Cho CSDL giao dịch như hình vẽ với Min_Support = 2 (50%), Min_Cofidence = 50%. Luật kết hợp nào thỏa mãn các điều kiện đã cho: 

Cả thuật toán FP-Growth và Apriori đều được sử dụng trong khai thác dữ liệu để tìm các tập mục (itemsets) thường xuyên trong một tập dữ liệu giao dịch. Các tập mục thường xuyên là các tập hợp các mục xuất hiện cùng nhau trong một số lượng giao dịch đủ lớn (lớn hơn một ngưỡng hỗ trợ tối thiểu nào đó).

* Apriori: Thuật toán này sử dụng phương pháp tiếp cận duyệt theo chiều rộng, tạo ra các tập ứng viên có kích thước k từ các tập thường xuyên có kích thước k-1, và sau đó tỉa bớt các tập không đủ điều kiện.
* FP-Growth: Thuật toán này xây dựng một cấu trúc cây FP (Frequent Pattern tree) để biểu diễn các giao dịch trong cơ sở dữ liệu, và sau đó khai thác cây này để tìm các tập mục thường xuyên mà không cần tạo các tập ứng viên một cách tường minh.

Do đó, đáp án a là chính xác nhất.

Thuật ngữ "Data Clustering" trong tiếng Anh có nghĩa là phân cụm dữ liệu. Đây là một kỹ thuật trong khai phá dữ liệu và học máy, nhóm các đối tượng dữ liệu tương tự nhau thành các cụm (cluster). Các phương án khác có nghĩa như sau:
- Data Classification: Phân loại dữ liệu.
- Association Rule: Luật kết hợp.
- Data Mining: Khai thác dữ liệu.

Câu hỏi yêu cầu tìm thuật ngữ tiếng Anh tương ứng với "Phân lớp dữ liệu".

* a. Data Classification: Đây chính là thuật ngữ tiếng Anh của "Phân lớp dữ liệu". Trong lĩnh vực khoa học dữ liệu và máy học, phân lớp dữ liệu là quá trình gán các đối tượng dữ liệu vào các lớp (categories) đã được định nghĩa trước.
* b. Data Clustering: Đây là "Phân cụm dữ liệu", một kỹ thuật nhóm các đối tượng dữ liệu tương tự lại với nhau thành các cụm (clusters) mà không cần định nghĩa trước các lớp.
* c. Data Mining: Đây là "Khai thác dữ liệu", một quá trình khám phá các mẫu (patterns) và thông tin hữu ích từ một lượng lớn dữ liệu.
* d. Association Rule: Đây là "Luật kết hợp", một kỹ thuật tìm kiếm các mối quan hệ giữa các biến trong một tập dữ liệu.

Vậy, đáp án đúng là a.

Câu hỏi yêu cầu xác định các loại cơ sở dữ liệu (CSDL) khác nhau có thể được khai phá (data mining).

Phương án a liệt kê đầy đủ và chính xác các loại CSDL phổ biến và có tiềm năng khai phá dữ liệu: CSDL quan hệ, CSDL giao tác, CSDL hướng đối tượng, CSDL không gian, CSDL thời gian, CSDL văn bản (text), CSDL XML, CSDL đa phương tiện (multi-media), và CSDL World Wide Web (WWW).

Các phương án còn lại (b, c, d) liệt kê không đầy đủ hoặc cụ thể hóa các ví dụ mà không bao quát hết các loại CSDL có thể khai phá.

Giá trị trung bình của các thuộc tính là (6 + 2 + 5 + 7 + 5) / 5 = 5. Vậy vị trí dấu hỏi điền giá trị 5.