数据仓库数据挖掘期末复习题（2024-2025第1学期大数据版）

1 数据分析的基本步骤有哪些？每个步骤的主要工作
2 关于大数据的4V理论是什么？
3 四种基本度量尺度适用的集中趋势和离散度量方法有哪些？
4 数据对象的相似性有哪些方法
5 数据属性的相关性有哪些方法（斯皮尔曼等级相关系数，皮尔森）
6 数据预处理的主要任务有哪些？每个任务要解决的问题主要有哪些？
7 脏数据主要有哪几种？产生的主要原因是什么？
8缺失值的处理方法有哪些？
9 什么是噪音数据？产生的原因有哪些？
10噪声数据的检测和处理方法有哪些？

11 什么叫数据集成？集成的框架结构？分类？数据集成解决的主要问题有哪些？例子

12 什么叫数据归约？主要有哪几类归约问题？

13 维度归约有哪两类技术？有什么区别？
14 什么是数据离散化和概念分层？
15 数据规范化/标准化的方法有哪些？形式，有什么作用？

16 数据仓库的主要特征是什么，对每一特征给予简要解释
17 数据仓库的作用
18 典型的数据仓库体系结构，各层简要说明
19数据库与数据仓库系统在设计上的差别
20数据仓库设计的过程有哪些
21模型设计（概念——逻辑；星型模型；粒度选择）
22ETL的内容

23 五种OLAP的操作，并说明每种的具体内容
24 MOLAP和ROLAP的体系结构，工作原理

25 什么叫数据立方体的预计算？为什么要进行预计算？面临的问题有哪些？有哪些策略？
26完整数据立方体的预计算方法
27什么叫数据泛化
28面向属性的泛化方法有哪两种方法及规则

29频繁模式挖掘相关概念（关联规则，支持度，置信度）
30关联规则挖掘的步骤
31Apriori方法（原理，例子）
32 FP-TREE（原理，例子）
33 为什么进行关联规则的主观性测试？有哪些指标及其特点

33 序列挖掘的相关概念
34 apriori-all算法（原理，例子）
35 GSP算法（原理，例子）

37过拟合的主要原因及其解决方法
38 关于基于混淆矩阵的几个主要指标及其作用
39 ROC曲线及其特点，计算

40 划分聚类基本思想和原理，k-means, K-medoid算法（原理，例子）
41 层次聚类基本思想和原理，AGNES, DIANA算法（原理，例子）
42 BIRCH算法相关概念，基本思想，例子
43 Chameleon基本思想和步骤
44 密度聚类相关概念（邻域，密度可达等）
45 DB-SCAN算法
46 OPTICS算法原理，例子
47 CLIQUE算法基本思想

48 什么是离群点？离群点挖掘有什么意义？主要有哪几类方法
49 基于距离和密度的离群点发现方法（相关概念，原理，例子）
50 基于聚类的离群点发现方法（原理，例子）

51 基于物品的协同推荐算法（原理，例子）
52 基于用户的协同推荐算法（原理，例子）
53 基于内容的推荐算法（原理）