Paniere domande
207 domande totali nel paniere. Usa i filtri per studiare per area o per tipo.
6 domande — Area BIGDATA — Tipo: profilo
1/6 · BIGDATA · profilo · INF-0114
Le '5 V' del Big Data includono Volume, Velocity, Variety, Veracity e:
[A] Visualization
[B] Value
[C] Virtualization
[D] Validation
Spiegazione
Le 5V del Big Data: Volume (quantità), Velocity (velocità), Variety (formati eterogenei), Veracity (qualità/affidabilità), Value (valore estraibile).
2/6 · BIGDATA · profilo · INF-0115
In Machine Learning, cosa si intende per 'overfitting'?
[A] Il modello non riesce ad apprendere i pattern del training set
[B] Il modello performa bene sul training set ma generalizza male su dati nuovi
[C] Il modello impiega troppo tempo per la fase di training
[D] Il dataset di training è troppo piccolo per l'algoritmo scelto
Spiegazione
L'overfitting si verifica quando il modello memorizza i dati di training (incluso il rumore) invece di apprendere pattern generalizzabili, risultando in alta accuracy sul training e bassa su dati nuovi. Il contrario è underfitting.
3/6 · BIGDATA · profilo · INF-0116
Quale framework è specificamente progettato per l'elaborazione distribuita di grandi dataset (batch processing)?
[A] Apache Kafka
[B] Apache Hadoop MapReduce
[C] Apache NiFi
[D] Redis
Spiegazione
Apache Hadoop MapReduce è il framework classico per batch processing distribuito su grandi dataset (HDFS + job MapReduce). Kafka è un message broker per streaming. NiFi è per data flow/ETL. Redis è un in-memory data store.
4/6 · BIGDATA · profilo · INF-0117
Cosa fa un 'data lake' rispetto a un data warehouse tradizionale?
[A] Memorizza solo dati strutturati con schema rigido predefinito
[B] Memorizza dati in formato grezzo (strutturati, semi-strutturati, non strutturati) con schema applicato alla lettura
[C] Esegue solo query OLAP su cubi multidimensionali
[D] Sostituisce completamente il database transazionale OLTP
Spiegazione
Il data lake memorizza dati in formato nativo/grezzo senza imporre uno schema (schema-on-read), a differenza del data warehouse che richiede schema predefinito (schema-on-write) e dati strutturati.
5/6 · BIGDATA · profilo · INF-0118
In un sistema di raccomandazione basato su 'collaborative filtering', le raccomandazioni si basano su:
[A] Le caratteristiche intrinseche degli oggetti raccomandati
[B] Il comportamento di utenti simili per preferenze
[C] Regole predefinite dall'amministratore del sistema
[D] L'analisi del testo dei contenuti
Spiegazione
Il collaborative filtering analizza i comportamenti e le preferenze di utenti simili ('chi ha apprezzato X ha anche apprezzato Y') senza analizzare le caratteristiche degli oggetti.
6/6 · BIGDATA · profilo · INF-0119
Apache Spark rispetto a Hadoop MapReduce è generalmente:
[A] Più lento ma più affidabile
[B] Più veloce grazie all'elaborazione in-memory
[C] Adatto solo a dati strutturati
[D] Impossibile da usare con HDFS
Spiegazione
Apache Spark elabora i dati in-memory (RAM) invece di scrivere su disco tra ogni step come MapReduce, risultando generalmente 10-100x più veloce per molti workload.