Provide Databricks Databricks-Certified-Professional-Data-Scientist Dumps Updated May 06, 2023 With 140 QA's [Q20-Q44]

给本帖评分

提供 Databricks Databricks-Certified-Professional-Data-Scientist Dumps，2023 年 5 月 06 日更新，包含 140 个 QA

最新 Databricks-Certified-Professional-Data-Scientist Dumps，成功通过实际 Databricks 认证

Databricks Certified Professional Data Scientist 认证考试是基于计算机的考试，可在任何地点在线参加。考试计时，由多项选择题和编码练习组成。考试具有挑战性，要求考生对数据科学原理和 Databricks 有深刻的理解。

Q20. 问题-34.被社区 "点赞"（获得好评）的故事会出现在 Digg 的首页。随着社区规模的扩大和多样性的增加，被推广的故事可以更好地反映社区成员的平均兴趣。以下哪种技术可用于制作这种推荐引擎？

Naive Bayes 分类器

协同过滤

逻辑回归

基于内容的过滤

Q21. 研究人员对 GRE（研究生入学考试成绩）、GPA（平均学分绩点）和本科院校的声望等变量对研究生院录取的影响很感兴趣。录取/不录取是一个二元变量。
以上是

线性回归

逻辑回归

推荐系统

最大似然估计

分层线性模型

Q22. 选择适用于 K-近邻的正确语句

数据无假设

计算成本高

所需内存更少

处理数值

Q23.

下图显示了一个 1000 x 2 的数据矩阵 M 的数据图，哪条线代表第一主成分？

黄的

蓝

都不是

Q24. 选择开发机器学习应用程序的顺序
A) 分析输入数据
B) 准备输入数据
C)收集数据
D) 训练算法
E) 测试算法
F) 使用它

A, B, C, D, E, F

C、B、A、D、E、F

C、A、B、D、E、F

C、B、A、D、E、F

说明
1 收集数据。您可以通过搜索网站并提取数据来收集样本：也可以从 RSS 源或应用程序接口获取信息。您可以让设备收集风速测量数据并发送给您，也可以收集血糖水平或任何您能测量到的数据。可供选择的方案数不胜数。为了节省时间和精力，您可以使用公开可用的数据
2 准备输入数据。一旦有了这些数据，就需要确保它们是可用的格式。我们在本书中使用的格式是 Python 列表。关于 Python，我们稍后再谈，附录 A 将对列表进行回顾。
采用这种标准格式的好处是，您可以混合和匹配算法和数据源。您可能需要在这里进行一些特定算法的格式化。有些算法需要特殊格式的特征，有些算法可以将目标变量和特征处理为字符串，有些算法则需要将其处理为整数。我们稍后会讨论这个问题，但与收集数据相比，特定算法的格式化通常微不足道。
3 分析输入数据。这是查看上一个任务中的数据。这可以很简单，只需在文本编辑器中查看已解析的数据，以确保步骤 1 和 2 确实有效，并且不会出现一堆空值。您还可以查看数据，看是否能识别出任何模式，或者是否有任何明显的地方^ 比如有几个数据点与其他数据点大相径庭。绘制一维、二维或三维数据图也会有所帮助。但大多数情况下，你会有三个以上的特征，而且你无法一次轻松绘制所有特征的数据。不过，您可以使用我们稍后将讨论的一些高级方法，将多个维度提炼为两个或三个维度，这样您就可以将数据可视化了。
4 如果您使用的是生产系统，而且您知道数据应该是什么样子，或者您信任数据源：您可以跳过这一步。这一步需要人的参与，而对于自动化系统来说，你不需要人的参与。这一步的价值在于，它让你明白不会有垃圾数据进来。
5 训练算法。这是机器学习的开始。这一步和下一步是算法的 "核心 "所在，具体取决于算法。在无监督学习中，因为没有目标值，所以没有训练步骤。一切都将用于下一步。
6 测试算法。这是将上一步学到的信息投入使用的地方。当你评估一种算法时，你会对它进行测试，看看它的效果如何。在有监督学习中，你可以使用一些已知值来评估算法。在无监督学习中，你可能需要使用一些其他指标来评估算法是否成功。无论哪种情况，如果你不满意，都可以回到第 4 步，改变一些东西，然后再次尝试测试。通常情况下，问题可能出在数据的收集或准备上，这时你就必须回到步骤 1。
7 使用它。在这里，您要制作一个真正的程序来完成某些任务，并再次查看之前的所有步骤是否都如您所预期的那样有效。您可能会遇到一些新的数据，因此必须重温步骤 1-5。

Q25. 您正在根据一个非常高维度的数据集构建分类器，该数据集类似于图片中所示的 5000 个变量（列数很多，行数不多）。它既能处理密集输入，也能处理稀疏输入。哪种技术最合适，为什么？

带 L1 正则化的逻辑回归，防止过度拟合

因为贝叶斯方法具有正则表达式的作用

因为它使用本地邻域对示例进行分类

随机森林，因为它是一种集合方法

说明
逻辑回归广泛应用于机器学习中的分类问题。众所周知，为了避免过度拟合，需要进行正则化处理，尤其是在只有少量训练实例或有大量参数需要学习的情况下。特别是 L1 正则化逻辑回归经常被用于特征选择，并被证明在存在许多不相关特征的情况下具有良好的泛化性能。(Ng 2004；Goodman 2004）非正则化逻辑回归是一个无约束凸优化问题，目标函数连续微分。因此，使用标准的凸优化方法，如牛顿法或共轭梯度法，可以相当有效地解决这个问题。然而，加入 L1 正则化后，优化问题的求解运算成本会更高。逻辑回归是一种分类器，L1 正则化倾向于生成忽略输入中不具预测性的维度的模型。当输入包含多个维度时，这一点尤其有用，K 近邻分类也是一种分类技术，但它依赖于距离的概念。在高维空间中，大多数数据点都与其他数据点 "相距甚远"（维度诅咒），因此这些技术就失效了。Naive Bayes 本身并不是正则化的。随机森林代表了一种集合方法；但集合方法并不一定更适合高维数据。
实际上，我认为正则化的最大原因是：1）避免对稀疏的预测因子产生高系数，从而避免过度拟合。2) 稳定估计值，尤其是当数据中存在共线性时。
1）是正则化框架的固有特性。由于目标函数中有两股相互牵引的力量，如果损失没有明显减少，正则化项增加的惩罚就不会改善整体目标函数。这是一个很好的特性，因为模型中会自动过滤掉很多噪音。举个 2) 的例子，如果有两个预测值相同的预测因子，由于数据矩阵是奇异的，如果直接进行矩阵反演，你的贝塔系数将是 Inf。但如果在其中加入一个很小的正则化 lambda，就能得到稳定的贝塔系数，并在两个等效变量之间平均分配系数值。关于 L1 和 L2 的区别，下面的图表说明了为什么人们要费心去做 L1，因为 L2 有如此优雅的分析解，而且在计算上如此简单。正则化回归也可以表示为约束回归问题（因为它们等价于拉格朗日）。这意味着 L1 正则化可以得到稀疏估计值。也就是说，在高维空间中，你会得到大部分零和少量非零系数。这一点非常重要，因为它将变量选择纳入了建模问题。此外，如果你必须用你的模型对大量样本进行评分，你可以节省很多计算量，因为你不必计算系数为 0 的特征（预测因子）。我个人认为 L1 正则化是机器学习和凸优化中最美丽的东西之一。它确实被广泛应用于生物信息学和大规模机器学习领域，如 Facebook、雅虎、谷歌和微软等公司。

Q26. 以下哪些指标有助于衡量推荐系统的准确性和质量？

集群密度

支持向量计数

平均绝对误差

绝对误差总和

Q27. Google Adwords 对每天午夜一小时内点击搜索引擎广告的男性和女性人数进行研究。
谷歌发现，点击的男性人数可以建模为分布为泊松（X）的随机变量，同样，点击的女性人数也可以建模为泊松（Y）。
午夜一小时内广告点击总数的最佳模型可能是什么？
?

二项式（X+Y,X+Y）

泊松（X/Y）

正态（X+Y（M+Y）1/2）

泊松（X+Y）

Q28. 假设有三个事件，那么哪个公式必须始终等于 P(E1|E2,E3)？

p(e1,e2,e3)p(e1)/p(e2:e3)

p(e1,e2;e3)/p(e2,e3)

p(e1,e2|e3)p(e2|e3)p(e3)

p(e1,e2|e3)p(e3)

p(e1,e2,e3)p(e2)p(e3)

Q29. 以下哪些可能是特征？

文件中的词语

疾病症状

不明物体的特征

只有 1 和 2

所有 1、2 和 3 都有可能

Q30. 在与 Netflix 电影评分网站合作时，您开发了一个推荐系统，该系统为您的数据集生成了评分预测，在您的数据集中，用户-项目对的评分始终比数据集中给出的评分高 1 分。数据集中有 n 个项目。你的推荐系统在数据集上的计算 RMSE 是多少？

n/2

Q31. 在哪种情况下可以使用线性回归模型？

根据位置和房屋面积预测房屋价格

根据天气预测商品和服务需求

根据放射治疗次数预测肿瘤缩小情况

根据各州的学生人数预测教科书的销售情况

Q32. 您正在使用回归法对一个医疗应用程序进行高级分析，您有两个变量，即体重和身高，它们是非常重要的输入变量，不容忽视，而且它们还高度相关。最佳解决方案是什么？

将高度的立方根

取重量的平方根

你将得到高度的平方。

您可以考虑使用 BMI（身体质量指数）

Q33. 假设您为评级系统建立了一个模型，该系统的评级范围为 1 到 5 星。您计算出 RMSE 值为 1.0，那么以下哪项是正确的

这意味着你的预测与人们的真实想法平均相差一颗星

这意味着你的预测与人们的真实想法平均相差两颗星

这意味着你的预测与人们的真实想法平均相差三颗星

这意味着你的预测与人们的真实想法平均相差四颗星

Q34. 在以下哪种情况下，我们可以使用 naTve Bayes 定理进行分类？

根据测量到的特征分类某人是男性还是女性。这些特征包括身高、体重和脚的尺寸。

对垃圾邮件进行分类

根据直径、颜色和形状等特征辨别水果是不是橙子

Q35. 如果第一个骰子是 6，那么两个骰子的总和大于 8 的概率是多少？

1/3

2/3

1/6

2/6

Q36. 在分析生命周期的哪个阶段，您预计会花费大部分项目时间？

发现

数据准备

交流成果

操作化

Q37. 您正在分析数据以建立分类器模型。您发现非线性数据和不连续性会影响模型。您建议采用哪种分析方法？

逻辑回归

决策树

线性回归

ARIMA

Q38. 以下哪个问题的陈述属于数据科学范畴？

过去六个月发生了什么？

上个月销售了多少产品？

销售问题出在哪里？

销售该产品的最佳方案是什么？

如果这种情况继续下去，会发生什么？

Q39. MADlib 中有哪些建模或描述性统计功能是标准关系数据库通常不提供的？

预期值

差异

线性回归

定量

Q40. 在文本分类问题上，互信息与皮尔逊相关性相比有何优势？

互信息在统计意义上进行了有意义的检验。

互信息可以显示因变量和自变量之间的非线性关系。

互信息更容易并行化。

互信息并不假定变量是正态分布的。

Q41. 您正在使用 K 均值聚类对一家医院的心脏病患者进行分类。您选择了患者性别、身高、体重、年龄和收入作为衡量指标，并使用了 3 个聚类。在绘制聚类的配对图时，您发现聚类之间有明显的重叠。您该怎么办？

确定分析中需要增加的其他措施

删除其中一项措施

减少群组数量

增加群组数量

Q42. 哪种分析方法属于无监督分析方法？

可能有二次方性质的趋势成分。哪种数据模式会表明时间序列数据的趋势具有二次方性质？

Naive Bayesian 分类器

决策树

线性回归

K 均值聚类

Q43. 以下哪项是连续概率分布？

二项式概率分布

负二项分布

泊松概率分布

正态概率分布

Q44. 您的客户向您提供了 2. 000 份未标记的三组记录。正确的分析方法是什么？

半线性回归

逻辑回归

奈非贝叶斯分类法

线性回归

K 均值聚类

改变 Databricks-Certified-Professional-Data-Scientist 备考概念 2023 年： https://www.dumpleader.com/Databricks-Certified-Professional-Data-Scientist_exam.html

提供 Databricks Databricks-Certified-Professional-Data-Scientist Dumps，2023 年 5 月 06 日更新，含 140 个 QA [Q20-Q44] 。

發佈留言取消回覆

發佈留言 取消回覆

發佈留言取消回覆