Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 6 » Prüfungsprotokoll KDDDW Sommersemester 2012   (Übersicht)

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.

Link zu der Vergleichsansicht

Beide Seiten, vorherige ÜberarbeitungVorherige Überarbeitung
Nächste Überarbeitung		Vorherige Überarbeitung
pruefungen:hauptstudium:ls6:kdd_dw_ss12 [31.07.2012 14:30] – iblubbpruefungen:hauptstudium:ls6:kdd_dw_ss12 [22.02.2017 08:02] (aktuell) – Hawara
Zeile 6: Zeile 6:
 //Art:// 60 Minuten Klausur (2,5 ECTS) //Art:// 60 Minuten Klausur (2,5 ECTS)
  
 +----
  
 (leider nicht vollstaendig) (leider nicht vollstaendig)
Zeile 14: Zeile 15:
 - Unterschiede zwischen RDBs und DWHs anhand Fokus, Anfrageunterstuetzung usw. - Unterschiede zwischen RDBs und DWHs anhand Fokus, Anfrageunterstuetzung usw.
  
-//Tabelle aus dem Skript//+//-> Tabelle aus dem Skript//
  
 - Wieso gibt es in DWHs so viele Nullwerte? - Wieso gibt es in DWHs so viele Nullwerte?
Zeile 31: Zeile 32:
 //Art:// 30 Minuten muendlich (2,5 ECTS) //Art:// 30 Minuten muendlich (2,5 ECTS)
  
 +----
  
 1. Outlier 1. Outlier
Zeile 38: Zeile 40:
 - Wie kann ich diese entdecken?  - Wie kann ich diese entdecken? 
  
-//Methoden aufzaehlen, also supervised - unsupervised - semi-supervised und cluster - proximity - statistical//+//-> Methoden aufzaehlen, also supervised - unsupervised - semi-supervised und cluster - proximity - statistical//
  
 2. Clustering 2. Clustering
Zeile 44: Zeile 46:
 -Welche Methoden gibt es da grob? -Welche Methoden gibt es da grob?
  
-//Partitioning: k-means erklaeren, Hierarchical: AGNES (Dendrogram!) und DIANA erklaeren, Density: DBSCAN erklaeren (density reachable)//+//-> Partitioning: k-means erklaeren, Hierarchical: AGNES (Dendrogram!) und DIANA erklaeren, Density: DBSCAN erklaeren (density reachable)//
  
 3. Distanzmasze 3. Distanzmasze
Zeile 56: Zeile 58:
 - Welche Methoden haben wir da so kennengelernt? - Welche Methoden haben wir da so kennengelernt?
  
-//Decision tree erklaeren: wie erstelle ich den Baum, wie waehle ich ein Attribut, wann stoppe ich//+//-> Decision tree erklaeren: wie erstelle ich den Baum, wie waehle ich ein Attribut, wann stoppe ich//
  
 5. Association Rules 5. Association Rules
Zeile 64: Zeile 66:
 - Wie kriegen wir die? - Wie kriegen wir die?
  
-//Frequent itemsets und Apriori erklaeren//+//-> Frequent itemsets und Apriori erklaeren//
  
 - Wie kriegen wir aus den frequent itemsets jetzt die Regeln? - Wie kriegen wir aus den frequent itemsets jetzt die Regeln?
  
  
 +//Prüfung WS 2016/17:// 
  
 +Was genau ist KDD? Was ist der Unterschied im Vergleich zu normalen Datenbanken? (Generalization, Association, Cluster, Outlier, Classification)
  
 +Data preprocessing erklären (Cleaning, Integration, Reduction, Transformation).
 +
 +Alles zu Cluster(Was ist ein Cluster, Worauf ist zu achten)
 +
 +K-means erklären
 +
 +Association Rules erklären/definieren (support/confidence)