Copy and Edit

2do Parcial BI

Description

Quiz on 2do Parcial BI, created by Ian De Jesus Brito Vittini on 29/10/2017.
Ian De Jesus Brito Vittini
Quiz by Ian De Jesus Brito Vittini, updated more than 1 year ago
Ian De Jesus Brito Vittini
Created by Ian De Jesus Brito Vittini about 7 years ago
235
2
0

Resource summary

Question 1

Question
Los datos, incluyendo las agregaciones, se almacenan dentro de una estructura relacional de base de datos que puede estar en la misma localización de la fuente o no.
Answer
  • DOLAP.
  • HOLAP.
  • MOLAP.
  • ROLAP.

Question 2

Question
Es cuando el resultado predicho se puede considerar un número real.
Answer
  • Árboles de clasificación.
  • Árboles de regresión.
  • Árboles de Decisión.

Question 3

Question
Son aquellos manejados por los gestores de base de datos convencionales, estos pueden ser considerados bidimensionales.
Answer
  • Hechos.
  • Jerarquías
  • Datos Relacionales.
  • Dimensiones.

Question 4

Question
Se encarga de medir las relaciones entre dos variables.
Answer
  • Análisis de clusters.
  • Análisis de regresión.
  • Análisis de factores
  • Análisis de correlaciones

Question 5

Question
Es una herramienta estadística que determina la relación entre dos o más variables cuantitativas.
Answer
  • Análisis de clusters.
  • Análisis de factores.
  • Análisis de regresión.
  • Análisis de correlaciones.

Question 6

Question
En el Modelo CRISP-DM, es donde obtenemos la vista minable o dataset
Answer
  • Comprensión de lo Datos.
  • Comprensión del Negocio.
  • Preparación de los Datos.

Question 7

Question
Es un tipo de red neuronal artificial, que es entrenada usando aprendizaje no supervisado para producir una representación discreta del espacio de las muestras de entrada, llamado mapa
Answer
  • Perceptrón Multicapa
  • Redes Kohonen.
  • Perceptrón.

Question 8

Question
En el Modelo CRISP-DM, es donde aplicamos las técnicas de minería de datos a los dataset.
Answer
  • Evaluación
  • Implantación.
  • Modelado

Question 9

Question
Operación de Minería de Datos, el cual está diseñado en un patrón similar de la experiencia de aprendizaje humano en el uso de observaciones para formar un modelo de las características importantes de alguna tarea.
Answer
  • Detección de Desviación
  • Modelado predictivo
  • Segmentación de Base de Datos
  • Análisis de Vínculos.

Question 10

Question
Entre los actores que intervienen en un proyecto de Data Mining, éste proporciona acceso al hardware, el software y los datos necesarios para completar el proyecto de minería de datos con éxito
Answer
  • Analista de minería de datos.
  • Líder del proyecto
  • Ingeniero de minería de datos
  • Cliente de minería de datos.
  • Analista de TI

Question 11

Question
Entre los actores que intervienen en un proyecto de Data Mining, éste desarrolla, interpreta y evalúa el modelo de minería de datos a la luz de los objetivos de negocio y criterios de éxito del negocio.
Answer
  • Ingeniero de minería de datos.
  • Analista de minería de datos
  • Analista de TI
  • Líder del proyecto
  • Cliente de minería de datos.

Question 12

Question
Su principal objetivo es el de brindar rápidas respuestas a complejas preguntas, para interpretar la situación del negocio y tomar decisiones.
Answer
  • Consultas ad-hoc
  • OLAP
  • Consultas empaquetadas.
  • Dashboards

Question 13

Question
Paso de la minería de datos donde se identifican los patrones obtenidos y que son realmente interesantes, basándose en algunas medidas y se realiza una evaluación de los resultados obtenidos.
Answer
  • Transformación de Datos.
  • Interpretación de los Resultados.
  • Minería de Datos.
  • Selección de Datos.

Question 14

Question
Se usa para ajustar datos que son función de diversas variables. El algoritmo básico puede formar un modelo para predecir el valor de un campo determinado partiendo de los valores de otros atributos.
Answer
  • Funciones de la Base Radial
  • Predicción Neuronal
  • Inducción Supervisada
  • Métodos Simbólicos

Question 15

Question
Crea un modelo que se utiliza para predecir nuevos valores y pronóstico de series temporales. La predicción se basa en un valor de predicción y en las relaciones entre los atributos descubiertas al explorar un conjunto de datos de preparación que contienen tanto la variable independiente como las dependientes.
Answer
  • Funciones de la Base Radial
  • Inducción Supervisada
  • Métodos Simbólicos
  • Predicción Neuronal

Question 16

Question
Predicen un dato desconocido, a partir de la entrada o conjunto de valores obtenidos a lo largo de un tiempo determinado de los que se extrae un comportamiento futuro.
Answer
  • Funciones de la Base Radial
  • Predicción Neuronal
  • Inducción Supervisada
  • Métodos Simbólicos

Question 17

Question
Su característica más importante es que son auto explicativos, a simple vista se puede observar la consideración de la clasificación de la data.
Answer
  • Métodos Simbólicos
  • Funciones de la Base Radial
  • Predicción Neuronal
  • Inducción Supervisada

Question 18

Question
Modelo de proceso de selección, exploración y modelado de grandes cantidades de datos para descubrir patrones de negocio desconocidos.
Answer
  • Modelo Cascada.
  • Modelo CRISP-DM.
  • Modelo SEMMA.

Question 19

Question
En el Modelo CRISP-DM, es donde revisamos los modelos de las fases anteriores para determinar si son útiles a las necesidades del negocio.
Answer
  • Modelado.
  • Implantación.
  • Evaluación.

Question 20

Question
Presentan la información altamente resumida. Se componen de consultas, reportes, análisis interactivos, gráficos, semáforos, indicadores causa-efecto.
Answer
  • Consultas ad-hoc
  • OLAP.
  • Consultas empaquetadas.
  • Dashboards

Question 21

Question
Se ejecutan periódicamente, sin necesidad de intervención de usuarios.
Answer
  • Dashboards.
  • Consultas ad-hoc.
  • Consultas empaquetadas.
  • OLAP.

Question 22

Question
Paso de la minería de datos el cual consiste en especificar los datos de entrada que se desean explorar y analizar
Answer
  • Selección de Datos
  • Minería de Datos.
  • Transformación de Datos
  • Interpretación de los Resultados.

Question 23

Question
Es la fase de modelado dónde métodos inteligentes son aplicados con el objetivo de extraer patrones previamente desconocidos, válidos, nuevos, potencialmente útiles y comprensibles y que están contenidos u “ocultos” en los datos.
Answer
  • Transformación de Datos.
  • Minería de Datos.
  • Interpretación de los Resultados.
  • Selección de Datos.

Question 24

Question
Es la unidad básica de inferencia en forma de discriminador limitar o más simple, una neurona artificial. A partir de este se genera un algoritmo capaz de generar un criterio para seleccionar un sub género a partir de un grupo de componentes más grandes.
Answer
  • Perceptrón Multicapa.
  • Perceptrón.
  • Redes Kohonen.

Question 25

Question
Su principal objetivo es el de brindar rápidas respuestas a complejas preguntas, para interpretar la situación del negocio y tomar decisiones.
Answer
  • Dashboards.
  • Consultas ad-hoc.
  • OLAP.
  • Consultas empaquetadas.

Question 26

Question
Paso de la minería de datos el cual se encarga de las inconsistencias en los formatos de datos y la codificación, que pueden existir dentro de una base de datos única y que casi siempre existen cuando múltiples bases de datos contribuyen al Data Warehouse.
Answer
  • Selección de Datos.
  • Minería de Datos.
  • Interpretación de los Resultados.
  • Transformación de Datos.

Question 27

Question
Permite almacenar una parte de los datos como en un sistema MOLAP y el resto como en uno ROLAP.
Answer
  • MOLAP.
  • DOLAP.
  • HOLAP.
  • ROLAP.

Question 28

Question
Operación de Minería de Datos, el cual está diseñado en un patrón similar de la experiencia de aprendizaje humano en el uso de observaciones para formar un modelo de las características importantes de alguna tarea.
Answer
  • Modelado predictivo
  • Análisis de Vínculos.
  • Segmentación de Base de Datos.
  • Detección de Desviación.

Question 29

Question
Esta herramienta constituye una poderosa tecnología con un gran potencial que ayuda y brinda soporte a los usuarios, con el fin de permitirles analizar y extraer conocimientos ocultos y predecibles a partir de los datos almacenados en un DW o en un OLTP.
Answer
  • Data Mining.
  • Dashboards.
  • OLAP.
  • Consultas ad-hoc

Question 30

Question
Es cuando el resultado predicho es la clase a la que pertenecen los datos.
Answer
  • Árboles de clasificación.
  • Árboles de Decisión.
  • Árboles de regresión.

Question 31

Question
Se encarga de medir las relaciones entre dos variables.
Answer
  • Análisis de factores.
  • Análisis de regresión.
  • Análisis de correlaciones.
  • Análisis de clusters.

Question 32

Question
El objetivo es crear un modelo que predice el valor de una variable de destino en función de diversas variables de entrada.
Answer
  • Árboles de Decisión
  • Árboles de clasificación.
  • Árboles de regresión.

Question 33

Question
Es un tipo de red neuronal artificial, que es entrenada usando aprendizaje no supervisado para producir una representación discreta del espacio de las muestras de entrada, llamado mapa.
Answer
  • Redes Kohonen
  • Perceptrón.
  • Perceptrón Multicapa.

Question 34

Question
Entre los actores que intervienen en un proyecto de Data Mining, éste entiende a fondo, desde un punto de vista comercial, lo que el cliente quiere lograr.
Answer
  • Líder del proyecto
  • Analista de minería de datos.
  • Ingeniero de minería de datos.
  • Analista de TI.
  • Cliente de minería de datos.

Question 35

Question
Paso de la minería de datos el cual consiste en especificar los datos de entrada que se desean explorar y analizar.
Answer
  • Selección de Datos.
  • Transformación de Datos.
  • Minería de Datos.
  • Interpretación de los Resultados.

Question 36

Question
Los datos de fuente son almacenados en un formato multidimensional.
Answer
  • ROLAP.
  • MOLAP.
  • HOLAP.
  • DOLAP.

Question 37

Question
Son aquellos manejados por los gestores de base de datos convencionales, estos pueden ser considerados bidimensionales.
Answer
  • Jerarquías.
  • Dimensiones.
  • Datos Relacionales.
  • Hechos.

Question 38

Question
Son redes neuronales artificiales formadas por múltiples capas, esto les permite resolver problemas que no son linealmente separables.
Answer
  • Redes Kohonen.
  • Perceptrón Multicapa.
  • Perceptrón.

Question 39

Question
Posibilidad de cambiar la granularidad de los datos.
Answer
  • Slice y Dice.
  • Pivot.
  • Drill down y Roll up.

Question 40

Question
Es la fase de modelado dónde métodos inteligentes son aplicados con el objetivo de extraer patrones previamente desconocidos, válidos, nuevos, potencialmente útiles y comprensibles y que están contenidos u “ocultos” en los datos.
Answer
  • Minería de Datos.
  • Transformación de Datos.
  • Interpretación de los Resultados.
  • Selección de Datos.

Question 41

Question
Modelo de proceso de selección, exploración y modelado de grandes cantidades de datos para descubrir patrones de negocio desconocidos.
Answer
  • Modelo CRISP-DM
  • Modelo SEMMA.
  • Modelo Cascada.

Question 42

Question
En el Modelo CRISP-DM, es donde se definen los objetivos y requerimientos desde una perspectiva no técnica.
Answer
  • Preparación de los Datos.
  • Comprensión de lo Datos.
  • Comprensión del Negocio.

Question 43

Question
Son consultas frecuentes y aleatorias, en el sentido en que responden a necesidades de información concretas.
Answer
  • Dashboards.
  • Consultas ad-hoc.
  • Consultas empaquetadas.
  • OLAP.
Show full summary Hide full summary

Want to create your own Quizzes for free with GoConqr? Learn more.

Similar

GRE Test - Overview
SAT Prep Group
French -> small but important words for GCSE
georgie_hill
Command Words
Mr Mckinlay
GCSE AQA Biology - Unit 2
James Jolliffe
ExamTime Quick Guide to Getting Started
Andrea Leyden
OCR Physics P4 Revision
Dan Allibone
GCSE Geography - Causes of Climate Change
Beth Coiley
Business Studies - AQA - GCSE - Types of Ownership
Josh Anderson
GCSE Revision Tips
miminoma
FV modules 1-4 infinitives- ENTER SPANISH
Pamela Dentler
The Children Act 2004
Carina Storm
Browse Library