É comum o armazenamento maior de dados para OLAP, em relação a OLTP (on-line transaction processing), com a finalidade de se manter histórico para análise.

Denomina-se de análise dimensional o processo de análise mediante o qual dados originários são selecionados das bases operacionais e modelados no ambiente de datamining, de acordo com as perspectivas ou visões elegidas para a realização.

Na modelagem multidimensional, a tabela de fatos deve ser normalizada até a terceira forma normal (3FN), a fim de otimizar o armazenamento e permitir que as consultas sejam respondidas rapidamente.

Algumas das principais técnicas utilizadas para a realização de Datamining são: estatística, aprendizado de máquina, datawarehouse e recuperação de informações.

Nos métodos de particionamento para k-clusterização e k-medoids, o elemento que melhor representa o cluster é definido de acordo com seus atributos, sem que haja muita influência dos valores próximos aos limites do cluster.

Datawarehouse pode ser definida como uma coleção integrada de bases de dados orientadas ao assunto e projetada para prover informações visando a tomada de decisão em organizações.

Julgue os itens seguintes, referentes a computação em GRID, computação em cluster, computação em nuvem e especificação de metadados e web services.

Os serviços embasados em colheita automática de metadado (harvesting) são assíncronos e menos sofisticados que os providos pelas federações, sendo a sobrecarga sobre os participantes consideravelmente menor.

Os datamarts são criados a partir de sistemas transacionais, buscando informações relevantes para o público que irá utilizá-lo.

Em algoritmos de clusterização hierárquica, os clusters são formados gradativamente por meio de aglomerações ou divisões de elementos, gerando uma hierarquia de clusters.

Em tarefas preditivas, o atributo a ser predito é conhecido como variável independente, enquanto que os atributos usados para fazer a predição são conhecidos como alvo.