|
1) Взаимной связи между случайными величинами y и x, то есть стремление одной случайной величины возрастать или убывать при возрастании или убывании другой. | |
2) Взаимной связи между случайными величинами y и x, то есть стремление одной случайной величины убывать при убывании другой. | |
3) Взаимной связи между неслучайными величинами y и x. | |
4) Взаимной связи между случайными величинами y и x, то есть стремление одной случайной величины возрастать при возрастании другой. | |
40. Какие операции предусматривает консолидация данных |
|
1) Все перечисленные. | |
2) Обеспечение необходимого уровня их информативности и качества. | |
3) Преобразование к единому формату, в котором они могут быть загружены в хранилище данных или аналитическую систему. | |
4) Извлечение данных из различных источников. | |
41. Какой этап не включает корреляционный анализ для двух случайных величин |
|
1) Проверка статистической гипотезы значимости связи. | |
2) Вычисление выборочных коэффициентов корреляции и корреляционных отношений. | |
3) Установлении конкретного вида зависимости между случайными величинами. | |
4) Построение корреляционного поля и составление корреляционной таблицы. | |
42. Коэффициент вариации |
|
1) Отношение коэффициента корреляции случайной величины к ее математическому ожиданию. | |
2) Отношение стандартного (среднеквадратичного) отклонения случайной величины к ее математическому ожиданию. | |
3) Отношение максимального значения случайной величины к ее математическому ожиданию. | |
4) Отношение дисперсии случайной величины к ее математическому ожиданию. | |
43. В каком диапазоне изменяется коэффициент корреляции |
|
1) От -1 до 0.. | |
2) От 0 до 1. | |
3) От -0,5 до +0,5. | |
4) От -1 до +1. | |
44. Лаг это… |
|
1) Ширина временного окна при фильтрации данных. | |
2) Показатель, отражающий опережение во времени одного ряда данных от другого. | |
3) Показатель, отражающий отставание или опережение во времени одного ряда данных от другого. | |
4) Показатель, отражающий отставание во времени одного ряда данных от другого. | |
45. Каким образом для уравнения регрессии y=ax+b выбираются коэффициенты a и b. |
|
1) Чтобы сумма квадратов отклонений точек, соответствующих реальным наблюдениям данных от линии регрессии была бы минимальной | |
2) Чтобы дисперсия реальных наблюдений от линии регрессии была бы минимальной. | |
3) Чтобы среднее значение отклонений точек, соответствующих реальным наблюдениям данных от линии регрессии было бы минимальным. | |
4) Чтобы разность отклонений точек, соответствующих реальным наблюдениям данных от линии регрессии была бы минимальной. | |
46. Идея лифтинга … |
|
1) Заключается в сокращении числа отсчетов сигнала за счет удаления избыточных значений, попадающих в квантили разбиения. | |
2) Предсказание значений некоторой серии на основании других отсчетов | |
3) Заключается в сокращении числа отсчетов сигнала за счет удаления коррелирующих значений при сохранении среднего значения сигнала. | |
4) Заключается в восстановлении пропущенных данных при сохранении среднего значения сигнала. | |
47. При применении метода k-ближайших соседей k=10 означает |
|
1) Выбирается 10 признаков классификации с 10-тью ближайшими соседями. | |
2) Выбирается ближайший сосед по 10 признакам | |
3) Каждый объект сравнивается с 10-ю соседями. | |
4) Выбирается 10 признаков классификации с одним ближайшим соседом. | |
48. Условие окончания классификации методом k-средних |
|
1) После нахождения центров тяжести кластеров. | |
2) После окончания анализа всех записей. | |
3) Границы кластеров и расположения центроидов не перестанут изменяться от итерации к итерации. | |
4) Перестанут изменятся средние значения признаков, вычисленные по всем записям кластера. | |
49. Метод главных компонент |
|
1) Производит выбор тех компонентов, которые имеют физический смысл. | |
2) Учитывает все компоненты но с разными весовыми коэффициентами. | |
3) Производит перевод в новую систему координат и вводит новые обобщенные признаки. | |
4) Исключает из рассмотрения часть признаков и сокращает пространство анализа. | |
50. При использовании метода скользящего окна для обучения при окне в 5 дней определить назначение данных для третьего окна (Картинка: https://clck.ru/ajtUn ) |
|
1) Y1- прогноз по данным за 3-7 день, сравнение со средним значением 6-8 дня. | |
2) Y1- прогноз по данным за 2-6 день, сравнение с реальными данными 7 дня. | |
3) Y1- прогноз по данным за 1-5 день, сравнение с реальными данными 6 дня. | |
4) Y1- прогноз по данным за 3-7 день, сравнение с реальными данными 8 дня. | |
51. Что не относится к многомерному представлению в OLAP приложениях. |
|
1) Обработка | |
2) Формирование SQL запросов. | |
3) Хранение. | |
4) Представление данных. | |
52. Какие типы мультикубов используются в многомерной базе данных? |
|
1) Смешанный | |
2) Параллельный | |
3) Блочный и последовательный | |
4) Последовантельный | |
53. Структура многослойного перцептрона... |
|
1) Представляет собой сеть с обратной связью | |
2) Представляет собой однослойную сеть | |
3) С одним входным, одним выходным и одним или более скрытыми слоями нейронов | |
4) Представляет собой сеть с одним входным и одним выходным слоями нейронов | |
54. В каких алгоритмах используется обучающее множество |
|
1) Всех перечисленных | |
2) Карты Кохонена | |
3) Деревья решений | |
4) Алгоритм нейронных сетей | |
55. Чем отличается сеть Хемминга от сети Хопфилда |
|
1) Сеть Хемминга имеет большие затраты на память и объём требуемых вычислений | |
2) Сеть Хемминга имеет большие затраты на память и меньшие на объём требуемых вычислений | |
3) Сеть Хемминга имеет меньшие затраты на память и большие на объём требуемых вычислений | |
4) Сеть Хемминга имеет меньшие затраты на память и объём требуемых вычислений | |
56. Что такое потенциал нейрона |
|
1) Взвешенная сумма входов нейрона | |
2) Нормированное значение функции | |
3) Значение функции активации | |
4) Взвешенная сумма выходов нейрона | |
57. Чему равно расстояние Левенштейна для двух строк абсврно абсчркоо |
|
1) 1 | |
2) 3 | |
3) 7 | |
58. Расстоянием Хэмминга в двух бинарных векторах называется... |
|
1) Среднеарифметическое между значениями бит | |
2) Процент несовпадений от общего числа бит в векторах | |
3) Число отличающихся бит в десятичной счислении | |
4) Число несовпадений значений признаков в рассматриваемых i-м и j-м объектах | |
59. Что такое регрессия |
|
1) Корреляционная взаимосвязь значения случайной величины с другой случайной величиной. | |
2) Зависимость среднего значения случайной величины только от некоторой другой величины. | |
3) Функциональная зависимость выходных данных от входных. | |
4) Зависимость среднего значения случайной величины от некоторой другой величины или даже нескольких | |
60. Чему равно значение сигмоидальной функции при x=0 |
|
1) 1 | |
2) 0,5 | |
3) -1 | |
61. Для чего применяется алгоритм "скользящее среднее" |
|
1) Применяется с целью прогнозирования данных на достаточно болшой интервал скольжения. | |
2) Применяется с целью исключения сильных шумов. | |
3) Применяется при сглаживании случайных величин с целью уменьшения дисперсии. | |
4) Применяется при сглаживании временных рядов с целью исключения сильных сезонных колебаний | |
62. Что понимается под сэмплингом? |
|
1) Решение задачи оценки кредитной истории | |
2) Аналог линейной регрессии. | |
3) Аналог задачи анализа классов | |
4) Процесс отбора из исходной совокупности данных выборки, представляющей интерес для анализа | |
63. Какие переменные входят в формулу чувствительности при бинарной классификации |
|
1) TP - число истинно положительных наблюдений, FN – число ложно отрицательных наблюдений | |
2) TP - число ложно положительных наблюдений, FN – число ложно отрицательных наблюдений | |
3) TP - число ложно положительных наблюдений, FN – число истинно отрицательных наблюдений | |
4) TP - число истинно положительных наблюдений, FN – число истинно отрицательных наблюдений | |
64. Выберите спектр для полигармонического процесса (Картинка: https://clck.ru/ajtUK ) |
|
1) г | |
2) в | |
3) а | |
4) б | |
65. Выберите спектр для почти периодического процесса (Картинка: https://clck.ru/ajtUK ) |
|
1) а | |
2) б | |
3) в | |
4) г | |
66. Какой из вариантов перечисленных ниже процессов является стационарным |
|
1) почти периодический | |
2) эргодический | |
3) полигармонический | |
4) периодический | |
67. Для какого случайного процесса среднее значение по времени отдельной выборочной функции совпадает со средним значением по ансамблю реализаций |
|
1) эргодический | |
2) стационарный | |
3) нестационарный | |
4) детерминированный | |
68. Для какого случайного процесса все его статистические параметры могут быть определены по одной выборочной функции |
|
1) стационарный | |
2) нестационарный | |
3) детерминированный | |
4) эргодический | |
69. Для каких типов случайных процессов используют детерминированный множитель для их описания |
|
1) стационарный | |
2) нестационарный | |
3) детерминированный | |
4) эргодический | |
70. Выберите вариант спектральной плотности для гармонического процесса (Картинка: https://clck.ru/ajtjb ) |
|
1) г | |
2) в | |
3) б | |
4) а | |
71. Выберите вариант спектральной плотности для суммы гармонического процесса со случайным шумом (Картинка: https://clck.ru/ajtjb ) |
|
1) г | |
2) б | |
3) в | |
4) а | |
72. Выберите вариант спектральной плотности для широкополосного шума (Картинка: https://clck.ru/ajtjb ) |
|
1) г | |
2) в | |
3) б | |
4) а | |
73. Выберите вид автокорреляционной функции для гармонического процесса (Картинка: https://clck.ru/ajtoW ) |
|
1) г | |
2) в | |
3) б | |
4) а | |
74. Выберите вид автокорреляционной функции для узкополосного случайного шума (Картинка: https://clck.ru/ajtoW ) |
|
1) г | |
2) в | |
3) б | |
4) а | |
75. Выберите вид автокорреляционной функции широкополосного случайного шума (Картинка: https://clck.ru/ajtoW ) |
|
1) г | |
2) в | |
3) б | |
4) а | |
76. Выберите требование характерное для построения хранилища данных |
|
1) Избыточность данных не допускается | |
2) Хранение как детализированных данных, так и обобщённых данных | |
3) Должна быть возможность в любое время редактировать данные | |
4) Доступность системы в любой момент времени | |
77. Выберите требование характерное для построения хранилища данных |
|
1) Избыточность данных не допускается | |
2) Доступность системы в любой момент времени | |
3) Время отклика системы на запрос пользователя некритично | |
4) Загрузка вычислительной мощности равномерна | |
78. Выберите требование нехарактерное для построения хранилища данных |
|
1) Доступность данных за большой отрезок | |
2) Хранение как детализированных так и обобщенных данных | |
3) Возможность дублирования данных | |
4) Время отклика системы на запрос – минимально и измеряется секундами | |
79. Выберите требование нехарактерное для построения хранилища данных |
|
1) Доступ ко всем данным за большой период времени | |
2) Время отклика системы может составлять минуты | |
3) Характер вычислительной нагрузки на систему – постоянный (средняя загрузка процессора) | |
4) Хранение как детализированных так и обобщенных данных | |
80. Выберите верное утверждение для витрины данных |
|
1) Используется всеми подразделениями компании | |
2) Содержит только тематически объединённые данные | |
3) Реализуется только самостоятельно | |
4) Реализуется только из данных из ХД | |
81. Выберите неверное утверждение для витрины данных |
|
1) Данные обновляются в режиме on-line | |
2) Дешевле в реализации | |
3) Может быть реализована из ХД | |
4) Может быть реализована самостоятельно для подразделения компании | |
82. Продолжите фразу "При использовании виртуального ХД и витрины данных…" |
|
1) Данные доступны при неработающей системе оперативного учета | |
2) Аналитический запрос адресуется к витрине данных | |
3) Аналитический запрос адресуется к ХД | |
4) Данные из оперативных источников должны иметь один формат | |
83. Продолжите фразу "При использовании виртуального ХД и витрины данных…" |
|
1) Аналитический запрос возможен из любого подразделения компании | |
2) Аналитический запрос возможен только при работе всех оперативных источников данных | |
3) Аналитический запрос адресуется к ХД | |
4) Данные из оперативных источников могут иметь различный формат | |
84. Выберите архитектуру с наименьшим временем отклика системы СППР: |
|
1) Витрина данных с физическим ХД | |
2) Витрина данных с виртуальным ХД | |
3) Самостоятельная витрина данных с физическим ХД | |
4) Самостоятельная Витрина данных с виртуальным ХД | |
85. Что не является достоинством использования автономной витрины данных |
|
1) Хранение данных в разных ВД | |
2) Круг вопросов для анализа наиболее определен и обозрим | |
3) Упрощение процедур заполнения ВД | |
4) Быстрое внедрение и получение отдачи | |
86. Выберите неверное утверждение при совмещении ХД с витриной данных: |
|
1) Конечные пользователи имеют доступ к данным из витрины данных | |
2) Конечные пользователи не имеют доступ к детальным данным из ХД | |
3) ВД является подмножеством данных из ХД | |
4) ХД представляет собой централизованный источник информации для всех предметных областей | |
87. Выберите, для какого вида предобработки данных используется способ «преобразование даты» |
|
1) Трансформация данных | |
2) Сглаживание | |
3) Удаление шумов | |
4) Заполнение пропусков в значении данных | |
88. Выберите, для какого вида предобработки данных используется квантование значений |
|
1) Редактирование аномальных значений | |
2) Трансформация данных | |
3) Сглаживание | |
4) Заполнение пропусков в значении данных | |
89. Какие средства увеличения производительности программы анализа достигаются не свойствами СУБД |
|
1) Размещение вспомогательные таблицы, данные на вспомогательных дисках | |
2) Сокращение числа итераций обращения к данным | |
3) Разбиение таблиц на разделы и табличные пространства | |
4) Кэширование таблиц в оперативную память | |
90. Что является способом обработки данных для сокращения времени работы программы анализа |
|
1) Увеличение дискового пространства | |
2) Параллельная обработка | |
3) Увеличение оперативной памяти | |
4) Увеличение тактовой частоты работы ВТ | |
91. Выберите инструмент для сокращения времени анализа больших объемов данных, не используя СУБД |
|
1) Подготовка исходных данных | |
2) Предварительный пересчет | |
3) Создание таблиц часто используемых данных | |
4) Кэширование данных в памяти | |
92. Какие технические средства не влияют на время анализа данных |
|
1) Увеличение ОП | |
2) Использование многоядерных процессоров | |
3) Увеличение дискового пространства | |
4) Увеличение тактовой частоты | |
93. Выберите, для какого вида предобработки данных используется способ аппроксимации данных |
|
1) Заполнение пропусков в значении данных | |
2) Редактирование аномальных значений | |
3) Удаление шумов | |
4) Сглаживание | |
94. Выберите, для какого вида предобработки данных используется способ «замена данных» |
|
1) Удаление шумов | |
2) Заполнение пропусков в значении данных | |
3) Редактирование аномальных значений | |
4) Сглаживание | |
95. Какое техническое средство не влияет на производительность алгоритма DM |
|
1) Увеличение дискового пространства | |
2) Увеличение оперативной памяти | |
3) Увеличение тактовой частоты компьютера | |
4) Использование многоядерных процессоров | |
96. Что является способом обработки данных для сокращения времени работы программы DM |
|
1) Разбиение таблиц на разделы и табличные пространства | |
2) Использование многоядерного процессора | |
3) Сокращение обращений к исходным данным | |
4) Комбинирование моделей | |
97. Что определяется алгоритмом, а не является способом обработки данных для сокращения времени работы программы анализа |
|
1) Сокращение обращений к исходным данным | |
2) Параллельная обработка | |
3) Использование репрезентативной выборки | |
4) Комбинирование моделей | |
98. Какой прием сокращения времени анализа определяется возможностью СУБД |
|
1) Использование репрезентативной выборки | |
2) Уменьшение обращений к дисковой памяти | |
3) Использование при анализе разделов и табличных пространств таблиц | |
4) Использование многоядерных процессоров | |
99. Выберите для какого вида предобработки данных используется способ максимального правдоподобия |
|
1) Редактирование аномальных значений | |
2) Заполнение пропусков в значении данных | |
3) Удаление шумов | |
4) Трансформация данных | |
100. Выберите, для какого вида предобработки данных используется способ «агрегирование данных» |
|
1) Трансформация данных | |
2) Заполнение пропусков в значении данных | |
3) Удаление шумов | |
4) Сглаживание | |
101. Что не влияет на производительность алгоритма DM |
|
1) Предварительный обсчет данных | |
2) Увеличение оперативной памяти | |
3) Кэширование таблиц в оперативную память | |
4) Увеличение дискового пространства | |
102. Что является способом обработки данных для сокращения времени работы программы DM |
|
1) Сокращение обращений к исходным данным | |
2) Кэширование таблиц | |
3) Использование репрезентативной выборки | |
4) Увеличение оперативной памяти | |
103. Что не является способом обработки данных для сокращения времени работы программы |
|
1) Кэширование данных | |
2) Параллельная обработка | |
3) Использование репрезентативной выборки | |
4) Комбинирование моделей | |
104. Какой прием сокращения времени анализа определяется возможностью СУБД |
|
1) Использование многоядерных процессоров | |
2) Уменьшение числа итераций к дисковой памяти | |
3) Использование репрезентативной выборки | |
4) Кэширование данных | |
105. Из представленных утверждений для описания основных статистических характеристик стационарного случайного процесса выберите ОШИБОЧНОЕ |
|
1) Среднее значение стационарного случайного процесса | |
2) Автокорреляционная функция | |
3) Плотность распределения | |
4) Среднее значение квадрата случайного процесса | |
106. Из представленных утверждений для описания спектральной плотности статистических характеристик стационарного случайного процесса выберите ОШИБОЧНОЕ |
|
1) Применяется для исследования частотной структуры физической системы | |
2) Справедливы соотношения связи a. С автокорреляционной функцией Rx(דּ) через преобразование Фурье b. Со средним значением μx c. Со средним значением квадрата ψ2 | |
3) Описывает среднее значение квадрата значений реализации по частоте Gx(f) | |
4) Функция Gx(f) может принимать положительные и отрицательные значения | |
107. Выберите утверждение, попадающее под определение «Информация» |
|
1) Видеозапись, зафиксированная цифровым регистратором | |
2) Журнал записей состояния технического объекта на фиксированный момент времени | |
3) Диаграмма состояния объекта (графический мониторинг) | |
4) Сведение об объекте, уменьшающее степень неопределенности | |
108. Выберите правильное утверждение об единице измерения объема информации |
|
1) Файл видеозаписи, зафиксированный цифровым регистратором | |
2) Папка с файлами | |
3) 1 ГБ | |
4) Машинное слово | |
109. Какой из видов статистического анализа позволяет выявить скрытые переменные факторы |
|
1) Факторный | |
2) Корреляционный | |
3) Дисперсионный | |
4) Регрессионный | |
110. Какой из предложенных методов не используется для установления факторной структуры |
|
1) Корреляционный анализ | |
2) Метод максимального правдоподобия | |
3) МГК | |
4) Экспертные оценки | |
111. Какой из видов статистического анализа является исследованием факторов, связь которых с результативными показателями носит функциональный характер. |
|
1) Регрессионный | |
2) Дисперсионный | |
3) Корреляционный | |
4) Факторный | |
112. Какой из видов статистического анализа характеризует изменчивость признака под влиянием каких-либо контролируемых переменных факторов. |
|
1) Факторный | |
2) Корреляционный | |
3) Регрессионный | |
4) Дисперсионный | |
113. Какой из видов статистического анализа характеризует Вариативность, обусловленную взаимодействием исследуемых независимых переменных. |
|
1) Факторный | |
2) Корреляционный | |
3) Дисперсионный | |
4) Регрессионный | |
114. Для какого вида анализа обязательным условием является проверка, что распределение результативного признака является нормальным. |
|
1) Корреляционный | |
2) Дисперсионный | |
3) Регрессионный | |
4) Факторный | |
115. Какой вид анализа позволяет оценивать тесноту связи между двумя и более переменными |
|
1) Корреляционный | |
2) Дисперсионный | |
3) Регрессионный | |
4) Факторный | |
116. Выберите ошибочное утверждение по отношению к корреляционной зависимости: |
|
1) Коэффициент корреляции более 0.7 является сильным | |
2) Ранговая корреляция позволяет определить силу и направление корреляционной связи между двумя признаками, измеренными в ранговой шкале или между двумя иерархиями признаков | |
3) Коэффициент корреляции не может быть равен 0 | |
4) Корреляция бывает линейной и нелинейной | |
117. Выберите ошибочное утверждение по отношению к корреляционной зависимости: |
|
1) Коэффициент детерминации определяет процентное взаимное влияние переменных | |
2) Квадрат коэффициента корреляции называется коэффициентом детерминации | |
3) Коэффициент корреляции определяет процентное взаимное влияние переменных | |
4) Уровень значимости коэффициента корреляции вычисляется при помощи таблицы критических значений. | |
118. Выберите верное утверждение по отношению к корреляционной зависимости: |
|
1) Коэффициент корреляции не может быть равен 0 | |
2) Уровень значимости коэффициента корреляции вычисляется при помощи таблицы критических значений. | |
3) Сильная корреляция всегда высокозначима | |
4) Слабая корреляция всегда недостоверна | |
119. Выберите верное утверждение при наличии коэффициента корреляции: |
|
1) Коэффициент корреляции не зависит от масштаба измерения любой переменной (кг, г, тонна; м, см, мм; …) | |
2) Адекватно оценивается теснота связи одной переменной от другой вне зависимости вида этой зависимости | |
3) Позволяет утверждать, что одна из переменных предшествует или является причиной изменения | |
4) Наличие причинно-следственной связи между парами признаков | |
120. Из представленных утверждений для описания основных статистических характеристик стационарного случайного процесса выберите ОШИБОЧНОЕ: |
|
1) Распределение вероятностей процесса на частотной шкале | |
2) Интенсивность процесса | |
3) Интенсивность процесса на временной шкале | |
4) Среднее значение стационарного случайного процесса | |
121. Выберите утверждение, попадающее под определение «Информация» |
|
1) Сведение об объекте, уменьшающее неполноту знания | |
2) Журнал записей температуры больных по отделениям и палатам | |
3) Графическое представление данных о состоянии технического объекта в «черном ящике» | |
4) База данных показаний датчиков состояния технического объекта | |
122. Выберите понятие, которое не относится к единице хранения и обработке информации в компьютере |
|
1) Папка | |
2) Файл | |
3) Машинное слово | |
4) 1 Кб | |
123. Какой из предложенных методов не используется для отыскания латентной переменной |
|
1) Метод максимального правдоподобия | |
2) Экспертные оценки | |
3) МГК | |
4) Корреляционный анализ | |
124. Какой из видов статистического анализа позволяет описать анализируемый объект более компактно |
|
1) Дисперсионный | |
2) Корреляционный | |
3) Регрессионный | |
4) Факторный | |
125. Какой из видов статистического анализа является исследованием факторов, связь которых с результативными показателями является вероятностной. |
|
1) Факторный | |
2) Корреляционный | |
3) Дисперсионный | |
4) Регрессионный | |
126. Для какого вида стат. анализа обязательным условием является, чтобы асимметрия и эксцесс более чем в 3 раза превышали свои ошибки репрезентативности. |
|
1) Факторный | |
2) Корреляционный | |
3) Регрессионный | |
4) Дисперсионный | |
127. Для какого вида статистического анализа обязательным условием применения является, чтобы число наблюдений превышало число факторов не менее чем в 5-6 раз |
|
1) Корреляционный | |
2) Дисперсионный | |
3) Регрессионный | |
4) Факторный | |
128. Выберите ошибочное утверждение по отношению к корреляционной зависимости: |
|
1) Сильная корреляция всегда высокозначима | |
2) Сильная корреляция может быть, недостоверной | |
3) К-т корреляции Пирсона позволяет определить силу связи между двумя признаками, измеренными в метрических шкалах. | |
4) Коэффициент корреляции может меняться от -1 до 1 | |
129. Выберите ошибочное утверждение по отношению к корреляционной зависимости: |
|
1) Коэффициент корреляции более 0.7 является сильным | |
2) Корреляция бывает линейной и нелинейной | |
3) Коэффициент корреляции определяет процентное взаимное влияние переменных | |
4) Уровень значимости коэффициента корреляции вычисляется при помощи таблицы критических значений. | |
130. Выберите верное утверждение по отношению к корреляционной зависимости: |
|
1) Коэффициент корреляции не может быть равен 0 | |
2) Коэффициент детерминации определяет процентное взаимное влияние переменных | |
3) Слабая корреляция всегда недостоверна | |
4) Сильная корреляция всегда высокозначима | |
131. Выберите верное утверждение при наличии коэффициента корреляции: |
|
1) Позволяет утверждать, что одна из переменных предшествует или является причиной изменения | |
2) Адекватно оценивается теснота связи одной переменной от другой вне зависимости вида этой зависимости | |
3) Наличие причинно-следственной связи между парами признаков | |
4) Коэффициент корреляции – безразмерная величина | |
132. Из представленных утверждений для описания основных статистических характеристик стационарного случайного процесса выберите ОШИБОЧНОЕ: |
|
1) Распределение вероятностей процесса на частотной шкале | |
2) Интенсивность процесса | |
3) Интенсивность процесса на временной шкале | |
4) Среднее значение стационарного случайного процесса | |
133. Выберите понятие, которое не относится к единице хранения и обработке информации в компьютере |
|
1) 1 Кб | |
2) Файл | |
3) Машинное слово | |
4) Папка | |
134. Какой из предложенных методов не используется для отыскания латентной переменной |
|
1) Метод максимального правдоподобия | |
2) МГК | |
3) Экспертные оценки | |
4) Корреляционный анализ | |
135. Какой из видов статистического анализа позволяет описать анализируемый объект более компактно |
|
1) Корреляционный | |
2) Дисперсионный | |
3) Регрессионный | |
4) Факторный | |
136. Какой из видов статистического анализа является исследованием факторов, связь которых с результативными показателями является вероятностной. |
|
1) Факторный | |
2) Корреляционный | |
3) Дисперсионный | |
4) Регрессионный | |
137. Для какого вида анализа обязательным условием является проверка, что распределение результативного признака является нормальным. |
|
1) Корреляционный | |
2) Дисперсионный | |
3) Регрессионный | |
4) Факторный | |
138. Для какого вида стат. анализа обязательным условием является, чтобы ассимметрия и эксцесс более чем в 3 раза превышали свои ошибки репрезентативности. |
|
1) Факторный | |
2) Корреляционный | |
3) Регрессионный | |
4) Дисперсионный | |
139. Выберите ошибочное утверждение по отношению к корреляционной зависимости: |
|
1) Сильная корреляция может быть, недостоверной. | |
2) К-т корреляции Пирсона позволяет определить силу связи между двумя признаками, измеренными в метрических шкалах. | |
3) Сильная корреляция всегда высокозначима | |
4) Коэффициент корреляции может меняться от -1 до 1 | |
140. Выберите ошибочное утверждение по отношению к корреляционной зависимости: |
|
1) Корреляция бывает линейной и нелинейной | |
2) Коэффициент корреляции более 0.7 является сильным | |
3) Коэффициент корреляции определяет процентное взаимное влияние переменных | |
4) Уровень значимости коэффициента корреляции вычисляется при помощи таблицы критических значений. | |
141. В каком варианте поставки возможно выполнение следующих функций с данными. Построение моделей: • линейная регрессия, • нейронные сети, • деревья решений, • ассоциативные правила |
|
1) Enterprise | |
2) В любом | |
3) Academic | |
4) Professional | |
142. Какие источники/приемники данных допустимы для поставки Academic |
|
1) Oracle | |
2) Sybase | |
3) Файлы .XML, HTML | |
4) Текстовые файлы | |
143. В составе какой поставки возможно осуществлять экспорт/ импорт данных для Баз данных (Oracle, MS SQL, Firebird, Interbase, Sybase, MySQL) |
|
1) В любом | |
2) Profes+Enterprise | |
3) Professional | |
4) Academic | |
144. В состав, какой версии программы входят средства для удаленной работы с системой |
|
1) Во все версии | |
2) Prof и Enterpr | |
3) Enterprise | |
4) Professional | |
145. В каком варианте поставки возможно выполнение следующих функций с данными. Трансформация данных: группировка, сортировка, замена, слияние |
|
1) В любом | |
2) Enterprise | |
3) Professional | |
4) Academic | |
146. Какие источники/приемники данных допустимы для поставки Academic |
|
1) Dbase III, IV | |
2) OLE DB, ODBC, ADO, dbExpress | |
3) Текстовые файлы | |
4) Офисные приложения (MS Access, MS Excel, MS Office2007+) | |
147. В составе какой поставки возможно осуществлять экспорт/ импорт данных для Офисные приложения (MS Excel, MS Access, в том числе MS Office 2007+) или 1C:Предприятие 7.7, 8.X |
|
1) Любая | |
2) Prof и Enterpr | |
3) Enterprise | |
4) Professional | |
148. Какой вариант поставки программы «Дедуктор» позволяет использовать БД Oracle для построения ХД |
|
1) Enterprise | |
2) Все варианты | |
3) Professional и Enterprise | |
4) Academic | |
149. Какие базы данных допустимы для аналитической работы Дедуктор в поставке Academic: |
|
1) Dbase III, Dbase IV | |
2) Firebird | |
3) Oracle | |
4) Все | |
150. В каком варианте поставки возможно выполнение следующих функций с данными. Очистка данных: заполнение пропусков, редактирование аномалий, сглаживание, фильтрация |
|
1) Enterprise | |
2) Professional | |
3) В любом | |
4) Academic | |
151. Какие источники/приемники данных допустимы для поставки Academic |
|
1) Офисные приложения (MS Access, MS Excel, MS Office2007+) | |
2) Файлы .XML, HTML | |
3) OLE DB, ODBC, ADO, dbExpress | |
4) Текстовые файлы | |
152. В составе какой поставки возможно осуществлять экспорт/ импорт данных используя механизмы обмена OLE DB, ODBC, ADO, dbExpress |
|
1) Enterprise | |
2) Professional | |
3) Academic | |
4) Prof и Enterpr | |
153. Какой вариант поставки программы «Дедуктор» позволяет использовать БД MS SQL для построения ХД |
|
1) Enterprise | |
2) Все варианты | |
3) Professional и Enterprise | |
4) Academic | |
154. В состав какой версии программы входят средства аналитической обработки (очистки данных, трансформации данных, построения моделей) |
|
1) Во все версии | |
2) Prof и Enterpr | |
3) Enterprise | |
4) Professional | |
155. Выберите из предложенных вариантов суть операции «Консолидация»: |
|
1) Пересчет данных | |
2) Формирование подмножества многомерных массивов данных, соответствующего единственному значению одного или нескольких измерений | |
3) Переход от детального представления данных к агрегированному | |
4) Drill Down | |
156. Какая модель данных более всего чувствительна к изменениям в предметной области анализа |
|
1) ROLAP | |
2) HOLAP | |
3) MOLAP | |
4) OLAP -сервер | |
157. Выберите верное утверждение для определения OLAP систем: |
|
1) Конкретный программный продукт | |
2) Инструмент проверки гипотез при анализе данных | |
3) Инструмент построения хранилища данных | |
4) Язык программирования | |
158. Выберите продолжение фразы: «Детализация - это операция …» |
|
1) Изменение расположений измерений в многомерном массиве | |
2) Очистка данных | |
3) Drill Down | |
4) Drill Up | |
159. Выберите, какие задачи решает OLAP система на телефонной станции: |
|
1) Характеристики постоянных клиентов компании | |
2) Характеристики, которые отличают клиентов, которые покинули телефонную компанию. | |
3) Характеристики, которые отличают клиентов, которые, по всей вероятности, собираются отказаться от услуг телефонной компании | |
4) Средние размеры телефонных счетов бывших клиентов | |
160. Выберите, какие задачи решает OLAP система в банке: |
|
1) Схемы покупок характерны для мошенничества с кредитными карточками Master Card | |
2) Отличительные характеристики клиентов с украденной картой VISA | |
3) Средняя величина ежедневных покупок по украденной кредитной карточке VISA | |
4) Схемы покупок характерны для мошенничества с кредитными карточками VISA | |
161. Выберите задачу, решаемую системой класса OLAP |
|
1) Построение дерева решений | |
2) Группирование объектов на основании данных описывающих их сущность | |
3) Отнесение объекта анализа к одному из ранее определенных классов | |
4) Установление зависимости выходных данных от входных | |
162. Выберите определение "Система оперативного учета - это ….": |
|
1) Система класса ERP | |
2) Система класса OLAP | |
3) Экспертная система | |
4) Система класса OLTP | |
163. Для какого класса ПО сформулированы 12 правил Кодда |
|
1) ERP | |
2) OLAP | |
3) OLTP | |
4) KDD | |
164. Выберите неверное утверждение по отношению OLAP системы |
|
1) Система для подготовки данных для принятия управленческих решений | |
2) Система проверки гипотез, выдвигаемых пользователем | |
3) Система выявления знаний из данных | |
4) Ограничение по числу измерений одновременно участвующих в анализе данных | |
165. Выберите из предложенных вариантов суть операции «Консолидация» |
|
1) Пересчета данных для включения в измерение | |
2) Изменение расположений измерений в многомерном массиве | |
3) Переход от детального представления данных к агрегированному | |
4) Drill Down | |
166. Какая модель данных более всего чувствительна к изменениям в предметной области анализа |
|
1) ROLAP | |
2) Реляционная модель | |
3) HOLAP | |
4) MOLAP | |
167. Выберите из предложенных утверждений верное для определения OLAP систем |
|
1) Язык программирования | |
2) Инструмент построения хранилища данных | |
3) Инструмент проверки гипотез при анализе данных | |
4) Это конкретная технология | |
168. Выберите продолжение фразы: «Вращение измерений - это операция …» |
|
1) Drill Down | |
2) Переход от детального представления данных к агрегированному | |
3) Изменение расположений измерений в многомерном массиве | |
4) Drill Up | |
169. Выберите, какие задачи решает OLAP система в банке: |
|
1) Отличительные характеристики клиентов с украденной картой VISA по отношению к клиентам с украденной картой Master Card | |
2) Схемы покупок характерны для мошенничества с кредитными карточками VISA | |
3) Процент воровства по украденной кредитной карточке VISA | |
4) Отличительные характеристики клиентов с украденной картой VISA | |
170. Выберите, какие задачи решает OLAP система при анализе травматизма |
|
1) Определение зависимости тяжести травмы от степени опьянения | |
2) Отличительные характеристики травматизма в состоянии алкогольного опьянения | |
3) Факторы лучше всего предсказывающие несчастные случаи в быту | |
4) Отличительные характеристики несчастных случаев на автотранспорте | |
171. Выберите задачу, решаемую системой класса OLAP: |
|
1) Прогнозирование результатов исследования | |
2) Отнесение объекта анализа к одному из ранее определенных классов | |
3) Построение ассоциативных правил | |
4) Проверка гипотезы зависимости переменных | |
172. Выберите определение "Система анализа данных - это …." : |
|
1) Экспертная система | |
2) Система класса OLTP | |
3) Система класса ERP | |
4) Система класса OLAP | |
173. Выберите верное утверждение для OLAP системы как технологии … |
|
1) Аналитической обработки данных | |
2) Искусственного интеллекта | |
3) Разведки данных (data mining) | |
4) Обработки данных оперативного учета | |
174. Выберите неверное утверждение по отношению OLAP системы |
|
1) Ограничение по числу измерений одновременно участвующих в анализе данных | |
2) Система выявления знаний из данных | |
3) Система проверки гипотез, выдвигаемых пользователем | |
4) Ограничение исследования по числу уровней агрегации одного измерения | |
175. Какая модель данных предпочтительна для анализа, когда задачи имеют неопределенность при последующем использовании OLAP системы |
|
1) Сетевая | |
2) Иерархическая | |
3) Многомерная | |
4) Табличная | |
176. Выберите из предложенных вариантов суть операции «Детализация»: |
|
1) Изменение расположений измерений в многомерном массиве | |
2) Drill Down | |
3) Очистка данных | |
4) Переход от детального представления данных к агрегированному | |
177. Какая архитектура OLAP будет иметь наименьшее время отклика при анализе данных V3 |
|
1) Реляционная модель | |
2) ROLAP | |
3) HOLAP | |
4) MOLAP | |
178. Выберите из предложенных утверждений неверное для OLAP систем: |
|
1) Ограничение по числу уровней агрегации и путей консолидации данных | |
2) Инструмент анализа данных | |
3) Число измерений неограниченно | |
4) Это всегда поддержка иерархии в данных по измерению | |
179. Выберите продолжение фразы: Срез данных это операция .. ..» |
|
1) Изменение расположений измерений в многомерном массиве | |
2) Формирование подмножества многомерных массивов данных, соответствующего единственному значению одного или нескольких измерений | |
3) Drill Down | |
4) Drill Up | |
180. Выберите, какие задачи решает OLAP система на телефонной станции |
|
1) Средние размеры телефонных счетов бывших клиентов | |
2) Отличительные характеристики клиентов, покинувших компанию, по отношению к характеристикам постоянных клиентов | |
3) Характеристики постоянных клиентов компании | |
4) Характеристики, которые отличают клиентов, которые покинули телефонную компанию | |
181. Выберите, какие задачи решает OLAP система при анализе травматизма |
|
1) Отличительные характеристики несчастных случаев на автотранспорте | |
2) Факторы лучше всего предсказывающие несчастные случаи в быту | |
3) Отличительные характеристики случаев травматизма для курящих и некурящих | |
4) Определение зависимости тяжести травмы от степени опьянения | |
182. Выберите задачу, решаемую системой класса OLAP |
|
1) Прогнозирование результатов исследования | |
2) Отнесение объекта анализа к одному из ранее определенных классов | |
3) Построение ассоциативных правил | |
4) Проверка гипотезы зависимости переменных | |
183. Для какого класса ПО сформулирован тест FASMI |
|
1) OLAP | |
2) OLTP | |
3) Data Mining | |
4) ERP | |
184. Выберите верное утверждение для OLAP системы как технологии … |
|
1) ситуационного управления | |
2) разведки данных (data mining) | |
3) аналитической обработки данных | |
4) аналитической обработки данных | |
185. Выберите неверное утверждение по отношению OLAP системы |
|
1) Система проверки гипотез, выдвигаемых пользователем | |
2) Система выявления знаний из данных | |
3) Получение вероятностных характеристик по данным | |
4) Получение статистических результатов по данным | |
186. Выберите задачу кластеризации, решаемую DM |
|
1) Отнесение объекта анализа к одному из ранее определенных классов | |
2) Проверка гипотезы зависимости переменных | |
3) Установление коэффициента корреляции между переменными | |
4) Группирование объектов на основании данных описывающих их сущность | |
187. Выберите задачу классификации, решаемую DM |
|
1) Группирование объектов на основании данных описывающих их сущность | |
2) Установление коэффициента корреляции между переменными | |
3) Проверка гипотезы зависимости переменных | |
4) Отнесение объекта анализа к одному из ранее определенных классов | |
188. Продолжите фразу «Главное преимущество нейронной сети - …" |
|
1) Нет необходимости делать гипотезы о важности переменных для анализа | |
2) Легкая интерпретация результатов в традиционных аналитических терминах | |
3) Обучение сети | |
4) Легкая интерпретация результатов с помощью дерева решений | |
189. Какой из методов DM наиболее употребим для решения задачи прогнозирования |
|
1) Ассоциативные правила | |
2) Нейронные сети | |
3) Регрессии | |
4) Кластеризации | |
190. Выберите метод, не используемый для решения задач DM |
|
1) Эвристика | |
2) Статистический анализ | |
3) Численный метод последовательных приближений | |
4) Методы теории вероятностей | |
191. Продолжите фразу: «Методы анализа для любой задачи отличаются …» |
|
1) Во всем | |
2) Требованиям к данным | |
3) Качеству результатов | |
4) По производительности | |
192. Выберите класс задачи фильтрации электронной почты от спама для поставщика услуги |
|
1) Задача регрессии | |
2) Задача распознавания образов | |
3) Задача классификации | |
4) Задача кластеризации | |
193. Выберите независимые переменные одного типа для определения кредитоспособности клиента из списка: Фамилия, Имя, Возраст, количество Детей, Зарплата, Стаж, Пол. |
|
1) Ф+И+С+В+З | |
2) В+Д+З+С | |
3) Ф+В+Д+З | |
4) Ф+ В+Д+З+С | |
194. Какие задачи решает Data Mining для банков |
|
1) Средний возраст клиента просроченной кредитной историей | |
2) Особенности суммы покупки, характерные для мошенничества с кредитными карточками VISA | |
3) Доля мошеннических транзакций с VISA по отношению ко всем другим картам | |
4) Средняя величина ежедневных покупок по украденной кредитной карточке VISA | |
195. Какие задачи решает Data Mining для операторов телефонной связи |
|
1) Доля клиентов, которые покинули телефонную компанию за предыдущие периоды за долги | |
2) Характеристики, которые отличают клиентов, отказавшихся от услуг телефонной компании | |
3) Доля клиентов, которые покинули телефонную компанию за предыдущие периоды | |
4) Средние размеры телефонных счетов бывших клиентов | |
196. Какая из методологий ИТ позволяет получать новые знания из данных учета Производственно-хозяйственной деятельности (ПХД) : |
|
1) ERP | |
2) MRP | |
3) Разведка данных(data mining) | |
4) OLAP | |
197. Суть какой задачи заключается в определении часто встречающихся наборов объектов в большом множестве таких наборов |
|
1) Задача регрессии | |
2) Задача прогнозирования | |
3) Задача кластеризации | |
4) Задача поиск ассоциативных правил | |
198. Выберите задачу, которая не попадает под «определение» Data mining |
|
1) Распознавание образов | |
2) Установление коэффициента корреляции между анализируемыми параметрами | |
3) Прогнозирование результатов | |
4) Выявление ассоциативных правил | |
199. Продолжите фразу «Главный недостаток нейронной сети…» |
|
1) Невозможность решать задачи прогнозирования | |
2) Выбор архитектуры сети (слоев и нейронов в слое) | |
3) Нет необходимости делать гипотезы о важности переменных для анализа | |
4) Проведение обучения сети | |
200. Выберите наиболее простой метод представления знаний решения задачи кластеризации для количественных данных |
|
1) Вербальное описание | |
2) Линейные зависимости | |
3) Нелинейные зависимости | |
4) Продукционные правила | |
201. Выберите данные, которые не могут участвовать в анализе методами DM |
|
1) Не структурированные данные | |
2) Количественные результаты | |
3) Звук | |
4) Текст | |
202. Выберите утверждение, которое не подходит к идее применения алгоритмов DМ |
|
1) Математическая статистика и вероятностный подход адекватно описывают предметную область и дают адекватный ответ на решаемую задачу | |
2) Любая модель – некоторый взгляд на реальность | |
3) Знания о процессе – всегда в какой-то мере приближение | |
4) Реальное положение вещей – всегда некоторое уточнение теории | |
203. Выберите неправильное утверждение по отношении к универсальности способов и алгоритмов анализа для любых объемов и типов данных, используемых в DM |
|
1) Алгоритмы DM в случае решения задачи регрессии для численных данных дают адекватный ответ | |
2) Нет универсальных способов решения для любых задач | |
3) Нет универсальных алгоритмов для любых объемов данных | |
4) Нет универсальных алгоритмов для любых типов данных | |
204. Выберите неверное утверждение для фразы: «Подготовка данных для анализа производится…» |
|
1) С выделения наиболее значимых параметров в контексте исследования | |
2) Всегда | |
3) В зависимости от сложности алгоритма | |
4) С выбора параметров, характеризующих предметную область | |
205. Какие задачи решает Data Mining при анализе травматизма |
|
1) Доля травматизма в состоянии алкогольного опьянения | |
2) Факторы лучше всего предсказывающие несчастные случаи | |
3) Средние показатели травматизма для курящих и некурящих | |
4) Доля несчастных случаев на автотранспорте | |
206. Главный недостаток нейронной сети |
|
1) Интерпретация результатов в традиционных аналитических терминах | |
2) Нет необходимости делать гипотезы о важности переменных для анализа | |
3) Невозможность решать задачи прогнозирования | |
4) Возможность аппроксимации любой функции | |
207. Выберите параметры, которые не могут участвовать в анализе методами DM |
|
1) Параметр типа «дата» | |
2) Категориийные параметры | |
3) Числовые | |
4) Неизменяемые параметры (не имеют данных по измерению) | |
208. Выберите утверждение, которое не подходит к идее применения алгоритмов DМ |
|
1) Математическая статистика и вероятностный подход дают адекватный ответ в задачах DM | |
2) Знания о процессе – всегда в какой-то мере приближение | |
3) Реальное положение вещей – всегда некоторое уточнение теории | |
4) Похожие ситуации на входе приводят к похожим выходным реакциям | |
209. Выберите правильное продолжение фразы «Методы анализа для любой задачи отличаются …» |
|
1) Во всем | |
2) Качеству результатов | |
3) Требованиям к данным | |
4) Способам обработки данных | |
210. Выберите неверное утверждение для фразы: «Подготовка данных для анализа производится…» |
|
1) Всегда | |
2) С исключением зависимых параметров методами статистического анализа | |
3) В зависимости от анализируемого набора данных | |
4) С исключением зависимых параметров исходя из целей исследования | |
211. Какие задачи решает Data Mining для операторов телефонной связи: |
|
1) Доля клиентов, которые покинули телефонную компанию за предыдущие периоды | |
2) Средние размеры телефонных счетов бывших клиентов | |
3) Характеристики, которые отличают клиентов, отказавшихся от услуг телефонной компании | |
4) Средние размеры телефонных счетов существующих клиентов | |
212. Обработчик «Конечные классы» предназначен для решения задач |
|
1) Прогнозирования загруженности веб-сервиса | |
2) Снижения разнообразия значения признаков без ущерба для информативности данных | |
3) Анализа эластичности спроса | |
4) Диагностики финансового состояния | |
213. Обработчик «Конечные классы» предназначен для решения задач |
|
1) Анализа эластичности спроса | |
2) Снижения размерности данных за счет исключения признаков с низкой значимостью | |
3) Прогнозирования загруженности веб-сервиса | |
4) Прогнозирования поведения клиента | |
214. Обработчик «Конечные классы» предназначен для решения задач |
|
1) Выявления целевой аудитории | |
2) Обнаружения аномалий | |
3) Восстановления пропусков | |
4) Анализа эластичности спроса | |
215. Обработчик «Конечные классы» предназначен для решения задач |
|
1) Кластеризации клиентов | |
2) Поведенческого таргетинга | |
3) Анализа миграции клиентов | |
4) Борьбы с выбросами и экстремальными значениями | |
216. Обработчик «Конечные классы» предназначен для решения задач |
|
1) Анализа миграции клиентов | |
2) Прогнозирования загруженности веб-сервиса | |
3) Обнаружения аномалий | |
4) Упрощения описания исследуемых объектов | |
217. В формуле WoEi=ln(F-/F+), i - это... |
|
1) Информационный индекс | |
2) Относительная частота появления событий в классе | |
3) Индекс начального класса | |
4) Относительная частота появления не-событий в классе | |
218. В формуле WoEi=ln(F-/F+), F+ - это... |
|
1) Информационный индекс | |
2) Относительная частота появления событий в классе | |
3) Индекс начального класса | |
4) Относительная частота появления не-событий в классе | |
219. В формуле WoEi=ln(F-/F+), F- - это... |
|
1) Информационный индекс | |
2) Относительная частота появления событий в классе | |
3) Относительная частота появления не-событий в классе | |
4) Индекс начального класса | |
220. В формуле (Картинка: https://clck.ru/akCNj ) VI - это... |
|
1) Информационный индекс | |
2) Относительная частота появления событий в классе | |
3) Относительная частота появления не-событий в классе | |
4) Индекс начального класса | |
221. Карта Кохонена – это … |
|
1) Название обработчика исходного множества | |
2) Способ анализа исходной выборки | |
3) Популярный алгоритм оптимизации на сетевой модели | |
4) Самообучающаяся нейронная сеть для кластеризации | |
222. Кластеризацию также называют … |
|
1) Сортировкой | |
2) Квантованием | |
3) Сегментацией | |
4) Прогнозированием | |
223. Преимуществами карт Кохонена является … |
|
1) Все вышеперечисленное | |
2) Быстрое и неуправляемое обучение | |
3) Возможность визуализировать многомерные входные данные | |
4) Устойчивость к зашумленным данным | |
224. Результат обучения самоорганизующихся карт Кохонена зависит от … |
|
1) Не зависит от структуры данных | |
2) От структуры выходных данных | |
3) От входных и выходных данных | |
4) От структуры входных данных | |
225. При обучении самоорганизующихся карт используется метод … |
|
1) Преобразования | |
2) Обучения без учителя | |
3) Группировки | |
4) Уменьшения неопределенности | |
226. Количество нейронов в сетке определяет … |
|
1) Разрядность таблицы | |
2) Степень детализации результата работы алгоритма | |
3) Количество строчек | |
4) Количество столбцов | |
227. Перед началом обучения карты Кохонена необходимо … |
|
1) Проинициализировать весовые коэффициенты нейронов | |
2) Преобразовать последовательность значений ряда | |
3) Исключить неполные записи | |
4) Отобрать наиболее важные данные | |
228. Самоорганизующиеся карты – это … |
|
1) Одна из разновидностей нейросетевых алгоритмов | |
2) Набор искусственных нейронов, связанных между собой | |
3) Процесс автокорреляционного анализа | |
4) Набор информационных индексов | |
229. В алгоритме SOM существует … конфигурация сетки |
|
1) Треугольная и прямоугольная | |
2) Шестиугольная | |
3) Прямоугольная и шестиугольная | |
4) Прямоугольная | |
230. На рисунке изображена (Картинка: https://clck.ru/akCXi ) |
|
1) Набор данных | |
2) Карта Кохонена | |
3) Временной ряд | |
4) Дерево решений | |
231. Кластеризация - это … |
|
1) Самообучающаяся модель, имитирующая деятельность человеческого мозга | |
2) Алгоритм построения моделей бинарной классификации и вероятностного предсказания | |
3) Популярный алгоритм классификации, в котором решающие правила извлекаются непосредственно из исходных данных в процессе обучения | |
4) Выделение из исходного множества данных групп объектов со схожими свойствами | |
232. Кластеризация может быть применена для … |
|
1) Прогнозирования распространения инфекционного заболевания | |
2) Каннибализации товаров | |
3) Коррекции распределений | |
4) Снижения трудоёмкости | |
233. Центроид – это … |
|
1) Начальный центр кластера | |
2) Центр кластера | |
3) Центр тяжести кластера | |
4) Центральное значение ряда | |
234. Недостаток алгоритма k-means заключается в том, что … |
|
1) Отсутствует ясный критерий для выбора оптимального числа кластеров | |
2) Когда границы кластеров и расположение центроидов перестает изменяться производится остановка алгоритма | |
3) Алгоритм находит набор стабильных кластеров за несколько десятков итераций | |
4) Необходимо вычислять центроиды | |
235. Алгоритм, позволяющий производить автоматический выбор оптимального числа кластеров на основании гауссовского (нормального) закона распределения называется … |
|
1) k-means | |
2) f-means | |
3) g-means | |
4) l-means | |
236. Кластеризация лучше, когда … |
|
1) Объекты разных кластеров имеют минимальные отличия | |
2) В кластерах насчитывается одинаковое количество объектов | |
3) Объекты внутри кластеров сильно схожи, а объекты разных кластеров сильно отличаются | |
4) Объекты внутри кластеров сильно различаются, и объекты разных кластеров имеют много свойств | |
237. Кластеризация позволяет … |
|
1) Получить прогноз непрерывных числовых переменных | |
2) Разбить исходный набор данных на два подмножества (обучающее и тестовое). | |
3) Провести оценку качества наборов данных на основе количества обнаруженных пропусков, выбросов и экстремальных значений | |
4) Улучшить понимание данных за счет выявления структурных групп | |
238. Алгоритм кластеризации k-means состоит из … |
|
1) 2 шагов | |
2) 3 шагов | |
3) 5 шагов | |
4) 4 шагов | |
239. Алгоритм кластеризации k-means останавливается, когда … |
|
1) Произведено вычисление всех центроидов | |
2) Для каждой записи исходной выборки определён ближайший к ней центр кластера | |
3) Найдены все начальные центры кластеров | |
4) Границы кластеров и расположение центроидов перестают изменяться (на каждой итерации в каждом кластере остается один и тот же набор записей) | |
240. По способу разбиения на кластеры алгоритмы бывают двух типов: |
|
1) Иерархические и неиерархические | |
2) Восходящие и нисходящие | |
3) Сужающиеся и расширяющиеся | |
4) Линейные и нелинейные | |
241. Логистическая регрессия – алгоритм построения модели… |
|
1) Пороговой фильтрации | |
2) Мультизначной классификации | |
3) Мультиклассовой классификации | |
4) Бинарной классификации | |
242. Преимуществом алгоритма логистической регрессии является возможность … |
|
1) Лёгкий подбор | |
2) Высокая точность классификации | |
3) Высокая вычислительная стоимость | |
4) Оценки качества модели | |
243. Регрессионное уравнение для преобразования стандартного уравнения регрессии … |
|
1) P=1/(1-e) | |
2) P=1/(1+e^-y) | |
3) P=1/(1+e) | |
4) P=1/(1-e^-y) | |
244. Для ROC-анализа верно классифицированные положительные примеры относятся к классу: |
|
1) FP | |
2) FN | |
3) TN | |
4) TP | |
245. Для прогнозирования вероятности наличия заболеваний положительным исходом будет класс … |
|
1) Нельзя определить | |
2) Пациент | |
3) Здоровый пациент | |
4) Больной пациент | |
246. Чувствительность модели определяет … |
|
1) Долю ложно отрицательных случаев | |
2) Долю истинно положительных случаев | |
3) Долю истинно отрицательных случаев | |
4) Долю ложно положительных случаев | |
247. Специфичность модели определяет … |
|
1) Долю ложно отрицательных случаев | |
2) Долю ложно положительных случаев | |
3) Долю истинно отрицательных случаев | |
4) Долю истинно положительных случаев | |
248. Методом оценки сравнения ROC-кривых является … |
|
1) Оценка синусов кривых | |
2) Оценка площадей под кривыми | |
3) Оценка тангенсов кривых | |
4) Оценка длин кривых | |
249. Модель с численным показателем площади под ROC-кривой равной единице называется … |
|
1) Средней | |
2) Отличной | |
3) Неудовлетворительной | |
4) Идеальной | |
250. Когда прогнозирование появляется в мастере обработки? |
|
1) После включения в настройках | |
2) После сортировки данных | |
3) После построения нейросети | |
4) Есть всегда | |
251. Что имеет смысл прогнозировать? |
|
1) Варианты решения гипотезы Коллатца | |
2) Сумма продаж за год | |
3) Результаты голосования | |
4) Символы числа пи | |
252. Какой фактор не нужен для прогнозирования? |
|
1) Горизонт прогнозирования | |
2) Окно прогноза | |
3) Столбец с данными | |
4) Глубина погружения | |
253. Что такое горизонт прогноза? |
|
1) То, на сколько вперёд идёт прогноз | |
2) Первые значения прогноза | |
3) Исходные данные | |
4) Предел разброса | |
254. Какой прогноз обычно используется, если объём выборки данных мал? |
|
1) Прогноз невозможен | |
2) Интуитивный прогноз | |
3) Прогноз с построением пользовательских моделей | |
4) Прогноз с использованием нейросети | |
255. Что обеспечивает качество построения модели прогноза? |
|
1) Очистка данных от шумов | |
2) Фильтрация данных по временному периоду | |
3) Сортировка данных | |
4) Применение пользовательских моделей | |
256. В чём преимущество прогнозирования с применением пользовательских моделей? |
|
1) Отсутствие задающихся формул | |
2) Возможность краткосрочного прогноза | |
3) Возможность долгосрочного прогноза | |
4) Простота настроек и быстрота построения | |
257. С помощью чего можно определить сезонность временного ряда? |
|
1) Сглаживание | |
2) Автокорелляция | |
3) Прогнозирование | |
4) Очистка от шумов | |
258. Сколько столбцов данных необходимо для прогнозирования временного ряда? |
|
1) 6 | |
2) 3 | |
3) 1 | |
4) 2 | |
259. Что используется при построении прогноза временного ряда? |
|
1) Всё вышеперечисленное | |
2) Построение модели прогноза | |
3) Сглаживание | |
4) Очистка | |
260. Что обработчик “декомпозиция временного ряда” выделяет и изучает? |
|
1) Составляющие временной прямой | |
2) Алгоритм разложения | |
3) Систематическую составляющую и случайную компоненту временного ряда | |
4) Временной ряд | |
261. Как используется прогнозирование спроса и оптимизация запасов? |
|
1) Обработчик позволяет рассчитать оптимальность производства для избежания избыточности. | |
2) Обработчик позволяет предсказать спрос на товар, помочь с определением выработки производства | |
3) Обработчик позволяет предсказать поведение рынка | |
4) Обработчик позволяет автоматически находить сезонность и тренды, учесть влияние множества внешних факторов. | |
262. Как улучшить эффективность рекламных кампаний при помощи декомпозиции временного ряда? |
|
1) Невозможно предсказать тенденции напрямую, потому данный инструмент не актуален для данной задачи | |
2) Обработчик позволяет определить эффект маркетинговых компаний, который представляет собой разницу между достигнутым уровнем продаж и тем уровнем продаж, который был бы достигнут без проведения акции | |
3) Обработчик использует данные для прогноза продаж после рекламной компании | |
4) Обработчик позволяет предопределить тренды продаж | |
263. Обработчик “прогнозирование и оптимизация пассажиропотока” используется для ... |
|
1) Для избежания транспортных заторов и регулировки городского трафика | |
2) Автоматического составления расписания общественного транспорта | |
3) Составления маршрутов для оптимальной работы общественного транспорта | |
4) Автоматического нахождения сезонности и трендов в изменении спроса на определенный вид транспорта | |
264. Что необходимо контролировать на основе данных обработчика “прогнозирование и оптимизация пассажиропотока” ? |
|
1) Мероприятия по регулированию транспортного парка | |
2) Мероприятия, связанные с перекрытием дорожного движения | |
3) Работу светофоров | |
4) Работу парковок | |
265. Функция исходного ряда в декомпозиции временного ряда: |
|
1) y(t)=x(t)-s(t) | |
2) Y(t)=x(t)*s(t)*z(t) | |
3) Y(t)=x(t)+s(t) | |
4) Y(t)=x(t)+s(t)+z(t) | |
266. В функции исходного ряда в декомпозиции временного ряда x(t) это … |
|
1) Случайная остаточная составляющая | |
2) Сезонная составляющая, периодически повторяющаяся компонента временного ряда | |
3) Остаток – величина, показывающая нерегулярную составляющую исходного ряда в определённом временном интервале | |
4) Тренд, устойчивая долговременная тенденция изменения значений временного ряда | |
267. В функции исходного ряда в декомпозиции временного ряда y(t) это … |
|
1) Случайная остаточная составляющая | |
2) Остаток – величина, показывающая нерегулярную составляющую исходного ряда в определённом временном интервале | |
3) Тренд, устойчивая долговременная тенденция изменения значений временного ряда | |
4) Сезонная составляющая, периодически повторяющаяся компонента временного ряда | |
268. Результаты анализа декомпозиции временного ряда удобно оценивать с помощью визуализаторов |
|
1) Трехмерная диаграмма и трехмерная таблица | |
2) Отчёт и функция зависимости | |
3) Диаграмма декомпозиции и настройка тренда и сезонных индексов | |
4) Моделирование трендов и прогнозирование изменений зависимых величин | |
269. В функции исходного ряда в декомпозиции временного ряда z(t) это … |
|
1) Случайная остаточная составляющая | |
2) Сезонная составляющая, периодически повторяющаяся компонента временного ряда | |
3) Остаток – величина, показывающая нерегулярную составляющую исходного ряда в определённом временном интервале | |
4) Тренд, устойчивая долговременная тенденция изменения значений временного ряда | |
270. Выводы, полученные в ходе декомпозиции временного ряда, можно использовать ... |
|
1) В качестве основного материала для определения общей динамики, прогнозирования | |
2) При определении ошибок в ходе принятия решений в прошлом | |
3) В области исторического анализа случайных событий | |
4) Для составления точной стратегии развития | |
271. Метод вращения варимакс – |
|
1) Метод, цель которого – минимизировать количество переменных, имеющих высокие нагрузки на данных фактор | |
2) Метод, цель которого – выделить характерные признаки и персональные предпочтения клиентов | |
3) Метод, цель которого - дать возможность определить эффект от маркетинговых акций, который представляет собой разницу между достигнутым уровнем продаж и тем уровнем продаж, который был бы достигнут без проведения акции | |
4) Метод, цель которого – минимизировать количество факторов, необходимых для объяснения данной переменной | |
272. Метод вращения квартимакс – |
|
1) Метод, цель которого – выделить характерные признаки и персональные предпочтения клиентов | |
2) Метод, цель которого - дать возможность определить эффект от маркетинговых акций, который представляет собой разницу между достигнутым уровнем продаж и тем уровнем продаж, который был бы достигнут без проведения акции | |
3) Метод, цель которого – минимизировать количество переменных, имеющих высокие нагрузки на данных фактор | |
4) Метод, цель которого – минимизировать количество факторов, необходимых для объяснения данной переменной | |
273. Алгоритм факторного анализа базируется на … |
|
1) Методе геометрической оптики | |
2) Методе теоретического программирования | |
3) Методе главных компонент | |
4) Методологиии типизации данных | |
274. Суть метода главных компонент заключается в … |
|
1) Распознавание образов | |
2) Преобразовании исходной матрицы и расчете собственных чисел | |
3) Возможности выделить характерные признаки и персональные предпочтения клиентов | |
4) Смешении и интеграции разнородных данных, таких как цифровая обработка сигналов и обработка естественного языка | |
275. Критерий значимости: |
|
1) Отбираются только факторы с собственными значениями равными или большими 1 | |
2) Особенно эффективен, когда модель генеральной совокупности известна и отсутствуют второстепенные факторы. | |
3) Данный критерий сочетает статистическую точность с субъективными интересами | |
4) Факторы ранжируются по доле детерминируемой дисперсии, когда процент дисперсии оказывается несущественным, выделение следует остановить | |
276. Процедура вращения факторов … |
|
1) Перераспределение дисперсии по определённому методу | |
2) Используется для разбиения всего диапазона изменения того или иного признака на несколько начальных классов | |
3) Используется для максимизации значимости признака в бинарной классификационной модели | |
4) Процедура сокращения уникальных значений признака | |
277. Факторный анализ – |
|
1) Позволяет уменьшить число значений исходного набора данных за счет их объединения в пределах некоторого интервала с использованием информации о бинарной выходной переменной | |
2) Выделяет и изучает составляющие временного ряда: систематическую составляющую (тренд, сезонность) и случайную (нерегулярную) компоненту или остаток | |
3) Перемещение клиентов между поставщиками товаров и услуг, причиной которой является изменение их запросов со временем | |
4) Многомерный метод, применяемый для изучения взаимосвязей между значениями переменных | |
278. Основная цель факторного анализа: A. определение взаимосвязей между переменными, (классификация переменных), то есть «объективная R-классификация»; B. сокращение числа переменных необходимых для описания данных. |
|
1) Только А | |
2) Только В | |
3) А и В | |
4) Нет правильного ответа | |
279. Факторный анализ может быть: |
|
1) Разведочным | |
2) Биохимическим | |
3) Описательным | |
4) Казуальным | |
280. Факторный анализ может быть: |
|
1) Индуктивным | |
2) Казуальным | |
3) Конфирматорным | |
4) Биохимическим | |
281. Нагрузка, как понятие факторного анализа … |
|
1) Воздействие на организм, вызывающее прибавочную функциональную активность и определяющее степень преодолеваемых трудностей | |
2) Количественный показатель, описывающий интенсивность или продолжительность работы функции | |
3) Часть цены, которую инвестиционные компании открытого типа запрашивают сверх чистой стоимости своих фондов | |
4) Корреляция между исходной переменной и фактором | |
282. Преимуществом EM-алгоритма кластеризации является: |
|
1) Возможность построения желаемого числа кластеров | |
2) Возможность визуализировать многомерные входные данные | |
3) Отсутствие задающихся формул | |
4) Возможность долгосрочного прогноза | |
283. Преимуществом EM-алгоритма кластеризации является: |
|
1) Быстрая сходимость при удачной инициализации | |
2) Возможность краткосрочного прогноза | |
3) Быстрое и неуправляемое обучение | |
4) Отсутствие задающихся формул | |
284. Нейронные сети могут использоваться для: |
|
1) Прогноза остатков на счетах | |
2) Обнаружения аномалий | |
3) Разведочного анализа данных | |
4) Кластеризации клиентов | |
285. Нейронные сети могут использоваться для: |
|
1) Оценки кредитоспособности клиента | |
2) Обнаружения аномалий | |
3) Борьбы с выбросами и экстремальными значениями | |
4) Поведенческого таргетинга | |
286. Нейронные сети могут использоваться для: |
|
1) Кластеризации клиентов | |
2) Упрощения описания исследуемых объектов | |
3) Медицинской диагностики | |
4) Поведенческого таргетинга | |
287. Обработчик Конечные классы – |
|
1) Подразумевает выделение из исходного множества данных групп объектов со схожими свойствами | |
2) Используется для обработки огромных массивов транзакционных данных, разбивая их таким образом, чтобы похожие операции оказались в одном кластере, а отличающиеся друг от друга – в разных | |
3) Мощный самообучающийся механизм кластеризации, позволяющий отобразить результаты в виде компактных и удобных для интерпретации двумерных карт | |
4) Позволяет уменьшить число значений исходного набора данных за счет их объединения в пределах некоторого интервала с использованием информации о бинарной выходной переменной | |
288. Кластеризация транзакций – |
|
1) Используется для обработки огромных массивов транзакционных данных, разбивая их таким образом, чтобы похожие операции оказались в одном кластере, а отличающиеся друг от друга – в разных. | |
2) Мощный самообучающийся механизм кластеризации, позволяющий отобразить результаты в виде компактных и удобных для интерпретации двумерных карт. | |
3) Подразумевает выделение из исходного множества данных групп объектов со схожими свойствами | |
4) Позволяет уменьшить число значений исходного набора данных за счет их объединения в пределах некоторого интервала с использованием информации о бинарной выходной переменной | |
289. EM (Expectation-maximization) кластеризация – |
|
1) Мощный самообучающийся механизм кластеризации, позволяющий отобразить результаты в виде компактных и удобных для интерпретации двумерных карт. | |
2) Популярный алгоритм кластеризации, позволяющий эффективно работать с большими объемами данных | |
3) Используется для обработки огромных массивов транзакционных данных, разбивая их таким образом, чтобы похожие операции оказались в одном кластере, а отличающиеся друг от друга – в разных. | |
4) Позволяет уменьшить число значений исходного набора данных за счет их объединения в пределах некоторого интервала с использованием информации о бинарной выходной переменной | |
290. Автокорреляция – |
|
1) Используется для обработки огромных массивов транзакционных данных, разбивая их таким образом, чтобы похожие операции оказались в одном кластере, а отличающиеся друг от друга – в разных. | |
2) Мощный самообучающийся механизм кластеризации, позволяющий отобразить результаты в виде компактных и удобных для интерпретации двумерных карт. | |
3) Популярный алгоритм кластеризации, позволяющий эффективно работать с большими объемами данных | |
4) Используется при анализе временного ряда в целях обнаружения закономерности поведения ряда (например, сезонной периодичности или тренда), а также построения прогноза его дальнейшего развития | |
291. Линейная регрессия – |
|
1) Предназначена для получения прогноза непрерывных числовых переменных | |
2) Позволяет уменьшить число значений исходного набора данных за счет их объединения в пределах некоторого интервала с использованием информации о бинарной выходной переменной | |
3) Мощный самообучающийся механизм кластеризации, позволяющий отобразить результаты в виде компактных и удобных для интерпретации двумерных карт. | |
4) Популярный алгоритм кластеризации, позволяющий эффективно работать с большими объемами данных | |
292. Выберите первый шаг алгоритма кластеризации k-means |
|
1) Для каждой записи исходной выборки определяется ближайший к ней центр кластера | |
2) Случайным образом выбирается k записей, которые будут служить начальными центрами кластеров | |
3) Задается число кластеров k, которое должно быть сформировано из объектов исходной выборки. | |
4) Производится вычисление центроидов - центров тяжести кластеров | |
293. Выберите второй шаг алгоритма кластеризации k-means |
|
1) Производится вычисление центроидов - центров тяжести кластеров | |
2) Для каждой записи исходной выборки определяется ближайший к ней центр кластера | |
3) Случайным образом выбирается k записей, которые будут служить начальными центрами кластеров | |
4) Задается число кластеров k, которое должно быть сформировано из объектов исходной выборки. | |
294. Выберите третий шаг алгоритма кластеризации k-means |
|
1) Для каждой записи исходной выборки определяется ближайший к ней центр кластера | |
2) Случайным образом выбирается k записей, которые будут служить начальными центрами кластеров | |
3) Задается число кластеров k, которое должно быть сформировано из объектов исходной выборки. | |
4) Производится вычисление центроидов - центров тяжести кластеров | |
295. Выберите четвертый шаг алгоритма кластеризации k-means |
|
1) Случайным образом выбирается k записей, которые будут служить начальными центрами кластеров | |
2) Задается число кластеров k, которое должно быть сформировано из объектов исходной выборки. | |
3) Для каждой записи исходной выборки определяется ближайший к ней центр кластера | |
4) Производится вычисление центроидов - центров тяжести кластеров | |
296. Преимуществом линейной регрессии является … |
|
1) Широкая применимость | |
2) Всё вышеперечисленное | |
3) Скорость и простота получения модели | |
4) Интерпретируемость модели | |
297. Логистическая регрессия – |
|
1) Подразумевает выделение из исходного множества данных групп объектов со схожими свойствами | |
2) Разновидность множественной регрессии, предназначенная для классификации записей на основании значений входных полей | |
3) Предназначена для получения прогноза непрерывных числовых переменных | |
4) Популярный алгоритм кластеризации, позволяющий эффективно работать с большими объемами данных | |
298. Дерево решений – |
|
1) Популярный алгоритм классификации, в котором решающие правила извлекаются непосредственно из исходных данных в процессе обучения. | |
2) Подразумевает выделение из исходного множества данных групп объектов со схожими свойствами | |
3) Предназначена для получения прогноза непрерывных числовых переменных | |
4) Популярный алгоритм кластеризации, позволяющий эффективно работать с большими объемами данных | |
299. Алгоритм «Дерево решений» предназначен для решения задач: |
|
1) Прогнозирования поведения клиента | |
2) Поведенческого таргетинга | |
3) Анализа эластичности спроса | |
4) Оценки кредитоспособности клиента при выдаче кредитов | |
300. Алгоритм «Дерево решений» предназначен для решения задач: |
|
1) Поведенческого таргетинга | |
2) Диагностики различных заболеваний | |
3) Кластеризации клиентов | |
4) Анализа эластичности спроса | |
301. Для чего предназначена спектральная обработка? |
|
1) Для прогнозирования загруженности веб-сервиса | |
2) Метод, применяемый для изучения взаимосвязей между значениями переменных | |
3) Улучшить понимание данных за счет выявления структурных групп | |
4) Для очистки от шумовой составляющей и сглаживания рядов данных. | |
302. Корреляционный анализ – |
|
1) Применяется для оценки степени зависимости между парами факторов, производится с целью отбора и предобработки входных полей для использования в обучаемых на данных моделях | |
2) Используется для обработки огромных массивов транзакционных данных, разбивая их таким образом, чтобы похожие операции оказались в одном кластере, а отличающиеся друг от друга – в разных | |
3) Подразумевает выделение из исходного множества данных групп объектов со схожими свойствами | |
4) Мощный самообучающийся механизм кластеризации, позволяющий отобразить результаты в виде компактных и удобных для интерпретации двумерных карт |