ORACLE 9i DATA MINING NARZĘDZIEM DO EKSTRAKCJI WIEDZY Z BAZ DANYCH
|
|
- Adrian Olejnik
- 8 lat temu
- Przeglądów:
Transkrypt
1 ORACLE 9i DATA MINING NARZĘDZIEM DO EKSTRAKCJI WIEDZY Z BAZ DANYCH Streszczenie Małgorzata Nycz, Barbara Smok Akademia Ekonomiczna we Wrocławiu {malgorzata.nycz,barbara.smok}@ae.wroc.pl Artykuł prezentuje wykorzystanie narzędzie Oracle 9i Data Mining do odkrywania wiedzy z baz danych. Układ artykułu jest następujący. Po krótkim wprowadzeniu scharakteryzowano problematykę odkrywania wiedzy, następnie przedstawiono Oracle Data Mining. W dalszej części zaprezentowano przykład zastosowania tego narzędzia do odkrywania wiedzy z bankowej bazy danych. Artykuł kończy podsumowanie przeprowadzonych rozwaŝań. Słowa kluczowe: odkrywanie wiedzy, data mining, eksploracja Wprowadzenie Dzisiaj przedsiębiorstwa stają wobec problemu posiadania, przetwarzania i zbierania coraz większych ilości danych. Rozwiązania tego problemu oferują metody Data Mining (eksploracja danych), które identyfikują wzorce i zaleŝności w rozległych obszarach danych. Wiele firm oferuje profesjonalne narzędzia analityczne wspomagające podejmowanie decyzji oraz analizy danych (oparte na systemie OLAP). Narzędzia te na podstawie danych zgromadzonych przez przedsiębiorstwo pozwalają zoptymalizować procesy zarządzania, dostarczając niezbędną informację we właściwym czasie. W odpowiedni sposób przetworzone informacje pomagają przedsiębiorstwom rozwijać się i utrzymać się na ciągle zmieniającym się w szybkim tempie rynku. Dostarczają równieŝ wiedzy pozwalającej osiągnąć przewagę nad konkurencją. Odkrywanie wiedzy Eksploracja danych (odkrywanie wiedzy z baz danych) jest procesem efektywnego znajdowania nowych, nieznanych, uŝytecznych wzorców, zaleŝności, czy związków między danymi np. w hurtowni danych. Odkrywanie wiedzy często w literaturze występuje jako synonim data mining i dotyczy zazwyczaj całego procesu pozyskiwania uŝytecznej wiedzy [MORZ99], a proces eksploracji odnosi się do jednego z jego etapów do generowania reguł. Metody eksploracji moŝna podzielić ogólnie na następujące klasy [MoWo99]: odkrywanie asocjacji,
2 324 Zarządzanie wiedzą i rozwiązania Business Intelligence klastrowanie, odkrywanie wzorców sekwencji, odkrywanie klasyfikacji, odkrywanie podobieństw w przebiegach czasowych, wykrywanie zmian i odchyleń. Aby dane mogły być wykorzystane do eksploracji muszą być poddane czyszczeniu, którego celem jest zapewnienie jakości i poprawności danych, szczególnie w przypadku, gdy pochodzą z heterogenicznych źródeł, gdyŝ wówczas mogą zawierać błędy i anomalie jak np.: niespójne długości pól, róŝne formaty, wartości puste, czy naruszone ograniczenia integralności. Następnym etapem jest ładowanie danych, który wymaga dodatkowego przetwarzania jak np. sprawdzenia integralności, sortowania, podsumowania. Do metod eksploracji moŝemy zaliczyć m.in.: analizę skupień świetnie nadaje się do wstępnych analiz, w przypadku gdy niewiele wiemy o naszej bazie danych i trudno nam sprecyzować pytanie; w takich sytuacjach zawsze moŝemy poszukiwać skupień, które mogą być dla nas interesujące i znaczące, sieci neuronowe są algorytmami przetwarzania danych bazującymi na konstruowaniu i rozpoznawaniu wzorców, nie ekstrahują wiedzy, nadają się do klasyfikowania danych i są niemal idealnym narzędziem do prognozowania sekwencji czasowych, drzewa decyzyjne dostarczają zrozumiałej wiedzy o danych, ich algorytmy prowadzą do rozdrobnienia danych, wyłonienia klas i przypadkowych reguł; aby tego uniknąć przycina się drzewa wykorzystując odpowiednie techniki, w przypadku analizy skupień metodę k-uśrednień oraz inne parametry jak ilość skupień, czy współczynnik metryki. Oracle Data Mining Oprogramowanie Oracle pozwala przeszukiwać ogromne bazy danych w celu znajdowania róŝnych wzorców i tendencji, które mogą wspomóc strategię biznesową oraz prezentować róŝne zaleŝności między wieloma zmiennymi. Oracle Data Mining słada się z dwóch głównych komponentów: Oracle 9i Data Mining API (ODM API) jest interfejsem programistycznym, umoŝliwiającym dostęp programom w języku Java do Data Mining Server; bazuje na nowo tworzonym standardzie Java Data Mining, Data Mining Server (DMS) jest elementem składowym wykonującym obliczenia w bazie Oracle 9i; udostępnia repozytorium, w którym są zapisywane m.in. modele oraz wyniki obliczeń. Budowa modelu eksploracji w Oracle 9i Data Mining moŝliwa jest na dwóch poziomach: funkcji i algorytmu. Na poziomie funkcji pozwala pominąć specyfikację wszystkich szczegółów algorytmu i skupić się na eksploracji, gdzie dobierany jest odpowiedni algorytm i wyznaczane są wartości wszystkich parametrów. W przypadku, gdy standardowe procedury odkrywania wzorców są niewystarczające moŝna budować model na poziomie algorytmu dostosowując proces eksploracji do własnych potrzeb. Tak zbudowane modele są przechowywane w repozytorium serwera eksploracji i mogą być wielokrotnie wykorzystywane. Na budowę modelu składa się następujące etapy: tworzenie danych wej-
3 Oracle 9i Data Mining narzędziem do ekstrakcji wiedzy z baz danych 325 ściowych poprzez kojarzenie obiektu reprezentującego dane z rzeczywistym źródłem danych np. relacją w bazie danych, tworzenie obiektu reprezentującego ustawienia wybranej funkcji eksploracji, wiązanie obiektu funkcji eksploracji z obiektami reprezentującymi logiczną strukturę danych i fizyczne wykorzystanie danych, tworzenie modelu wybraną metodą: klasyfikacja lub odkrywanie asocjacji. Model klasyfikacyjny moŝna przetestować w celu oszacowania dokładności klasyfikacji. Model klasyfikatora jest stosowany do zbioru danych testowych, których nie uŝyto do budowania modelu, dla których jest znana wartość klasyfikowanego atrybutu. Testowanie dostarcza macierz pomyłek, która daje nam obraz w ilu przypadkach model poprawnie sklasyfikował dane testowe, a w ilu pomylił się oraz jakiego typu były to pomyłki. Analiza macierzy pozwala na dokładniejsze dostrojenie modelu aŝ do uzyskania zadawalającej jakości klasyfikacji. Model klasyfikatora zastosowany do nowych danych powoduje obliczenie przewidywanej wartości lub klasy wraz z prawdopodobieństwem. Stosując model asocjacji moŝemy wykorzystać stworzony model do danych źródłowych, a w wyniku otrzymamy zbiór reguł asocjacyjnych odkrytych w danych źródłowych, które są składowane w repozytorium serwera eksploracyjnego. Algorytmy Oracle Data Mining moŝna zaklasyfikować do dwóch grup ze względu na sposób nauki: z nauczycielem (supervised) do przewidywania wartości na podstawie wcześniej przetworzonej próbki lub bez nauczyciela (unsupervised) do wyszukiwania struktur, relacji, czy podobieństw zawartych w danych. Na podstawie [ORAC02] moŝemy podzielić algorytmy na: klasyfikacja z nauczycielem; pozwala zaklasyfikować obiekty do kilku klas; posiadając sklasyfikowane obiekty uczymy model, który automatycznie będzie klasyfikował nowe obiekty; kaŝdy obiekt posiada atrybuty oraz jeden dodatkowy, który określa jego przynaleŝność do klasy, analiza skupień - bez nauczyciela umoŝliwia wyszukiwanie nieznanych grup w danych; grupy (skupienia) zawierają obiekty podobne do siebie, reguły kojarzące - bez nauczyciela pozwalają wyszukiwać związki miedzy danymi, przykładem moŝe być analiza koszykowa, stopień waŝności atrybutów - z nauczycielem automatycznie wyszukują atrybuty, które najmocniej wpływają na wynik. Metody klasyfikacyjne pozwalają zaklasyfikować obiekty do kilku lub więcej klas. Odbywa się to dwuetapowo: (1) posiadając sklasyfikowane obiekty uczymy model klasyfikacji, a w (2) nauczony model automatycznie klasyfikuje nowe obiekty. KaŜdy z obiektów posiada pewną liczbę atrybutów opisujących go oraz jeden przewidywalny, którego wartość określi jego przynaleŝność do odpowiedniej klasy. Do tej grupy naleŝą trzy algorytmy: Adaptive Bayes Network, Naive Bayes i Model Seeker.
4 326 Zarządzanie wiedzą i rozwiązania Business Intelligence Przykłady zastosowań klasyfikacji to m.in. rozpoznawanie trendów na rynkach finansowych, automatyczne rozpoznawanie obiektów w duŝych bazach obrazów, wspomaganie decyzji przyznawania kredytów bankowych. Zastosowanie Oracle Data Mining do odkrywania wiedzy Do procesu drąŝenia danych wykorzystano rzeczywisty zbiór danych opisujących klientów banku, oddziały banku oraz wzajemne relacje pomiędzy klientem a bankiem. Baza 1 dotyczy ogólnokrajowego banku prowadzącego swą działalność w Czechach. Państwo to zostało podzielone na 8 regionów oraz 77 okręgów. KaŜdy z okręgów opisany jest przy pomocy 15 atrybutów dotyczących między innymi liczby mieszkańców, miejscowości, płac, bezrobocia a nawet przestępczości w okręgu. Opisano przeszło 4 tysiące klientów przy pomocy 9 tysięcy rekordów w jednej tablicy, składającej się z 67 atrybutów. Większość klientów zamieszkuje ten sam okręg, w którym mieści się oddział banku, a jedynie około 10% ma swój bank w innym okręgu. Celem eksperymentu była analiza kredytów udzielanych przez bank klientom. Atrybut loan_status opisujący stan kredytu klienta i przyjmujący następujące wartości: A umowa zakończona, kredyt spłacony, B umowa zakończona, kredyt nie spłacony, C umowa w trakcie, dotychczas jest OK, D umowa w trakcie, klient w długach, moŝe słuŝyć do klasyfikacji klientów na tych, którym warto było udzielić kredytu i tych, którym udzielenie kredytu zakończyło się niepowodzeniem. Do tablicy dodano atrybut o nazwie UDANY przyjmujący wartość 0 dla wartości B, atrybut D loan_status - dla przypadków zakończonych niepowodzeniem oraz wartość 1 dla przypadków zakończonych powodzeniem. Bazę ograniczono do klientów, którzy zaciągali kredyt. Spośród 751 klientów 76 sklasyfikowano do grupy, w której udzielenie kredytu zakończyło się niepowodzeniem. Chcieliśmy zbadać wpływ poszczególnych atrybutów na powodzenie lub niepowodzenie spłaty kredytu przez klienta. Została wykorzystana tutaj metoda klasyfikacji oparta na Adaptacyjnej Sieci Bayesa, w której przyjęto jako wynikowy atrybut - UDANY. Oprócz zakwalifikowania obiektu do danej klasy, definiuje równieŝ reguły określające - jakie wartości atrybutów obiektów musi dany obiekt posiadać, aby został zakwalifikowany do konkretnej klasy. Przykładową regułą moŝe być: Jeśli dochód miesięczny klienta jest > 2000 zł i wiek 40 to moŝe być zainteresowany kredytem. Algorytm ten przewiduje odpowiedź w postaci binarnej (klient dostanie lub nie dostanie kredytu) lub w postaci wielowartościowej (klient jest w grupie rozwijającej się, stabilnej lub upadającej). KaŜdy z obiektów oprócz określenia 1 Baza danych przygotowana przez P. Berkę i M. Sochorovą dostępna w internecie:
5 Oracle 9i Data Mining narzędziem do ekstrakcji wiedzy z baz danych 327 klasy posiada takŝe zdefiniowane prawdopodobieństwo dopasowujące go do tej klasy. Metoda ta składa się z trzech etapów: (1) budowy modelu na zbiorze danych historycznych, (2) testu modelu na innym zbiorze danych historycznych, (3) zastosowania modelu do danych bieŝących w celu ich klasyfikacji. Budowę modelu kończy wygenerowanie reguł. Otrzymany model (przy wykorzystaniu Oracle 9i Data Mining) został przedstawiony przy pomocy reguł przedstawionych w Tabeli 1. Model drąŝenia danych prezentujący najwaŝniejsze reguły Tabela 1 If LOAN_STATUS in (A, C) then UDANY equal (0) If LOAN_STATUS in (B, D) then UDANY equal (1) If CARD_TYPE in (C, G, J) then UDANY equal (0) If CARD_CARD_ID in (1010, 1087, 1176, 1223, 16, OTHER_CATEGORY) then UDANY equal (0) If CARD_DATE in ( :00:00, :00:00, :00:00, :00:00, :00:00, OTHER_CATEGORY) then UDANY equal (0) If CARD_DISP_ID in (10887, 116, 12502, 13231, 2141, OTHER_CATEGORY) then UDANY equal (0) If TRANS_OPERATION in (B, C, D, E) then UDANY equal (0) If TRANS_BALANCE in ( ) then UDANY equal (0) If TRANS_ACCOUNT_ID in ( ) then UDANY equal (0) If TRANS_TRANS_ID in ( , , , , ) then UDANY equal (0) If TRANS_TYPE in (A, B) then UDANY equal (0) Analiza powyŝszych reguł pozwala stwierdzić, Ŝe baza, która została poddana procesowi drąŝenia danych nie zawiera wiele wiedzy. Reguły w większości przypadków są bezuŝyteczne, gdyŝ najczęściej wskazują pełną dziedzinę atrybutów. Na uwagę zasługuje jedynie fakt, iŝ nie było kłopotów z klientami, którzy na co dzień posługują się kartami kredytowymi, gdyŝ analiza wykazała, Ŝe nie było ani jednego klienta, który posługuje się kartą kredytową i nie spłacił kredytu. Specyfikacja macierzy kosztów budowy modelu nie przyniosła Ŝadnych zmian wyniku. Kolejną metodą było wykorzystanie reguł kojarzących. Metoda ta umoŝliwia wyszukiwanie związków miedzy danymi. Typowym zastosowaniem tego algorytmu jest analiza koszykowa polegająca na wyszukiwaniu powiązań między np. towarami kupowanymi razem. W metodzie tej występuje tu tylko 1 etap, którego wynikiem jest zestaw reguł w postaci: jeśli atrybut A osiąga wartość A to atrybut B przyjmuje wartość B. Reguły kojarzące moŝna definiować w oparciu o pojęcie zbioru częstego. Niech L = {l 1, l 2,..., l n } będzie zbiorem elementów (literałów), a D kolekcją transakcji o dowolnej długości i kaŝda T D i T L. Mówimy, Ŝe transakcja T wspiera element x, gdy x T oraz wspiera zbiór X, gdy T wspiera kaŝdy element x X. Wsparciem zbioru X nazywamy stosunek liczby transakcji wspierających X do liczby wszystkich transakcji.
6 328 Zarządzanie wiedzą i rozwiązania Business Intelligence { T D: T wspiera X} Wsparcie(X,D)= D Problem odkrywania zbiorów częstych polega na znalezieniu w danej bazie danych D wszystkich zbiorów, których wsparcie jest wyŝsze od zdefiniowanej przez uŝytkownika wartości zw. minimalnym wsparciem (minsup). Zbiór, którego wsparcie jest wyŝsze niŝ minsup nazywa się zbiorem częstym (frequent itemset). Reguła kojarząca jest implikacją postaci X Y, gdzie X L, Y L, a X Y =. KaŜda z reguł związana jest z dwoma miarami: Wsparciem (support) mówi o tym jak często wartości atrybutów występują razem, { T D: T wspiera X Y } Wsparcie(X Y,D)= D Zaufanie (confidence) reguły X Y w bazie danych jest stosunkiem liczby transakcji wspierających regułę do liczby transakcji wspierających poprzednik reguły. { T D: T wspiera X Y } Zaufanie(X Y,D)= { T D: T wspiera X} Problem odkrywania reguł asocjacyjnych polega na znalezieniu w bazie danych D wszystkich reguł, których wsparcie i zaufanie (ufność) są wyŝsze od zdefiniowanych przez uŝytkownika wartości minimalnego wsparcia i zaufania (minisup, miniconf). W metodzie tej nie ustawia się atrybutu wynikowego w związku z czym otrzymane reguły dotyczą wszystkich atrybutów. Otrzymane wyniki przedstawia Tabela 2. Analiza otrzymanych wyników nasuwa wniosek, Ŝe jeśli klient mieszka w okręgu, w którym liczba popełnionych przestępstw w 1996 roku była mniejsza niŝ 25532, to w 93 % udzielenie mu kredytu było dobrą decyzją. Wartość tego wniosku podwaŝa jednak fakt, iŝ 89% klientów spośród wszystkich zostało zaklasyfikowanych jako dobrych, więc 93% nie stanowi wielkiego przełomu. Podany przykład świadczy o tym, Ŝe nie z kaŝdej bazy moŝna wyciągnąć wartościową wiedzę. Hipotezy otrzymane w wyniku drąŝenia danych naleŝy zweryfikować. Często moŝe się zdarzyć, ze otrzymana wiedza jest trywialna i nie ma Ŝadnej wartości. Nie zmienia to jednak faktu, Ŝe moŝe się zdarzyć, iŝ koszty związane z weryfikacją bezwartościowych hipotez są niewspółmiernie niskie w stosunku zysków osiągniętych z odkrycia wartościowej wiedzy.
7 Oracle 9i Data Mining narzędziem do ekstrakcji wiedzy z baz danych 329 Reguły będące wynikiem działania metody Association Rules Tabela 2 Rule 28009: If ACCOUNT_DIST_A16= then CLIENT_DIST_A16= [support: , confidence: ] Rule 28010: If CLIENT_DIST_A16= then ACCOUNT_DIST_A16= [support: , confidence: ] Rule 27980: If CLIENT_DIST_A15= then CLIENT_DIST_A16= [support: , confidence: 1.0] Rule 27979: If CLIENT_DIST_A16= then CLIENT_DIST_A15= [support: , confidence: ] Rule 1205: If CLIENT_DIST_A16= then UDANY=.8-1 [support: , confidence: ] Rule 1409: If ACCOUNT_FREQUENCY=A then UDANY=.8-1 [support: , confidence: ] Rule 27980: If CLIENT_DIST_A15= then CLIENT_DIST_A16= [support: , confidence: 1.0] Rule 30318: If ACCOUNT_DIST_A15= then ACCOUNT_DIST_A16= [support: , confidence: 1.0] Rule 15252: If CLIENT_DIST_A4= then CLIENT_DIST_A15= [support: , confidence: 1.0] Rule 15254: If CLIENT_DIST_A4= then CLIENT_DIST_A16= [support: , confidence: 1.0] Rule 15252: If CLIENT_DIST_A4= then CLIENT_DIST_A15= [support: , confidence: 1.0] Rule 15254: If CLIENT_DIST_A4= then CLIENT_DIST_A16= [support: , confidence: 1.0] Podsumowanie Metody eksploracji danych znalazły stosunkowo niewielkie zastosowanie w przedsiębiorstwach. Eksploracja danych ma sens w odniesieniu do duŝych i bardzo duŝych zbiorów baz danych poprzez przeprowadzenie dogłębnej analizy róŝnych baz danych (relacyjnych, obiektowych, wielowymiarowych, przestrzennych, graficznych i innych). W efekcie drąŝenia danych odkrywamy wiedzę uprzednio nieznaną lub nie uświadamianą w postaci schematów, związków, zaleŝności, anomalii, czy struktur. Eksploracja wymaga wiele pracy, gdyŝ zanim dane zostaną poddane analizie muszą być odpowiednio przygotowane. Jednak brak odpowiedniej wiedzy i aktualnej informacji w zmieniającym się otoczeniu ekonomicznym z powodu niewykorzystania tego potencjału danych moŝe często oznaczać poraŝkę firmy.
8 330 Zarządzanie wiedzą i rozwiązania Business Intelligence Literatura [BELI97] [BYRS02] [CHEN96] [HANJ99] [InWG97] [MORZ99] [NySm00] [NySP03] [ORAC02] [MoWo99] Berry M.J.A., Linoff G.: Data Mining Techniques for Marketing, Sales and Customer Support, Wiley Computer Publishing, 1997 Byrski M.: Data Mining w bazie Oracle 9i. Materiały z VIII Konferencji PLOUG. Kościelisko, październik 2002, s Chen M.S. Han J., Yu P.S.: Data Mining: An Overview from a Database Perspective, IEEE Transactions on Knowledge and Data Engineering, 8(6): p , 1996 Han J. Data mining, Kluwer Academic Publishers,1999 Inmon W.H., J.D. Welch, Glassey K.L.: Managing the Data Warehouse, Wiley Comp. Publishing 1997 Morzy T.: Eksploracja danych: problemy i rozwiązania. Materiały z V Konferencji PLOUG. Zakopane, październik 1999 Nycz M., Smok B.: Problemy związane z pozyskiwaniem wiedzy z baz danych. Prace Naukowe nr 850 AE we Wrocławiu, Wrocław 2000 Nycz M., Smok B., Pondel M.: Wykorzystanie Oracle 9i Data Mining do pozyskiwania wiedzy z baz danych, w: Drelichowski L., Januszewski A., DzieŜa G. (red.): Zastosowanie technik informatycznych w gospodarce i zarządzanie wiedzą, Katedra Informatyki w Zarządzaniu, Akademia Techniczno-Rolnicza w Bydgoszczy, Bydgoszcz-Ciechocinek 2003 Oracle: Oracle 9i Data Mining Concepts Release 2(9.2), Oracle 2002 Morzy M., Wojciechowski M.: Integracja technik eksploracji danych z systemem zarządzania bazą danych na przykładzie Oracle 9i Data Mining. Materiały z Konferencji PLOUG, Zakopane październik 1999 ORACLE 9I DATA MINING AS A TOOL FOR KNOWLEDGE EXTRACTION FROM LARGE DATABASES The article presents the exemplary usage of the Oracle 9i Data Mining within knowledge extraction process from databases. It consists of four parts. After short introduction describing knowledge extraction issues, Oracle Data Mining has been presented. The next part presents example of practical exploration realized by this tool. As an example the real bank database has been taken into consideration. The paper ends with the carried out researches summary. Key words: data mining, knowledge discovery, exploration
Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoWprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Proces odkrywania reguł asocjacyjnych. Data Mining Wykład 2
Data Mining Wykład 2 Odkrywanie asocjacji Plan wykładu Wprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Proces odkrywania reguł asocjacyjnych Geneza problemu Geneza problemu odkrywania reguł
Bardziej szczegółowoINDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH
INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH 1. Czym jest eksploracja danych Eksploracja danych definiowana jest jako zbiór technik odkrywania nietrywialnych zależności i schematów w dużych
Bardziej szczegółowoData Mining w bazie Oracle 9i
VIII Konferencja PLOUG Koœcielisko PaŸdziernik 2002 Data Mining w bazie Oracle 9i Mariusz Byrski Biuro Matematyki Stosowanej S.C. mb@bms.krakow.pl Abstrakt Szukanie nieoczywistych zwi¹zków w danych jest
Bardziej szczegółowoHurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie
Hurtownie danych i business intelligence - wykład II Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2005-2008 Zagadnienia do omówienia 1. 2. Przegląd architektury HD 3. Warsztaty
Bardziej szczegółowoData Mining Wykład 1. Wprowadzenie do Eksploracji Danych. Prowadzący. Dr inż. Jacek Lewandowski
Data Mining Wykład 1 Wprowadzenie do Eksploracji Danych Prowadzący Dr inż. Jacek Lewandowski Katedra Genetyki Wydział Biologii i Hodowli Zwierząt Uniwersytet Przyrodniczy we Wrocławiu ul. Kożuchowska 7,
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 szczegółowoEwelina Dziura Krzysztof Maryański
Ewelina Dziura Krzysztof Maryański 1. Wstęp - eksploracja danych 2. Proces Eksploracji danych 3. Reguły asocjacyjne budowa, zastosowanie, pozyskiwanie 4. Algorytm Apriori i jego modyfikacje 5. Przykład
Bardziej szczegółowoWprowadzenie 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 szczegółowoZalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel
według przewidywań internetowego magazynu ZDNET News z 8 lutego 2001 roku eksploracja danych (ang. data mining ) będzie jednym z najbardziej rewolucyjnych osiągnięć następnej dekady. Rzeczywiście MIT Technology
Bardziej szczegółowoMetody eksploracji danych. Reguły asocjacyjne
Metody eksploracji danych Reguły asocjacyjne Analiza podobieństw i koszyka sklepowego Analiza podobieństw jest badaniem atrybutów lub cech, które są powiązane ze sobą. Metody analizy podobieństw, znane
Bardziej szczegółowoHURTOWNIE DANYCH I BUSINESS INTELLIGENCE
BAZY DANYCH HURTOWNIE DANYCH I BUSINESS INTELLIGENCE Akademia Górniczo-Hutnicza w Krakowie Adrian Horzyk horzyk@agh.edu.pl Google: Horzyk HURTOWNIE DANYCH Hurtownia danych (Data Warehouse) to najczęściej
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2012 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoIntegracja technik eksploracji danych ]V\VWHPHP]DU]G]DQLDED]GDQ\FK QDSU]\NáDG]LH2UDFOHi Data Mining
Integracja technik eksploracji danych ]V\VWHPHP]DU]G]DQLDED]GDQ\FK QDSU]\NáDG]LH2UDFOHi Data Mining 0LNRáDM0RU]\ Marek Wojciechowski Instytut Informatyki PP Eksploracja danych 2GNU\ZDQLHZ]RUFyZZGX*\FK
Bardziej szczegółowoMikołaj Morzy, Marek Wojciechowski: "Integracja technik eksploracji danych z systemem zarządzania bazą danych na przykładzie Oracle9i Data Mining"
Mikołaj Morzy, Marek Wojciechowski: "Integracja technik eksploracji danych z systemem zarządzania bazą danych na przykładzie Oracle9i Data Mining" Streszczenie Eksploracja danych znajduje coraz szersze
Bardziej szczegółowoAnaliza danych i data mining.
Analiza danych i data mining. mgr Katarzyna Racka Wykładowca WNEI PWSZ w Płocku Przedsiębiorczy student 2016 15 XI 2016 r. Cel warsztatu Przekazanie wiedzy na temat: analizy i zarządzania danymi (data
Bardziej szczegółowodata mining machine learning data science
data mining machine learning data science deep learning, AI, statistics, IoT, operations research, applied mathematics KISIM, WIMiIP, AGH 1 Machine Learning / Data mining / Data science Uczenie maszynowe
Bardziej szczegółowoBazy Danych. Bazy Danych i SQL Podstawowe informacje o bazach danych. Krzysztof Regulski WIMiIP, KISiM,
Bazy Danych Bazy Danych i SQL Podstawowe informacje o bazach danych Krzysztof Regulski WIMiIP, KISiM, regulski@metal.agh.edu.pl Oczekiwania? 2 3 Bazy danych Jak przechowywać informacje? Jak opisać rzeczywistość?
Bardziej szczegółowobo od managera wymaga się perfekcji
bo od managera wymaga się perfekcji MODELOWANIE PROCESÓW Charakterystyka modułu Modelowanie Procesów Biznesowych (BPM) Modelowanie procesów biznesowych stanowi fundament wdroŝenia systemu zarządzania jakością
Bardziej szczegółowoIndeksy w bazach danych. Motywacje. Techniki indeksowania w eksploracji danych. Plan prezentacji. Dotychczasowe prace badawcze skupiały się na
Techniki indeksowania w eksploracji danych Maciej Zakrzewicz Instytut Informatyki Politechnika Poznańska Plan prezentacji Zastosowania indeksów w systemach baz danych Wprowadzenie do metod eksploracji
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 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 szczegółowoWprowadzenie do technologii informacyjnej.
Wprowadzenie do technologii informacyjnej. Data mining i jego biznesowe zastosowania dr Tomasz Jach Definicje Eksploracja danych polega na torturowaniu danych tak długo, aż zaczną zeznawać. Eksploracja
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. EKSPLORACJA DANYCH Ćwiczenia. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING EKSPLORACJA DANYCH Ćwiczenia Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
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 szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowodr inż. Olga Siedlecka-Lamch 14 listopada 2011 roku Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Eksploracja danych
- Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska 14 listopada 2011 roku 1 - - 2 3 4 5 - The purpose of computing is insight, not numbers Richard Hamming Motywacja - Mamy informację,
Bardziej szczegółowoEksploracja danych (data mining)
Eksploracja (data mining) Tadeusz Pankowski www.put.poznan.pl/~pankowsk Czym jest eksploracja? Eksploracja oznacza wydobywanie wiedzy z dużych zbiorów. Eksploracja badanie, przeszukiwanie; np. dziewiczych
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoHurtownie danych. Wstęp. Architektura hurtowni danych. http://zajecia.jakubw.pl/hur CO TO JEST HURTOWNIA DANYCH
Wstęp. Architektura hurtowni. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/hur CO TO JEST HURTOWNIA DANYCH B. Inmon, 1996: Hurtownia to zbiór zintegrowanych, nieulotnych, ukierunkowanych
Bardziej szczegółowoTechnologia informacyjna
Technologia informacyjna Pracownia nr 9 (studia stacjonarne) - 05.12.2008 - Rok akademicki 2008/2009 2/16 Bazy danych - Plan zajęć Podstawowe pojęcia: baza danych, system zarządzania bazą danych tabela,
Bardziej szczegółowoHurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie
Hurtownie danych i business intelligence - wykład II Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2005-2012 Zagadnienia do omówienia 1. Miejsce i rola w firmie 2. Przegląd architektury
Bardziej szczegółowoData mininig i wielowymiarowa analiza danych zgromadzonych w systemach medycznych na potrzeby badań naukowych
Temat: Data mininig i wielowymiarowa analiza danych zgromadzonych w systemach medycznych na potrzeby badań naukowych Autorzy: Tomasz Małyszko, Edyta Łukasik 1. Definicja eksploracji danych Eksploracja
Bardziej szczegółowoInżynieria biomedyczna
Inżynieria biomedyczna Projekt Przygotowanie i realizacja kierunku inżynieria biomedyczna studia międzywydziałowe współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego.
Bardziej szczegółowoKlasyfikacja obiektów Drzewa decyzyjne (drzewa klasyfikacyjne)
Klasyfikacja obiektów Drzewa decyzyjne (drzewa klasyfikacyjne) Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski Klasyfikacja i predykcja. Odkrywaniem reguł klasyfikacji nazywamy proces znajdowania
Bardziej szczegółowoDOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE:
DOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE: DATAMINING 1 S t r o n a WSTĘP Czyli jak zastąpić wróżenie z fusów i przysłowiowego nosa, statystyką i modelami ekonometrycznymi. Niniejszy dokument,
Bardziej szczegółowoMetadane. Data Maining. - wykład VII. Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006
Metadane. Data Maining. - wykład VII Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006 Plan 1. Metadane 2. Jakość danych 3. Eksploracja danych (Data mining) 4. Sprawy róŝne
Bardziej szczegółowoAnaliza i eksploracja danych
Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Inteligentne Systemy Wspomagania Decyzji Studia magisterskie, semestr I Semestr letni
Bardziej szczegółowoOdświeŜanie hurtownie danych - wykład IV. Zagadnienia do omówienia. Wprowadzenie
OdświeŜanie hurtownie danych - wykład IV Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006/2007 Zagadnienia do omówienia 1. Wprowadzenie 2. Klasyfikacja źródeł danych 3. Wymagania
Bardziej szczegółowoTransformacja wiedzy w budowie i eksploatacji maszyn
Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoInformacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów
Eksploracja danych Piotr Lipiński Informacje ogólne Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów UWAGA: prezentacja to nie
Bardziej szczegółowoWykład I. Wprowadzenie do baz danych
Wykład I Wprowadzenie do baz danych Trochę historii Pierwsze znane użycie terminu baza danych miało miejsce w listopadzie w 1963 roku. W latach sześcdziesątych XX wieku został opracowany przez Charles
Bardziej szczegółowoAutomatyczne decyzje kredytowe, siła szybkiego reagowania i optymalizacji kosztów. Roman Tyszkowski ING Bank Śląski S.A. roman.tyszkowski@ingbank.
Automatyczne decyzje kredytowe, siła szybkiego reagowania i optymalizacji kosztów. Roman Tyszkowski ING Bank Śląski S.A. roman.tyszkowski@ingbank.pl Obsługa wniosków kredytowych Potrzeba elastyczności
Bardziej szczegółowoDOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY PROGRAMU AGREGAT - 2
InŜynieria Rolnicza 14/2005 Michał Cupiał, Maciej Kuboń Katedra InŜynierii Rolniczej i Informatyki Akademia Rolnicza im. Hugona Kołłątaja w Krakowie DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY
Bardziej szczegółowoBazy danych. wprowadzenie teoretyczne. Piotr Prekurat 1
Bazy danych wprowadzenie teoretyczne Piotr Prekurat 1 Baza danych Jest to zbiór danych lub jakichkolwiek innych materiałów i elementów zgromadzonych według określonej systematyki lub metody. Zatem jest
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 szczegółowoWprowadzenie do metodologii modelowania systemów informacyjnych. Strategia (1) Strategia (2) Etapy Ŝycia systemu informacyjnego
Etapy Ŝycia systemu informacyjnego Wprowadzenie do metodologii modelowania systemów informacyjnych 1. Strategia 2. Analiza 3. Projektowanie 4. Implementowanie, testowanie i dokumentowanie 5. WdroŜenie
Bardziej szczegółowoJAK HURTOWNIA DANYCH MOśE WSPOMAGAĆ MENEDśERA W PRACY?
JAK HURTOWNIA DANYCH MOśE WSPOMAGAĆ MENEDśERA W PRACY? Małgorzata Nycz, Barbara Smok Wprowadzenie Podstawą funkcjonowania przedsiębiorstwa w dzisiejszych warunkach jest posiadanie zasobów informacyjnych.
Bardziej szczegółowoKARTA PRZEDMIOTU. Hurtownie i eksploracja danych D1_5
KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:
Bardziej szczegółowoMail: Pokój 214, II piętro
Wykład 2 Mail: agnieszka.nowak@us.edu.pl Pokój 214, II piętro http://zsi.tech.us.edu.pl/~nowak Predykcja zdolność do wykorzystania wiedzy zgromadzonej w systemie do przewidywania wartości dla nowych danych,
Bardziej szczegółowoSzczegółowy opis przedmiotu zamówienia
ZP/ITS/19/2013 SIWZ Załącznik nr 1.1 do Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych dla studentów
Bardziej szczegółowoHurtownie danych - opis przedmiotu
Hurtownie danych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Hurtownie danych Kod przedmiotu 11.3-WI-INFD-HD Wydział Kierunek Wydział Informatyki, Elektrotechniki i Automatyki Informatyka / Zintegrowane
Bardziej szczegółowoANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ. Joanna Bryndza
ANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ Joanna Bryndza Wprowadzenie Jednym z kluczowych problemów w szacowaniu poziomu ryzyka przedsięwzięcia informatycznego
Bardziej szczegółowoWprowadzenie do Hurtowni Danych. Mariusz Rafało
Wprowadzenie do Hurtowni Danych Mariusz Rafało mariusz.rafalo@hotmail.com WPROWADZENIE DO HURTOWNI DANYCH Co to jest hurtownia danych? Hurtownia danych jest zbiorem danych zorientowanych tematycznie, zintegrowanych,
Bardziej szczegółowoKURS ACCESS 2003 Wiadomości wstępne
KURS ACCESS 2003 Wiadomości wstępne Biorąc c udział w kursie uczestnik zapozna się z tematyką baz danych i systemu zarządzania bazami danych jakim jest program Microsoft Access 2003. W trakcie kursu naleŝy
Bardziej szczegółowoDrąŜenie danych i inne tematy
DrąŜenie danych i inne tematy Materiały do wykładu Komputerowe Przetwarzanie Wiedzy (opracowane na podstawie materiałów dostępnych w sieci Internet) Tomasz Kubik DrąŜenie danych (data mining) n Proces
Bardziej szczegółowoBudowa systemu wspomagającego podejmowanie decyzji. Metodyka projektowo wdrożeniowa
Budowa systemu wspomagającego podejmowanie decyzji Metodyka projektowo wdrożeniowa Agenda Systemy wspomagające decyzje Business Intelligence (BI) Rodzaje systemów BI Korzyści z wdrożeń BI Zagrożenia dla
Bardziej szczegółowoScoring kredytowy w pigułce
Analiza danych Data mining Sterowanie jakością Analityka przez Internet Scoring kredytowy w pigułce Mariola Kapla Biuro Informacji Kredytowej S.A. StatSoft Polska Sp. z o.o. ul. Kraszewskiego 36 30-110
Bardziej szczegółowoSystem Obsługi Wniosków
System Obsługi Wniosków Wersja 2.0 1 System Obsługi Wniosków wersja 2.0 System Obsługi Wniosków to nowoczesne rozwiązanie wspierające proces obsługi wniosków o produkty bankowe. Pozwala na przyjmowanie,
Bardziej szczegółowoMETODY ODKRYWANIA WIEDZY W SYSTEMACH BUSINESS INTELLIGENCE
METODY ODKRYWANIA WIEDZY W SYSTEMACH BUSINESS INTELLIGENCE Streszczenie Wiesław Wolny Akademia Ekonomiczna Katowice wolny@ae.katowice.pl Business Intelligence nie jest pojedyńczym systemem ani produktem.
Bardziej szczegółowoProcesy ETL. 10maja2009. Paweł Szołtysek
Procesy 10maja2009 Paweł Szołtysek 1/12 w praktyce w praktyce 2/12 Zagadnienie Business Inteligence w praktyce 3/12 Czym jest proces? w praktyce Dane: dowolny zbiór danych ze źródeł zewnętrznych. Szukane:
Bardziej szczegółowoInŜynieria Rolnicza 14/2005. Streszczenie
Michał Cupiał Katedra InŜynierii Rolniczej i Informatyki Akademia Rolnicza w Krakowie PROGRAM WSPOMAGAJĄCY NAWOśENIE MINERALNE NAWOZY 2 Streszczenie Przedstawiono program Nawozy 2 wspomagający nawoŝenie
Bardziej szczegółowoData Mining Wykład 3. Algorytmy odkrywania binarnych reguł asocjacyjnych. Plan wykładu
Data Mining Wykład 3 Algorytmy odkrywania binarnych reguł asocjacyjnych Plan wykładu Algorytm Apriori Funkcja apriori_gen(ck) Generacja zbiorów kandydujących Generacja reguł Efektywności działania Własności
Bardziej szczegółowoBlaski i cienie wyzwalaczy w relacyjnych bazach danych. Mgr inż. Andrzej Ptasznik
Blaski i cienie wyzwalaczy w relacyjnych bazach danych. Mgr inż. Andrzej Ptasznik Technologia Przykłady praktycznych zastosowań wyzwalaczy będą omawiane na bazie systemu MS SQL Server 2005 Wprowadzenie
Bardziej szczegółowoProcesy aktywne. PoŜyczki Kredyty Pozostałe procesy aktywne
ZADANIA ĆWICZENIOWE - ADONIS Moduł 1: Struktura obszaru przedsiębiorstwa Pierwszym etapem jest analiza i strukturyzacja badanego obszaru przedsiębiorstwa. W tym celu stosowany jest typ modelu ADONISa mapa
Bardziej szczegółowoOprogramowanie dla biznesu Numer 11 (69) Listopad 2009 JAK SZYBKO I SKUTECZNIE ZAMKNĄĆ ROK?
Oprogramowanie dla biznesu Numer 11 (69) Listopad 2009 JAK SZYBKO I SKUTECZNIE ZAMKNĄĆ ROK? CZY TO MOśLIWE, ABY PRZEZ PROCES ZAMKNIĘCIA ROKU W DUśEJ FIRMIE LEASINGOWEJ PRZEJŚĆ SZYBKO I BEZBOLEŚNIE? MY
Bardziej szczegółowoOLAP i hurtownie danych c.d.
OLAP i hurtownie danych c.d. Przypomnienie OLAP -narzędzia analizy danych Hurtownie danych -duże bazy danych zorientowane tematycznie, nieulotne, zmienne w czasie, wspierjące procesy podejmowania decyzji
Bardziej szczegółowotechnologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych.
Informatyka Coraz częściej informatykę utoŝsamia się z pojęciem technologii informacyjnych. Za naukową podstawę informatyki uwaŝa się teorię informacji i jej związki z naukami technicznymi, np. elektroniką,
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoKomunikator internetowy w C#
PAŃSTWOWA WYśSZA SZKOŁA ZAWODOWA W ELBLĄGU INSTYTUT INFORMATYKI STOSOWANEJ Sprawozdanie Komunikator internetowy w C# autor: Artur Domachowski Elbląg, 2009 r. Komunikacja przy uŝyciu poczty internetowej
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 szczegółowoRola analityki danych w transformacji cyfrowej firmy
Rola analityki danych w transformacji cyfrowej firmy Piotr Czarnas Querona CEO Analityka biznesowa (ang. Business Intelligence) Proces przekształcania danych w informacje, a informacji w wiedzę, która
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoHurtownie danych. Wprowadzenie do systemów typu Business Intelligence
Hurtownie danych Wprowadzenie do systemów typu Business Intelligence Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowodr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2016/2017
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2016/2017 KONTAKT Z PROWADZĄCYM dr inż. Paweł Morawski e-mail: pmorawski@spoleczna.pl www: http://pmorawski.spoleczna.pl
Bardziej szczegółowoBazy danych 1. Wykład 5 Metodologia projektowania baz danych. (projektowanie logiczne)
Bazy danych 1 Wykład 5 Metodologia projektowania baz danych (projektowanie logiczne) Projektowanie logiczne przegląd krok po kroku 1. Usuń własności niekompatybilne z modelem relacyjnym 2. Wyznacz relacje
Bardziej szczegółowoSzybkość instynktu i rozsądek rozumu$
Szybkość instynktu i rozsądek rozumu$ zastosowania rozwiązań BigData$ Bartosz Dudziński" Architekt IT! Już nie tylko dokumenty Ilość Szybkość Różnorodność 12 terabajtów milionów Tweet-ów tworzonych codziennie
Bardziej szczegółowoSystemy Wspomagania Decyzji
Reguły Asocjacyjne Szkoła Główna Służby Pożarniczej Zakład Informatyki i Łączności March 18, 2014 1 Wprowadzenie 2 Definicja 3 Szukanie reguł asocjacyjnych 4 Przykłady użycia 5 Podsumowanie Problem Lista
Bardziej szczegółowoOpracowanie narzędzi informatycznych dla przetwarzania danych stanowiących bazę wyjściową dla tworzenia map akustycznych
Opracowanie zasad tworzenia programów ochrony przed hałasem mieszkańców terenów przygranicznych związanych z funkcjonowaniem duŝych przejść granicznych Opracowanie metody szacowania liczebności populacji
Bardziej szczegółowoBUSINESS INTELLIGENCE W ZARZĄDZANIU
BUSINESS INTELLIGENCE W ZARZĄDZANIU Małgorzata Nycz, Barbara Smok Wprowadzenie śyjemy w czasach charakteryzujących się bardzo szybkimi przemianami spowodowanymi rozwojem technik informacyjno - komunikacyjnych,
Bardziej szczegółowoSecurity Master Class
Security Master Class Platforma kompleksowej analizy zdarzeń Linux Polska SIEM Radosław Żak-Brodalko Senior Solutions Architect Linux Polska sp. z o.o. Podstawowe problemy Jak pokryć lukę między technicznym
Bardziej szczegółowoText 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 szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoSystemy baz danych. mgr inż. Sylwia Glińska
Systemy baz danych Wykład 1 mgr inż. Sylwia Glińska Baza danych Baza danych to uporządkowany zbiór danych z określonej dziedziny tematycznej, zorganizowany w sposób ułatwiający do nich dostęp. System zarządzania
Bardziej szczegółowoProces odkrywania wiedzy z baz danych
Proces odkrywania wiedzy z baz danych Wydział Informatyki Politechnika Białostocka Marcin Czajkowski email: m.czajkowski@pb.edu.pl Świat pełen danych Świat pełen danych Możliwości analizowania i zrozumienia
Bardziej szczegółowoZAGADNIENIE WYBORU NARZĘDZIA DO DATA MINING. ANALIZA PORÓWNAWCZA WYBRANYCH PRODUKTÓW I TECHNIK
ZAGADNIENIE WYBORU NARZĘDZIA DO DATA MINING. ANALIZA PORÓWNAWCZA WYBRANYCH PRODUKTÓW I TECHNIK Streszczenie Paweł Pandzierski Akademia Ekonomiczna im. Oskara Langego we Wrocławiu paweell@op.pl Artykuł
Bardziej szczegółowoCharakterystyka oprogramowania obiektowego
Charakterystyka oprogramowania obiektowego 1. Definicja systemu informatycznego 2. Model procesu wytwarzania oprogramowania - model cyklu Ŝycia oprogramowania 3. Wymagania 4. Problemy z podejściem nieobiektowym
Bardziej szczegółowoAlgorytmy i struktury danych
Algorytmy i struktury danych Proste algorytmy sortowania Witold Marańda maranda@dmcs.p.lodz.pl 1 Pojęcie sortowania Sortowaniem nazywa się proces ustawiania zbioru obiektów w określonym porządku Sortowanie
Bardziej szczegółowoSYLABUS DOTYCZY CYKLU KSZTAŁCENIA realizacja w roku akademickim 2016/17
Załącznik nr 4 do Uchwały Senatu nr 430/01/2015 SYLABUS DOTYCZY CYKLU KSZTAŁCENIA 2013-2017 realizacja w roku akademickim 2016/17 1.1. PODSTAWOWE INFORMACJE O PRZEDMIOCIE/MODULE Nazwa przedmiotu/ modułu
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 szczegółowoEksploracja danych - wykład VIII
I Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska 2 grudnia 2016 1/31 1 2 2/31 (ang. affinity analysis) polega na badaniu atrybutów lub cech, które są ze sobą powiązane. Metody
Bardziej szczegółowoĆwiczenie 3 funkcje agregujące
Ćwiczenie 3 funkcje agregujące Funkcje agregujące, klauzule GROUP BY, HAVING Ćwiczenie 3 funkcje agregujące Celem ćwiczenia jest zaprezentowanie zagadnień dotyczących stosowania w zapytaniach języka SQL
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 szczegółowoOpracowanie systemu monitorowania zmian cen na rynku nieruchomości
Opracowanie systemu monitorowania zmian cen na rynku nieruchomości Ogólne założenia planowanego projektu Firma planuje realizację projektu związanego z uruchomieniem usługi, która będzie polegała na monitorowaniu
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
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 szczegółowoAPIO. W7 SPECYFIKACJA (UŻYCIA) DOSTĘPU DO DANYCH I SPOSOBU ICH PRZETWARZANIA 1. METODA CRUD 2. LOGIKA FUNKCJI
APIO. W7 SPECYFIKACJA (UŻYCIA) DOSTĘPU DO DANYCH I SPOSOBU ICH PRZETWARZANIA 1. METODA CRUD 2. LOGIKA FUNKCJI dr inż. Grażyna Hołodnik-Janczura W8/K4 CO SIĘ MOŻE DZIAĆ PODCZAS WYKONYWANIA BIZNESOWEJ FUNKCJI
Bardziej szczegółowo