第一章
数据挖掘定义
技术层面：数据挖掘就是从大量数据中，提取潜在有用的信息和知识的过程。
商业层面：数据挖掘就是一种商业信息处理技术，其主要特点是对大量业务数据进行抽取、转换、分析和建模处理，从中提取辅助商业决策的关键性数据。
数据挖掘任务
预测任务
根据其它属性的值预测特定属性的值，如分类、回归、离群点检测。
描述任务
寻找概括数据中潜在联系的模式，如聚类分析、关联分析、演化分析、序列模式挖掘。
(1) 分类(Classification)分析
分类分析，通过分析示例数据库中的数据为每个类别做出准确的描述或建立分析模型或挖掘出分类规则，然后用此分类规则对其它数据库中的记录进行分类。
分类分析广泛应用于用户行为分析(受众分析)、风险分析、生物科学等。
(2) 聚类(Clustering)分析
“物以类聚，人以群分”。聚类分析技术试图找出数据集中的共性和差异，并将具有共性的对象聚合在相应的类中。聚类可以帮助决定哪些组合更有意义，广泛应用于客户细分、定向营销、信息检索等等。
(3) 回归(Regression )分析
回归分析是确定两种或两种以上变数间相互依赖的定量关系的一种分析方法。其可应用于风险分析、作文自动评分等领域。
(4) 关联(Association)分析
关联分析，发现特征之间的相互依赖关系，通常是从给定的数据集中发现频繁出现的模式知识(又称为关联规则)。关联分析广泛用于市场营销、事务分析等领域。
聚类与分类的主要区别
聚类与分类是容易混淆的两个概念，聚类是一种无指导的观察式学习，没有预先定义的类。而分类问题是有指导的示例式学习，预先定义的类。
数据挖掘过程
数据挖掘和知识发现紧密相连。知识发现是从数据中发现有用知识的整个过程
?知识发现的主要步骤：
?数据清洗。其作用是清除数据噪声和与挖掘主题明显无关的数据。
?数据集成。其作用是将来自多数据源中的相关数据组合到一起。
?数据转换。其作用是将数据转换为易于进行数据挖掘的数据存储形式。
?数据挖掘。其作用是利用智能方法挖掘数据模式或规律知识。
?模式评估。其作用是根据一定评估标准从挖掘结果筛选出有意义的相关知识。
?知识表示。其作用是利用可视化和知识表达技术，向用户展示所挖掘的相关知识
从商业的角度看，数据挖掘过程可分为三个阶段
数据收集：数据收集容易且不引人注意，但却是数据挖掘的基础。知识是从海量数据里提取出来的，因此要挖掘知识必须得收集一定量的数据。收集到的原始数据一般存在缺失值、错误值等问题，不能直接用作知识提取的数据源，需要进行数据预处理。
知识提取：基于经过预处理的数据，使用各种数据挖掘方法(如分类、聚类、关联分析等)进行知识提取，这是数据挖掘的核心部分。
知识辅助决策：数据挖掘技术已被广泛地应用于各领域，其提取出来的知识可以很好地辅助决策者做出良好的决策
第二章
数据统计特征
数据的中心度量
1数据集“中心”的最常用、最有效的数值度量是(算术)均值(mean)。
2设x1, x2,…, x N是N个值的集合，则该值集的均值定义为：
截断均值：指定0和100间的百分位数p，丢弃高端和低端(p/2)%的数据，然后用常规方法计算均值，所得的结果即是截断均值。
中位数是p=100%时的截断均值，而标准均值是对应于p=0%的截断均值。
例：计算{1,2,3,4,5,90}值集的均值，中位数和p=40%的截断均值.
解：均值是17.5，中位数是3.5，p=40%时的截断均值也是3.5
数据预处理
?数据清理
?数据集成
?数据变换
?数据归约
?数据离散化
数据清理——噪声数据的平滑方法
?目前噪声数据的平滑方法包括：
?分箱：分箱方法通过考察“邻居”(即周围的值)来平滑有序数据的值。
?聚类：聚类将类似的值组织成群或“簇”。
?回归：让数据适合一个函数来平滑数据。
数据平滑实例
?一组排序后的数据(单位：元)：4，8，15，21，21，24，25，28，34
?划分为等深的箱
?箱1：4，8，15
? 箱2：21，21，24 ? 箱3：25，28，34
? 用箱平均值进行平滑
? 箱1：9，9，9（下同）
? 用箱的边界进行平滑
? 箱1：4，4，15 ? 箱2：21，21，24 ? 箱3：25，25，34
数据变换——规范化
? 最小-最大规范化：a
a a
v v
min max min '
--=
，优点：计算简单
? Z-score 规范化: a
a
dev d s mean v v （）_tan '
-=
, a mean 是均值，a dev d s _tan 为标
准差
? 小数定标规范化: 的最小整数1|)v (| max 是使j 其中，,10''
<=
j
v
v
离散属性间的相关性计算
? 离散型数据间相关性计算（互信息）
? 特征x 的信息熵
? 已知变量y 后x 的条件信息熵
? 信息增益
数据对象之间的相异度
? 距离：
? 欧几里得距离
∑=-=
n
k
k k y x y x d 1
2)(),(
其中，n 的维数（总特征数），X k 和Y k 分别表示X 和Y 的第k 个分量
? 闵可夫斯基(Minkowski )距离
x
n
k x k k q p dist 1
1
)||(∑=-=
? x =1,城市块（曼哈顿）距离 ? x =2,欧几里得距离
? x =∞,切比雪夫(Chebyshev)距离
二值属性
? 二元数据相似性度量 M 01 = x 取0并且y 取1的属性的个数 M 10 = x 取1并且y 取0的属性的个数 M 00 = x 取0并且y 取0的属性的个数 M 11 = x 取1并且y 取1的属性的个数
? 简单匹配系数(Simple Matching Coefficient,SMC)： SMC = 值匹配的属性个数 /属性个数 = (M 11 + M 00) / (M 01 + M 10 + M 11 + M 00)
? Jaccard 系数 J = 匹配的个数 /不涉及0-0匹配的属性个数 = (M 11) / (M 01 + M 10 + M 11)
例子
X = （1 0 0 0 0 0 0 0 0 0） Y = （ 0 0 0 0 0 0 1 0 0 1）
M 01 = 2 (x 取0并且y 取1的属性的个数) M 10 = 1 (x 取1并且y 取0的属性的个数) M 00 = 7 (x 取0并且y 取0的属性的个数) M 11 = 0 (x 取1并且y 取1的属性的个数)
SMC = (M 11 + M 00)/(M 01 + M 10 + M 11 + M 00) = (0+7) / (2+1+0+7) = 0.7 J = M 11 / (M 01 + M 10 + M 11) = 0 / (2 + 1 + 0) = 0
2.18 以下表格包含了属性name ，gender ，trait-1，trait-2，trait-3，及trait-4，这里的name 是 对象的id ，gender 是一个对称的属性，剩余的trait 属性是不对称的，描述了希望找到的笔友的个人特点。假设有一个服务是试图发现合适的笔友。
对 不对称的属性的值，值P 被设为1，值N 被设为0。
假设对象(潜在的笔友)间的距离是基于不对称变量来计算的。
(a)计算对象间的简单匹配系数；
SMC (Keavn, Caroline) = (2+2)/( 0+0+2+2) = 1
SMC(Keavn, Erik) = (0+0)/( 2+2+0+0) = 0
SMC(Caroline,Erik) = (0+0)/( 2+2+0+0) = 0
(b)计算对象间的Jaccard 系数；
Jaccard (Keavn, Caroline) = 2/(2+0+0) = 1
Jaccard (Keavn, Erik) = 0/(0+2+2) = 0
Jaccard (Caroline,Erik) = 0/(0+2+2) = 0
(c)你认为哪两个人将成为最佳笔友？哪两个会是最不能相容的？
根据属性的匹配程度，Keavn和Caroline将成为最佳笔友，Caroline和Erik会是最不能相容的
（d）假设我们将对称变量gender 包含在我们的分析中。基于Jaccard 系数，谁将是最和
谐的一对？为什么？
若将对称变量gender 包含在分析中，设值M被设为1，值F被设为0，
Jaccard (Keavn, Caroline) = 2/(2+1+0) = 2/3
Jaccard (Keavn, Erik) = 1/(1+2+2) = 1/5
Jaccard (Caroline,Erik) = 0/(0+2+3) = 0
因为Jaccard (Keavn, Caroline)最大，因此，Keavn和 Caroline是最和谐的一对。
第三章
分类的定义
?分类是数据挖掘中的一种主要分析手段
?分类的任务是对数据集进行学习并构造一个拥有预测功能的分类模型，用于预测未知样本的类标号，如：
分类与回归的区别
?分类和回归都有预测的功能，但是：
?分类预测的输出为离散或标称的属性；
?回归预测的输出为连续属性值；
?分类与回归的例子：
?预测未来某银行客户会流失或不流失，这是分类任务；
?预测某商场未来一年的总营业额，这是回归任务。
分类与聚类的区别
?分类因为使用了类标号属性，属于有监督的学习方法
?聚类，事先没有使用任何类标号信息，属于无监督的学习方法
决策树的基本概念
?决策树(Decision Tree)是一种树型结构，包括：决策节点(内部节点)、分支和叶节点
三个部分。
?其中：
?决策节点代表某个测试，通常对应于待分类对象的某个属性，在该属性上的不同测试结果对应一个分支。
? 叶节点存放某个类标号值，表示一种可能的分类结果。 ? 分支表示某个决策节点的不同取值。
? 决策树可以用来对未知样本进行分类，分类过程如下：从决策树的根节点开
始，从上往下沿着某个分支往下搜索，直到叶结点，以叶结点的类标号值作为该未知样本所属类标号。
决策树的属性选择
? 虽然可以采用任何一个属性对数据集进行划分，但最后形成的决策树会差异很大。
需要寻找合适的属性选择方法。
? 属性选择是决策树算法中重要的步骤，常见的属性选择标准包括信息增益和Gini 系
数。
? 信息增益是决策树常用的分枝准则,在树的每个结点上选择具有最高信息增
益的属性作为当前结点的划分属性。
? Gini 系数是一种不纯度函数，用来度量数据集的数据关于类的纯度。
获得大小合适的树
? 决策树学习的目的是希望生成能够揭示数据集结构并且预测能力强的一棵树，在树
完全生长的时候有可能预测能力反而降低，为此通常需要获得大小合适的树。 ? 一般来说有两种获取方法:
? 一种为定义树的停止生长条件,常见条件包括最小划分实例数、划分阈值和
最大树深度等。
? 另一种方法是对完全生长决策树进行剪枝，方法是对决策树的子树进行评估，
若去掉该子树后整个决策树表现更好，则该子树将被剪枝。
ID3分类算法
? 它使用信息增益(information gain)作为属性的选择标准。
? 首先检测所有的属性，选择信息增益最大的属性产生决策树结点，由该属性
的不同取值建立分支，再对各分支的子集递归调用该方法建立决策树结点的分支，直到所有子集仅包含同一个类别的数据为止。最后得到一棵决策树，它可以用来对新的样本进行分类。
? 与ID3分类算法相关的基本概念包括：
? 信息熵：用来度量一个属性的信息量。
假定S 为训练集，S 的目标属性C 具有m 个可能的类标号值，C={C1,C2,…,Cm}，假定训练集S 中，Ci 在所有样本中出现的频率为 (i=1,2,3,…,m)，则该训练集S 所包含的信息熵定义为：
∑=-==m
i i i m p p p p p Entropy S Entropy 1
221log ),...,,()(
熵越小表示样本对目标属性的分布越纯，反之熵越大表示样本对目标属性分布越混乱。
信息熵例题
? 考虑数据集weather 如下, 求weather 数据集关于目标属性play ball 的熵。
? 解答：令weather 数据集为S ，其中有14个样本,目标属性play ball 有2个值{C1=yes,
C2=no}。14个样本的分布为：
? 9个样本的类标号取值为yes ，5个样本的类标号取值为No 。C1=yes 在所有
样本S 中出现的概率为9/14，C2=no 在所有样本S 中出现的概率为5/14。 ? 因此数据集S 的熵为：
94.014
5log 145149log 149)145,149(
)(22=--==Entropy S Entropy ?
信息增益
信息增益是划分前样本数据集的不纯程度(熵)和划分后样本数据集的不纯程度(熵)的差值
? 假设划分前样本数据集为S,并用属性A 来划分样本集S ，则按属性A 划分S
的信息增益Gain(S,A)为样本集S 的熵减去按属性A 划分S 后的样本子集的熵：
)()(),(S Entropy S Entropy A S Gain A -=
按属性A 划分S 后的样本子集的熵定义如下：假定属性A 有k 个不同的取值，从而将S 划分为k 个样本子集{S1,S2,…,Sk}，则按属性A 划分S 后的样本子集的信息熵为:
∑==
k
i i i A S Entropy S S S Entropy 1
)(|||
|)( 其中|Si|(i,=1,2,…k )为样本子集Si 中包含的样本数，|S|为样本集S 中包
含的样本数。信息增益越大，说明使用属性A 划分后的样本子集越纯，越有
利于分类。
信息增益例题
? 以数据集weather 为例，设该数据集为S ，假定用属性wind 来划分S ，求S 对属性
wind 的信息增益。
? 解答：
? (1)首先由前例计算得到数据集S 的熵值为0.94；
? (2)属性wind 有2个可能的取值{weak,strong}，它将S 划分为2个子集：
{S1,S2},S1为wind 属性取值为weak 的样本子集，共有8个样本；S2为wind 属性取值为strong 的样本子集，共有6个样本；下面分别计算样本子集S1和S2的熵。
对样本子集S1，play ball=yes 的有6个样本，play ball=no 的有2个样本，则：
811.08
2log 8286log 86)(221=--
=S Entropy 对样本子集S2，play ball=yes 的有3个样本，play ball=no 的有3个样本，则：
16
3log 6363log 63)(222=--
=S Entropy ? 利用属性wind 划分S 后的熵为：
891.01*428.0811.0*571.0)(14
6
)(148)(|||
|)(||||)(|
|||)(21221
11=+=+=
+==
∑=S Entropy S Entropy S Entropy S S S Entropy S S S Entropy S S S Entropy k
i i i
Wind
? 按属性wind 划分数据集S 所得的信息增益值为：
049.0891.094.0)()(),(=-=-=S Entropy S Entropy wind S Gain wind
ID3建树算法
? 以weather 数据集为例，讲解ID3的建立过程。
数据集的构成 ? 数据集具有属性：outlook, temperature, humidity, wind.
? outlook = { sunny, overcast, rain } ? temperature = {hot, mild, cool } ? humidity = { high, normal } ? wind = {weak, strong }
ID3建立决策树
? 首先计算总数据集S 对所有属性的信息增益，寻找根节点的最佳分裂属性:
? Gain(S, outlook) = 0.246
? Gain(S, temperature) = 0.029 ? Gain(S, humidity) = 0.152 ? Gain(S, wind) = 0.049
? 显然，这里outlook 属性具有最高信息增益值，因此将它选为根结点. ? 以outlook 做为根结点，继续往下：
? 思想是，以outlook 的可能取值建立分支，对每个分支递归建立子树。
? 因为outlook 有3个可能值,因此对根结点建立3个分支{sunny, overcast, rain}.
?首先对outlook的sunny分支建立子树。
?找出数据集中outlook = sunny的样本子集S outlook=sunny，然后依次计算剩下三个属性对该样本子集S sunny划分后的信息增益：
?Gain(S sunny, humidity) = 0.971
?Gain(S sunny, temperature) = 0.571
?Gain(S sunny, wind) = 0.371
显然humidity具有最高信息增益值，因此它被选为outlook结点下sunny分支下的决策结点
?采用同样的方法，依次对outlook的overcast分支、rain分支建立子树，最后得到一
棵可以预测类标号未知的样本的决策树。
ID3算法总结
?ID3算法是所有可能的决策树空间中一种自顶向下、贪婪的搜索方法。
?ID3搜索的假设空间是可能的决策树的集合，搜索目的是构造与训练数据一致的一
棵决策树，搜索策略是爬山法，在构造决策树时从简单到复杂，用信息熵作为爬山法的评价函数。
?ID3算法的核心是在决策树各级结点上选择属性，用信息增益作为属性选择的标准，
使得在每个非叶节点进行测试时能获得关于被测数据最大的类别信息，使得该属性将数据集分成子集后，系统的熵值最小。
C4.5分类算法
? 基于ID3算法中存在的不足，Quinlan 于1993年对其做出改进，提出了改进的决策
树分类算法C4.5，该算法继承了ID3算法的优点，并在以下几个方面对ID3算法进行了改进：
? (1)能够处理连续型属性数据和离散型属性数据； ? (2)能够处理具有缺失值的数据；
? (3)使用信息增益率作为决策树的属性选择标准； ? (4)对生成的树进行剪枝处理，以获取简略的决策树； ? (5)从决策树到规则的自动产生。
C4.5算法的概念描述
假定S 为训练集，目标属性C 具有m 个可能的取值，C={C1,C2,…,Cm}，即训练集S 的目标属性具有m 个类标号值C1,C2,…,Cm ，C4.5算法所涉及的概念描述如下：
? (1)假定训练集S 中，Ci 在所有样本中出现的频率为pi(i=1,2,3,…,m)，则该集合
S 所包含的信息熵为：∑=-
=m
i
i i p p S Entropy 1
2
log )(
? (2)设用属性A 来划分S 中的样本,计算属性A 对集合S 的划分熵值Entropy A (S)
定义如下:
若属性A 为离散型数据，并具有k 个不同的取值,则属性A 依据这k 个不同取值将S 划分为k 个子集{S1,S2,…,Sk}，属性A 划分S 的信息熵为
∑==
k
i i i A S Entropy S S S Entropy 1)(|
||
|)( 其中|Si|和|S|分别是Si 和S 中包含的样本个数。
如果属性A 为连续型数据，则按属性A 的取值递增排序，将每对相邻值的中点看作可能的分裂点，对每个可能的分裂点，计算：
)()()(R R L L A S Entropy S
S S Entropy S
S S Entropy +
=
其中S L 和S R 分别对应于该分裂点划分的左右两部分子集，选择EntropyA(S)值最小的分裂点作为属性A 的最佳分裂点，并以该最佳分裂点按属性A 对集合S 的划分熵值作为属性A 划分S 的熵值。
? (3) C4.5以信息增益率作为选择标准，不仅考虑信息增益的大小程度，还兼顾为获得
信息增益所付出的“代价”：
? C4.5通过引入属性的分裂信息来调节信息增益，分裂信息定义为
|||
|log |
|||)(12
S S S S A SplitE i k
i i ∑
=-= ? 信息增益率定义为
)
()()(A SplitE A Gain A GainRatio =
? 这样如果某个属性有较多的分类取值，则它的信息熵会偏大，但信息
增益率由于考虑了分裂信息而降低，进而消除了属性取值数目所带来的影响。
C4.5算法演示
? 以weather 数据集为例，演示C4.5算法对该数据集进行训练，建立一棵决策树的过
程，对未知样本进行预测。
Step1:计算所有属性划分数据集S 所得的信息增益分别为(参考ID3例题演示):
Step2:计算各个属性的分裂信息和信息增益率
? 以outlook 属性为例，取值为overcast 的样本有4条，取值为rain 的样本有
5条，取值为sunny 的样本有5条：
576.114
5log 145144log 144145log 145222=---
=outlook SplitE
? 同理依次计算其它属性的信息增益率分别如下：
Step3:取值信息增益率最大的那个属性作为分裂结点，因此最初选择outlook 属性作
为决策树的根结点，产生3个分支，如下：
Step4:对根结点的不同取值的分支，递归调用以上方法，求子树，最后通过C4.5获得的决策树为
贝叶斯分类方法
?贝叶斯分类方法是一种基于统计的学习方法。
?是一种利用概率统计知识进行学习分类的方法。
?如：预测一个数据对象属于某个类别的概率。
?如：计算邮件是垃圾邮件或合法邮件的概率，取概率大的为
预测结果
?主要算法有：
?朴素贝叶斯分类算法
?贝叶斯信念网络分类算法等。
贝叶斯定理
?假定X为类标号未知的一个数据样本，H为样本X属于类别C的一个假
设
?分类问题就是计算概率P(H|X) 的问题，即给定观察样本X下假设H成立的概率有多大。
?这里：
?P(H)表示假设H的先验概率(prior probability)。
?P(X)表示样本数据X的先验概率。
? P(H|X)表示在条件X 下，假设H 的后验概率(posterior probability)。
? P(X|H)表示在给定假设H 的前提条件下，样本X 的后验概率
例:
? 假设数据集由三个属性构成：
? {年龄、收入、是否购买计算机} ? 样本X 为：{35, 4000, ?}
? 假设H 为：顾客将购买计算机。 ? 则：
? P(H)表示任意给定的顾客将购买计算机的概率，而不考虑年龄、收入其它信息。
? P(X)表示数据集中，样本年龄为35，工资为4000的概率。 ? P(H|X)表示已知顾客的年龄和收入分别为35和4000，顾客购买计算机的概率。
? P(X|H)表示已知顾客购买计算机，顾客年龄和收入属性值为35和4000的概率。
? 假设X,Y 是一对随机变量，它们的：
? 联合概率P （X=x,Y=y ）是指X 取值x 且Y 取值y 的概率
? 条件概率是指一随机变量在另一随机变量取值已知的情况下取某
一个特定值的概率。
? 例如P(Y=y|X=x ）是指在变量X 取值x 的情况下，变量Y 取值y 的概率)。
? 贝叶斯定理是指X 和Y 的联合概率和条件概率满足如下关系：
)
()
()
|()|()
()|()()|(),(Y P X P Y X P X Y P Y P Y X P X P X Y P Y X P ==>==
? 例：考虑A 和B 两队之间的足球比赛：假设过去的比赛中，65%的比赛A 对取胜，35%的比赛B 对取胜。A 对胜的比赛中只有30%是在B 对的主场，B 对取胜的比赛中75%是在主场。
? 如果下一场比赛在B 对的主场进行，请预测哪支球队最有可能胜出？
解答：根据贝叶斯定理,假定
? 随机变量X 代表东道主，X 取值范围为{A,B}
? 随机变量Y 代表比赛的胜利者，取值范围为{A,B}。
? 已知：
? A 对取胜的概率为0.65，表示为：P(Y=A)=0.65， ? B 对取胜的概率为0.35 ，表示为：P(Y=B)=0.35， ? B 对取胜时作为东道主的概率是0.75，表示为：
P(X=B|Y=B) = 0.75,
? A 对取胜时B 对作为东道主的概率是0.3,表示为:
P(X=B|Y=A) = 0.3,
? 计算：
?下一场比赛在B对主场，同时A对胜出的概率表示为：P(Y=A|X=B)
?P(Y=A|X=B) = P(X=B|Y=A)*P(Y=A)/P(X=B)
= (0.3*0.65)/0.4575=0.4262
?下一场比赛在B对主场，同时B对胜出的概率表示为：P(Y=B|X=B)
?P(Y=B|X=B)=P(X=B|Y=B)*P(Y=B)/P(X=B)
=(0.75*0.35)/0.4575=0.5737
根据计算结果，可以推断出，下一场最有可能是B对胜出P(X=B)的计算：
?P(X=B)= P(X=B,Y=A)+P(X=B,Y=B)
= P(Y=A|X=B)*P(X=B) + P(Y=B|X=B)*P(X=B)
= P(X=B|Y=A)*P(Y=A) + P(X=B|Y=B)*P(Y=B)
= 0.3*0.65+0.75*0.35=0.195+0.2625 = 0.4575
朴素贝叶斯分类算法
?朴素贝叶斯分类算法利用贝叶斯定理来预测一个未知类别的样本属于各
个类别的可能性，选择其中可能性最大的一个类别作为该样本的最终类别。朴素贝叶斯分类算法演示
例子：对weather数据集使用朴素贝叶斯算法预测未知样本
X={rainy,hot,normal,false,?}的play ball类标号属性的值。
?该问题描述如下：
?样本X={rainy, hot, normal, false, ?}
?类标号play ball有2个取值{yes, no}
?题目即求:
?样本X在play为yes的概率P(play=yes|X)
?和样本在play为no的概率P(play=no|X)
?样本X将被预测为概率值大的那个类。
解：
根据朴素贝叶斯定理：
P(play=yes|X)=P(X|play=yes)*P(play=yes)
=P(x1|play=yes)*P(x2|play=yes)*P(x3|play=yes)*P(x4|play=yes)*P(
play=yes)
其中：
P(x1|play=yes)=P(outlook=rainy|play=yes)=3/9
P(x2|play=yes)=P(temperature=hot|play=yes)=2/9
P(x3|play=yes)=P(humidity=normal|play=yes)=6/9
P(x4|play=yes)=P(windy=false|play=yes)=6/9
P(play=yes)=9/14
因此：
P(play=yes|X)=1/3×2/9×2/3×2/3×9/14=0.0211
同样方法计算：
P(play=no|X)=P(X|play=no)*P(play=no)
=P(x1|play=no)*P(x2|play=no)*P(x3|play=no)*P(x4|play=no)*P(play=no)
其中：
P(x1|play=no)=P(outlook=rainy|play=no)=2/5
P(x2|play=no)=P(temperature=hot|play=no)=2/5
P(x3|play=no)=P(humidity=normal|play=no)=1/5
P(x4|play=no)=P(windy=false|play=no)=2/5
P(play=no)=9/14
因此：
P(play=no|X)=2/5×2/5×1/5×2/5×9/14=0.0082
?根据计算结果：
?P(play=yes|X) > P(play=no|X)
?所以：
?样本X={rainy,hot,normal,false,?}的play类标号值应为yes.
第四章
基于划分的聚类算法
给定一个n 个对象或元组的数据库，一个划分方法构建数据的k个划分，每个划分表示一个聚类，并且k<=n。也就是说，它将数据划分为k个组，同时满足如下的要求：
(1)每个组至少包含一个对象；
(2)每个对象必须属于且只属于一个组。
划分式聚类算法需要预先指定簇数目或簇中心，通过反复迭代运算，逐步降低目标函数的误差值，当目标函数值收敛时，得到最终聚类结果。这类方法分为基于质心的(Centroid-based)划分方法和基于中心的(Medoid-based)划分方法
基本k-means聚类算法
k-means聚类算法：
(1)从数据集D中任意选择k个对象作为初始簇中心；
(2) repeat
(3) for 数据集D中每个对象P do
(4) 计算对象P到k个簇中心的距离
(5) 将对象P指派到与其最近(距离最短)的簇；
(6) end for
(7) 计算每个簇中对象的均值，做为新的簇的中心；
(8) until k个簇的簇中心不再发生变化
K-means算法采用
k-means聚类算法示例
?例4.1 对表4-1中二维数据，使用k-means算法将其划分为2个簇，假设
初始簇中心选为P7(4，5)，P10(5，5)。
表4-1 k-means聚类过程示例数据集1
解：图4-2 显示了对于给定的数据集k-means聚类算法的执行过程。(1)根据题目，假设划分的两个簇分别为C1和C2，中心分别为(4，5)和(5，5)，下面计算10个样本到这2个簇中心的距离，并将10个样本指派到与其最近的簇：
(2)第一轮迭代结果如下：
属于簇C1的样本有：{P7，P1，P2，P4，P5，P8}
属于簇C2的样本有：{P10，P3，P6，P9}
重新计算新的簇的中心，有：C1的中心为(3.5，5.167)，C2的中心为(6.75，4.25)（簇中心的计算方式是平均类中所有点）
(3)继续计算10个样本到新的簇的中心的距离，重新分配到新的簇中，第二轮迭代结果如下：
属于簇C1的样本有：{ P1，P2，P4，P5，P7，P10}
属于簇C2的样本有：{ P3，P6，P8，P9}
重新计算新的簇的中心，有：C1的中心为(3.67，5.83)，C2的中心为(6.5，
3.25)
(4)继续计算10个样本到新的簇的中心的距离，重新分配到新的簇中，发现簇中心不再发生变化，算法终止。
K-均值算法练习
给出一个样本数据库，并对它实施k-均值算法
设n=8,k=2，随机选择序号1和3作为初始点
?设n=8,k=2
?第一次迭代：假定随机选择两个对象，如序号1和序号3当作初始点，
分别找到离两点最近的对象，并产生两个簇{1,2}和{3,4,5,6,7,8}
?对于产生的簇计算平均值(1.5,1) (3.5,3)
?第二次迭代:根据平均值调整对象所在的簇，重新聚类，得到新的簇{1,2,3,4}
和{5,6,7,8}。重新计算平均值(1.5,1.5) (4.5,3.5)
第三次迭代：按平均值重新聚类，簇保持不变，程序结束
K-均值算法应用实例
?根据2005-2010年的战绩，分析中国男足的地位
?其中包括两次世界杯和一次亚洲杯，提前对数据做如下预处理：对于世
界杯，进入决赛圈则取其最终排名，没有进入决赛圈的，打入预选赛十强赛赋予40，预选赛小组未出现的赋予50。对于亚洲杯，前四名取其排名，八强赋予5，十六强赋予9，预选赛没出现的赋予17。这样做是为了使得所有数据变为标量，便于后续聚类。
?对数据进行归一化：
用算法进行聚类，设k=3，将15支球队分为3个集团
具体步骤：
1抽取日本，巴林和泰国的值作为三个簇的种子，即初始化三个簇中心为:A={0.3,0,0.19}，B={0.7,0.76,0.5}，C={1,1,0.5}
2计算所有球队分别对三个点的相异度(欧式距离)
第一次聚类结果：
A:日本，韩国，伊朗，沙特
B:乌兹别克斯坦，巴林，朝鲜
C:中国，伊拉克，卡塔尔，阿联酋，泰国，越南，阿曼，印尼。
3 根据第一次聚类结果，调整各个簇的中心点：
A簇的中心点为:
{(0.3+0+0.24+0.3)/4=0.21,(0+0.15+0.76+0.76)/4=0.4175,(0.19+0.13+0.25+0.06)/ 4=0.1575}={0.21,0.4175,0.1575}
B{0.7,0.7333,0.4167}
C{1,0.94,0.40625}
用调整后的中心再次聚类，得到：
第二次迭代后，结果无变化，说明结果已收敛。
最终聚类结果：
亚洲一流：日本，韩国，伊朗，沙特
亚洲二流：乌兹别克斯坦，巴林，朝鲜
亚洲三流：中国，伊拉克，卡塔尔，阿联酋，泰国，越南，阿曼，印尼。
第五章
关联分析的基本概念
Beer}{}Diaper {→
%754
3
|
T |)
Beer}Diaper,({支持度==
=
σs ，T 为事务集合 %1003
3
)Diaper}({)Beer}Diaper,({置信度===
σσc
Apriori 方法的优化策略
第一章 数据挖掘定义 技术层面：数据挖掘就是从大量数据中，提取潜在有用的信息和知识的过程。 商业层面：数据挖掘就是一种商业信息处理技术，其主要特点是对大量业务数据进行抽取、转换、分析和建模处理，从中提取辅助商业决策的关键性数据。 数据挖掘任务 预测任务 根据其它属性的值预测特定属性的值，如分类、回归、离群点检测。 描述任务 寻找概括数据中潜在联系的模式，如聚类分析、关联分析、演化分析、序列模式挖掘。 (1) 分类(Classification)分析 分类分析，通过分析示例数据库中的数据为每个类别做出准确的描述或建立分析模型或挖掘出分类规则，然后用此分类规则对其它数据库中的记录进行分类。 分类分析广泛应用于用户行为分析(受众分析)、风险分析、生物科学等。 (2) 聚类(Clustering)分析 “物以类聚，人以群分”。聚类分析技术试图找出数据集中的共性和差异，并将具有共性的对象聚合在相应的类中。聚类可以帮助决定哪些组合更有意义，广泛应用于客户细分、定向营销、信息检索等等。 (3) 回归(Regression )分析 回归分析是确定两种或两种以上变数间相互依赖的定量关系的一种分析方法。其可应用于风险分析、作文自动评分等领域。 (4) 关联(Association)分析 关联分析，发现特征之间的相互依赖关系，通常是从给定的数据集中发现频繁出现的模式知识(又称为关联规则)。关联分析广泛用于市场营销、事务分析等领域。 聚类与分类的主要区别 聚类与分类是容易混淆的两个概念，聚类是一种无指导的观察式学习，没有预先定义的类。而分类问题是有指导的示例式学习，预先定义的类。 数据挖掘过程 数据挖掘和知识发现紧密相连。知识发现是从数据中发现有用知识的整个过程 ?知识发现的主要步骤： ?数据清洗。其作用是清除数据噪声和与挖掘主题明显无关的数据。 ?数据集成。其作用是将来自多数据源中的相关数据组合到一起。 ?数据转换。其作用是将数据转换为易于进行数据挖掘的数据存储形式。 ?数据挖掘。其作用是利用智能方法挖掘数据模式或规律知识。 ?模式评估。其作用是根据一定评估标准从挖掘结果筛选出有意义的相关知识。 ?知识表示。其作用是利用可视化和知识表达技术，向用户展示所挖掘的相关知识
简答题： 1、试从多个方面比较电路交换、报文交换和分组交换的主要优缺点。 2、网络体系结构为什么要采用分层次的结构试举出一些与分层体系结构的思想相似 的日常生活。 3、为什么要使用信道复用技术常用的信道复用技术有哪些 4、试比较xDSL，HFC 以及FTTx 接入技术的优缺点。 — 5、要发送的数据为11。采用CRC 的生成多项式是P(x)=x4+x+1 。试求应添加在数据后面的余数。 （1）数据在传输过程中最后一个 1 变成了0，问接收端能否发现 （2）若数据在传输过程中最后两个 1 都变成了0，问接收端能否发现 （3）采用CRC检验后，数据链路层的传输是否就变成了可靠的传输 6、要发送的数据为101110。采用CRC 的生成多项式是P(X)=X3+1。试求应添加在数据 后面的余数。 （1）数据在传输过程中最后一个0 变成了1，问接收端能否发现 ； （2）若数据在传输过程中最后两位10 都变成了01，问接收端能否发现 （3）采用CRC检验后，数据链路层的传输是否就变成了可靠的传输 7、PPP 协议使用同步传输技术传送比特串000。试问经过零比特填充后 变成怎样的比特串若接收端收到的PPP 帧的数据部分是000110110，问删 除发送端加入的零比特后变成怎样的比特串 8、局域网的主要特点是什么为什么局域网采用的广播通信通信方式而广域网不采 用呢 9、常用的局域网的网络拓扑有哪些种类现在最流行的是哪种结构为什么早期的， 以太网选择总线拓扑结构而不使用星形拓扑结构，但现在却改为使用星形拓扑结构 10、试说明10BASE-T 中的“10”、“BASE”和“T”所代表的意思。 11、以太网使用的CSMA/CD 协议是以争用方式接入到共享信道。这与传统的时分复用 TDM 相比优缺点如何 12、有10 个站连接到以太网上，试计算以下三种情况下每一个站所能得到带宽。（1）10 个站点连接到一个10Mbit/s 以太网集线器； （2）10 站点连接到一个100Mbit/s 以太网集线器； （3）10 个站点连接到一个10Mbit/s 以太网交换机。 ！ 13、网桥的工作原理和特点是什么网桥与转发器以及以太网交换机有何异同 14、网络层向上提供的服务有哪两种试比较其优缺点。
什么是管理学 管理学是一门研究人类社会管理活动中各种现象及规律的学科，是在近代社会化大生产条件下和自然科学与社会科学日益发展的基础上形成的。 管理学是在自然科学和社会科学两大领域的交叉点上建立起来的一门综合性交叉学科，涉及数学(概率论、统计学、运筹学等),社会科学(政治学、经济学、社会学、心理学、人类学、生理学、伦理学、哲学、法学)，技术科学(计算机科学，工业技术等)，新兴科学(系统论、信息科学、控制论、耗散结构论、协同论，突变论)，以及领导学、决策科学、未来学、预测学、创造学、战略学、科学学等。 管理活动自有人群出现便有之，与此同时管理思想也就逐步产生。事实上，无论是在东方还是在西方，我们均可以找到古代哲人在管理思想方面的精彩论述。现代管理学的诞生是以弗雷德里克·温斯洛·泰罗（Frederick Winslow Taylor）的名著《科学管理原理》（1911年）以及法约尔（H．Fayol）的名著《工业管理和一般管理》（1916年）为标志。现代意义上的管理学诞生以来，管理学有了长足的进步与发展，管理学的研究者、管理学的学习者、管理学方面的著作文献等等均呈指数上升，显示了作为一门年轻学科勃勃向上的生机和兴旺发达的景象。进入21世纪，随着人类文明的进步，管理学仍然需要大力发展其内容和形式。 [编辑] 管理学概念的发展[1] 早在1911年出版的《科学管理原理》的引言中，泰罗就开宗明义地指出，这篇论文的宗旨之一是“论证最佳的管理是一门实在的科学，基础建立在明确规定的纪律、条例和原则上，并进一步表明，科学管理的根本原理适用于人的行为——从人们最简单的个人行为到我们大公司的业务运行”。他还深信：“同样的原则能以等量的威力适用于所有的社会行为上，在我们的家庭管理上，在我们的农场管理上，在我们的大小商人、我们的教育、我们的慈善机构、我们的大学和我们的政府各部门的业务管理上。” 在大西洋彼岸，与泰罗同时代的法国工业企业家法约尔创立了一般管理学理论。1916年，他在其代表作《工业管理和一般管理》中，从工业企业管理实践的经验总结与理论概括及企业经营职能(包括技术、商业、财务、安全和会计五大职能)中分离出独立的管理活动，提出了经过经验检验的普遍适用的一般管理理论，定义管理是实行计划、组织、指挥、协调和控制，由此确定了管理活动的5种职能和14条管理原则。他认为，这种一般管理理论与方法不仅适用于工商企业，而且适用于政府、军事部门与社会团体。法约尔由此基本上构建了关于管理活动的原则、标准、方法和程序的知识体系，因此，也可以说法约尔奠立了一般管理学的理论基石。法约尔把管理与经营区别开来，意味着管理学是不包含企业经营活动内容的狭义管理学，而同时又提出了普遍适用的一般管理学。
数据挖掘：是从大量数据中发现有趣（非平凡的、隐含的、先前未知、潜在有用）模式，这些数据可以存放在数据库，数据仓库或其他信息存储中。 挖掘流程： 1.学习应用域 2.目标数据创建集 3.数据清洗和预处理 4.数据规约和转换 5.选择数据挖掘函数（总结、分类、回归、关联、分类） 6.选择挖掘算法 7.找寻兴趣度模式 8.模式评估和知识展示 9.使用挖掘的知识 概念/类描述：一种数据泛化形式，用汇总的、简洁的和精确的方法描述各个类和概念，通过（1）数据特征化：目标类数据的一般特性或特征的汇总； （2）数据区分：将目标类数据的一般特性与一个或多个可比较类进行比较； （3）数据特征化和比较来得到。 关联分析：发现关联规则，这些规则展示属性-值频繁地在给定数据集中一起出现的条件，通常要满足最小支持度阈值和最小置信度阈值。 分类：找出能够描述和区分数据类或概念的模型，以便能够使用模型预测类标号未知的对象类，导出的模型是基于训练集的分析。导出模型的算法：决策树、神经网络、贝叶斯、（遗传、粗糙集、模糊集）。 预测：建立连续值函数模型，预测空缺的或不知道的数值数据集。 孤立点：与数据的一般行为或模型不一致的数据对象。 聚类：分析数据对象，而不考虑已知的类标记。训练数据中不提供类标记，对象根据最大化类内的相似性和最小化类间的原则进行聚类或分组，从而产生类标号。 第二章数据仓库 数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程。从一个或多个数据源收集信息，存放在一个一致的模式下，并且通常驻留在单个站点。数据仓库通过数据清理、变换、继承、装入和定期刷新过程来构造。面向主题：排除无用数据，提供特定主题的简明视图。集成的：多个异构数据源。时变的：从历史角度提供信息，隐含时间信息。非易失的：和操作数据的分离，只提供初始装入和访问。 联机事务处理OLTP：主要任务是执行联机事务和查询处理。 联系分析处理OLAP：数据仓库系统在数据分析和决策方面为用户或‘知识工人’提供服务。这种系统可以用不同的格式和组织提供数据。OLAP是一种分析技术，具有汇总、合并和聚集功能，以及从不同的角度观察信息的能力。
第 - 1 - 页 共 4 页 数据挖掘试卷 课程代码： C0204413 课程： 数据挖掘A 卷 一、判断题（每题1分，10分） 1. 从点作为个体簇开始，每一步合并两个最接近的簇，这是一种分裂的层次聚类方法。（ ） 2. 数据挖掘的目标不在于数据采集策略，而在于对已经存在的数据进行模式的发掘。（ ） 3. 在聚类分析当中，簇内的相似性越大，簇间的差别越大，聚类的效果就越差。（ ） 4. 当两个点之间的邻近度取它们之间距离的平方时，Ward 方法与组平均非常相似。（ ） 5. DBSCAN 是相对抗噪声的，并且能够处理任意形状和大小的簇。（ ） 6. 属性的性质不必与用来度量他的值的性质相同。（ ） 7. 全链对噪声点和离群点很敏感。（ ） 8. 对于非对称的属性，只有非零值才是重要的。（ ） 9. K 均值可以很好的处理不同密度的数据。（ ） 10. 单链技术擅长处理椭圆形状的簇。（ ） 二、选择题（每题2分，30分） 1. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？( ) A.分类 B.聚类 C.关联分析 D.主成分分析 2. ( )将两个簇的邻近度定义为不同簇的所有点对邻近度的平均值，它是一种凝聚层次聚类技术。 A.MIN(单链) B.MAX(全链) C.组平均 D.Ward 方法 3.数据挖掘的经典案例“啤酒与尿布试验”最主要是应用了( )数据挖掘方法。 A 分类 B 预测 C 关联规则分析 D 聚类 4.关于K 均值和DBSCAN 的比较，以下说法不正确的是( ) A.K 均值丢弃被它识别为噪声的对象，而DBSCAN 一般聚类所有对象。 B.K 均值使用簇的基于原型的概念，DBSCAN 使用基于密度的概念。 C.K 均值很难处理非球形的簇和不同大小的簇，DBSCAN 可以处理不同大小和不同形状的簇 D.K 均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN 会合并有重叠的簇 5.下列关于Ward ’s Method 说法错误的是：( )
2013教育部-IBM产学合作专业综合改革项目 厦门大学《数据挖掘原理及实践》课程习题 第4章数据仓库与数据的概念描述 1. 数据仓库的定义是什么? 数据仓库有哪些显著特征? 2. 请简述数据概化的过程和基本方法。 3. 假定数据仓库包含三维: time, doctor, patient, 和两个度量: count和charge, 其中charge是医生对病人一次诊治的收费。 (1) 列举三种流行的数据仓库建模模式。 (2) 使用(1) 列举的模式之一, 画出上面的数据仓库的模式图。 (3) 由基本方体[day, doctor, patient]开始, 为列出2004年每位医生的收费总数, 应当执行哪些OLAP操作。 4. 假定BigUniversity的数据仓库包含如下4维: student, course, semester和instructor；2个度量: count和avg_grade。在最低的概念层(例如: 对于给定的学生. 课程. 学期和教师的组合), 度量avg_grade存放学生的实际课程成绩。在较高的概念层, avg_grade存放给定组合的平均成绩。 (1) 该数据仓库画出雪花型模型图。 (2) 由基本方体[student, course, semester, instructor]开始, 为列出BigUniversity 每个学生的CS课程的平均成绩, 应当使用哪些特殊的OLAP操作。 (3) 如果每维有5层(包含all), 如“student 一、单项选择题 1. 计算机网络最突出的优点是( D ) A. 精度高 B. 内存容量大 C. 运算速度快 D. 共享资源 2.( D )不属于局域网的特点。 A.较小的地域范围 B.高传输速率和低误码率 C.一般为一个单位所建 D.一般侧重共享位置准确无误及传输的安全 3.网络协议主要要素为( C ) A、数据格式、编码、信号电平 B、数据格式、控制信息、速度匹配 C、语法、语义、同步 D、编码、控制信息、同步 4. OSI分层体系结构中，物理层是指( C ) A.连接计算机的具体物理设备 B.连接计算机的具体的传输媒体 C.在物理媒体之上为上一层提供一个传输原始比特流的物理连接 D.在物理媒体之上为上一层提供一个传输原始比特流的逻辑连接 5.在OSI七层结构模型中，处于数据链路层与运输层之间的是( B ) A、物理层 B、网络层 C、会话层 D、表示层 6.传输介质、拓扑结构与( C )是决定各种局域网特性的三个要素。 A.环型 B.总线型 C.介质访问控制方法 D.逻辑链路控制 7.完成路径选择功能是在OSI模型的( C ) A、物理层 B、数据链路层 C、网络层 D、运输层 8. 下列说法中不正确的是( D ) A.链路是两个节点间的连线 B.链路分物理链路和逻辑链路两种 C.链路有容量 D.链路包含节点和通路 9. 在OSI参考模型的那个层次有数据加密？( A ) A.表示层 B.应用层 C.传输层 D.网络层 10. FDDI表示（ C ） A.光纤环形网络 B.光纤高速环形网络 C．光纤分布式数据接口 D.光纤分布网络 11. ARP的功能是什么？（ D ） A. 验证数据帧的接收 B. 获得主机的I P地址，然后将I P地址映射到一个注册的域名上 C. 测量在单个发送过程中丢失的数据包数 D. 获得主机的M A C地址，然后将M A C地址映射到主机的I P地址上 12. IEEE 802.11规范中,哪种技术被标准化了?( C ) 管理原理与实践（主编—陈琳） 第一章导论 1.（论述管理的概念和职能）管理的概念：管理就是在特定的环境下，对组织所拥有 的资源进行有效的计划、组织、领导、控制，以便达成既定的组织目标的过程。这个定义包括以下四层含义： ①管理服务于组织目标实现的一项有意识、有目的的活动。 ②管理工作要通过综合运用组织中的各种资源来实现组织的目标。 ③管理的过程是由一系列相互关联，连续进行的活动构成的，这些活动包括计划、组织、领导、控制等，它们成为管理的基本职能 ④管理工作是在一定环境条件下开展的，有效的管理必须充分考虑组织外的特定条件。 可见，管理的主体是管理者，管理的客体是组织资源，管理的载体是组织，管理的职能是计划、组织、领导和控制。古典学派如泰罗，法约尔等认为，管理就是计划、组织、指挥、协调和控制等职能活动。 决策学派的代表美国管理学家赫伯特-A-西蒙认为，管理就是决策。P3--P4 2.管理的特征：（论述） a.管理是科学性和艺术性的统一 首先管理是一门科学，它是以反映客观规律的管理理论和方法为指导，有一套分析问题和解决问题的科学的发方法论。管理的科学性是指管理反映了管理活动的自身特点和客观规律。管理的艺术性是指管理者在管理的实践活动中对管理原理运用的灵活性和对管理方式和方法选择的技巧性。管理既离不开科学性，又离不开艺术性。管理的科学性与艺术性之间不是一种排斥的关系，而是一种互补的关系。不注重管理的科学性只强调管理的艺术性，这种艺术性将会导致管理的随意性；不注重管理的艺术性只强调管理的科学性，管理科学将变成僵硬的教条。总之，管理的科学性和艺术性是统一于实践之中的。 b.管理是效率与效果的统一 管理通过计划、组织、协调、和控制，指导人们“正确的做事”，已达到管理效效率的目的。管理通过目标的的选择和资源的分配，引导人们“做正确的事”已达到管理效果上的目的，所以管理的目的是效率和效果的统一。P5 3.管理的性质P6 管理二重性的含义：管理二重性就是指管理具有与生产力相联系的自然属性和与生产关系相联系的社会属性。 4.管理者的概念与分类：管理活动通常是由人来承担的，人是管理的主体，因此把执行 管理任务的人通常称为管理者。按管理者的层次划分可把管理者分为高层管理人员、中层管理人员、基层管理人员、作业人员；按管理人员的领域划分可分为综合管理人员和专业管理人员。P7 5.管理者的素质：素质通常是指事物内在的特征。狭义的说，素质是指生理与心理范畴 内人的先天遗传的解剖生理特点；广义讲，素质包括素养、性格、品质和能力。 罗伯特-卡茨提出有效的管理者应当具备三种基本的技能：技术性技能、人际性技能、概念性技能。P11 6.组织与环境之间的关系。P13--P14 ①环境是组织管理系统建立的客观基础。组织的使命是组织存在的依据，它来自于环境对组织的要求。 武汉大学计算机学院 2014级研究生“数据仓库和数据挖掘”课程期末考试试题 要求：所有的题目的解答均写在答题纸上，需写清楚题目的序号。每张答题纸都要写上姓名和学号。 一、单项选择题（每小题2分，共20分） 1. 下面列出的条目中，（）不是数据仓库的基本特征。B A.数据仓库是面向主题的 B.数据仓库是面向事务的 C.数据仓库的数据是相对稳定的 D.数据仓库的数据是反映历史变化的 2. 数据仓库是随着时间变化的，下面的描述不正确的是（）。 A.数据仓库随时间的变化不断增加新的数据内容 B.捕捉到的新数据会覆盖原来的快照 C.数据仓库随事件变化不断删去旧的数据内容C D.数据仓库中包含大量的综合数据，这些综合数据会随着时间的变化不断地进行重新综合 3. 以下关于数据仓库设计的说法中（）是错误的。A A.数据仓库项目的需求很难把握，所以不可能从用户的需求出发来进行数据仓库的设计，只能从数据出发进行设计 B.在进行数据仓库主题数据模型设计时，应该按面向部门业务应用的方式来设计数据模型 C.在进行数据仓库主题数据模型设计时要强调数据的集成性 D.在进行数据仓库概念模型设计时，需要设计实体关系图，给出数据表的划分，并给出每个属性的定义域 4. 以下关于OLAP的描述中（）是错误的。A A.一个多维数组可以表示为（维1，维2，…，维n） B.维的一个取值称为该维的一个维成员 C.OLAP是联机分析处理 D.OLAP是数据仓库进行分析决策的基础 5. 多维数据模型中，下列（）模式不属于多维模式。D A.星型模式 B.雪花模式 C.星座模式 D.网型模式 6. 通常频繁项集、频繁闭项集和最大频繁项集之间的关系是（）。C A.频繁项集?频繁闭项集?最大频繁项集 B.频繁项集?最大频繁项集?频繁闭项集 C.最大频繁项集?频繁闭项集?频繁项集 D.频繁闭项集?频繁项集?最大频繁项集 数据挖掘（8）：朴素贝叶斯分类算法原理与实践 隔了很久没有写数据挖掘系列的文章了，今天介绍一下朴素贝叶斯分类算法，讲一下基本原理，再以文本分类实践。 一个简单的例子 朴素贝叶斯算法是一个典型的统计学习方法，主要理论基础就是一个贝叶斯公式，贝叶斯公式的基本定义如下： 这个公式虽然看上去简单，但它却能总结历史，预知未来。公式的右边是总结历史，公式的左边是预知未来，如果把Y看出类别，X看出特征，P(Yk|X)就是在已知特征X的情况下求Yk类别的概率，而对P(Yk|X)的计算又全部转化到类别Yk的特征分布上来。举个例子，大学的时候，某男生经常去图书室晚自习，发现他喜欢的那个女生也常去那个自习室，心中窃喜，于是每天买点好吃点在那个自习室蹲点等她来，可是人家女生不一定每天都来，眼看天气渐渐炎热，图书馆又不开空调，如果那个女生没有去自修室，该男生也就不去，每次男生鼓足勇气说：“嘿，你明天还来不？”,“啊，不知道，看情况”。然后该男生每天就把她去自习室与否以及一些其他情况做一下记录，用Y表示该女生是否去自习室，即Y={去，不去}，X是跟去自修室有关联的一系列条件，比如当天上了哪门主课，蹲点统计了一段时间后，该男生打算今天不再蹲点，而是先预测一下她会不会去，现在已经知道了今天上了常微分方法这么主课，于是计算P(Y=去|常微分方 程)与P(Y=不去|常微分方程)，看哪个概率大，如果P(Y=去|常微分方程) >P(Y=不去|常微分方程)，那这个男生不管多热都屁颠屁颠去自习室了，否则不就去自习室受罪了。P(Y=去|常微分方程)的计算可以转为计算以前她去的情况下，那天主课是常微分的概率P(常微分方程|Y=去)，注意公式右边的分母对每个类别（去/不去）都是一样的，所以计算的时候忽略掉分母，这样虽然得到的概率值已经不再是0~1之间，但是其大小还是能选择类别。 后来他发现还有一些其他条件可以挖，比如当天星期几、当天的天气，以及上一次与她在自修室的气氛，统计了一段时间后，该男子一计算，发现不好算了，因为总结历史的公式： 这里n=3，x(1)表示主课，x(2)表示天气，x(3)表示星期几，x(4)表示气氛，Y仍然是{去，不去}，现在主课有8门，天气有晴、雨、阴三种、气氛有A+,A,B+,B，C五种，那么总共需要估计的参数有8*3*7*5*2=1680个，每天只能收集到一条数据，那么等凑齐1 680条数据大学都毕业了，男生打呼不妙，于是做了一个独立性假设，假设这些影响她去自习室的原因是独立互不相关的，于是 有了这个独立假设后，需要估计的参数就变为，(8+3+7+5)*2 = 46个了，而且每天收集的一条数据，可以提供4个参数，这样该男生就预测越来越准了。 第一章计算机系统概论 1. 什么是计算机系统、计算机硬件和计算机软件？硬件和软件哪个更重要？ 解： 计算机系统：由计算机硬件系统和软件系统组成的综合体。 计算机硬件：指计算机中的电子线路和物理装置。 计算机软件：计算机运行所需的程序及相关资料。 硬件和软件在计算机系统中相互依存，缺一不可，因此同样重要。 2.如何理解计算机的层次结构？ 答：计算机硬件、系统软件和应用软件构成了计算机系统的三个层次结构。 （1）硬件系统是最内层的，它是整个计算机系统的基础和核心。 （2）系统软件在硬件之外，为用户提供一个基本操作界面。 （3）应用软件在最外层，为用户提供解决具体问题的应用系统界面。通常将硬件系统之外的其余层称为虚拟机。各层次之间关系密切，上层是下层的扩展，下层是上层的基础，各层次的划分不是绝对的。 4. 如何理解计算机组成和计算机体系结构？ 答：计算机体系结构是指那些能够被程序员所见到的计算机系统的属性，如指令系统、数据类型、寻址技术组成及I/O机理等。计算机组成是指如何实现计算机体系结构所体现的属性，包含对程序员透明的硬件细节，如组成计算机系统的各个功能部件的结构和功能，及相互连接方法等。8. 解释下列英文缩写的中文含义： CPU、PC、IR、CU、ALU、ACC、MQ、X、MAR、MDR、I/O、MIPS、CPI、FLOPS 解：全面的回答应分英文全称、中文名、功能三部分。 CPU：Central Processing Unit，中央处理机（器），是计算机硬件的核心部件，主要由运算器和控制器组成。 PC：Program Counter，程序计数器，其功能是存放当前欲执行指令的地址，并可自动计数形成下一条指令地址。 IR：Instruction Register，指令寄存器，其功能是存放当前正在执行的指令。 CU：Control Unit，控制单元（部件），为控制器的核心部件，其功能是产生微操作命令序列。 ALU：Arithmetic Logic Unit，算术逻辑运算单元，为运算器的核心部件，其功能是进行算术、逻辑运算。 ACC：Accumulator，累加器，是运算器中既能存放运算前的操作数，又能存放运算结果的寄存器。 MQ：Multiplier-Quotient Register，乘商寄存器，乘法运算时存放乘数、除法时存放商的寄存器。 X：此字母没有专指的缩写含义，可以用作任一部件名，在此表示操作数寄存器，即运算器中工作寄存器之一，用来存放操作数； MAR：Memory Address Register，存储器地址寄存器，在主存中用来存放欲访问的存储单元的地址。 MDR：Memory Data Register，存储器数据缓冲寄存器，在主存中用来存放从某单元读出、或要写入某存储单元的数据。 I/O：Input/Output equipment，输入/输出设备，为输入设备和输出设备的总称，用于计算机内部和外界信息的转换与传送。 第一章 1.人类活动的特点是什么？为什么管理实践与人类历史同样悠久？ 答：三个基本特点：目的性、依存性、知识性。这三个特点为人类的管理实践提供了客观条件，所以管理实践与人类历史同样悠久。 2．何谓管理？管理的基本特征是什么？ 答：管理是管理者为了有效地实现组织目标、个人发展和社会责任，运用管理职能进行协调的过程。特征：1、管理是人类有意识有目的的活动2、管理应当是有效的3、管理的本质是协调4、协调是运用各种管理职能的过程。 3. 管理活动具有哪些基本职能？它们之间的关系是什么？ 答：基本职能有：计划、组织、领导、控制、创新。每一项管理工作一般都是从计划开始，经过组织、领导到控制结束。各职能之间同时相互交叉渗透，控制的结果可能又导致新的计划，开始又一轮新的管理循环。创新在这管理循环之中处于轴心的地位，成为推动管理循环的原动力。 4.分析管理二重性的基本内容。 答：管理的自然属性，管理的出现是由人类活动的特点决定的，管理性质并不以人的意志为转移，也不因社会制度意识形态的不同而有所改变。管理的社会属性，管理是为了达到预期目的而进行的具有特殊职能的活动，是为了使人与人之间的关系以及国家、集体和个人的关系更加和谐。 5.一个有效的管理者需要扮演哪些角色？需要具备哪些技能？ 答：有人际角色、信息角色、决策角色。技能：技术技能、人际技能、概念技能。 6.分析管理学的研究对象及其方法目标。 答：各种管理工作中普遍适用的原理和方法。方法：归纳法、实验法、演绎法。 第二章 1.理解中国古代管理思想要点的主要内容，并思考对现代企业经营有何启示。比如，中国古代法制思想的基本原则是什么？ 答：顺“道”、重人、人和、守信、利器、求实、对策、节俭、法治。现代企业做到这几点才能在企业中得人心，每个人都积极做好自己的工作，企业工作效率才会提高。“明法、一法”明法是法律公布于世。一法是在法律面前人人平等。 2.请综合分析斯密与巴贝奇关于劳动分工的研究。 答：斯密认为日用必需品供应情况的好坏，决定于两个因素：一是这个国家的人民的劳动熟练程度、劳动技巧和判断力的高低；二是从事游泳劳动的人数和从事无用劳动人数的比例。巴贝奇提出了“边际熟练”原则认为分工可以减少支付工资这一好处。 3.科学管理理论为什么会在19世纪末的美国产生？泰罗为什么要研究并提出科学管理理论？其理论的实质是什么？其理论的主要内容是什么？并谈谈科学管理理论对目前我国企业管理的启发。 答：因为当时随着生产的发展，科学技术的进步，自由竞争的资本主义也逐步走向垄断的资本主义。单凭经验进行生产和管理已经不能适应这种剧烈争夺的局面了。泰罗认为单凭经验进行管理的方法是不科学的，必须加以改变。实质是谋求最高工作效率。内容：1.对工人提出科学的操作方法，以便合理利用工时，提高工效。2.在工资制度上实行差别计件制。3.对工人进行科学的选择、培训和提高。4.制定科学的工艺规程，并用文件形式固定下来以利推广。5.使管理和劳动分离，把管理工作称为计划职能，工人的劳动称为执行职能。 汕头大学2019数据挖掘期末复习资料（浩军老师班） 考试范围：数据预处理、数据关联分析、分类与预测、SVM、K-MEANS、聚类 考试题型：简答题，复习请以实验相关内容为主 数据挖掘课程的主要内容： 1.数据挖掘概述 2.数据预处理 3.数据挖掘算法－关联分析 4.数据挖掘算法－分类与预测 5.数据挖掘算法－聚类分析 一、数据挖掘概述 什么是数据挖掘？ 数据挖掘概念：从大量数据中寻找其规律的技术，是统计学、数据库技术和人工智能技术（机器学习）的综合。 数据挖掘定义：数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。 数据的特征：大容量、含噪音（不完全、不正确）、异质数据（多种数据类型混合的数据源，来自互联网的数据是典型的例子） 数据挖掘有哪些步骤？ 1.确定预测目标 2.统计数据特征 3.根据数据特征进行数据预处理 4.应用数据挖掘模型（分类、聚类、关联分析、离群点挖掘、标记等） 5.分析模型的准确率 6.找出影响模型准确率的因素，回到第3步迭代直到模型足够完美。 二、数据预处理 数据预处理有哪些步骤？ 1.数据清理 2.数据集成 3.数据归约 4.数据变换与数据离散化 为什么要进行数据预处理？ 现实世界的数据是不完整的、含有噪声的、不一致的、冗余的。低质量的数据将导致低质量的挖掘结果。 1)现实世界的数据一般是脏的、不完整的和不一致的。 2)数据预处理技术可以改进数据的质量，从而有助于提高其后的挖掘过程的精度和性能。 3) 高质量的决策必然依赖于高质量的数据，因此数据预处理是知识发现过程的重要步骤。 数据的质量涉及的三个要素是？ 准确性，完整性和一致性。现实世界的数据一般是脏的不完整的不一致的。数据预处理技术可以改善数据的质量。 如何填充数据中存在的缺失值？ 数据仓库与数据挖掘期末综合复习 第一章 1、数据仓库就是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合。 2、元数据是描述数据仓库内数据的结构和建立方法的数据，它为访问数据仓库提供了一个信息目录，根据数据用途的不同可将数据仓库的元数据分为技术元数据和业务元数据两类。 3、数据处理通常分成两大类：联机事务处理和联机分析处理。 4、多维分析是指以“维”形式组织起来的数据（多维数据集）采取切片、切块、钻取和旋转等各种分析动作，以求剖析数据，使拥护能从不同角度、不同侧面观察数据仓库中的数据，从而深入理解多维数据集中的信息。 5、ROLAP是基于关系数据库的OLAP实现，而MOLAP是基于多维数据结构组织的OLAP 实现。 OLAP技术的有关概念： OLAP根据其存储数据的方式可分为三类：ROLAP、MOLAP、HOLAP 6、数据仓库按照其开发过程，其关键环节包括数据抽取、数据存储与管理和数据表现等。 7、数据仓库系统的体系结构根据应用需求的不同，可以分为以下4种类型：两层架构、独立型数据集合、以来型数据结合和操作型数据存储和逻辑型数据集中和实时数据仓库。 8、操作型数据存储实际上是一个集成的、面向主题的、可更新的、当前值的（但是可“挥发”的）、企业级的、详细的数据库，也叫运营数据存储。 9、“实时数据仓库”以为着源数据系统、决策支持服务和仓库仓库之间以一个接近实时的速度交换数据和业务规则。 10、从应用的角度看，数据仓库的发展演变可以归纳为5个阶段：以报表为主、以分析为主、以预测模型为主、以运营导向为主和以实时数据仓库和自动决策为主。 11、什么是数据仓库？数据仓库的特点主要有哪些？ 数据仓库通常是指一个数据库环境，而不是支一件产品，它是提供用户用于决策支持的当前和历史数据，这些数据在传统的数据库中通常不方便得到。数据仓库就是一个面向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，通常用于辅助决策支持。 数据仓库的特点包含以下几个方面： （1）面向主题。操作型数据库的数据组织是面向事务处理任务，各个业务系统之间各自分离；而数据仓库中的数据是按照一定的主题域进行组织。 （2）集成的。面向事务处理的操作型数据库通常与某些特定的应用相关，数据库之间相互独立，并且往往是异构的。也就是说存放在数据仓库中的数据应使用一致的命名规则、格式、编码结构和相关特性来定义。 （3）相对稳定的。操作型数据库中的数据通常实时更新，数据根据需要及时发生变化。数据仓库的数据主要供单位决策分析之用，对所涉及的数据操作主要是数据查询和加载，一旦某个数据加载到数据仓库以后，一般情况下将作为数据档案长期保存，几乎不再做修改和删除操作，也就是说针对数据仓库，通常有大量的查询操作及少量定期的加载（或刷新）操作。 （4）反映历史变化。操作型数据库（OLTP）主要关心当前某一个时间段内的数据，而数据仓库中的数据通常包含较久远的历史数据，因此总是包括一个时间维，以便可以研究趋势和变化。数据仓库系统通常记录了一个单位从过去某一时点(如开始启用数据仓库系统的时点)到目前的所有时期的信息，通过这些信息，可以对单位的发展历程和未来趋势做出定量分析和预测。 12、数据挖掘的概念 数据挖掘，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单的说，数据挖掘就是从大量数据中提取或“挖掘”知识，又被称为数据库中的知识发现。数据挖掘的方法：直接数据挖掘、间接数据挖掘。 13、数据仓库与数据挖掘的关系 习题参考答案 第1 章绪论 1.1 数据挖掘处理的对象有哪些？请从实际生活中举出至少三种。 答：数据挖掘处理的对象是某一专业领域中积累的数据，对象既可以来自社会科学,又可以来自自然科学产生的数据,还可以是卫星观测得到的数据。数据形式和结构也各不相同, 可以是传统的关系数据库,可以是面向对象的高级数据库系统,也可以是面向特殊应用的 数据库,如空间数据库、时序数据库、文本数据库和多媒体数据库等,还可以是Web 数据 信息。 实际生活的例子： ①电信行业中利用数据挖掘技术进行客户行为分析，包含客户通话记录、通话时间、所 开通的服务等，据此进行客户群体划分以及客户流失性分析。 ②天文领域中利用决策树等数据挖掘方法对上百万天体数据进行分类与分析，帮助天文 学家发现其他未知星体。 ③制造业中应用数据挖掘技术进行零部件故障诊断、资源优化、生产过程分析等。 ④市场业中应用数据挖掘技术进行市场定位、消费者分析、辅助制定市场营销策略等。 1.2 给出一个例子，说明数据挖掘对商务的成功是至关重要的。该商务需要什么样的数据挖掘功能？它们能够由数据查询处理或简单的统计分析来实现吗？ 答：例如，数据挖掘在电子商务中的客户关系管理起到了非常重要的作用。随着各个电子商务网站的建立，企业纷纷地从“产品导向”转向“客户导向”，如何在保持现有的客户 同时吸引更多的客户、如何在客户群中发现潜在价值，一直都是电子商务企业重要任务。但是，传统的数据分析处理，如数据查询处理或简单的统计分析，只能在数据库中进行 一些简单的数据查询和更新以及一些简单的数据计算操作，却无法从现有的大量数据中 挖掘潜在的价值。而数据挖掘技术却能使用如聚类、关联分析、决策树和神经网络等多 种方法，对数据库中庞大的数据进行挖掘分析，然后可以进行客户细分而提供个性化服务、可以利用挖掘到的历史流失客户的特征来防止客户流失、可以进行产品捆绑推荐等，从而使电子商务更好地进行客户关系管理，提高客户的忠诚度和满意度。 1.3 假定你是Big-University 的软件工程师，任务是设计一个数据挖掘系统，分析学校课程数据库。该数据库包括如下信息：每个学生的姓名、地址和状态(例如，本科生或研究生)、所修课程，以及他们的GPA。描述你要选取的结构，该结构的每个成分的作用是什么？答：任务目的是分析课程数据库，那么首先需要有包含信息的关系型数据库系统，以便查找、提取每个属性的值；在取得数据后，需要有特征选择模块，通过特征选择，找出要分析 的属性；接下来需要一个数据挖掘算法，或者数据挖掘软件，它应该包含像分类、聚类、关联分析这样的分析模块，对选择出来的特征值进行分析处理；在得到结果后，可以用 可视化软件进行显示。 1.4 假定你作为一个数据挖掘顾问，受雇于一家因特网搜索引擎公司。通过特定的例子说明，数据挖掘可以为公司提供哪些帮助，如何使用聚类、分类、关联规则挖掘和离群点检测 等技术为企业服务。 答： (1) 使用聚类发现互联网中的不同群体，用于网络社区发现； 第2 页共27 页 (2) 使用分类对客户进行等级划分，从而实施不同的服务； (3) 使用关联规则发现大型数据集中间存在的关系，用于推荐搜索。如大部分搜索了“广外”的人都会继续搜索“信息学院”，那么在搜索“广外”后会提示是否进进一步搜 索“信息学院”。 《计算机网络原理》期末复习题及答案 一、单选题 (1-5,P1-P16) 1. 通信子网为网络源节点与目的节点之间提供了多条传输路径的可能性，路由选择是（）。 A．建立并选择一条物理链路 B．建立并选择一条逻辑链路 C．网络节点收到一个分组后，确定转发分组的路径 D．选择通信媒体 2．Internet上的数据交换采用的是( )。 A．分组交换B．电路交换 C．报文交换D．光交换 3.通信子网中的最高层是（） A.数据链路层 B.传输层 C.网络层 D.应用层 4.通信子网为网络源节点与目的节点之间提供了多条传输路径的可能性，路由选择是（）。 A．建立并选择一条物理链路 B．建立并选择一条逻辑链路 C．网络节点收到一个分组后，确定转发分组的路径 D．选择通信媒体 5.分组交换方式是将长的报文分成若干较短的\有固定长度的分组.与报文的交换不同的是,分组交换方式有( ) A.报文头 B.报文尾 C.路由 D.分组编号 (6-13,P17-P28) 6. 调制解调器（Modem）的主要功能是（） A．数字信号的驱动B．数字信号的整形 C．模拟信号的放大D．数字信号与模拟信号的转换 7. 采用半双工通信方式，数据传输的方向性结构为（） A. 只能在一个方向上传输 B. 可以在两个方向上同时传输 C. 可以在两个方向上传输，但不能同时进行 D. 以上均不对 8. 调制解调技术主要用于( )的通信方式中。 A．模拟信道传输数字数据 B．模拟信道传输模拟数据 C．数字信道传输数字数据 D．数字信道传输模拟数据 9. 计算机网络中各节点之间传输方式采用( )。 A．串行方式B．并行方式 C．连续方式D．分散方式 10. 在光纤中采用的多路复用技术是( )。 :号学 题目-一 - -二 二 三四五六七八九十总成绩复核得分 阅卷教师 :名姓班 级 业专 院 学院学学科息信与学数 题试试考末期期学季春年学一320数据挖掘试卷 课程代码：C0204413课程：数据挖掘A卷 一、判断题（每题1分，10分） 1. 从点作为个体簇开始，每一步合并两个最接近的簇，这是一种分裂的层次聚类方法。（） 2. 数据挖掘的目标不在于数据采集策略，而在于对已经存在的数据进行模式的发掘。（） 3. 在聚类分析当中，簇内的相似性越大，簇间的差别越大，聚类的效果就越差。（） 4. 当两个点之间的邻近度取它们之间距离的平方时，Ward方法与组平均非常相似。（） 5. DBSCAN是相对抗噪声的，并且能够处理任意形状和大小的簇。（） 6. 属性的性质不必与用来度量他的值的性质相同。（） 7. 全链对噪声点和离群点很敏感。（） 8. 对于非对称的属性，只有非零值才是重要的。（） 9. K均值可以很好的处理不同密度的数据。（） 10. 单链技术擅长处理椭圆形状的簇。（） 二、选择题（每题2分，30分） 1. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分 离？（） A. 分类 B.聚类 C.关联分析 D.主成分分析 2. （）将两个簇的邻近度定义为不同簇的所有点对邻近度的平均值，它是一种凝聚层次聚类技术。 A. MIN（单链） B.MAX（全链） C.组平均 D.Ward方法 3. 数据挖掘的经典案例“啤酒与尿布试验”最 主要是应用了（）数据挖掘方法。 A分类B预测C关联规则分析D聚类 4. 关于K均值和DBSCAN的比较，以下说法不正确的是（） A. K均值丢弃被它识别为噪声的对象，而DBSCAN —般聚类所有对 象。 B. K均值使用簇的基于原型的概念，DBSCAN使用基于密度的概念。 C. K均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇 D. K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇 5. 下列关于 Ward 'Method说法错误的是：（） A. 对噪声点和离群点敏感度比较小 B. 擅长处理球状的簇 C. 对于Ward方法，两个簇的邻近度定义为两个簇合并时导致的平方误差 D. 当两个点之间的邻近度取它们之间距离的平方时，Ward方法与组平均非常相似 6. 下列关于层次聚类存在的问题说法正确的是：（） A. 具有全局优化目标函数 B. Group Average擅长处理球状的簇 C. 可以处理不同大小簇的能力 D. Max对噪声点和离群点很敏感 7. 下列关于凝聚层次聚类的说法中，说法错误的事： （） A. 一旦两个簇合并，该操作就不能撤销 B. 算法的终止条件是仅剩下一个簇 2 C. 空间复杂度为O m D. 具有全局优化目标函数 8规则｛牛奶，尿布｝T｛啤酒｝的支持度和置信度分别为：（） 《大数据导论》课程期末复习资料 《大数据导论》课程讲稿章节目录： 第1章大数据概述 （1）大数据的概念 （2）大数据的特征 （3）大数据的数据类型 （4）大数据的技术 （5）大数据的应用 第2章大数据采集与预处理 （1）大数据采集 （2）大数据预处理概述 （3）数据清洗 （4）数据集成 （5）数据变换 （6）数据规约 第3章大数据存储 （1）大数据存储概述 （2）数据存储介质 （3）存储系统结构 （4）云存储概述 （5）云存储技术 （6）新型数据存储系统 （7）数据仓库 第4章大数据计算平台 （1）云计算概述 （2）云计算平台 （3）MapReduce平台 （4）Hadoop平台 （5）Spark平台 第5章大数据分析与挖掘 （1）大数据分析概述 （2）大数据分析的类型及架构 （3）大数据挖掘 （4）大数据关联分析 （5）大数据分类 （6）大数据聚类 （7）大数据分析工具 第6章大数据可视化 （1）大数据可视化概述 （2）大数据可视化方法 （3）大数据可视化工具 第7章社交大数据 （1）社交大数据 （2）国内社交网络大数据的应用 （3）国外社交网络大数据的应用 第8章交通大数据 （1）交通大数据概述 （2）交通监测应用 （3）预测人类移动行为应用 第9章医疗大数据 （1）医疗大数据简介 （2）临床决策分析应用 （3）医疗数据系统分析 第10章大数据的挑战与发展趋势 （1）大数据发展面临的挑战 （2）大数据的发展趋势 一、客观部分：（单项选择、多项选择） （一）、单项选择 1.以下不是NoSQL数据库的是（） A.MongoDB B.HBase C.Cassandra D.DB2 ★考核知识点:NoSQL与NewSQL主流系统 参考讲稿章节：3.7 附1.1.1（考核知识点解释）： 目前市场上主要的NoSQL数据存储工具有：BigTable、Dynamo 、Hbase、MongoDB、CouchDB、Hypertable 还存在一些其他的开源的NoSQL数据库，Neo4j、Oracle Berkeley DB、Apache Cassandra等 另外，NewSQL数据库。例如：GoogleSpanner、V oltDB、RethinkDB、Clustrix、TokuDB和MemSQL等。 2以下不是目前主流开源分布式计算系统的是（） A.Azure B.Hadoop C.Spark计算机网络原理期末考试样卷答案
管理原理与实践
数据仓库与数据挖掘试题
大数据挖掘(8)：朴素贝叶斯分类算法原理与实践
计算机组成原理期末复习答案
管理学原理与方法课后习题答案11905
汕头大学数据挖掘期末复习
数据仓库与数据挖掘期末综合复习
数据挖掘原理与实践-蒋盛益-答案
《计算机网络原理》——期末复习题及答案_27511460356712391
大学数据挖掘期末考试题
《大数据导论》复习资料
相关主题
文本预览