阿里云大数据ACA及ACP复习题(521~530)

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
全局流量管理 GTM,标准版 1个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 本人备考阿里云大数据考试时自行收集准备的题库,纯手工整理的,因为是纯手工整理解析所以可能出现答案打错的情况,题库是能够覆盖到今年7月份,应该是目前最新的,发成文章希望大家能一起学习,不要花冤枉钱去买题库背了,也希望大家能够顺利通关ACA和ACP考试(自己整理解析也需要时间,可能有更新不及时的情况哈)

521.有关Maxconpute的DDL-alter语法正确的有( BCD )?
A:alter table sale_detail drop columns (customer_name STRING, education BIGINT);
B:alter table sale_detail add if not exists partition (sale_date='201312', region='hangzhou');
C:alter table sale_detail drop if exists partition(sale_date='201312',region='hangzhou'),partition(sale_date='201312',region='shanghai');
D:alter table sale_detail add columns (customer_name STRING, education BIGINT);

解析:有关Maxcopmte使用方式DDL语法,可参考https://help.aliyun.com/document_detail/193814.html

522.阿里云大数据产品中属于大数据工具与服务类的有( BC )。
A:MaxCompute云原生大数据计算服务
B:DataHub数据总线
C:Data Integration数据集成
D:OpenSearch智能开放搜索

解析:OpenSearch智能开放搜索:智能搜索与推荐、MaxCompute云原生大数据计算服务:大数据计算与分析。

523.在创建智能应用程序时,Mahout包含许多算法实现,具体包含( ABDE )
A:聚类
B:分类
C:线性回归
D:推荐过滤
E:频繁子项挖掘

解析:Mahout包含许多实现,包括聚类、分类、推荐过滤、频繁挖掘算法。

524.关于数据可视化设计步骤的数据准备阶段,对准备步骤描述错误的是?( A )
A:数据准备阶段要确认业务需求和主题风格
B:数据准备首先根据业务需求核对数据仓库中的数据,对于缺失的数据及时进行补充
C:数据准备需要对确定好的数据与业务指标进行核对、分析和重组
D:数据准备会将重组后的数据保存到单独的表单中,供后续可视化使用

解析:主题确认阶段要确认业务需求和主题风格

525.大数据集群中的硬件资源可能是数以万计的,如何管理协调、充分利用硬件资源成为一个很重要的问题,各种流行的大数据技术都有自己核心的资源管理和调度模块。以下选项中( A )不是负责类似功能的。
A:盘古
B:YARN
C:伏教
D:Mesos

解析:盘古是阿里云飞天分布式存储系统,不属于资源调度模块

526.大数据语境下,客户场景越来越多、越来越复杂,大部分场景下就计算本身(计算触发的方式、响应时间等)的特点来讲,可以归结为三种计算场景,包括( BCD )
A:网格计算
B:流计算
C:离线计算
D:在线计算
E:云计算中
F:内存计算

解析:数据计算的分类: ①离线批处理:Hadoop平台主要是面向离线批处理应用的,是一个能够对大量数据进行分布式处理的软件框架,而且是一种可靠的、高效的、可伸缩的方式进行处理,通过数据分块及自恢复机制能支持PB级的分布式数据存储。②实时交互计算(流计算):一般有两类应用场景:数据量巨大且不能提前计算出结果的,但要求对用户的响应时间是实时的;数据源是实时的和不间断的(流式数据),要求对用户的响应时间也是实时的。 ③在线计算:计算过程分为三个阶段,数据的产生与收集阶段(实时采集)——>传输与分析处理阶段(实时计算)——>存储和对外提供服务阶段(实时查询),整个过程统一在云端计算完成。

527.某数据集(父身高,子身高),描述了父子的身高信息,想通过一张图表来看一下,两者间是否存在相关关系,适合选择哪种方式实现?( A )
A:点图
B:线图
C:树图
D:柱图

解析:散点图可以推断出变量间的相关性。如果变量之间不存在相互关系,那么在散点图上就会表现为随机分布的离散的点,如果存在某种相关性,那么大部分的数据点就会相对密集并以某种趋势呈现。

528.为了市场竞争,各行各业都加大精细化管理和营销的力度,下面些场景不属于精细化管理营销的活动( C )。
A:移动公司在开学季推出学生统一套餐10元/月, 但包含的免费流量与上月的使用量挂钩,实行阶梯递增,即上月使用多本月赠送多,上月使用少本月赠送少。
B:登录淘宝界面,界面马上为你推送出你曾经浏览过的类似的商品信息和优惠活动
C:中秋节到了,超市又开始了打折促销活动
D:银行为吸引存款,根据以往的存款记录,为一部分害户发送信息,提供特殊的优惠利率

解析:根据学生需求按需营销;精准营销,智能推荐;打折不针对某个人,不是精准营销;
根据客户实际情况提供优惠政策数据精准营销

529.某公司在2016年底时根据历史的销量、价格、广告等所有数据中存在的因素来预测未来五年销量的变化,并根据预测的销量制定公司的发展战略和每一年的KPI。销量预测有三个特点,连贯性、相关性和混沌性。根据上述内容,该公司预测和制定策略时没有充分考虑到销量预测的哪个特点? ( C )
A:连贯性
B:相关性
C:混沌性
D:以上都是

解析:过去的数据表示连贯性;销量,价格,广告表示相关性;混沌性表示环境的变化并没有体现;根据题目没有提及事业环境因素

530.某政府部门为了分析人均可支配收入的影响因素,构建了自变量为人均收入、人均消费等的线性回归模型。在回归模型结果评估中,发现人均收入对人均可支配收入的系数为负数。产生这种现象的原因可能是回归模型出现了( B )。
A:异方差性
B:多重共线性
C:非正态性
D:自相关性

解析:异方差性是相对于同方差而言的。所谓同方差,是为了保证回归参数估计量具有良好的统计性质,经典线性回归模型的一个重要假定:总体回归函数中的随机误差项满足同方差性,即它们都有相同的方差。多重共线性是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。一般来说,由于经济数据的限制使得模型设计不当,导致设计矩阵中解释变量间存在普遍的相关关系。在通常的情况下,观测试验数据遵从正态分布,可用观测值的平均值和标准差分别描述它的集中趋势和离散特性。但在有些情况下,观测值不遵从正态分布,而遵从其他类型的分布,比如偏态分布。自相关性是指随机误差项的各期望值之间存在着相关关系,称随机误差项之间存在自相关性(autocorrelation)或序列相关

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
2天前
|
人工智能 Cloud Native 数据管理
媒体声音|重磅升级,阿里云发布首个“Data+AI”驱动的一站式多模数据平台
在2024云栖大会上,阿里云瑶池数据库发布了首个一站式多模数据管理平台DMS:OneMeta+OneOps。该平台由Data+AI驱动,兼容40余种数据源,实现跨云数据库、数据仓库、数据湖的统一数据治理,帮助用户高效提取和分析元数据,提升业务决策效率10倍。DMS已服务超10万企业客户,降低数据管理成本高达90%。
|
4天前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
2月前
|
人工智能 分布式计算 DataWorks
连续四年!阿里云领跑中国公有云大数据平台
近日,国际数据公司(IDC)发布《中国大数据平台市场份额,2023:数智融合时代的真正到来》报告——2023年中国大数据平台公有云服务市场规模达72.2亿元人民币,其中阿里巴巴市场份额保持领先,占比达40.2%,连续四年排名第一。
177 12
|
2月前
|
人工智能 Cloud Native 数据管理
重磅升级,阿里云发布首个“Data+AI”驱动的一站式多模数据平台
阿里云发布首个AI多模数据管理平台DMS,助力业务决策提效10倍
272 17
|
2月前
|
SQL 人工智能 大数据
阿里云牵头起草!首个大数据批流融合国家标准发布
近日,国家市场监督管理总局、国家标准化管理委员会正式发布大数据领域首个批流融合国家标准GB/T 44216-2024《信息技术 大数据 批流融合计算技术要求》,该标准由阿里云牵头起草,并将于2025年2月1日起正式实施。
78 7
|
2月前
|
SQL 人工智能 大数据
首个大数据批流融合国家标准正式发布,阿里云为牵头起草单位!
近日,国家市场监督管理总局、国家标准化管理委员会正式发布大数据领域首个批流融合国家标准 GB/T 44216-2024《信息技术 大数据 批流融合计算技术要求》,该标准由阿里云牵头起草,并将于2025年2月1日起正式实施。
|
2月前
|
存储 SQL 分布式计算
Java连接阿里云MaxCompute例
要使用Java连接阿里云MaxCompute数据库,首先需在项目中添加MaxCompute JDBC驱动依赖,推荐通过Maven管理。避免在代码中直接写入AccessKey,应使用环境变量或配置文件安全存储。示例代码展示了如何注册驱动、建立连接及执行SQL查询。建议使用RAM用户提升安全性,并根据需要配置时区和公网访问权限。具体步骤和注意事项请参考阿里云官方文档。
|
25天前
|
存储 机器学习/深度学习 分布式计算
大数据技术——解锁数据的力量,引领未来趋势
【10月更文挑战第5天】大数据技术——解锁数据的力量,引领未来趋势
|
4天前
|
数据采集 监控 数据管理
数据治理之道:大数据平台的搭建与数据质量管理
【10月更文挑战第26天】随着信息技术的发展,数据成为企业核心资源。本文探讨大数据平台的搭建与数据质量管理,包括选择合适架构、数据处理与分析能力、数据质量标准与监控机制、数据清洗与校验及元数据管理,为企业数据治理提供参考。
24 1
|
26天前
|
分布式计算 关系型数据库 MySQL
大数据-88 Spark 集群 案例学习 Spark Scala 案例 SuperWordCount 计算结果数据写入MySQL
大数据-88 Spark 集群 案例学习 Spark Scala 案例 SuperWordCount 计算结果数据写入MySQL
45 3