Advertisement

2020年国科大（中科院）刘莹数据挖掘课程期末考卷

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
这份文档是2020年度中国科学院大学刘莹教授开设的数据挖掘课程期末考试试卷。涵盖了该学期所学的核心知识点和技能应用，旨在全面评估学生对数据科学理论与实践的理解程度。 2020年国科大（中科院）刘莹数据挖掘课程期末考试试卷

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 2020年国科大（中科院）刘莹数据挖掘课程期末考卷
    优质
    这份文档是2020年度中国科学院大学刘莹教授开设的数据挖掘课程期末考试试卷。涵盖了该学期所学的核心知识点和技能应用，旨在全面评估学生对数据科学理论与实践的理解程度。 2020年国科大（中科院）刘莹数据挖掘课程期末考试试卷
     
  • 刘莹与中科院的数据挖掘研究
    优质
    刘莹专注于数据挖掘领域的研究工作，特别是在与中国科学院的合作项目中取得了显著成果，推动了大数据分析技术的发展和应用。 这是中科院研究生课程中的数据挖掘课，由刘莹老师讲授，内容很不错。
     
  • 国科大刘莹数据挖掘作业2.pdf
    优质
    这是一份来自中国科学院大学（国科大）学生刘莹的数据挖掘课程作业PDF文件，内容包含了数据分析、模型构建及结果讨论等部分。 国科大数据挖掘刘莹作业2.pdf包含了关于数据挖掘的相关练习和分析内容。文档详细记录了学生在课程学习过程中的实践成果与思考。
     
  • 中国科学院大学数据挖掘课程期末考试题目
    优质
    本课程期末考试旨在评估学生在数据挖掘领域的知识掌握与实践能力，涵盖算法实现、案例分析及项目应用等方面，强调理论与实际结合。 考虑表1所示的数据集（min_sup = 60%， min_conf=70%）。 (a) 使用Apriori算法找出所有频繁项集，并将每个交易ID视为一个市场篮子。 (b) 利用第(a)部分的结果计算关联规则{a, b}→{c}和{c}→{a, b}的置信度。
     
  • 中国科学院大学2017年数据挖掘课程期末试题
    优质
    这是一套来自中国科学院大学在2017年度开设的数据挖掘课程结束时所采用的考试题目。该试卷不仅考察学生对数据预处理、模型建立和结果解释的理解，还要求他们能够运用Python等编程语言进行实践操作，旨在全面评估学生的理论知识与实际应用能力。 本资源为中国科学院大学2017年数据挖掘期末考试试题，题目仅供交流使用，请各位下载的同学花更多精力去研读课本和实际操作。
     
  • 中国科学院大学2017年数据挖掘课程期末试题
    优质
    本简介提供中国科学院大学于2017年度开设的数据挖掘课程期末考试题目概览，旨在考察学生在数据预处理、算法实现及分析报告撰写等多方面的能力。 本资源为中国科学院大学2017年数据挖掘期末考试试题，题目仅供交流使用，请各位下载的同学花更多精力去研读课本和实际操作。
     
  • 刘莹的国科大数据挖掘课程第一次作业
    优质
    这是刘莹在国科大所修读的一门数据挖掘课程中的首次作业展示。该作业体现了学生对课程初期内容的理解与应用能力。 假设一个数据仓库包含四个维度：日期、观众、地点和比赛，并且有两个度量值：计数和费用，其中费用是指在特定日期观看某场比赛的观众所支付的票价。观众可以是学生、成人或老年人，每个类别都有不同的收费标准。 (a) 请绘制该数据仓库的星型模式图。 (b) 从基础立方体[date, spectator, location, game]开始，请描述应执行哪些具体的OLAP操作以列出在洛杉矶观看比赛的学生观众支付的总费用。 (c) 位图索引是一种非常有用的优化技术。请阐述在这种特定的数据仓库中使用位图索引的优点和缺点。
     
  • 刘莹第三次国科大数据挖掘作业
    优质
    简介：刘莹同学正在进行她的第三次国家级科学与大数据挖掘课程作业，深入探索数据分析技术在科研中的应用。 国科大数据挖掘刘莹第三次作业。
     
  • 国科大刘莹第二次数据挖掘作业
    优质
    这段简介可以描述为：“国科大刘莹第二次数据挖掘作业”是刘莹同学在攻读中国科学技术大学期间完成的一份重要课程作业。该作业深入探索了数据挖掘的相关技术与应用，展现了她在数据分析和处理方面的专业能力。 1. 考虑表1所示的数据集（min_sup = 60%， min_conf=70%）。 (a) 使用Apriori算法找出所有频繁项集，并将每个交易ID视为一个购物篮。 (b) 利用第(a)部分的结果计算关联规则{a, b}→{c}和{c}→{a, b}的置信度。 置信度是相互对称的测量吗？ (c) 根据以下元规则（模式），列出所有强关联规则（支持s和置信度c）。 在此，X代表客户变量，itemi表示商品变量（例如“A”，“B”等）。 表1. 购物篮交易示例 TID | 项目购买 ---|--- T1 | {A, D, B, C} T2 | {D, A, C, E, B} T3 | {A, B, E} T4 | {A, B, D}
     
  • 中国科学院大学刘莹数据挖掘第二次作业.pdf
    优质
    该文档是《数据挖掘》课程在中国科学院大学的教学材料之一，内含学生刘莹完成的第二次作业内容及分析成果。 针对表1所示的数据集（最小支持度为60%，最小置信度为70%）： (a) 使用Apriori算法找出所有频繁项集，并将每个交易ID视为一个购物篮。 (b) 利用第(a)部分的结果计算关联规则{a, b}→{c}和{c}→{a, b}的置信度。置信度是对称测量吗？ (c) 根据以下元规则列出所有强关联规则（具有支持s和置信度c），其中X代表客户，itemi表示商品变量（例如“A”，“B”等）。 对于表1所示的数据集（最小支持度为60%）： (a) 使用FP-Growth算法找出所有的频繁项集，请展示所有FP树及条件模式基。 (b) 比较Apriori和FP-Growth的效率。