postest-id.md

Post test Questions and Answers from DataScience Class

Q1. Predicting the price of a house to a certain value is one example of the case ...

• Regression
• Data Merge
• Association
• Classification
• Databases

Q2. The steps taken after modeling (building a model) is ...

• Data collection
• Model evaluation
• Data validation
• Model deployment
• Data understanding

Q3. The proper flow in the data science methodology are ...

• Data Collection - Modeling - Evaluation - Business Understanding
• Data Collection - Modeling - Business Understanding - Evaluation
• Business Understanding - Data Collection - Modeling - Evaluation
• Business Understanding - Evaluation - Data Collection - Modeling
• Modeling - Evaluation - Data Collection - Business Understanding

Q4. The following are the fundamental knowledge that a Data Scientist mus possess are as follows, except ...

• Language literature
• Math
• Domain/Business Knowledge
• Computer Science
• Statistics

Q5. What do data scientist typically use for exploratory analysis of data and to get acquinted with it?

• Use SVM or Neural Network as feature extraction
• Use text summarization method
• Use self-learning
• Use descriptive statistics and data visualization techniques
• Use deep learning

Q6. Modul apakah yang perlu kita import untuk menangani perhitungan tanggal dan waktu menggunakan Python?

• datetime
• timedate
• time
• timescount
• date

Q7. Ketika melewati sebuah fungsi, *args akan disimpan pada datatype ...

• dictionary
• tuple
• tensor
• list
• semua benar

Q8. Berikut ini yang merupakan statement untuk Exception Handling adalah ...

• except
• Semua benar
• try
• raise
• finally

Q9. Manakah dari fungsi berikut pada Python yang mengubah tanggal menjadi waktu yang sesuai?

• semua benar
• strftime()
• strptime()
• to_time()
• semua salah

Q10. Ketika melewati sebuah fungsi, **kwargs akan disimpan pada datatype ...

• tensor
• list
• tuple
• semua benar
• dictionary

Q11. Untuk melihat proporsi suatu kelas di dalam data yang kita analisis, dapat dilakukan dengan memvisualisasikannya ke dalam ...

• Line chart
• Pie chart
• Matrix faktorisasi
• Table excel
• Numpy array

Q12. Berikut ini yang bukan merupakan manfaat Exploratory Data Analysis yang dilakukan sebelum memodelkan data adalah ...

• Menyiapkan data berdasarkan kondisi dan karakteristiknya
• Mengenali karakteristik data
• Menggali insight data
• Memahami korelasi dan pola yang ada pada data
• Memastikan nilai akurasi

Q13. Dalam EDA, proses melakukan analisis yang menggunakan lebih dari atau sama dengan tiga variabel disebut dengan ...

• Univariate analysis
• Dimensional analysis
• Factor analysis
• Multivariate analysis
• Bivariate analysis

Q14. Ada atau tidaknya hubungan antara dua variabel dapat kita lihat pada nilai ...

• Akurasi
• Mean
• Identifikasi
• Median
• Korelasi

Q15. Dalam EDA, proses melakukan analisis relasi dengan dua variabel yang biasanya dengan target variabel disebut juga dengan ...

• Bivariate analysis
• Multivariate analysis
• Univariate analysis
• Factor analysis
• Dimensional analysis

Q16. Berikut ini yang bukan termasuk proses yang biasanya ada di dalam preprocessing adalah ...

• Evaluasi performa model
• Handling outliers
• Hapus duplikat data
• Handling missing value
• Transformasi data

Q17. Pada kasus imbalanced data, metric evaluasi yang dilihat hanyalah metric akurasi

• True
• False

Q18. Berikut ini yang merupakan salah satu bentuk teknik feature extraction pada data audio adalah ...

• Spectogram
• Morphological Transformation
• Case Folding
• Geometric Transformations
• TF-IDF

Q19. Teknik pengolahan gambar untuk mengatur dan merubah jenis channel dikenal juga dengan teknik ...

• Resize image
• Changing color space
• Morphological Transformation
• Stopword removal
• Croping

Q20. Preprocessing teks untuk men-generalisir bentuk tulisan ke dalam huruf kecil atau besar disebut juga dengan ...

• slang word handling
• bag of words
• stopword removal
• case folding
• feature scaling

Q21. Dalam melakukan visualisasi atau membangun dashboard tidak diwajibkan menggunakan semua jenis grafik yang tersedia.

• True
• False

Q22. Visualisasi yang bagus dapat mempersulit user mencerna informasi dan berpotensi terjadi salah pemahaman (missunderstanding) pada hasil analisa data

• True
• False

Q23. Untuk visualisasi atribut yang berisi nilai longitude dan latitude dapat menggunakan grafik ...

• Histogram
• Boxplot
• Geomap
• Bar chart
• Line chart

Q24. Untuk melihat relasi dan sebaran dari dua buah variabel lebih cocok menggunakan scatter plot.

• True
• False

Q25. Grafik yang cocok untuk visualisasi data yang bersifat time series adalah ...

• Pie chart
• Line chart
• Subplot
• Box plot
• Histogram

Q26. Berikut pernyataan yang benar untuk algoritma KNN adalah ...

• KNN menggunakan hyperplane untuk melakukan klasifikasi.
• KNN merupakan algoritma Machine Learning yang tidak menunjang untuk classification task.
• KNN percaya suatu data dapat diklasifikasikan menurut mayoritas kelas/label dari k tetangga terdekatnya.
• KNN menggunakan entropy untuk melakukan klasifikasi
• KNN melakukan klasifikasi dengan melakukan break down pada permasalahan data untuk mendapatkan struktur klasifikasi.

Q27. Entropi merupakan suatu perhitungan untuk mengukur impurity atau uncertainty dari kelompok data observasi.

• True
• False

Q28. Algoritma SVM tidak dibutuhkan hyperplane.

• True
• False

Q29. Perhatikan tabel berikut:

Tentukan Entropy dari windy pada tabel tersebut!

• 0,1
• 0
• 0,2
• 0,25
• 0,5

Q30. Berikut ini yang bukan algoritma Machine Learning untuk kasus klasifikasi adalah ...

• Kmeans
• SVM
• KNN
• Decision Tree
• Naive Bayes

Q31. Berikut contoh penerapan regresi adalah ...

• Sentiment analysis data teks.
• Deteksi penyakit pada citra medis.
• Estimasi harga saham di masa depan.
• Topic modelling dari dokumen.
• Segmentasi sel kanker pada citra MRI otak.

Q32. Dalam algoritma Decission Tree yang dipakai untuk kasus regresi, output pada setiap ujung cabang diperoleh dengan menghitung nilai rata-rata dari subdata tersebut.

• True
• False

Q33. Berikut contoh algoritma yang tidak cocok digunakan dalam kasus regresi adalah ...

• Multiple Linear Regression
• Decision Tree
• K-Means
• Linear Regression
• Support Vector Machine

Q34. Berikut library yang menyediakan algoritma regresi siap pakai adalah ...

• opencv
• pandas
• plotly
• scikit-learn
• matplotlib

Q35. Support Vector Machine dapat diarahkan untuk kasus Klasifikasi, juga dapat digunakan dalam kasus Regresi.

• True
• False

Q36. K Means akan memaksakan semua datapoint akan masuk ke salah satu cluster yang ada

• True
• False

Q37. Karena Unsupervised Learning tidak memiliki target, maka dalam konsep Clustering akan mencari homogenitas atau kemiripan antar data.

• True
• False

Q38. Berikut ini yang tidak termasuk dalam Unsupervised Learning adalah

• Regression
• Autoencoder
• Dimensionality Reduction
• Association Rules
• Clustering

Q39. Dalam DBSCAN algorithm, suatu datapoint dikatakan Noise Point jika

• memiliki epsilon yang paling besar
• memiliki jumlah tetangga dibawah Min. Samples yang ditentukan dan datapoint tersebut tidak berada dalam Neighborhood dari Core Point
• terhubung dengan Density Edge
• memiliki jumlah tetangga yang memenuhi Min. Samples walaupun tidak berada dalam Neighborhood dari Core Point
• memiliki tetangga paling banyak dalam Neighborhood

Q40. Dalam K Means algorithm, untuk mengupdate centroid digunakan rumus median

• True
• False

Q41. Recall tidak sama dengan Sensitivity

• True
• False

Q42. Berikut ini hal yang tidak tepat adalah

• Metric Evaluasi pada klasifikasi tidak cocok untuk regresi
• MSE dan MAE merupakan metric evaluation untuk regresi
• Dalam clustering, selain melihat hasil dari evaluasinya, kita juga harus melihat interpretasi dari cluster yang terbentuk
• Dalam evaluasi klasifikasi, selain menggunakan akurasi bisa juga ditambahkan dengan f1 score
• Menggunakan akurasi dalam kasus clustering

Q43. Specificity disebut juga True Negative Rate (TNR)

• True
• False

Q44. Nilai Mean Squared Error cenderung lebih besar daripada Root Mean Squarred Error

• True
• False

Q45. Output minimum yang dihasilkan dari fungsi ReLU adalah 0

• True
• False

Q46. Perbedaan Single Perceptron dengan Multi-Layer Perceptron yaitu jumlah neuron yang didefinisikan

• True
• False

Q47. Di proses apakah kita dapat memperoleh nilai bobot baru?

• Input data
• Penggunaan fungsi aktivasi sigmoid
• Feedforward
• Feature Learning
• Backpropagation

Q48. Dalam Neural Network, setiap input data akan dilakukan pembobotan (dikalikan dengan suatu nilai bobot). Bagaimana cara mendefinisikan nilai bobot tersebut?

• Nilai bobot berada pada rentang 0 sampai 365
• Nilai bobot berada pada rentang 1 sampai 26 (angka mewakili huruf alfabet)
• Nilai bobot sama dengan nilai input
• Nilai bobot hanya boleh bernilai 1 atau -1
• Bobot didefinisikan dari suatu random value (nilai acak)