bet36体育备用_bet36体育投注-【点此进入】

《数据挖掘综合》考试大纲

　　第一部分：考试内容及要求

　　一、数据挖掘概述

　　考试内容

　　数据挖掘的概念 数据挖掘的任务 数据挖掘应用 数据挖掘的主要问题

　　考试要求

　　1.了解数据库系统技术的演变过程；理解数据挖掘的概念；掌握知识发现过程的7个步骤。

　　2.掌握数据挖掘要解决的问题；掌握数据挖掘功能和模式；理解数据挖掘与统计学、机器学习的联系和区别；了解数据挖掘的起源；掌握数据挖掘的任务。

　　二、数据

　　考试内容

　　数据类型 数据质量 数据预处理  相似性和相异性度量

　　考试要求

　　1.了解数据对象与属性类型。

　　2.了解进行数据预处理的原因及其重要性；了解数据质量涉及的因素；掌握数据预处理的主要步骤。

　　4.了解数据清理的概念；了解处理数据缺失值的方法；了解处理噪音数据的方法。

　　5.理解数据预处理中的聚集、抽样、特征子集选择以及离散化和二元化等方法。

　　8.理解数据对象之间相似度；数据对象之间的相异度。

　　三.分类和预测

　　考试内容

　　数据分类和预测的概念 判定树归类算法 信息增益 树剪枝 回归分析 分类法的准确性 组合分类器 类不平衡问题

　　考试要求

　　1.理解数据分类的概念；了解分类的两个过程；理解监督学习和非监督学习的区别；了解分类和预测的数据预处理方法；掌握评估分类和预测方法的标准。

　　2.了解决策树的概念和优缺点；了解决策树归分类的主要步骤；了解常用的属性选择度量，掌握信息增益度量的求法；理解两种常用的树剪枝方法。

　　3、掌握神经网络的分类与构造原理

　　4、熟练掌握单层感知机原理与学习算法

　　5、掌握BP算法原理与学习过程

　　6.了解评估分类器性能的度量；了解评估分类和预测准确率的方法（混淆矩阵、灵敏度和特小型、F度量）。

　　7、掌握Boosting算法的基本思想。

　　8、熟练掌握支持向量机SVM分类建模原理和计算方法。

　　9.了解组合分类器的概念和常用的组合分类方法；了解装袋和提升的基本思想以及两者的区别；了解随机森林的基本思想。

　　10.了解类不平衡问题的概念；了解提高类不平衡数据分类准确率的一般方法。

　　四.挖掘频繁模式、关联和相关性

　　考试内容

　　频繁项集概念  频繁项集挖掘方法  Apriori算法  FP-growth算法  

　　考试要求

　　1.理解项集、闭项集、频繁项集和关联规则的概念 ；了解规则兴趣度的两种度量（支持度和置信度）。

　　2.了解关联规则挖掘的步骤。

　　3.了解Apriori算法的步骤；了解FP-growth算法的步骤和优缺点；掌握相关性度量提升度（lift）的计算方法。

　　五. 聚类分析

　　考试内容

　　聚类分析的概念 聚类方法的分类 算法方法的距离度量 划分方法 层次方法 基于密度的方法 基于网格的方法 聚类评估

　　考试要求

　　1.理解聚类分析的概念；了解聚类分析的应用领域；了解比较聚类方法的标准；了解数据挖掘对聚类的典型要求；了解比较聚类方法的各个方面。

　　2.理解划分方法的概念和一般特点，以及典型算法；理解层次方法的概念和一般特点，以及典型算法；理解基于密度的聚类方法的概念和一般特点，以及典型算法；理解基于网格的聚类方法的概念和一般特点，以及典型算法；

　　3.理解K-均值算法的步骤和优缺点；

　　4.了解算法方法的距离度量。

　　5.了解聚类评估概念和主要任务；了解测定聚类质量的方法。

　　第二部分：考试方法和考试时间

　　数据挖掘导论考试采用闭卷、笔试形式，考试时间为180分钟。

　　第三部分：试卷结构及参考书目

　　（一）题分：试卷满分为150分

　　（二）题型比例：

　　选择题与判断题  约30％

　　简答题和计算题  约70%

　　（三）参考书目：

　　《数据挖掘导论》，（美）陈封能，（美）斯坦巴赫，（美）库玛尔，人民邮电出版社，2010年。