1. Przygotowanie danych do analizy. Transformacja danych
|
|
- Alina Kozłowska
- 4 lat temu
- Przeglądów:
Transkrypt
1 Spis treści: Przygotowanie danych do analizy. Transformacja danych.1 Rapid Miner transformacja danych.2 Oracle Data Miner - Przygotowanie danych do analizy...5 Transformacja danych w ODM JAVA API Transformacja danych w ODM PL/SQL Zadania Przygotowanie danych do analizy. Transformacja danych Eksploracja danych, która jest jednym z etapów odkrywania wiedzy z danych wymaga, by analizowane dane były dobrej jakości. By nie było brakujących danych, czy tzw. outliers. Konieczne jest więc przeprowadzenie procesu przygotowania danych do analizy, które ma na celu usunięcie nieprawidłowości i przekształcenie danych do postaci wymaganej przez techniki Data Mining. Według D.Pyle (D.Pyle, Preparation for Data Mining,Morgan Kaufman, San Francisco, CA, 1999) wstępna obróbka danych zajmuje aż 60% czasu i wysiłku związanego z eksploracją danych. W przypadku brakujących danych można: pominąć rekordy z brakującymi wartościami (niezalecane) zastąpić brakującą wartość pewną stałą, określoną przez analityka, zastąpić brakującą wartość wartością średnią (zmienne liczbowe) lub modalną (zmienne jakościowe) zastąpić brakującą wartość wartością wygenerowaną losowo z rozkładu zmiennej. Techniki Data Mining mogą być stosowane z powodzeniem gdy dane nie będą zawierały zmiennych niewspółmiernych i nadmiernie skorelowanych zmiennych niezależnych. Dane niewspółmierne skutkują budową modeli, w których wkład poszczególnych zmiennych może różnić się wielokrotnie. Stosowanie danych nadmiernie skorelowanych powoduje: wyolbrzymienie jakiejś części danych, budowę niestabilnych modeli i uzyskanie niepewnych wyników, z powodu wielokrotnej regresji w dziedzinie uzyskuje się niespójne wyniki Konieczne jest więc przed budową modeli przekształcenie zmiennych do odpowiedniej postaci, określane jako proces transfomacji danych. Transformacja danych obejmuje następujące przekształcenia: dyskretyzacja zmiennych, podział na przedziały o jednakowej długości szeregi rozdzielcze, o jednakowej głębokości - kwantyle rangowanie, normalizacja (standaryzowanie danych), obliczanie odwrotności logarytmowanie, pierwiastkowanie, przekształcenia logitowe, zmiana typu danych. -1-
2 Rapid Miner transformacja danych 2. Rapid Miner transformacja danych Rapid Miner umożliwia przygotowanie danych do analizy poprzez wykonanie próbkowania, selekcję atrybutów jak też przeprowadzenie transformacji danych. Selekcja danych W celu wybrania określonych atrybutów można wykorzystać operator Select Attributes, który daje możliwość ustalenia podzbioru atrybutów. Transformację danych można wykonać wykorzystując jeden z operatorów dostępnych w grupie Data Transformation. -2-
3 Rapid Miner transformacja danych Konwersja Możliwa jest konwersja wskazanych atrybutów. Dyskretyzacja Rapid Miner zapewnia możliwość przeprowadzenia dyskretyzacji danych liczbowych przy zastosowaniu różnych strategii: na podstawie rozmiaru, częstości czy entropii. -3-
4 Rapid Miner transformacja danych Czyszczenie danych Rapid Miner umożliwia zidentyfikowanie tzw. Outliers a także pozwala na uzupełnienie brakujących danych. Brakujące wartości atrybutów. W przypadku danych niekompletnych można próbować wypełnić puste miejsca na podstawie znanych wartości danego atrybutu w innych przykładach, np. przypisując w puste miejsce średnią wartość tego atrybutu dla wszystkich przykładów należących do tej samej klasy, dla których wartość tego atrybutu jest znana. Uzupełnianie brakujących danych jest możliwe przy zastosowaniu operatora Replace MissingValues. Wynikowy zestaw danych, uzupełniony o estymowane brakujące wartości, otrzymamy korzystając min. z operatora Write CSV. Dane te następnie można wykorzystać w kolejnym procesie przetwarzania danych. -4-
5 3. Oracle Data Miner - przygotowanie danych do analizy Tabele danych mogą zawierać atrybuty o wartości NULL. Algorytmy eksploracji danych często traktują wartości NULL jako wartości brakujące (missing values) lub zakładają, że dane są danymi rzadkimi (sparse data). Zazwyczaj do obsługi wartości brakujących wystarczą ustawienia domyślne. Z danymi rzadkimi mamy do czynienia wówczas, gdy niewielka część atrybutów (do 20 %, a w przypadku analizy koszykowej nawet do 3 %) ma wartości niezerowe bądź nie puste. Algorytmy, dla których brakujące wartości oznaczają dane rzadkie to SVM czy APriori. Brakujące dane, dane nietypowe (outliers) i błędne dane uniemożliwiają przeprowadzenie analizy danych lub fałszują wyniki analiz. Algorytmy eksploracji danych często wymagają stosowania danych określonego typu, o wartościach z określonego przedziału. Zanim przystąpi się do budowy modeli eksploracyjnych (drzewa decyzyjne,, sieci neuronowe itd. ) należy przeprowadzić czyszczenie danych, uzupełnianie brakujących wartości, a następnie transformację danych. Dyskretyzacja Proces dyskretyzacji grupuje wartości w przedziały redukując różnowartościowość atrybutów (zmiennych). Im mniejsza liczba przedziałów tym szybciej jest budowany model. Proces dyskretyzacji ma ogromny wpływ na dokładność modelu. Ręczna dyskretyzacja dokonywana przez eksperta, oparta o informacje dotyczące danych i zagadnienia będącego przedmiotem analizy może zwiększyć dokładność modelu. Metody dyskretyzacji w ODM: atrybuty numeryczne: Podział na kwantyle (quantile binning): dla przedziału wartości atrybutu od min do max i określonej liczby kwantyli N, przedział jest dzielony na M części (M<=N), tak, że każda część zawiera taką samą liczbę wartości atrybutów. Podział na szeregi rozdzielcze o równej szerokości (Equal Width Binning). Przedziały zawierają różną liczbę wartości atrybutów. atrybuty kategoryczne: Rangowanie Pierwsze N elementów (Top N binning): dla danego N określanych jest N najczęściej występujących wartości. Atrybuty są dzielone na N+1 przedziałów tak, że przedział 1 zawiera atrybuty z pierwszą wartością częstości, przedział N zawiera atrybuty z N-tą wartością częstości, a przedział N+1, zawiera atrybuty z wartością częstości nie odpowiadającą żadnej z N. Normalizacja Normalizacja sprowadza się do transformacji wartości ciągłych w przedział od 1 do 1 lub od 0 do 1. Transformacja ma następującą postać: xnew = ((xold-shift)/scale). W ODM możliwe jest wykorzystanie różnych metod normalizacji: Dla atrybutów nie rzadkich: Min-Max: xnew = (x - MIN(x))/(MAX(x) - MIN(x))*(new max - new min) + new min Z-Score: xnew = (x - MEAN(x))/SQRT(VARIANCE(x)) Dla atrybutów rzadkich: Skalowanie liniowe: xnew = (x/max(abs(min(x)), ABS(MAX(x)))). -5-
6 Dla danych przeznaczonych do analizy można obliczyć statystyki określające wartości minimalne, maksymalne, średnie poszczególnych atrybutów oraz wariancję i przygotować histogramy. Oracle10g Data Mining (ODM) Oracle10g Data Mining umożliwia integrację mechanizmów eksploracji analizy danych (data mining) wbudowanych w bazę danych Oracle10g z aplikacjami tworzonymi przez programistów. ODM udostępnia dwie grupy funkcji do budowy aplikacji zawierających analizy eksploracyjne: ODM PL/SQLI, ODM Java API. 4. Transformacja danych w ODM Java API Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych Z menu głównego wybierz Data Transform ->Discretize. Wybierz tabelę z danymi uprzednio zaimportowanymi (CHURNERS po imporcie z pliku churners.csv), upewnij się, że zaznaczona jest opcja Single record per case. Kliknij przycisk Dalej. -6-
7 Podaj nazwę perspektywy CHURNER S_TRANSFORM. wynikowej oraz opis słowny perspektywy Upewnij się, że atrybut CUST_ID został zaznaczony jako unikalny (nie będzie brany pod uwagę w procesie eksploracji). Zwróć uwagę, że niektóre atrybuty typu NUMBER zostały zidentyfikowane jako atrybuty kategoryczne dotyczy to atrybutów o niewielkiej liczbie różnych wartości. Kliknij przycisk Dalej. -7-
8 Zaznacz atrybut CUST_MOS. Zwróć uwagę na rozpiętość wartości: minimalnej, średniej i maksymalnej. Sporządź histogram dla tej zmiennej. 4. Przeprowadź analizę uzyskanych wyników. Wygeneruj histogram dla zmiennej INCOME. Następnie przeprowadź transformacje zmiennej INCOME podział na 4 kwantyle. Kliknij przycisk Quantile Binning. Wybierz opcję Specify maximum number of bins i wpisz wartość
9 wartości Obejrzyj listę atrybutów kategorycznych, zwróć uwagę na ilość poszczególnych atrybutów. Zaznacz atrybut EDUC. Wygeneruj histogram dla tej zmiennej. Kliknij przycisk Top N. W pole Specify maximum number of bins wpisz wartość 3. Kliknij przycisk OK. W perspektywie wynikowej pozostaną 3 najczęściej pojawiających się nazwy, a wszystkie pozostałe zostaną umieszczone w zbiorczej kategorii Others. Rozwiń drzewo obiektów po lewej stronie ekranu i przejdź do Data Sources D MU S E R Views. Zaznacz perspektywę po transformacji. Zwróć uwagę na wartości w atrybutów INCOME i EDUC -9-
10 Kliknij na zakładkę View Lineage. Przeanalizuj kod perspektywy CHURNS_TRANSFORM realizującej poszczególne kroki dyskretyzacji. wynikowej Przeprowadź normalizację dla zmiennej MIN_3MO_AGO Z menu głównego wybierz Data Transform Normalize
11 5. Transformacja danych w ODM PL/SQL W ODM PL/SQL narzędzia do eksploracji danych umieszczono w trzech pakietach: 1. DBMS_DATA_MINING_TRANSFORM - procedury pomocnicze przygotowujące dane Pozwalają one na wstępne przetwarzanie danych za pomocą przycinania, dyskretyzacji, normalizacji, oraz uzupełniania wartości pustych. Oryginalne dane nigdy nie są zmodyfikowane, wszystkie zmiany są widoczne wyłącznie poprzez mechanizm perspektyw. Tworzona jest tabela służąca do transformacji (CREATE), następnie tabela ta jest wypełniana danymi stanowiącymi definicję transformacji (INSE RT), wreszcie tworzona jest perspektywa przedstawiająca dane po transformacji (XFORM). 2. DBMS_DATA_MINING - właściwa eksploracja danych W skład pakietu wchodzą metody umożliwiające: zarządzanie modelami (CREATE_MODEL, RENAME_MODEL, DROP_MODEL), wykorzystywanie modelu do nowych danych (APPLY, RANK_APPLY), odczytywanie informacji o modelu (GET_MODEL_DETAILS, GET_MODEL_SETTINGS, GET_MODEL_SIGNATURE), ocenianie jakości modelu (COMPUTE_CONFUSION_MATRIX, COMPUTE_LIFT, COMPUTE_ROC), eksportowanie i importowanie modelu (EXPORT_MODEL, IMPORT_MODEL). W przypadku wykorzystania interfejsu PL/SQL parametry wejściowe dla algorytmów umieszcza się w tabeli o określonej strukturze, nazwy parametrów są przekazywane jako zmienne pakietowe. 3. DBMS_PREDICTIVE_ANALYTICS użytkowników pakiet przeznaczony dla początkujących Umożliwia wykorzystanie klasyfikacji bez jakiejkolwiek znajomości technik eksploracji danych. Zawiera metody: EXPLAIN - służącą do oceny ważności atrybutów względem wybranego atrybutu docelowego, PREDICT - służącą do przewidywania wartości atrybutu na podstawie pozostałych atrybutów, przy założeniu, że w tabeli źródłowej istnieją wiersze z podaną wartością atrybutu docelowego, które zostaną potraktowane jako zbiór trenujący Oracle a umozliwia: Automatyczne przygotowanie danych Usunięcie przypadków nietypowych Normalizację Kodowanie atrybutów kategorycznych do numerycznych Wsparcie przez pakiet dbms_data_mining_transform Oracle Data Miner Pakiety PL/SQL działają w sposób synchroniczny. Jeśli wymagane jest synchroniczne budowanie lub testowanie modelu, należy wykorzystać pakiet DBMS_SCHEDULER
12 TRANSFORMACJA DEFINICJI TABELI TRANSFORMACJA DANYCH 1. tworzenie tabeli transformacji (CREATE) 2. wypełnianie tabeli danymi stanowiącymi definicję transformacji (INSERT), 3. tworzenie perspektywy przedstawiającej dane po transformacji (XFORM). C R E ATE_BIN_NUM, CREATE_BIN_CAT numerycznych, kategorycznych tworzenie tabel definicji atrybutów CREATE_NORM_LIN tworzenie tabeli definicji normalizacji. CREATE_CLIP tworzenie wycinka tablicy definicji. CREATE_MIS S_NUM, CREATE_MISS_CAT do tworzenia tabel definicji uzupełniania wartości brakujących atrybutów numerycznych i kategorycznych. Przykład: Tworzenie definicji tabeli transformacji dla atrybutów kategorycznych dbms_data_mining_transform.create_bin_cat ( bin_table_name => 'nb_sample_cat_boundary'); Wypełnianie tabeli danymi stanowiącymi definicję transformacji dbms_data_mining_transform.insert_bin_cat_freq ( bin_table_name => 'nb_sample_cat_boundary', -- tabela wynikowa data_table_name => 'MINING_DATA_BUILD', -- tabela żródłowa bin_num => 5, default_num => 0); Tworzenie perspektywy przedstawiającej dane po transformacji dbms_data_mining_transform.xform_bin_cat ( bin_table_name => 'nb_sample_cat_boundary', -- tabela wynikowa data_table_name => 'MINING_DATA_BUILD', -- tabela żródłowa xform_view_name => 'nb_sample_build_cat'); -- perspektywa wynikowa Zródła:
13 6. Zadania 1. W środowisku Rapid Miner a wykonaj import pliku churn.txt. Zwróć uwagę na prawidłowy typ danych podczas importu. Ustal dla atrybutu id rolę id, a dla att22 rolę label. Przeprowadź transformację danych: dyskretyzacja atrybutów: account_length (szeregi rozdzielcze o równej długości)- discretize by binding, total_day_calls(kwantyle) discretize by frequency normalizacja atrybutu area_code - normalize eliminacja odstających wartości detect outliers Dane churn.txt 2. W środowisku ORACLE DATA MINER zaimportuj dane z pliku dmbase.csv do tabeli DMBASE. Podczas importu zmień typ atrybutów salary i logsalary, na numeryczny.. Sprawdź jakość danych, czy nie ma danych brakujących, błędnych. Utwórz perspektywę V_DMBASE zawierającą atrybuty: id, name, team, division, league, no_runs, no_hits, no_outs, no_errors, no_home, position, salary. Dane z perspektywy poddaj transformacji. Przeprowadź dyskretyzację atrybutu kategorycznego POSITION i TEAM, Wykonaj dyskretyzację atrybutu numerycznego NO_ERROR ( podzial na 3 przedziały o równej głębokości kwantyle) Wykonaj normalizację atrybutu numerycznego NO_HOME ( metoda: Z-score) Wykonaj eliminację 3% wartości atrybutu numerycznego NO_OUTS, wypełnij wyeliminowane dane wartością brzegową Wykonaj eliminację wartości atrybutu numerycznego SALARY, o wartości powyżej 1889, przypisz null Dane dmbase.csv
Laboratorium 11. Regresja SVM.
Laboratorium 11 Regresja SVM. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk Dalej>. 3. Z
Bardziej szczegółowo1. Odkrywanie asocjacji
1. 2. Odkrywanie asocjacji...1 Algorytmy...1 1. A priori...1 2. Algorytm FP-Growth...2 3. Wykorzystanie narzędzi Oracle Data Miner i Rapid Miner do odkrywania reguł asocjacyjnych...2 3.1. Odkrywanie reguł
Bardziej szczegółowo1. Cele eksploracyjnej analizy danych Rapid Miner zasady pracy i wizualizacja danych Oracle Data Miner -zasady pracy.
Spis treści: 1. Cele eksploracyjnej analizy danych...1 2. Rapid Miner zasady pracy i wizualizacja danych...3 3. Oracle Data Miner -zasady pracy.12 3.1 ODM PL/SQL.......12 3.2 ODM JAVA API......12 3.2.1
Bardziej szczegółowoLaboratorium 2. Określanie ważności atrybutów.
Laboratorium 2 Określanie ważności atrybutów. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk
Bardziej szczegółowoLaboratorium 10. Odkrywanie cech i algorytm Non-Negative Matrix Factorization.
Laboratorium 10 Odkrywanie cech i algorytm Non-Negative Matrix Factorization. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie
Bardziej szczegółowoLaboratorium 4. Naiwny klasyfikator Bayesa.
Laboratorium 4 Naiwny klasyfikator Bayesa. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk
Bardziej szczegółowoLaboratorium 3. Odkrywanie reguł asocjacyjnych.
Laboratorium 3 Odkrywanie reguł asocjacyjnych. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Tools SQL Worksheet. W górnym oknie wprowadź i wykonaj
Bardziej szczegółowoLaboratorium 12. Odkrywanie osobliwości.
Laboratorium 12 Odkrywanie osobliwości. Odkrywanie osobliwości (ang. outliers) za pomocą algorytmu SVM zostanie w pierwszej części ćwiczenia przeprowadzone w środowisku SQL, a w drugiej części wykorzystamy
Bardziej szczegółowob) Umiejętność wykonania analizy zależności zmiennych i interpretacji uzyskanych wyników.
Cele: a) Umiejętność przeprowadzenia analizy struktury wybranego zbioru obserwacji Obliczanie miar tendencji centralnych, miar rozproszenia, współczynnika skośności i miary spłaszczenia z wykorzystaniem
Bardziej szczegółowo1. Grupowanie Algorytmy grupowania:
1. 1.1. 2. 3. 3.1. 3.2. Grupowanie...1 Algorytmy grupowania:...1 Grupowanie metodą k-średnich...3 Grupowanie z wykorzystaniem Oracle Data Miner i Rapid Miner...3 Grupowanie z wykorzystaniem algorytmu K-Means
Bardziej szczegółowoLaboratorium 6. Indukcja drzew decyzyjnych.
Laboratorium 6 Indukcja drzew decyzyjnych. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk
Bardziej szczegółowoLaboratorium 5. Adaptatywna sieć Bayesa.
Laboratorium 5 Adaptatywna sieć Bayesa. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk Dalej>.
Bardziej szczegółowoData Mining z wykorzystaniem programu Rapid Miner
Data Mining z wykorzystaniem programu Rapid Miner Michał Bereta www.michalbereta.pl Program Rapid Miner jest dostępny na stronie: http://rapid-i.com/ Korzystamy z bezpłatnej wersji RapidMiner Community
Bardziej szczegółowoLaboratorium 13. Eksploracja danych tekstowych.
Laboratorium 13 Eksploracja danych tekstowych. Eksploracja danych tekstowych oraz kroki wstępne przetwarzania tekstu zostaną wykonane zarówno w środowisku SQL, jak i za pomocą narzędzia Oracle Data Miner.
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoZałożenia do ćwiczeń: SQL Server UWM Express Edition: 213.184.8.192\SQLEXPRESS. Zapoznaj się ze sposobami użycia narzędzia T SQL z wiersza poleceń.
Cel: polecenia T-SQL Założenia do ćwiczeń: SQL Server UWM Express Edition: 213.184.8.192\SQLEXPRESS Authentication: SQL Server Authentication Username: student01,, student21 Password: student01,., student21
Bardziej szczegółowoMicrosoft Access materiały pomocnicze do ćwiczeń cz. 1
Microsoft Access materiały pomocnicze do ćwiczeń cz. 1 I. Tworzenie bazy danych za pomocą kreatora Celem ćwiczenia jest utworzenie przykładowej bazy danych firmy TEST, zawierającej informacje o pracownikach
Bardziej szczegółowoKsięgowość Optivum. Jak wykonać eksport danych z programu Księgowość Optivum do SIO?
Księgowość Optivum Jak wykonać eksport danych z programu Księgowość Optivum do SIO? Program Księgowość Optivum eksportuje do systemu informacji oświatowej dane, którymi wypełniana jest tabela KO1 koszty.
Bardziej szczegółowoPlan laboratorium. Eksploracja danych. Co to jest eksploracja danych. Wprowadzenie do eksploracji danych
Plan laboratorium Eksploracja danych Wprowadzenie do eksploracji danych Pakiety PL/SQL i funkcje SQL Transformacja danych Algorytmy eksploracji danych odkrywanie reguł asocjacyjnych klasyfikacja naiwny
Bardziej szczegółowoJak eksportować dane z Arkusza do SIO?
Arkusz Jak eksportować dane z Arkusza do SIO? W celu eksportowania danych z Arkusza do SIO należy wykonać następujące czynności: 1. W programie Arkusz uzupełnić wszystkie brakujące dane i wyeksportować
Bardziej szczegółowoKadry Optivum. Jak wykonać eksport danych do SIO z programu Kadry Optivum?
Kadry Optivum Jak wykonać eksport danych do SIO z programu Kadry Optivum? Aby wyeksportować dane z programu Kadry Optivum do SIO, należy wykonać następujące czynności: 1. Pobrać i zainstalować najnowsze
Bardziej szczegółowoWprowadzenie do programu RapidMiner Studio 7.6, część 4 Michał Bereta
Wprowadzenie do programu RapidMiner Studio 7.6, część 4 Michał Bereta www.michalbereta.pl W tej części: Zachowanie wytrenowanego modelu w celu późniejszego użytku Filtrowanie danych (brakujące etykiety
Bardziej szczegółowoPłace Optivum. Jak wykonać eksport danych do SIO z programu Płace Optivum? Przygotowanie pliku dla SIO w programie Płace Optivum
Płace Optivum Jak wykonać eksport danych do SIO z programu Płace Optivum? Aby wyeksportować dane z programu Płace Optivum do SIO, należy wykonać następujące czynności: 1. Pobrać i zainstalować najnowsze
Bardziej szczegółowoArkusz Optivum. Jak eksportować do SIO dane z Arkusza Optivum?
Arkusz Optivum Jak eksportować do SIO dane z Arkusza Optivum? W celu eksportowania danych z Arkusza Optivum do SIO należy wykonać następujące czynności: 1. W programie Arkusz Optivum zaktualizować arkusz
Bardziej szczegółowoSystem imed24 Instrukcja Moduł Analizy i raporty
System imed24 Instrukcja Moduł Analizy i raporty Instrukcja obowiązująca do wersji 1.8.0 Spis treści 1. Moduł Analizy i Raporty... 3 1.1. Okno główne modułu Analizy i raporty... 3 1.1.1. Lista szablonów
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoPlan. 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 szczegółowoJak wykonać eksport danych do SIO z aplikacji Kadry VULCAN?
Kadry VULCAN Jak wykonać eksport danych do SIO z aplikacji Kadry VULCAN? Aby wyeksportować dane z programu Kadry VULCAN do SIO, należy wykonać następujące czynności: 1. Pobrać i zainstalować najnowsze
Bardziej szczegółowoĆwiczenie 5. Eksploracja danych
Ćwiczenie 5. Eksploracja danych 1. Uruchomienie i skonfigurowanie środowiska do ćwiczeń Czas trwania: 15 minut Zadaniem niniejszych ćwiczeń jest przedstawienie podstawowych zagadnień dotyczących wykorzystywania
Bardziej szczegółowoPrzewodnik użytkownika (instrukcja) AutoMagicTest
Przewodnik użytkownika (instrukcja) AutoMagicTest 0.1.21.137 1. Wprowadzenie Aplikacja AutoMagicTest to aplikacja wspierająca testerów w testowaniu i kontrolowaniu jakości stron poprzez ich analizę. Aplikacja
Bardziej szczegółowoPodstawowe operacje i rodzaje analiz dostępne w pakiecie Statistica
Podstawowe operacje i rodzaje analiz dostępne w pakiecie Statistica 1. Zarządzanie danymi. Pierwszą czynnością w pracy z pakietem Statistica jest zazwyczaj wprowadzenie danych do arkusza. Oprócz możliwości
Bardziej szczegółowoTworzenie bazy danych w środowisku OpenOffice.org Base tabela, formularz, kwerenda, raport
Tworzenie bazy danych w środowisku OpenOffice.org Base tabela, formularz, kwerenda, raport W programie OpenOffice.org Base można uzyskać dostęp do danych zapisanych w plikach baz danych o różnych formatach.
Bardziej szczegółowoINSTRUKCJA IMPORTU PRODUKTÓW DO SKLEPU
INSTRUKCJA IMPORTU PRODUKTÓW DO SKLEPU 1. W panelu administracyjnym w zakładce produkty uzupełnij drzewo kategorii (rys. nr 1.) oraz dodaj przykładowy produkt (lub kilka produktów jeżeli posiadasz w ofercie
Bardziej szczegółowoOpracował: mgr inż. Marcin Olech 2010-10-04
Laboratorium 4 Strona 1 z 17 Spis treści: 1. Wielowymiarowa analiza danych w arkusza kalkulacyjnych z wykorzystaniem MS Excel: a. tworzenie tabel przestawnych, b. tworzenie wykresów przestawnych. 2. Praca
Bardziej szczegółowoMS Excell 2007 Kurs podstawowy Filtrowanie raportu tabeli przestawnej
MS Excell 2007 Kurs podstawowy Filtrowanie raportu tabeli przestawnej prowadzi: dr inż. Tomasz Bartuś Kraków: 2008 04 04 Przygotowywanie danych źródłowych Poniżej przedstawiono zalecenia umożliwiające
Bardziej szczegółowoSymSync integracja danych Opencart/Prestashop Symfonia Handel Instrukcja obsługi
SymSync 2.0 06/2016 SymSync integracja danych Opencart/Prestashop Symfonia Handel Instrukcja obsługi Spis treści 1. Instalacja programu...3 2. Konfiguracja programu...3 3. Przygotowanie pliku eksportu...5
Bardziej szczegółowoDane wejściowe. Oracle Designer Generowanie bazy danych. Wynik. Przebieg procesu
Dane wejściowe Oracle Designer Generowanie bazy danych Diagramy związków encji, a w szczególności: definicje encji wraz z atrybutami definicje związków między encjami definicje dziedzin atrybutów encji
Bardziej szczegółowoNowa Netia administrator firmy Nagrywanie połączeń-zarządzanie
RBT API v2.3 Nowa Netia administrator firmy Nagrywanie połączeń-zarządzanie Spis treści I. WPROWADZENIE 2 II. OPIS FUNKCJONALNOŚCI..3 1. LOGOWANIE I ZMIANA HASŁA...3 1.1 LOGOWANIE..3 1.2 WIDOK PO ZALOGOWANIU...4
Bardziej szczegółowoAnaliza Statystyczna
Lekcja 5. Strona 1 z 12 Analiza Statystyczna Do analizy statystycznej wykorzystać można wbudowany w MS Excel pakiet Analysis Toolpak. Jest on instalowany w programie Excel jako pakiet dodatkowy. Oznacza
Bardziej szczegółowoZajęcia nr VII poznajemy Rattle i pakiet R.
Okno główne Rattle wygląda następująco: Zajęcia nr VII poznajemy Rattle i pakiet R. Widzimy główne zakładki: Data pozwala odczytad dane z różnych źródeł danych (pliki TXT, CSV) i inne bazy danych. Jak
Bardziej szczegółowoPlan. Aplikacja. Architektura aplikacji. Architektura aplikacji Tworzenie aplikacji Application Builder podstawy
Plan Podstawy narzędzia Application Builder, 2 budowa strony, kreatory Architektura Tworzenie Tworzenie formularza tabelarycznego Budowa strony 2 Architektura Aplikacja kolekcja stron połączonych ze sobą
Bardziej szczegółowoPłace VULCAN. Jak wykonać eksport danych do SIO z aplikacji Płace VULCAN?
Płace VULCAN Jak wykonać eksport danych do SIO z aplikacji Płace VULCAN? Aby wyeksportować dane z programu Płace VULCAN do SIO, należy wykonać następujące czynności: 1. Pobrać i zainstalować najnowsze
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
Bardziej szczegółowoInstrukcja obsługi Multiconverter 2.0
Instrukcja obsługi Multiconverter 2.0 Opis: Niniejsza instrukcja opisuje wymogi użytkowania aplikacji oraz zawiera informacje na temat jej obsługi. DHL Multiconverter powstał w celu ułatwienia oraz usprawnienia
Bardziej szczegółowoProdukcja 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 szczegółowoNIEZAWODNE 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 szczegółowoInstrukcja importu przesyłek. z Menedżera Sprzedaży do aplikacji Webklient
Instrukcja importu przesyłek z Menedżera Sprzedaży do aplikacji Webklient Instrukcja importu przesyłek z Menedżera Sprzedaży do aplikacji Webklient Wersja 1.0 Warszawa, Luty 2015 Strona 2 z 7 Instrukcja
Bardziej szczegółowoGenerowanie tabel na podstawie pliku, utworzonego podczas poprzedniej aktualizacji baz danych oświatowych
Generowanie tabel na podstawie pliku, utworzonego podczas poprzedniej aktualizacji baz danych oświatowych Zadaniem programu SIO 3.0 jest zebranie danych ze szkół i placówek, funkcjonujących w systemie
Bardziej szczegółowoInstrukcja obsługi DHL KONWERTER 1.6
Instrukcja obsługi DHL KONWERTER 1.6 Opis: Niniejsza instrukcja opisuje wymogi użytkowania aplikacji oraz zawiera informacje na temat jej obsługi. DHL Konwerter powstał w celu ułatwienia oraz usprawnienia
Bardziej szczegółowoWYKONANIE APLIKACJI OKIENKOWEJ OBLICZAJĄCEJ SUMĘ DWÓCH LICZB W ŚRODOWISKU PROGRAMISTYCZNYM. NetBeans. Wykonał: Jacek Ventzke informatyka sem.
WYKONANIE APLIKACJI OKIENKOWEJ OBLICZAJĄCEJ SUMĘ DWÓCH LICZB W ŚRODOWISKU PROGRAMISTYCZNYM NetBeans Wykonał: Jacek Ventzke informatyka sem. VI 1. Uruchamiamy program NetBeans (tu wersja 6.8 ) 2. Tworzymy
Bardziej szczegółowoInstrukcja obsługi Nowego Punktatora
Instrukcja obsługi Nowego Punktatora Nowy Punktator jest niezbędnym narzędziem do wygenerowania ankiety okresowej oceny wyników pracy nauczycieli akademickich, wynikającej z art. 132 ustawy z dnia 27 lipca
Bardziej szczegółowoSposób 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 szczegółowoKrzysztof Kawa. empolis arvato. e mail: krzysztof.kawa@empolis.com
XI Konferencja PLOUG Kościelisko Październik 2005 Zastosowanie reguł asocjacyjnych, pakietu Oracle Data Mining for Java do analizy koszyka zakupów w aplikacjach e-commerce. Integracja ze środowiskiem Oracle
Bardziej szczegółowoArchiwum DG 2016 PL-SOFT
2 1 to kompleksowe narzędzie ochrony Twoich danych genealogicznych utworzonych w programie Drzewo genealogiczne. Aplikacja nie wymaga instalacji na komputerze i jest uruchamiana bezpośrednio z dysku USB.
Bardziej szczegółowoPrzykład Rezygnacja z usług operatora
Przykład Rezygnacja z usług operatora Zbiór CHURN Zbiór zawiera dane o 3333 klientach firmy telefonicznej razem ze wskazaniem, czy zrezygnowali z usług tej firmy Dane pochodzą z UCI Repository of Machine
Bardziej szczegółowoLABORATORIUM 8,9: BAZA DANYCH MS-ACCESS
UNIWERSYTET ZIELONOGÓRSKI INSTYTUT INFORMATYKI I ELEKTROTECHNIKI ZAKŁAD INŻYNIERII KOMPUTEROWEJ Przygotowali: mgr inż. Arkadiusz Bukowiec mgr inż. Remigiusz Wiśniewski LABORATORIUM 8,9: BAZA DANYCH MS-ACCESS
Bardziej szczegółowoRozdział 7 ZARZĄDZANIE PROJEKTAMI
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 7 ZARZĄDZANIE PROJEKTAMI 7.2. Ćwiczenia komputerowe Ćwiczenie 7.1 Wykorzystując
Bardziej szczegółowoUsługi 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 szczegółowoZaawansowane aplikacje internetowe - laboratorium
Zaawansowane aplikacje internetowe - laboratorium Web Services (część 3). Do wykonania ćwiczeń potrzebne jest zintegrowane środowisko programistyczne Microsoft Visual Studio 2005. Ponadto wymagany jest
Bardziej szczegółowoNowe funkcje w programie Symfonia Handel w wersji 2013
Symfonia Handel 1 / 5 Nowe funkcje w programie Symfonia Handel w wersji 2013 Spis treści: Obsługa przelewów elektronicznych 2 Nowe operacje grupowe 2 Zmiany w oknie rozrachunku 3 Zmiany w oknie kontrahenta
Bardziej szczegółowoKlasyfikacja i regresja Wstęp do środowiska Weka
Klasyfikacja i regresja Wstęp do środowiska Weka 19 listopada 2015 Opis pliku z zadaniami Wszystkie zadania na zajęciach będą przekazywane w postaci plików pdf sformatowanych podobnie do tego dokumentu.
Bardziej szczegółowoWykład XII. optymalizacja w relacyjnych bazach danych
Optymalizacja wyznaczenie spośród dopuszczalnych rozwiązań danego problemu, rozwiązania najlepszego ze względu na przyjęte kryterium jakości ( np. koszt, zysk, niezawodność ) optymalizacja w relacyjnych
Bardziej szczegółowoALGORYTMY PRZETWARZANIA OBRAZÓW Projekt. Aplikacja przetwarzająca obrazy z możliwością eksportu i importu do programu MS Excel.
Grupa IZ07IO1 Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT ALGORYTMY PRZETWARZANIA OBRAZÓW Projekt Aplikacja przetwarzająca obrazy z możliwością eksportu i importu do programu MS Excel. Wykonali:
Bardziej szczegółowo8. Listy wartości, dodatkowe informacje dotyczące elementów i przycisków
8. Listy wartości, dodatkowe informacje dotyczące elementów i przycisków 1. Jak wspomnieliśmy wcześniej, nie można wymagać od użytkowników, znajomości wszystkich identyfikatorów prowadzących, wykonawców
Bardziej szczegółowo1. Wprowadzenie do oprogramowania gretl. Wprowadzanie danych.
Laboratorium z ekonometrii (GRETL) 1. Wprowadzenie do oprogramowania gretl. Wprowadzanie danych. Okno startowe: Póki nie wczytamy jakiejś bazy danych (lub nie stworzymy własnej), mamy dostęp tylko do dwóch
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 11. Piotr Syga
Algorytmy metaheurystyczne Wykład 11 Piotr Syga 22.05.2017 Drzewa decyzyjne Idea Cel Na podstawie przesłanek (typowo zbiory rozmyte) oraz zbioru wartości w danych testowych, w oparciu o wybrane miary,
Bardziej szczegółowoProgramowanie Obiektowe GUI
Programowanie Obiektowe GUI Swing Celem ćwiczenia jest ilustracja wizualnego tworzenia graficznego interfejsu użytkownika opartego o bibliotekę Swing w środowisku NetBeans. Ponadto, ćwiczenie ma na celu
Bardziej szczegółowo4. Budowa prostych formularzy, stany sesji, tworzenie przycisków
4. Budowa prostych formularzy, stany sesji, tworzenie przycisków 1. Utwórz formularz tabelaryczny umożliwiający modyfikację prowadzących listę przebojów. a. Zaloguj się do systemu APEX podając znaną Ci
Bardziej szczegółowoSYLABUS. Dotyczy cyklu kształcenia Realizacja w roku akademickim 2016/2017. Wydział Matematyczno - Przyrodniczy
Załącznik nr 4 do Uchwały Senatu nr 430/01/2015 SYLABUS Dotyczy cyklu kształcenia 2014-2018 Realizacja w roku akademickim 2016/2017 1.1. PODSTAWOWE INFORMACJE O PRZEDMIOCIE/MODULE Nazwa przedmiotu/ modułu
Bardziej szczegółowoOpenOfficePL. Zestaw szablonów magazynowych. Instrukcja obsługi
OpenOfficePL Zestaw szablonów magazynowych Instrukcja obsługi Spis treści : 1. Informacje ogólne 2. Instalacja zestawu a) konfiguracja połączenia z bazą danych b) import danych z poprzedniej wersji faktur
Bardziej szczegółowoEXCEL TABELE PRZESTAWNE
EXCEL TABELE PRZESTAWNE ZADANIE 1. (3 punkty). Ze strony http://www.staff.amu.edu.pl/~izab/ pobierz plik o nazwie Tabela1.xlsx. Używając tabel przestawnych wykonaj następujące polecenia: a) Utwórz pierwszą
Bardziej szczegółowoWinUcz procedura uprzedniego wywozu
Spis treści: 1. Pliki oprogramowania... 2 2. Uruchomienie programu... 2 2.1. Utworzenie nowej bazy danych... 2 2.2. Podłączenie bazy SAD oraz bazy faktur... 3 3. Przygotowanie pozwoleń... 5 4. Przygotowanie
Bardziej szczegółowo5. Integracja stron aplikacji, tworzenie zintegrowanych formularzy i raportów
5. Integracja stron aplikacji, tworzenie zintegrowanych formularzy i raportów 1. W chwili obecnej formularz Edycja prowadzących utworzony w poprzednim zestawie ćwiczeń służy tylko i wyłącznie do edycji
Bardziej szczegółowoImport danych z plików CSV
Import danych z plików CSV Program Moje kolekcje umożliwia importowanie danych zgromadzonych w innych aplikacjach, w tym z plików formatu *.csv Opis procedury importu danych Przed przystąpieniem do importu
Bardziej szczegółowoLaboratorium 7. Support Vector Machines (klasyfikacja).
Laboratorium 7 Support Vector Machines (klasyfikacja). 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij
Bardziej szczegółowo3. Budowa prostych raportów opartych o bazę danych
3. Budowa prostych raportów opartych o bazę danych 1. Przy pomocy kreatora utwórz raport tabelaryczny, wyświetlający dane dotyczące prowadzących listę przebojów. W tym celu: a. Uruchom narzędzie Application
Bardziej szczegółowow PL/SQL bloki nazwane to: funkcje, procedury, pakiety, wyzwalacze
w PL/SQL bloki nazwane to: funkcje, procedury, pakiety, wyzwalacze Cechy bloków nazwanych: w postaci skompilowanej trwale przechowywane na serwerze wraz z danymi wykonywane na żądanie użytkownika lub w
Bardziej szczegółowoMODUŁ POMOST PRZEWODNIK UŻYTKOWNIKA (WERSJA DLA SYSTEMU EKSPERT) 1. WSTĘP... 2 2. PRZYGOTOWANIE DO PRACY... 2
MODUŁ POMOST PRZEWODNIK UŻYTKOWNIKA (WERSJA DLA SYSTEMU EKSPERT) 1. WSTĘP... 2 2. PRZYGOTOWANIE DO PRACY... 2 3. OPIS FUNKCJI... 2 3.1. EWIDENCJA / PŁATNIKÓW... 2 3.2. EWIDENCJA / POPRZ. DANYCH UBEZP...
Bardziej szczegółowoReguły asocjacyjne w programie RapidMiner Michał Bereta
Reguły asocjacyjne w programie RapidMiner Michał Bereta www.michalbereta.pl 1. Wstęp Reguły asocjacyjne mają na celu odkrycie związków współwystępowania pomiędzy atrybutami. Stosuje się je często do danych
Bardziej szczegółowoProgram EWIDENCJA ODZIEŻY ROBOCZEJ INSTRUKCJA UŻYTKOWNIKA Przejdź do strony producenta programu
Program EWIDENCJA ODZIEŻY ROBOCZEJ INSTRUKCJA UŻYTKOWNIKA Przejdź do strony producenta programu http://www.jarsoft.poznan.pl/ 1. STRUKTURA PROGRAMU Program EWIDENCJA ODZIEŻY ROBOCZEJ jest aplikacją wspierającą
Bardziej szczegółowoXML-owe bazy danych ćwiczenia 1
XML-owe bazy danych ćwiczenia 1 Pierwsza część ćwiczeń będzie zapoznaniem się z przykładową bazą danych dokumentów XML dbxml oraz bazą danych obiektowo-relacyjną Oracle, która pozwala na przechowywanie
Bardziej szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowo7. Formularze master-detail
7. Formularze master-detail 1. Utworzymy teraz jeden z bardziej złożonych formularzy dostępnych z kreatora formularz master-detail. Będzie on swoją strukturą przypominał utworzony wcześniej formularz dotyczący
Bardziej szczegółowoZakładanie nowej bazy danych
Dokumentacja programu e Zoz Zakładanie nowej bazy danych Wersja 1.0.21.1 Zielona Góra 2010-09-02 W programie ee e Zoz można założyć dowolną ilość baz danych (np. dla kilku świadczeniodawców pracujących
Bardziej szczegółowoFunkcje w PL/SQL Funkcja to nazwany blok języka PL/SQL. Jest przechowywana w bazie i musi zwracać wynik. Z reguły, funkcji utworzonych w PL/SQL-u
Funkcje w PL/SQL Funkcja to nazwany blok języka PL/SQL. Jest przechowywana w bazie i musi zwracać wynik. Z reguły, funkcji utworzonych w PL/SQL-u będziemy używać w taki sam sposób, jak wbudowanych funkcji
Bardziej szczegółowoImplementacja metod eksploracji danych - Oracle Data Mining
Implementacja metod eksploracji danych - Oracle Data Mining 395 Plan rozdziału 396 Wprowadzenie do eksploracji danych Architektura Oracle Data Mining Możliwości Oracle Data Mining Etapy procesu eksploracji
Bardziej szczegółowojest dostępne na różne systemy operacyjne. Niniejsza instrukcja opisuje podstawowe operacje i opcje niezbędne do rozpoczęcia pracy w tym programie.
OmegaT to darmowe narzędzie CAT wykonane w technologii Java, dzięki czemu jest dostępne na różne systemy operacyjne. Niniejsza instrukcja opisuje podstawowe operacje i opcje niezbędne do rozpoczęcia pracy
Bardziej szczegółowoSystem magazynowy małego sklepu.
System magazynowy małego sklepu. dokumentacja użytkownika. Mariusz Grabowski e-mail: mariosh@interia.pl Jabber ID: mariosh@jabber.autocom.pl Spis treści 1 Wstęp. 2 2 Przed uruchomieniem. 3 3 Korzystanie
Bardziej szczegółowoKadry Optivum, Płace Optivum
Kadry Optivum, Płace Optivum Jak seryjnie przygotować wykazy absencji pracowników? W celu przygotowania pism zawierających wykazy nieobecności pracowników skorzystamy z mechanizmu Nowe wydruki seryjne.
Bardziej szczegółowoĆwiczenie 5. Metody eksploracji danych
Ćwiczenie 5. Metody eksploracji danych Reguły asocjacyjne (association rules) Badaniem atrybutów lub cech, które są powiązane ze sobą, zajmuje się analiza podobieństw (ang. affinity analysis). Metody analizy
Bardziej szczegółowoBackend Administratora
Backend Administratora mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Katowice, 2011 W tym celu korzystając z konsoli wydajemy polecenie: symfony generate:app backend Wówczas zostanie stworzona
Bardziej szczegółowoStochastyczne Metody Analizy Danych. PROJEKT: Analiza kluczowych parametrów turbin wiatrowych
PROJEKT: Analiza kluczowych parametrów turbin wiatrowych Projekt jest wykonywany z wykorzystaniem pakietu statystycznego STATISTICA. Praca odbywa się w grupach 2-3 osobowych. Aby zaliczyć projekt, należy
Bardziej szczegółowoUmieszczanie kodu. kod skryptu
PHP Definicja PHP jest językiem skryptowym służącym do rozszerzania możliwości stron internetowych. Jego składnia jest bardzo podobna do popularnych języków programowania C/C++, lecz jest bardzo uproszczona
Bardziej szczegółowo2. Ocena dokładności modelu klasyfikacji:
Spis treści: 1. Klasyfikacja... 1 2. Ocena dokładności modelu klasyfikacji:...1 2.1. Miary dokładności modelu...2 2.2. Krzywe oceny...2 3. Wybrane algorytmy...3 3.1. Naiwny klasyfikator Bayesa...3 3.2.
Bardziej szczegółowoProgram EWIDENCJA ODZIEŻY ROBOCZEJ INSTRUKCJA UŻYTKOWNIKA Przejdź do strony producenta programu
Program EWIDENCJA ODZIEŻY ROBOCZEJ INSTRUKCJA UŻYTKOWNIKA Przejdź do strony producenta programu http://www.jarsoft.poznan.pl/ 1. STRUKTURA PROGRAMU Program EWIDENCJA ODZIEŻY ROBOCZEJ jest aplikacją pracującą
Bardziej szczegółowoWstęp. Opis ten dotyczy wydziałów orzeczniczych.
Wstęp. Opis ten dotyczy wydziałów orzeczniczych. W związku z przekształceniem 79 Sądów w Wydziały Zamiejscowe i związane z tym liczne zapytania odnośnie strony technicznej i sposobu przygotowania baz danych
Bardziej szczegółowoauthor: Andrzej Dudek
Edytor wprowadzone polecenia zostają w oknie edytora I mogą być uruchamiana poprzez CTRL+R lub Run (tylko zaznaczone linie, z wyświetlaniem wykonywanych linii kodu) lub poprzez Source (zawsze całość, bez
Bardziej szczegółowoUruchamianie bazy PostgreSQL
Uruchamianie bazy PostgreSQL PostgreSQL i PostGIS Ten przewodnik może zostać pobrany jako PostgreSQL_pl.odt lub PostgreSQL_pl.pdf Przejrzano 10.09.2016 W tym rozdziale zobaczymy, jak uruchomić PostgreSQL
Bardziej szczegółowoAlgorytmy klasteryzacji jako metoda dyskretyzacji w algorytmach eksploracji danych. Łukasz Przybyłek, Jakub Niwa Studenckie Koło Naukowe BRAINS
Algorytmy klasteryzacji jako metoda dyskretyzacji w algorytmach eksploracji danych Łukasz Przybyłek, Jakub Niwa Studenckie Koło Naukowe BRAINS Dyskretyzacja - definicja Dyskretyzacja - zamiana atrybutów
Bardziej szczegółowo