Quiz
Inteligencia de Negocios
Create a free account to finish this quiz
Save your progress and see your final score.
Already have an account? Sign in
Questions in this quiz (128)
1Las organizaciones usan los datos desde sus sistemas operacionales para tomar decisiones en base a:
- ALas necesidades
- BLos costos
- CLos empleados
- DUn Data warehouse
2Un ________ permite no solo construir, validar y refinar modelos aplicándolos a datos extraídos a partir de la base de datos propia del sistema, de la base de datos corporativa de la organización o de otros suministradores externos de datos. También incluye las herramientas necesarias para representar estos datos o los resultados de las aplicaciones de los modelos, según diferentes gráficas.
- AHecho
- BSTDIA
- CSIATD
- DInforme
3Las herramientas de consulta e informes no constituyen el enlace entre los datos y los usuarios, a través de una interfaz gráfica.
- ATrue
- BFalse
4Cuales de las siguientes respuestas son herramientas de verificación?
- AHerramientas de consulta e informes
- BHerramientas de análisis multidimensional
- CDimensiones y Hechos
- DNavegación sobre los datos
- EArquitectura OLAP
5Las herramientas de verificación de hipótesis permiten consultar información de interés la misma que se encuentra estructurada en un Data Warehouse, estas consultas permiten:
- ADar Soluciones analíticas para areas funcionales del negocio .
- BAumentar el tiempo de consultas de las base de datos OLTP
- CVisualizaciones dinámicas a través de informes inteligentes.
- DExplorar los datos según las necesidades.
6Las herramientas de consulta e informes, en general, comparten las siguientes características:
- AOrientación a los usuarios finales.
- BAccesibilidad a la información.
- CApoyo en la toma de decisiones.
7De acuerdo a las necesidades, tipos de usuarios y requerimientos de información, ¿Cuales son los tipos de herramienta de consultas e informes? :
- AReportes y Consultas.
- BOLAP.
- CDashboards.
- DData Mining.
- EEIS.
8Los usuarios seleccionan o establecen qué datos desean obtener del DW, A cual fase del proceso de consulta pertenece?:
- AAcceso a los datos
- BElaboración del informe
- CDefinición de la Consulta
- DManipulación y Cálculo
- ELiberación del informe
9 La herramienta recibe el pedido de los usuarios, construye la consulta (utilizando la metadata) y la envía al Query Manager. A cual fase del proceso de consulta pertenece?:
- ADefinición de la Consulta
- BAcceso a los datos
- CManipulación y Cálculo
- DElaboración del informe
- ELiberación del informe
10El Query Manager ejecuta la consulta sobre la estructura de datos con la que se esté trabajando (cubo multidimensional, Business Model, etc.). A cual fase del proceso de consulta pertenece?:
- ADefinición de la Consulta
- BAcceso a los datos
- CManipulación y Cálculo
- DElaboración del informe
- ELiberación del informe
11 El Query Manager obtiene los resultados de la consulta y envía los datos a la herramienta de consulta y análisis. A cual fase del proceso de consulta pertenece?:
- ADefinición de la Consulta
- BAcceso a los datos
- CManipulación y Cálculo
- DElaboración del informe
- ELiberación del informe
12 Las herramientas presentan a los usuarios las informaciones requeridas. A cual fase del proceso de consulta pertenece?:
- ADefinición de la Consulta
- BAcceso a los datos
- CManipulación y Cálculo
- DElaboración del informe
- ELiberación del informe
13 Se ejecutan periódicamente, sin necesidad de intervención del usuario.
- AConsultas empaquetadas
- BConsulta Ad Hoc
- CConsultas SQL
- DConsultas MDX
14Consultas frecuentes y aleatorias, en el sentido en que responden a necesidades de información.
- AConsultas empaquetadas
- BConsulta Ad Hoc
- CConsultas SQL
- DConsultas MDX
15Consiste en consultas a estructuras multidimensionales permitiendo al usuario tener una visión más rápida e interactiva de los datos.
- AOLAP
- BOLTP
- CData Warehouse
- DMDX
16Almacena los datos en un motor relaciona
- AROLAP
- BMOLAP
- CHOLAP (Hybrid OLAP)
- DDOLAP
17Almacena los datos en una base de datos multidimensional.
- AROLAP
- BMOLAP
- CHOLAP (Hybrid OLAP)
- DDOLAP
18Almacena algunos datos en un motor relacional y otros en una base de datos multidimensional.
- AROLAP
- BMOLAP
- CHOLAP (Hybrid OLAP)
- DDOLAP
19Orientado a equipos de escritorio (Desktop OLAP).
- AROLAP
- BMOLAP
- CHOLAP (Hybrid OLAP)
- DDOLAP
20Dado el siguiente ejemplo diga a cual acción básica corresponde "Ventas por producto y por trimestre".
:- ASegmentar
- BFiltrar
- CProfundizar (Drill down)
- DSintetizar (Drill up)
- ERotar (Drill anywhere)
21Dado el siguiente ejemplo diga a cual acción básica corresponde "Informe de ventas en un año":
- ASegmentar
- BFiltrar
- CProfundizar (Drill down)
- DSintetizar (Drill up)
- ERotar (Drill anywhere)
22Dado el siguiente ejemplo diga a cual acción básica corresponde "Desglosar por una característica de una jerarquía distinta a la que lo estás viendo actualmente." :
- ASegmentar
- BFiltrar
- CProfundizar (Drill down)
- DSintetizar (Drill up)
- ERotar (Drill anywhere)
23Son aquellos datos que nos permiten filtrar, agrupar o seccionar la información. El término "dimensión" sigue teniendo un cierta connotación técnica, por lo que muchas personas lo siguen denominando "atributo", "característica", "propiedad", "campo", o incluso "cuadradito azul" (en el caso de una instalación de BO).
- ADimensiones
- BHechos
- CSlice and dice
- DDrill down and roll up
24Contienen los datos correspondientes a un proceso de negocio particular. Cada fila representa un único evento asociado con ese proceso y contiene los datos de medición asociados con ese evento.
- ADimensiones
- BHechos
- CSlice and dice
- DDrill down and roll up
25Que nos permite la navegación en los datos:
- ACambiar los ejes de análisis.
- BCambiar los niveles de agregación.
- CCambiar el punto de vista de los empleados de bajo nivel
- DAumentar las ganancias de la empresa
26Cual tecnica de navegacion en datos permite mover el cubo como si fuera un dado para obtener una cara del cubo.
- ASlice and dice
- BDrill down and roll up
- CGoogle and Bing
- DExplore up and Explore Down
27Cual tecnica de navegacion en datos permite abrir los datos de las dimensiones a fin de obtener más detalle.
- ASlice and dice
- BDrill down and roll up
- CGoogle and Bing
- DExplore Up and Explore down
28Proceso de extraer información comprensible, válida, y previamente desconocida, a partir de grandes volúmenes de datos, y dedicarla al soporte de la toma de decisiones.
- AHacer chivo en un examen
- BMineria de datos
- CDrill Up and Drill Down
- DClear Data
29La mineria de datos no debe Interactuar con el Data Warehouse ni relacionarse a lo requerido por los analistas del negocio.
- ATrue
- BFalse
30Usualmente los procesos de la mineria de datos se basan en conocer el negocio, conocer los datos, preparar los datos, modelar los datos, evaluar los datos e implementar el plan.
- ATrue
- BFalse
31Es la actividad que mediante la observación, la experimentación, el análisis estadístico o la encuesta, se comprueba adecuadamente, si una hipótesis es falsa o verdadera.
- ADescubrimiento de informacion
- BVerificacion de hipotesis
- CTeorizacion
32Cual proceso de la mineria de datos corresponde al siguiente enunciado
"Tanto en lo que se refiere a las variables objetivo (aquellas que se quiere predecir, calcular o inferir), como a las variables independientes (las que sirven para hacer el cálculo o proceso), como posiblemente al muestreo de los registros disponibles."- ASelección del conjunto de datos
- BAnálisis de las propiedades de los datos
- CTransformación del conjunto de datos de entrada
- DSeleccionar y aplicar la técnica de minería de datos
- EExtracción de conocimiento
- FInterpretación y evaluación de datos
33Cual proceso de la mineria de datos corresponde al siguiente enunciado
"En especial los histogramas, diagramas de dispersión, presencia de valores atípicos y ausencia de datos (valores nulos)."- ASelección del conjunto de datos
- BAnálisis de las propiedades de los datos
- CTransformación del conjunto de datos de entrada
- DSeleccionar y aplicar la técnica de minería de datos
- EExtracción de conocimiento
- FInterpretación y evaluación de datos
34Cual proceso de la mineria de datos corresponde al siguiente enunciado
"Se realizará de diversas formas en función del análisis previo, con el objetivo de prepararlo para aplicar la técnica de minería de datos que mejor se adapte a los datos y al problema, a este paso también se le conoce como preprocesamiento de los datos."- ASelección del conjunto de datos
- BAnálisis de las propiedades de los datos
- CTransformación del conjunto de datos de entrada
- DSeleccionar y aplicar la técnica de minería de datos
- EExtracción de conocimiento
- FInterpretación y evaluación de datos
35Cual proceso de la mineria de datos corresponde al siguiente enunciado
"Se construye el modelo predictivo, de clasificación o segmentación."- ASelección del conjunto de datos
- BAnálisis de las propiedades de los datos
- CTransformación del conjunto de datos de entrada
- DSeleccionar y aplicar la técnica de minería de datos
- EExtracción de conocimiento
- FInterpretación y evaluación de datos
36Cual proceso de la mineria de datos corresponde al siguiente enunciado
"Mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables. También pueden usarse varias técnicas a la vez para generar distintos modelos, aunque generalmente cada técnica obliga a un preprocesado diferente de los datos."- ASelección del conjunto de datos
- BAnálisis de las propiedades de los datos
- CTransformación del conjunto de datos de entrada
- DSeleccionar y aplicar la técnica de minería de datos
- EExtracción de conocimiento
- FInterpretación y evaluación de datos
37Cual proceso de la mineria de datos corresponde al siguiente enunciado
"Una vez obtenido el modelo, se debe proceder a su validación comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias."- ASelección del conjunto de datos
- BAnálisis de las propiedades de los datos
- CTransformación del conjunto de datos de entrada
- DSeleccionar y aplicar la técnica de minería de datos
- EExtracción de conocimiento
- FInterpretación y evaluación de datos
38Son procedimientos para manejar datos cuantitativos y cualitativos mediante técnicas de recolección, recuento, presentación, descripción y análisis. Los métodos estadísticos permiten comprobar hipótesis o establecer relaciones de causalidad en un determinado fenómeno.
- AMetodos Cualitativos
- BMetodos Cuantitativos
- CMetodos Dialecticos
- DMetodos Estadisticos
39Seleccione la respuesta mas correcta que se asocie mejor al siguiente enunciado referente a Mineria de datos y metodos estadisticos : "promedios y evaluación de variaciones, porcentuales y correlaciones simples."
- ATecnicas de visualizacion y descriptivas
- BAnálisis de cluster
- CAnálisis de correlaciones
- DAnálisis de factores
- EAnálisis de regresión
40Seleccione la respuesta mas correcta que se asocie mejor al siguiente enunciado referente a Mineria de datos y metodos estadisticos : "consiste en organizar la información en grupos de datos que sean heterogéneos a los que se los conoce como cluster de datos."
- ATecnicas de visualizacion y descriptivas
- BAnálisis de cluster
- CAnálisis de correlaciones
- DAnálisis de factores
- EAnálisis de regresión
41Seleccione la respuesta mas correcta que se asocie mejor al siguiente enunciado referente a Mineria de datos y metodos estadisticos : "se encarga de medir las relaciones entre 2 variables ."
- ATecnicas de visualizacion y descriptivas
- BAnálisis de cluster
- CAnálisis de correlaciones
- DAnálisis de factores
- EAnálisis de regresión
42Seleccione la respuesta mas correcta que se asocie mejor al siguiente enunciado referente a Mineria de datos y metodos estadisticos : " es útil para entender las correlaciones entre un grupo de variables ."
- ATecnicas de visualizacion y descriptivas
- BAnálisis de cluster
- CAnálisis de correlaciones
- DAnálisis de factores
- EAnálisis de regresión
43Seleccione la respuesta mas correcta que se asocie mejor al siguiente enunciado referente a Mineria de datos y metodos estadisticos : "es una herramienta estadísticas que determina la relación entre 2 o más variables cuantitativas."
- ATecnicas de visualizacion y descriptivas
- BAnálisis de cluster
- CAnálisis de correlaciones
- DAnálisis de factores
- EAnálisis de regresión
44Uno de los aspectos más importantes del proceso, es que es iterativo. Las funciones de minería de datos utilizan técnicas matemáticas complejas para descubrir patrones ocultos en los datos.
- ATrue
- BFalse
45El proceso generico de mineria de datos es "Genérico" porque se pretende que sea lo suficientemente general para cubrir todas las posibles situaciones de minería de datos.
- ATrue
- BFalse
46En cuales areas aplica la function de mineria de datos
- AAnálisis de errores o detección de fraudes
- BPrevención de errores con patrones secuenciales
- CGestión del nivel de stock en el almacén
- DPromociones de venta
47Diga cual funcion de la mineria de datos corresponde con el enunciado "Encuentra secuencias típicas de sucesos en los datos, una secuencia es un conjunto ordenado de conjuntos de elementos..":
- AAsociaciones
- BNormas de secuencia
- CClasificación
48Diga cual funcion de la mineria de datos corresponde con el enunciado "Busca elementos de los datos que con frecuencia aparecen conjuntamente en las mismas transacciones.
.":- AAsociación
- BNormas de secuencia
- CClasificación
49Diga cual funcion de la mineria de datos corresponde con el enunciado " puede crear, validar o probar modelos de clasificación. .":
- ANormas de secuencia
- BAsociación
- CClasificación
50El primer paso de la Minería de Datos es determinar cuales son los atributos más importantes para el análisis a ser realizado.
- ATrue
- BFalse
51La importancia de la selección de datos se encuentra en que eliminar los datos, que aportan poco o que afectan negativamente el modelo.
- ATrue
- BFalse
52La selección de datos permite reducir los recursos computacionales requeridos en el proceso de minería de datos.
- ATrue
- BFalse
53La seleccion de datos que es elminando atributos es:
- AVerticalmente
- BHorizontalmente
- CDiagonalmente
- DParalelamente
54La seleccion de datos que es eliminando registros es:
- AVerticalmente
- BHorizontalmente
- CDiagonalmente
- DParalelamente
55El proceso de selección de datos consiste en analizar los atributos para detectar los siguientes factores en los mismos:
● Datos anómalos
● Datos inconsistentes
● Datos Faltantes
● Datos despreciables- ATrue
- BFalse
56En base a los factores determinados acerca de los atributos se pueden tomar diferentes acciones seleccione la respuesta que mas se adapte al enunciado: "Incluir el atributo en el modelo, ignorando sus factores. ."
- AIgnorar
- BFiltrar (eliminar o reemplazar)
- CReemplazar los valores
- DDiscretize
- ESegmentación
57En base a los factores determinados acerca de los atributos se pueden tomar diferentes acciones seleccione la respuesta que mas se adapte al enunciado: "no incluir el atributo en el modelo."
- AIgnorar
- BFiltrar (eliminar o reemplazar)
- CReemplazar los valores
- DDiscretizar
- ESegmentación
58En base a los factores determinados acerca de los atributos se pueden tomar diferentes acciones seleccione la respuesta que mas se adapte al enunciado: "Reemplazar los datos anómalos por NULL, máximos o mínimos.."
- AIgnorar
- BFiltrar (eliminar o reemplazar)
- CReemplazar los valores
- DDiscretizar
- ESegmentación
59En base a los factores determinados acerca de los atributos se pueden tomar diferentes acciones seleccione la respuesta que mas se adapte al enunciado: "Convertir datos continuos en datos discretos."
- AIgnorar
- BFiltrar (eliminar o reemplazar)
- CReemplazar los valores
- DDiscretizar
- ESegmentación
60En base a los factores determinados acerca de los atributos se pueden tomar diferentes acciones seleccione la respuesta que mas se adapte al enunciado: "segmentar los registros."
- AIgnorar
- BFiltrar (eliminar o reemplazar)
- CReemplazar los valores
- DDiscretizar
- ESegmentación
61Los datos seleccionados deben de ser suficientemente grandes para que contenga los patrones que se desean descubrir, pero mantenerse los suficientemente concisos para poder ser minados en un límite de tiempo aceptable.
- ATrue
- BFalse
62Cual proceso de la mineria de datos corresponde al siguiente enunciado
"Los datos seleccionados deben de ser suficientemente grandes para que contenga los patrones que se desean descubrir, pero mantenerse los suficientemente concisos para poder ser minados en un límite de tiempo aceptable"- ASelección de datos
- BTransformación de datos
- CInterpretación de resultados
63Cual proceso de la mineria de datos corresponde al siguiente enunciado
"En esta etapa se transforma o consolidan los datos en formas apropiadas para ser minadas, a través de resúmenes u operaciones de agregación."- ASelección de datos
- BTransformación de datos
- CInterpretación de resultados
64Cual proceso de la mineria de datos corresponde al siguiente enunciado
"Una vez obtenido el modelo, se debe proceder a su validación comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias"- ASelección de datos
- BTransformación de datos
- CInterpretación de resultados
65Es una de las actividades que pertenece a la transformacion de datos
"Se realiza cuando el error en la medida puede ser grande o existen ciertos umbrales significativos. También cuando tenemos algunos atributos nominales y otros numéricos, y queremos que todos sean nominales, por ejemplo, establecer reglas de asociación. "- ACreacion o Modificacion de atributos.
- BReducción de datos.
- CDiscretización
- DNumerizacion
66Es una de las actividades que pertenece a la transformacion de datos que es menos común que la discretización, es utilizado comúnmente cuando el método de minería de datos que vamos a utilizar no admite datos nominal.
- ACreacion o Modificacion de atributos.
- BReducción de datos.
- CDiscretización
- DNumerizacion
67Cual es la operacion de mineria de datos que permite tener un visión general de la estructura de los datos. generalmente este es utilizado en las primeras instancias de un proyecto.
- ASumarización de datos
- BAnálisis de Asociaciones
- CDetección de Desviaciones
- DClasificación (discriminación)
- E“Clustering” o clasificación no supervisada
- FAsociación o Análisis de afinidad
- GDescubrimiento de secuencias
- HRegresión
68Cual es la operacion de mineria de datos tiene como objetivo establecer relación entre los registros de un a base de datos
- ASumarizacion de datos
- BAnálisis de Asociaciones
- CDetección de Desviaciones
- DClasificación (discriminación)
- E“Clustering” o clasificación no supervisada
- FAsociación o Análisis de afinidad
- GDescubrimiento de secuencias
- HRegresión
69Cual es la operacion de mineria de datos que su objetivo es identificar puntos espurios en un conjunto de datos determinado, y explicar a qué se debe la presencia de los datos.
- ASumarización de datos
- BAnálisis de Asociaciones
- CDetección de Desviaciones
- DClasificación (discriminación)
- E"Clustering” o clasificación no supervisada
- FAsociación o Análisis de afinidad
- GDescubrimiento de secuencias
- HRegresión
70Cual es la operacion de mineria de datos que Mapea o asocia datos a grupos predefinidos. También llamado aprendizaje supervisado.
- ASumarización de datos
- BAnálisis de Asociaciones
- CDetección de Desviaciones
- DClasificación (discriminación)
- E“Clustering” o clasificación no supervisada
- FAsociación o Análisis de afinidad
- GDescubrimiento de secuencias
- HRegresión
71Cual es la operacion de mineria de datos que es similar a la clasificación, excepto que los grupos no son predefinidos. El objetivo es particionar o segmentar un conjunto de datos o individuos en grupos que pueden ser disjuntos o no.
- ASumarización de datos
- BAnálisis de Asociaciones
- CDetección de Desviaciones
- DClasificación (discriminación)
- E“Clustering” o clasificación no supervisada
- FAsociación o Análisis de afinidad
- GDescubrimiento de secuencias
- HRegresión
72Cual es la operacion de mineria de datos es conocido como “Link Analysis” se refiere a encontrar relaciones no evidentes en los datos.
- ASumarización de datos
- BAnálisis de Asociaciones
- CDetección de Desviaciones
- DClasificación (discriminación):
- E“Clustering” o clasificación no supervisada
- FAsociación o Análisis de afinidad
- GDescubrimiento de secuencias
- HRegresión
73Cual es la operacion de mineria de datos es usado para descubrir secuencias de patrones en los datos, estos patrones son similares a los encontrados con reglas de asociación pero tales relaciones son basadas en el tiempo.
- ASumarización de datos
- BAnálisis de Asociaciones
- CDetección de Desviaciones
- DClasificación (discriminación)
- E“Clustering” o clasificación no supervisada
- FAsociación o Análisis de afinidad
- GDescubrimiento de secuencias
- HRegresión
74Cual es la operacion de mineria de datos se usa una regresión para predecir los valores ausentes de una variable basándose en su relación con otras variables del conjunto de datos.
- ASumarización de datos
- BAnálisis de Asociaciones
- CDetección de Desviaciones
- DClasificación (discriminación)
- E“Clustering” o clasificación no supervisada
- FAsociación o Análisis de afinidad
- GDescubrimiento de secuencias
- HRegresión
75La mineria de datos surge para intentar ayudar a comprender el contenido de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales.
- ATrue
- BFalse
76Se utilizan para descubrir hechos que ocurren en común dentro de un determinado conjunto de datos. Se puede utilizar como base para tomar decisiones sobre marketing como precios promocionales para ciertos productos o dónde ubicar éstos dentro del supermercado.
- AAnálisis de asociaciones
- BDetección de desviaciones
- CModelos predictivos
- DSegmentación de BD
- EPatrones secuenciales
- FClustering
77Se trata de identificar casos anómalos a partir de la experiencia anterior
- AAnálisis de asociaciones
- BDetección de desviaciones
- CModelos predictivos
- DSegmentación de BD
- EPatrones secuenciales
- FClustering
78Son modelos de la relación entre el rendimiento específico de un sujeto en una muestra y uno o más atributos o características del mismo sujeto. El objetivo del modelo es evaluar la probabilidad de que un sujeto similar tenga el mismo rendimiento en una muestra diferente.
- AAnálisis de asociaciones
- BDetección de desviaciones
- CModelos predictivos
- DSegmentación de BD
- EPatrones secuenciales
- FClustering
79Conjunto de procesos cuya finalidad es crear una estructura de base de datos orientada a la gestion de la comunicacion con los clientes. Mediante dichos procesos se determina el valor que tiene cada cliente para la empresa, permitiendo destinar los recursos a aquellos que garantizan un mayor retorno de la inversion.
- AAnálisis de asociaciones
- BDetección de desviaciones
- CModelos predictivos
- DSegmentación de BD
- EPatrones secuenciales
- FClustering
80Se trata de buscar asociaciones de la forma: si sucede el evento X en el instante de tiempo t entonces sucederá el evento Y en el instante t+n“. El objetivo de la tarea es poder describir de forma concisa relaciones temporales que existen entre los valores de los atributos del conjunto de ejemplos.
- AAnálisis de asociaciones
- BDetección de desviaciones
- CModelos predictivos
- DSegmentación de BD
- EPatrones secuenciales
- FClustering
81Es un procedimiento de agrupación de una serie de vectores de acuerdo con un criterio. Esos criterios son por lo general distancia o similitud. La cercanía se define en términos de una determinada función de distancia, como la euclídea, aunque existen otras más robustas o que permite extenderla a variables discretas.
- AAnálisis de asociaciones
- BDetección de desviaciones
- CModelos predictivos
- DSegmentación de BD
- EPatrones secuenciales
- FClustering
82Los modelos de arboles son clasificadores que en función de un conjunto de atributos permiten determinar a qué clase pertenece el caso objeto de estudio. Los modelos de árboles decisionales son comúnmente usados en la minería de datos para examinar los datos e inducir las reglas para realizar predicciones.
- ATrue
- BFalse
83Es cuando el resultado predicho es la clase a la que pertenecen los datos .
- AÁrboles de clasificación
- BÁrboles de regresión
84Es cuando el resultado predicho se puede considerar un número real (por ejemplo, el precio de una casa, o la longitud de un paciente de la estancia en un hospital).
- AÁrboles de clasificación
- BÁrboles de regresión
85Algoritmo que genera un árbol de decisión que permite predecir o clasificar observaciones futuras.
- AEl nodo de árbol de clasificación y regresión (C&R)
- BEl nodo CHAID
- CEl nodo C5.0
86Algoritmo que genera árboles de decisión utilizando estadísticos de chi-cuadrado para identificar las divisiones óptimas. A diferencia de los nodos C&R y QUEST, CHAID puede generar árboles no binarios, lo que significa que algunas divisiones generarán más de dos ramas.
- AEl nodo de árbol de clasificación y regresión (C&R)
- BEl nodo CHAID
- CEl nodo C5.0
87Algoritmo que genera un árbol de decisión o un conjunto de reglas. El modelo divide la muestra basándose en el campo que ofrece la máxima ganancia de información en cada nivel
- AEl nodo de árbol de clasificación y regresión (C&R)
- BEl nodo CHAID
- CEl nodo C5.0
88Clasificacion neuronal es el problema de identificar a cual de un conjunto de categorías (subpoblaciones) una nueva observación pertenece, sobre la base de un conjunto de formación de datos que contienen observaciones (o instancias) cuya categoría de pertenencia es conocida.
- ATrue
- BFalse
89Un percepton es una Neurona artificial o unidad básica de inferencia en forma de discriminador lineal, a partir de lo cual se desarrolla un algoritmo capaz de generar un criterio para seleccionar un sub-grupo a partir de un grupo de componentes más grande.
- ATrue
- BFalse
90La limitación del percepton es que si dibujamos en un plot estos elementos, se deben poder separar con un hiperplano únicamente los elementos "deseados" discriminandolos (separándolos) de los "no deseados".
- ATrue
- BFalse
91En el perceptron multicapa se añaden capas internas, se introducen diferentes funciones de activación e incluso recientemente se introducen bucles y retardos.
- ATrue
- BFalse
92La característica más importante de los metodos simbolicos es que son auto explicativos, a simple vista se puede observar la consideración de la clasificación de la data.
Entre los métodos simbólicos se incluyen a las Redes Neuronales, Algoritmos Genéticos, Reglas de Asociación, Lógica Difusa, entre otros. Estos derivan del campo de la Inteligencia Artificial.- ATrue
- BFalse
93Algoritmos de induccion supervisada También conocidos como métodos predictivos. Estos predicen un dato (o un conjunto de ellos ) desconocido, a partir de la entrada de un conjunto de valores obtenidos a lo largo de un tiempo determinado de los que se extrae un comportamiento futuro.
- ATrue
- BFalse
94Una función base radial requiere varios centros de ajuste y en cada uno de es tos centros , se define una función de base. La función de base es una función no lineal de distancia desde el centro de ajuste. Por este motivo, las funciones de base se denominan Función de base radial: tienen el mismo valor en cualquier punto con la misma distancia o radio desde el centro de ajuste.
- ATrue
- BFalse
95La función Predicción Neuronal 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 des cubiertas al explorar un conjunto de datos de preparación que contienen tanto la variable independiente como las dependientes.
- ATrue
- BFalse
96Caracteristicas de funcino de base radial:
-Pueden procesar variables cuantitativas y cualitativas a la vez.
-Detecta el número de centroides óptimo, redefiniendo el número máximo de éstos y el número mínimo de registros asignados a cada centro.
-Funciona especialmente bien cuando la estructura de los datos tiende a agruparse en conjuntos , ya que implementa cierto tipo de segmentación.- ATrue
- BFalse
97Cacteristicas de la funcion de prediccion neuronal
-Basada en redes neuronales.
-Detecta de forma automática la topología más adecuada para cada problema, aunque permite especificar una concreta.
-Permite predecir datos en forma de series temporales.- ATrue
- BFalse
98Descubrimiento de las asociaciones
Trata sobre la exploración de datos con el fin de identificar relaciones entre valores dentro de una base de datos.- ATrue
- BFalse
99 Las dos técnicas más comunes para el análisis de relaciones son:
○ El descubrimiento de asociaciones (Análisis de asociaciones).
○ El descubrimiento de patrones (Patrones secuenciales).- ATrue
- BFalse
100Caracteristicas del analisis de asociaones
●Detecta elementos en una transacción que implica la presencia de otros elementos.
● Expresa las afinidades entre elementos en forma de asociación “X FB”.
● Permite especificar los niveles de soporte que deben ser detectadas.
● Permite incorporar taxonomías de productos, habilitando la detección de asociaciones a diferentes niveles.- ATrue
- BFalse
101Patrones secuenciales tratan de buscar asociaciones de la forma: Si sucede el evento X en el instante de tiempo t entonces sucederá el evento Y en el instante t+n“
- ATrue
- BFalse
102Caracteristicas de los patrones secuenciales:
❏ Se detectan patrones entre transacciones, lo que permite optimizar las ventas a lo largo del tiempo.
❏ Permiten especificar el factor de soporte mínimo para las secuencias que deben ser detectadas.- ATrue
- BFalse
103Los patrones secuenciales se aplican en
● Secuencias de compra del cliente.
● Tratamientos médicos
● Patrones de llamadas telefónicas
● Estructuras de ADN y genes- ATrue
- BFalse
104Son técnicas que sirven para dividir una base de datos en subconjuntos, denominados segmentos (clusters), donde los miembros de cada uno de ellos comparten características similares.
- ASegmentación
- BMétrica
- CSegmento
- DSegmentación RFM
105Es un número que representa un recuento o una razón para algo que se desea medir. Estas se representan como columnas de datos adicionales en el informe.
- ASegmentación
- BMétrica
- CSegmento
- DSegmentación RFM
106El resultado de una operación de segmentación puede emplearse en dos sentidos.
○ 1ero: Para resumir el contenido de una base de datos, considerando las características de cada segmento en lugar de las de cada registro individual.
○ 2do: Como una entrada a otros métodos, como los de inducción supervisada.- ATrue
- BFalse
107Es un conjunto más pequeño y manejable para un modelo de clasificación del total de la población. Un data warehouse almacena los datos sin procesar en una sola tabla, pero le permite acceder a los datos en tres contenedores conceptuales: Visitantes, Visitas y Hits.
- ASegmentación
- BMétrica
- CSegmento
- DSegmentación RFM
108Es un tipo de segmentacion que consiste clasificar por un valor dado por 3 varibles:
Recencia, Frecuencia, Money(Dinero)- ASegmentación
- BMétrica
- CSegmento
- DSegmentación RFM
109Esta tiene un enfoque relacional. Es decir, aquí se hace una agrupación automática de los registros que comparten características similares.
- ASegmentación particionado
- BCriterio de condorcet
- CSegmentación neuronal
- DEl modelo de Kohonen
110Es el candidato que comparado con el resto es el preferido por el mayor número de votantes. De manera informal, el candidato es la persona que ganaría al oponente en una elección entre dos candidatos.
- ASegmentación particionado
- BCriterio de condorcet
- CSegmentación neuronal
- DEl modelo de Kohonen
111En la estrategia propuesta se realiza un preprocesamiento de los patrones a clasificar analizando su relación con sus vecinos más próximos según una medida de similitud. De esta manera, se caracterizan los clusters individualmente, facilitando la aplicación de la red y permitiendo obtener una respuesta específica para cada clase.
- ASegmentación particionado
- BCriterio de condorcet
- CSegmentación neuronal
- DEl modelo de Kohonen
112El funcionamiento es relativamente simple. Cuando se presenta a la entrada una información Ek, cada una de las M neuronas de la capa de salida la recibe a través de la conexiones feedforward con pesos wji.También estas neuronas reciben las correspondientes entradas debidas a las conexiones laterales con el resto de las neuronas de salida y cuya influencia dependerá de la distancia a la que se encuentren.
- ASegmentación particionado
- BCriterio de condorcet
- CSegmentación neuronal
- DEl modelo de Kohonen
113Actores que intervienen en un data mining
● Líder del proyecto
● Cliente
● Analista de data mining
● Ingeniero de data mining
● Analista de IT- ATrue
- BFalse
114El proceso se inicia con la extracción de la población muestral sobre la que se va a aplicar el análisis. El objetivo de esta fase consiste en seleccionar una muestra representativa del problema en estudio.
- AMUESTRA
- BEXPLORAR
- CMANIPULACIÓN
- DMODELADO
- EVALORACIÓN
115se debe proceder a una exploración de la información disponible mediante métodos estadísticos con el fin de simplificar en lo posible el problema y optimizar la eficiencia del modelo.
- AMUESTRA
- BEXPLORAR
- CMANIPULACIÓN
- DMODELADO
- EVALORACIÓN
116Esta fase consiste en la transformación de los datos, en base a la exploración realizada, de forma que se definan y tengan el formato adecuado los datos que serán introducidos en el modelo.
- AMUESTRA
- BEXPLORAR
- CMANIPULACIÓN
- DMODELADO
- EVALORACIÓN
117una vez que se han definido las entradas del modelo, con el formato adecuado para la aplicación de la técnica de modelado, se procede al análisis y modelado de los datos.
- AMUESTRA
- BEXPLORAR
- CMANIPULACIÓN
- DMODELADO
- EVALORACIÓN
118La última fase del proceso consiste en la valoración de los resultados mediante el análisis de bondad del modelo o modelos, contrastado con otros métodos estadísticos o con nuevas poblaciones muestrales.
- AMUESTRA
- BEXPLORAR
- CMANIPULACIÓN
- DMODELADO
- EVALORACIÓN
119La metodologia SEMMA esta compuesta por los procesos de
MUESTRA
EXPLORAR
MANIPULACIÓN
MODELADO
VALORACIÓN- ATrue
- BFalse
120La principal contribución del enfoque de cinco A es el paso automatizado. Se basa en la interesante idea de la automatización del proceso de minería de datos con el fin de permitir que los usuarios no expertos de minería de datos apliquen modelos obtenidos previamente a nuevos datos
- ATrue
- BFalse
121El proceso del modelo de las 5's A esta compuesto por :
Automatizar
Actuar
Analizar
Acceso
Evaluar (assess)- ATrue
- BFalse
122CRISP-DM, que son las siglas de Cross-Industry Standard Process for Data Mining, es un método probado para orientar sus trabajos de minería de datos.
Como metodología, incluye descripciones de las fases normales de un proyecto, las tareas necesarias en cada fase y una explicación de las relaciones entre las tareas.- ATrue
- BFalse
123Obtener la máxima información posible de los objetivos comerciales de la minería de datos, reduciendo los futuros riesgos clarificando los problemas, objetivos y recursos.
- AComprensión del negocio
- BComprensión de los datos
- CPreparación de datos
- DModelado
- EEvaluación
- FDistribución
124Implica estudiar más de cerca los datos disponibles de minería. Este paso es esencial para evitar problemas inesperados durante la siguiente fase (preparación de datos) que suele ser la fase más larga de un proyecto.
- AComprensión del negocio
- BComprensión de los datos
- CPreparación de datos
- DModelado
- EEvaluación
- FDistribución
125es uno de los aspectos más importantes y con frecuencia que más tiempo exigen en la minería de datos. De hecho, se estima que suele llevar el 50-70 % del tiempo y esfuerzo de un proyecto. Dedicar los esfuerzos adecuados a las primeras fases de comprensión comercial y comprensión de datos puede reducir al mínimo los gastos indirectos relacionados, pero aún deberá dedicar una buena cantidad de esfuerzo para preparar y empaquetar los datos para la minería.
- AComprensión del negocio
- BComprensión de los datos
- CPreparación de datos
- DModelado
- EEvaluación
- FDistribución
126 se suele ejecutar en múltiples iteraciones. Normalmente, los analistas de datos ejecutan varios, utilizando los parámetros por defecto y ajustan los parámetros o vuelve a la fase de preparación de datos para las manipulaciones necesarias por su modelo.
- AComprensión del negocio
- BComprensión de los datos
- CPreparación de datos
- DModelado
- EEvaluación
- FDistribución
127En este punto, habrá completado la mayor parte de su proyecto de minería de datos. Se miran los resultados de sus esfuerzos utilizando los criterios de rendimiento comercial establecidos en el inicio del proyecto. Es la clave para asegurar que su organización pueda utilizar los resultados que ha obtenido.
- AComprensión del negocio
- BComprensión de los datos
- CPreparación de datos
- DModelado
- EEvaluación
- FDistribución
128Es el proceso que consiste en utilizar sus nuevos conocimientos para implementar las mejoras en su organización.
- AComprensión del negocio
- BComprensión de los datos
- CPreparación de datos
- DModelado
- EEvaluación
- FDistribución
Information
- Description
- Examen de practica para segundo parcial
- Author
- Rogelio Ulloa
- Language
- English
- Views
- 33
- Tags
- Rating
- No ratings yet Rate this quiz