2025年大學(xué)《數(shù)據(jù)計算及應(yīng)用》專業(yè)題庫——數(shù)據(jù)計算與應(yīng)用專業(yè)數(shù)據(jù)科學(xué)與決策考試時間：______分鐘總分：______分姓名：______一、選擇題1.下列哪一項不屬于大數(shù)據(jù)的“4V”特征？A.Volume（海量性）B.Velocity（高速性）C.Variety（多樣性）D.Veracity（真實性）2.在數(shù)據(jù)預(yù)處理階段，處理數(shù)據(jù)中異常值常用的方法不包括：A.刪除含有異常值的記錄B.將異常值替換為中位數(shù)C.對數(shù)據(jù)進行歸一化D.使用聚類算法識別異常點3.關(guān)系型數(shù)據(jù)庫中，用于描述實體之間聯(lián)系的模型是：A.樹模型B.圖模型C.網(wǎng)狀模型D.層次模型4.下列哪種算法屬于監(jiān)督學(xué)習(xí)算法？A.K-Means聚類算法B.主成分分析(PCA)C.決策樹分類算法D.Apriori關(guān)聯(lián)規(guī)則算法5.評價分類模型性能的指標中，不是用于衡量模型區(qū)分能力的是：A.準確率(Accuracy)B.精確率(Precision)C.召回率(Recall)D.F1分數(shù)6.下列關(guān)于數(shù)據(jù)倉庫的描述，錯誤的是：A.數(shù)據(jù)倉庫是面向主題的B.數(shù)據(jù)倉庫是集成的C.數(shù)據(jù)倉庫是穩(wěn)定的D.數(shù)據(jù)倉庫的數(shù)據(jù)是不斷進行的物理更新7.以下哪種可視化方法最適合展示不同類別數(shù)據(jù)之間的數(shù)量比較？A.散點圖B.餅圖C.箱線圖D.地圖8.在特征工程中，將多個原始特征組合成新的特征的方法屬于：A.特征選擇B.特征提取C.特征轉(zhuǎn)換D.數(shù)據(jù)清洗9.支持向量機(SVM)算法中，用于控制分類超平面間隔和復(fù)雜度的參數(shù)是：A.學(xué)習(xí)率B.核函數(shù)參數(shù)C.正則化參數(shù)(懲罰系數(shù)C)D.迭代次數(shù)10.從數(shù)據(jù)中自動發(fā)現(xiàn)潛在模式、關(guān)聯(lián)規(guī)則或異常情況的任務(wù)稱為：A.描述性分析B.診斷性分析C.預(yù)測性分析D.洞察性分析(或數(shù)據(jù)挖掘)二、填空題1.數(shù)據(jù)的完整性和一致性是數(shù)據(jù)庫設(shè)計的重要原則，通常通過__________理論來保證。2.在處理大規(guī)模數(shù)據(jù)集時，__________框架因其分布式計算能力而被廣泛應(yīng)用。3.機器學(xué)習(xí)模型在訓(xùn)練完成后，需要使用__________集來評估其泛化能力。4.決策樹算法通過遞歸地分割數(shù)據(jù)集來構(gòu)建模型，其常用的分割標準有信息增益和__________。5.數(shù)據(jù)可視化是將數(shù)據(jù)轉(zhuǎn)化為__________的過程，以便于理解和分析。6.缺失值處理的方法主要包括刪除法、插補法（如均值插補、__________）等。7.對時間序列數(shù)據(jù)進行預(yù)測時，通常會考慮數(shù)據(jù)的__________和趨勢性。8.在數(shù)據(jù)倉庫中，存儲歷史數(shù)據(jù)、支持決策分析的模式稱為__________。9.評估聚類算法性能時，常用的內(nèi)部評價指標有輪廓系數(shù)，常用的外部評價指標有__________。10.基于數(shù)據(jù)的決策過程通常包括數(shù)據(jù)收集、數(shù)據(jù)準備、模型分析、結(jié)果解釋和__________五個主要步驟。三、名詞解釋1.數(shù)據(jù)清洗2.算法偏差3.數(shù)據(jù)湖4.邏輯回歸5.降維四、簡答題1.簡述數(shù)據(jù)科學(xué)與傳統(tǒng)計算機科學(xué)在目標和方法上的主要區(qū)別。2.列舉三種常見的NoSQL數(shù)據(jù)庫類型，并簡述其各自的主要特點。3.解釋什么是特征工程，并說明其在機器學(xué)習(xí)中的重要性。4.簡述監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的主要區(qū)別。5.為什么數(shù)據(jù)可視化在數(shù)據(jù)分析和決策支持中扮演著重要角色？五、計算題1.假設(shè)有一個簡單的線性回歸模型，使用特征X預(yù)測目標Y，通過最小二乘法得到模型參數(shù)：w1=2,w0=3。請計算當輸入特征X=5時，模型預(yù)測的輸出Y值。2.對于一個分類問題，模型預(yù)測的類別為A，實際類別也為A，請計算該預(yù)測的精確率（Precision）和召回率（Recall），假設(shè)在所有樣本中，實際類別為A的樣本占總樣本的20%。六、算法設(shè)計/分析題設(shè)計一個簡單的決策樹算法，用于對以下數(shù)據(jù)集進行二分類（Yes/No）。數(shù)據(jù)集包含兩個特征：Feature1（取值為High/Medium/Low），F(xiàn)eature2（取值為Strong/Weak）。請描述該決策樹構(gòu)建的第一步（根節(jié)點選擇），并說明你選擇該特征作為根節(jié)點的依據(jù)（可以使用簡單的計算或邏輯說明，如基于信息增益或基尼不純度減少量）。不要求構(gòu)建完整的樹。七、綜合應(yīng)用/案例分析題假設(shè)你是一家電商公司的數(shù)據(jù)分析師，需要利用歷史銷售數(shù)據(jù)幫助管理層制定促銷策略。請簡述你會采取哪些數(shù)據(jù)分析步驟？在分析過程中，可能會使用哪些具體的數(shù)據(jù)計算或挖掘技術(shù)？最后，如何將你的分析結(jié)果轉(zhuǎn)化為可執(zhí)行的促銷決策建議？試卷答案一、選擇題1.D2.C3.B4.C5.D6.D7.B8.B9.C10.C二、填空題1.范式2.ApacheSpark3.測試4.基尼不純度5.圖形6.卡方插補7.自相關(guān)性8.數(shù)據(jù)集市9.輪廓系數(shù)10.決策制定三、名詞解釋1.數(shù)據(jù)清洗：指識別和糾正（或刪除）數(shù)據(jù)集中的錯誤或缺失值，以提高數(shù)據(jù)質(zhì)量的過程。解析思路：考察對數(shù)據(jù)預(yù)處理核心步驟的理解，強調(diào)其目標在于提升數(shù)據(jù)可用性和準確性。2.算法偏差：指算法在訓(xùn)練數(shù)據(jù)上學(xué)習(xí)到的模式并不能很好地泛化到新的、未見過的數(shù)據(jù)上，這種偏差可能源于數(shù)據(jù)本身的不代表性行或算法設(shè)計上的固有局限。解析思路：考察對機器學(xué)習(xí)泛化能力及常見問題的理解，強調(diào)模型與真實世界擬合的偏差問題。3.數(shù)據(jù)湖：一種存儲所有結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的存儲倉庫，數(shù)據(jù)通常以原始格式存儲，用戶可以根據(jù)需要自行選擇和處理數(shù)據(jù)。解析思路：考察對大數(shù)據(jù)存儲架構(gòu)的理解，區(qū)分數(shù)據(jù)倉庫（主題導(dǎo)向、集成）與數(shù)據(jù)湖（原始存儲、靈活）。4.邏輯回歸：一種用于二元分類問題的統(tǒng)計模型，它通過邏輯函數(shù)將線性組合的輸入特征映射到概率值（0到1之間），表示樣本屬于正類別的可能性。解析思路：考察對常用分類算法的理解，特別是其在輸出形式（概率）和適用場景（二分類）上的特點。5.降維：指在保留數(shù)據(jù)主要信息的前提下，將高維數(shù)據(jù)空間映射到低維數(shù)據(jù)空間的過程，常用的方法有主成分分析（PCA）和線性判別分析（LDA）。解析思路：考察對數(shù)據(jù)預(yù)處理和特征工程技術(shù)的理解，強調(diào)其目的在于減少計算復(fù)雜度、克服維度災(zāi)難、去除冗余信息。四、簡答題1.數(shù)據(jù)科學(xué)與傳統(tǒng)計算機科學(xué)在目標和方法上的主要區(qū)別。解析思路：要求對比兩個領(lǐng)域的核心差異。數(shù)據(jù)科學(xué)更側(cè)重于從數(shù)據(jù)中提取有價值的知識、模式和信息，以支持決策和發(fā)現(xiàn)，融合了統(tǒng)計學(xué)、計算機科學(xué)和領(lǐng)域知識；傳統(tǒng)計算機科學(xué)更側(cè)重于算法設(shè)計、系統(tǒng)構(gòu)建和計算效率，強調(diào)邏輯和理論證明。答案要點：目標不同（數(shù)據(jù)驅(qū)動決策/發(fā)現(xiàn)vs算法構(gòu)建/效率）；方法不同（統(tǒng)計建模/機器學(xué)習(xí)vs算法設(shè)計/編程）；知識基礎(chǔ)不同（跨學(xué)科vs數(shù)學(xué)/計算機理論）；輸出不同（洞見/模型vs系統(tǒng)/軟件）。2.列舉三種常見的NoSQL數(shù)據(jù)庫類型，并簡述其各自的主要特點。解析思路：要求列舉并解釋主流NoSQL數(shù)據(jù)庫的分類及其核心優(yōu)勢?？疾鞂Σ煌瑪?shù)據(jù)模型存儲方式的理解。答案要點：*鍵值存儲（Key-ValueStore）：以鍵值對存儲數(shù)據(jù)，讀寫速度快，適合簡單查詢。特點：簡單、高效、可擴展性強。*文檔存儲（DocumentStore）：以文檔（如JSON,BSON）形式存儲數(shù)據(jù)，結(jié)構(gòu)靈活，適合半結(jié)構(gòu)化數(shù)據(jù)。特點：靈活性高、模式自由、適合面向?qū)ο蟮膽?yīng)用。*列式存儲（Column-FamilyStore）：以列族為單位存儲數(shù)據(jù)，適合高效的范圍查詢和數(shù)據(jù)分析。特點：高吞吐量、適合大數(shù)據(jù)分析、橫向擴展性好。*（可選補充）圖數(shù)據(jù)庫（GraphDatabase）：以節(jié)點和邊表示實體及其關(guān)系，適合處理復(fù)雜關(guān)系網(wǎng)絡(luò)。特點：擅長關(guān)系查詢、實時性高。3.解釋什么是特征工程，并說明其在機器學(xué)習(xí)中的重要性。解析思路：要求定義特征工程并闡述其價值。考察對數(shù)據(jù)到模型映射過程中，數(shù)據(jù)準備環(huán)節(jié)重要性的認識。答案要點：*解釋：特征工程是指通過領(lǐng)域知識對原始數(shù)據(jù)進行轉(zhuǎn)換、選擇和構(gòu)造，以生成新的、更具信息量、更能有效表示目標變量的特征的過程。*重要性：提高模型性能（使模型更容易學(xué)習(xí)到數(shù)據(jù)中的規(guī)律）、減少模型復(fù)雜度（降低過擬合風(fēng)險）、加速模型訓(xùn)練（減少數(shù)據(jù)維度）、提升數(shù)據(jù)可用性（將非結(jié)構(gòu)化或原始數(shù)據(jù)轉(zhuǎn)化為模型可理解的形式）。4.簡述監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的主要區(qū)別。解析思路：要求對比三種學(xué)習(xí)范式下訓(xùn)練數(shù)據(jù)的標簽情況及其核心任務(wù)?？疾鞂C器學(xué)習(xí)基本分類的理解。答案要點：*監(jiān)督學(xué)習(xí)：使用帶有標簽（輸入-輸出對）的訓(xùn)練數(shù)據(jù)，目標是學(xué)習(xí)一個映射函數(shù)，能夠?qū)⑿碌妮斎胝_地映射到對應(yīng)的輸出（預(yù)測目標變量）。如分類、回歸。*非監(jiān)督學(xué)習(xí)：使用沒有標簽的訓(xùn)練數(shù)據(jù)，目標是發(fā)現(xiàn)數(shù)據(jù)中隱藏的結(jié)構(gòu)、模式或關(guān)系。如聚類、降維、關(guān)聯(lián)規(guī)則挖掘。*半監(jiān)督學(xué)習(xí)：使用部分帶標簽、部分不帶標簽的訓(xùn)練數(shù)據(jù)，結(jié)合了監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的特點，利用大量無標簽數(shù)據(jù)輔助學(xué)習(xí)，提高模型性能。5.為什么數(shù)據(jù)可視化在數(shù)據(jù)分析和決策支持中扮演著重要角色？解析思路：要求說明數(shù)據(jù)可視化的作用和價值?？疾鞂?shù)據(jù)呈現(xiàn)方式及其影響的理解。答案要點：將復(fù)雜抽象的數(shù)據(jù)轉(zhuǎn)化為直觀的圖形，便于人們快速理解數(shù)據(jù)分布、趨勢和模式；發(fā)現(xiàn)隱藏的關(guān)系和異常點；有效溝通分析結(jié)果，支持跨領(lǐng)域人員交流；輔助進行假設(shè)檢驗和洞察發(fā)現(xiàn)；為基于數(shù)據(jù)的決策提供直觀依據(jù)和支撐。五、計算題1.假設(shè)有一個簡單的線性回歸模型，使用特征X預(yù)測目標Y，通過最小二乘法得到模型參數(shù)：w1=2,w0=3。請計算當輸入特征X=5時，模型預(yù)測的輸出Y值。解析思路：考察線性回歸模型的基本形式和計算應(yīng)用。Y=w0+w1*X。答案：Y=3+2*5=13。2.對于一個分類問題，模型預(yù)測的類別為A，實際類別也為A，請計算該預(yù)測的精確率（Precision）和召回率（Recall），假設(shè)在所有樣本中，實際類別為A的樣本占總樣本的20%。解析思路：考察分類模型評估指標的計算。精確率=TP/(TP+FP)，召回率=TP/(TP+FN)。根據(jù)描述，預(yù)測為A且實際為A的樣本為TP，實際為A的總樣本數(shù)為TP+FN=0.2*總樣本。由于只計算一個樣本的情況，假設(shè)總樣本量為N，則TP=1,FN=0.2N-1。但通常此類題目隱含單一樣本或需明確說明，若按單一樣本計算，則Precision=1/1=1,Recall=1/(1+0)。更合理的解釋是考察定義應(yīng)用。假設(shè)問題隱含該預(yù)測樣本是隨機抽樣的一個代表性樣本，或題目意在考察定義本身。嚴格按定義：Precision=TP/(TP+FP)，Recall=TP/(TP+FN)。題目未給FP和FN，無法計算具體數(shù)值。若題目意在考察定義，則答案為：Precision=TP/(TP+FP)，Recall=TP/(TP+FN)。但若按常見題型設(shè)計，應(yīng)有足夠信息。此處按定義回答。若必須給數(shù)值，需假設(shè)FP=0。則Precision=1，Recall=1/0.2=5。但此假設(shè)引入。標準答案應(yīng)基于定義。此處保留定義形式。修正/更清晰答案形式：題目信息不足，無法計算具體精確率和召回率。若假設(shè)預(yù)測樣本為唯一樣本且正確，則Precision=1。Recall=1/0.2=5（若假設(shè)總樣本包含此唯一正確預(yù)測樣本且占20%）。更規(guī)范的回答是：Precision=TP/(TP+FP)，Recall=TP/(TP+FN)。需要TP,FP,FN的具體值。為符合試卷形式，給出定義形式。答案：Precision=TP/(TP+FP)，Recall=TP/(TP+FN)。六、算法設(shè)計/分析題設(shè)計一個簡單的決策樹算法，用于對以下數(shù)據(jù)集進行二分類（Yes/No）。數(shù)據(jù)集包含兩個特征：Feature1（取值為High/Medium/Low），F(xiàn)eature2（取值為Strong/Weak）。請描述該決策樹構(gòu)建的第一步（根節(jié)點選擇），并說明你選擇該特征作為根節(jié)點的依據(jù)（可以使用簡單的計算或邏輯說明，如基于信息增益或基尼不純度減少量）。不要求構(gòu)建完整的樹。解析思路：考察決策樹構(gòu)建的基本原理，特別是選擇分裂屬性的方法。需要計算或比較兩個特征作為根節(jié)點時的分裂效果（常用信息增益或基尼不純度）。信息增益選擇使數(shù)據(jù)純度提升最多的特征?；岵患兌冗x擇使不純度降低最多的特征。描述選擇過程和理由。答案要點：第一步：計算整個數(shù)據(jù)集的原始不純度（或信息熵）。假設(shè)數(shù)據(jù)集分為Yes和No兩部分，比例分別為P_yes和P_no。第二步：分別計算Feature1和Feature2在不同取值下的信息增益（或基尼不純度減少量）。*計算基于Feature1的信息增益：*根據(jù)Feature1的取值（High,Medium,Low）劃分數(shù)據(jù)子集。*計算每個子集的P_yes和P_no，進而計算每個子集的信息熵或基尼不純度。*計算Feature1的信息增益=原始信息熵-(加權(quán)平均的子集信息熵/基尼不純度)。*計算基于Feature2的信息增益：*根據(jù)Feature2的取值（Strong,Weak）劃分數(shù)據(jù)子集。*計算每個子集的P_yes和P_no，進而計算每個子集的信息熵或基尼不純度。*計算Feature2的信息增益=原始信息熵-(加權(quán)平均的子集信息熵/基尼不純度)。第三步：比較Feature1和Feature2的信息增益（或基尼不純度減少量）。選擇信息增益（或基尼不純度減少量）較大的特征作為根節(jié)點。依據(jù)：選擇能最好地劃分數(shù)據(jù)，使得子節(jié)點數(shù)據(jù)更純（信息熵更低或基尼不純度更低）的特征作為根節(jié)點，這有助于構(gòu)建更有效的決策樹模型，能夠更快地分離出類別。七、綜合應(yīng)用/案例分析題假設(shè)你是一家電商公司的數(shù)據(jù)分析師，需要利用歷史銷售數(shù)據(jù)幫助管理層制定促銷策略。請簡述你會采取哪些數(shù)據(jù)分析步驟？在分析過程中，可能會使用哪些具體的數(shù)據(jù)計算或挖掘技術(shù)？最后，如何將你的分析結(jié)果轉(zhuǎn)化為可執(zhí)行的促銷決策建議？解析思路：考察將數(shù)據(jù)分析應(yīng)用于實際業(yè)務(wù)問題的能力，要求描述完整的分析流程、涉及的技術(shù)方法以及最終的決策轉(zhuǎn)化。體現(xiàn)數(shù)據(jù)分析師的全流程思維。答案要點：1.數(shù)據(jù)分析步驟：*數(shù)據(jù)收集：收集歷史銷售數(shù)據(jù)（包括交易記錄、用戶信息、商品信息、促銷活動記錄等）、用戶行為數(shù)據(jù)（瀏覽、加購、評論等）、外部數(shù)據(jù)（如節(jié)假日、天氣等）。*數(shù)據(jù)預(yù)處理：清洗數(shù)據(jù)（處理缺失值、異常值）、轉(zhuǎn)換數(shù)據(jù)（統(tǒng)一格式、特征工程，如計算用戶RFM值、商品品類標簽等）、整合數(shù)據(jù)（將不同來源數(shù)據(jù)關(guān)聯(lián)）。*探索性數(shù)據(jù)分析(EDA)：描述銷售趨勢（時間序列分析）、用戶畫像（用戶分層）、商品表現(xiàn)（熱銷/滯銷商品分析）、促銷活動效果初步評估（關(guān)聯(lián)規(guī)則挖掘、銷售對比）。*模型構(gòu)建與分析：*構(gòu)建模型預(yù)測未來銷售（如使用時間序列模型、回歸模型）。*構(gòu)建模型識別高價值用戶或潛在流失用戶（如使用聚類、分類模型）。*構(gòu)建模型評