精华内容
下载资源
问答
  • 数据猿报道近期热点:①市值掉了15亿,向商家赔付1.5亿元!微盟再发公告:数据恢复期延后至3月3日②微盟SAAS数据遭核心员工破坏,回应:远程办公忽视了对员工精神状态的关注!大数据产业...

    数据猿报道

    近期热点:

    ①市值掉了15亿,向商家赔付1.5亿元!微盟再发公告:数据恢复期延后至3月3日

    ②微盟SAAS数据遭核心员工破坏,回应:远程办公忽视了对员工精神状态的关注!

     

    大数据产业创新服务媒体

    ——聚焦数据 · 改变商业

    连续12天登上微博热搜榜,平均一天3个热搜关键词,最高纪录一天有8个相关热搜上榜“网课”从未像现在这样受人关注。

     

    当大量中小学生因延期开学从线下涌上网络,开始这场特殊的学习之旅时,未承载过如此重担的网课尽管被吐槽居多,但在学生、老师、家长、教育机构历经了近20多天的网课洗礼后,关于网课,不再只有“翻车”和“尴尬”的评价。

    实际上,在一些学生为教育APP狂打一星的背后,是学而思网校、猿辅导等众多一线在线教育机构已能为其提供丰富优质的教学工具和教学内容。一根网线,一块屏幕就可以搭建起线上课堂,满足教学需要。

     

    近日,以“网课”及各大在线教育APP为关键词进行搜索,观察了近一个月微博、APP等平台的日活数情况,从数据角度盘点隐藏在网课段子背后,用户评价发生了什么样的转变?当传统教育模式历经线上“翻车”,以学而思网校为代表的众多在线教育机构提供的免费公益课程到底表现如何?      

     

    网课:从尴尬、翻车到缓解焦虑

     

    “课程与在校期间‘神同步’,难度与学校保持一致,由名校老师、全国特级教师领衔。

     

    “在‘文化课’之外,体育、美术、编程、围棋、通识、科学等课程应有尽有。

     

    “还有名家大师讲述《红楼梦》、《西游记》、清朝十大人物,现代人的创造精神,从古到今的卫生防疫制度,博物馆中的奥秘……”

     

    这是学而思网校推出的“在家上学(中小学课堂)”专题。当传统的线下教育因突如其来的疫情被迫全部搬到线上,历经了网课卡顿、老师没开麦等一系列尴尬事件时,另一方面,一些由学而思网校、猿辅导、作业帮等成熟在线教育机构提供的优质免费直播课程,给学生们提供了另一条学习渠道。

     

    在学而思网校教高三年级数学的老师吴旭,就曾遇到因为疫情而停课,很多即将高考的孩子给他留言——“老师,再不上课我要崩溃了。”为此,吴旭在把冰箱塞满之后,在家里开始了紧张的网络直播课程。

     

    优质网课,对于众多高三、初三学生来说是保持学习节奏的渠道,而在另一方面,对于资源贫瘠的学生来说,这次大规模免费的直播网课,则帮助他们获得了更好的师资资源,解决了求知的困惑。

     

    自大年三十晚上开始,便有在线教育机构公开宣布向社会中小学生捐课,截至目前,包括学而思网校、新东方、作业帮、猿辅导、网易有道等多家知名在线教育机构都宣布上线免费直播课,而这些直播课中不乏引进经验丰富的老师。其中学而思网校就表示,此次推出覆盖全年级全学科的公益免费直播课,不仅汇聚了学而思网校优质的师资力量,也依托16年的教研经验,对课程进行了优化设置。

     

    而在学科课程之外,学而思网校还提供了丰富的素养课、名家大师课——朗朗、纪连海、刘心武、李天飞、耿朔、阎雨、于赓哲以及武汉大学基础医学院专家冯勇、港珠澳大桥设计师林鸣、中科院院士胡文瑞纷纷现身授课,帮助孩子们扩宽视野、培养情操。

     

    一位家在内蒙古,这个寒假第一次听了学而思网校数学课的学生表示,“以前没法把各种题型归类,感觉每道题都是新题,但听了网课老师教的方法,思路清晰多了,做题很轻松。

     

    图片来源:摄图网

    实际上,除了安抚焦虑的学生,一些在线教育机构还提供了专门针对家长的课程,帮助家长更好地应对教育工作。如近期学而思网校便邀请了樊登老师为全国中小学生的父母送出一份“不焦虑”的秘籍,探讨面对孩子不爱学习、爱玩游戏、青春期叛逆等种种问题,如何才能做不焦虑的父母。

    全网观看流量激增

    学而思网校累计超5亿人次上课

     

    尽管大众对于网课的评价褒贬不一,但在庞大的热搜数量背后,是高达2.8亿名学生参与网课以及激增的观看数量。其中,知名在线教育机构凭借更为优质的产品和服务,引人瞩目。

     

    而作为在线教育机构中的龙头品牌,学而思网校自免费直播课上线以来,新学员人数更是猛增。截至2020年2月23日,学而思网校的免费直播课,累计看课人次突破了5亿。

     

    累计5亿的观看人数是来源于学而思网校针对学生的需要,在2月1日就进行了全行业较早的免费公益直播。外,学而思网校上线的内容丰富,师资力量强大,在上线全新的K12名师课之外,还邀请了中科院院士胡文瑞、港珠澳大桥总工程师林鸣等各领域专家大咖直播素养课、大师课、学习指导课和家长课堂。课程内容成体系,课程设计精细,吸引了大量用户观看。根据公开的极光大数据显示,学而思网校日活量在各大教育学习类APP中一直位居首位,2月4日日活一度达到峰值,约635W。2月1日至2月20日,学而思网校DAU平均都达到了492W。

     

    图片来源:摄图网

    个推大数据显示,在今年春节各类平均日活增幅都明显增长的学生学习类APP中,学而思网校平均日活同比增幅和新增用户同比增幅分别为834.31%和2422.66%,远超行业平均水平。

     

    此外,据东方证券研报统计,在各大在线教育机构接入的央视频平台的流量上,学而思网校占比保持在60%。在疫情停课不停学的影响之下,全网观课流量激增,仅央视频统计的数据显示,单日累计观看人次最高超4000万,而平均观看人次为2300万/日。

     

    除了央媒等站外平台爆发的流量,疫情期间,各家在线教育机构APP也迎来了流量暴增,下载量明显增长。

     

    七麦数据显示,各家在线教育机构ios端下载量自1月30日起开始井喷。其中,从爆发性来看,学而思网校APP从1月1日到1月30日的日均下载量为8806次,而在2月4日下载量快速达到峰值179536次,增长了近20倍。此外,猿辅导、作业帮、高途课堂、有道精品课、新东方在线分别增长了21、5、16、11、7倍,增长显著。

     

    对此,中信证券研报近日也指出,在疫情影响下,在线K12课外辅导在加速跑。研报表示,通过对几家主流在线K12辅导品牌课程、师资、服务、产品等细节比较,发现,学而思网校内容更优,猿辅导产品更强,跟谁学名师导向和服务细节突出,作业帮自有流量转化基础强,而东方优播作为不一样的商业模式更适应一些下沉市场。放长而言,打造差异化的内容和产品满足教育个性化的需求是根本,因此需要持续关注在内容、服务、产品以及品牌建设等方面的打造。

     

    隐藏在流量背后的技术支撑和服务迭代

     

    在承载蜂拥而来的巨额用户流量背后,各家在线教育机构也面对着前所未有的挑战和困难。“怎么在极短的时间内,将一个这么大体量的全新项目理顺并落实。比如从小学一年级到高中三年级的课程表怎么排,就涉及到上百位老师,因为这次都是在家直播,又涉及到上百个直播设备的调试,需要非常细致的沟通和统筹,一点错都不能出。再比如,我们和那么多外部平台合作,直播流切过去如何保障稳定流畅,怎么防止用户涌入过多对服务器造成太大压力,需要技术团队有足够的前瞻性,并且将工作分解到非常具体的细节。可以说是抓大又不能放小,对参与进来的所有人都是挑战。”这是此前学而思网校在执行免费增课这个公益行动时所感受到的最大的挑战和困难。

     

    而目前,在上线免费课数十天后,作为累计看课人次突破5亿的学而思网校,对外的承载量已能达到千万级的同时观看。其技术团队为了保障直播顺利进行,部分员工大年三十就开始复工,正月初三时则已全部复工。“为了给学生更好的上课体验,我们进行了多次扩容。”学而思网校方面表示,这一次,为了支援公益直播,研发团队调集了上千人来支持这项工作,来使得产品能够顺利运转。

     

    除了技术方面的升级保障,服务的迭代也在悄然进行中,疫情前期,大多在线教育机构所提供的公益直播课只有一套标准化的课程,没有太多服务,但截止目前,一些教育机构的课程内容开始多元化起来,此外,服务群开始出现,各类差异化措施也开始显现。

     

    其中,新东方在线就在提供免费课程的同时,上线了1-12年级春季同步课程,课程时间中学从2月15日至5月31日,小学则从2月22日至6月20日,贯穿整个学期,课程形式为双师模式,配备辅导老师。

     

    而学而思网校则从2月14日开始,在原有基础上新增沪教、北师、苏科、浙教四大课程版本(初中),更为本地化。此外,从科目来看,学而思网校课程由语数外等主科课程,编程围棋通识等拓展课程,名师大家课和家长课堂构成,类目更为丰富。

     

    目前,随着开学时间未定,可能进一步延期的影响,对于网络学习工具以及网课的需求正进一步被激发,百度搜索大数据显示,在武汉,目前中小学生最为关注的搜索内容为:高考资料、开学时间、网络学习工具。而下一步,在线教育机构又能做些什么,能为无法线下开学的学生们疏解焦虑,带来希望吗?

    文/每日经济新闻 丁加

    ——END——

    2019数据猿年度榜单:

    2019大数据产业趋势人物榜TOP 10

    2019大数据产业创新服务企业榜TOP 15

    2019大数据产业创新服务产品榜TOP 40

    数据猿

     

    美四大运营商或因出售用户定位数据而被罚2亿美元

    展开全文
  • 前端客户关键信息隐藏号*

    千次阅读 2015-03-06 17:07:59
    [code="java"] var msg= "futureghr"; var msg1 = "13811226688"...var test_id = msg.replace(/[\w\W]/g,'*').replace(/(^[\w\W])/,msg.substr(0,1)).replace(/([\w\W]$)/,msg....

    var msg= "futureghr";
    var msg1 = "13811226688";
    var msg2 = "我叫某某某";
    var test_id = msg.replace(/[\w\W]/g,'*').replace(/(^[\w\W])/,msg.substr(0,1)).replace(/([\w\W]$)/,msg.substring(msg.length-1));
    var test_mobile = msg1.replace(/[\w\W]/g,'*').replace(/(^[\w\W]{3})/,msg1.substr(0,3)).replace(/([\w\W]{4}$)/,msg1.substring(msg1.length-4));

    var test2_name = msg2.replace(/[\w\W]/g,'*').replace(/(^[\w\W])/,msg2.substr(0,1)).replace(/([\w\W]$)/,msg2.substring(msg2.length-1));


    结果

    f*******r
    138****6688
    我***某

    展开全文
  • 这时系统会为sub的数据单独开辟一个独立的内存空间,原字符串total在getSub()结束就可被垃圾回收了。 总的来说,还是要具体情况具体分析,灵活运用,并没有一定的答案,关键是理解背后的机制。

     

    String aa = "15254545875";
    aa = aa.substring(0, 3) + "****" + aa.substring(7, 11);
    mText.setHint(aa);
    


    由方法中的substring方法引申出了一个问题,substring()是否会重新创建出一个新的string对象?在下面找到了问题答案。
    
    substring()返回的字符串并不会真正复制原字符串的byte数组的一部分,而只是指向原字符串的byte数组的某个区间,这个特性决定了它的执行效率是很不错的,在内存使用方面则根据具体情况可能有两极化的表现。
    一般来说,由于substring()没有为子字符串申请新的空间,它有节约内存空间的作用。
    但在有些情况下,它反而浪费内存空间,因为它会导致它所基于的原字符串无法释放,从而不能被垃圾回收,如:
    public String getSub() {
      String total=.......
      return total.substring(0,1);
    }
    String sub = getSub();
    total本来是个局部变量,getSub()结束就可以被释放,但由于sub的存在,它无法被释放。如果total是个很长的字符串,sub相对来说短得多,就不是好事了。
    要解决这个问题也很简单,用intern()就可以了,如: public String getSub() {   String total=.......   return total.substring(0,1).intern(); } String sub = getSub(); 这时系统会为sub的数据单独开辟一个独立的内存空间,原字符串total在getSub()结束就可被垃圾回收了。 总的来说,还是要具体情况具体分析,灵活运用,并没有一定的答案,关键是理解背后的机制。

    展开全文
  • 数据挖掘面试 150 道题(附答案)

    万次阅读 多人点赞 2019-09-21 13:50:38
    1. 某超市研究销售纪录数据后发现,买啤酒的人很大概率也会购买尿布,这种属于数据挖掘的哪类问题?(A) A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理 2. 以下两种描述分别对应哪两种对分类算法的评价标准...

     

    单选题

    1. 某超市研究销售纪录数据后发现,买啤酒的人很大概率也会购买尿布,这种属于数据挖掘的哪类问题?(A)

    A. 关联规则发现

    B. 聚类

    C. 分类

    D. 自然语言处理


    2. 以下两种描述分别对应哪两种对分类算法的评价标准? (A)

    (a) 警察抓小偷,描述警察抓的人中有多少个是小偷的标准。

    (b) 描述有多少比例的小偷给警察抓了的标准。

    A. Precision, Recall 准确率和召回率

    B. Recall, Precision

    C. Precision, ROC

    D. Recall, ROC


    3. 将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务?(C)

    A. 频繁模式挖掘

    B. 分类和预测

    C. 数据预处理

    D. 数据流挖掘


    4. 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?(B)

    A. 分类

    B. 聚类

    C. 关联分析

    D. 隐马尔可夫链


    5. 什么是 KDD? (A)

    A. 数据挖掘与知识发现

    B. 领域知识发现

    C. 文档知识发现

    D. 动态知识发现


    6. 使用交互式的和可视化的技术,对数据进行探索属于数据挖掘的哪一类任务?(A)

    A. 探索性数据分析

    B. 建模描述

    C. 预测建模

    D. 寻找模式和规则


    7. 为数据的总体分布建模;把多维空间划分成组等问题属于数据挖掘的哪一类任务?(B)

    A. 探索性数据分析

    B. 建模描述

    C. 预测建模

    D. 寻找模式和规则


    8. 建立一个模型,通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的哪一类任务?(C)

    A. 根据内容检索

    B. 建模描述

    C. 预测建模

    D. 寻找模式和规则


    9. 用户有一种感兴趣的模式并且希望在数据集中找到相似的模式,属于数据挖掘哪一类任务?(A)

    A. 根据内容检索

    B. 建模描述

    C. 预测建模

    D. 寻找模式和规则


    11. 下面哪种不属于数据预处理的方法? (D)

    A 变量代换

    B 离散化

    C 聚集

    D 估计遗漏值


    12. 假设 12 个销售价格记录组已经排序如下:5, 10, 11, 13, 15,35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频(等深)划分时,15 在第几个箱子内? (B)

    A 第一个

    B 第二个

    C 第三个

    D 第四个


    13. 上题中,等宽划分时(宽度为 50),15 又在哪个箱子里? (A)

    A 第一个

    B 第二个

    C 第三个

    D 第四个


    14. 下面哪个不属于数据的属性类型:(D)

    A 标称

    B 序数

    C 区间

    D 相异


    15. 在上题中,属于定量的属性类型是:(C)

    A 标称

    B 序数

    C 区间

    D 相异


    16. 只有非零值才重要的二元属性被称作:(C)

    A 计数属性

    B 离散属性

    C 非对称的二元属性

    D 对称属性


    17. 以下哪种方法不属于特征选择的标准方法: (D)

    A 嵌入

    B 过滤

    C 包装

    D 抽样


    18. 下面不属于创建新属性的相关方法的是: (B)

    A 特征提取

    B 特征修改

    C 映射数据到新的空间

    D 特征构造


    19. 考虑值集 {1、2、3、4、5、90},其截断均值(p=20%)是 (C) ?

    A 2

    B 3

    C 3.5

    D 5


    20. 下面哪个属于映射数据到新的空间的方法? (A)

    A 傅立叶变换

    B 特征加权

    C 渐进抽样

    D 维归约


    21. 熵是为消除不确定性所需要获得的信息量,投掷均匀正六面体骰子的熵是: (B)

    A 1 比特

    B 2.6 比特

    C 3.2 比特

    D 3.8 比特


    22. 假设属性 income 的最大最小值分别是 12000 元和 98000 元。利用最大最小规范化的方法将属性的值映射到 0 至 1 的范围内。对属性 income 的 73600 元将被转化为:(D)

    A 0.821

    B 1.224

    C 1.458

    D 0.716


    23. 假定用于分析的数据包含属性 age。数据元组中 age 的值如下(按递增序):13,15,16,16,19,20,20,21,22,22,25,25,25,30,33,33,35,35,36,40,45,46,52,70, 问题:使用按箱平均值平滑方法对上述数据进行平滑,箱的深度为 3。第二个箱子值为:(A)

    A 18.3

    B 22.6

    C 26.8

    D 27.9


    24. 考虑值集 {12, 24, 33, 2, 4, 55, 68, 26},其四分位数极差是:(A)

    A 31

    B 24

    C 55

    D 3


    25. 一所大学内的各年纪人数分别为:一年级 200 人,二年级 160 人,三年级 130 人,四年级 110 人。则年级属性的众数是: (A)

    A 一年级

    B 二年级

    C 三年级

    D 四年级


    26. 下列哪个不是专门用于可视化时间空间数据的技术: (B)

    A 等高线图

    B 饼图

    C 曲面图

    D 矢量场图


    27. 在抽样方法中,当合适的样本容量很难确定时,可以使用的抽样方法是: (D)

    A 有放回的简单随机抽样

    B 无放回的简单随机抽样

    C 分层抽样

    D 渐进抽样


    28. 数据仓库是随着时间变化的, 下面的描述不正确的是 (C)

    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;

    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.


    29. 关于基本数据的元数据是指: (D)

    A. 基本元数据与数据源, 数据仓库, 数据集市和应用程序等结构相关的信息;

    B. 基本元数据包括与企业相关的管理方面的数据和信息;

    C. 基本元数据包括日志文件和简历执行处理的时序调度信息;

    D. 基本元数据包括关于装载和更新处理, 分析处理以及管理方面的信息.


    30. 下面关于数据粒度的描述不正确的是: (C)

    A. 粒度是指数据仓库小数据单元的详细程度和级别;

    B. 数据越详细, 粒度就越小, 级别也就越高;

    C. 数据综合度越高, 粒度也就越大, 级别也就越高;

    D. 粒度的具体划分将直接影响数据仓库中的数据量以及查询质量.


    31. 有关数据仓库的开发特点, 不正确的描述是: (A)

    A. 数据仓库开发要从数据出发;

    B. 数据仓库使用的需求在开发出去就要明确;

    C. 数据仓库的开发是一个不断循环的过程, 是启发式的开发;

    D. 在数据仓库环境中, 并不存在操作型环境中所固定的和较确切的处理流, 数据仓库中数据分析和处理更灵活, 且没有固定的模式


    32. 在有关数据仓库测试, 下列说法不正确的是: (D)

    A. 在完成数据仓库的实施过程中, 需要对数据仓库进行各种测试. 测试工作中要包括单元测试和系统测试.

    B. 当数据仓库的每个单独组件完成后, 就需要对他们进行单元测试.

    C. 系统的集成测试需要对数据仓库的所有组件进行大量的功能测试和回归测试.

    D. 在测试之前没必要制定详细的测试计划.


    33. OLAP 技术的核心是: (D)

    A. 在线性;

    B. 对用户的快速响应;

    C. 互操作性.

    D. 多维分析


    34. 关于 OLAP 的特性, 下面正确的是: (D)

    (1) 快速性 (2) 可分析性 (3) 多维性 (4) 信息性 (5) 共享性

    A. (1) (2) (3)

    B. (2) (3) (4)

    C. (1) (2) (3) (4)

    D. (1) (2) (3) (4) (5)


    35. 关于 OLAP 和 OLTP 的区别描述, 不正确的是:(C)

    A. OLAP 主要是关于如何理解聚集的大量不同的数据. 它与 OTAP 应用程序不同.

    B. 与 OLAP 应用程序不同, OLTP 应用程序包含大量相对简单的事务.

    C. OLAP 的特点在于事务量大, 但事务内容比较简单且重复率高.

    D. OLAP 是以数据仓库为基础的, 但其最终数据来源与 OLTP 一样均来自底层的数据库系统, 两者面对的用户是相同的.


    36. OLAM 技术一般简称为” 数据联机分析挖掘”, 下面说法正确的是:(D)

    A. OLAP 和 OLAM 都基于客户机 / 服务器模式, 只有后者有与用户的交互性;

    B. 由于 OLAM 的立方体和用于 OLAP 的立方体有本质的区别.

    C. 基于 WEB 的 OLAM 是 WEB 技术与 OLAM 技术的结合.

    D. OLAM 服务器通过用户图形借口接收用户的分析指令, 在元数据的知道下, 对超级立方体作一定的操作.


    37. 关于 OLAP 和 OLTP 的说法, 下列不正确的是:(A)

    A. OLAP 事务量大, 但事务内容比较简单且重复率高.

    B. OLAP 的最终数据来源与 OLTP 不一样.

    C. OLTP 面对的是决策人员和高层管理人员.

    D. OLTP 以应用为核心, 是应用驱动的.


    38. 设 X={1,2,3} 是频繁项集,则可由 X 产生__(C)__个关联规则。

    A、4

    B、5

    C、6

    D、7


    40. 概念分层图是__(B)__图。

    A、无向无环

    B、有向无环

    C、有向有环

    D、无向有环


    41. 频繁项集、频繁闭项集、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 = 频繁闭项集 最大频繁项集

    C、频繁项集 频繁闭项集 最大频繁项集

    D、频繁项集 = 频繁闭项集 = 最大频繁项集


    42. 考虑下面的频繁 3 - 项集的集合:{1,2,3},{1,2,4},{1,2,5},{1,3,4},{1,3,5},{2,3,4},{2,3,5},{3,4,5} 假定数据集中只有 5 个项,采用 合并策略,由候选产生过程得到 4 - 项集不包含(C)

    A、1,2,3,4

    B、1,2,3,5

    C、1,2,4,5

    D、1,3,4,5


    43. 下面选项中 t 不是 s 的子序列的是 (C)

    A、s=<{2,4},{3,5,6},{8}> t=<{2},{3,6},{8}>

    B、s=<{2,4},{3,5,6},{8}> t=<{2},{8}>

    C、s=<{1,2},{3,4}> t=<{1},{2}>

    D、s=<{2,4},{2,4}> t=<{2},{4}>


    44. 在图集合中发现一组公共子结构,这样的任务称为 (B)

    A、频繁子集挖掘

    B、频繁子图挖掘

    C、频繁数据项挖掘

    D、频繁模式挖掘


    45. 下列度量不具有反演性的是 (D)

    A、系数

    B、几率

    C、Cohen 度量

    D、兴趣因子


    46. 下列__(A)__不是将主观信息加入到模式发现任务中的方法。

    A、与同一时期其他数据对比

    B、可视化

    C、基于模板的方法

    D、主观兴趣度量


    47. 下面购物篮能够提取的 3 - 项集的最大数量是多少(C)

    ID 购买项

    1 牛奶,啤酒,尿布

    2 面包,黄油,牛奶

    3 牛奶,尿布,饼干

    4 面包,黄油,饼干

    5 啤酒,饼干,尿布

    6 牛奶,尿布,面包,黄油

    7 面包,黄油,尿布

    8 啤酒,尿布

    9 牛奶,尿布,面包,黄油

    10 啤酒,饼干

    A、1

    B、2

    C、3

    D、4


    48. 以下哪些算法是分类算法,(B)

    A. DBSCAN

    B. C4.5

    C. K-Mean

    D. EM


    49. 以下哪些分类方法可以较好地避免样本的不平衡问题, (A)

    A,KNN

    B,SVM

    C,Bayes

    D,神经网络


    50. 决策树中不包含一下哪种结点, (C)

    A, 根结点(root node)

    B, 内部结点(internal node)

    C, 外部结点(external node)

    D, 叶结点(leaf node)


    51. 不纯性度量中 Gini 计算公式为(其中 c 是类的个数) (A)

    A,

    B,

    C,

    D, 


    53. 以下哪项关于决策树的说法是错误的 (C)

    A. 冗余属性不会对决策树的准确率造成不利的影响

    B. 子树可能在决策树中重复多次

    C. 决策树算法对于噪声的干扰非常敏感

    D. 寻找最佳决策树是 NP 完全问题


    54. 在基于规则分类器的中,依据规则质量的某种度量对规则排序,保证每一个测试记录都是由覆盖它的 “最好的” 规格来分类,这种方案称为 (B)

    A. 基于类的排序方案

    B. 基于规则的排序方案

    C. 基于度量的排序方案

    D. 基于规格的排序方案。


    55. 以下哪些算法是基于规则的分类器 (A)

    A. C4.5

    B. KNN

    C. Naive Bayes

    D. ANN


    56. 如果规则集 R 中不存在两条规则被同一条记录触发,则称规则集 R 中的规则为(C);

    A. 无序规则

    B. 穷举规则

    C. 互斥规则

    D.有序规则


    57. 如果对属性值的任一组合,R 中都存在一条规则加以覆盖,则称规则集 R 中的规则为 (B)

    A. 无序规则

    B. 穷举规则

    C. 互斥规则

    D. 有序规则


    58. 如果规则集中的规则按照优先级降序排列,则称规则集是 (D)

    A, 无序规则

    B,穷举规则

    C, 互斥规则

    D,有序规则


    59. 如果允许一条记录触发多条分类规则,把每条被触发规则的后件看作是对相应类的一次投票,然后计票确定测试记录的类标号,称为(A)

    A. 无序规则

    B. 穷举规则

    C. 互斥规则

    D. 有序规则


    60. 考虑两队之间的足球比赛:队 0 和队 1。假设 65% 的比赛队 0 胜出,剩余的比赛队 1 获胜。队 0 获胜的比赛中只有 30% 是在队 1 的主场,而队 1 取胜的比赛中 75% 是主场获胜。如果下一场比赛在队 1 的主场进行队 1 获胜的概率为 (C)

    A. 0.75

    B. 0.35

    C,0.4678

    D, 0.5738


    61. 以下关于人工神经网络(ANN)的描述错误的有 (A)

    A,神经网络对训练数据中的噪声非常鲁棒

    B,可以处理冗余特征

    C,训练 ANN 是一个很耗时的过程

    D,至少含有一个隐藏层的多层神经网络


    62. 通过聚集多个分类器的预测来提高分类准确率的技术称为 (A)

    A, 组合 (ensemble)

    B, 聚集 (aggregate)

    C,合并 (combination)

    D,投票 (voting)


    63. 简单地将数据对象集划分成不重叠的子集,使得每个数据对象恰在一个子集中,这种聚类类型称作( B )

    A、层次聚类

    B、划分聚类

    C、非互斥聚类

    D、模糊聚类


    64. 在基本 K 均值算法里,当邻近度函数采用( A )的时候,合适的质心是簇中各点的中位数。

    A、曼哈顿距离

    B、平方欧几里德距离

    C、余弦距离

    D、Bregman 散度


    65.( C )是一个观测值,它与其他观测值的差别如此之大,以至于怀疑它是由不同的机制产生的。

    A、边界点

    B、质心

    C、离群点

    D、核心点


    66. BIRCH 是一种( B )。

    A、分类器

    B、聚类算法

    C、关联分析算法

    D、特征选择算法


    67. 检测一元正态分布中的离群点,属于异常检测中的基于( A )的离群点检测。

    A、统计方法

    B、邻近度

    C、密度

    D、聚类技术


    68.( C )将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度,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


    69.( D )将两个簇的邻近度定义为两个簇合并时导致的平方误差的增量,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


    70. DBSCAN 在最坏情况下的时间复杂度是( B )。

    A、O(m)

    B、O(m2)

    C、O(log m)

    D、O(m*log m)


    71. 在基于图的簇评估度量表里面,如果簇度量为 proximity(Ci , C),簇权值为 mi ,那么它的类型是( C )。

    A、基于图的凝聚度

    B、基于原型的凝聚度

    C、基于原型的分离度

    D、基于图的凝聚度和分离度


    72. 关于 K 均值和 DBSCAN 的比较,以下说法不正确的是( A )。

    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,而 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。


    73. 以下是哪一个聚类算法的算法流程:①构造 k-最近邻图。②使用多层图划分算法划分图。③repeat:合并关于相对互连性和相对接近性而言,最好地保持簇的自相似性的簇。④until:不再有可以合并的簇。( C )。

    A、MST

    B、OPOSSUM

    C、Chameleon

    D、Jarvis-Patrick(JP)


    74. 考虑这么一种情况:一个对象碰巧与另一个对象相对接近,但属于不同的类,因为这两个对象一般不会共享许多近邻,所以应该选择( D )的相似度计算方法。

    A、平方欧几里德距离

    B、余弦距离

    C、直接相似度

    D、共享最近邻


    75. 以下属于可伸缩聚类算法的是( A )。

    A、CURE

    B、DENCLUE

    C、CLIQUE

    D、OPOSSUM


    76. 以下哪个聚类算法不是属于基于原型的聚类( D )。

    A、模糊 c 均值

    B、EM 算法

    C、SOM

    D、CLIQUE


    77. 关于混合模型聚类算法的优缺点,下面说法正确的是( B )。

    A、当簇只包含少量数据点,或者数据点近似协线性时,混合模型也能很好地处理。

    B、混合模型比 K 均值或模糊 c 均值更一般,因为它可以使用各种类型的分布。

    C、混合模型很难发现不同大小和椭球形状的簇。

    D、混合模型在有噪声和离群点时不会存在问题。


    78. 以下哪个聚类算法不属于基于网格的聚类算法( D )。

    A、STING

    B、WaveCluster

    C、MAFIA

    D、BIRCH


    79. 一个对象的离群点得分是该对象周围密度的逆。这是基于( C )的离群点定义。

    A.概率

    B、邻近度

    C、密度

    D、聚类


    80. 下面关于 Jarvis-Patrick(JP)聚类算法的说法不正确的是( D )。

    A、JP 聚类擅长处理噪声和离群点,并且能够处理不同大小、形状和密度的簇。

    B、JP 算法对高维数据效果良好,尤其擅长发现强相关对象的紧致簇。

    C、JP 聚类是基于 SNN 相似度的概念。

    D、JP 聚类的基本时间复杂度为 O(m)。

     

    多选题

    1. 通过数据挖掘过程所推倒出的关系和摘要经常被称为:(A B)

    A. 模型

    B. 模式

    C. 模范

    D. 模具


    2 寻找数据集中的关系是为了寻找精确、方便并且有价值地总结了数据的某一特征的表示,这个过程包括了以下哪些步骤? (A B C D)

    A. 决定要使用的表示的特征和结构

    B. 决定如何量化和比较不同表示拟合数据的好坏

    C. 选择一个算法过程使评分函数最优

    D. 决定用什么样的数据管理原则以高效地实现算法。


    3. 数据挖掘的预测建模任务主要包括哪几大类问题? (A B)

    A. 分类

    B. 回归

    C. 模式发现

    D. 模式匹配


    4. 数据挖掘算法的组件包括:(A B C D)

    A. 模型或模型结构

    B. 评分函数

    C. 优化和搜索方法

    D. 数据管理策略


    5. 以下哪些学科和数据挖掘有密切联系?(A D)

    A. 统计

    B. 计算机组成原理

    C. 矿产挖掘

    D. 人工智能


    6. 在现实世界的数据中,元组在某些属性上缺少值是常有的。描述处理该问题的各种方法有: (ABCDE)

    A 忽略元组

    B 使用属性的平均值填充空缺值

    C 使用一个全局常量填充空缺值

    D 使用与给定元组属同一类的所有样本的平均值

    E 使用最可能的值填充空缺值


    7. 下面哪些属于可视化高维数据技术 (ABCE)

    A 矩阵

    B 平行坐标系

    C 星形坐标

    D 散布图

    E Chernoff 脸


    8. 对于数据挖掘中的原始数据,存在的问题有: (ABCDE)

    A 不一致

    B 重复

    C 不完整

    D 含噪声

    E 维度高


    9. 下列属于不同的有序数据的有:(ABCE)

    A 时序数据

    B 序列数据

    C 时间序列数据

    D 事务数据

    E 空间数据


    10. 下面属于数据集的一般特性的有:(B C D)

    A 连续性

    B 维度

    C 稀疏性

    D 分辨率

    E 相异性


    11. 下面属于维归约常用的线性代数技术的有: (A C)

    A 主成分分析

    B 特征提取

    C 奇异值分解

    D 特征加权

    E 离散化


    12. 下面列出的条目中,哪些是数据仓库的基本特征: (ACD)

    A. 数据仓库是面向主题的

    B. 数据仓库的数据是集成的

    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

    E. 数据仓库是面向事务的


    13. 以下各项均是针对数据仓库的不同说法,你认为正确的有(BCDE )。

    A.数据仓库就是数据库

    B.数据仓库是一切商业智能系统的基础

    C.数据仓库是面向业务的,支持联机事务处理(OLTP)

    D.数据仓库支持决策而非事务处理

    E.数据仓库的主要目标就是帮助分析,做长期性的战略制定


    14. 数据仓库在技术上的工作过程是: (ABCD)

    A. 数据的抽取

    B. 存储和管理

    C. 数据的表现

    D. 数据仓库设计

    E. 数据的表现


    15. 联机分析处理包括以下哪些基本分析功能? (BCD)

    A. 聚类

    B. 切片

    C. 转轴

    D. 切块

    E. 分类


    16. 利用 Apriori 算法计算频繁项集可以有效降低计算频繁集的时间复杂度。在以下的购物篮中产生支持度不小于 3 的候选 3 - 项集,在候选 2 - 项集中需要剪枝的是(BD)

    ID 项集

    1 面包、牛奶

    2 面包、尿布、啤酒、鸡蛋

    3 牛奶、尿布、啤酒、可乐

    4 面包、牛奶、尿布、啤酒

    5 面包、牛奶、尿布、可乐

    A、啤酒、尿布

    B、啤酒、面包

    C、面包、尿布

    D、啤酒、牛奶


    17. 下表是一个购物篮,假定支持度阈值为 40%,其中(A D)是频繁闭项集。

    TID 项

    1 abc

    2 abcd

    3 bce

    4 acde

    5 de

    A、abc

    B、ad

    C、cd

    D、de


    18. Apriori 算法的计算复杂度受(ABCD)影响。

    A、支持度阀值

    B、项数(维度)

    C、事务数

    D、事务平均宽度


    19. 非频繁模式__(AD)__

    A、其支持度小于阈值

    B、都是不让人感兴趣的

    C、包含负模式和负相关模式

    D、对异常数据项敏感


    20. 以下属于分类器评价或比较尺度的有: (ACD)

    A, 预测准确度

    B, 召回率

    C, 模型描述的简洁度

    D, 计算复杂度


    21. 在评价不平衡类问题分类的度量方法有如下几种,(ABCD)

    A. F1 度量

    B. 召回率(recall)

    C. 精度(precision)

    D. 真正率(ture positive rate,TPR)


    22. 贝叶斯信念网络 (BBN) 有如下哪些特点, (AB)

    A, 构造网络费时费力

    B, 对模型的过分问题非常鲁棒

    C, 贝叶斯网络不适合处理不完整的数据

    D, 网络结构确定后,添加变量相当麻烦


    23. 如下哪些不是最近邻分类器的特点, (C)

    A, 它使用具体的训练实例进行预测,不必维护源自数据的模型

    B, 分类一个测试样例开销很大

    C, 最近邻分类器基于全局信息进行预测

    D, 可以生产任意形状的决策边界


    24. 如下那些不是基于规则分类器的特点,(AC)

    A, 规则集的表达能力远不如决策树好

    B, 基于规则的分类器都对属性空间进行直线划分,并将类指派到每个划分

    C, 无法被用来产生更易于解释的描述性模型

    D, 非常适合处理类分布不平衡的数据集


    25. 以下属于聚类算法的是( ABD )。

    A、K 均值

    B、DBSCAN

    C、Apriori

    D、Jarvis-Patrick(JP)


    26.( CD )都属于簇有效性的监督度量。

    A、轮廓系数

    B、共性分类相关系数

    C、熵

    D、F 度量


    27. 簇有效性的面向相似性的度量包括( BC )。

    A、精度

    B、Rand 统计量

    C、Jaccard 系数

    D、召回率


    28.( ABCD )这些数据特性都是对聚类分析具有很强影响的。

    A、高维性

    B、规模

    C、稀疏性

    D、噪声和离群点


    29. 在聚类分析当中,( AD )等技术可以处理任意形状的簇。

    A、MIN(单链)

    B、MAX(全链)

    C、组平均

    D、Chameleon


    30. ( AB )都属于分裂的层次聚类算法。

    A、二分 K 均值

    B、MST

    C、Chameleon

    D、组平均

     

    判断题

    1. 数据挖掘的主要任务是从数据中发现潜在的规则,从而能更好的完成描述数据、预测数据等任务。 (对)

    2. 数据挖掘的目标不在于数据采集策略,而在于对于已经存在的数据进行模式的发掘。(对)3. 图挖掘技术在社会网络分析中扮演了重要的角色。(对)

    4. 模式为对数据集的全局性总结,它对整个测量空间的每一点做出描述;模型则对变量变化空间的一个有限区域做出描述。(错)

    5. 寻找模式和规则主要是对数据进行干扰,使其符合某种规则以及模式。(错)

    6. 离群点可以是合法的数据对象或者值。    (对)

    7. 离散属性总是具有有限个值。        (错)

    8. 噪声和伪像是数据错误这一相同表述的两种叫法。     (错)

    9. 用于分类的离散化方法之间的根本区别在于是否使用类信息。   (对)

    10. 特征提取技术并不依赖于特定的领域。      (错)

    11. 序列数据没有时间戳。      (对)

    12. 定量属性可以是整数值或者是连续值。     (对)

    13. 可视化技术对于分析的数据类型通常不是专用性的。    (错)

    14. DSS 主要是基于数据仓库. 联机数据分析和数据挖掘技术的应用。(对)

    15. OLAP 技术侧重于把数据库中的数据进行分析、转换成辅助决策信息,是继数据库技术发展之后迅猛发展起来的一种新技术。 (对)

    16. 商业智能系统与一般交易系统之间在系统设计上的主要区别在于:后者把结构强加于商务之上,一旦系统设计完毕,其程序和规则不会轻易改变;而前者则是一个学习型系统,能自动适应商务不断变化的要求。 (对)

    17. 数据仓库中间层 OLAP 服务器只能采用关系型 OLAP (错)

    18.数据仓库系统的组成部分包括数据仓库,仓库管理,数据抽取,分析工具等四个部分. (错)

    19. Web 数据挖掘是通过数据库仲的一些属性来预测另一个属性, 它在验证用户提出的假设过程中提取信息. (错)

    21. 关联规则挖掘过程是发现满足最小支持度的所有项集代表的规则。(错)

    22. 利用先验原理可以帮助减少频繁项集产生时需要探查的候选项个数(对)。

    23. 先验原理可以表述为:如果一个项集是频繁的,那包含它的所有项集也是频繁的。(错)

    24. 如果规则 不满足置信度阈值,则形如 的规则一定也不满足置信度阈值,其中 是 X 的子集。(对)

    25. 具有较高的支持度的项集具有较高的置信度。(错)

    26. 聚类(clustering)是这样的过程:它找出描述并区分数据类或概念的模型 (或函数),以便能够使用模型预测类标记未知的对象类。 (错)

    27. 分类和回归都可用于预测,分类的输出是离散的类别值,而回归的输出是连续数值。(对)

    28. 对于 SVM 分类算法,待分样本集中的大部分样本不是支持向量,移去或者减少这些样本对分类结果没有影响。 (对)

    29. Bayes 法是一种在已知后验概率与类条件概率的情况下的模式分类方法,待分样本的分类结果取决于各类域中样本的全体。 (错)

    30. 分类模型的误差大致分为两种:训练误差(training error)和泛化误差(generalization error). (对)

    31. 在决策树中,随着树中结点数变得太大,即使模型的训练误差还在继续减低,但是检验误差开始增大,这是出现了模型拟合不足的问题。 (错)

    32. SVM 是这样一个分类器,他寻找具有最小边缘的超平面,因此它也经常被称为最小边缘分类器(minimal margin classifier) (错)

    33. 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。(错)

    34. 聚类分析可以看作是一种非监督的分类。(对)

    35. K 均值是一种产生划分聚类的基于密度的聚类算法,簇的个数由算法自动地确定。(错)

    36. 给定由两次运行 K 均值产生的两个不同的簇集,误差的平方和最大的那个应该被视为较优。(错)

    37. 基于邻近度的离群点检测方法不能处理具有不同密度区域的数据集。(对)

    38. 如果一个对象不强属于任何簇,那么该对象是基于聚类的离群点。(对)

    39. 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。(错)40. DBSCAN 是相对抗噪声的,并且能够处理任意形状和大小的簇。(对)

    展开全文
  • 摘要:环科技创始人兼CTO孙元浩详细介绍了逻辑数据仓库需具备的特性:数据、计算均分布化;对多种关系数据库和Hadoop数据源进行交叉查询,聚合,以及关联操作等能力;混合负载和多租户SLA管理能力。 【CSDN...
  • 小白谈数据脱敏

    千次阅读 2017-10-28 16:05:00
    在涉及客户安全数据或者一些商业性敏感数据的情况下,在不违反系统规则条件下,对真实数据进行改造并提供测试使用,如身份证号、手机号、卡号、客户姓名、客户地址、等个人敏感信息都需要通过脱敏规则进行数据的变形...
  • 介绍如何利用 MySQL 字符串函数将用户姓名、手机号、身份证号以及银行卡号等的部分内容显示为号(*),从而实现信息的隐藏,保护信息安全。
  • 数据挖掘报告

    万次阅读 热门讨论 2010-04-10 10:03:00
    研究方向前沿读书报告数据挖掘技术的算法与应用 目录第一章 数据仓库... 51.1 概论... 51.2 数据仓库体系结构... 61.3 数据仓库规划、设计与开发... 71.3.1 确定范围... 71.3.2 环境评估... 71.3.3 分析... 71.3.4 ...
  • 数据仓库与联机分析处理笔记

    千次阅读 2017-11-21 00:10:42
    本文为《数据挖掘:概念与技术》中“数据仓库与联机分析处理”的阅读笔记。4. 数据仓库与联机分析处理 ETL:用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。 数据仓库...
  • 数据挖掘训练题

    千次阅读 2015-12-15 09:28:03
    数据挖掘练习题,单选、多选和判断题三种类型!
  • 本文介绍了如何利用 Microsoft SQL Server 中的 CASE 表达、len、left、right、stuff、concat 等字符串函数实现信息的隐藏,也就是将其中部分内容显示为号(*)。具体案例包括姓名、手机号、身份证号以及银行卡号...
  • 数据分析的目的是把隐藏在一大批看似杂乱无章的数据背后的信息集中和提炼出来,总结出研究对象的内在规律。 数据分析的六大步骤 明确目的和思路(先决条件、提供项目方向)、数据收集(数据库建立)、数据处理(清洗...
  • 数据脱敏

    千次阅读 2019-04-10 10:39:13
    在涉及客户安全数据或者一些商业性敏感数据的情况下,在不违反系统规则条件下,对真实数据进行改造并提供测试使用,如身份证号、手机号、卡号、客户号等个人信息都需要进行数据脱敏。数据库安全技术之一,数据库安全...
  • Spark 高级数据分析(第2版)

    千次阅读 2018-11-06 11:55:07
    本书由业内知名数据科学家执笔,通过丰富的示例展示了如何结合 Spark、统计方法和真实世界数据集来解决数据分析问题,既涉及模型的构建和评价,也涵盖数据清洗、数据预处理和数据探索,并描述了如何将结果变为生产...
  • 数据脱敏了解

    千次阅读 2019-07-27 14:01:27
    在涉及客户安全数据或者一些商业性敏感数据的情况下,在不违反系统规则条件下,对真实数据进行改造并提供测试使用,如身份证号、手机号、卡号、客户姓名、客户地址、等个人敏感信息都需要通过脱敏规则进行数据的变形...
  • 数据仓库建设

    万次阅读 2018-07-18 23:31:52
    1.数据仓库概要 1.1.数据仓库起因  在建设数据仓库之前,数据散落在企业各部门应用的数据存储中,它们之间有着复杂的业务连接关系,从整体上看就如一张巨大的蜘蛛网:结构上错综复杂,却又四通八达。在企业级数据...
  • MySQL 8.0 新特性之隐藏字段

    千次阅读 2021-02-17 21:41:47
    MySQL 8.0.23 版本增加了一个新的功能:隐藏字段...本文给大家介绍一下 MySQL 隐藏字段的相关概念和具体实现,包括如何创建隐藏字段和查询隐藏字段、如何查看隐藏字段相关的字典信息以及二进制日志对隐藏字段的处理。
  • 数据挖掘

    千次阅读 2011-06-15 21:28:00
    1. 数据挖掘技术的由来1.1 网络之后的下一个技术热点1.2 数据爆炸但知识贫乏1.3 支持数据挖掘技术的基础1.4 从商业数据到商业信息的进化1.5 数据挖掘逐渐演变的过程2 数据挖掘的定义2.1 技术上的定义及含义...
  • 数据仓库进行数据建模

    千次阅读 2019-04-07 19:43:57
    数据仓库术语表 数据仓库引入了新的术语,扩展了数据建模的术语表。为使本文的阐述能够完备,下面我介绍一下最常用的术语。 数据仓库 数据仓库是一个支持管理决策的数据集合。数据是面向主题的、集成的、不易丢失...
  • 1. 某超市研究销售纪录数据后发现,买啤酒的人很大概率也会购买尿布,这种属于数据挖掘的哪类问题?(A) A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理 2. 以下两种描述分别对应哪两种对...
  • 一、数据仓库、 OLAP和 数据挖掘的关系和区别分析 1.数据仓库、OLAP和数据挖掘三者之间的关系 在比较成熟的系统中,数据分析过程都是基于以数据仓库为基础,OLAP和数据挖掘相辅相成的分析模式(如图1所示)。...
  • 数据分析

    千次阅读 2013-12-28 12:51:50
    2011Alibaba数据分析师(实习)试题解析 一、异常值是指什么?请列举1种识别连续型变量异常值的方法? 异常值(Outlier) 是指样本中的个别值,其数值明显偏离所属样本的其余观测值。在数理统计里一般是指一...
  • 网友也对《中国医生》原型展开热烈讨论,关于《中国医生》的话题在多个平台登上热搜,今天我们就通过抓取近3万条评论数据,并对获取到的数据进行分析,看看电影观众们对这部电影的评价究竟如何? 一、核心功能设计 ...
  • 数据挖掘作为现在比较有用的支持决策系统的一种手段有着广泛的应用。其有很多种方法,本文主要基于关联规则类等相关问题进行论述。按照挖掘过程进行组织。首先,有数据仓库的建立和数据挖掘的概述。其次是关联规则的...
  • BI(数据仓库、OLAP、数据挖掘)

    千次阅读 2010-08-26 17:52:00
    数据仓库将来自于各种数据源的数据,根据不同的主题进行存储,并对原始数据进行抽取、转换和加载等一系列筛选和清理工作。OLAP则将数据通过多维视角和多种层次向用户进行多方式的呈现。数据挖掘则应用不同的算法,向...
  • 数据仓库与数据挖掘的OLAP技术 1.数据仓库 Ø 概念:数据仓库是一个面向主题的、集成的、随时间而变化的、不容易丢失的数据集合,支持管理部门的决策过程. Ø 关键特征: v 面向主题:围绕一些主题;关注决策...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 23,760
精华内容 9,504
关键字:

如何取消数据隐藏的行