阿摩線上測驗 登入

114年 - 中華企業資源規劃學會_專業認證商用數據應用師試題#127828

科目：商用數據應用師 | 年份：114年 | 選擇題數：80 | 申論題數：0

試卷資訊

所屬科目：商用數據應用師

選擇題 (80)

1. 商管人最需要培養的資料探勘技能是：(A) 了解演算法(B) 理解商業意涵(C) 懂得程式設計(D) 學會系統分析。
2. 資料輸入不包含哪個程序:
(A) 資料欄位選擇
(B) 前置作業
(C) 轉換資料格式
(D) 操作軟體工具。
3. 將不必要的欄位刪除或不納入分析這是程序上那一個環節？
(A) 精簡維度
(B) 調整編碼方式
(C) 調整顆粒度
(D) 資料型態轉換。
4. 將原始資料改變為較能理解的格式這是程序上那一個環節？
(A) 精簡維度
(B) 資料型態轉換
(C) 調整編碼方式
(D) 調整顆粒度。
5. 「決定資料是要分析到每日還是每月？」這是程序上那一個環節？
(A) 調整編碼方式
(B) 調整顆粒度
(C) 精簡維度
(D) 資料型態轉換。
6. 連續值與離散值轉換這是程序上那一個環節？
(A) 調整顆粒度
(B) 精簡維度
(C) 調整編碼方式
(D) 資料型態轉換。
7. 解釋探勘後的資訊成為知識無法透過下列那一種方式完成？
(A) 訪談
(B) 次級資料分析
(C) 觀察
(D) 解譯程式碼。
8. 監督式與非監督的差異，以下何者為正確
(A) 監督式需先制定特定目標
(B) 非監督式需先制定特定目標
(C) 關聯法則是監督式
(D) 決策樹是非監督式。
9. 關於資料探勘以下何者為非：
(A) 挖掘出有用的東西
(B) 挖掘出奇點
(C) 具備意涵
(D) 對應商管目的。
10. 以下關於挖礦與資料探勘何者為非
(A) 知道要挖金礦這是監督式探勘
(B) 能從挖到的結果歸納一些可能有用的有用的東西這是監督式探勘
(C) 資料探勘分為監督式與非監督式探勘
(D) 資料探勘就是從資料找尋有用的結果。
11. 資料探勘上，所謂的「挖哪邊」以下何者為非?
(A) 就是痛點
(B) 痛點就是對商管而言有意義的點
(C) 痛點可以視為替代品
(D) 痛點可以視為必需品。
12. 如果遇到資料找到不多通常可以從下列哪一點去著手改進？
(A) 我們資料找的還不夠仔細，我們去找找是否可以找到顆粒度較細的資料
(B) 請該單位準備好我們所需要的資料給我們
(C) 就用少量數據去分析
(D) 直接跑演算法。
13. 關於資料探勘?
(A) 是一種事後分析，需要有資料才能進行
(B) 不需要被驗證
(C) 只有社會科學可以但自然科學不可以使用
(D) 是一種事前分析，可以透過推衍得知結果。
14. 「如何確認資料可用」包含了
(A) 確認是使用什麼演算法
(B) 精準定義結論
(C) 應用管理工具
(D) 確認分析軟體。
15. 關於 CSV 檔案，以下何者為非？
(A) comma separated values
(B) CSV 檔案優點在於可以儲存幾乎無窮大
(C) CSV 檔案缺點就在於一律以文字方式儲存
(D) CSV 檔案中的 NULL 就是「空」。
16. 何謂有品質的資料？
(A) 漂亮
(B) 可用
(C) 大量
(D) 少量。
17. 資料有效性是指
(A) 時間正確
(B) 選對列
(C) 沒有缺漏或空值
(D) 選對欄位。
18. 關於探勘可用的資料表
(A) 多以二維表示
(B) 超過二維以上不要刪除
(C) 超過二維以上可以透過直接刪除來降維
(D) 直接跑樞紐分析結果表就好。
19. 集群分析從資料上看是
(A) 垂直面的集合
(B) 水平面的集合
(C) 水平與垂直面的整合
(D) 隨機選取。
20. 集群就是
(A) 垂直面整合
(B) 取個體之間的最大差異點來整合
(C) 取共通性來整合
(D) 最大化差異。
21. 集群的作法不包含
(A) 看個別欄位的內容是否接近
(B) 喜不喜歡這個物件
(C) 選擇適當的屬性(欄位)並比較相似處
(D) 肘方法來判別集群數。
22. 電腦要判別人長相是否接近不會透過……
(A) 眉毛圖像的形狀的資料庫
(B) 嘴唇圖像的資料庫
(C) 眼睛圖像的資料庫
(D) 聲音的資料庫。
23. 關於歐幾里德距離計算(A) 丟入隨機參數，以選定的幾個(比如：三個)單筆資料為主，看其他資料與該種子資料的距離進行運算(B) 固定選取三個單筆資料為主，看其他資料與該種子資料的距離進行運算(C) 餵入判別的欄位資料是依序由小到大選取的(D) 餵入判別的欄位資料是依序由大到小選取的。。
24. 透過人腦要判別一個人的長相是否是美女/帥哥不包含
(A) 觀察眼睛
(B) 觀察頭髮
(C) 觀察耳朵
(D) 觀察書寫文字。
25. 關於集群分析何者為非
(A) 所有資料都要納入
(B) 不合規範的要拿掉
(C) 不能觀察的要拿掉
(D) 因顆粒度無法納入的可視狀況調整後納入分析。
26. 關於 K-means 集群分析何者為非
(A) 電腦針對有限的隨機種子與計算
(B) 每一個物件都必須要擔任種子
(C) 電腦可以大量計算不同的隨機種子與其他物件的距離
(D) 電腦可以大量計算不同的質心與其他物件的距離。
27. 以下何者為不為集群分析
(A) 同羽毛的鳥就是會聚一起
(B) 整理過往資料建立模型判別進入門內的是男生或女生
(C) 非監督式探勘
(D) 組內差異最小組間差異最大。
28. 資料探勘五類分析方法中的集群分析其英文名稱為下列哪一個選項
(A) Clustering
(B) Classification
(C) Association Rule
(D) Classifier。
29. 集群分析又可以稱為
(A) 聚類分析
(B) 因素分析
(C) 因果分析
(D) 主成份分析。
30. 關於 RFM 模型的英文的基本名稱，正確選項為
(A) F (Fluently)
(B) R (Recency)
(C) M (Mental)
(D) M (Many)。
31. 關於 K-Means 演算法的觀念，下列正確選項為
(A) K 是指 K 個分群數量的意思
(B) 計算隨機種子與其他資料的因果關係
(C) K 值永遠為 5
(D) K 值可以設定為 0。
32. 關於 Python 語言中 pandas 模組套件中的何種函數是可以讀取 csv 檔案
(A) read_pdf()
(B) read_csv()
(C) read_doc()
(D) read_gif()。
33. 關於 Colab 敘述何者正確
(A) 是微軟公司的產品
(B) 是 Collaboratory 的縮寫
(C) 是與 Visual Studio 很接近的工具
(D) 不用在自己電腦上面安裝 python 就可以執行的程式。
34. 關於下列這行指令 oringnaldata = pd.read_csv('clustering_Ex1. csv')的描述何者正確
(A) 等號左邊的運算結果給予右邊
(B) 等號右邊的運算結果給予左邊
(C) 等號右邊是變數
(D) oringnaldata 變數名稱不可以隨便更改。
35. 集群分析結束要將 oringnaldata 資料匯出到 OutPut.csv 可以輸入的指令為
(A) oringnaldata.add_csv("OutPut.csv")
(B) oringnaldata.join_csv("OutPut.csv")
(C) oringnaldata.put_csv("OutPut.csv")
(D) oringnaldata.to_csv("OutPut.csv")。
36. 讓消費習慣有差異的客戶可以分別集結到不同的客戶組群中，同時也將有相類似消費習慣的客戶集結到相對應的客戶組群中，這就是(A) 獨熱編碼(B) 集群分析(C) 關聯規則(D) 主題模型分析。
37. 關聯規則分析又稱為
(A) 購物車分析
(B) 集群分析
(C) 序列分析
(D) 隨機森林分析。
38. 關聯規則是屬於下列哪一種演算法
(A) supervised algorithm
(B) unsupervised algorithm
(C) random algorithm
(D) non-sense algorithm。
39. 實體商店與電子商務差異以下何者為非
(A) 實體商店可以觀察貨架
(B) 電子商務下消費者不容易一直逛貨架
(C) 電子商務的彈出式廣告效果有限
(D) 實體商店可以賣出更多商品。
40. 何謂關聯規則分析以下何者為非
(A) 關聯就是關係
(B) 獨立存在的物件之間產生關係
(C) 關聯必須是「連續」而非「離散」的資料
(D) 信心度是用來產生關聯規則的依據。
41. 發現規則之後以下何者為非
(A) 搭配質化分析結果規劃行銷企劃
(B) 不要貿然直接看數據說故事
(C) 量化分析與質化分析需要一起看
(D) 可以直接應用。
42. 關聯看的是資料表格上的
(A) Y 軸的關聯
(B) X 軸的關聯
(C) 資料的關係
(D) 交叉分析。
43. Apriori 演算法
(A) 只需找出最頻繁項目集
(B) 找出好用的項目集
(C) 一定要給定支持度與信心度
(D) 可以快速且節省資源的生成規則。
44. 關於支持度以下何者為是
(A) 決策變數在聯集中所出現的比例
(B) 就是商品組合在納入模型計算的樣本中出現的總次數
(C) 可以看成統計裡面的條件機率
(D) 決策變數在交集中所出現的比例。
45. 關於「買啤酒(Beer)也會買尿布(Diaper)」的故事當時是發生在
(A) Apple 公司
(B) 亞馬遜公司
(C) SAP 公司
(D) 沃爾瑪(Walmart)大型零售賣場中。
46. 「啤酒(Beer)與尿布(Diaper)」的故事是採用下列哪一類演算法
(A) 決策樹分類法
(B) 關聯規則
(C) 集群分析
(D) 貝氏分類法。
47. 購物籃(Shopping basket)分析所採用方法是
(A) 隨機森林
(B) 關聯規則
(C) 集群分析
(D) kNN 分類法。
48. 分析購物籃的採購內容就等同是在分析客戶的
(A) 消費行為(Consumer behavior)
(B) 倉庫管理行為
(C) 財務分析行為
(D) 預期心理行為。
49. 關於 Market basket analysis 的中文意思為
(A) 出貨分析
(B) 購物籃分析
(C) 投籃命中分析
(D) 進貨分析。
50. 購物籃(車)中的內容可以提供許多珍貴的資訊，這對賣場中商品的下列哪一項活動非常重要
(A) 出貨
(B) 會計
(C) 補貨(Replenishment)
(D) 財務。
51. 關於 Apriori 方法下列何者正確
(A) 是一種決策樹分類法
(B) 是一種貝氏分類法
(C) 是一種集群分析方法
(D) 是一種關聯規則方法。
52. 因為當交易資料量很大的時候常常會遇到計算上瓶頸，因此需要將原來的 list 資料型態轉為二
維表格的資料框(DataFrame)，而這個資料框的內容填滿真(True)與假(False)的邏輯值，這些真、假
值也就是什麼值
(A) 布林值
(B) 焦點值
(C) 奇異值
(D) 閥值。
53. 關於決策樹的基本原理以下何者為非
(A) 監督式學習
(B) 非監督式學習
(C) 有目標
(D) 用以分類。
54. 關於決策樹以下何者為非
(A) 樹狀的結構
(B) 向上長的樹
(C) 有樹根
(D) 可能會過度擬合。
55. 決策樹分枝的判別標準可以有
(A) 熵(Gini Coefficient)
(B) 吉尼係數(Entropy)
(C) 商(Entropy)
(D) 吉尼係數(Gini Coefficient)。
56. 決策樹分枝的判別標準
(A) 熵越低越好
(B) 吉尼係數越高越好
(C) 熵越高越好
(D) 隨機性越高越好。
57. CART 決策樹特色以下何者為非
(A) 可以分類連續變數與類別變數
(B) 已用過的變數可以重複使用
(C) 透過計算吉尼係數來判別分類
(D) 不能分類連續變數。
58. 關於事後剪枝
(A) 在樹已經生成之後，才對過過度擬合的部分進行修剪
(B) 生成樹的時候就對樹的生長進行限制
(C) 預先給定標準
(D) 多為主觀剪枝。
59. 關於決策樹的描述何者正確
(A) 監督式方法
(B) 非監督式方法
(C) 兼容監督與非監督方法
(D) 加強非監督式方法。
60. 關於決策樹的描述何者錯誤
(A) 有目標變數
(B) 有自變數
(C) 運用自變數去預測目標變數
(D) 自變數就是要預測的未來資料。
61. 關於決策樹的預測的驗證議題，下列何者錯誤
(A) 使用訓練資料集來建立模型
(B) 將資料拆成訓練與測試組，前者訓練模型，後者用以驗證
(C) 測試組資料量不要多於訓練組資料量
(D) 測試組資料量一定要是訓練組資料量的九倍。
62. np.array()函數(numpy 引入程式後命名為 np)的意義是
(A) 將目前資料轉換成陣列
(B) 將陣列的資料轉換成資料框資料
(C) 將 list 轉為 table
(D) 將 list 轉為資料框。
63. 使用分類六大步驟完成建立分類與預測決策樹不包含
(A) 資料載入與準備
(B) 訓練與測試資料切割
(C) 產生訓練資料集的預測結果
(D) 預測未知類別的新資料。
64. 關於 DecisionTreeClassifier()中第一個參數 criterion 如果設定為 gini 表示
(A) 使用 CART 演算法
(B) 表示 ID3 演算法
(C) 表示隨機樹演算法
(D) 表示 kNN 演算法。
65. 在 Python 語言中所使用 DecisionTreeClassifier()指令參數 criterion 可以設定為 entropy 做為計算，請問 entropy 的意思為下列哪一個選項(A) 熵值(B) 極端值(C) 奇異值(D) 平均值。
66. 在建立模型的過程中，需要將原始資料切割成兩部分，第一部分是訓練資料集，第二部分是
(A) 交叉資料集
(B) 缺失值資料集
(C) 常數值資料集
(D) 測試資料集。
67. 隨機森林是衍生自於
(A) 決策樹
(B) 類神經
(C) 關聯規則
(D) 集群分析。
68. 隨機森林的可能用途
(A) 判別顧客年紀
(B) 推算顧客重要性
(C) 確定員工薪資
(D) 找出關聯規則。
69. kNN 演算法的 k 的條件以下何者為非
(A) 用來集群
(B) k 是指最近鄰居
(C) 隨機找 k 個
(D) k 不可以是 1。
70. 關於 kNN 演算法以下何者為非
(A) k 不可以太小
(B) k 需要是奇數
(C) 選擇的鄰居針對特定議題的意見居多數者勝出
(D) 與 k-Means 相同。
71. 關於驗證
(A) k-fold 不適用於隨機森林
(B) k-fold 不可以用來驗證訓練出的決策樹的好壞
(C) 在隨機森林中沒被抽到的樣本數可以當作驗證資料用
(D) 在隨機森林中沒被抽到的樣本數不可以當作驗證資料用。
72. 關於隨機森林
(A) 就是少數決
(B) 隨機森林的樣本抽樣設計是採取抽取之後還可以放回的方法
(C) 我的意見只會出現在一棵樹裡面
(D) 隨機森林的樣本抽樣設計是採取抽取之後不可以放回。
73. 隨機森林是衍生自於
(A) 決策樹
(B) 類神經
(C) 關聯規則
(D) 集群分析。
74. 關於 kNN 預測分析以下何者正確
(A) 設定 k 必須要是奇數
(B) 只能餵入偶數筆資料
(C) 預測結果可以有多個答案
(D) 設定 k 必須要設定成 0。
75. 分類模型又可以稱為
(A) 分類器
(B) 分歧器
(C) 橢圓曲線加密器
(D) 廻歸解密器。
76. 所謂「近朱者赤，近墨者黑」的觀念類似下列哪一種商業數據分析的技術
(A) 決策樹
(B) k 最近鄰演算法
(C) 簡單貝氏法
(D) 奇異值分解法。
77. 建立模型過程中，基本上會將資料集切割成兩部分，其一為測試資料集，另一為
(A) 開放資料集
(B) 訓練資料集
(C) 結案資料集
(D) 半折資料集。
78. 整個建立模型過程中的啟動點在於資料的取得與區分，如果將測試資料集與訓練資料集合併在一起就等同於(A) 原始資料集(B) 開放資料集(C) 驗證資料集(D) 鑑證資料集。
79. 如果使用 kNN 建立分類模型，則其原理與 CART 決策樹分類模型
(A) 相同
(B) 偽陽性資料量過半則相同
(C) 不同
(D) 偽陰性資料量過半則相同。
80. 使用 Python 建立 kNN 模型過程中使用這一個指令 KNeighborsClassifier(n_neighbors = 3)可以輕易建立 kNN 分類模型，其中 n_neighbors 參數代表意義為(A) 最壞狀況鄰居數量(B) 平均鄰居數量(C) 最遠鄰居數量(D) 最近鄰居數量。

申論題 (0)