Data sajtovi

Learn data science online in our career paths. When you choose a Dataquest career path, you don't have to wonder what you'll learn next. In our career paths, you'll learn all the skills you need to land your first job in data science, including R, Python, SQL, data visualization, data analysis, machine learning, and more. Sajtovi.info has the current rank of 912010. Historical ranking, Analytics ID, Adsense ID, screenshots, meta tags, whois, site and server. Saj to vi is hosted on 104.27.164.186 Data science industrija raste i nastaviće da raste i u budućnosti. Trenutno je velika potreba širom sveta za onima koji mogu da čitaju, kreiraju, grade znanje i uvide iz podataka (insights) i komuniciraju njihovo značenje ostalima uz jasnu akciju.Stoga ako ste student koji planira svoju budućnost, ako se zaposleni i planirate promenu karijere ili jednostavno se već bavite podacima i ... Data scientists are the detectives of the big data era, responsible for unearthing valuable data insights through analysis of massive datasets. And just like a detective is responsible for finding clues, interpreting them, and ultimately arguing their case in court, the field of data science encompasses the entire data life cycle. Data Science Roundup je prvenstveno lansiran od strane RJMetrics. Nakon što se ova kompanija prodala, ovaj newsletter je postao nezavistan i sponzorisan od strane Fishtown Analytics. Sadržaj uređuje Tristan Hardy i do sada imaju preko 7,000 prijavljenih. Frekvencija slanjq je svake nedelje gde biraju 5 odabranih tekstova. Big Data i analitika za Big Data zahtjevaju specifične vještine, bilo da su unutar organizacije ili preko konsultanata. Mnoge od ovih vještina su povezane sa ključnim komponentama tehnologije Big Data, kao što su Hadoop, Spark, NoSQL baze podataka, baze podataka u memoriji i softver za analitiku. U Švedskoj postoji nekoliko privatnih sajtova / portala za pretragu poslova. Ovi portali su uglavnom na Švedskom jezika, a na njiga pored opcije pretrage slobodnih radnih mesta postoji i opcija da se uploaduje CV. Najpopularniji su sledeći portali: Jobbsafari.se Stepstone.se Merajobb.se Data Scientist is the hottest job in America, and Udacity data science courses teach you the most in demand data skills. Learn data science and what it takes to get data science jobs, while earning a Data Science Certificate. We don’t have enough data to display all the information typically shown here. However, there are low-competition keywords that this site does not drive traffic for yet. Sign up for a free trial find marketing opportunities using our tools for: Content and topic analysis (New) Competitive analysis; Keyword research

Prvi Kol

2019.06.12 22:25 CleverTacticButFail Prvi Kol

Lekcija 1: Društveni mediji i web tehnologije
  1. Od ponuđenog, sajt društvenog umrežavanja je:
Youtube
Facebook
Second Life
Wiki
  1. Kietzmann je predstavio metodu saća (honeycomb framework) koja:
Definiše 4 segmenta društvenih medija
Definiše 7 segmenata društvenih medija
Definiše 8 segmenata društvenih medija
Definiše 5 segmenata društvenih medija
  1. Koliko ima faktora koji motivišu korisnike da kreiraju i uređuju sadržaje na webu?
4 - tehnološki, socijalni, ekonomski i institucionalni
2 - tehnološki i socijalni
5 - tehnološki, socijalni, ekonomski, institucionalni i lični
3 - tehnološki, socijalni i ekonomski
  1. Od ponuđenog, saradnički društveni projekat (collaborative project) je:
Twitter
Wiki
Facebook
Youtube
  1. Šta je čet (chat)?
Web servis za povezivanje korisnika
Web katalog/informator
Sistem razmene poruka tipa 1 na 1
Sistem za razmenu instant poruka
  1. Po Kaplan-u i Haenlein-u koliko osnovnih tipova društvenih medija postoji:
7
5
6
8
  1. Od ponuđenog, zajednica društvenog sadržaja (content communities) je:
Twitter
Wiki
Youtube
Facebook
  1. Web 3.0 se drugačije naziva i:
Write & execute web
Read & write web
Read web
Read, write & execute web
  1. Zajedničko za društvene i tradicionalne medije:
Mogućnost dostizanja kruga aktivnih korisnika manjeg ili većeg obima
Informacije se mogu lako ponovo iskoristiti
Za publikaciju informacija potrebni su značajni resursi
Informacije su jeftine i dostupne bilo kome za publikaciju
  1. Šta od ponuđenog pripada svetu društvenih igara (virtual game world)?
Second Life
Google +
World of Warcraft
Facebook
  1. Šta je tačno:
Kod tradicionalnih medija komunikacija je tipa „više ka više“, a kod društvenih tipa „1 na 1“ i „1 na više“
Kod društvenih medija komunikacija je tipa „više ka više“, a kod tradicionalnih tipa „1 na 1“ i „1 na više“
Društveni mediji često zahtevaju posebnu obuku
Sadržaji kod društvenih medija se ne mogu menjati ni komentarisati
  1. Šta je tačno:
Online društvena mreža nije virtuelna zajednica nije sajt društvenog umrežavanja
Online društvena mreža = virtuelna zajednica = sajt društvenog umrežavanja
Online društvena mreža = virtuelna zajednica nije sajt društvenog umrežavanja
Online društvena mreža = sajt društvenog umrežavanja nije virtuelna zajednica
  1. Cilj društvene mreže:
Distribuiranje ideja i poslova
Širenje skupa zainteresovanih
Održanje i jačanje veza izmedju članova
Razmena mišljanja i stavova preko poruka
  1. Forum je:
Sistem razmene poruka tipa 1 na 1
Web katalog/informator
Web servis za povezivanje korisnika
Sistem za razmenu poruka tipa 1 ka svima
  1. Elektronska pošta je:
Web servis za pretraživanje
Sistem razmene poruka tipa 1 na 1, ili 1 na više
Web katalog/informator
Web servis za povezivanje korisnika
  1. Servis za postavljanje, pretraživanje, gledanje, preuzimanje i komentarisanje određene vrste sadržaja je:
Zajednica društvenih sadržaja (content communities)
Saradnički društveni projekat (collaborative projects)
Sajt društvenog umrežavanja
Sistem za razmenu poruka 1 ka više
  1. Wiki je:
Web servis za povezivanje korisnika
Sistem web strana otvorenim za uređivanje
Sistem razmene poruka tipa 1 na 1
Web katalog/informator
  1. Blog se uglavno koristi kao:
Servis za društveno umrežavanje
Sredstvo kratkog informisanja
Servis za razmenu poruka
Platforma za učenje
  1. Šta je tačno:
Online prijateljstvo često se bazira na offline prijateljstvu
Offline prijateljstvo ne utiče na online prijateljstvo
Offline prijateljstvo često se bazira na online prijateljstvu
Online i offline prijateljstvo se baziraju na potpuno drugačijim konceptima
  1. Skup internet aplikacija koje su izgrađene na ideološkim i tehnološkim osnovama web 2.0 tehnologija koje omogućavaju kreiranje i razmenu korisnički generisanog sadržaja je definicija:
Društvenih medija
Web servisa
Wikipedije
Društvenog računarstva
  1. Koja se mreža klasifikuje kao microblog platforma:
Facebook
LinkedIn
Twitter
MySpace
  1. Avatar je:
Član online društvene mreže
Kratka poruka
Grafička predstava korisnika (člana)
Moderator društvenog web servisa
  1. Mashup je:
Kombinacija više društvenih medija
Web strana otvorena za uređivanje
Sistem razmene poruka tipa 1 na 1
Web servis za povezivanje korisnika
  1. Šta od ponuđenog pripada virtuelnom društvenom svetu (virtual social world)?
Second Life
Google +
World of Warcraft
Facebook
  1. Blog je:
Web sajt kod koga se sadržaj prikazuje u hronološkom redu obrnutom od kreiranog
Zajednica društvenog sadržaja
Virtuelni svet
Web servis koji omogućava kreiranje i slanje kratkih poruka od jedan ka više
  1. Društvena mreža je:
Skup web aplikacija/web servisa, koji omogućavaju povezivanje korisnika, kreiranje i razmenu korisnički generisanih sadržaja
Medij razvijen na bazi web tehnologija
Web strana otvorena za uređivanje
Društvena struktura koja je određena društvenim interakcijama između individua, grupa, organizacija ili kompletnih društava
Lekcija 2: Sajtovi društvenog umrežavanja
  1. Dobra komunikacija između članova na društvenoj mreži je bitna jer:
Se članovi bolje promovišu
Se širi krug prijatelja
Se na taj način povećava zadovoljstvo članova i zadržavanje na mreži
Se dobijaju informacije veće upotrebne vrednosti (kvallitetnije)
  1. Šta se nalazi u osnovi svih sajtova društvenih mreža:
Konvertovanje offline veze u online veze
Mehanizam za razmenu poruka između članova
Prikazivanje stranice profila
Definisanje više tipova veza između članova
  1. Šta je kritična komponenta sajta društvenih mreža?
Priroda veza koje se formiraju
Mehanizam javnih poruka
Vidljivost profila
Javno prikazivanje veza
  1. Za ostvarivanje kvalitetnije komunikacije na društvenim mrežama upotreba izvora informacija velike pouzdanosti je:
Podrazumeva se
Zavisi od teme
Bitno
Nebitno
  1. Servis slanja privatnih i javnih poruka drugim članovima društvene mreže:
Spada u obaveznu uslugu samo kod društvenih mreža baziranih na profilu
Spada u obaveznu uslugu
Svaki korisnik odlučuje sam da li će da svom profilu doda tu uslugu
Ne spada u obaveznu uslugu
  1. Društvena mreža u okviru koje članovi komuniciraju preko avatara spadaju u?
Korisnički kreirane društvene mreže
Društvene mreže bazirane na profilu
Bilo koju od navedenih
Višekorisničke virtuelne društvene mreže
  1. Web servisi koji omogućavaju da se kreira javni ili polujavni profil kao celovit sistem, naziva se:
Sajt društvenih mreža
Društvene mreže
LMS
Virtuelni svet
  1. Google + spada u:
Specijalizovanu mrežu baziranu na profilu
Specijalizovanu mrežu baziranu na sadržaju
Društvenu mrežu opšteg tipa baziranu na profilu
Društvenu mrežu opšteg tipa baziranu na sadržaju
  1. Koliko različitih tipova društvenih mreža postoji?
6
4
3
5
  1. Korisnički kreirane društvene mreže su:
Grupa koju čine članovi društvene mreže čiji profili nisu javno vidljivi
Grupa unutar bilo koje društvene mreže u okviru koje su svi članovi međusobno eksplicitno povezani
Društvene mreže koju korisnik kreira prema svojim potrebama uz pomoć odgovarajućeg alata
Zatvorena grupa unutar bilo koje društvene mreže
  1. Teoretičari koji YouTube smatraju društvenom mrežom navode ga kao primer društvene mreže:
Bazirane na profilu
Korisnički kreirane
Bazirane na sadržaju
Virtuelne višekorisničke
  1. LinkedIn spada u:
Specijalizovanu mrežu baziranu na profilu
Specijalizovanu mrežu baziranu na sadržaju
Društvenu mrežu opšteg tipa baziranu na profilu
Društvenu mrežu opšteg tipa baziranu na sadržaju
  1. U kontekstu društvenih mreža, SNS je skraćenica:
Social Network Standard
Social Network Sites
Social Network Structure
Standard Network Site
  1. Prednost sajtova društvenih mreža u odnosu na offline upravljanje društvenom mrežom je to što:
Veze između članova nisu eksplicitno kreirane
Su veze svim članovima vidljive
Su veze između članova eksplicitno kreirane
Što su podržane sve vrste veza
  1. Nedostatak sajtova društvenih mreža je:
Što se veze lako uspostavljaju
Što se veze eksplicitno kreiraju
Što se eksplicitno vide sve aktivnosti članova
Što predstavljaju samo parcijalnu sliku nečijeg društvenog umrežavanja
Lekcija 3: Otvoreni sadržaji na webu
  1. Izdvojiti nestruktuirani format podataka:
Pdf
JSON
Xlsx
Csv
  1. Koja od navedenih licenci za publikovanje otvorenih podataka je sa najopštijim pravima (podaci mogu da se koriste, menjaju i distribuiraju bez ikakvih ograničenja):
Open Database Licence
Creative Commons
Public Domain Dedication Licence
Atributtion Licence
  1. Otvoreni podatak i sadržaj može svako slobodno da:
Koristi, menja i deli samo u nekomercijalne svrhe
Koristi i delu u bilo koju svrhu
Koristi, menja i deli u bilo koju svrhu
Koristi, menja i deli ali samo u edukativne svrhe
  1. Ako resurs na web-u ima tri zvezdice, po 5 star open data to znači da:
Koristi ne-vlasničke formate
Je samo dostupan na web-u (u bilo kom formatu), pod otvorenom licencom
Samo koristi URI za označavanje stvari, tako da može da se ukaže na njega
Je samo dostupan kao struktuirani podatak
  1. Common Crawl je:
Format otvorenih podataka
Tip licence za publikovanje otvorenih podataka
Neprofitna organizacija koja se zalaže za to da baze sa indeksima weba budu otvorene (open data)
Baza znanja dostupna za direktno preuzimanje
  1. RDF-a je:
Vokabular za opis podataka
Primer specifikacije koja se koristi za umetanje podataka u web stranice
Primer personalnog asistenta
Alat za uvid u podatke umetnute u web stranice
  1. Web servisi pomoću kojih se pristupa podacima koji se nalaze u udaljenim bazama podataka su:
CSV
Microdata
JSON
RESTfull
  1. DBPEDIA predstavlja:
Struktuirane podatke ekstrahovane iz Wikipedije
Templejt za generisanje HTML koda sa umetnutim podacima
Alat za ekstrakciju podataka iz web stranica
Otvorenu, globalnu geografsku bazu znanja
  1. Pojam kojim se označava odsustvo autorskih i srodnih ograničenja bilo nepostojanjem ili odricanjem svih takvih uslova je:
Otvorena licenca
Javno vlasništvo
Otvoreno delo
Otvoreni podatak
  1. Koja od navedenih licenci za publikovanje otvorenih podataka dozvoljava distribuciju preuzetih podataka ali pod istim uslovima pod kojima su preuzeti:
Open Database Licence
Creative Commons
Public Domain Dedication Licence
Atributtion Licence
  1. Creative Commons je:
Semantika sadržaja
Sistem licenci koji omogućuje autorima da sadržaje koje kreiraju otvoreno publikuju na web-u, ali da ipak zadrže određeni stepen kontrole nad tim sadržajima
Definisanje načina prikaza informacija, postavljanje linkova ka srodnim sadržajima
Aplikacije razvijene za korišćenje otvorenih podataka
  1. JSON je:
Microdata
Format koji se koristi za prenos struktuiranih podataka između servera i web aplikacija
Format koji se koristi za prenos nestruktuiranih podataka između servera i web aplikacije
RESTfull
  1. Koja od navedenih licenci za publikovanje otvorenih podataka dozvoljava da se podaci preuzimaju, menjaju i distribuiraju ali uz obavezu da se naglasi izvor tih podataka:
Open Database Licence
Creative Commons
Public Domain Dedication Licence
Atributtion Licence
  1. RDF je:
Primer podataka umetnutih u web stranice
Alat za preuzimanje podataka sa web-a
Nestruktuirani format podataka
Podaci u bazama podataka i bazama znanja dostupni za direktno preuzimanje
  1. Koji je format otvorenih podataka najmanje pogodan za dalju obradu:
csv
json
xml
pdf
  1. Microdata, RDF-a i microformats su:
Formati podataka koji se direktno umeću u html kod internet stranice
Formati nestruktuiranih podataka
Formati podataka u otvorenim bazama podataka
Formati otvorenih podataka slični xlsx (Excel) formatu
  1. Ako podatak na web-u po 5 star open data ima tri zvezdice, to znači:
Da je nestruktuiran i u vlasničkom formatu
Da je struktuiran ali u vlasničkom formatu
Da je nestruktuiran ali otvoren
Da je struktuiran i u nevlasničkom formatu
  1. Šta je „data-driven“ aplikacija?
To je aplikacija koja se u potpunosti bazira na podacima i pristupu podacima
To je aplikacija koja umeće podatke u web stranice
To je aplikacija koja „čisti“ podatke
To je aplikacija koja služi kao personalni asistent
  1. Globalna neprofitna organizacija koja ima za cilj da ukaže na značaj otvaranja podataka se naziva:
Common Crawl
Open Data Charter
OpenGlam
Open Knowledge International
  1. Termin otvoreni podatak se odnosi na:
Isključivo na struktuirane otvorene sadržaje
Na sve oblike otvorenih sadržaja
Samo na nestruktuirane otvorene sadržaje
Samo na one koji su zaštićeni otvorenom licencom
  1. Inicijativa koju vodi Open Knowledge Foundation i koja promoviše otvoreni i besplatni pristup digitalnom kulturnom nasleđu koje se nalazi u galerijama, bibliotekama, arhivima i muzejima je:
Music brainz
Open GLAM Europeana
Wikipedia
Open street map
  1. Umetanje podataka koji nisu vidljivi korisnicima (ljudima) u web stranice:
Definiše se samo stil prikaza informacija
Semantika sadržaja postaje dostupna i programima
Sprečava se preuzimanje sadržaja sa web-a
Sprečava se da te podatke koriste sistemi preporuka
  1. Ako podatak na web-u po 5 star open data ima dve zvezdice, to znači:
Da je nestruktuiran i u vlasničkom formatu
Da je struktuiran ali u vlasničkom formatu
Da je nestruktuiran ali otvoren
Da je struktuiran i u nevlasničkom formatu
  1. Format csv po Five stars Open Data Engagement ima:
Dve zvezdice
Tri zvezdice
Jednu zvezdicu
Četiri zvezdice
  1. Html specifikacija koja se koristi za direktno umetanje podataka u kod je:
RDF-a
JSON
Microformats
Microdata
  1. Na prikazanoj slici, u centru se nalazi:
DBpedia
Common Crawl
Tag cloud
Wikipedia
Lekcija 4: Otvoreni podaci umetnuti u web stranicu
  1. Open Graph protokol je definisao:
Facebook
Microsoft
W3C
Google
  1. Alati koji se koriste za analizu niza znakova radi utvrđivanja gramatičke strukture nazivaju se:
Open Graph Protocol i Google Knowledge Graph
Mikroformati
Parseri
Destileri
  1. Šta je tačno?
Shema.org je prevaziđen i nije opšte prihvaćen vokabular za opis entiteta na web-u
Shema.org predstavlja format za umetanje podataka
Shema.org vokabular ne može lako da se proširi
Shema.org omogućava da se napravi mreža stranica i podataka na web-u
  1. Struktuirani format podataka na web-u koji je osmišljen kao proširenje html koda na nivou atributa je:
Microdata
RDF-a (Resource Description Framework In Attributes)
JSON (JavaScript Object Notation)
Mikroformati (Microformats)
  1. Struktuirani format podataka na web-u koji podržava Google je:
Mikroformati (microformats)
RDF-a (Resource Description Framework In Attributes)
JSON (JavaScript Object Notation)
Microdata
  1. Snippet je:
Mali segment teksta koji pretraživač daje u listi rezultata
Alata za ekstrahovanje podataka
Sistem za vrednovanje podataka na web-u
Format podataka koji se umeću u web stranice
  1. WHATWG je skraćenica od:
Web Host Applications Technology World Group
Web Hypertext Application Technology Working Group
Web Hypertext Advanced Technology World Group
Web High Applicable Technology Working Group
  1. Šta je tačno?
Mikroformati (microformats) su opšte prihvaćeni
Google koristi mikroformate
Shema.org preporučuje mikroformate
Mikroformati (microformats) nisu opšte zaživeli
  1. „Web za sve“ je:
Princip kojim se propagira pristup internetu sa različitih uređaja
Princip kojim se propagira distribucija podataka na internetu bez bilo kakvih ograničenja
Propagira važnost struktuiranja podataka na web-u
Princip kojim se propagira slobodna upotreba interneta
  1. „Web za sve“ i „Web na svemu“ su principi koje propagira:
WHATWG
IMDb
Microsoft
W3C
  1. Definisani segmenti HTML koda koji predstavljaju šablone za opis entiteta na webu se nazivaju:
Microdata
Mikroformati (microformats)
RDF-a
JSON
  1. WHATWG je:
Organizacija koja se bavi standardima i tehnologijama na internetu
Format umetnutih podataka
Alat za umetanje podataka na web-u
Alata za ekstrakciju podataka na web-u
  1. Faceted Search je:
Sistem za vrednovanje podataka na web-u
Tehnika koja omogućava upoređivanje sadržaja dve ili više web stranica
Alat za ekstrahovanje podataka
Tehnika koja omogućava napredniji način pretrage weba preko umetnutih podataka
  1. Meta tagovi su:
Sistem vrednovanja podataka na web-u
Tehnika naprednog pretraživanja web-a
Vokabular za opis entiteta na web-u
Umetnuti podaci koji se smeštaju u head prostor web stranice
  1. Drupal8 je:
Alat za umetanje podataka na web-u
Vokabular za opis entiteta na web-u
Alat za ekstrakciju podataka
Standard za umetanje podataka na web-u
  1. Shema.org sadrži:
Manje od 300 tipova
Između 400 i 500 tipova
Između 300 i 400 tipova
Više od 500 tipova
  1. Kolaboracijski projekat koji ima za cilj da kreira, održava i promoviše šeme za struktuirane podatke na internetu se naziva:
Shema.org
Open Graph
Dbpedia
Microformats
  1. Najveća međunarodna organizacija zadužena za izradu standarda i preporuka vezanih za internet je:
Shema.org
RDF
ERCIM
W3C
  1. Koji od navedenih alata se koristi za izvlačenje podataka umetnutih u web stranice:
Google’s Structured Data Testing Tool
Drupal8
Schema.org
Microdata
  1. Microdata je:
Facebook-ov standard
W3C standard
Google-ov standard
WHATWG standard
  1. Za izdvajanje podataka umetnutih u web stranice koriste se:
Mikroformati
Destileri
Parseri
Open Graph Protocol i Google Knowledge Graph
  1. WHATWG je formiran od ljudi:
Iz W3C kao posebna radna grupa
Koji su radili u Apple, Mozilla Foundation i Opera Software
Koji su radili u Facebook-u
Koji su radili u Google, Microsoft i Yahoo
  1. Open Graph je:
Tehnika naprednog pretraživanja web-a
Protokol za razmenu poruka na web-u
Protokol pomoću koga se opisuju sadržaji na web-u
Sistem vrednovanja podataka na web-u
  1. RDF Translator je:
Alat za umetanje podataka ne web-u
Alat za ekstrahovanje podataka
Alat za konvertovanje formata struktuiranih podataka na web-u
Alat za parsiranje podataka
  1. Struktuirani format podataka na web-u koji se bazira na tripletima (subjekat, predikat, objekat) je:
Microdata
RDF-a
Mikroformati
JSON
Lekcija 5: Big Data
  1. Svojstvo velikih podataka označeno sa Verification (verifikacija) se odnosi na:
To da je moguće da se proveri da li će se podatak sigurno generisati
Da svaki podatak mora da bude proveren sa velikom sigurnošću
To da mora da se proveri da li će se podatak sigurno generisati
Proverljivost i sigurnost podataka
  1. Svojstvo velikih podataka označeno sa Veracity (tačnost) se odnosi na to:
Da svaki podatak mora da se proveri da li je tačan
Da svaki generisani podatak mora da bude tačan
Da među generisanim podacima ima i netačnih
Da generisanje mora da bude izvesno
  1. Faza prikupljanja podataka u okviru Big Data analitike obuhvata:
Identifikaciju i prikupljanje samo struktuiranih podataka
Identifikaciju svih raspoloživih izvora podataka i prevođenje podataka u upotrebljiv format
Prikupljanje svih raspoloživih podataka u izvornom obliku
Identifikaciju i filtriranje svrsishodnih podataka
  1. Krajnji cilj Big Data analitike je:
Materijalizacija (ostvarivanje dohotka) rezultata obrade
Izgradnja prediktivnog modela i/ili sistema za podršku u odlučivanju
Izgradnja dobrog sistema preporuka
Što veća automatizacija procesa
  1. Big Data podaci obuhvataju:
Struktuirane, polustruktuirane i nestruktuirane podatke
Ništa od navedenog, Big Data se vodi kao poseban oblik podataka
Struktuirane i nestruktuirane podatke
Polustruktuirane i nestruktuirane podatke
  1. Ako se posmatra procesni model Big Data analitike, na kom nivou se razrešavaju problemi koji proizilaze iz činjenice da su podaci heterogeni i u stalnom porastu:
3
2
4
1
  1. HACE teorema opisuje sledeća svojstva Big Data:
Heterogeni i autonomni izvori, a odnosi između podataka su kompleksni i razvijaju se
Heterogeni i autonomni podaci, a izvori su kompleksni i distribuirani
Autonomni, distribuirani izvori koji produkuju heterogene podatke decentralizovane kontrole
Kompleksni i autonomni izvori koji produkuju heterogene podatke koji se razvijaju
  1. Svojstvo velikih podataka označeno sa Velocity (brzina) se:
Odnosi na veliku brzinu kojom se podaci generišu
Odnosi na to da su u pitanju podaci koje je neophodno veoma brzo analizirati
Odnosi na to da su u pitanju podaci kojima je potrebno veoma brzo pristupiti
Odnosi na to da su u pitanju podaci koji se veoma brzo menjaju
  1. U polustruktuirane podatke spadaju:
Znak i tekst
Znak i broj
XML i JSON
Zvuk i slika
  1. Vizuelizacija kao deo Big Data analitike, omogućava:
Efikasniju analizu podataka
Brže filtriranje podataka
Brže predprocesiranje podataka
Lakše razumevanje podataka
  1. Svojstvo velikih podataka označeno sa Volume (obim podataka) se odnosi na to:
Da su u pitanju podaci koji stižu sa različitih izvora
Da su u pitanju podaci koji mogu biti u različitim formatima
Da je u pitanju velika količina podataka koja ne može jednostavno da se čuva, pretražuje, prenosi, analizira i prikazuje
Da su u pitanju podaci koji mogu da se koriste za različite analize i u različitim oblastima
  1. (Big Data) podaci kada se preuzimaju sa Interneta:
Nesređeni, sa greškama, nekonzistentni i nisu u potpunosti raspoloživi
Sređeni, bez grešaka, konzistentni i u potpunosti raspoloživi
Nesređeni, konzistentni, sa greškama i ne u potpunosti raspoloživi
Sređeni i konzistentni, ali nisu u potpunosti raspoloživi
  1. Ako se posmatra procesni model Big Data analitike, na kom nivou se realizuju mehanizmi poštovanja privatnosti i zaštita podataka:
1
4
3
2
  1. Koncept Big Data sadrži skup povezanih komponenti koje se odnose na:
Tehnologiju potrebnu za projekte Big Data
Analitiku koja se primenjuje na podatke
IT infrastrukturu za podršku Big Data
Sva tri navedena
  1. Svojstvo velikih podataka označeno sa Variety (raznovrsnost) se odnosi na to da:
Su u pitanju podaci koji mogu biti u različitim formatima
Su u pitanju podaci koji stižu sa različitih izvora
Mogu biti generisani i od strane ljudi, i od strane automatskih sistema
Su u pitanju podaci koji se čuvaju na različitim medijima
  1. Ako se posmatra procesni model Big Data analitike, na kom nivou se razrešavaju problemi vezani za algoritamsko rešenje aplikacije:
2
4
3
1
  1. U struktuirane podatke spadaju:
Znak i XML
Broj i znak
Broj, JSON i XML
Broj, znak i niz znakova
  1. U nestruktuirane podatke spadaju:
XML, JSON i tekst
Slika, zvuk i tekst
Znak i tekst
XML, JSON
  1. Generalno, Big Data podaci stižu sa različitih izvora, koji su kategorisani u:
Manje od 7 grupa
Više od 10 grupa
Tačno u 5 grupa
U više od 5 grupa
  1. Predprocesiranje podataka u okviru Big Data analitike obuhvata:
Prevođenje u upotrebljiv format
Prikupljanje i prevođenje u upotrebljiv format
Filtriranje i ispravljanje grešaka
Filtriranje i prevođenje u upotrebljiv format
  1. Najpoznatiji otvoreni alat za čuvanje i obradu Big Data je:
Apache HBase
Google Bigtable
Apache Hadoop
Microsoft Azure
  1. Analiza podataka u Big Data analitici se vrši:
Paralelno sa predprocesiranje
Posle predprocesiranja
Nezavisno od predprocesiranja
Pre predprocesiranja
Lekcija 6: Analiza društvenih mreža
  1. Da bi se odredilli ključni akteri u mreži:
Potrebno je posmatrati sve 4 mere centralnosti
Prvo je potrebno odrediti koja je mera cenralnosti najbitnija za datu mrežu
Treba posmatrati samo meru sopstvene centralnosti (eigenvector)
Dovoljno je da se posmataju bilo koje 3 od 4 mere centralnosti
  1. Ukoliko grafu društvene mreže želi da se doda i podatak o broju razmenjenih poruka između 2 čvora u nekom vremenskom periodu, onda se on dodaje preko:
Težine ivice
Izlaznog stepena čvora
Zbira ulaznog i izlaznog stepena čvora
Reciprociteta
  1. Most je (u analizi društvenih mreža grafovima):
Čvor koji ima najveću sopstvenu centralnost
Čvor koji povezuje 2 klastera
Veza koja povezuje 2 klastera
Čvor koji ima najveći betweenness centrality
  1. U usmerenoj mreži od n čvorova broj mogućih ivica je:
n*(n-1)
n*(n-1)/2
2 n*(n-1)/2
2*n*(n-1)
  1. Dijametar mreže je:
Najduža moguća putanja između bilo koja 2 čvora u mreži a u kojoj se čvorovi ne ponavljaju
Najduža najkraća putanja između bilo koja 2 čvora u mreži
Ukupan broj veza u datoj mreži
Broj klastera u datoj mreži
  1. Broker je (u analizi društvenih mreža-grafovima):
Čvor koji ima najveću sopstvenu centralnost
Čvor koji ima najveći betweenness centrality
Čvor koji povezuje dva klastera
Veza koja povezuje dva klastera
  1. Prosečna dužina najkraćih putanja između svaka dva čvora u mreži je metrika koja se koristi kada se:
U mreži dužine najkraćih putanja znatno razlikuju
U mreži dužina najkraćih putanja približno ista
Određuje dijametar mreže
Određuje gustina mreže
  1. Tranzitivnost zajedno sa homofilijom dovodi do:
Pucanja ključnih veza u mreži
Stvaranja gustih mreža
Stvaranja strukturnih rupa
Stvaranja klikova
  1. Putanja je:
Sekvenca čvorova koja povezuje čvorove A i B, a u kojoj se čvorovi ne ponavljaju
Broj drugih čvorova sa kojima je dati čvor povezan
Broj ivica koje uviru u dati čvor
Broj ivica koje prolaze iz datog čvora
  1. Kako bi glasila interpretacija sopstvene centralnosti (eigenvector centrality) u kontekstu društvenih mreža:
Koliko je verovatno da je data osoba posrednik između neke druge dve osobe iz date mreže
U kojoj meri je data osoba povezana sa uticajnim, odnosno dobro povezanim članovima mreže
Koliko drugih ljudi može datu osobu direktno da kontaktira
Koliko brzo data osoba može da dopre do bilo koje druge osobe u mreži
  1. Klikovi su:
Slabo povezane mreže
Slabo povezani klasteri
Potpuno povezani klasteri
Trijade
  1. Kako bi glasila interpretacija betweenness centrality (broj čvorova između kojih se čvor nalazi) u kontekstu društvenih mreža:
Koliko je verovatno da je data osoba posrednik između neke druge dve osobe iz date mreže
U kojoj meri je data osoba povezana sa uticajnim, odnosno dobro povezanim članovima mreže
Koliko drugih ljudi može datu osobu direktno da kontaktira
Koliko brzo data osoba može da dopre do bilo koje druge osobe u mreži
  1. Blizina čvora(closeness centrality) označava:
Blizinu posmatranog čvora centralnoj poziciji
Koliko čvorova je direktno povezano sa posmatranim čvorom
Koliko je posmatrani čvor povezan sa ostalim čvorovima koji su uticajni
Broj čvorova između koji se posmatrani čvor nalazi
  1. Ako postoji bar jedna putanja između bilo koja dva čvora mreže, onda je ta mreža:
Gusta
Zatvorena
Povezana
Tranzitivna
  1. Gustina mreže se definiše kao količnik:
Broj stvarnih veza u mreži / ukupan broj mogućih veza u mreži
Broj čvorova u mreži / ukupan broj mogućih veza u mreži
Broj stvarnih veza u mreži / ukupan broj čvorova u mreži
Broj čvorova u mreži / ukupan broj stvarnih veza u mreži
  1. Betweenness centrality označava:
Blizinu posmatranog čvora centralnoj poziciji
Koliko čvorova je direktno povezano sa posmatranim čvorom
Broj čvorova između kojih se posmatrani čvor nalazi
Koliko je posmatrani čvor povezan sa ostalim čvorovima koji su uticajni
  1. Fenomen malog sveta je teza koja kaže da:
Se do svake osobe može doći preko lanca društvenih poznanstava dužine 6
Se do svake osobe može doći preko kratkog lanca društvenih poznanstava
Da se do svake osobe može doći preko neke društvene mreže
Je svaka društvena mreža gusta
  1. Kako bi glasila interpretacija blizine čvora (closeness centrality) u kontekstu društvenih mreža:
Koliko je verovatno da je data osoba posrednik između neke druge dve osobe iz date mreže
U kojoj meri je data osoba povezana sa uticajnim, odnosno dobro povezanim članovima mreže
Koliko drugih ljudi može datu osobu direktno da kontaktira
Koliko brzo data osoba može da dopre do bilo koje druge osobe u mreži
  1. Simelijeve veze:
Su veze koje su slabe
Opisuju međusobne veze između tri čvora
Su tranzitivne veze
Su veze koje su jake
  1. Izlazni stepen čvora (outdegree) je:
Predstavlja broj izlaznih veza za posmatrani čvor
Sabran sa ulaznim stepenom čini ukupan stepen čvora
Je uvek veći od ulaznog stepena čvora
Uvek manji ili jednak ulaznom stepenu čvora
  1. Kada dva odvojena klastera poseduju neredudantne informacije onda nastaju: klikovi
Strukturne rupe
Mostovi
Brokeri
  1. Ukoliko je prosečan stepen realne (online) društvene mreže onda, za nasumično izabrani čvor, očekivani stepen:
Je manji od n
Je jednak n
Je veći od n
Ne zavisi od stepena mreže
  1. Kako bi glasila interpretacija stepena čvora (degree centrality) u kontekstu društvenih mreža:
Koliko je verovatno da je data osoba posrednik između neke druge dve osobe iz date mreže
U kojoj meri je data osoba povezana sa uticajnim, odnosno dobro povezanim članovima mreže
Koliko drugih ljudi može datu osobu direktno da kontaktira
Koliko brzo data osoba može da dopre do bilo koje druge osobe u mreži
  1. Rastojanje između dva čvora je:
Dužina najkraće putanje između posmatrana dva čvora ali koja prolazi kroz prethodno određeni centralni čvor
Dužina najkraće putanje između posmatrana dva čvora
Prosečna dužina svih putanja između posmatrana dva čvora
Dužina najduže putanje između posmatrana dva čvora a u kojoj se čvorovi ne ponavljaju
  1. Tendencija čvorova da se spajaju sa čvorovima sličnih karakteristika naziva se:
Homofilija
Tranzitivnost
Reciprocitet
Simelijeve veze
  1. Koja je tvrdnja tačna:
Čvorovi grafa predstavljaju relacije koje važe u društvenoj mreži
Ivice društvenog grafa su čvorovi koji su slabo povezani
Ne može svakom grafu da se pridruži matrica sesedstva
Čvorovi grafa predstavljaju entitete između kojih posmatramo veze
  1. Grafove realnih (online) društvenih mreža karakteriše:
Postojanje malog broja velikih slabo povezanih grupa
Postojanje velikog broja malih slabo povezanih grupa
Postojanje malog broja velikih jako povezanih grupa
Postojanje velikog broja malih dobro povezanih grupa
  1. Stepen čvora (degree centrality) označava:
Koliko je posmatrani čvor povezan sa ostalim čvorovima koji su uticajni
Broj čvorova između kojih se posmatrani čvor nalazi
Blizinu posmatranog čvora centralnoj poziciji
Koliko čvorova je direktno povezano sa posmatranim čvorom
  1. Šta je na slici označeno znakom pitanja (?)?
Čvor
Ivica
Graf
Stepen čvora
  1. Na slici se nalazi:
Lista ivica grafa
Matrica susedstva
Graf
Stepen čvora
  1. Metrika mreže broj veza po čvoru (links per node) se definiše kao količnik:
Broj čvorova u mreži / ukupan broj mogućih veza u mreži
Broj stvarnih veza u mreži / ukupan broj čvorova u mreži
Broj čvorova u mreži / ukupan broj stvarnih veza u mreži
Broj stvarnih veza u mreži / ukupan broj mogućih veza u mreži
  1. Proces rasta mreže u kome velika većina novih čvorova pristupa mreži kroz uspostavljanje konekcije sa čvorovima koji već imaju visok stepen, opisuje:
Betweenness centrality
Fenomen malog sveta
Sopstvena centralnost
Preferential attachment
  1. U neusmerenoj mreži od n čvorova broj mogućih ivica je:
n*(n-1)
n*(n-1)/2
2 n*(n-1)/2
2*n*(n-1)
  1. Veličina mreže se odnosi na:
Odnos broja čvorova i broja veza
Broj veza u mreži
Dijametar mreže
Broj čvorova u mreži
  1. U datom primeru na slici, ukoliko se posmatra stepen čvora (degree centrality):
Čvor 10 je ključni
Čvor 3 je ključni
Čvorovi 3 i 5 su ključni
Čvor 5 je ključni
  1. Na slici se nalazi:
Lista ivica grafa
Graf
Stepen čvora
Matrica susedstva
submitted by CleverTacticButFail to DrustvenemrezeViser [link] [comments]


CSS - Float pravilo - prvi primer МЕДВЕДЬ В ДЕЛЕ! Медведь против льва, тигра, волка... - YouTube Saab - YouTube Data protection (Zaštita podataka o ličnosti) HOW TO GET FREE ROBUX! - YouTube A Secret Code in Credit Card Numbers - YouTube Kako reinstalirati Windows 10 bez CD ili USB-a SAJT ZA SKIDANJE I AUTOMATSKO INSTALIRANJE PROGRAMA - YouTube

Sajtovi.info - Site Rank Data - Website Ranking Stats

  1. CSS - Float pravilo - prvi primer
  2. МЕДВЕДЬ В ДЕЛЕ! Медведь против льва, тигра, волка... - YouTube
  3. Saab - YouTube
  4. Data protection (Zaštita podataka o ličnosti)
  5. HOW TO GET FREE ROBUX! - YouTube
  6. A Secret Code in Credit Card Numbers - YouTube
  7. Kako reinstalirati Windows 10 bez CD ili USB-a
  8. SAJT ZA SKIDANJE I AUTOMATSKO INSTALIRANJE PROGRAMA - YouTube
  9. Swecycling - YouTube
  10. Kako instalirati sve potrebne programe za samo 20s ...

U ovom tutorijalu cu vam pokazati kako da za kratko vreme dodjete do svih najnovijih verzija vasih omiljenih programa za rad na racunaru u samo nekoliko jedn... There's a hidden mathematical pattern in your credit card (also works for debit cards or ATM cards). In this video I will teach you a mathematical magic tric... Watch The Steps Carefully. Get Free Robux Here 👉 https://robuxzone.wordpress.com Problemi u građenju izgleda korišćenjem float pravila i njihovo rešavanje, kroz mini serijal od 3 primera. Медведь - один из самых сильных хищников. К тому же медведи очень храбрые и могут нападать на зверей ... Svaki put kada odemo u banku, ulogujemo se na neku društvenu mrežu ili kupujemo robu i usluge onlajn, mi izlažemo svoje vitalne lične podatke ljudima koje ne poznajemo. Šta se dalje dešava ... * Software trikovi, saveti, resavanje problema * 'Kako da' tutorijali * Korisni sajtovi * Zastita racunara, uklanjanje virusa * Optimizacija Windows-a i resavanje gresaka u sistemu * Online zarada. Welcome to the official Saab YouTube Channel. Saab is a global defence and security company with world-leading products, services and solutions for air, land... tutrijal br.3 www.ninite.com je sajt koji sluzi za down i auto instal programa svih kategorija sajt je 100% bezbedan .. Svensk Cykel - Idrotten som tar dig längre Svenska Cykelförbundet är ett av landets äldsta specialidrottsförbund, äldre än Riksidrottsförbundet, och bildades...