온라인 문제 - 데이터 과학자 자격증 시험에 유효한 연습 문제(업데이트된 140문항) [Q15-Q30]

9월 21, 20229월 21, 2022 examdumps온라인 문제 - 데이터 과학자 자격증 시험에 유효한 연습 문제(업데이트된 140문항) [Q15-Q30] 0 댓글

태그: 데이터 과학자 공인 공인 시험 덤프, 데이터 과학자 인증 전문 데이터 과학자 비용 효율적인 덤프, 데이터 과학자 인증 전문가 시험 시험, 데이터 과학자 - 인증된 전문가 - 최신 덤프 무료 다운로드, 데이터 과학자-인증 전문가-데이터 과학자 신규 시험 부트캠프, 데이터 브릭스 인증 전문가-데이터 과학자 온라인 실습, 데이터-인증-전문가-데이터-과학자 신뢰할 수 있는 실습 자료, 데이터-인증-전문-데이터-과학자 학습 계획

이 게시물 평가하기

온라인 문제 - 데이터 과학자 자격증 시험에 유효한 연습 문제(140문항 업데이트)

데이터 과학자 인증 - 데이터 과학자 인증 시험에 대한 놀라운 연습 - 데이터 과학자 인증 시험에 대한 놀라운 연습

NO.15 특정 정치 후보의 선거 당선 여부에 영향을 미치는 요인에 관심이 있다고 가정해 보겠습니다. 결과(응답) 변수는 이항(0/1)이며, 승패입니다. 관심 있는 예측 변수는 선거 운동에 지출한 비용, 네거티브 선거운동 시간, 후보자가 현직자인지 여부입니다.
위의 예는

선형 회귀

로지스틱 회귀

추천 시스템

최대 가능성 추정

계층적 선형 모델

설명 : 로지스틱 회귀
장점 계산 비용이 저렴하고 구현하기 쉬움, 지식 표현을 해석하기 쉬움 단점: 과소 맞춤이 발생하기 쉬움, 정확도가 낮을 수 있음 사용 대상: 사용 대상: 숫자 값, 공칭 값

NO.16 다차원 데이터 집합을 어떤 벡터에 가장 큰 분산이 있는 벡터로 투영할까요?

첫 번째 주성분

첫 번째 고유 벡터

답변하기에 충분한 정보가 제공되지 않음

두 번째 고유 벡터

두 번째 주성분

설명
주성분 분석(PCA) 기반 방법은 초기 차원에 대한 상관 행렬의 가장 큰 고유 벡터의 투영에 따라 특징을 평가하고, 피셔 선형 판별 분석 기반 방법은 피셔의 선형 판별 분석에 따라 평가합니다. 판별 벡터의 구성 요소의 크기에 따라 평가합니다.
첫 번째 주성분은 정의에 따라 데이터에서 가장 큰 분산에 해당합니다. 데이터를 첫 번째 주성분 라인에 투영하면 다른 주성분을 포함한 다른 라인에 투영할 때보다 데이터가 더 많이 분산됩니다(분산이 더 커집니다).

NO.17 보험금 청구가 유효한지 여부를 예측해야 하는 문제를 해결하고 있습니다. 수작업으로 작성된 클레임 양식의 철자 오류와 수정 사항이 있는 클레임이 정직한 클레임과 비교했을 때 더 많다는 것을 알게 되었습니다. 다음 중 클레임이 유효한지 여부를 알아내는 데 적합한 기법은 어느 것입니까?

나이브 베이즈

로지스틱 회귀

무작위 결정 포레스트

위의 항목 중 하나

설명
이 문제에서는 텍스트, 정답, 시험 결과 등과 같은 고차원 독립 변수가 주어지며, 정답 또는 오답(둘 중 하나)을 예측해야 합니다. 따라서 아래의 모든 기법을 이 문제에 적용할 수 있습니다.
서포트 벡터 머신 나이브 베이즈 로지스틱 회귀 랜덤 결정 포레스트

NO.18 K-평균 클러스터링을 사용하여 소매점에 대한 100, 000명의 고객 행동을 분류했습니다. 가구 소득, 연령, 성별 및 연간 구매 금액을 측정값으로 사용하기로 결정했습니다. 8개의 클러스터를 사용하기로 선택했는데 2개의 클러스터에 3명의 고객만 할당된 것을 발견했습니다. 어떻게 해야 하나요?

사용되는 측정값 수 줄이기

클러스터 수 늘리기

클러스터 수 줄이기

분석에 추가할 추가 측정값 식별

설명
kmeans는 모든 클러스터에서 각 개체에서 클러스터 중심까지의 거리의 합을 최소화하는 반복 알고리즘을 사용합니다. 이 알고리즘은 합이 더 이상 줄어들지 않을 때까지 클러스터 간에 개체를 이동합니다. 그 결과 가능한 한 간결하고 잘 분리된 클러스터 세트가 생성됩니다. 클러스터 중심값의 초기 값과 최대 반복 횟수 등 몇 가지 선택적 입력 매개변수를 사용하여 최소화의 세부 사항을 kmeans에 제어할 수 있습니다.
클러스터링은 주로 데이터의 숨겨진 구조를 발견하기 위한 탐색적 기법으로, 보다 집중적인 분석이나 의사 결정 프로세스의 전초전으로 사용될 수 있습니다. K-평균의 구체적인 응용 분야로는 이미지 처리^ 의료 및 고객 세분화가 있습니다. 클러스터링은 종종 분류를 위한 선행 작업으로 사용됩니다. 클러스터가 식별되면 각 클러스터에 레이블을 적용하여 특성에 따라 각 그룹을 분류할 수 있습니다. 마케팅 및 영업 그룹은 K-평균을 사용하여 유사한 행동과 지출 패턴을 가진 고객을 더 잘 식별할 수 있습니다.

NO.19 전시회를 참조하십시오.

그림에서 X축은 대출자가 대출을 불이행할 확률을 나타냅니다. 또한 이 그림에서 분홍색은 대출을 불이행하지 않은 것으로 알려진 대출자를 나타내고, 파란색은 대출을 불이행한 것으로 알려진 대출자를 나타냅니다. 이 전시회를 구축하는 데 필요한 확률을 생성할 수 있는 분석 방법은?

선형 회귀

로지스틱 회귀

판별 분석

연결 규칙

NO.20 다음 중 연속 확률 분포는 무엇입니까?

이항 확률 분포

음의 이항 분포

푸아송 확률 분포

정규 확률 분포

NO.21 키와 나이가 있는 1000명의 환자 데이터가 있습니다. 여기서 나이는 연도, 키는 미터입니다. 이 두 속성을 사용하여 클러스터를 만들고 싶었습니다. 클러스터를 만들 때 나이와 키에 대해 거의 동일한 효과를 얻고 싶었습니다. 어떻게 할 수 있을까요?

숫자 값 100으로 높이를 추가합니다.

각 높이 값을 센티미터로 변환합니다.

나이와 키를 각각의 표준 편차로 나눕니다.

높이의 제곱근을 구합니다.

설명
데이터 나이를 연도로 표시하면 50, 60r 70 90년 등의 값을 가질 수 있습니다. 그리고 구심점으로부터의 거리를 계산하는 동안 가능한 최대 값은 90-0이고 그 제곱은 8100이 됩니다.
미터 단위의 신장은 2-0.5(1.5) 미터가 될 수 있지만 제곱은 2.25만 됩니다. 따라서 키보다 나이가 더 큰 영향을 미친다는 것을 알 수 있습니다. 따라서 키를 같은 수준으로 가져와서 센티미터로 변환할 수 있습니다. 최대 200센티미터까지 데이터를 가져올 수 있으며 최대 200의 제곱과 같이 더 효과적입니다.
그러나 또 다른 접근 방식은 각 값을 표준 편차로 나누면 단위의 영향을 받지 않는 나이/연령의 SD와 같이 단위가 없는 값을 얻을 수 있습니다. 이 방법도 단위의 영향을 줄이는 데 도움이 될 수 있습니다.

NO.22 다음 중 선형 회귀 모델에 관한 설명 중 옳은 것은 무엇인가요?

선형 모델에서 매개변수를 추정하는 데 최소자승법을 사용할 수 있습니다.

선형 모델에서는 결과와 입력 변수 간의 관계를 근사화할 수 있는 여러 개의 선을 찾으려고 합니다.

보통 최소 제곱은 각 점과 회귀 모델의 적합 선 사이의 개별 거리를 합한 값입니다.

보통 최소 제곱은 각 점과 회귀 모델의 적합 선 사이의 개별 거리의 제곱을 합한 값입니다.

설명
선형 회귀 모델은 아래 공식을 사용하여 표현됩니다.

여기서 B(0)은 절편이고 B(1)은 기울기입니다. B(0)과 B(1)이 변하면 플롯의 적합선도 그에 따라 이동합니다. 최소자승법의 목적은 이러한 매개변수 B(0)과 B(1)을 추정하는 것입니다.
마찬가지로 관측된 점과 적합 선 사이의 제곱 거리의 합입니다. 일반 최소제곱(OLS) 회귀는 잔차 제곱의 합을 최소화합니다. 관측값과 모델의 예측값 사이의 차이가 작고 편향되지 않은 경우 모델은 데이터에 잘 맞습니다.

NO.23 다음 중 주성분 분석을 가장 잘 설명하는 것은 무엇입니까?

차원 축소

협업 필터링

분류

회귀

클러스터링

NO.24 별 1개에서 5개 사이의 등급을 매기는 평가 시스템 모델을 만들었다고 가정해 보겠습니다. RMSE 값이 1.0이라고 계산한 경우 다음 중 올바른 것은 무엇인가요?

이는 예측이 사람들의 실제 생각과 평균적으로 별 하나씩 차이가 난다는 의미입니다.

이는 예측이 사람들의 실제 생각과 평균적으로 별 두 개 정도 차이가 난다는 뜻입니다.

이는 예측이 사람들의 실제 생각과 평균적으로 별 3개 정도 차이가 난다는 의미입니다.

이는 예측이 사람들의 실제 생각과 평균 별 4개 정도 차이가 난다는 의미입니다.

NO.25 고객이 라벨이 없는 레코드 2,000개를 3개 그룹으로 제공했습니다. 어떤 분석 방법을 사용해야 하나요?

반선형 회귀

로지스틱 회귀

나이브 베이지안 분류

선형 회귀

K-평균 클러스터링

설명
K-평균 클러스터링은 원래 신호 처리에서 유래한 벡터 양자화 방법으로, 데이터 마이닝의 클러스터 분석에 많이 사용되며, K-평균 클러스터링은 각 관측값이 가장 가까운 평균을 가진 클러스터에 속하는 n개의 관측값을 k개의 클러스터로 분할하는 것을 목표로 하며, 이는 데이터 공간을 보로노이 셀로 분할하는 결과를 낳습니다.
이 문제는 계산적으로 어렵지만(NP-하드), 일반적으로 사용되는 효율적인 휴리스틱 알고리즘이 있으며 로컬 최적값으로 빠르게 수렴합니다. 이는 일반적으로 두 알고리즘에서 사용하는 반복적인 개선 접근 방식을 통해 가우스 분포의 혼합에 대한 기대 최대화 알고리즘과 유사합니다. 또한 두 알고리즘 모두 클러스터 중심을 사용하여 데이터를 모델링하지만, K-평균 클러스터링은 비슷한 공간 범위의 클러스터를 찾는 경향이 있는 반면 기대 최대화 메커니즘은 클러스터가 다양한 모양을 가질 수 있도록 합니다.
이 알고리즘은 또 다른 인기 있는 머신 러닝 기법인 k-최근접 이웃과 관련이 없으며 혼동해서는 안 됩니다.

NO.26 회귀 알고리즘이 가장 적합하지 않은 경우 선택 항목 선택

주어진 객체의 치수가

사람의 체중이 주어집니다.

대기 온도

직원 상태

설명
회귀 알고리즘은 일반적으로 데이터 포인트가 본질적으로 숫자 변수(예: 물체의 크기, 사람의 무게, 대기 중 온도)인 경우에 사용되지만, 베이지안 알고리즘과 달리 범주형 데이터(예: 직원 상태 또는 신용 점수 설명)에는 적합하지 않습니다.

NO.27 테스트 및 학습 데이터 세트는 어떤 라이프사이클 단계에서 생성되나요?

모델 계획

발견

모델 구축

데이터 준비

설명
1단계에서 팀은 조직이나 사업부에서 과거에 유사한 프로젝트를 시도한 적이 있는지 등 관련 이력을 포함하여 비즈니스 도메인을 학습하고 이를 통해 학습할 수 있는 내용을 파악합니다. 팀은 인력, 기술 시간, 데이터 측면에서 프로젝트를 지원하는 데 사용할 수 있는 리소스를 평가합니다. 이 단계의 중요한 활동에는 비즈니스 문제를 후속 단계에서 해결할 수 있는 분석 과제로 구성하고, 데이터를 테스트하고 학습을 시작하기 위한 초기 가설(IH)을 공식화하는 것이 포함됩니다. 데이터 준비: 2단계에서는 팀이 프로젝트 기간 동안 데이터로 작업하고 분석을 수행할 수 있는 분석 샌드박스가 있어야 합니다. 팀은 데이터를 샌드박스로 가져오기 위해 추출, 로드 및 변환(ELT) 또는 추출, 변환 및 로드(ETL)를 실행해야 합니다. 팀이 데이터를 가지고 작업하고 분석할 수 있도록 ETLT 프로세스에서 데이터를 변환해야 하므로 ELT와 ETL을 약어로 사용하기도 합니다. 이 단계에서 팀은 또한 데이터를 철저히 숙지하고 데이터 모델 계획을 조정하는 단계를 밟아야 합니다:
3단계는 모델 계획 단계로, 팀이 후속 모델 구축 단계에서 따를 방법, 기술 및 워크플로우를 결정합니다. 팀은 데이터를 탐색하여 변수 간의 관계를 파악한 후 주요 변수와 가장 적합한 모델을 선택합니다.
모델 구축: 4단계에서는 테스트, 교육 및 프로덕션 목적으로 데이터 세트를 개발합니다. 또한 이 단계에서는 모델 계획 단계에서 수행한 작업을 기반으로 모델을 구축하고 실행합니다. 또한 팀은 기존 도구로 모델을 실행하기에 충분한지, 아니면 모델과 워크플로우를 실행하기 위해 더 강력한 환경(예: 빠른 하드웨어 및 병렬 처리, 해당되는 경우)이 필요한지도 고려합니다.
결과를 공유합니다: 5단계에서 팀은 주요 이해관계자와 협력하여 1단계에서 개발한 기준에 따라 프로젝트의 결과가 성공인지 실패인지를 결정합니다. 팀은 주요 결과를 파악하고, 비즈니스 가치를 정량화하며, 결과를 요약하여 이해관계자에게 전달할 수 있는 내러티브를 개발해야 합니다.
운영화: 6단계에서는 팀이 최종 보고서, 브리핑, 코드 및 기술 문서를 제공합니다. 또한 팀은 프로덕션 환경에서 모델을 구현하기 위한 파일럿 프로젝트를 실행할 수도 있습니다.

NO.28 시나리오: 밥이 자가용, 버스, 통근 열차의 세 가지 교통 수단 중 하나를 선택하여 출근할 수 있다고 가정해 보겠습니다. 교통량이 많기 때문에 자동차로 출근하기로 결정하면 지각할 확률이 50%입니다. 전용 차선이 있지만 가끔 혼잡한 버스를 이용하면 지각할 확률은 20%에 불과합니다. 통근 열차는 거의 지각할 확률이 1 %에 불과하지만 버스보다 더 비쌉니다.
밥이 어느 날 지각했는데 상사가 그날 밥이 자가용으로 출근했을 확률을 추정하고자 한다고 가정해 보겠습니다. 상사는 Bob이 평소 어떤 교통 수단을 사용하는지 모르기 때문에 다음과 같은 사전 확률을 제공합니다.
1 3 세 가지 가능성 각각에 답하십시오. 다음 중 상사가 밥이 운전해서 출근했을 확률을 추정하기 위해 사용할 방법은?

나이브 베이즈

선형 회귀

무작위 의사 결정 포리스트

위의 항목에 해당하지 않음

설명
베이즈 정리(베이즈 법칙이라고도 함)는 조건부 확률을 계산하는 데 유용한 도구입니다.

NO.29 다음 중 회귀(지도 학습)에서 목표 변수의 올바른 예는 무엇입니까?

참, 거짓과 같은 공칭 값

파충류, 어류, 포유류, 양서류, 식물, 균류

0.100, 42.001, 1000.743과 같은 숫자 값의 무한대.

위의 모든 사항

설명
두 가지 경우의 대상 변수를 다룹니다. 첫 번째 경우는 대상 변수가 참 또는 거짓, 파충류, 어류: 포유류, 양서류, 식물, 균류와 같은 명목값만 취할 수 있는 경우에 발생합니다. 두 번째 분류 사례는 대상 변수가 0.100, 42.001과 같이 무한한 수의 숫자 값을 취할 수 있을 때 발생합니다,
1000.743, .... 이 경우를 회귀라고 합니다.

NO.30 보행자가 신호등에 주의를 기울이지 않고 횡단보도에서 두꺼비를 건너다가 차에 치일 확률을 계산한다고 가정해 봅시다. H를 (Hit. Not Hit)에서 하나의 값을 취하는 이산 랜덤 변수라고 합니다. L은 (빨강. Yellow.
녹색).
현실적으로 H는 L에 따라 달라집니다. 즉, L이 빨간색, 노란색 또는 녹색인지에 따라 P(H = Hit)와 P(H = Not Hit)는 다른 값을 취합니다. 예를 들어, 횡단보도 신호등이 빨간색일 때보다 녹색일 때 횡단하려고 할 때 차에 치일 확률이 훨씬 더 높습니다. 즉, 손 L의 가능한 모든 값 쌍에 대해. 보행자가 신호등의 상태를 무시할 경우 해당 쌍의 이벤트가 함께 발생할 확률*을 구하려면 H와 L의 공동 확률 분포를 고려해야 합니다. 다음은 신호등의 상태를 무시할 경우의 조건부 확률을 보여주는 표입니다. (이 표의 열은 신호등의 상태에 관계없이 맞을 확률과 맞지 않을 확률이 1이므로 합산하여 1이 되어야 합니다.)