Wybrane problemy zarządzania wiedzą

Wielkość: px
Rozpocząć pokaz od strony:

Download "Wybrane problemy zarządzania wiedzą"

Transkrypt

1 Zakład Zaawansowanych Technik Informacyjnych (Z-6) Wybrane problemy zarządzania wiedzą Zadanie nr 1 Praktyczne aspekty zarządzania wiedzą Praca nr Warszawa, grudzień 2007

2 Wybrane problemy zarządzania wiedzą Zadanie nr 1: Praktyczne aspekty zarządzania wiedzą Praca nr Słowa kluczowe: kreowanie wiedzy, środowiska wspomagające kreatywność, analiza dokumentów niestrukturalnych, narzędzia, klasteryzacja, ontologie Kierownik pracy: prof. dr hab. inż. Andrzej Wierzbicki Wykonawcy pracy: prof. dr hab. inż. Andrzej Wierzbicki, mgr Edward Klimasara Kierownik Zakładu: dr inż. Janusz Granat Copyright by Instytut Łączności, Warszawa

3 SPIS TREŚCI Wprowadzenie... 4 Część I: Przykład analizy ontologicznej Wstęp Analiza tekstu Podstawy matematyczne Narzędzia TextSTAT SAS Text Miner Oracle Text e: IAS Neurosoft Gram Lucene OntoGen TextGarden Porównanie narzędzi Badania tekstów w IŁ Wyniki TextSTAT SAS Text Miner Lucene OntoGen TextGarden Podsumowanie i wnioski końcowe Słownik podstawowych pojęć Bibliografia Załącznik Część II: Zagadnienia kreowania wiedzy i środowiska wspomagające kreatywność Publikacje Profesora Andrzeja Pawła Wierzbickiego

4 Wprowadzenie Niniejsza praca statutowa obejmuje praktyczny przykład analizy ontologicznej prac Instytutu Łączności (część I) oraz szereg publikacji dotyczących zagadnień kreowania wiedzy i środowisk wspierających kreatywność (część II). W części I przedstawiono wyniki obliczeń wykonanych narzędziami informatycznymi służącymi do analizy dokumentów. Przetestowano różne ich klasy, od najprostszych po zaawansowane. Badania statystyczne przeprowadzono na zbiorze 384 artykułów opublikowanych w latach w Journal of Telecommunications and Information Technology. Odnalezione korelacje pomiędzy dokumentami i pojęciami umożliwiają ich automatyczne grupowanie i budowę ontologii. W części II głównym rezultatem była książka, współredagowana z Yoshiteru Nakamori (pozycja A.1 w poniższym spisie publikacji), podsumowująca kilkuletnie prace i współpracę międzynarodową w tym zakresie (finansowaną zresztą przez stronę japońską, co powinno być uwzględnione w ocenie punktowej za udział w programie międzynarodowym finansowanym ze źródeł zagranicznych). Ponadto publikacje w tym roku obejmują: 3 rozdziały w książkach, 3 artykuły w czasopismach międzynarodowych, 11 referatów na konferencjach międzynarodowych. Tematyka tych rozdziałów, artykułów i referatów jest rozległa, obejmuje teorię negocjacji (pozycja B.1), teorię systemów i modelowania (pozycje B.2, C.1), metody konstrukcji ontologii (pozycje C.4, D.3, D.7), wspomagania decyzji (pozycja D.1) wszystko jednak w aspekcie teorii kreacji wiedzy, a także szereg pozycji (C.2, C.3, D.2, D.4, D.5, D.6, D.8) bezpośrednio dotyczących kreacji wiedzy. 4

5 Część I: Przykład analizy ontologicznej 5

6 1 Wstęp Problematyka analizy tekstów, dokumentów od dłuższego czasu w firmach i organizacjach nabiera coraz większego znaczenia. Ponadto jest ona przedmiotem zainteresowania różnych ośrodków naukowych na całym świecie [16],[17],[18],[19]. Powyższe działania podyktowane są potrzebą inteligentnego klasyfikowania i wyszukiwania informacji. Istotnym elementem tego procesu jest budowa stosownych ontologii dziedzinowych. Na ogół dokumenty są przechowywane jako niestrukturalne pliki. Zatem wymagana jest obróbka takiego tekstu poprzez wyeliminowanie słów nieistotnych, sprawdzenie innych do formy podstawowej zgodnie z gramatyką danego języka, ekstrakcja słów kluczowych, obliczanie podobieństw pomiędzy dokumentami. Do osiągnięcia powyższego celu są stosowane technik text mining umożliwiające klasteryzację (grupowanie) dokumentów podobnych. Koniecznym warunkiem przeprowadzenia powyższych prac jest przechowywanie dokumentów w postaci elektronicznej. Własne prace dotyczące analizy takich plików przeprowadzono w Instytucie Łączności (IŁ). W IŁ w sposób elektroniczny przechowywane są informacje o: 1. pracach statutowych, 2. artykułach zamieszczanych w czasopiśmie polskojęzycznym Telekomunikacja i Techniki Informacyjne, 3. artykułach publikowanych w czasopiśmie Journal of Telecommunications and Information Technology (JTIT), 4. artykułach polskojęzycznych zamieszczanych w Biuletynie Informacyjnym IŁ, 5. książkach wydawanych przez IŁ, 6. opracowaniach zrealizowanych w ramach Programu Wieloletniego. Add 1. Baza zawiera 4603 informacje o publikacjach. Słowa kluczowe są podane dla 510 rekordów (publikacji) oraz dostępne są tylko 292 pliki źródłowe publikacji w formacie PDF (objętość 410 MB) obejmujące prace statutowe zrealizowane w IŁ. Brak jest w wielu przypadkach opisów publikacji (opisy występują dla 717 rekordów). Add2. Kwartalnik Telekomunikacja i Techniki Informacyjne zawiera 112 artykułów (objętość 104 MB). Add3. Journal of Telecommunications and Information Technology zawiera 384 artykuły (objętość 369 MB). Add4. W roku 2006 zaczęto wydawać Biuletyn Informacyjny. Do dziś zostały opublikowane 4 artykuły w 2006 roku i 4 artykuły w 2007 roku. Add5. Ponadto Instytut wydaje książki. Ukazała się do tej pory dwie książki dr Wierzbołowskiego. Add6. Baza zawiera 126 opracowań. Ponadto pracownicy IŁ są autorami publikacji w różnych zewnętrznych wydawnictwach zarówno krajowych jak i zagranicznych. Poniżej, w tabelach, przedstawiono dokładne zestawienia statystyczne dotyczące publikacji w IŁ: 6

7 Tabl. 1. Wydane książki ROK ILOŚĆ ROZDZIAŁY ang. + 1 pol. 18 ang. + 11pol ang. + 2 pol. 1 ang pol ang. + 0 pol. 4 ang pol ang. + 2 pol. 4 ang. + 5 pol ang. + 0 pol. 1 ang. + 1 pol ang. + 1pol. 4 ang. + 0 pol ang pol. 6 ang. + 1 pol ang. + 2 pol. 3 ang. + 1 pol ang. + 0 pol. 5 ang. + 0 pol ang. + 0 pol. 4 ang. + 1 pol ang. + 1 pol. 2 ang. + 0 pol. Tabl. 2. Artykuły ROK ILOŚĆ ang + 43 pol ang pol ang pol ang pol ang pol ang pol ang pol ang pol ang pol ang pol ang pol. Tabl. 3. Referaty ROK ILOŚĆ ang. + 29pol ang pol ang pol ang pol ang pol ang pol ang pol ang pol ang pol ang pol ang pol. Tabl. 4. Prace doktorskie ROK ILOŚĆ

8 Tabl. 5. Opracowania wykonane w ramach Programu Wieloletniego ROK ILOŚĆ Należy zwrócić uwagę, że informacja odnośnie publikacji za rok 2007 jest niepełna, ponieważ dokładna ich ilość będzie znana dopiero na początku 2008 roku po podsumowaniu działalności Instytutu rok poprzedni. Nadmienić jednak trzeba, że proces publikowania prac przez pracowników IŁ realizowany jest sukcesywnie przez cały rok. W IŁ szczegółowej analizie poddano część powyższego zbioru a mianowicie artykuły opracowane w języku angielskim i opublikowane w czasopiśmie Journal of Telecommunications and Information Technology. Wyniki tych prac zostaną przedstawione w dalszej części opracowania. 2 Analiza tekstu Analiza dokumentów kojarzona jest na ogół z NLP (ang. Natural Language Processing). Koncentruje się ona na pojedynczym dokumencie. Natomiast oddolna budowa ontologii z danego obszaru tematycznego wymaga działań szerszych, analizy dużych wolumenów dokumentów (korpusu) na podstawie, których będzie ona tworzona. Do tego celu można zastosować technikę wykorzystywaną przy analizie danych strukturalnych DM (ang. Data Mining). Często określa się TM (ang. Text Mining) jako DM dla dokumentów niestrukturalnych (Rys. 1), w których szuka wzorców i szablonów. 8

9 Dane strukturalne Data Mining Dane niestrukturalne Text Mining OLAP OLTP Backgroud Knowledge Wyszukiwanie słów kluczowych -klasteryzacja -klasyfikacja -NLP -ontologie -wyszukiwanie Rys. 1. Zestawienie technik do analizy danych strukturalnych i niestrukturalnych Automatyczne przetwarzanie dokumentów języka naturalnego obejmuje następujące zasadnicze fazy: podział tekstu wejściowego na zdania, tokeny, słowa, odrzucenie słów (tagów) nieistotnych (z tzw. stop-listy), tematyzacja tzn. wybór słów istotnych i sprowadzenie ich do postaci podstawowej (stemmer). Są stosowane dwie metody: reguły gramatyki w algorytmie lub słowniki, automatyczne generowanie słów kluczowych, klasteryzacja dokumentów, ontologie, tezaurusy itp. Z kolei sam proces analizy tekstu przebiega wg schematu przedstawionego na Rys. 2. 9

10 ,, Dokumenty wejściowe Analiza flexalna i gramatyczna Stop-lista Stemmer Dokumenty przetworzone Rys. 2. Fazy analizy dokumentów Tokeny dzielą tekst na bardzo proste elementy takie jak: liczby, punktacja, słowa. Powyższy proces zależny jest od języka, w jakim dany tekst został zbudowany i jakiego obszaru tematycznego dotyczy. Łatwiejszy jest dla języka angielskiego czy też niemieckiego a o wiele trudniejsza dla języka polskiego, ponieważ gramatyka zdań jest w tym przypadku bardziej złożona i wymaga skomplikowanej analizy. Należy zwrócić uwagę, że tekst tekstowi nie równy. Inny jest tekst literacki, z publicznie dostępnych gazet czy też naukowy często zawierający obok terminów naukowych rysunki wykresy, wzory matematyczne czy chemiczne, litery alfabetu greckiego. Jak na razie nie ma idealnego programu, który by potrafił bezbłędnie przetworzyć każdy dokument. Co prawda są dostępne narzędzia zarówno komercyjnych jak i bezpłatne umożliwiające analizy tekstów ale ich jakość jest różna. Od bardzo prostych po bardziej zaawansowane. Wiele z nich dostosowana jest do języków zachodnich niektóre z nich potrafią analizować nawet teksty chińskie czy też japońskie. Gorzej jest z językiem polskim ze względu na mały rynek dla takiego produktu. Aczkolwiek są już dostępne pewne rozwiązania, które zostaną przedstawione w dalszych rozdziałach opracowania. Osobne zagadnienie to wymagany format wejściowy danych do systemu analizującego dokumenty. Na ogół jest to.txt, html, rzadziej.doc czy.pdf. W przypadku innych formatów niż.txt systemy mają wbudowane własne konwertery do wymaganego formatu. A zatem często trzeba dokonać konwersji dokumentu np. z formatu.pdf do.txt. Jednak w przypadku dokumentów naukowych zawierających wzory matematyczne, chemiczne, specyficzne litery z różnych języków otrzymuje się postać wynikową mocno zniekształconą i bardzo odbiegającą od oryginału. 10

11 Do analizy dokumentów stosuje się dedykowane narzędzia informatyczne. Można je podzielić na: proste - umożliwiające uzyskanie podstawowych statystyk w dokumentach takich jak częstość występowania, współwystępowania słów) (np.textstat), silniki indeksowania i wyszukiwania informacji (np. Lucene, Windows Desktop Search, Google, Yahoo), zaawansowane - pozwalające na złożoną analizę tekstów, z wykorzystaniem technik klasteryzacji, wizualizacją wyników i możliwością budowania ontologii (np. SAS Text Miner, Oracle Text, OntoGen Text Garden). Wynikiem analizy fleksalnej i gramatycznej dokumentu jest zbiór słów. Tylko część z nich jest istotna dla treści. Słowa, której najczęściej występują w większości dokumentów powinny zostać pominięte, ponieważ są to zaimki, przyimki i spójniki. Następny etap stemming usuwa przyrostki i przedrostki oraz sprowadza słowa do formy podstawowej w oparciu o algorytmy rozpoznające reguły gramatyczne lub też poprzez odwołanie się do stosownych słowników. Przykładem słownika dla języka angielskiego może być WordNet. Natomiast prace nad stworzeniem polskiego WordNetu są prowadzone przez zespół kierowany przez Politechnikę Wrocławską. Więcej informacji na ten temat jest dostępnych pod adresem [7]. Dokumenty są przedstawiane jako zbiory słów (ang. bag of words) z wyliczeniem jak często każde z nich występuje w każdym dokumencie (ang. term-by-document frequency). 3 Podstawy matematyczne Przeszukiwanie danych niestrukturalnych (wyszukiwanie pełnotekstowe) oparte jest na modelu przestrzeni wielowymiarowej. Tworzą ją wszystkie słowa zawarte w obrabianych dokumentach. Dokument można interpretować jako wektor składający się z n słów, gdzie każda współrzędna określa częstość wystąpień danego słowa w analizowanym dokumencie. Podobieństwo dokumentów można mierzyć za pomocą cosinusa kąta pomiędzy wektorami je opisującymi. aikail i S (k,l)= 2 aik i i a 2 il (1) Gdzie k, l wektory opisujące dokumenty. Podstawą analizy zbioru dokumentów jest macierz term-by-document frequency. Najlepiej wytłumaczyć jej utworzenie i zastosowanie na podstawie przykładu [14]. Jeśli mamy następujące dokumenty: D 1 -- deposit the cash and check in the bank, D 2 -- the river boat is on the bank, D 3 -- borrow based on credit, D 4 -- river boat floats up the river, D 5 -- boat is by the dock near the bank, D 6 -- with credit, I can borrow cash from the bank, 11

12 D 7 -- boat floats by dock near the river bank, D 8 -- check the parade route to see the floats, D 9 -- along the parade route. to macierz term-by-document frequency A = aij jest następująca: Tabl. 6. Macierz term-by-document frequency [14] D1 D2 D3 D4 D5 D6 D7 D8 D9 the cash check bank river boat be on borrow credit float by dock near parade route parade route Ważność słów można zwiększać lub zmniejszać stosując współczynniki zwane wagami. Otrzymujemy wówczas macierz ważonej częstotliwości. Są zastosowane następujące wagi: Frequency Weight (dotyczy występowania samego wyrażenia), Term Weight (dotyczy liczby wystąpień danego wyrażenia w całej kolekcji zbiorze dokumentów). Frequency Weight precyzuje metodę określania częstości występowania określonych zwrotów w dokumencie. Można tutaj wymienić następujące metody: Binary ma wartość W ij = 1, gdy dane słowo występuje natomiast, Wij = 0 w przeciwnym przypadku, 12

13 Log (logarytmiczna) -wynosi logarytm przy podstawie 2 z liczby określającej częstość + 1. W log 2 ( a + 1), Pomniejsza wagę zwrotów, które się często ij = ij powtarzają, None oznacza częstotliwości bez modyfikacji W = a. Term weight wagę zwrotu określa się za pomocą następujących metod: Entropy - przypisuje najwyższą wagę słowom, które wystąpiły najrzadziej w danym dokumencie, IDF (ang. Inverse Document Frequency) wagą jest odwrotnością liczby dokumentów, w których pojawił się dany zwrot, GF-IDF (ang. Global Frequency-Inverse Document Frequency) obliczamy mnożąc IDF przez całkowitą częstotliwość, Normal waga ta jest proporcjonalna to ilości wystąpienia danego słowa w dokumencie, None każdemu zwrotowi przypisuje się wagę 1, Chi-Squared wykorzystuje wartość testu Chi-kwadrat, Mutual Information pokazuje jak rozkład dokumentów z wyrażeniem i znajduje się blisko rozkładu dokumentów w całym zbiorze. Information Gain określa oczekiwaną redukcję w Entropy w przypadku podzieleniu zbioru dokumentów według tego wyrażenia i. Wzory matematyczne związane z poszczególnymi wagami zwrotów zawarte są w Tabl. 7. Entropy TF-IDF (ang. Term Frequency- Inverse Document Frequency); GF-IDF IDF (ang. Inverse Document Frequency) Normal Tabl. 7. Term Weight [14] ij pij log pij Gi = 1+ 2 ( ) (2) j log2( n) gi G = (3) i d i n G = log 2 ( ) + 1 (4) G i i = j d i 1 f ij None G i = 1 (6) Chi-Squared Wartość statystyki chi-kwadrat ij (5) Mutual Information Information Gain P( xi, k) Gi = max k[log( )] P( xi ) P( k) Gi = P( k)log P( k) + P( i) P( k i)log P( k i) + P( i) k k P( k i)log P( k i) k (7) (8) 13

14 Gdzie: f ij oznacza częstość wyrażenia i w dokumencie j, d i oznacza ilość dokumentów, w których wyrażenie i się pojawia, g i to ilość wystąpień wyrażenia i w całej kolekcji dokumentów, n to ilość dokumentów w kolekcji. Natomiast f ij p ij = (9) gi W przypadku dużych kolekcji dokumentów macierz term-by-document frequency może być bardzo duża - rzędu np. kilka tysięcy, co więcej zawiera na ogół dużo zer. Aby taka macierz przetworzyć trzeba by zastosować komputery o bardzo dużej mocy obliczeniowej. Nie jest to rozwiązanie praktyczne. Zatem stosuje się technikę redukcji wymiaru SVD (ang. Singular value decomposition) - dekompozycji pojedynczych wartości. Redukcja wymiarów ma na celu wygenerowanie k wymiarów, które najlepiej przybliżą macierz ważonej częstotliwości. 4 Narzędzia Do analizy tekstu są wykorzystywane narzędzia zarówno ogólnodostępne typu open source lub komercyjne. Niektóre są bardzo proste oferujące podstawową funkcjonalność inne bardzie rozbudowane mają dużo bardziej zaawansowane możliwości. Posiadają rozbudowaną stoplistę z możliwością jej modyfikowania, jaki i zaawansowane programy analizujące składnię. Dobrze sobie radzą z językami zachodnimi, chińskim czy nawet japońskim. Problem jest z językiem polskim. Nie dotyczy on tylko sposobu kodowania polskich znaków, ale i programów analizujących składnię. W ramach pracy przeanalizowano kilka wybranych narzędzi, ważniejsze przedstawiono w następnych rozdziałach opracowania. 4.1 TextSTAT TextSTAT jest prostym programem służącym do analizy statystycznej tekstu [5]. Może na wejściu pobierać pliki ASCII/ANSI czy HTML i tworzy listę częstość występowania i współwystępowania wyrazów i fraz. Interfejs użytkownika dostępny jest w języku angielskim, holenderskim, portugalskim i niemieckim. Program jest udostępniany na zasadzie freeware. Kod źródłowy opracowany został w Pythonie i też jest dostępny za darmo. Najnowsza wersja programu 2.7 potrafi również analizować pliki utworzone w MS Word i OpenOffice. System obsługuje różne standardy kodowania znaków (ISO ,,ISO , CP1250, CP1252, znaki rosyjskie, chińskie, unicode UTF-8). Autorem programu jest Matthias Huning z Free University of Berlin. System pracuje na różnych platformach: Windows XP, Linux, MacOS. Okno główne programu przedstawiono na Rys

15 Rys. 3. Przykład budowy korpusu dokumentów Na początku należy załadować zbioru dokumentów, które będą analizowane (menu Corpus). Następnie wybrać z menu Word forms opcję Frequency list. Otrzymujemy wówczas statystykę występowania tokenów w analizowanym zbiorze dokumentów (Rys. 4). 15

16 Rys. 4. Statystyka występowania wyrazów w dokumentach System umożliwia również wyszukiwanie fraz (menu Concordance). Przykład wyszukania frazy knowledge management pokazano na Rys

17 Rys. 5. Wyszukane frazy z dokumentów System umożliwia eksport wyników w formacie MS Excel. 4.2 SAS Text Miner W profesjonalnym pakiecie SAS 9.1 dedykowanym do analizy danych znajduje się podsystem Text Miner umożliwiający wydobywanie informacji z dokumentów w postaci strukturalnej, jaki i niestrukturalnej [14]. Rozpoznaje on formaty danych takie jak: tekst, MS Word, Adobe PDF. Jest elementem modułu SAS Enterprise Miner. Analizuje zestawy dokumentów i wydobywa z nich wzorce (ang. pattern searching). Możliwe jest grupowanie dokumentów na określone kategorie. Ponadto dopuszczalna jest analiza dokumentów utworzonych w językach zachodnioeuropejskich, chińskim i arabskim. Podobno w przyszłości ma do tej listy zostać dołączony język polski. SAS Text Miner: poszukuje rdzeni wyrazów, rozpoznaje synonimy, rozpoznaje terminy wielowyrazowe, standaryzuje wiele wyrażeń (waluta, data, rok, procenty), wydobywa takie wyrażenia jak jednostka organizacyjna, produkty, tytuły. Fazy działania text miningu obejmują: 17

18 połączenie wielu dokumentów w jeden, który jest wejściem dla Text Minera, dekompozycję danych tekstowych i utworzenie stosownej reprezentacji liczbowej, transformację i zredukowanie wymiarów, analizę (grupowanie, klasyfikacja, budowa powiązań tematycznych). Stop-lista dla języka angielskiego została umieszczona w tablicy SASHELP.STOPLST. Zawiera słowa, które są mało istotne takie jak: spójniki, przyimki, przedimki. W wersji standardowej zawiera około 340 słów. Użytkownik może ją aktualizować w zależności od potrzeb. Jej fragment został pokazany na Rys. 6. Rys. 6. Stop-lista w SAS Text Miner Z kolei stemming dokumentów zapewnia automatyczne odnajdywanie podstawowej formy fleksyjnej wyrazów, czy też ich formy kanoniczne np. różne formaty zapisu tej samej daty. Ponadto istnieje możliwość ignorowania następujących części mowy: skrótów, przysłówków, czasowników posiłkowych, przyimków, zaimków, nazw własnych, wykrzykników, 18

19 czasowników, przymiotników, rzeczowników, liczb, rodzajników, spójników, negatywnych partykuł. System wyposażony jest w listę synonimów o nazwie SASHELP.ENGSYNMS, którą użytkownik może modyfikować. Wszystkie metody statystyczne wymienione w rozdziale 3. można zaimplementować podczas obliczeń. Budowa aplikacji wymaga dołączenie do systemu danych wejściowych, ustawieniu parametrów i uruchomieniu przetwarzania. Proces ten realizowany jest w sposób graficzny poprzez wybór z paska narzędziowego odpowiednich ikon i uruchomieniu odpowiednich skryptów. Jako efekt działania systemu otrzymujemy listę słów kluczowych oraz klasteryzację dokumentów. Zasadnicze okno systemu pokazano na Rys. 7. Rys. 7. Łączenie danych wejściowych z modułem Text Miner Z kolei Rys. 8 przedstawia wynik działania aplikacji. 19

20 Rys. 8. Przykładowe wyniki działania systemu System umożliwia wizualizację wyników w przeglądarce Internetowej. Klikając na frazę umieszczoną w lewym dolnym rogu można uzyskać relacje z nią związane. Przykładowe wyniki znajdują się na rysunkach poniżej. Rys. 9. Wizualizacja wyników (1) 20

21 Rys. 10. Wizualizacja wyników (2) Rys. 11. Wizualizacja wyników (3) Klikając przykładowo na powyższym obrazku na element Semiconductor devices uzyskuje się listę dokumentów związanych z danym pojęciem oraz słowa kluczowe (Rys. 12). 21

22 Rys. 12. Lista dokumentów 4.3 Oracle Text System zarządzania bazą danych Oracle 10g w wersji Standard i Enterprise Edition zawiera moduł Oracle Text [6]. Wykorzystuje on język SQL (ang. Structured Query Language) do indeksowania, wyszukiwania, analizy tekstów i dokumentów zapamiętanych w bazie danych Oracle, w plikach i w sieci Web. System rozpoznaje rozmaite formaty wejściowe danych: HTML, XML, MS Office, Adobe, niesformatowany tekst itp. Ogólna architektura systemu została przedstawiona na Rys

23 Internet Pliki z danymi Zbiór danych Filtr Sectionier Lexer Indexing Engine WordList StopList Index termów Rys. 13. Architektura systemu Oracle Text [6] Oracle Text przeprowadza analizę dokumentów. Poszczególne moduły biorące udział w tym procesie realizują następujące zadania: Filter rozpoznaje różne formaty wejściowe. Przekształca je następnie do formatu HTML, Sectioner rozpoznaje Tagi w HTML-u i XML-u, Lexer wydziela z uzyskanego materiału z Sectionera słowa i tokeny (np. określenie czerwono-czarny), Lexer usuwa słowa umieszczone na stop-liście, Indexing engine buduje indeks odwrócony, czyli listę słów z podłączoną listą dokumentów, w których dane słowo występuje. Dostępne są trzy sposoby indeksowania: standardowy (ang. context) tradycyjny do pełnego wyszukiwania, katalogowy (ang. ctxcat) dedykowany dla ebuisiness, który zapewnia szybkie, elastyczne wyszukiwanie i sortowanie, klasyfikujący (ang. ctxrule) służący do budowania klasyfikacji. Jest tworzony w oparciu o tabele z pytaniami, gdzie pytania określają kryteria klasyfikacji. Oracle Text oferuje różne sposoby wyszukiwania np. wyszukiwanie wg zadanych wyrazów, fraz, wyszukiwanie wyrazów o takim samym rdzeniu, wyszukiwanie wg tematów, ignorowanie słów nieistotnych, tworzenie złożonych pytań z użyciem operatorów AND, OR, NOT. W wyniku otrzymujemy ranking odpowiedzi. Przy jego budowie wykorzystuje się następujące techniki klasyfikacji dokumentów: 23

24 klasyfikację opartą na regułach (ang. rule-based classification). Może być ona wykorzystana do automatycznego kierowania przychodzących do call center listów elektronicznych do odpowiednich wydziałów, nadzorowane uczenie (ang. supervised training) wykorzystuje treningowy zbiór dokumentów do klasyfikacji dużych zbiorów danych. Przykładami takich technik są drzewa decyzyjne i SVM (ang. Supported Vector Machines), klasteryzację (ang. clustering) grupuje ona podobne dokumenty w zależności od ich zawartości. Wykorzystywane są tutaj techniki takie jak K-Means i klasteryzacja hierarchiczna. Oracle Text wspomaga wiele języków i sposoby kodowania znaków. Wybór języka polskiego wymaga zakupu dodatkowego modułu od firmy Empolis. System pozwala na mieszanie dokumentów w różnych językach narodowych, zbiorów znaków i zadawania pytań w tak heterogenicznym środowisku. Pojęcia są kwalifikowane w oparciu o bazę wiedzy, która zawiera pojęć z różnych dziedzin sklasyfikowanych w 2000 głównych kategoriach. Te kategorie są zorganizowane hierarchicznie na szczycie, których znajduje się sześć głównych kategorii: biznes i ekonomia, nauka i technologia, geografia, administracja i wojsko, zagadnienia socjalne oraz pojęcia abstrakcyjne. Użytkownik może bazę wiedzy rozszerzać poprzez dodawanie nowych pojęć. Możliwa jest również graficzna wizualizacja uzyskiwanych wyników. Taki przykład przedstawiono na Rys e: IAS Rys. 14. Wizualizacja wyników w Oracle Text [6] Z kolei firma Empolis GmbH [4] oferuje system e: Information Access Suite (e: IAS), który umożliwia rozwiązywanie następujących zadań dotyczących zarządzania informacją: wyszukiwanie informacji w repozytoriach danych, automatyczne klasyfikowanie, kierowanie i porządkowanie informacji, automatyczne monitorowanie repozytoriów informacji, aby wykryć istotne zmiany, 24

25 zautomatyzowane tworzenie i wzbogacanie informacji, zautomatyzowane wydobywanie informacji, wiedzy. W systemie można wyróżnić dwa zasadnicze moduły: TextMiner, OntologyBuilder. TextMiner wykorzystuje zaawansowane algorytmy analizy tekstu. Bardzo duże są również możliwości eliminowania nieistotnych wyrazów, fraz. Oprócz bezpośredniego umieszczenia na liście zbędnych słów istnieje opcja eliminowania wyrazów o długości z poza pewnego przedziału liczbowego, czy też samych liczb. System obsługuje języki zachodnioeuropejskie, chiński, japoński oraz polski. Wykorzystuje standard kodowania znaków Unicode (UTF-8). Do budowy i utrzymywania ontologii stosuje się narzędzie e:ias OntologyBuilder, które analizuje dokumenty i odnajduje w nich podobieństwa. Inżynier wiedzy na bazie zebranych danych może zadecydować, które obiekty włączyć do modelu wiedzy. Ontologia może składać się między innymi z taksonomii, synonimów, powiązań między pojęciami, tłumaczeniem pojęć na języki obce. Uzyskanie inteligentnej odpowiedzi z dokumentów strukturalnych czy tez niestrukturalnych na podstawie pytania zadanego w języku naturalnym wymaga zastosowania technologii sztucznej inteligencji i wnioskowania w oparciu o przykłady CBR (ang. Case-Based Reasoning). System uczy się na podstawie przykładów, którymi są przechowywane w komputerze udzielone odpowiedzi. Cały proces poczynając od danych wejściowych, poprzez analizę tekstu aż do budowy ontologii można zamodelować w sposób graficzny poprzez wybór i połączenie odpowiednich ikon na ekranie systemu (Rys. 15). Rys. 15. Proces modelowania analizy dokumentów [13] 25

26 Ontologie są budowane zgodnie z standardami OWL (ang. W3C Web ontology Language) i RDF (ang. W3C Resource Description Framework). Rys. 16. Wybór parametrów [13] OntologyBuilder wykorzystuje dwa narzędzia: Concept Modeling Tool i Relation Modeling Tool. Pierwsze oblicza statystyki dotyczące wyrazów. Drugie pokazuje relacje pomiędzy klastrami, jakie zostały utworzone podczas analizy dokumentów. Przykładowe okna tych narzędzi zostały przedstawione na rysunkach poniżej. 26

27 Rys. 17. Concept Modeling Tool [13] Rys. 18. Relation Modeling Tool [13] System ma otwartą, skalowalną architekturę. Integruje się z interfejsami platform aplikacji WWW,.NET, Java, Eclipse. 27

28 4.5 Neurosoft Gram System Neurosoft Gram 2.3 [2] jest prostym komercyjnym rozwiązaniem informatycznym służącym do analizy leksykalnej i morfologicznej tekstów napisanych w języku polskim. Znajduje zastosowanie do indeksacji i przeszukiwaniu pełnotekstowych baz danych, tworzeniu streszczeń. Ukierunkowany został na analizę zawartości dokumentów. Ma możliwość zintegrowania z dowolnym programem. Stemmer redukuję fleksję do formy podstawowej np. dla rzeczowników do mianownika liczby pojedynczej, dla czasowników do bezokolicznika, dla przymiotników i imiesłowów przymiotnikowych do mianownika liczby pojedynczej rodzaju męskiego. Moduł współpracuje ze słownikiem Grama. Istnieje możliwość ustawienia parametrów odnośnie sposobu redukcji słów w zależności od potrzeb użytkownika. Słownik bazowy języka polskiego zawiera około haseł, tworzonych jest ponad form fleksyjnych z uwzględnieniem nieregularności. System dostępny jest na platformy Linux, Unix, MS Windows. Może pracować z plikami o różnym sposobie kodowania znaków, obsługuje formaty HTML, XML. Zapytania są tworzone w języku SQL. Analiza tekstu odbywa się wg schematu przedstawionego na Rys. 19. Na ogół wykorzystywany jest do pełnotekstowego indeksowania i wyszukiwania np. w Internecie, Intranecie. Start Pobierz kolejne zdanie Czy jest jeszcze jakieś zdanie? Stop T Pobierz kolejne słowo N Czy jest jeszcze jakieś słowo? Pobierz informację o słowie Rys. 19. Schemat analizy tekstu przez system Neurosoft Gram [2] 28

29 Natomiast sam proces przetwarzania przebiega wg schematu pokazanego na Rys. 20. Start Utwórz obiekt Gram Utwórz parametry przetwarzania Wprowadź tekst do analizy Analiza tekstu Pobierz wynik analizy Wyzerowanie obiektu Gram T Czy przeanalizowałeś nowy tekst? Usuń obiekt Gram Stop Rys. 20. Schemat przetwarzania tekstu przez system Neurosoft Gram [2] Dane wejściowe do systemu mogą być przekazywane jako jeden blok lub dosyłane kolejno mniejszymi modułami. 4.6 Lucene Lucene jest to oprogramowanie typu open source napisane w Javie i wywodzące się z projektu Apache [3]. Służy ono do indeksowania dokumentów i wyszukiwania informacji w oparciu o zadane pytania wg. słów kluczowych. Potrafi obsłużyć złożone wyrażenia zawierające operatory logiczne AND, OR, NOT oraz realizować wyszukiwanie rozmyte. Lucene wykorzystuje klasę StandardAnalyzer do badania tekstu (stemmer Portera) i wybierania słów do indeksowania. Istnieje stemmer dla języka polskiego, który w wersji 29

Text mining w programie RapidMiner Michał Bereta www.michalbereta.pl

Text mining w programie RapidMiner Michał Bereta www.michalbereta.pl Text mining w programie RapidMiner Michał Bereta www.michalbereta.pl 1. Wstęp Aby skorzystać z możliwości RapidMinera w zakresie analizy tekstu, należy zainstalować Text Mining Extension. Wybierz: 1 Po

Bardziej szczegółowo

Analiza danych tekstowych i języka naturalnego

Analiza danych tekstowych i języka naturalnego Kod szkolenia: Tytuł szkolenia: ANA/TXT Analiza danych tekstowych i języka naturalnego Dni: 3 Opis: Adresaci szkolenia Dane tekstowe stanowią co najmniej 70% wszystkich danych generowanych w systemach

Bardziej szczegółowo

Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki. Paweł Parys. Nr albumu: 209216. Aukcjomat

Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki. Paweł Parys. Nr albumu: 209216. Aukcjomat Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki Paweł Parys Nr albumu: 209216 Aukcjomat Praca licencjacka na kierunku INFORMATYKA w zakresie INFORMATYKA Praca wykonana pod kierunkiem

Bardziej szczegółowo

Usługi analityczne budowa kostki analitycznej Część pierwsza.

Usługi analityczne budowa kostki analitycznej Część pierwsza. Usługi analityczne budowa kostki analitycznej Część pierwsza. Wprowadzenie W wielu dziedzinach działalności człowieka analiza zebranych danych jest jednym z najważniejszych mechanizmów podejmowania decyzji.

Bardziej szczegółowo

Oracle Designer. Oracle Designer jest jednym z głównych komponentów pakietu Oracle Developer Suite. Oracle Designer wspiera :

Oracle Designer. Oracle Designer jest jednym z głównych komponentów pakietu Oracle Developer Suite. Oracle Designer wspiera : Oracle Designer Oracle Designer jest jednym z głównych komponentów pakietu Oracle Developer Suite. Oracle Designer wspiera : - modelowanie procesów biznesowych - analizę systemu informatycznego - projektowanie

Bardziej szczegółowo

Narzędzia i aplikacje Java EE. Usługi sieciowe Paweł Czarnul pczarnul@eti.pg.gda.pl

Narzędzia i aplikacje Java EE. Usługi sieciowe Paweł Czarnul pczarnul@eti.pg.gda.pl Narzędzia i aplikacje Java EE Usługi sieciowe Paweł Czarnul pczarnul@eti.pg.gda.pl Niniejsze opracowanie wprowadza w technologię usług sieciowych i implementację usługi na platformie Java EE (JAX-WS) z

Bardziej szczegółowo

Instalacja SQL Server Express. Logowanie na stronie Microsoftu

Instalacja SQL Server Express. Logowanie na stronie Microsoftu Instalacja SQL Server Express Logowanie na stronie Microsoftu Wybór wersji do pobrania Pobieranie startuje, przechodzimy do strony z poradami. Wypakowujemy pobrany plik. Otwiera się okno instalacji. Wybieramy

Bardziej szczegółowo

Projektowanie baz danych za pomocą narzędzi CASE

Projektowanie baz danych za pomocą narzędzi CASE Projektowanie baz danych za pomocą narzędzi CASE Metody tworzenia systemów informatycznych w tym, także rozbudowanych baz danych są komputerowo wspomagane przez narzędzia CASE (ang. Computer Aided Software

Bardziej szczegółowo

Krótka Historia. Co to jest NetBeans? Historia. NetBeans Platform NetBeans IDE NetBeans Mobility Pack Zintegrowane moduły. Paczki do NetBeans.

Krótka Historia. Co to jest NetBeans? Historia. NetBeans Platform NetBeans IDE NetBeans Mobility Pack Zintegrowane moduły. Paczki do NetBeans. GRZEGORZ FURDYNA Krótka Historia Co to jest NetBeans? Historia Wersje NetBeans Platform NetBeans IDE NetBeans Mobility Pack Zintegrowane moduły NetBeans Profiler Narzędzie do projektowania GUI Edytor NetBeans

Bardziej szczegółowo

Web Services. Bartłomiej Świercz. Łódź, 2 grudnia 2005 roku. Katedra Mikroelektroniki i Technik Informatycznych. Bartłomiej Świercz Web Services

Web Services. Bartłomiej Świercz. Łódź, 2 grudnia 2005 roku. Katedra Mikroelektroniki i Technik Informatycznych. Bartłomiej Świercz Web Services Web Services Bartłomiej Świercz Katedra Mikroelektroniki i Technik Informatycznych Łódź, 2 grudnia 2005 roku Wstęp Oprogramowanie napisane w różnych językach i uruchomione na różnych platformach może wykorzystać

Bardziej szczegółowo

Multiwyszukiwarka EBSCO Discovery Service - przewodnik

Multiwyszukiwarka EBSCO Discovery Service - przewodnik Multiwyszukiwarka EDS daje możliwość przeszukania większości baz udostępnianych przez Bibliotekę Główną Uniwersytetu Medycznego w Poznaniu. Odnajdziesz publikacje na potrzebny Ci temat szybko, łatwo i

Bardziej szczegółowo

Wydział Elektrotechniki, Informatyki i Telekomunikacji. Instytut Informatyki i Elektroniki. Instrukcja do zajęć laboratoryjnych

Wydział Elektrotechniki, Informatyki i Telekomunikacji. Instytut Informatyki i Elektroniki. Instrukcja do zajęć laboratoryjnych Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Informatyki i Elektroniki Instrukcja do zajęć laboratoryjnych wersja: 1.0 Nr ćwiczenia: 12, 13 Temat: Cel ćwiczenia: Wymagane przygotowanie

Bardziej szczegółowo

ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia

ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia ZP/ITS/11/2012 Załącznik nr 1a do SIWZ ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych

Bardziej szczegółowo

Bank danych regionalnych Ukrainy

Bank danych regionalnych Ukrainy Ukraine s regional database Semen Matkovskyi Bank danych regionalnych Ukrainy Semen Matkowski Content Spis treści Statistical information system at the regional level Information support and services -

Bardziej szczegółowo

SPOSOBY POMIARU KĄTÓW W PROGRAMIE AutoCAD

SPOSOBY POMIARU KĄTÓW W PROGRAMIE AutoCAD Dr inż. Jacek WARCHULSKI Dr inż. Marcin WARCHULSKI Mgr inż. Witold BUŻANTOWICZ Wojskowa Akademia Techniczna SPOSOBY POMIARU KĄTÓW W PROGRAMIE AutoCAD Streszczenie: W referacie przedstawiono możliwości

Bardziej szczegółowo

egroupware czy phpgroupware jest też mniej stabilny.

egroupware czy phpgroupware jest też mniej stabilny. Opengroupware to projekt udostępniający kompletny serwer aplikacji oparty na systemie Linux. Dostępny na licencji GNU GPL, strona domowa: http://www.opengroupware.org/ Jego cechy to wysoka stabilność,

Bardziej szczegółowo

Integracja systemu CAD/CAM Catia z bazą danych uchwytów obróbkowych MS Access za pomocą interfejsu API

Integracja systemu CAD/CAM Catia z bazą danych uchwytów obróbkowych MS Access za pomocą interfejsu API Dr inż. Janusz Pobożniak, pobozniak@mech.pk.edu.pl Instytut Technologii Maszyn i Automatyzacji produkcji Politechnika Krakowska, Wydział Mechaniczny Integracja systemu CAD/CAM Catia z bazą danych uchwytów

Bardziej szczegółowo

Część A wprowadzenie do programu

Część A wprowadzenie do programu Część A wprowadzenie do programu Nieorganiczna baza danych (Inorganic Crystal Structure Database) zawiera wszystkie struktury związków nieorganicznych, ze współrzędnymi atomów, publikowane od roku 1913.

Bardziej szczegółowo

Współczesna problematyka klasyfikacji Informatyki

Współczesna problematyka klasyfikacji Informatyki Współczesna problematyka klasyfikacji Informatyki Nazwa pojawiła się na przełomie lat 50-60-tych i przyjęła się na dobre w Europie Jedna z definicji (z Wikipedii): Informatyka dziedzina nauki i techniki

Bardziej szczegółowo

Nowoczesne narzędzia do ochrony informacji. Paweł Nogowicz

Nowoczesne narzędzia do ochrony informacji. Paweł Nogowicz Nowoczesne narzędzia do ochrony informacji Paweł Nogowicz Agenda Charakterystyka Budowa Funkcjonalność Demo 2 Produkt etrust Network Forensics Kontrola dostępu do zasobów etrust Network Forensics Zarządzanie

Bardziej szczegółowo

Praktyczne wykorzystanie elementów raportowania Microsoft Project 2010 /Project Server 2010 Sesja 5 PowerPivot & PowerView Bartłomiej Graczyk

Praktyczne wykorzystanie elementów raportowania Microsoft Project 2010 /Project Server 2010 Sesja 5 PowerPivot & PowerView Bartłomiej Graczyk Praktyczne wykorzystanie elementów raportowania Microsoft Project 2010 /Project Server 2010 Sesja 5 PowerPivot & PowerView Bartłomiej Graczyk 2012-11-05 Bartłomiej Graczyk MCT,MCITP,MCTS Architekt rozwiązań

Bardziej szczegółowo

Monitoring procesów z wykorzystaniem systemu ADONIS

Monitoring procesów z wykorzystaniem systemu ADONIS Monitoring procesów z wykorzystaniem systemu ADONIS BOC Information Technologies Consulting Sp. z o.o. e-mail: boc@boc-pl.com Tel.: (+48 22) 628 00 15, 696 69 26 Fax: (+48 22) 621 66 88 BOC Management

Bardziej szczegółowo

QUERY język zapytań do tworzenia raportów w AS/400

QUERY język zapytań do tworzenia raportów w AS/400 QUERY język zapytań do tworzenia raportów w AS/400 Dariusz Bober Katedra Informatyki Politechniki Lubelskiej Streszczenie: W artykule przedstawiony został język QUERY, standardowe narzędzie pracy administratora

Bardziej szczegółowo

Plan. Wprowadzenie. Co to jest APEX? Wprowadzenie. Administracja obszarem roboczym

Plan. Wprowadzenie. Co to jest APEX? Wprowadzenie. Administracja obszarem roboczym 1 Wprowadzenie do środowiska Oracle APEX, obszary robocze, użytkownicy Wprowadzenie Plan Administracja obszarem roboczym 2 Wprowadzenie Co to jest APEX? Co to jest APEX? Architektura Środowisko Oracle

Bardziej szczegółowo

Produkcja by CTI. Proces instalacji, ważne informacje oraz konfiguracja

Produkcja by CTI. Proces instalacji, ważne informacje oraz konfiguracja Produkcja by CTI Proces instalacji, ważne informacje oraz konfiguracja Spis treści 1. Ważne informacje przed instalacją...3 2. Instalacja programu...4 3. Nawiązanie połączenia z serwerem SQL oraz z programem

Bardziej szczegółowo

Dokument Detaliczny Projektu

Dokument Detaliczny Projektu Dokument Detaliczny Projektu Dla Biblioteki miejskiej Wersja 1.0 Streszczenie Niniejszy dokument detaliczny projektu(ddp) przedstawia szczegóły pracy zespołu projektowego, nad stworzeniem aplikacji bazodanowej

Bardziej szczegółowo

Indeksowanie full text search w chmurze

Indeksowanie full text search w chmurze Prezentacja przygotowana dla: 5. Konferencja MIC w Poznaniu, 16.06.20111 Lucene.NET Indeksowanie full text search w chmurze K2 i Windows Azure dlaczego dla nas to możliwe? 1. Mamy unikalne połącznie kompetencji

Bardziej szczegółowo

Co to jest Business Intelligence?

Co to jest Business Intelligence? Cykl: Cykl: Czwartki z Business Intelligence Sesja: Co Co to jest Business Intelligence? Bartłomiej Graczyk 2010-05-06 1 Prelegenci cyklu... mariusz@ssas.pl lukasz@ssas.pl grzegorz@ssas.pl bartek@ssas.pl

Bardziej szczegółowo

Multiwyszukiwarka EBSCO Discovery Service - przewodnik

Multiwyszukiwarka EBSCO Discovery Service - przewodnik Multiwyszukiwarka EDS daje możliwość przeszukania większości baz udostępnianych przez Bibliotekę Uniwersytetu Jagiellońskiego. Odnajdziesz publikacje na potrzebny Ci temat szybko, łatwo i w jednym miejscu.

Bardziej szczegółowo

Tom 6 Opis oprogramowania Część 8 Narzędzie do kontroli danych elementarnych, danych wynikowych oraz kontroli obmiaru do celów fakturowania

Tom 6 Opis oprogramowania Część 8 Narzędzie do kontroli danych elementarnych, danych wynikowych oraz kontroli obmiaru do celów fakturowania Część 8 Narzędzie do kontroli danych elementarnych, danych wynikowych oraz kontroli Diagnostyka stanu nawierzchni - DSN Generalna Dyrekcja Dróg Krajowych i Autostrad Warszawa, 21 maja 2012 Historia dokumentu

Bardziej szczegółowo

Zadania. Przygotowanie zbiorów danych. 1. Sposób 1: 2. Sposób 2:

Zadania. Przygotowanie zbiorów danych. 1. Sposób 1: 2. Sposób 2: Wstęp Jednym z typowych zastosowań metod sztucznej inteligencji i uczenia maszynowego jest przetwarzanie języka naturalnego (ang. Natural Language Processing, NLP), której typowych przykładem jest analiza

Bardziej szczegółowo

Skrócona instrukcja obsługi

Skrócona instrukcja obsługi Web of Science Skrócona instrukcja obsługi ISI WEB OF KNOWLEDGE SM Można przeszukiwać ponad 9 00 czasopism w ponad językach z różnych dziedzin nauk ścisłych, społecznych i humanistycznych, aby znaleźć

Bardziej szczegółowo

ViLab- program służący do prowadzenia obliczeń charakterystyki energetycznej i sporządzania świadectw charakterystyki energetycznej

ViLab- program służący do prowadzenia obliczeń charakterystyki energetycznej i sporządzania świadectw charakterystyki energetycznej ViLab- program służący do prowadzenia obliczeń charakterystyki energetycznej i sporządzania świadectw charakterystyki energetycznej ViLab jest samodzielnym programem służącym do prowadzenia obliczeń charakterystyki

Bardziej szczegółowo

MS EXCEL KURS DLA ZAAWANSOWANYCH Z WYKORZYSTANIEM VBA

MS EXCEL KURS DLA ZAAWANSOWANYCH Z WYKORZYSTANIEM VBA COGNITY Praktyczne Skuteczne Szkolenia i Konsultacje tel. 12 421 87 54 biuro@cognity.pl www.cognity.pl MS EXCEL KURS DLA ZAAWANSOWANYCH Z WYKORZYSTANIEM VBA C O G N I T Y SZKOLENIE MS EXCEL KURS ZAAWANSOWANYCH

Bardziej szczegółowo

Tom 6 Opis oprogramowania

Tom 6 Opis oprogramowania Część 4 Narzędzie do wyliczania wielkości oraz wartości parametrów stanu Diagnostyka stanu nawierzchni - DSN Generalna Dyrekcja Dróg Krajowych i Autostrad Warszawa, 30 maja 2012 Historia dokumentu Nazwa

Bardziej szczegółowo

Traceability. matrix

Traceability. matrix Traceability matrix Radek Smilgin W testowaniu od 2002 roku Tester, test manager, konsultant Twórca testerzy.pl i mistrzostw w testowaniu Fan testowania eksploracyjnego i testowania w agile [zdjecie wikipedia:

Bardziej szczegółowo

Analiza i projektowanie aplikacji Java

Analiza i projektowanie aplikacji Java Analiza i projektowanie aplikacji Java Modele analityczne a projektowe Modele analityczne (konceptualne) pokazują dziedzinę problemu. Modele projektowe (fizyczne) pokazują system informatyczny. Utrzymanie

Bardziej szczegółowo

Jak zapisać wersję elektroniczną pracy dyplomowej? - INSTRUKCJA (krok po kroku)

Jak zapisać wersję elektroniczną pracy dyplomowej? - INSTRUKCJA (krok po kroku) Jak zapisać wersję elektroniczną pracy dyplomowej? - INSTRUKCJA (krok po kroku) Zastosowane oprogramowanie: System operacyjny: Windows Vista PL Edytor tekstu: Microsoft Office 007 PL Word Oprogramowanie

Bardziej szczegółowo

MATLAB Neural Network Toolbox przegląd

MATLAB Neural Network Toolbox przegląd MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study

Bardziej szczegółowo

1 Wprowadzenie do J2EE

1 Wprowadzenie do J2EE Wprowadzenie do J2EE 1 Plan prezentacji 2 Wprowadzenie do Java 2 Enterprise Edition Aplikacje J2EE Serwer aplikacji J2EE Główne cele V Szkoły PLOUG - nowe podejścia do konstrukcji aplikacji J2EE Java 2

Bardziej szczegółowo

1. Platforma e-learningowa

1. Platforma e-learningowa Instrukcja korzystania z platformy e-learningowej Zespołu Szkół Technicznych im. gen. prof. S. Kaliskiego w Turku dla prowadzących zajęcia - Kwalifikacyjne Kursy Zawodowe 1. Platforma e-learningowa Zespół

Bardziej szczegółowo

Hurtownie danych - przegląd technologii

Hurtownie danych - przegląd technologii Hurtownie danych - przegląd technologii Problematyka zasilania hurtowni danych - Oracle Data Integrator Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel

Bardziej szczegółowo

TOPWEB Microsoft Excel 2013 i PowerBI Przygotowanie danych, analiza i efektowna prezentacja wyników raportów

TOPWEB Microsoft Excel 2013 i PowerBI Przygotowanie danych, analiza i efektowna prezentacja wyników raportów TOPWEB Microsoft Excel 2013 i PowerBI Przygotowanie danych, analiza i efektowna prezentacja wyników raportów Przeznaczenie szkolenia Szkolenie dla osób chcących: Profesjonalnie przygotowywać dane do dalszej

Bardziej szczegółowo

ECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 5.0

ECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 5.0 ECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 5.0 Przeznaczenie Sylabusa Dokument ten zawiera szczegółowy Sylabus dla modułu ECDL/ICDL Użytkowanie baz danych. Sylabus opisuje zakres wiedzy

Bardziej szczegółowo

OvidSP - Skrócony opis wyszukiwania - Wyszukiwanie proste i złożone,

OvidSP - Skrócony opis wyszukiwania - Wyszukiwanie proste i złożone, OvidSP - Skrócony opis wyszukiwania - Wyszukiwanie proste i złożone, zapisywanie wyników wyszukiwania w bibliotece referencji, tworzenie alertów i powiadomień. Operatory do tworzenia wyszukiwania zaawansowanego:

Bardziej szczegółowo

Jak zapisać wersje elektroniczną pracy dyplomowej? - INSTRUKCJA (krok po kroku)

Jak zapisać wersje elektroniczną pracy dyplomowej? - INSTRUKCJA (krok po kroku) Jak zapisać wersje elektroniczną pracy dyplomowej? - INSTRUKCJA (krok po kroku) Zastosowane oprogramowanie: System operacyjny: Windows XP PL Edytor tekstu: Microsoft Office 2003 PL Word Oprogramowanie

Bardziej szczegółowo

Budowa aplikacji ASP.NET z wykorzystaniem wzorca MVC

Budowa aplikacji ASP.NET z wykorzystaniem wzorca MVC Akademia MetaPack Uniwersytet Zielonogórski Budowa aplikacji ASP.NET z wykorzystaniem wzorca MVC Krzysztof Blacha Microsoft Certified Professional Budowa aplikacji ASP.NET z wykorzystaniem wzorca MVC Agenda:

Bardziej szczegółowo

Tom 6 Opis oprogramowania

Tom 6 Opis oprogramowania Część 9 Narzędzie do wyliczania wskaźników statystycznych Diagnostyka Stanu Nawierzchni - DSN Generalna Dyrekcja Dróg Krajowych i Autostrad Warszawa, 31 maja 2012 Historia dokumentu Nazwa dokumentu Nazwa

Bardziej szczegółowo

Mariusz Piotrowski Węzeł Centralny OŻK- SB

Mariusz Piotrowski Węzeł Centralny OŻK- SB Mariusz Piotrowski Węzeł Centralny OŻK- SB Analiza frekwencyjna słów używanych w dokumentach JST na przykładzie Strategia marki i promocji miasta Augustowa w latach 2010-2015. Instrukcja użytkowania programu

Bardziej szczegółowo

Proposal of thesis topic for mgr in. (MSE) programme in Telecommunications and Computer Science

Proposal of thesis topic for mgr in. (MSE) programme in Telecommunications and Computer Science Proposal of thesis topic for mgr in (MSE) programme 1 Topic: Monte Carlo Method used for a prognosis of a selected technological process 2 Supervisor: Dr in Małgorzata Langer 3 Auxiliary supervisor: 4

Bardziej szczegółowo

Instrukcja instalacji i konfiguracji bazy danych SQL SERVER 2008 EXPRESS R2. Instrukcja tworzenia bazy danych dla programu AUTOSAT 3. wersja 0.0.

Instrukcja instalacji i konfiguracji bazy danych SQL SERVER 2008 EXPRESS R2. Instrukcja tworzenia bazy danych dla programu AUTOSAT 3. wersja 0.0. Instrukcja instalacji i konfiguracji bazy danych SQL SERVER 2008 EXPRESS R2 Instrukcja tworzenia bazy danych dla programu AUTOSAT 3 wersja 0.0.4 2z12 1. Wymagania systemowe. Przed rozpoczęciem instalacji

Bardziej szczegółowo

UNIWERSYTET RZESZOWSKI KATEDRA INFORMATYKI

UNIWERSYTET RZESZOWSKI KATEDRA INFORMATYKI UNIWERSYTET RZESZOWSKI KATEDRA INFORMATYKI LABORATORIUM TECHNOLOGIA SYSTEMÓW INFORMATYCZNYCH W BIOTECHNOLOGII Aplikacja bazodanowa: Cz. II Rzeszów, 2010 Strona 1 z 11 APLIKACJA BAZODANOWA MICROSOFT ACCESS

Bardziej szczegółowo

Multiwyszukiwarka EBSCO Discovery Service - przewodnik

Multiwyszukiwarka EBSCO Discovery Service - przewodnik Ekran Wyszukiwania Podstawowego w multiwyszukiwarce EBSCO Discovery Service zapewnia dostęp poprzez jedno okienko wyszukiwawcze na platformie EBSCOhost do wszystkich zasobów biblioteki. Na ekranie do wyszukiwania

Bardziej szczegółowo

Dokumentacja Końcowa

Dokumentacja Końcowa Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Dokumentacja Końcowa Autorzy: Robert Wojciechowski Michał Denkiewicz Wstęp Celem

Bardziej szczegółowo

I rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer.

I rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer. Wydział Informatyki i Nauki o Materiałach Kierunek Informatyka studia I stopnia inżynierskie studia stacjonarne 08- IO1S-13 od roku akademickiego 2015/2016 A Lp GRUPA TREŚCI PODSTAWOWYCH kod Nazwa modułu

Bardziej szczegółowo

Javadoc. Piotr Dąbrowiecki Sławomir Pawlewicz Alan Pilawa Joanna Sobczyk Alina Strachocka

Javadoc. Piotr Dąbrowiecki Sławomir Pawlewicz Alan Pilawa Joanna Sobczyk Alina Strachocka Javadoc Piotr Dąbrowiecki Sławomir Pawlewicz Alan Pilawa Joanna Sobczyk Alina Strachocka Wprowadzenie do Javadoc Treść prezentacji: http://students.mimuw.edu.pl/~as219669/javadoc.pdf Zadania: http://students.mimuw.edu.pl/~as219669/zadanie.rar

Bardziej szczegółowo

Oracle Application Express -

Oracle Application Express - Oracle Application Express - Wprowadzenie Wprowadzenie Oracle Application Express (dawniej: HTML DB) to narzędzie do szybkiego tworzenia aplikacji Web owych korzystających z bazy danych Oracle. Od użytkownika

Bardziej szczegółowo

Programowanie Strukturalne i Obiektowe Słownik podstawowych pojęć 1 z 5 Opracował Jan T. Biernat

Programowanie Strukturalne i Obiektowe Słownik podstawowych pojęć 1 z 5 Opracował Jan T. Biernat Programowanie Strukturalne i Obiektowe Słownik podstawowych pojęć 1 z 5 Program, to lista poleceń zapisana w jednym języku programowania zgodnie z obowiązującymi w nim zasadami. Celem programu jest przetwarzanie

Bardziej szczegółowo

Symfonia Produkcja. Kreator raportów. Wersja 2013

Symfonia Produkcja. Kreator raportów. Wersja 2013 Symfonia Produkcja Kreator raportów Wersja 2013 Windows jest znakiem towarowym firmy Microsoft Corporation. Adobe, Acrobat, Acrobat Reader, Acrobat Distiller są zastrzeżonymi znakami towarowymi firmy Adobe

Bardziej szczegółowo

Wprowadzenie do technologii Business Intelligence i hurtowni danych

Wprowadzenie do technologii Business Intelligence i hurtowni danych Wprowadzenie do technologii Business Intelligence i hurtowni danych 1 Plan rozdziału 2 Wprowadzenie do Business Intelligence Hurtownie danych Produkty Oracle dla Business Intelligence Business Intelligence

Bardziej szczegółowo

Semantyczne podobieństwo stron internetowych

Semantyczne podobieństwo stron internetowych Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Marcin Lamparski Nr albumu: 184198 Praca magisterska na kierunku Informatyka Semantyczne podobieństwo stron internetowych Praca wykonana

Bardziej szczegółowo

Tomasz Grześ. Systemy zarządzania treścią

Tomasz Grześ. Systemy zarządzania treścią Tomasz Grześ Systemy zarządzania treścią Co to jest CMS? CMS (ang. Content Management System System Zarządzania Treścią) CMS definicje TREŚĆ Dowolny rodzaj informacji cyfrowej. Może to być np. tekst, obraz,

Bardziej szczegółowo

Czytelnik w bibliotece cyfrowej

Czytelnik w bibliotece cyfrowej Czytelnik w bibliotece cyfrowej Adam Dudczak Poznańskie Centrum Superkomputerowo-Sieciowe IV Warsztaty Biblioteki Cyfrowe Poznań, 2007 Do czego służy Aplikacja Czytelnika? Udostępnianie zasobów cyfrowych

Bardziej szczegółowo

TREND 250 H.264 DVR Central Management System

TREND 250 H.264 DVR Central Management System TREND 250 H.264 DVR Central Management System Spis treści Spis treści... 1 1. Wprowadzenie... 2 2. Instalacja pakietu CMS/NVMS...3 3. Zarządzanie urządzeniami... 9 4. Podgląd obrazu z wielu rejestratorów...15

Bardziej szczegółowo

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II Zespół TI Instytut Informatyki Uniwersytet Wrocławski ti@ii.uni.wroc.pl http://www.wsip.com.pl/serwisy/ti/ Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II Rozkład wymagający

Bardziej szczegółowo

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I Zespół TI Instytut Informatyki Uniwersytet Wrocławski ti@ii.uni.wroc.pl http://www.wsip.com.pl/serwisy/ti/ Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I Rozkład zgodny

Bardziej szczegółowo

SZKOLENIA SAS. ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie

SZKOLENIA SAS. ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie SZKOLENIA SAS ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie DANIEL KUBIK ŁUKASZ LESZEWSKI ROLE ROLE UŻYTKOWNIKÓW MODUŁU

Bardziej szczegółowo

Webowy generator wykresów wykorzystujący program gnuplot

Webowy generator wykresów wykorzystujący program gnuplot Uniwersytet Mikołaja Kopernika Wydział Fizyki, Astronomii i Informatyki Stosowanej Marcin Nowak nr albumu: 254118 Praca inżynierska na kierunku informatyka stosowana Webowy generator wykresów wykorzystujący

Bardziej szczegółowo

Wprowadzenie do programowania w języku Visual Basic. Podstawowe instrukcje języka

Wprowadzenie do programowania w języku Visual Basic. Podstawowe instrukcje języka Wprowadzenie do programowania w języku Visual Basic. Podstawowe instrukcje języka 1. Kompilacja aplikacji konsolowych w środowisku programistycznym Microsoft Visual Basic. Odszukaj w menu startowym systemu

Bardziej szczegółowo

Przewodnik Szybki start

Przewodnik Szybki start Przewodnik Szybki start Program Microsoft Access 2013 wygląda inaczej niż wcześniejsze wersje, dlatego przygotowaliśmy ten przewodnik, aby skrócić czas nauki jego obsługi. Zmienianie rozmiaru ekranu lub

Bardziej szczegółowo

www.plansoft.org plansoft.org Zmiany w Plansoft.org Panel wyszukiwania PLANOWANIE ZAJĘĆ, REZERWOWANIE SAL I ZASOBÓW

www.plansoft.org plansoft.org Zmiany w Plansoft.org Panel wyszukiwania PLANOWANIE ZAJĘĆ, REZERWOWANIE SAL I ZASOBÓW Zmiany w Plansoft.org Panel wyszukiwania... 1 Uruchamianie panelu wyszukiwania... 2 Wyszukiwanie poleceń menu... 2 Wyszukiwanie rozkładów zajęć wykładowców... 3 Wyszukiwanie rozkładów zajęć grup i użycia

Bardziej szczegółowo

Pobieranie i przetwarzanie treści stron WWW

Pobieranie i przetwarzanie treści stron WWW Eksploracja zasobów internetowych Wykład 2 Pobieranie i przetwarzanie treści stron WWW mgr inż. Maciej Kopczyński Białystok 2014 Wstęp Jedną z funkcji silników wyszukiwania danych, a właściwie ich modułów

Bardziej szczegółowo

FAQ. Kwiecień 2010. Generator Wniosków Płatniczych (GWP) Wersja 1.0

FAQ. Kwiecień 2010. Generator Wniosków Płatniczych (GWP) Wersja 1.0 Kwiecień 2010 Generator Wniosków Płatniczych (GWP) Historia dokumentu: Wersja Data ostatniej modyfikacji 1.0 26.04.2010 r. 2 S t r o n a Pytania i odpowiedzi do generatora wniosków płatniczych: 1. [GWP]

Bardziej szczegółowo

Programowanie obiektowe zastosowanie języka Java SE

Programowanie obiektowe zastosowanie języka Java SE Programowanie obiektowe zastosowanie języka Java SE Wstęp do programowania obiektowego w Javie Autor: dr inŝ. 1 Java? Java język programowania obiektowo zorientowany wysokiego poziomu platforma Javy z

Bardziej szczegółowo

Praktyczne wykorzystanie elementów raportowania Microsoft Project 2010 /Project Server 2010 Sesja 4 Performance Point Services Bartłomiej Graczyk

Praktyczne wykorzystanie elementów raportowania Microsoft Project 2010 /Project Server 2010 Sesja 4 Performance Point Services Bartłomiej Graczyk Praktyczne wykorzystanie elementów raportowania Microsoft Project 2010 /Project Server 2010 Sesja 4 Performance Point Services Bartłomiej Graczyk 2012-11-05 Bartłomiej Graczyk MCT,MCITP,MCTS Architekt

Bardziej szczegółowo

Konspekt do lekcji informatyki dla klasy II gimnazjum. TEMAT(1): Baza danych w programie Microsoft Access.

Konspekt do lekcji informatyki dla klasy II gimnazjum. TEMAT(1): Baza danych w programie Microsoft Access. Konspekt do lekcji informatyki dla klasy II gimnazjum. Opracowała: Mariola Franek TEMAT(1): Baza danych w programie Microsoft Access. Cel ogólny: Zapoznanie uczniów z możliwościami programu Microsoft Access.

Bardziej szczegółowo

Analiza korespondencji

Analiza korespondencji Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy

Bardziej szczegółowo

Przypisywanie bibliotek w architekturze SAS

Przypisywanie bibliotek w architekturze SAS SAS Institute TECHNICAL SUPPORT Przypisywanie bibliotek w architekturze SAS Platforma SAS pozwala na zdefiniowanie wspólnych zasobów w metadanych oraz ustalanie praw dostępu dla użytkowników i grup. Ze

Bardziej szczegółowo

Załącznik nr 1. Specyfikacja techniczna portalu internetowego Łódź, 15.10.2012 r.

Załącznik nr 1. Specyfikacja techniczna portalu internetowego Łódź, 15.10.2012 r. Załącznik nr 1. Specyfikacja techniczna portalu internetowego Łódź, 15.10.2012 r. Stworzenie platformy internetowej na potrzeby projektu. 1 Wykonanie portalu internetowego na potrzeby e-usługi, obejmującego

Bardziej szczegółowo

Wymagania edukacyjne z informatyki dla klasy szóstej szkoły podstawowej.

Wymagania edukacyjne z informatyki dla klasy szóstej szkoły podstawowej. Wymagania edukacyjne z informatyki dla klasy szóstej szkoły podstawowej. Dział Zagadnienia Wymagania podstawowe Wymagania ponadpodstawowe Arkusz kalkulacyjny (Microsoft Excel i OpenOffice) Uruchomienie

Bardziej szczegółowo

Tworzenie raportów XML Publisher przy użyciu Data Templates

Tworzenie raportów XML Publisher przy użyciu Data Templates Tworzenie raportów XML Publisher przy użyciu Data Templates Wykorzystanie Szablonów Danych (ang. Data templates) jest to jedna z metod tworzenia raportów w technologii XML Publisher bez użycia narzędzia

Bardziej szczegółowo

Metodyki projektowania i modelowania systemów Cyganek & Kasperek & Rajda 2013 Katedra Elektroniki AGH

Metodyki projektowania i modelowania systemów Cyganek & Kasperek & Rajda 2013 Katedra Elektroniki AGH Kierunek Elektronika i Telekomunikacja, Studia II stopnia Specjalność: Systemy wbudowane Metodyki projektowania i modelowania systemów Cyganek & Kasperek & Rajda 2013 Katedra Elektroniki AGH Zagadnienia

Bardziej szczegółowo

Sprzętowo wspomagane metody klasyfikacji danych

Sprzętowo wspomagane metody klasyfikacji danych Sprzętowo wspomagane metody klasyfikacji danych Jakub Botwicz Politechnika Warszawska, Instytut Telekomunikacji Plan prezentacji 1. Motywacje oraz cele 2. Problemy klasyfikacji danych 3. Weryfikacja integralności

Bardziej szczegółowo

Projektowanie architektury systemu rozproszonego. Jarosław Kuchta Projektowanie Aplikacji Internetowych

Projektowanie architektury systemu rozproszonego. Jarosław Kuchta Projektowanie Aplikacji Internetowych Projektowanie architektury systemu rozproszonego Jarosław Kuchta Zagadnienia Typy architektury systemu Rozproszone przetwarzanie obiektowe Problemy globalizacji Problemy ochrony Projektowanie architektury

Bardziej szczegółowo

Platformy programistyczne:.net i Java L ABORATORIUM 7,8: HACKATHON - JTTT

Platformy programistyczne:.net i Java L ABORATORIUM 7,8: HACKATHON - JTTT Platformy programistyczne:.net i Java L ABORATORIUM 7,8: HACKATHON - JTTT O co chodzi? - Przypomnienie Hackathon - http://en.wikipedia.org/wiki/hackathon A hackathon is an event in which computer programmers

Bardziej szczegółowo

Pomoc dla usługi GMSTHostService. GMSTHostService. Pomoc do programu 1/14

Pomoc dla usługi GMSTHostService. GMSTHostService. Pomoc do programu 1/14 GMSTHostService Pomoc do programu 1/14 Spis treści 1.Rejestracja...3 1.1.Pierwsza rejestracja...3 1.2.Ponowna rejestracja produktu...8 2.Podstawowe informacje o GMSTHostService...8 3.Przykładowa konfiguracja

Bardziej szczegółowo

Portale raportowe, a narzędzia raportowe typu self- service

Portale raportowe, a narzędzia raportowe typu self- service Portale raportowe, a narzędzia raportowe typu self- service Bartłomiej Graczyk Kierownik Projektów / Architekt rozwiązań Business Intelligence E mail: bartek@graczyk.info.pl Site: www.graczyk.info.pl Agenda

Bardziej szczegółowo

Dodatkowo planowane jest przeprowadzenie oceny algorytmów w praktycznym wykorzystaniu przez kilku niezależnych użytkowników ukończonej aplikacji.

Dodatkowo planowane jest przeprowadzenie oceny algorytmów w praktycznym wykorzystaniu przez kilku niezależnych użytkowników ukończonej aplikacji. Spis Treści 1. Wprowadzenie... 2 1.1 Wstęp... 2 1.2 Cel pracy... 2 1.3 Zakres pracy... 2 1.4 Użyte technologie... 2 1.4.1 Unity 3D... 3 2. Sztuczna inteligencja w grach komputerowych... 4 2.1 Zadanie sztucznej

Bardziej szczegółowo

Wymagania edukacyjne na poszczególne oceny z informatyki w gimnazjum klasa III Rok szkolny 2015/16

Wymagania edukacyjne na poszczególne oceny z informatyki w gimnazjum klasa III Rok szkolny 2015/16 Wymagania edukacyjne na poszczególne oceny z informatyki w gimnazjum klasa III Rok szkolny 2015/16 Internet i sieci Temat lekcji Wymagania programowe 6 5 4 3 2 1 Sieci komputerowe. Rodzaje sieci, topologie,

Bardziej szczegółowo

Część II. UEK w Krakowie Janusz Stal & Grażyna Paliwoda-Pękosz. UEK w Krakowie Janusz Stal & Grażyna Paliwoda-Pękosz

Część II. UEK w Krakowie Janusz Stal & Grażyna Paliwoda-Pękosz. UEK w Krakowie Janusz Stal & Grażyna Paliwoda-Pękosz Część II Po zrealizowaniu materiału student będzie w stanie posługiwać się taksonomiami XBRL wygenerować sprawozdanie finansowe w XBRL odczytać i zmodyfikować sprawozdanie finansowe zapisane w XBRL rozpoznawać

Bardziej szczegółowo

WYMAGANIA EDUKACYJNE Z ZAJĘĆ KOMPUTEROWYCH DLA KLASY SZÓSTEJ W ZAKRESIE WIADOMOŚCI I UMIEJĘTNOŚCI UCZNIÓW

WYMAGANIA EDUKACYJNE Z ZAJĘĆ KOMPUTEROWYCH DLA KLASY SZÓSTEJ W ZAKRESIE WIADOMOŚCI I UMIEJĘTNOŚCI UCZNIÓW EDUKACYJNE Z ZAJĘĆ KOMPUTEROWYCH DLA KLASY SZÓSTEJ W ZAKRESIE I UCZNIÓW Ocena celujący bardzo dobry dobry dostateczny dopuszczający Zakres wiadomości wykraczający dopełniający rozszerzający podstawowy

Bardziej szczegółowo

Ekran główny lista formularzy

Ekran główny lista formularzy Administracja modułem formularzy dynamicznych Konfigurator formularzy dynamicznych Funkcjonalność konfiguratora formularzy dynamicznych pozwala administratorowi systemu na stworzenie formularza, w którym

Bardziej szczegółowo

Jak skutecznie zarządzać informacją?

Jak skutecznie zarządzać informacją? Jak skutecznie zarządzać informacją? Platforma Office 2010 jako narzędzie do efektywnego zarządzania procesami w organizacji. Zbigniew Szcześniewski Microsoft AGENDA Co ma Office do zarządzania informacją?

Bardziej szczegółowo

NIEZAWODNE ROZWIĄZANIA SYSTEMÓW AUTOMATYKI. asix. Aktualizacja pakietu asix 4 do wersji 5 lub 6. Pomoc techniczna

NIEZAWODNE ROZWIĄZANIA SYSTEMÓW AUTOMATYKI. asix. Aktualizacja pakietu asix 4 do wersji 5 lub 6. Pomoc techniczna NIEZAWODNE ROZWIĄZANIA SYSTEMÓW AUTOMATYKI asix Aktualizacja pakietu asix 4 do wersji 5 lub 6 Pomoc techniczna Dok. Nr PLP0016 Wersja:08-12-2010 ASKOM i asix to zastrzeżony znak firmy ASKOM Sp. z o. o.,

Bardziej szczegółowo

Język JAVA podstawy. wykład 2, część 1. Jacek Rumiński. Politechnika Gdańska, Inżynieria Biomedyczna

Język JAVA podstawy. wykład 2, część 1. Jacek Rumiński. Politechnika Gdańska, Inżynieria Biomedyczna Język JAVA podstawy wykład 2, część 1 1 Język JAVA podstawy Plan wykładu: 1. Rodzaje programów w Javie 2. Tworzenie aplikacji 3. Tworzenie apletów 4. Obsługa archiwów 5. Wyjątki 6. Klasa w klasie! 2 Język

Bardziej szczegółowo

Oferta szkoleniowa Yosi.pl 2012/2013

Oferta szkoleniowa Yosi.pl 2012/2013 Oferta szkoleniowa Yosi.pl 2012/2013 "Podróżnik nie posiadający wiedzy, jest jak ptak bez skrzydeł" Sa'Di, Gulistan (1258 rok) Szanowni Państwo, Yosi.pl to dynamicznie rozwijająca się firma z Krakowa.

Bardziej szczegółowo

Procesy biznesowe w praktyce. Przykłady użycia z wykorzystaniem jbpm 4.4

Procesy biznesowe w praktyce. Przykłady użycia z wykorzystaniem jbpm 4.4 Procesy biznesowe w praktyce Przykłady użycia z wykorzystaniem jbpm 4.4 1 Agenda Definicja i zastosowanie procesu biznesowego Języki dziedzinowe (DSL) a rozwiązania BPM JBPM: jbpm 4.4 krótka charakterystyka

Bardziej szczegółowo

Wprowadzenie do projektu QualitySpy

Wprowadzenie do projektu QualitySpy Wprowadzenie do projektu QualitySpy Na podstawie instrukcji implementacji prostej funkcjonalności. 1. Wstęp Celem tego poradnika jest wprowadzić programistę do projektu QualitySpy. Będziemy implementować

Bardziej szczegółowo

Sposób tworzenia tabeli przestawnej pokażę na przykładzie listy krajów z podstawowymi informacjami o nich.

Sposób tworzenia tabeli przestawnej pokażę na przykładzie listy krajów z podstawowymi informacjami o nich. Tabele przestawne Tabela przestawna to narzędzie służące do tworzenia dynamicznych podsumowań list utworzonych w Excelu lub pobranych z zewnętrznych baz danych. Raporty tabeli przestawnej pozwalają na

Bardziej szczegółowo