Charakterystyka danych. Wizualizacja różnych typów danych. Model ciągły przykłady (1/14) Zm. niezależna 1D, zm. zależna skalar
|
|
- Bronisława Wasilewska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Charakterystyka danych Rozmieszczone na gridzie Zakres wartości Jakościowe: nominalne i porządkowe Ilościowe: dyskretne i ciągłe Typ danych: skalar, wektor, tensor Wymiarowość danych (liczba składowych) Wariancja Struktura danych: Relacyjna (tabelka) Sekwencyjna (lista wartości) Hierarchiczna (drzewo) Sieć Wizualizacja różnych typów danych Model ciągły #Zm. zależnych 1 Wiele Zm. niezależne Typ danych skalar wektor tensor wielowymiarowy 1D D 3D nd Wykres z krzywymi Mapa z kolorami Izolinie Rendering objętościowy Izopowierzchnie Wykres bąbelkowy LIC Ślady cząstek Glify Wiele widoków 1D, D lub 3D elipsoidy Połączenie metod dla skalarów, wektorów i tensorów Model ciągły przykłady (1/1) Zm. niezależna 1D, zm. zależna skalar,5 3,5 3, ,5 3,5 3, str. 97
2 Model ciągły przykłady (/1) Zm. niezależna 1D, zm. zależna skalar % % % str. 98 Model ciągły przykłady (3/1) 1 5 Zm. niezależna 1D, zm. zależna skalar % % % str. 99 Model ciągły przykłady (/1) Zm. niezależna: D, zm. zależna: skalar
3 Model ciągły przykłady (5/1) Zm. niezależna: D, zm. zależna: skalar 3,5 1,5 1 Serie3,5-3 -,5 1,5-1-1, Model ciągły przykłady (6/1) Zmienna niezależna: 3D Zmienna zależna: skalar Volume render /Computer.org/dl/trans/tg/6/6/fig ures/v15598.gif Isosurface Isosurface around Zirconocene molecule, Accelrys ( Henning Scharsach: Advanced Raycasting for Virtual Endoscopy on Consumer Graphics Hardware Model ciągły przykłady (7/1) Zm. niezależna nd, zmienna zależna: skalar str. 13
4 Model ciągły przykłady (8/1) Zm. niezależna: 1D, zm. zależna: wektor Model ciągły przykłady (9/1) 1, 1,8,6,, -1-1 Zm. niezależna: 1D, zm. zależna: wektor , 1,8,6,, Serie Serie3 Serie Model ciągły przykłady (1/1) Zm. niezależna: 1D, zm. zależna: wektor 5 1, 1,8 15,6 1, Serie3 5, Serie Serie5
5 Model ciągły przykłady (11/1) Zmienna niezależna: D/3D Zmienna zależna: wektor Line Integral Convolution Model ciągły przykłady (1/1) Zmienna niezależna 3D Zmienna zależna: wektor Particle Tracing Model ciągły przykłady (13/1) Zmienna niezależna 3D Zmienna zależna: tensor Glyphs /Jan99_a3_f1.jpg
6 Model ciągły przykłady (1/1) Zmienna niezależna 3D Zmienna zależna: tensor Elipsoidy Wizualizacja różnych typów danych Połączony Model dyskretny Niepołączony Wizualizacje grafów i drzew: Diagramy węzły+połączenia(d i 3D) Mozaiki wypełniające przestrzeń Grafy hierarchiczne Dane D Wykres punktowy Wykres słupkowy 3D Wykres punktowy 3D Wykres słupkowy 3D nd Wiele widoków Agregacja Glify Wykresy pikselowe Wykresy z równoległymi koordynatami str. 111 Model dyskretny przykłady (1/1) 8 6 Dane D 1% % % str. 11
7 Model dyskretny przykłady (/1) Dane D/3D 6 str. 113 Model dyskretny przykłady (3/1) 1 Dane D/3D 1 1 str. 11 Model dyskretny przykłady (/1) str. 115
8 Model dyskretny przykłady (5/1) 15% 19% 19% % 8% 11% 1% 8% % a b c d e f g f e 8% d % 1% c 11% b a 8% % Inne 53% h 15% g i 19% 19% str. 116 Model dyskretny przykłady (6/1) str. 117 Model dyskretny przykłady (7/1) str. 118
9 Model dyskretny przykłady (8/1) str. 119 Model dyskretny przykłady (9/1) str. 1 Model dyskretny - przykłady (1/1) Dane dyskretne, połączone
10 Model dyskretny przykłady (11/1) str. 1 Model dyskretny przykłady (1/1) Dane dyskretne, połączone Model dyskretny przykłady (13/1) Dane dyskretne, połączone KDirStat Wizualizacja systemu plików
11 Model dyskretny przykłady (1/1) Dane dyskretne, połączone Podsumowanie Wizualizacja danych to nie grafika! Jedna z metod eksploracji danych Konieczne jest dobranie odpowiedniej metody wizualizacji w zależności od danych str. 16 Literatura Jarosław Gramacki, Artur Gramacki: Wybrane metody redukcji wymiarowości danych oraz ich wizualizacji C.D. Hansen, C.R. Johnson (eds.): The Visualization Handbook, Elsevier, 5 N. Iliinsky, Julie Steele: DesigningData Visualizations str. 17
Algorytmy renderingu dla programowalnych jednostek graficznych. prof. dr hab. inż. Maria Pietruszka mgr inż. Dominik Szajerman
Algorytmy renderingu dla programowalnych jednostek graficznych dyplomant promotor kopromotor Michał Szymczyk prof. dr hab. inż. Maria Pietruszka mgr inż. Dominik Szajerman Cel pracy Przegląd istniejących
Bardziej szczegółowoĆ w i c z e n i e 3 : W i z u a l i z a c j a d a n y c h - w y k r e s y S t r o n a 1
Ć w i c z e n i e 3 : W i z u a l i z a c j a d a n y c h - w y k r e s y S t r o n a 1 Zadanie 1. Tworzenie wykresów zmiennych jakościowych wyrażonych w skali nominalnej i porządkowej. Utworzyć wykres
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoW1. Wprowadzenie. Statystyka opisowa
W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład
Bardziej szczegółowoWYKRESY SPORZĄDZANE W UKŁADZIE WSPÓŁRZĘDNYCH:
WYKRESY SPORZĄDZANE W UKŁADZIE WSPÓŁRZĘDNYCH: Zasada podstawowa: Wykorzystujemy możliwie najmniej skomplikowaną formę wykresu, jeżeli to możliwe unikamy wykresów 3D (zaciemnianie treści), uwaga na kolory
Bardziej szczegółowo12/13/2015 ANALIZA DANYCH ILOŚCIOWYCH KWANTYFIKACJA DANYCH METODY BADAŃ SPOŁECZNYCH WYKŁAD 11: ANALIZA I PREZENTACJA DANYCH ILOŚCIOWYCH
METODY BADAŃ SPOŁECZNYCH WYKŁAD 11: ANALIZA I PREZENTACJA DANYCH ILOŚCIOWYCH dr Agnieszka Kacprzak ANALIZA DANYCH ILOŚCIOWYCH KWANTYFIKACJA DANYCH Aby możliwe było poddanie danych analizie ilościowej konieczna
Bardziej szczegółowo2. Reprezentacje danych wielowymiarowych sposoby sobie radzenia z nimi. a. Wprowadzenie, aspekt psychologiczny, wady statystyki
1. Wstęp 2. Reprezentacje danych wielowymiarowych sposoby sobie radzenia z nimi a. Wprowadzenie, aspekt psychologiczny, wady statystyki b. Metody graficzne i. Wykres 1.zmiennej ii. Rzut na 2 współrzędne
Bardziej szczegółowoAnaliza głównych składowych- redukcja wymiaru, wykł. 12
Analiza głównych składowych- redukcja wymiaru, wykł. 12 Joanna Jędrzejowicz Instytut Informatyki Konieczność redukcji wymiaru w eksploracji danych bazy danych spotykane w zadaniach eksploracji danych mają
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowoAlgorytmy analizy skupień / Sławomir Wierzchoń, Mieczysław Kłopotek. wyd. 1, 1. dodr. (PWN). Warszawa, Spis treści
Algorytmy analizy skupień / Sławomir Wierzchoń, Mieczysław Kłopotek. wyd. 1, 1. dodr. (PWN). Warszawa, 2017 Spis treści Lista ważniejszych oznaczeń 5 Przedmowa 7 1. Analiza skupień 19 1.1. Formalizacja
Bardziej szczegółowoRozdział 4. Wizualizacja danych przestrzennych
4.1. Metody przedstawiania zjawisk przestrzennych Wizualizacja danych powinna stanowić pierwszy etap w przestrzennej analizie danych. Głównym celem wizualizacji jest skuteczny i zrozumiały przekaz zawartych
Bardziej szczegółowoSylabus. Zaawansowana analiza danych eksperymentalnych Advanced analysis of experimental data
Sylabus Nazwa przedmiotu (w j. polskim i angielskim) Nazwisko i imię prowadzącego (stopień i tytuł naukowy) Zaawansowana analiza danych eksperymentalnych Advanced analysis of experimental data dr Veslava
Bardziej szczegółowo1. Grupowanie Algorytmy grupowania:
1. 1.1. 2. 3. 3.1. 3.2. Grupowanie...1 Algorytmy grupowania:...1 Grupowanie metodą k-średnich...3 Grupowanie z wykorzystaniem Oracle Data Miner i Rapid Miner...3 Grupowanie z wykorzystaniem algorytmu K-Means
Bardziej szczegółowoANALIZA I PREZENTACJA DANYCH ANALIZA DANYCH JAKOŚCIOWYCH METODY BADAŃ SPOŁECZNYCH WYKŁAD 6
METODY BADAŃ SPOŁECZNYCH WYKŁAD 6 dr Agnieszka Kacprzak ANALIZA I PREZENTACJA DANYCH ANALIZA DANYCH JAKOŚCIOWYCH Analiza jakościowa nieliczbowe badanie i interpretacja obserwacji Metody jakościowe zakładają
Bardziej szczegółowoWprowadzenie do wizualizacji przy użyciu systemu OpenDX
Wprowadzenie do wizualizacji przy użyciu systemu OpenDX R. Putanowicz Motywacja Motywacja Dzielenie się doświadczeniami. Więcej użytkowników = więcej doświaczeń. Motywacja Dzielenie się doświadczeniami.
Bardziej szczegółowoKLASYFIKACJA. Słownik języka polskiego
KLASYFIKACJA KLASYFIKACJA Słownik języka polskiego Klasyfikacja systematyczny podział przedmiotów lub zjawisk na klasy, działy, poddziały, wykonywany według określonej zasady Klasyfikacja polega na przyporządkowaniu
Bardziej szczegółowoTypy zmiennych. Zmienne i rekordy. Rodzaje zmiennych. Graficzne reprezentacje danych Statystyki opisowe
Typy zmiennych Graficzne reprezentacje danych Statystyki opisowe Jakościowe charakterystyka przyjmuje kilka możliwych wartości, które definiują klasy Porządkowe: odpowiedzi na pytania w ankiecie ; nigdy,
Bardziej szczegółowoStatystyka. Wykład 7. Magdalena Alama-Bućko. 16 kwietnia Magdalena Alama-Bućko Statystyka 16 kwietnia / 35
Statystyka Wykład 7 Magdalena Alama-Bućko 16 kwietnia 2017 Magdalena Alama-Bućko Statystyka 16 kwietnia 2017 1 / 35 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowo> x <-seq(-2*pi, 2*pi, by=0.5) > plot(x, sin(x), type="b",main="wykres funkcji sin(x) i cos(x)", col="blue") > lines(x, cos(x), type="l",col="red")
Rachunek Prawdopodobieństwa i Statystyka lab 4. Kaja Gutowska (Kaja.Gutowska@cs.put.poznan.pl) 1. Wprowadzenie do grafiki: - Program R ma szerokie możliwości w zakresie graficznego prezentowania danych.
Bardziej szczegółowoPython : podstawy nauki o danych / Alberto Boschetti, Luca Massaron. Gliwice, cop Spis treści
Python : podstawy nauki o danych / Alberto Boschetti, Luca Massaron. Gliwice, cop. 2017 Spis treści O autorach 9 0 recenzencie 10 Wprowadzenie 11 Rozdział 1. Pierwsze kroki 15 Wprowadzenie do nauki o danych
Bardziej szczegółowoGambit Centrum Oprogramowania i Szkoleń Sp. z o.o.
Tytuł: GRAPHER Podręcznik użytkownika ISBN: 9788393908820 Autorzy: Zbigniew Galon, Fryderyk Górski Rok wydania: 2019 Stron: 521 Wydawca: Gambit COiS Sp. z o.o. Spis treści 1 CO ZAWIERA TEN PODRĘCZNIK?...
Bardziej szczegółowoProgramowanie: grafika w SciLab Slajd 1. Programowanie: grafika w SciLab
Programowanie: grafika w SciLab Slajd 1 Programowanie: grafika w SciLab Programowanie: grafika w SciLab Slajd 2 Plan zajęć 1. Wprowadzenie 2. Wykresy 2-D 3. Wykresy 3-D 4. Rysowanie figur geometrycznych
Bardziej szczegółowoSkumulowane wykresy słupkowe: pokazują zależności zachodzące między indywidualnymi elementami i całością.
Tworzenie wykresu Wykresy są bardzo atrakcyjne pod względem wizualnym, ponieważ pozwalają użytkownikom w łatwy sposób porównywać dane, wzorce i trendy. Na przykład, zamiast analizować dane umieszczone
Bardziej szczegółowoWizualizacja danych przestrzennych. dr Marta Kuc-Czarnecka
Wizualizacja danych przestrzennych dr Marta Kuc-Czarnecka Wprowadzenie Oprócz klasycznych, uniwersalnych sposobów wizualizacji danych w postaci np. różnego typów wykresów kolumnowych, słupkowych, kołowych
Bardziej szczegółowoSTATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY)
STATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY) Praca z danymi zaczyna się od badania rozkładu liczebności (częstości) zmiennych. Rozkład liczebności (częstości) zmiennej to jakie wartości zmienna
Bardziej szczegółowoWIZUALNA EKSPLORACJA DANYCH I RAPORTOWANIE W SAS VISUAL ANALYTICS ORAZ WSTĘP DO SAS VISUAL STATISTICS
WIZUALNA EKSPLORACJA DANYCH I RAPORTOWANIE W SAS VISUAL ANALYTICS ORAZ WSTĘP DO SAS VISUAL STATISTICS WEBINARIUM, 2016.03.08 Dr Sławomir Strzykowski, Senior Business Solution Manager SAS VISUAL ANALYTICS
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoJeżeli czegoś nie można zmierzyć, to nie można tego ulepszyć... Lord Kelvin (Wiliam Thomas)
Jeżeli czegoś nie można zmierzyć, to nie można tego ulepszyć... Lord Kelvin (Wiliam Thomas) FP-3000-RAPORT PROGRAM DO WIZUALIZACJI WYNIKÓW POMIARÓW www.metronic.pl 2 INFORMACJE PODSTAWOWE O PROGRAMIE www.metronic.pl
Bardziej szczegółowoTytuł: GRAPHER Podręcznik użytkownika ISBN: 9788393908806 Autor: Zbigniew Galon Rok wydania: 2014 Stron: 500 Wydawca: Gambit COiS Sp. z o.o.
Tytuł: GRAPHER Podręcznik użytkownika ISBN: 9788393908806 Autor: Zbigniew Galon Rok wydania: 2014 Stron: 500 Wydawca: Gambit COiS Sp. z o.o. GRAPHER. Podręcznik użytkownika Spis treści: GRAPHER. Podręcznik
Bardziej szczegółowoWstęp... 9. Podstawowe oznaczenia stosowane w książce... 13
Spis treści Wstęp... 9 Podstawowe oznaczenia stosowane w książce... 13 1. PODEJŚCIE SYMBOLICZNE W BADANIACH EKONOMICZ- NYCH... 15 1.1. Uwagi dotyczące przyjętych w rozdziale konwencji nomenklaturowych.
Bardziej szczegółowoGrupowanie danych. Wprowadzenie. Przykłady
Grupowanie danych str. 1 Wprowadzenie Celem procesu grupowania jest podział zbioru obiektów, fizycznych lub abstrakcyjnych, na klasy obiektów o podobnych cechach, nazywane klastrami lub skupieniami Klaster
Bardziej szczegółowoEdytor tekstu Word 2007
Edytor tekstu Word 2007 1 C Z. 6 G R A F I K A W E D Y T O R Z E T E K S T U Grafika w edytorze tekstu Edytor tekstu Word 2007 daje ogromne możliwości jeżeli chodzi o wstawianie obiektów graficznych i
Bardziej szczegółowoInformatyka Arkusz kalkulacyjny Excel 2010 dla WINDOWS
Wyższa Szkoła Ekologii i Zarządzania Excel Informatyka Arkusz kalkulacyjny Excel 2010 dla WINDOWS cz.4 Slajd 1 Slajd 2 Najlepszym sposobem prezentacji danych jest prezentacja graficzna. Z pomocą wykresu
Bardziej szczegółowoPrzykład Rezygnacja z usług operatora
Przykład Rezygnacja z usług operatora Zbiór CHURN Zbiór zawiera dane o 3333 klientach firmy telefonicznej razem ze wskazaniem, czy zrezygnowali z usług tej firmy Dane pochodzą z UCI Repository of Machine
Bardziej szczegółowo3a. Mapa jako obraz Ziemi
3a. Mapa jako obraz Ziemi MAPA: obraz powierzchni Ziemi (ciała niebieskiego) lub jej części przedstawiony na płaszczyźnie, w ściśle określonym zmniejszeniu (skali), w odwzorowaniu kartograficznym (matematycznym
Bardziej szczegółowoAnaliza składowych głównych idea
Analiza składowych głównych idea Analiza składowych głównych jest najczęściej używanym narzędziem eksploracyjnej analizy danych. Na metodę tę można spojrzeć jak na pewną technikę redukcji wymiarowości
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoIdea. Analiza składowych głównych Analiza czynnikowa Skalowanie wielowymiarowe Analiza korespondencji Wykresy obrazkowe.
Idea (ang. principal components analysis PCA), zwana również dekompozycją według wartości osobliwych (SVD) lub dekompozycją spektralną, jest popularną techniką redukcji wymiarowości danych(liczby cech).
Bardziej szczegółowoPrzetwarzanie i analiza danych w języku Python / Marek Gągolewski, Maciej Bartoszuk, Anna Cena. Warszawa, Spis treści
Przetwarzanie i analiza danych w języku Python / Marek Gągolewski, Maciej Bartoszuk, Anna Cena. Warszawa, 2016 Spis treści Przedmowa XI I Podstawy języka Python 1. Wprowadzenie 3 1.1. Język i środowisko
Bardziej szczegółowoWprowadzenie Pojęcia podstawowe Szeregi rozdzielcze STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP.
STATYSTYKA OPISOWA Dr Alina Gleska Instytut Matematyki WE PP 18 września 2017 1 Wprowadzenie 2 Pojęcia podstawowe 3 Szeregi rozdzielcze Zwykle wyróżnia się dwa podstawowe działy statystyki: statystyka
Bardziej szczegółowoWYKŁAD 13 ANALIZA I ROZPOZNANIE OBRAZU. Konstrukcja wektora cech z użyciem współczynników kształtu
WYKŁAD 13 ANALIZA I ROZPOZNANIE OBRAZU Współczynniki kształtu W1,...,W9 stanowią skalarną miarę kształtu analizowanego obiektu. Konstrukcja wektora cech z użyciem współczynników kształtu Wektor cech: x
Bardziej szczegółowoHurtownia danych praktyczne zastosowania
Hurtownia danych praktyczne zastosowania Dorota Olkowicz dorota.olkowicz@its.waw.pl Centrum Bezpieczeństwa Ruchu Drogowego ITS Plan prezentacji 1. Hurtownie danych 2. Hurtownia danych POBR 3. Narzędzia
Bardziej szczegółowoAlgorytmy klasteryzacji jako metoda dyskretyzacji w algorytmach eksploracji danych. Łukasz Przybyłek, Jakub Niwa Studenckie Koło Naukowe BRAINS
Algorytmy klasteryzacji jako metoda dyskretyzacji w algorytmach eksploracji danych Łukasz Przybyłek, Jakub Niwa Studenckie Koło Naukowe BRAINS Dyskretyzacja - definicja Dyskretyzacja - zamiana atrybutów
Bardziej szczegółowoGraficzna prezentacja danych statystycznych
Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych Katowice, 12 i 26 czerwca 2014 r. Dopasowanie narzędzia do typu zmiennej Dobór narzędzia do
Bardziej szczegółowoStatystyka. Podstawowe pojęcia: populacja (zbiorowość statystyczna), jednostka statystyczna, próba. Cechy: ilościowe (mierzalne),
Statystyka zbiór przetworzonych i zsyntetyzowanych danych liczbowych, nauka o ilościowych metodach badania zjawisk masowych, zmienna losowa będąca funkcją próby. Podstawowe pojęcia: populacja (zbiorowość
Bardziej szczegółowoSeminarium 5. Graficzna prezentacja danych 17/11/2016. Jeden obraz wart jest tysiąca słów przysłowie chińskie
17/11/216 Jeden obraz wart jest tysiąca słów przysłowie chińskie Seminarium 5 Graficzna prezentacja danych http://zsukcesem.pl/jeden-obraz-wart-jest-tysiaca-slow/ 1 17/11/216 Resublimacja Ciecz (woda)
Bardziej szczegółowoOPIS MODUŁ KSZTAŁCENIA (SYLABUS)
OPIS MODUŁ KSZTAŁCENIA (SYLABUS) I. Informacje ogólne: 1 Nazwa modułu Metody opracowania obserwacji 2 Kod modułu 04-A-MOO-60-1L 3 Rodzaj modułu obowiązkowy 4 Kierunek studiów astronomia 5 Poziom studiów
Bardziej szczegółowoSzkolenia SAS Cennik i kalendarz 2017
Szkolenia SAS Spis treści NARZĘDZIA SAS FOUNDATION 2 ZAAWANSOWANA ANALITYKA 2 PROGNOZOWANIE I EKONOMETRIA 3 ANALIZA TREŚCI 3 OPTYMALIZACJA I SYMULACJA 3 3 ROZWIĄZANIA DLA HADOOP 3 HIGH-PERFORMANCE ANALYTICS
Bardziej szczegółowoIdea. Analiza składowych głównych Analiza czynnikowa Skalowanie wielowymiarowe Analiza korespondencji Wykresy obrazkowe.
Idea (ang. Principal Components Analysis PCA) jest popularnym używanym narzędziem analizy danych. Na metodę tę można spojrzeć jak na pewną technikę redukcji wymiarowości danych. Jest to metoda nieparametryczna,
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 szczegółowoZakład Systemów Informacji Przestrzennej i Geodezji Leśnej. Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa SGGW w Warszawie
Podstawy GIS Zakład Systemów Informacji Przestrzennej i Geodezji Leśnej Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa SGGW w Warszawie http://witch.sggw.waw.pl/ System Informacji Geograficznej
Bardziej szczegółowoJanusz Bogusz 1), Bernard Kontny 2)
Janusz Bogusz 1), Bernard Kontny 2) 1) Centrum Geomatyki Stosowanej, WAT Warszawa 2) Instytut Geodezji i Geoinformatyki, UP Wrocław Założenia: Stworzenie modułu ruchów poziomych litosfery w oparciu o sieć
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych oraz ich wykresy Zbigniew Koza Wydział Fizyki i Astronomii Wrocław, 2016 WSTĘP Funkcje wielu zmiennych Dotychczas zajmowaliśmy się funkcjami rzeczywistymi: argumentem była jedna
Bardziej szczegółowo[ A i ' ]=[ D ][ A i ] (2.3)
. WSTĘP DO TEORII SPRĘŻYSTOŚCI 1.. WSTĘP DO TEORII SPRĘŻYSTOŚCI.1. Tensory macierzy Niech macierz [D] będzie macierzą cosinusów kierunkowych [ D ]=[ i ' j ] (.1) Macierz transformowana jest równa macierzy
Bardziej szczegółowoJoint Photographic Experts Group
Joint Photographic Experts Group Artur Drozd Uniwersytet Jagielloński 14 maja 2010 1 Co to jest JPEG? Dlaczego powstał? 2 Transformata Fouriera 3 Dyskretna transformata kosinusowa (DCT-II) 4 Kodowanie
Bardziej szczegółowoWykresy. Informatyka Arkusz kalkulacyjny Excel dla WINDOWS. Excel. cz.4. Wykresy. Wykresy. Wykresy. Wykresy
Zespół Szkół Agrotechnicznych i Ogólnokształcących im.józefa Piłsudskiego w śywcu Excel Informatyka Arkusz kalkulacyjny Excel dla WINDOWS cz.4 Najlepszym sposobem prezentacji danych jest prezentacja graficzna.
Bardziej szczegółowoGraficzna prezentacja wyników w MATLABIE
Graficzna prezentacja wyników w MATLABIE Bondos Magdalena Eti 9.1 Obiekty graficzne KaŜdy rysunek bądź wykres składa się z szeregu obiektów graficznych KaŜdy obiekt posiada atrybuty, które moŝe ustawiać
Bardziej szczegółowoPOJĘCIA WSTĘPNE. STATYSTYKA - nauka traktująca o metodach ilościowych badania prawidłowości zjawisk (procesów) masowych.
[1] POJĘCIA WSTĘPNE STATYSTYKA - nauka traktująca o metodach ilościowych badania prawidłowości zjawisk (procesów) masowych. BADANIE STATYSTYCZNE - ogół prac mających na celu poznanie struktury określonej
Bardziej szczegółowoBadania marketingowe. Źródło: www.economist.com
Źródło: www.economist.com Czy zdarzyło Ci się, że wniosek jakiegoś badania rynkowego Cię zaskoczył? Czy zastanawiasz się wówczas nad okresem, w którym badanie zostało przeprowadzone? Metodyką badania?
Bardziej szczegółowoRecenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak
Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN
Bardziej szczegółowoTemat lekcji : Zbieramy, opracowujemy i prezentujemy dane.
SCENARIUSZ LEKCJI MATEMATYKI W KLASIE TRZECIEJ. Temat lekcji : Zbieramy, opracowujemy i prezentujemy dane. Cele: Uczeń : zna różne rodzaje wykresów i diagramów, umie analizować wykresy i diagramy znajdujące
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 szczegółowo4.1. O grafice w R 4.2. Kolorystyka 4.3. Podstawowe komendy graficzne i opcje 4.4. Wykres pudełkowy 4.5. Histogram 4.6. Wykres kolumnowy 4.7.
Spis treści Wprowadzenie Rozdział 1 Zasady korzystania z R 1.1. 0 programie 1.2. Oprogramowanie otwarte - Open Source 1.3. Podstawowe cechy języka R 1.4. W kierunku języka obiektowego 1.5. W kierunku języka
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoJak przekształcać zmienne jakościowe?
Data Preparation Jak przekształcać zmienne jakościowe? Marta Płonka Predictive Solutions W ostatnim artykule zobaczyliśmy, jak sprawdzić, czy między wybranymi przez nas predyktorami a zmienną przewidywaną
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.2. Momenty rozkładów łącznych. Katarzyna Rybarczyk-Krzywdzińska rozkładów wielowymiarowych Przypomnienie Jeśli X jest zmienną losową o rozkładzie
Bardziej szczegółowoMatlab II skrypty, funkcje, wizualizacja danych. Piotr Wróbel Pok. B 4.22
Matlab II skrypty, funkcje, wizualizacja danych Piotr Wróbel piotr.wrobel@igf.fuw.edu.pl Pok. B 4.22 Metody numeryczne w optyce 2017 Skrypty Pierwszy skrypt: Home->NewScript Home -> New->NewScript Zakładka
Bardziej szczegółowo4,5. Dyskretne zmienne losowe (17.03; 31.03)
4,5. Dyskretne zmienne losowe (17.03; 31.03) Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje wszystkie
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoPrzewodnik po pakiecie R / Przemysław Biecek. Wyd. 4 rozsz. Wrocław, Spis treści
Przewodnik po pakiecie R / Przemysław Biecek. Wyd. 4 rozsz. Wrocław, 2017 Spis treści 1. Wprowadzenie 1 1.1. Data science, czyli dlaczego warto poznać R 1 1.2. Jak wygląda praca z programem R 4 1.2.1.
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 szczegółowoDyskretne zmienne losowe
Dyskretne zmienne losowe dr Mariusz Grządziel 16 marca 2009 Definicja 1. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która
Bardziej szczegółowoTECHNIKI PREZENTACJI WYNIKÓW NAUKOWYCH. Biomatematyka Dr Wioleta Drobik-Czwarno
TECHNIKI PREZENTACJI WYNIKÓW NAUKOWYCH Biomatematyka Dr Wioleta Drobik-Czwarno Zmienne w statystyce Zmienna: cecha, którą poszczególne jednostki badanej zbiorowości różnią się między sobą Jak dzielimy
Bardziej szczegółowoPrzydatność osnowy kartograficznej i metody obiektywnego upraszczania obiektów do aktualizacji danych w BDT. Tadeusz Chrobak
Przydatność osnowy kartograficznej i metody obiektywnego upraszczania obiektów do aktualizacji danych w BDT Kraków, 8 Tadeusz Chrobak Wstęp. Cel tworzenia osnowy kartograficznej. Definicja osnowy kartograficznej.
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
10 marca 2014 Zmienna losowa - wst ep Przeprowadzane w praktyce badania i eksperymenty maja bardzo różnorodny charakter, niemniej jednak wiaż a sie one z rejestracja jakiś sygna lów (danych). Moga to być
Bardziej szczegółowoWizualizacja 3D obiektów i systemów biomedycznych
Wizualizacja 3D obiektów i systemów biomedycznych Krzysztof Gdawiec Instytut Informatyki Uniwersytet Śląski Co to jest wizualizacja danych? Wizualizacja danych jest rozległym obszarem nauki znajdującym
Bardziej szczegółowoArcGIS. Jakub Nowosad
2013 ArcGIS Jakub Nowosad ArcGIS 10 to oprogramowanie GIS od firmy ERSI (ang. Environmental System Research Institute). Dzieli się ono na trzy licencje o różnych możliwościach: Basic (ArcView), Standard
Bardziej szczegółowoZmienne losowe i wprowadzenie do modelowania stochastycznego
Zmienne losowe i wprowadzenie do modelowania stochastycznego Opracował: Zbigniew Rudnicki 1 Spis treści Modele matematyczne Zmienne deterministyczne i zmienne losowe Ciąg realizacji zmiennej losowej i
Bardziej szczegółowoHurtownia danych. Załącznik Nr 1 do SIWZ. Opis przedmiotu zamówienia. Lp. FUNKCJONALNOŚĆ/PARAMETRY WYMAGANE
Załącznik Nr 1 do SIWZ Opis przedmiotu zamówienia Lp. FUNKCJONALNOŚĆ/PARAMETRY WYMAGANE Hurtownia danych 1. Wielowymiarowa hurtownia danych oparta o model konstelacji faktów. 2. Brak ograniczenia na liczbę
Bardziej szczegółowoGrafika w Matlabie. Wykresy 2D
Grafika w Matlabie Obiekty graficzne wyświetlane są w specjalnym oknie, które otwiera się poleceniem figure. Jednocześnie może być otwartych wiele okien, a każde z nich ma przypisany numer. Jedno z otwartych
Bardziej szczegółowoZaklad Systemów Informacji Przestrzennej i Geodezji Lesnej. Katedra Urzadzania Lasu, Geomatyki i Ekonomiki Lesnictwa SGGW w Warszawie
Podstawy GIS Zaklad Systemów Informacji Przestrzennej i Geodezji Lesnej Katedra Urzadzania Lasu, Geomatyki i Ekonomiki Lesnictwa SGGW w Warszawie System Informacji Geograficznej System: grupa powiazanych
Bardziej szczegółowoRegresja logistyczna (LOGISTIC)
Zmienna zależna: Wybór opcji zachodniej w polityce zagranicznej (kodowana jako tak, 0 nie) Zmienne niezależne: wiedza o Unii Europejskiej (WIEDZA), zamieszkiwanie w regionie zachodnim (ZACH) lub wschodnim
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
21 marca 2011 Zmienna losowa - wst ep Przeprowadzane w praktyce badania i eksperymenty maja bardzo różnorodny charakter, niemniej jednak wiaż a sie one z rejestracja jakiś sygna lów (danych). Moga to być
Bardziej szczegółowoStatystyka. Wykład 6. Magdalena Alama-Bućko. 9 kwietnia Magdalena Alama-Bućko Statystyka 9 kwietnia / 36
Statystyka Wykład 6 Magdalena Alama-Bućko 9 kwietnia 2018 Magdalena Alama-Bućko Statystyka 9 kwietnia 2018 1 / 36 Krzywa koncentracji Lorenza w ekonometrii, ekologii, geografii ludności itp. koncentrację
Bardziej szczegółowoStatystyka i analiza danych pomiarowych Podstawowe pojęcia statystyki cz. 2. Tadeusz M. Molenda Instytut Fizyki, Uniwersytet Szczeciński
Statystyka i analiza danych pomiarowych Podstawowe pojęcia statystyki cz. 2. Tadeusz M. Molenda Instytut Fizyki, Uniwersytet Szczeciński Opracowanie materiału statystycznego Szereg rozdzielczy częstości
Bardziej szczegółowoKRZYWA CZĘSTOŚCI, CZĘSTOLIWOŚCI I SUM CZASÓW TRWANIA STANÓW
KRZYWA CZĘSTOŚCI, CZĘSTOLIWOŚCI I SUM CZASÓW TRWANIA STANÓW Wykres codziennych stanów CZĘSTOŚĆ lub LICZEBNOŚĆ KLASOWA ZBARZEŃ (n), jest to liczba zdarzeń przypadających na dany przedział klasowy badanego
Bardziej szczegółowoSystemy informacji geograficznej
Systemy informacji geograficznej Andrzej Głażewski Politechnika Warszawska Zakład Kartografii Definicja systemu informacji geograficznej Elementy systemu: Sprzęt (obecnie: komputerowy) Dane (postać cyfrowa)
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoPodstawy statystyki opisowej
Podstawy statystyki opisowej JERZY STEFANOWSKI Instytut Informatyki Politechnika Poznańska Aktualizacja 2017 Literatura Podstawowa: Statystyka dla studentów kierunków technicznych i przyrodniczych, Koronacki
Bardziej szczegółowoPODSTAWOWE ANALIZY I WIZUALIZACJA Z WYKORZYSTANIEM MAP W STATISTICA
PODSTAWOWE ANALIZY I WIZUALIZACJA Z WYKORZYSTANIEM MAP W STATISTICA Krzysztof Suwada, StatSoft Polska Sp. z o.o. Wstęp Wiele różnych analiz dotyczy danych opisujących wielkości charakterystyczne bądź silnie
Bardziej szczegółowoKlasyfikacja rysunku technicznego elektrycznego
Klasyfikacja rysunku technicznego elektrycznego Schematem elektrycznym nazywamy rysunek techniczny przedstawiający, w jaki sposób obiekt lub jego elementy funkcjonalne są współzaleŝne i/lub połączone.
Bardziej szczegółowoNarzędzia geoprzestrzenne Business Intelligence (BI)
Narzędzia geoprzestrzenne Business Intelligence (BI) Paweł Pręcikowski Dyrektor Administracja i Bezpieczeństwo Publiczne Kraków, 17-18 maja 2018 r. Agenda 1. Wprowadzenie do BI 2. Prezentacja rozwiązań:
Bardziej szczegółowoOznacza to, że chcemy znaleźć minimum, a właściwie wartość najmniejszą funkcji
Wykład 11. Metoda najmniejszych kwadratów Szukamy zależności Dane są wyniki pomiarów dwóch wielkości x i y: (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Przypuśćmy, że nanieśliśmy je na wykres w układzie
Bardziej szczegółowoVII.1 Pojęcia podstawowe.
II.1 Pojęcia podstawowe. Jan Królikowski Fizyka IBC 1 Model matematyczny ciała sztywnego Zbiór punktów materialnych takich, że r r = const; i, j= 1,... N i j Ciało sztywne nie ulega odkształceniom w wyniku
Bardziej szczegółowoWizualizacja 3D obiektów i systemów biomedycznych
Wizualizacja 3D obiektów i systemów biomedycznych Krzysztof Gdawiec Instytut Informatyki Uniwersytet Śląski Wejście: przykładowe zbiory danych Wyjście: obraz Dziedzina: przestrzeń 2D (pozycje pikseli)
Bardziej szczegółowoPojęcie funkcji i jej podstawowe własności.
Konspekt lekcji matematyki w klasie II gimnazjum Pojęcie funkcji i jej podstawowe własności. Opracowała mgr Iwona Żuk Gimnazjum nr 2 w Świętoniowej I. Umiejscowienie lekcji w jednostce metodycznej: Pojęcie
Bardziej szczegółowoRegresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
Bardziej szczegółowo4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74
3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15
Bardziej szczegółowo