2013网易实习生数据挖掘工程师

a) 欠拟合和过拟合的原因分别有哪些？如何避免？  b) 决策树的父节点和子节点的熵的大小？请解释原因。 c) 衡量分类算法的准确率，召回率，F1值。  d) 举例序列模式挖掘算法有哪些？以及他们的应用场景。  二、计算题  1) 给你一组向量a，b  a) 计算二者欧氏距离 b) 计算二者曼哈顿距离 2) 给
a) 欠拟合和过拟合的原因分别有哪些？如何避免？ 
b) 决策树的父节点和子节点的熵的大小？请解释原因。 c) 衡量分类算法的准确率，召回率，F1值。 

d) 举例序列模式挖掘算法有哪些？以及他们的应用场景。 

二、计算题 

1) 给你一组向量a，b 
a) 计算二者欧氏距离 b) 计算二者曼哈顿距离 2) 给你一组向量a，b，c，d 

a) 计算a，b的Jaccard相似系数 b) 计算c，d的向量空间余弦相似度 c) 计算c、d的皮尔森相关系数 

三、（题目记得不是很清楚） 

一个文档-词矩阵，给你一个变换公式tfij’=tfij*log(m/dfi)；其中tfij代表单词i在文档f中的频率，m代表文档数，dfi含有单词i的文档频率。 

1) 只有一个单词只存在文档中，转换的结果？（具体问题忘记） 2) 有多个单词存在在多个文档中，转换的结果？（具体问题忘记） 3) 公式变换的目的？ 

四、推导朴素贝叶斯分类P(c|d)，文档d（由若干word组成），求该文档属于类别c的概率，

并说明公式中哪些概率可以利用训练集计算得到。 

五、给你五张人脸图片。 

可以抽取哪些特征？按照列出的特征，写出第一个和最后一个用户的特征向量。 

六、考查ID3算法，根据天气分类outlook/temperature/humidity/windy。（给你一张离散型

的图表数据，一般学过ID3的应该都知道） a) 哪一个属性作为第一个分类属性？ b) 画出二层决策树。

 七、购物篮事物（关联规则） 

一个表格：事物ID/购买项。 
1) 提取出关联规则的最大数量是多少？（包括0支持度的规则） 2) 提取的频繁项集的最大长度（最小支持 0） 3) 找出能提取出4-项集的最大数量表达式 

4) 找出一个具有最大支持度的项集（长度为2或更大） 5) 找出一对项a，b，使得{a}- {b}和{b}- {a}有相同置信度。 

八、一个发布优惠劵的网站，如何给用户做出合适的推荐？有哪些方法？设计一个合适的系

统（线下数据处理，存放，线上如何查询？） 

一名数据挖掘工程师给新人整理的入门资料 四年前我一次听说数据挖掘这个词，三年前我学习了数据挖掘理论知识，两年前我做了几个与数据挖掘有关的项目，一年前我成为一名数据挖掘工程师，今天我把数据挖掘入门资料整理了一下，希望能够对新人有帮助。
步骤：建立数据库连接、打开数据库连接、建立数据库命令、运行数据库命令、保存数据库命令、关闭数据库连接。 经萍萍提醒，了解到应该把preparedStatement预处理也考虑在数据库的操作步骤中。此外，对实时性要求不强时，可以使用数据库缓存。
1. extern”C”{}的作用好应用场景； 2.写出两者你熟悉的设计模式，及应用场景，可以给出伪代码； 3.TCP中time_wait是表示那种状态，及应用场景，以及起好处和坏处； 二、算法题40分 1. 有一个任务执行机，任务数N 1000，该机器每次只能执行一个任务，而任务之间存在依赖关系， 但是任务之间没有循环依赖，请给出适
1.计算机、统计学等相关专业,具有深厚的统计学、数学、数据挖掘知识，熟悉数据仓库和数据挖掘的相关技术; 2.掌握Oracle、SQLServer、DB2、SybaseIQ等一种以上的主流数据仓库产品； 3.熟悉Python、C++、C语言中的一种或以上； 4.熟悉BusinessObjects、Cognos、M