Paniere svolto Data mining - solo risposte multiple

Lezione 002

1. Che cosa è il Data Mining?

   • Il processo che estrae nuova conoscenza o identifica pattern/modelli nei dati mediante l'applicazione di diversi algoritmi.
   • Il processo che estrae dati dai fenomeni mediante l'applicazione di diversi algoritmi.
   • Il processo che estrae fenomeni dai dati mediante l'applicazione di diversi algoritmi.
   • Nessuna delle altre alternative

2. Che cosa è un pattern?

   • Una espressione in un determinato linguaggio che descrive modelli descrittivi estratti da un sottoinsieme di registrazioni presenti in un data base
   • Una espressione in un determinato linguaggio che descrive i fatti di un sottoinsieme di registrazioni presenti in un data base
   • Una espressione in un determinato linguaggio che descrive modelli predittivi estratti da un sottoinsieme di registrazioni presenti in un data base
   • Nessuna delle altre alternative

3. Quale fra le seguenti attività non fa parte del processo di KDD?

   • Interpretazione
   • Nessuna delle altre alternative
   • Data Mining
   • Selezione

4. Quale fra le seguenti attività non fa parte del processo di KDD?

   • Selezione
   • Intervista
   • Nessuna delle altre alternative
   • Data Mining

5. Quali sono le fasi caratteristiche del data mining?

6. Cosa è una transazione?

7. Quali sono le fasi del KDD?

Lezione 003

01. Cosa si intende per knowledge elicitation?

• Il confronto fra gli esperti di uno specifico dominio e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
• Il confronto fra gli esperti informatici e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
• Il confronto fra gli esperti informatici e matematici al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.

02. A cosa servono i modelli predittivi?

• Vengono utilizzati per descrivere la struttura organizzativa e la distribuzione dei dati. L'obiettivo di questi modelli è quello di approfondire la conoscenza nascosta dietro ai dati.
• Utilizzano i loro parametri e meccanismi caratteristici per effettuare delle previsioni future che possono essere utili nei processi decisionali.
• Il loro obiettivo è quello di descrivere i dati per effettuare delle previsioni future.
• Nessuna delle altre alternative

03. A cosa servono i modelli descrittivi?

• Vengono utilizzati per descrivere la struttura organizzativa e la distribuzione dei dati. L'obiettivo di questi modelli è quello di approfondire la conoscenza nascosta dietro ai dati.
• Vengono utilizzati per descrivere i dati per effettuare delle previsioni future.
• Utilizzano i loro parametri e meccanismi caratteristici per effettuare delle previsioni future che possono essere utili nei processi decisionali.
• Nessuna delle altre alternative

04. Quali sono i pilastri operativi su cui si basa ogni algoritmo di data mining?

• Nessuna delle altre alternative
• Esplorazione, Valutazione, Visualizzazione
• Esplorazione, Modellazione, Valutazione
• Selezione, Modellazione, Valutazione

05. Discutere la differenza fra modelli predittivi e descrittivi.

06. Perché il processo di data mining è da considerarsi interattivo?

07. Quali sono i pilastri operativi su cui poggia il data mining?

Lezione 007

01. Quali fra le seguenti tecniche non si usano in fase di gestione dei missing value?

• Sostituzione dei valori mancanti con il valore più probabile
• Ignorare la tupla contenente valori mancanti
• Nessuna delle altre alternative
• Riempimento a mano dei valori mancanti

02. L’analisi degli outlier può essere usata per:

• Identificare e gestire i missing value
• Ridurre la dimensionalità
• Identificare e gestire i dati rumorosi
• Nessuna delle altre alternative

03. L’analisi in regressione può essere usata per:

• Identificare e gestire i dati rumorosi
• Fare selezione di attributi
• Gestire dati provenienti da sorgenti eterogenee
• Nessuna delle altre alternative

04. Con quali tecniche si gestiscono i missing value?

• Nessuna delle altre alternative
• Data Transformation
• Data cleaning
• Data Reduction

05. Le fasi del processo di data cleaning si effettuano solo una volta. Vero o falso? Discutere la scelta effettuata.

06. Cosa si intende per Data Scrubbing e Data Auditing?

07. Descrivere la seconda fase del processo di data cleaning, specificando che tipi di tool commerciali potrebbero essere utilizzati.

08. Quali sono i passaggi per effettuare l'eliminazione delle discrepanze fra i dati?

Lezione 012

1. Quali sono le condizioni che deve soddisfare una misura di similarità fra due punti?
   • Simmetria; Massimo valore in 1 quando i due punti coincidono
   • Riflessività, non negatività, simmetria
   • Nessuna delle altre alternative
   • Riflessività, derivabilità, simmetria
2. Quali sono le condizioni che deve soddisfare una misura di distanza fra due punti?
   • Nessuna delle altre alternative
   • Riflessività, non negatività, simmetria
   • Riflessività, omogeneità, simmetria
   • Riflessività, derivabilità, simmetria
3. Quando una distanza si definisce metrica?
   • Quando rispetta anche la condizione di derivabilità
   • Quando rispetta anche la condizione di disuguaglianza triangolare
   • Quando rispetta anche la condizione di simmetria
   • Nessuna delle altre alternative
4. Qual è la differenza fra distanza e similarità?
5. Cosa sono la matrice dei dati e la matrice di dissimilarità?
6. Cosa è la diseguaglianza triangolare? Fornire un semplice esempio grafico.

Lezione 017

1. L'algoritmo di clustering SOM (self organizing map) a quale categoria di algoritmi appartiene?
   • Nessuna delle altre alternative
   • Gerarchici
   • Density-based
   • Partizionali
2. Quale tipologia di algoritmi di clustering è più efficiente per l'identificazione di outlier?
   • Partizionali
   • Nessuna delle altre alternative
   • Density-based
   • Gerarchici
3. L'algoritmo di clustering AGNES a quale categoria di algoritmi appartiene?
   • Gerarchici
   • Partizionali
   • Nessuna delle altre alternative
   • Density-based
4. L'algoritmo di clustering k-means a quale categoria di algoritmi appartiene?
   • Gerarchici
   • Partizionali
   • Nessuna delle altre alternative
   • Density-based
5. Discutere le principali caratteristiche degli algoritmi di clustering density-based.
6. Come funzionano gli algoritmi di clustering gerarchici?
7. Discutere la tassonomia degli algoritmi di clustering: come si raggruppare tali algoritmi?
8. Quale è la principale differenza fra algoritmi di clustering partizionali e density-based?