1 Wstęp. 2 Eksploracja danych w biznesie
|
|
- Marcin Karpiński
- 8 lat temu
- Przeglądów:
Transkrypt
1 1 Wstęp Eksploracja danych (ang. Data Mining) wiąże się ściśle z pojęciem Pozyskiwanie Wiedzy z baz danych(ang. KDD - Knowledge Discowery in Databases). Jak sama nazwa wskazuje, zainteresowanie badaczy koncentruje się na odkrywaniu technik i metod pozwalających na odkrycie interesujących wzorców, zjawisk, faktów w gąszczu danych, gromadzonych w olbrzymich nieraz, bazach danych. Jedną z dziedzin, która szczególnie zainteresowana jest efektami tych badań jest biznes. W procesie swego działania gromadzi on wielkie ilości danych, które stanowią podstawę podejmowanych decyzji biznesowych. Każde narzędzie, które pozwala na polepszenie jakości tych decyzji (czyli zwiększenie zysku), jest jak najbardziej pożądane, a narzędzia tworzone w ramach eksploracji danych dają takie rezultaty. Niniejszy artykuł skupia się na jednej z technik stosowanych w eksploracji danych, mianowicie na grupowaniu (ang. clustering). Autor formułuje potrzebę segmentacji bazy klientów oraz bazy katalogu towarów. Problem ten przedstawiono w postaci takiej, aby do jego rozwiązania możliwe było zastosowanie wymienionej techniki eksploracji danych: grupowania. 2 Eksploracja danych w biznesie Eksploracja danych jako dziedzina zajmuje się poszukiwaniem interesujących wzorców w zgromadzonych danych. W tej definicji szczególnie trudne staje się precyzyjne określenie znaczenia terminu interesujące. W tym celu tworzone są kryteria takie jak nośnik czy wiarygodność [AIS93], mówi się o zawartości informacyjnej [SG91], nie trywialności, nieoczekiwanych i niespodziewanych rezultatach [LH96]. W zakresie wykorzystania eksploracji danych w biznesie, w szeroko pojętym zarządzaniu termin interesujący nabiera jeszcze jednego znaczenia. Wzorzec pozyskany z danych jest interesujący jeżeli można go wykorzystać w trakcie podejmowania decyzji biznesowych: Samo znalezienie wzorca nie wystarcza, należy być zdolnym do wykrywania sytuacji pasujących do tego wzorca, wykorzystania go, podjęcia na tej podstawie decyzji zwiększającej wartość przedsiębiorstwa [BL97]. Założenia do zastosowania eksploracji danych w biznesie zostały przedstawione w [KPR98]. Według tych założeń sprzedawca podejmuje decyzje biznesowe w celu maksymalizacji zysku. Można powiedzieć, że zysk jest funkcją, którą należy maksymalizować: Z(D, f) = max f(x), (1) x D gdzie D jest zbiorem wszystkich możliwych do podjęcia decyzji (strategii marketingowych, celów strategicznych, planów rozwoju), a f(x) jest użytecznością decyzji x odzwierciedlającą trwałość (istnienie) przedsiębiorstwa oraz wielkość możliwego do osiądnięcia zysku. Tak sformułowany problem optymalizacji leży u podstaw zarządzania każdym przedsiębiorstwem. Przy czym w rzeczywistym 1
2 świecie zagadnienia te są tak skomplikowane i złożone, że nikt nie jest w stanie stworzyć dokładnego modelu umożliwiającego weryfikacje hipotez. Podejmujący decyzje opierają się o przybliżone zasady rządzące zachowaniem się obiektów biorących udział w analizie, znają jedynie naturę zjawisk czy pewne heurytyczne zależności. Natomiast wiele z informacji nie jest znanych, część danych może być niewiarygodna, od przyjętych zasad mogą występować wyjątki i odstępstwa. Podejmowanie decyzji w takim środowisku wymaga stosowania odpowiednich narzędzi i technik zdolnych do przetwarzania i analizy tak skomplikowanych zagadnień oraz odpornych na niebezpieczeństwa i zakłócenia możliwe do wystąpienia w jego trakcie. W równaniu 1 występują dwa obszary. Pierwszy D, obszar podejmowanych decyzji, obejmuje wn przedsiębiorstwa, decyzje dotyczą tylko tych elementów na które przedsiębiorstwo ma bezpośredni wpływ : wielkość produkcji, jakość, cena, nakłady badawczo-rozwojowe, na marketing i reklamę. Drugi obszar, oznaczony jako f(x) jest funkcją interakcji przedsiębiorstwa z otoczeniem, do którego należą klienci, dostawcy, pracownicy, rynek jako taki. Poszczególne obiekty z otoczenia, zwane również agentami, mają swój odrębny wpływ na uzyskiwana wartość. Czyli można napisać: f(x) = y Y f y(x), (2) gdzie Y jest zbiorem agentów wchodzących w interakcję z przedsiębiorstwem. Ponieważ każdy klient ma swój niezależny wkład w zysk, globalny zysk przedsiębiorstwa jest sumą wkładów uzyskanych od każdego klienta w wyniku podejmowanych decyzji biznesowych. Podejmując jednakową decyzję dla wszystkich klientów (każdego obsługując według takich samych reguł) nie otrzyma się optymalnych rezultatów, zysk nie będzie maksymalny. Dobre rezultaty otrzymuje się indywidualnie podejmując decyzje dla każdego klienta osobno. Wadą takiego podejścia jest koszt samego procesu podejmowania decyzji, który obciąża każdego klienta indywidualnie oraz koszt zastosowania decyzji, który maleje wraz ze wzrostem liczby klientów do niego stosowanych (maleje koszt jednostkowy stosowania). Lepszym rozwiązaniem jest zastosowanie segmentacji portfela klientów. Polega to na podziale klientów na k grup, w której dla każdego klienta podejmuje się tą samą decyzję, dla różnych grup są różne decyzje. Inaczej mówiąc podejmuje się k decyzji biznesowych i każdego klienta obsługuje się zgodnie z tą decyzją, która daje najlepszy wynik. 3 Segmentacja klientów Przedstawiając powyższy problem w postaci formalnej przedstawiamy: zbiór klientów jako zbiór agentów Y oraz zbiór strategii marketingowych jako zbiór decyzji D. Wartość funkcji zależy teraz również od podjętej decyzji więc otrzymujemy: 2
3 Z(D, f) max f y(x y ). (3) x D y Y Możliwe jest że do części z klientów będzie przypisana ta sama strategia marketingowa. Ponieważ ilość klientów jest zazwyczaj znacznie większa od ilości możliwych strategii Y >> D to podstawowym problemem jest podzielenie bazy klientów na zbiory przypisane do różnych strategii, w literaturze zwany jako zagadnienie segmentacji bazy klientów. Samo zagadnienie segmentacji ma wiele aspektów, jednak jako problem optymalizacyjny jest ściśle związane z zagadnieniem grupowania, będącym zagadnieniem algorytmicznym z zakresu eksploracji danych [JD88]. Grupowanie kontrahentów opiera się na następujących przesłankach: 1. Nie jest tak, że wszyscy kontrahenci są jednakowi, tzn. że postępują według takich samych reguł - kupują te same towary w takich samych odstępach czasu, są jednakowo wrażliwi na przedstawiane im warunki takie jak cena, jakość, transport, obsługa itd. W rzeczywistości każdy kontrahent jest reprezentowany przez osobę lub grupę ludzi, a jak wiadomo nie ma dwóch identycznych ludzi na świecie, więc i kontrahenci będą się różnie zachowywać. 2. Mimo różnorodności, z punktu widzenia dostawcy kontrahentów, można i należy (zgodnie z obecnymi trendami zarządzania i marketingu) pogrupować zgodnie ze stopniem podobieństwa (tak jak ludzie są do siebie mniej lub bardziej podobni, tak samo można mówić o podobieństwie przedsiębiorstw). 4 Grupowanie Jak już powiedziano grupowanie (ang. clustering) wywodzi się z szerszego pojęcia jakim jest klasyfikacja bezwzorcowa. Grupowanie powszechnie traktuje się jako uczenie bez nadzoru, w którym uczeń otrzymuje zbiór trenujący, zawierający przykłady bez określania ich kategorii (przykłady nieetykietowane). Właściwe kategorie uczeń musi zaproponować samodzielnie na podstawie pewnej zasady grupowania, wbudowanej w algorytm lub częściowo definiowanej przez użytkownika Poprzez grupowanie można również rozwiązać problemy z gatunku odkrywania struktury w danych oraz dokonywanie uogólniania. Grupowanie często jest pierwszym krokiem w procesie poznawania danego zjawiska na podstawie zbioru obserwacji. Jest to forma maszynowego uczenia bez nadzoru a celem jest uzyskanie hierarchii pojęć opisujących dane zjawisko. Grupowanie wywodzi się z taksonomii numerycznej oraz analizy skupień i w swym podstawowym ujęciu zajmuje się otrzymywaniem zapisu podziału obiektów na grupy przy pomocy metod algorytmicznych. Jakkolwiek jest to główne zadanie grupowania, to jednak z powodu braku lub słabego wykorzystywania 3
4 różnych aspektów wiedzy dotyczących zbioru obiektów, ich atrybutów i środowiska, uzyskiwane rezultaty mogą odbiegać od oczekiwań. Kolejnym problemem jest uzyskiwanie wyników w postaci trudno przekształcalnej na pojęcia służące charakteryzacji danego zjawiska. Ideę grupowania pojęciowego (ang. conceptual clustering) przedstawiono w W tym celu stosuje się odpowiednie algorytmy grupowania, których wyniki łatwo dają się przedstawić w formie pojęć czy koncepcji, oraz które umożliwiają uwzględnienie dostępnej wiedzy np. poprzez stosowanie miary bliskości odzwierciedlającej zależności pomiędzy atrybutami. 5 Koncepcje grupowania kontrahentów Grupowania kontrahentów (czy też segmentacji bazy klientów zgodnie z terminologią marketingową) dokonuje się w oparciu o zgromadzone dane, które można powiązać z poszczególnymi kontrahentami. Proces grupowania silnie zależy od pochodzenia i rodzaju danych oraz reprezentowanych informacji. W niniejszym opracowaniu rozpatrywane są dane związane z przeprowadzonymi transakcjami sprzedaży. Grupowania można dokonać z uwagi na następujące rodzaje informacji: zrealizowany przychód, zróżnicowanie asortymentowe. Poszczególne podejścia różnią się od siebie szczegółowością traktowania danych wejściowych. Najczęściej dokonuje się wstępnej agregacji (selekcji cech) w celu zmniejszenia ilości wymiarów w analizowanych danych. Zaproponowano wykorzystanie algorytmu grupowania rozmytego do grupowania kontrahentów w oparciu o dwie metody obliczania podobieństwa pomiędzy kontrahentami: wykorzystanie wektora przychodów zrealizowanych w poszczególnych grupach asortymentowych wykorzystanie macierzy podobieństw pomiędzy towarami i w oparciu o funkcję harmoniczne zaproponowano metodę grupowania kontrahentów wykorzystanie danych lingwistycznych, zapisanych w nazwach towarów do opisania kontrahenta i na tej podstawie dokonanie grupowania 6 Potrzeba grupowania w katalogu towarów O ile segmentacja bazy klientów jest powszechnie znanym zagadnieniem zarówno marketingowym jak i w ramach eksploracji danych, to baza towarów/produktów stosunkowo rzadko jest przedmiotem badań. Ponieważ to właśnie towary są atrybutami, według których dokonuje się porównywania, oceny i grupowania kontrahentów to autor przedstawił własne wyniki badań w tym obszarze oraz przykłady ich wykorzystania do głównego zagadnienia jakim jest segmentacja bazy klientów. Grupowanie w katalogu towarów jest istotnym ogniwem w trakcie eksploracji bazy danych przedsiębiorstwa. W rzeczywistych środowiskach można spotkać 4
5 katalogi liczące kilkaset lub wiele tysięcy pozycji. Szczegółowa analiza pojedynczych pozycji, aczkolwiek możliwa, jest nieskuteczna z punktu widzenia eksploracji danych. Minimalne różnice pomiędzy towarami, skutkujące odrębnym sposobem rejestracji transakcji (różne identyfikatory) są nieistotne w toku poszukiwania wiedzy. Wiele technik takich jak uogólnianie, streszczanie, agregacja, OLAP opartych jest na klasyfikacji katalogu towarów. Dzięki klasyfikacji można dokonywać przetwarzania na wielu poziomach abstrakcji Wiele katalogów towarów posiada informacje o klasyfikacji poszczególnych pozycji. Dane te są wprowadzane ręcznie zgodnie z przyjętą w przedsiębiorstwie systematyką katalogu towarów. Niestety taka klasyfikacja posiada szereg wad: 1. Nie każdy katalog towarów jest wyposażony w dane klasyfikacyjne. 2. Nie zawsze wpisy o klasyfikacji towaru są uzupełniane. 3. Klasyfikacja odzwierciedla tylko podstawowe cechy towaru. 4. Klasyfikacja tworzona jest ręcznie, przez co trudno dokonywać na niej znaczących modyfikacji. 5. Wprowadzanie nowych rodzajów towarów winno skutkować modyfikacją istniejącej systematyki, co czasami jest bardzo długotrwałe. 6. Klasyfikację tworzy się indywidualnie dla danego przedsiębiorstwa, w oparciu o bieżące potrzeby, co może skutkować uniemożliwieniem realizacji przyszłych wymagań. Alternatywą może być stworzenie automatycznego systemu klasyfikowania towarów. Poniżej zaproponowano sposób tworzenia takiego systemu. Opiera się on na grupowaniu przy wykorzystaniu funkcji podobieństwa opartej na informacji zawartej w nazwach towarów. Wykorzystuje również teorię granular computing. Takie podejście omija część ograniczeń ręcznej klasyfikacji: 1. System zapewnia sklasyfikowanie każdej pozycji towarowej. 2. System opiera się na wiedzy ekspertów z danej dziedziny, istnieje możliwość wprowadzania nowych informacji. 3. Istnieje możliwość modyfikacji parametrów klasyfikacji, co przekłada się na otrzymywane rezultaty. 4. Brak ograniczeń w ilości analizowanych pozycji. Jak już wskazano w 6 grupowanie w katalogu towarów jest istotnym ogniwem w trakcie eksploracji bazy danych przedsiębiorstwa. Baza zawierająca katalog istnieje niemal we wszystkich systemach informacyjnych przedsiębiorstw. Wśród wielu danych opisujących daną pozycję towarową na potrzeby niniejszych rozważań istotny jest słowny zapis nazwy danej pozycji towarowej. Dzięki analizie tej nazwy można dokonać porównania nazw poszczególnych towarów i dalej dokonać grupowania. Grupowanie może zautomatyzować bądź wspomóc tworzenie nowych i polepszanie starych klasyfikacji towarów. Grupowanie winno się odbywać przy następujących założeniach: 5
6 towary są łączone na podstawie posiadanych wspólnych wartości atrybutów, nie dokonuje się wstępnej kwantyzacji atrybutów symbolicznych, podobieństwo zależy od atrybutów porównywanych obiektów ale również korelacji z innymi obiektami, poszczególne atrybuty mają różną wagę, którą należy oszacować na podstawie dostępnych danych, zakłada się istnienie dodatkowych, możliwych do wykorzystania informacji. 7 Podsumowanie Sformułowanie problemu, tak aby możliwe było zastosowanie grupowania do jego rozwiązania to dopiero początek prac. W dalszej kolejności należy dokonać właściwego przygotowania bazy danych oraz zaadaptować algorytmy grupowania do tak sformułowanego problemu. Są to główne kierunki dalszy prac autora. [Hug01] [AMS + 96, HKK97, HF95] [KPR98, AIS93, GP02]. [AIS93, AMS + 96, BMUT97, DMR98] [BL97]. wykorzystanie [Maz02a] [Maz02b] Literatura [AIS93] R. Agrawal, T. Imielinski, A. N. Swami. Mining association rules between sets of items in large databases. P. Buneman, S. Jajodia, redaktorzy, Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, strony , Washington, [AMS + 96] R. Agrawal, H. Mannila, R. Srikant, H. Toivonen, A.I. Verkamo. Fast discovery of association rules. Advances in Knowledge Discovery and Data Mining, strony , [BL97] M. J. Berry, G. Linoff. Data Mining Techniques. John-Wiley, New York, [BMUT97] S. Brin, R. Motwani, J. D. Ullman, S. Tsur. Dynamic itemset counting and implication rules for market basket data. ACM SIGMOD International Conference on Management of Data, strony , [DMR98] G. Das, H. Mannila, P. Ronkainen. Similarity of attributes by external probes. Knowledge Discovery and Data Mining, strony 23 29, [GP02] P. Guidici, G. Passerone. Data mining of association structures to model consumer behaviour. Computational statistic and data analysis,
7 [HF95] J. Han, Y. Fu. Discovery of multiple-level association rules from large databases. Proc. of Int l Conf. on Very Large Data Bases (VLDB 95), Zürich, Switzerland, strony , [HKK97] [Hug01] [JD88] [KPR98] [LH96] [Maz02a] [Maz02b] [SG91] E. Han, G. Karypis, V. Kumar. Scalable parallel data mining for association rules. Proceedings of ACM SIGMOD, A. M. Huges. Making your database pay off using recency frequency and monetary analysis. Database Marketing Institute, 13(8): , A. K. Jain, R.C. Dubes. Algorithms for Clustering Data. Prentice Hall, New Jersey, J. Kleinberg, C. Papadimitriou, P. Raghavan. Segmentation problems. Proceedings of the ACM Symposium on Theory of Computing, strony , B. Liu, W. Hsu. Post-analysis of learned rules. AAAI/IAAI, Vol. 1, strony , D. Mazur. Computing similarity measure based on names of goods for fuzzy clustering. Methods of Artificial Intelligence, Gliwice, D. Mazur. Wykorzystywanie danych określonych lingwistycznie w systemach pozyskiwania wiedzy. SWO, Ustroń, P. Smyth, R. M. Goodman. Rule induction using information theory. Piatetsky-Shapiro, G. and Frawley, W.J. (Eds.),Knowledge Discovery in Databases, strony ,
PRZEDSIĘBIORSTW. Dariusz Mazur Wydział Organizacji i Zarządzania Politechnika Śl. w Gliwicach
ZASTOSOWANIE GRUPOWANIA DO EKSPLORACJI BAZ DANYCH SYSTEMÓW INFORMATYCZNYCH PRZEDSIĘBIORSTW Streszczenie Dariusz Mazur Wydział Organizacji i Zarządzania Politechnika Śl. w Gliwicach dmazur@polsl.gliwice.pl
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 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 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: problemy i rozwiązania
V Konferencja PLOUG Zakopane Październik 1999 Eksploracja danych: problemy i rozwiązania Tadeusz Morzy morzy@put.poznan.pl Instytut Informatyki Politechnika Poznańska Streszczenie Artykuł zawiera krótką
Bardziej szczegółowoAlgorytm grupowania oparty o łańcuch reguł dyskryminacyjnych
AI-METH 2002 - Artificial Intelligence Methods November 13 15, 2002, Gliwice, Poland Algorytm grupowania oparty o łańcuch reguł dyskryminacyjnych Dariusz Mazur Silesian University of Technology, Faculty
Bardziej szczegółowoWYKORZYSTANIE DANYCH OKREŚLONYCH LINGWISTYCZNIE W SYSTEMACH POZYSKIWANIA WIEDZY.
WYKORZYSTANIE DANYCH OKREŚLONYCH LINGWISTYCZNIE W SYSTEMACH POZYSKIWANIA WIEDZY. 1. Streszczenie/Abstract Dariusz Mazur Wydział organizacji i zarządzania. Politechnika Śląska w Gliwicach dmazur@polsl.gliwice.pl
Bardziej szczegółowoAnaliza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32
Analiza i projektowanie oprogramowania Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania 2/32 Cel analizy Celem fazy określania wymagań jest udzielenie odpowiedzi na pytanie:
Bardziej szczegółowoLEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów
LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów Łukasz Piątek, Jerzy W. Grzymała-Busse Katedra Systemów Ekspertowych i Sztucznej Inteligencji, Wydział Informatyki
Bardziej szczegółowoZagadnienia optymalizacji i aproksymacji. Sieci neuronowe.
Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI
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 szczegółowoDiagramy ERD. Model struktury danych jest najczęściej tworzony z wykorzystaniem diagramów pojęciowych (konceptualnych). Najpopularniejszym
Diagramy ERD. Model struktury danych jest najczęściej tworzony z wykorzystaniem diagramów pojęciowych (konceptualnych). Najpopularniejszym konceptualnym modelem danych jest tzw. model związków encji (ERM
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 szczegółowoDiagramu Związków Encji - CELE. Diagram Związków Encji - CHARAKTERYSTYKA. Diagram Związków Encji - Podstawowe bloki składowe i reguły konstrukcji
Diagramy związków encji (ERD) 1 Projektowanie bazy danych za pomocą narzędzi CASE Materiał pochodzi ze strony : http://jjakiela.prz.edu.pl/labs.htm Diagramu Związków Encji - CELE Zrozumienie struktury
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 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 szczegółowoNowoczesny system logistyczny. Autor: Adam NOWICKI
Logistyka jest pojęciem obejmującym organizację, planowanie, kontrolę i realizację przepływów towarowych od ich wytworzenia i nabycia, poprzez produkcję i dystrybucję, aż do finalnego odbiorcy. Jej celem
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 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 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 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
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 szczegółowoWykład 2 Rola otoczenia w procesie formułowania strategii organizacji
Dr inż. Aleksander Gwiazda Zarządzanie strategiczne Wykład 2 Rola otoczenia w procesie formułowania strategii organizacji Plan wykładu Koncepcja otoczenia przedsiębiorstwa Metoda SWOT Cele przedsiębiorstwa
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 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 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 szczegółowoJacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa
Jacek Skorupski pok. 251 tel. 234-7339 jsk@wt.pw.edu.pl http://skorupski.waw.pl/mmt prezentacje ogłoszenia konsultacje: poniedziałek 16 15-18, sobota zjazdowa 9 40-10 25 Udział w zajęciach Kontrola wyników
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 szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
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 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 szczegółowoProces i narzędzia analizy potencjału wybranych obszarów rynku farmaceutycznego
Proces i narzędzia analizy potencjału wybranych obszarów rynku farmaceutycznego Przyglądając się rynkowi farmaceutycznemu w Polsce możemy zauważyć, że jest to jedna z lepiej zwymiarowanych i opisanych
Bardziej szczegółowoMenedżer społeczności quiz. 1. Uzupełnij definicję e-handlu, zaznaczając odpowiednie kratki (zaznacz wszystkie poprawne
Menedżer społeczności quiz Moduł 1: Marketing cyfrowy 1. Uzupełnij definicję e-handlu, zaznaczając odpowiednie kratki (zaznacz wszystkie poprawne odpowiedzi). a) handel elektroniczny odnosi się do transakcji
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 szczegółowoMichał Kozielski Łukasz Warchał. Instytut Informatyki, Politechnika Śląska
Michał Kozielski Łukasz Warchał Instytut Informatyki, Politechnika Śląska Algorytm DBSCAN Algorytm OPTICS Analiza gęstego sąsiedztwa w grafie Wstępne eksperymenty Podsumowanie Algorytm DBSCAN Analiza gęstości
Bardziej szczegółowo!!!!!!!!!!! PORTFOLIO: Analiza zachowań użytkowników serwisów internetowych. Autorzy: Marek Zachara
PORTFOLIO: Analiza zachowań użytkowników serwisów internetowych Autorzy: Marek Zachara Opis merytoryczny Cel naukowy (jaki problem wnioskodawca podejmuje się rozwiązać, co jest jego istotą, co uzasadnia
Bardziej szczegółowoData Mining Kopalnie Wiedzy
Data Mining Kopalnie Wiedzy Janusz z Będzina Instytut Informatyki i Nauki o Materiałach Sosnowiec, 30 listopada 2006 Kopalnie złota XIX Wiek. Odkrycie pokładów złota spowodowało napływ poszukiwaczy. Przeczesywali
Bardziej szczegółowoProgramowanie celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
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 szczegółowoBadania eksploracyjne Badania opisowe Badania wyjaśniające (przyczynowe)
Proces badawczy schemat i zasady realizacji Agata Górny Demografia Wydział Nauk Ekonomicznych UW Warszawa, 4 listopada 2008 Najważniejsze rodzaje badań Typy badań Podział wg celu badawczego Badania eksploracyjne
Bardziej szczegółowoRada nadzorcza w procesie nadzoru i zarządzania. przedsiębiorstwem
Rada nadzorcza w procesie nadzoru i zarządzania przedsiębiorstwem Dr inż. Kazimierz Barwacz Małopolska Wyższa Szkoła Ekonomiczna w Tarnowie Sopot 29 31.05.2011 r. 1 System zarządzania i nadzoru to konstrukcja
Bardziej szczegółowoOd początku. Dlaczego mówimy o danych? - Nowa gospodarka. Znaczenie informacji w organizacjach innowacyjnych CRM
Znaczenie informacji w organizacjach innowacyjnych CRM Od początku Informacja marketingowa jest obecnie krytycznym zasobem każdej organizacji Może być ona łatwo gromadzona, dzięki wszelkiego rodzaju rozwiązaniom
Bardziej szczegółowoKARTA PRZEDMIOTU. 1. Informacje ogólne. 2. Ogólna charakterystyka przedmiotu. Metody drążenia danych D1.3
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 szczegółowoOpenAI Gym. Adam Szczepaniak, Kamil Walkowiak
OpenAI Gym Adam Szczepaniak, Kamil Walkowiak Plan prezentacji Programowanie agentowe Uczenie przez wzmacnianie i problemy związane z rozwojem algorytmów Charakterystyka OpenAI Gym Biblioteka gym Podsumowanie
Bardziej szczegółowoProces badawczy schemat i zasady realizacji
Proces badawczy schemat i zasady realizacji Agata Górny Zaoczne Studia Doktoranckie z Ekonomii Warszawa, 14 grudnia 2014 Metodologia i metoda badawcza Metodologia Zadania metodologii Metodologia nauka
Bardziej szczegółowoCRM funkcjonalność
CRM 9000 funkcjonalność Logotec CRM9000 Web Edition jest systemem klasy CRM (Zarządzanie Relacjami z Klientem) autorstwa Logotec Engineering Group producenta znanego systemu zarządzania dokumentami i przepływem
Bardziej szczegółowoProces badawczy schemat i zasady realizacji
Proces badawczy schemat i zasady realizacji Agata Górny Wydział Nauk Ekonomicznych UW Warszawa, 28 października 2014 Najważniejsze rodzaje badań Typy badań Podział wg celu badawczego Kryteria przyczynowości
Bardziej szczegółowoZASTOSOWANIA EKONOMETRII
ZASTOSOWANIA EKONOMETRII Hedoniczny model cen dr Dorota Ciołek Katedra Ekonometrii Wydział Zarządzania UG http://wzr.pl/~dciolek dorota.ciolek@ug.edu.pl Prekursorami modelowania cen byli F. Waugha oraz
Bardziej szczegółowoBusiness Intelligence
Business Intelligence Paweł Mielczarek Microsoft Certified Trainer (MCT) MCP,MCSA, MCTS, MCTS SQL 2005, MCTS SQL 2008, MCTS DYNAMICS, MBSS, MBSP, MCITP DYNAMICS. Geneza Prowadzenie firmy wymaga podejmowania
Bardziej szczegółowoPrzepływy danych. Oracle Designer: Modelowanie przepływów danych. Diagramy przepływów danych (1) Diagramy przepływów danych (2)
Przepływy danych Oracle Designer: Modelowanie przepływów danych Cele: zobrazowanie funkcji zachodzących w organizacji, identyfikacja szczegółowych informacji, przetwarzanych przez funkcje, pokazanie wymiany
Bardziej szczegółowoModelowanie klas i obiektów. Jarosław Kuchta Projektowanie Aplikacji Internetowych
Modelowanie klas i obiektów Jarosław Kuchta Podstawowe pojęcia (1) Byt, encja (entity) coś co istnieje, posiada własne cechy i wyodrębnioną tożsamość (identity); bytem może być rzecz, osoba, organizacja,
Bardziej szczegółowo(x j x)(y j ȳ) r xy =
KORELACJA. WSPÓŁCZYNNIKI KORELACJI Gdy w badaniu mamy kilka cech, często interesujemy się stopniem powiązania tych cech między sobą. Pod słowem korelacja rozumiemy współzależność. Mówimy np. o korelacji
Bardziej szczegółowoBaza danych. Modele danych
Rola baz danych Systemy informatyczne stosowane w obsłudze działalności gospodarczej pełnią funkcję polegającą na gromadzeniu i przetwarzaniu danych. Typowe operacje wykonywane na danych w systemach ewidencyjno-sprawozdawczych
Bardziej szczegółowoZastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
Bardziej szczegółowoOd początku. Dlaczego mówimy o danych? - Nowa gospodarka. Tradycja vs. nowość. Znaczenie informacji w organizacjach innowacyjnych CRM
Od początku Znaczenie informacji w organizacjach innowacyjnych CRM Informacja marketingowa jest obecnie krytycznym zasobem każdej organizacji Może być ona łatwo gromadzona, dzięki wszelkiego rodzaju rozwiązaniom
Bardziej szczegółowoPodstawowe pakiety komputerowe wykorzystywane w zarządzaniu przedsiębiorstwem. dr Jakub Boratyński. pok. A38
Podstawowe pakiety komputerowe wykorzystywane w zarządzaniu przedsiębiorstwem zajęcia 1 dr Jakub Boratyński pok. A38 Program zajęć Bazy danych jako podstawowy element systemów informatycznych wykorzystywanych
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 szczegółowoWSTĘP I TAKSONOMIA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING WSTĘP I TAKSONOMIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoSkalowalność obliczeń równoległych. Krzysztof Banaś Obliczenia Wysokiej Wydajności 1
Skalowalność obliczeń równoległych Krzysztof Banaś Obliczenia Wysokiej Wydajności 1 Skalowalność Przy rozważaniu wydajności przetwarzania (obliczeń, komunikacji itp.) często pojawia się pojęcie skalowalności
Bardziej szczegółowoTechnologie obiektowe. Plan. Ewolucja technik wytwarzania oprogramowania
Literatura Marek Kisiel-Dorohinicki doroh@agh.edu.pl Brett D. McLaughlin, Gary Pollice, David West Head First Object-Oriented Analysis and Design Martin Fowler UML Distilled ( UML w kropelce ) Grady Booch,
Bardziej szczegółowoPlan. Struktura czynności myślenia (materiał, operacje reguły)
Myślenie Pojęcie myślenia Plan Struktura czynności myślenia (materiał, operacje reguły) Funkcje myślenia Rola myślenia w rozwiązywaniu problemów (pojęcie problemu i jego rodzaje, fazy rozwiązywania, przeszkody)
Bardziej szczegółowoPryncypia architektury korporacyjnej
Pryncypia architektury korporacyjnej Dr hab. Andrzej Sobczak, prof. SGH, Kierownik Zakładu Systemów Informacyjnych, Katedra Informatyki Gospodarczej SGH E-mail: sobczak@sgh.waw.pl Plan prezentacji Czym
Bardziej szczegółowoProcesowa specyfikacja systemów IT
Procesowa specyfikacja systemów IT BOC Group 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 Office
Bardziej szczegółowoDoskonalenie. Zdzisł aw Gomółk a. funkcjonowania. organizacji. Difin
Zdzisł aw Gomółk a Doskonalenie funkcjonowania organizacji Difin Recenzent Prof. dr hab. Zbigniew Banaszak Prof. dr hab. Maciej Wiatr w UE i jej efekty. Copyright Difin SA Warszawa 2009. Wszelkie prawa
Bardziej szczegółowoKalkulacja kosztów O P E R A C Y J N E I S T R A T E G I C Z N E, C. H. B E C K, W A R S Z A W A 2 0 0 9
Kalkulacja kosztów N I N I E J S Z A P R E Z E N T A C J A Z A W I E R A T R E Ś C I P O C H O D Z Ą C E Z N A S T Ę P U J Ą C Y C H Ź R Ó D E Ł : 1) I. S O B A Ń S K A ( R E D. ), R A C H U N E K K O
Bardziej szczegółowoSpołeczna odpowiedzialność biznesu podejście strategiczne i operacyjne. Maciej Bieńkiewicz
2012 Społeczna odpowiedzialność biznesu podejście strategiczne i operacyjne Maciej Bieńkiewicz Społeczna Odpowiedzialność Biznesu - istota koncepcji - Nowa definicja CSR: CSR - Odpowiedzialność przedsiębiorstw
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 szczegółowoProjektowanie BAZY DANYCH
Projektowanie BAZY DANYCH Podstawowe pojęcia Encją jest każdy przedmiot, zjawisko, stan lub pojęcie, czyli każdy obiekt, który potrafimy odróżnić od innych obiektów ( np. pies, rower,upał). Encje podobne
Bardziej szczegółowoProces badawczy schemat i zasady realizacji
Proces badawczy schemat i zasady realizacji Agata Górny Zaoczne Studia Doktoranckie z Ekonomii Warszawa, 23 października 2016 Metodologia i metoda naukowa 1 Metodologia Metodologia nauka o metodach nauki
Bardziej szczegółowoSzkolenie z zakresu kapitału pracującego NWC w przedsiębiorstwie. produkcyjnym
Szkolenie z zakresu kapitału pracującego NWC w przedsiębiorstwie produkcyjnym dr hab. Grzegorz Michalski tel. 503452860 tel. 791214963 Grzegorz.Michalski@gmail.com Szkolenie z zakresu kapitału pracującego
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoW poszukiwaniu sensu w świecie widzialnym
W poszukiwaniu sensu w świecie widzialnym Andrzej Śluzek Nanyang Technological University Singapore Uniwersytet Mikołaja Kopernika Toruń AGH, Kraków, 28 maja 2010 1 Podziękowania Przedstawione wyniki powstały
Bardziej szczegółowoNEGATYWNE REGUŁY ASOCJACYJNE WYZNACZANIE, MIARY I OBSZARY ZASTOSOWANIA
STUDIA INFORMATICA 2012 Volume 33 Number 2B (106) Anna KOTULLA Politechnika Śląska, Instytut Informatyki NEGATYWNE REGUŁY ASOCJACYJNE WYZNACZANIE, MIARY I OBSZARY ZASTOSOWANIA Streszczenie. Artykuł opisuje
Bardziej szczegółowoZałącznik nr 6 - Brief Komercjalizacyjny planowanego przedsięwzięcia typu spin off ... ... ... Rynek
Załącznik nr 6 - Brief Komercjalizacyjny planowanego przedsięwzięcia typu spin off Numer projektu*: Tytuł planowanego przedsięwzięcia:......... Rynek Jaka jest aktualna sytuacja branży? (w miarę możliwości
Bardziej szczegółowoPlan prezentacji 0 Wprowadzenie 0 Zastosowania 0 Przykładowe metody 0 Zagadnienia poboczne 0 Przyszłość 0 Podsumowanie 7 Jak powstaje wiedza? Dane Informacje Wiedza Zrozumienie 8 Przykład Teleskop Hubble
Bardziej szczegółowoWskazówki dotyczące audytu w ramach procedury akredytacji ośrodków wsparcia ekonomii społecznej
Wskazówki dotyczące audytu w ramach procedury akredytacji ośrodków wsparcia ekonomii społecznej Czym są ośrodki wsparcia ekonomii społecznej? Ośrodki wsparcia ekonomii społecznej oferują usługi wspierające
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 szczegółowoMarcin Adamczak Jakub Gruszka MSP. Business Intelligence
Marcin Adamczak Jakub Gruszka MSP Business Intelligence Plan Prezentacji Definicja Podział Zastosowanie Wady i zalety Przykłady Historia W październiku 1958 Hans Peter Luhn pracownik działu badań w IBM
Bardziej szczegółowoUchwała Nr II/VII/74/03 Rady Powiatu Wejherowskiego z dnia 25 kwietnia 2003 r.
Uchwała Nr II/VII/74/03 Rady Powiatu Wejherowskiego z dnia 25 kwietnia 2003 r. w sprawie przyjęcia sprawozdania Komisji ds. monitorowania Strategii Rozwoju Społeczno Gospodarczego Powiatu Wejherowskiego.
Bardziej szczegółowoAnaliza potencjalnych klientów w kontekście strategii marketingowej
2012 Analiza potencjalnych klientów w kontekście strategii marketingowej Małgorzata Latuszek Planowanie marketingowe e-usługi Łódź, 04 października 2012 Po co analizować potrzeby klientów? Po co analizować
Bardziej szczegółowoPROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM
Mostefa Mohamed-Seghir Akademia Morska w Gdyni PROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM W artykule przedstawiono propozycję zastosowania programowania dynamicznego do rozwiązywania
Bardziej szczegółowoINSTRUKCJA DO ĆWICZENIA NR 1
L01 ---2014/10/17 ---10:52---page1---#1 KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 1 PRZEDMIOT TEMAT Wybrane zagadnienia z optymalizacji elementów
Bardziej szczegółowoProjektowanie BD Diagramy związków encji
Wykład 10 Projektowanie BD Diagramy związków encji Bazy Danych - A. Dawid 2011 1 Diagramy związków encji Model Entity/Relationship (E/R) pozwala na opisanie statycznych aspektów rzeczywistości przy pomocy
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
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 szczegółowoAlgorytm DIC. Dynamic Itemset Counting. Magdalena Przygórzewska Karolina Stanisławska Aleksander Wieczorek
Algorytm DIC Dynamic Itemset Counting Magdalena Przygórzewska Karolina Stanisławska Aleksander Wieczorek Spis treści 1 2 3 4 Algorytm DIC jako rozszerzenie apriori DIC Algorytm znajdowania reguł asocjacyjnych
Bardziej szczegółowoPojęcie bazy danych. Funkcje i możliwości.
Pojęcie bazy danych. Funkcje i możliwości. Pojęcie bazy danych Baza danych to: zbiór informacji zapisanych według ściśle określonych reguł, w strukturach odpowiadających założonemu modelowi danych, zbiór
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 szczegółowoLuki kompetencyjne w kształceniu zawodowym" Piotr Cymanowski E mail:
Piotr Cymanowski E mail: pcymanowski@op.pl Uwarunkowania natury społecznej i ekonomicznej, jakie stwarza społeczeństwo informacyjne, wymuszają na organizacjach oraz ich pracownikach permanentne podnoszenie
Bardziej szczegółowoAsseco APMS Audyt i kontrola wewnętrzna. apms.asseco.com
Audyt i kontrola wewnętrzna. apms.asseco.com Audit Planning and Asseco APMS Planowanie Przygotowanie Realizacja Monitoring Management System. Harmonogram kontroli i audytów Plan kontroli i audytów (roczny/kilkuletni)
Bardziej szczegółowoSieci Kohonena Grupowanie
Sieci Kohonena Grupowanie http://zajecia.jakubw.pl/nai UCZENIE SIĘ BEZ NADZORU Załóżmy, że mamy za zadanie pogrupować następujące słowa: cup, roulette, unbelievable, cut, put, launderette, loveable Nie
Bardziej szczegółowoMetody zbiorów przybliżonych w uczeniu się podobieństwa z wielowymiarowych zbiorów danych
Metody zbiorów przybliżonych w uczeniu się podobieństwa z wielowymiarowych zbiorów danych WMIM, Uniwersytet Warszawski ul. Banacha 2, 02-097 Warszawa, Polska andrzejanusz@gmail.com 13.06.2013 Dlaczego
Bardziej szczegółowoPaweł Kurzawa, Delfina Kongo
Paweł Kurzawa, Delfina Kongo Pierwsze prace nad standaryzacją Obiektowych baz danych zaczęły się w roku 1991. Stworzona została grupa do prac nad standardem, została ona nazwana Object Database Management
Bardziej szczegółowoIntegrator ze sklepem internetowym (dodatek do Sage Symfonia ERP Handel)
Integrator ze sklepem internetowym (dodatek do Sage Symfonia ERP Handel) Cena brutto: 6 765,00 zł Cena netto: 5 500,00 zł Integracja HMF-DROP usprawnia proces składania zamówień oraz ich późniejszej obsługi
Bardziej szczegółowoSummary in Polish. Fatimah Mohammed Furaiji. Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling
Summary in Polish Fatimah Mohammed Furaiji Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling Zastosowanie symulacji wieloagentowej w modelowaniu zachowania konsumentów Streszczenie
Bardziej szczegółowoDiagnostyka ekonomiczna w systemach automatycznego zarządzania przedsiębiorstwem. dr Jarosław Olejniczak
Diagnostyka ekonomiczna w systemach automatycznego zarządzania przedsiębiorstwem dr Jarosław Olejniczak Agenda Diagnostyka, diagnostyka techniczna i diagnostyka ekonomiczna; Obszary diagnostyki ekonomicznej,
Bardziej szczegółowoZarządzanie łańcuchem dostaw
Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania kierunek: Zarządzanie i Marketing Zarządzanie łańcuchem dostaw Wykład 1 Opracowanie: dr Joanna Krygier 1 Zagadnienia Wprowadzenie do tematyki zarządzania
Bardziej szczegółowodr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2018/2019
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2018/2019 KONTAKT Z PROWADZĄCYM dr inż. Paweł Morawski e-mail: pmorawski@spoleczna.pl www: http://pmorawski.spoleczna.pl
Bardziej szczegółowo