数据仓库与数据挖掘复习重点

"《数据仓库与数据挖掘》复习题包含了数据仓库与数据挖掘的基本概念、考试题型、考试范围及复习参考题目。复习内容涵盖了数据挖掘的七个步骤、性能问题、主要研究方向以及数据挖掘在不同场景的应用。" 在数据仓库与数据挖掘领域，关键知识点包括： 1. **数据挖掘（Data Mining）与知识发现（KDD）**：数据挖掘是从大量数据中发现有价值知识的过程，而KDD是这个过程的整体，包括数据预处理、数据挖掘、结果解释和知识表示。 2. **数据挖掘过程**：一般包括数据清洗、数据集成、数据选择、数据变换、数据挖掘、模式评估和知识表示七个步骤。 3. **数据挖掘的技术组成部分**：主要分为统计学、数据库技术和机器学习三个研究方向。 4. **性能问题**：在数据挖掘中，关注的性能指标有算法的效率、可扩展性和并行处理能力。 5. **数据挖掘应用**：与传统数据统计分析的区别在于所涉及的数据量、算法复杂性，而非计算结果的形式或是否使用人工智能。 6. **应用实例**： - 孤立点挖掘（Outlier Detection）：常用于信用卡欺诈检测等异常检测场景。 - 聚类分析（Clustering）：如市场分析中的客户细分，帮助发现不同的客户群体。 - 关联分析（Association Rule Learning）：广泛应用于购物篮分析，找出商品之间的购买关联性。 - 分类与预测（Classification and Prediction）：如根据顾客的收入和职业预测其消费，用于决策支持。 - 演变分析（Temporal Analysis）：常用于股票价格走势分析，理解数据随时间的变化规律。 7. **数据挖掘任务的选择**：不同的任务会决定使用哪种数据挖掘功能，例如，选择要挖掘的知识类型（分类与预测、关联分析等）、数据预处理（数据清洗、选择）以及模式的兴趣度度量。 通过上述复习题，学生可以深入理解和掌握数据仓库与数据挖掘的基本概念、技术及其在实际问题中的应用。考试题型包括选择题、判断题、简答题和分析计算题，覆盖了全面的知识点，旨在评估学生对数据挖掘理论和实践的理解程度。