技术何

数据挖掘考试重点（条理版）填空或简答：1.  数据、信息和知识是广义数据表现的不同形式。2.  主要知识模式类型有：广义知识，关联知识，类知识，预测型知识，特异型知识3.  web挖掘研究的主要流派有：Web结构挖掘、Web使用挖掘、Web内容挖掘4.  一般地说，KDD是一个多步骤的处理过程，一般分为问题定义、数据抽取、数据预处理、.数据挖掘以

1.Kettle里的数据以数据行的形式,由转换里的步骤来处理。2.作业项是作业的基本组成部分，每个作业项根据前一个作业项的结果顺序执行。3.可以在转换或作业里定义数据库连接,可以在数据库等设置对话框里使用参数。4.kettle有不同类型的资源库，每种资源库都有自己的使用场景。5.kettle使用灵活的虚拟文件系统，可以访问各种不同位置的文件。6.通过变量和命名参数可以使转换或者作业更加灵...

Python机器学习的库-scikit-learn1特性：简单高效的数据挖掘和机器学习分析对所有用户开放，根据不同需求高度可重用性给予Numpy,SciPy和matplotlib开源覆盖问题领域：分类(classfication),回归(regression),聚类（clustering）降维（dimensionality reduction）模型选择（model

理论一：机器学习中分类和预测算法的评估   1.准确率   2.速度   3.强壮性   4.可规模性   5.可解释性二：什么是决策树/判定树(decision tree)    判定树是一个类似于流程图的树结构，其中，每个内部节点标识在一个属性上的测试，每个分支代表一个属性输出，而每个树节点代表类或类分布，树的最顶层是根节点2.机器学习中分类方法

本模块主要包括一些python内部操作符对应的函数，主要包括几类：对象比较，逻辑笔记，算术运算和序列操作 操作 语法函数相加a + b add(a, b)字符串拼接seq1 + seq2concat(seq1, 

K-means算法是一种基于样本间相似性度量的间接聚类方法。此算法以K为参数，把N个对象分为K个簇，以使簇内具有较高的相似度，而且簇间的相似度较低。相似度的计算根据一个簇中对象的平均值来进行。此算法的工作过程为：首先从N个数据对象任意选择K个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然

1 什么是数据挖掘？

通常数据挖掘的任务分为两大类

预测建模(predictive modeling)：

通常，具有若干属性的对象之间的