Your SlideShare is downloading. ×
  • Like
Dm uitwerkingen wc1
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Now you can save presentations on your phone or tablet

Available for both IPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Dm uitwerkingen wc1

  • 152 views
Published

 

Published in Entertainment & Humor , Travel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
152
On SlideShare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
3
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Datamining 2007 antwoordmodel werkcollege-opgaven, week 1 N.B. De modelantwoorden zijn weergegeven in telegramstijl. Van de studenten wordt verwacht dat zij normale Nederlandse zinnen gebruiken. 1. Mensen zetten data om in kennis, door leerproces of bewustzijn, waaruit mogelijk nieuwe kennis ontstaat. Voor ML/DM technieken is het lastig om aan te tonen dat zij nieuwe nuttige kennis hebben afgeleid. (1 punt) 2. Mensen leren doelgericht, met het oog op het verbeteren van prestaties. Bij machines is doelgerichte manier van leren lastig vast te stellen. (1 punt) 3. Een concept is wat geleerd moet worden, een instantie is een voorbeeld van het concept wat geleerd moet worden, en attributen zijn de features waarmee instanties omschreven worden. (goed=3: 1 punt; 0<goed<3: 1/2 punt) 4. • typ- of meetfouten: controle de mogelijke attribuutwaardes handmatig • dubbele instanties: automatische controle • opzettelijke fouten: moeilijk op te sporen zonder uitgebreide kennis van de data • verouderde data; beslissen tot wanneer data nog bruikbaar is (goed>=3: 1 punt; 0<goed<3: 1/2 punt) 5. Nominale attributen hebben onvergelijkbare strings als waarden, ordinale hebben ook strings als waarde maar deze kunnen wel worden vergeleken, en numerieke attributen hebben getallen als waarde. (1 punt) 6. Beide zijn verzamelingen (gelabelde) data. De ene wordt door een classifier gebruikt om een model te bouwen (trainingdata) en de andere (geheel verschillend van de eerste) wordt gebruikt om het gebouwde model te evalueren (testdata). (1 punt) 7. • Toenemende beschikbaarheid van data • Nut van historische data voor het ontdekken van regelmatigheden • Nut van historische data voor het verbeteren van beslissingsprocessen (goed>=2: 1 punt; 0<goed<2: 1/2 punt) 8. Machine learning is een belangrijk onderdeel van datamining, maar datamining bestaat uit meer stappen (onderhoud, data verzamelen, data schonen etc.) (1 punt) 9. • Ontwikkeling van accuratere leeralgorithmes • Ontwikkeling van leeralgorithmes die diverse databronnen verwerken • Ontwikkeling van leeralgorithmes die menselijke training gebruiken • Integratie van leeralgorithmes in data-managementsystemen • Dataminingtechnologie onder aandacht brengen van grote organisaties (goed>=3: 1 punt; 0<goed<3: 1/2 punt) 10. Datamining is een nuttige technologie die nog verder kan worden verbeterd door toekomstige ontwikkelingen. (1/2 punt) (Eigen mening: 1/2 punt).