一、 什么是数据挖掘？什么是数据仓库？并简述数据挖掘的步骤。（20分）
数据挖掘是从大量数据中提取或发现（挖掘）知识的过程。
数据仓库是面向主题的、集成的、稳定的、不同时间的数据集合，用于支持经营管理中的决策制定过程。 步骤：
1）数据清理 （消除噪声或不一致数据） 2) 数据集成 （多种数据源可以组合在一起）
3 ) 数据选择 （从数据库中检索与分析任务相关的数据）
4 ) 数据变换 （数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作） 5) 数据挖掘 （基本步骤，使用智能方法提取数据模式）
6) 模式评估 （根据某种兴趣度度量，识别表示知识的真正有趣的模式；） 7) 知识表示 （使用可视化和知识表示技术，向用户提供挖掘的知识）
二、元数据的定义是什么？元数据包括哪些内容？（20分）
元数据是关于数据的数据。在数据仓库中, 元数据是定义仓库对象的数据。 元数据包括 ：
数据仓库结构的描述，包括仓库模式、视图、维、分层结构、导出数据的定义, 以及数据集市的位置和内容。
操作元数据，包括数据血统（移植数据的历史和它所使用的变换序列）、数据流通（主动的、档案的或净化的) 、管理信息（仓库使用统计量、错误报告和审计跟踪）。
汇总算法，包括度量和维定义算法, 数据所处粒度、划分、主题领域、聚集、汇总、预定义的查询和报告 。
由操作环境到数据仓库的映射，包括源数据库和它们的内容，网间连接程序描述, 数据划分, 数据提取、清理、转换规则和缺省值, 数据刷新和净化规则, 安全 (用户授权和存取控制) 。
关于系统性能的数据，刷新、更新定时和调度的规则与更新周期，改善数据存取和检索性能的索引和配置。
商务元数据，包括商务术语和定义, 数据拥有者信息和收费策略。
三、在 O L A P 中，如何使用概念分层? 请解释多维数据模型中的OLAP 上卷下钻切片切块和转轴操作。（20分） 在多维数据模型中，数据组织成多维，每维包含由概念分层定义的多个抽象层。这种组织为用户从不同角度观察数据提供了灵活性。有一些 O L A P 数据立方体操作用来物化这些不同视图，允许交互查询和分析手头数据。因此 ， O L A P 为交互数据分析提供了友好的环境。 上卷 ：上卷操作通过一个维的概念分层向上攀升或者通过维归约 ，在数据立方体上进行聚集。
下钻：下钻是上卷的逆操作，它由不太详细的数据到更详细的数据。下钻可以通过沿维的概念分层向下或引入新的维来实现。
切片：在给定的数据立方体的一个维上进行选择，导致一个子方。 切块：通过对两个或多个维执行选择，定义子方。
转轴： 转轴是一种目视操作，它转动数据的视角，提供数据的替代表示。
四、什么是数据变换? 数据变换涉及的内容有哪些? （20分）
数据变换是将数据转换成适合于挖掘的形式。数据变换可能涉及如下内容 : 1). 平滑 ：去掉数据中的噪声。这种技术包括分箱、聚类和回归。
2). 聚集 ：对数据进行汇总和聚集。例如，可以聚集日销售数据，计算月和年销售额。通常，这一步用来为多粒度数据分析构造数据立方体。
3). 数据概化 ：使用概念分层，用高层次概念替换低层次“原始”数据。例如，分类的属性，如 s t re e t ，可以概化为较高层的概念，如 c i t y 或 c o u n t ry 。类似地，数值属性，如 a g e ，可以映射到较高层概念，如 young, middle-age 和 s e n i o r 。
4). 规范化 ：将属性数据按比例缩放，使之落入一个小的特定区间，如－ 1 . 0 到 1 . 0 或 0 . 0 到 1 . 0 。
5). 属性构造 （或 特征构造 ）：可以构造新的属性并添加到属性集中，以帮助挖掘过程。
五、用Apriori 、FP-growth 、GSP 、Prefixspan 、SPAM 算法中任意一到两种算法，挖掘出所有的频繁项集（表1）或频繁序列（表2），并写出具体过程。假设事务数据库D 如下：最小支持度计数为2。（20分）以Apriori 算法为例。
一、 什么是数据挖掘？什么是数据仓库？并简述数据挖掘的步骤。（20分）
数据挖掘是从大量数据中提取或发现（挖掘）知识的过程。
数据仓库是面向主题的、集成的、稳定的、不同时间的数据集合，用于支持经营管理中的决策制定过程。 步骤：
1）数据清理 （消除噪声或不一致数据） 2) 数据集成 （多种数据源可以组合在一起）
3 ) 数据选择 （从数据库中检索与分析任务相关的数据）
4 ) 数据变换 （数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作） 5) 数据挖掘 （基本步骤，使用智能方法提取数据模式）
6) 模式评估 （根据某种兴趣度度量，识别表示知识的真正有趣的模式；） 7) 知识表示 （使用可视化和知识表示技术，向用户提供挖掘的知识）
二、元数据的定义是什么？元数据包括哪些内容？（20分）
元数据是关于数据的数据。在数据仓库中, 元数据是定义仓库对象的数据。 元数据包括 ：
数据仓库结构的描述，包括仓库模式、视图、维、分层结构、导出数据的定义, 以及数据集市的位置和内容。
操作元数据，包括数据血统（移植数据的历史和它所使用的变换序列）、数据流通（主动的、档案的或净化的) 、管理信息（仓库使用统计量、错误报告和审计跟踪）。
汇总算法，包括度量和维定义算法, 数据所处粒度、划分、主题领域、聚集、汇总、预定义的查询和报告 。
由操作环境到数据仓库的映射，包括源数据库和它们的内容，网间连接程序描述, 数据划分, 数据提取、清理、转换规则和缺省值, 数据刷新和净化规则, 安全 (用户授权和存取控制) 。
关于系统性能的数据，刷新、更新定时和调度的规则与更新周期，改善数据存取和检索性能的索引和配置。
商务元数据，包括商务术语和定义, 数据拥有者信息和收费策略。
三、在 O L A P 中，如何使用概念分层? 请解释多维数据模型中的OLAP 上卷下钻切片切块和转轴操作。（20分） 在多维数据模型中，数据组织成多维，每维包含由概念分层定义的多个抽象层。这种组织为用户从不同角度观察数据提供了灵活性。有一些 O L A P 数据立方体操作用来物化这些不同视图，允许交互查询和分析手头数据。因此 ， O L A P 为交互数据分析提供了友好的环境。 上卷 ：上卷操作通过一个维的概念分层向上攀升或者通过维归约 ，在数据立方体上进行聚集。
下钻：下钻是上卷的逆操作，它由不太详细的数据到更详细的数据。下钻可以通过沿维的概念分层向下或引入新的维来实现。
切片：在给定的数据立方体的一个维上进行选择，导致一个子方。 切块：通过对两个或多个维执行选择，定义子方。
转轴： 转轴是一种目视操作，它转动数据的视角，提供数据的替代表示。
四、什么是数据变换? 数据变换涉及的内容有哪些? （20分）
数据变换是将数据转换成适合于挖掘的形式。数据变换可能涉及如下内容 : 1). 平滑 ：去掉数据中的噪声。这种技术包括分箱、聚类和回归。
2). 聚集 ：对数据进行汇总和聚集。例如，可以聚集日销售数据，计算月和年销售额。通常，这一步用来为多粒度数据分析构造数据立方体。
3). 数据概化 ：使用概念分层，用高层次概念替换低层次“原始”数据。例如，分类的属性，如 s t re e t ，可以概化为较高层的概念，如 c i t y 或 c o u n t ry 。类似地，数值属性，如 a g e ，可以映射到较高层概念，如 young, middle-age 和 s e n i o r 。
4). 规范化 ：将属性数据按比例缩放，使之落入一个小的特定区间，如－ 1 . 0 到 1 . 0 或 0 . 0 到 1 . 0 。
5). 属性构造 （或 特征构造 ）：可以构造新的属性并添加到属性集中，以帮助挖掘过程。
五、用Apriori 、FP-growth 、GSP 、Prefixspan 、SPAM 算法中任意一到两种算法，挖掘出所有的频繁项集（表1）或频繁序列（表2），并写出具体过程。假设事务数据库D 如下：最小支持度计数为2。（20分）以Apriori 算法为例。