ZARZĄDZANIE WIEDZĄ I TECHNOLOGIE WSPOMAGAJĄCE. Plan i cele wykładu. Wprowadzenie. Systemy Informacyjne Zarządzania
|
|
- Irena Jabłońska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Systemy Informacyjne Zarządzania Wprowadzenie ZARZĄDZANIE WIEDZĄ I TECHNOLOGIE WSPOMAGAJĄCE Jerzy Korczak Uniwersytet Ekonomiczny, Wrocław Katedra Technologii Informacyjnych jerzy.korczak at ue.wroc.pl W części materiału wykorzystano slajdy M. Owoca opracowane na podstawie: Laudon K.C, Laudon J.P.: Management Information Systems, wyd. 11 (9) 2010 Chapter 11(12): Managing Knowledge and Collaboration Szacuje się, że sprzedaż oprogramowania dla potrzeb ZW będzie wzrastała rocznie o 15% Ekonomika informacji (USA) 55% zatrudnionych jest w sektorze przetwarzania informacji i wiedzy 60% GDP pochodzi z sektora przetwarzania informacji i wiedzy Znacząca część udziału w wartości firm na giełdzie dotyczy niematerialnych aktywów: wiedzy, marki, reputacji i unikalnych procesów biznesowych Projekty bazujące na wiedzy mogą generować nadzwyczajne wskaźniki ROI 1 2 Wprowadzenie - statystyki Sprzedaż oprogramowania ZW (USA) w latach Plan i cele wykładu Wprowadzenie wiedza w biznesie Typy systemów do zarządzania wiedzą i prezentacja ich użyteczności w organizacjach Typowe systemy zarządzania wiedzą Specjalistyczne systemy zarządzania wiedzą Systemy wykorzystujące techniki AI ICT w zarządzaniu wiedzą 3 4 4/54 Co to jest WIEDZA? Co to jest WIEDZA? (cd.) Wiedza ma różne formy: jawna (dokumentowana) lub ukryta ( rezydująca w głowach ) know-how, umiejętności, rzemiosła reguły przestrzegania procedur informacja o przyczynach zdarzeń Wiedza jest zaliczana do aktywów firmy: niematerialnych tworzenie wiedzy z danych i informacji wymaga zaangażowania zasobów organizacji jest dzielona jako efekt doświadczeń sieciowych Wiedza jest umiejscowiona jest zdarzeniem poznawczym ma charakter społeczny i indywidualny jest przytwierdzona (trudna do przesunięcia), zlokalizowana ( zanurzona w firmie), kontekstualna (użyteczna tylko w pewnych sytuacjach) Wiedza jest sytuacyjna uwarunkowana: wiadomo kiedy stosować procedury kontekstualna: znane okoliczności wykorzystania określonych narzędzi 5 6 6/54 1
2 Organizacje uczące się Zarządzanie wiedzą Procesy, w ramach których organizacja się uczy: zbieranie doświadczeń przez gromadzenie danych, miar, prób, błędów i reakcji dopasowanie działania do zdobytych doświadczeń tworzenie nowych procesów biznesowych zmiany w zakresie wzorców zarządzania w procesie podejmowania decyzji Zarządzanie wiedzą (knowledge management): Zbiór procesów biznesowych wypracowanych w organizacji to tworzenia, zapamiętywania, transferu i stosowania wiedzy Łańcuch wartości ZW (knowledge management value chain) każdy z etapów dodaje wartości w procesie przekształcania danych i informacji w użyteczną wiedzę Pozyskiwanie wiedzy (knowledge acquisition) Zapamiętywanie wiedzy (knowledge storage) Upowszechnianie wiedzy (knowledge dissemination) Wykorzystanie wiedzy (knowledge application) 7 8 Łańcuch wartości zarządzania wiedzą Łańcuch wartości zarządzania wiedzą Pozyskiwanie wiedzy Dokumentowanie wiedzy niejawnej i jawnej Rejestrowanie dokumentów, raportów, prezentacji i dobrych praktyk Dokumenty nieustrukturalizowane (np. e) Budowa sieci ekspertów online Tworzenie wiedzy Śledzenie i pobieranie danych z systemów transakcyjnych i źródeł zewnętrznych 9 9/54 10 Zapamiętywanie wiedzy Bazy danych Łańcuch wartości zarządzania wiedzą Systemy zarządzania dokumentami Rola zarządzania: Wspomaganie budowy planowanych systemów zapamiętywania wiedzy Zachęcanie do budowy schematów ogólnych firmy przeznaczonych do indeksowania dokumentów Gratyfikacja pracowników zajmujących się właściwym rejestrowaniem i aktualizowaniem dokumentów Upowszechnianie wiedzy Portale Łańcuch wartości zarządzania wiedzą Propagowanie raportowania korespondencji owej Maszyny wyszukujące Narzędzia wspomagające współpracę Zalew informacyjny? Programy szkoleniowe, sieci informacyjne, dzielenie się wiedzą pomagającą menedżerom na skoncentrowanie uwagi na ważnych informacjach
3 Łańcuch wartości zarządzania wiedzą Typy systemów zarządzania wiedzą Wykorzystywanie wiedzy Zapewnienie zwrotu z inwestycji (ROI), wiedza organizacyjna powinna stać się systematyczną częścią podejmowania decyzji z ulokowaniem jej w systemach wspomagania decyzji Nowe praktyki biznesowe Nowe produkty i usługi Nowe rynki Typy systemów zarządzania wiedzą Systemy zarządzania wiedzą w biznesie Firmowe systemy zarządzania wiedzą (enterprise-wide knowledge management systems) Celowe działania firmy zachęcające do gromadzenia, zapamiętywania, upowszechniania i wykorzystywania elektronicznych zasobów i wiedzy Specjalizowane SZW (knowledgework systems ) Dedykowane systemy tworzone dla inżynierów, badaczy i innych pracowników wiedzy zaangażowanych w procesach odkrywania i tworzenia nowej wiedzy Techniki inteligentne Zróżnicowana grupa technik takich jak data mining wykorzystywanych do różnych celów: odkrywania wiedzy, doskonalenia wiedzy, odkrywanie optymalnych rozwiązań /54 Communigram Systemy zarządzania wiedzą w biznesie Kluczowy problem tworzenie taksonomii Obiekty wiedzy muszą być przypisane do kategorii (cele wyszukiwawcze) Systemy zarządzania nośnikami elektronicznymi Specjalizowane systemy zarządzania zawartością do klasyfikowania, zapamiętywania nieustrukturalizowanymi danymi Fotografie, grafiki, wideo, audio
4 Systemy wiedzy sieciowej Sieci semantyczne - Topic Maps Dostarczają bezpośrednich informacji o ekspertach dziedzinowych w dobrze zdefiniowanych obszarach wiedzy Używają technologii komunikacyjnych do ułatwienia procesu wyszukiwania właściwych ekspertów w firmie Systematyzują rozwiązania opracowane przez ekspertów i zapamiętują je w bazach wiedzy najlepszych praktyk repozytoriach często zadawanych pytań (FAQ) Topic Map is a semantic graph, that contains definitions of a set of topics and a set of association between topics called ontology of a domain. Information systems can use ontologies for a variety of purposes including inductive reasoning, classification, and problem solving, as well as communication and the sharing of information among different systems /54 20 Operation of the Intelligent Dashboard for Managers Mapa pojęć - przykład /54 22 ROA=NP/TA= 12,908/184,400= 7% Explanation/Interpretation
5 Systemy wiedzy sieciowej Systemy wiedzy sieciowej - cechy Rozbudowane środowisko obsługujące grafikę i złożone obliczenia Zaawansowana grafika i narzędzia analityczne Możliwości komunikacyjne i dotyczące zarządzania dokumentami Dostęp do zewnętrznych baz danych Przyjazne dla użytkownika interfejsy Optymalizacja wykonywanych zadań (inżynieria projektowania, analizy finansowe) Specjalizowane systemy wiedzy Specjalizowane systemy wiedzy - przykłady CAD (computer-aided design): Automatyzuje tworzenie i korektę inżynierską lub projektów architektonicznych z wykorzystaniem rozbudowanego środowiska sprzętowo-programowego Systemy wirtualnej rzeczywistości (Virtual reality systems): Oprogramowanie i specjalizowany sprzęt do symulowania środowiska realnego życia Np. trójwymiarowe modelowanie medyczne dla prowadzących operacje VRML: Specyfikacje dla interaktywnego trójwymiarowego modelowania przez Internet Robocze stacje obsługujące procesy inwestycyjne: Streamline dostarczanie wewnętrznych i zewnętrznych danych dla brokerów, pracowników handlu czy portfolio managers Large Graph Mining [C.Faloutsos et.al., KDD2009] Link analysis Social networks Link analysis techniques are applied to data that can be represented as nodes and links A node (vertice): person, bank account, document, A link: a relationship between two bank accounts 29 29/
6 Degree Centrality The ruling coalition of Unity, Zatler Reform Party, and the National Alliance all majority ethnic Latvian Techniki inteligentne National Alliance Unity... wykorzystywane do eksploracji i modelowania wiedzy Odwzorowywanie wiedzy niejawnej: systemy ekspertowe, wnioskowanie na podstawie przypadków, logika rozmyta,... Odkrywanie wiedzy (knowledge discovery): sieci neuronowe i data mining Generowanie rozwiązań dot. złożonych problemów: algorytmy genetyczne Systemy hybrydowe: inteligentne agenty Harmony Center 35 Zatler s Reform Party Greens/farmers
7 Systemy ekspertowe - struktura Reguły w system ekspertowym Baza wiedzy: Zestaw setek lub tysięcy reguł Maszyna wnioskująca: Strategia stosowana do przeszukiwania bazy wiedzy Wnioskowanie postępujące (forward chaining): maszyna wnioskująca zaczyna od wprowadzonych przez użytkownika informacji i przeszukuje bazę wiedzy do osiągnięcia konkluzji Wnioskowanie wsteczne (backward chaining): Start od hipotezy i uzyskiwanie informacji od użytkownika aż do momentu potwierdzenia lub zanegowania hipotezy Sieci neuronowe Sieci neuronowe Wyszukują wzorce i zależności w masowych danych, które są zbyt złożone do analizy przez człowieka Uczenie wzorców przez szukanie zależności, budowę modeli i sukcesywną korektę opracowanego modelu Sieci uczone są poprzez podawanie danych i konfrontowanie ich z oczekiwanymi rezultatami (stosowanie rozwiązań przez przykłady) Stosowane w klasyfikacji, prognozowaniu, analizach finansowych, sterowaniu i optymalizacji Maszynowe uczenie: odpowiednie technologie AI umożliwiające uczenie komputerów przez ekstrakcję informacji za pośrednictwem metod obliczeniowych i statystycznych 39 39/54 40 Data Mining - źródła Wiele pojęć z dziedzin statystyki, sztucznej inteligencji, rozpoznawania obrazów, uczenia maszynowego i baz danych Statystyka Sztuczna inteligencja Uczenie maszynowe Rozpoznawanie obrazow Data Mining Kilka definicji Nietrywialna ekstrakcja uprzednio nieznanej i potencjalnie użytecznej informacji z dużych baz danych Automatyczna analiza (eksploracja) danych w celu wykrycia istotnych motywów i wzorców Słabości tradycyjnych technik Duże bazy danych Wielowymiarowość danych Heterogeniczność danych Rozproszenie danych Bazy danych Data Mining Wizualizacja /54 7
8 Główne rodzaje algorytmów Apriori - Przykład 43 Milk Dane Tid Refund Marital Taxable Status Income Cheat 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes 11 No Married 60K No 12 Yes Divorced 220K No 13 No Single 85K Yes 14 No Married 75K No 15 No Single 90K Yes MinSupport=2 Baza danych D C 1 itemset sup. L 1 TID Items {1} Scan D {2} {3} {4} {5} 3 itemset sup itemset sup {1 2} 1 L 2 Scan D C 2 C 2 {1 3} 2 {1 3} 2 {2 3} 2 {1 5} 1 {2 5} 3 {2 3} 2 {3 5} 2 {2 5} 3 {3 5} 2 C 3 itemset Scan D L 3 itemset sup {2 3 5} {2 3 5} 2 itemset sup. {1} 2 {2} 3 {3} 3 {5} 3 itemset {1 2} {1 3} {1 5} {2 3} {2 5} {3 5} 44 44/54 Predicting corporate bankruptcy Decision tree J48 How predictable is the health of a company? Data: Compustat tapes and Moody s Industrial Manual 24 ratios computed for 132 firms two years prior to the year of bankruptcy Variables:- total assets, cash, cash flow from operations, cost of goods sold, current assets,current debt, income, inventory, receivables, sales, working capital from operations Ratios: Cash/curDebt, Cash/Sales, 45 45/ Transaction chains trees view
9 Cash Flow Chains Analysis T1 k10 T1 k10 K1 k14 K1 k14 K6 k12 T15 K6 k12 T15 T8 T18 T8 T18 K2 T3T12 k15 K2 T3 T12 k15 0 T9 T17 k11 T9 T17 0 k11 T16 T5 K5 k10 T5 K5 T16 T1 k10 K1 T1 K3 k13 k16 K3 k14 K1 k16 k14 K6 k12 T15 k13 K7 T8 T18 K7 K6 k12 T15 T8T12 T6 T14 T19 T6 0 T3 T18 T3 T14 K4 T11 k17 K4 T19 0 K2 k15 T11 K2 k17 k15 T9T7 k11 T7 T16 T9 k11 T5 K5 T16 T12 T5 k10 K5 T10T17 k10 T10T17 K1 K3 T1 k14 k13 k16 K1 K3 T1 k14 K6 k12 k13 k16 K7 T15 T14 T8 T6 K6 K7 k12 T15 T18 T19 T6 T8 T14 T18 T K2 K4 T11 k15 k17 T3 K2 K4 T11 k15 k17 T9T3 T17 T7 T12 k11 T9 T12T17 T7 T5 K5 T16 k11 T10 T5 K5 T16 T10 K3 k13 k16 K3 k13 k16 K7 T14 K7 T14 T6 T6 K4 T19T11 k17 K4 T19T11 k17 T7 T T10 T10 50 Algorytmy ewolucyjne Użyteczne przy szukaniu optymalnych rozwiązań dla specyficznych problemów poprzez badanie dużej liczby możliwych rozwiązań tego problemu Konceptualnie odwołujące się do procesu ewolucji Wyszukiwanie zmiennych rozwiązań przez zmianę i reorganizację części składowych z wykorzystaniem operatorów: dziedziczenia, selekcji, krzyżowania i mutacji Stosowane w problemach optymalizacyjnych (minimalizacja kosztu, wydajne harmonogramowanie, optymalny projekt urządzenia) w ramach których istnieje setki czy tysiące zmiennych Algorytmy ewolucyjne System ibe-at Stock trading using genetic algorithms Trading rules: Short and Long-term Moving Averages Trading expert model: a subset of trading rules Peugeot Technical trading rules and indicators [W.Colby ett. Meyers, J. Murphy] IF conditions are satisfied THEN decision financial indicators buy,hold or sell Initial wealth of expert: C 0 n 0 P t m Quality of trading expert = F(return, risk) Rule: The crossovers are the points of decisions Buy : when STMA moves above LTMA (cross the time series à la hausse) Sell : when STMA moves below LTMA (the time series à la baisse) 54 54/54 9
10 Are some rules more efficient? Hybrydowe systemy AI Algorytmy genetyczne, logika rozmyta, sieci neuronowe i systemy ekspertowe są integrowane w ramach wspólnej aplikacji wykorzystującej zalety składowych Systemy wielo-agentowe no rule consistently outperforms the others 55 55/54 56 Systemy wielo-agentowe A-Trader Inteligentne agenty Działają w tle wykonując specyficzne, powtarzalne i przewidywalne zadania na rzecz użytkowników, procesów lub programów komputerowych Wykorzystują ograniczone, wbudowane lub wygenerowane bazy wiedzy do wspomagania zadań lub podejmowania decyzji użytkowników Usuwanie niechcianej korespondencji Market Communication Agent Provides real time data, makes market transactions Store signals Database System Decision Support PUSH Communication Notify Agent Historical Data Agent Provides Historical Data Wyszukiwanie najtańszych połączeń Modelowanie systemów agentowych: Systemy autonomicznych agentów Modele zachowań klientów, giełdy; używane do prognozowania rozprzestrzeniania się epidemi Supervisor Visualization Agent Cloud of Computing Agents Basic Agents User Agents Inteligent Agents 57 57/54 58 Systemy wielo-agentowe - przykład Podsumowanie Technologie wspomagające ZW Zarządzanie dokumentami Przepływ pracy Konwersja przepływów Konferencje Web i telefony Zarządzanie projektami Przedsięwzięcia Technologie wspomagające zarządzanie wiedzą Rozwiązywanie problemów Systemy inteligentne Współpraca Intranet Praca grupowa Bazy i urtownie danych 59 59/
PODSTAWY 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 szczegółowoSystemy Informatyki Przemysłowej
Systemy Informatyki Przemysłowej Profil absolwenta Profil absolwenta Realizowany cel dydaktyczny związany jest z: tworzeniem, wdrażaniem oraz integracją systemów informatycznych algorytmami rozpoznawania
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 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 szczegółowoTypy systemów informacyjnych
Typy systemów informacyjnych Information Systems Systemy Informacyjne Operations Support Systems Systemy Wsparcia Operacyjnego Management Support Systems Systemy Wspomagania Zarzadzania Transaction Processing
Bardziej szczegółowoI rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer.
Wydział Informatyki i Nauki o Materiałach Kierunek Informatyka studia I stopnia inżynierskie studia stacjonarne 08- IO1S-13 od roku akademickiego 2015/2016 A Lp GRUPA TREŚCI PODSTAWOWYCH kod Nazwa modułu
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowo5 Moduył do wyboru II *[zobacz opis poniżej] 4 Projektowanie i konfiguracja sieci komputerowych Z
1. Nazwa kierunku informatyka 2. Cykl rozpoczęcia 2016/2017L 3. Poziom kształcenia studia drugiego stopnia 4. Profil kształcenia ogólnoakademicki 5. Forma prowadzenia studiów stacjonarna Specjalizacja:
Bardziej szczegółowoPrezentacja specjalności studiów II stopnia. Inteligentne Technologie Internetowe
Prezentacja specjalności studiów II stopnia Inteligentne Technologie Internetowe Koordynator specjalności Prof. dr hab. Jarosław Stepaniuk Tematyka studiów Internet jako zbiór informacji Przetwarzanie:
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 szczegółowoSTUDIA I MONOGRAFIE NR
STUDIA I MONOGRAFIE NR 21 WYBRANE ZAGADNIENIA INŻYNIERII WIEDZY Redakcja naukowa: Andrzej Cader Jacek M. Żurada Krzysztof Przybyszewski Łódź 2008 3 SPIS TREŚCI WPROWADZENIE 7 SYSTEMY AGENTOWE W E-LEARNINGU
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 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 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 szczegółowoBusiness Intelligence jako narzędzie do walki z praniem brudnych pieniędzy
Business www.comarch.pl Intelligence jako narzędzie do walki z praniem brudnych pieniędzy Business Intelligence jako narzędzie do walki z praniem brudnych pieniędzy Tomasz Matysik Kołobrzeg, 19.11.2009
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 szczegółowoEfekt kształcenia. Wiedza
Efekty dla studiów drugiego stopnia profil ogólnoakademicki na kierunku Informatyka na specjalności Przetwarzanie i analiza danych, na Wydziale Matematyki i Nauk Informacyjnych, gdzie: * Odniesienie oznacza
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 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 szczegółoworodzaj zajęć semestr 1 semestr 2 semestr 3 Razem Lp. Nazwa modułu E/Z Razem W I
1. Nazwa kierunku informatyka 2. Cykl rozpoczęcia 2017/2018L 3. Poziom kształcenia studia drugiego stopnia 4. Profil kształcenia ogólnoakademicki 5. Forma prowadzenia studiów stacjonarna Specjalność: grafika
Bardziej szczegółowoKARTA MODUŁU KSZTAŁCENIA
KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia
Bardziej szczegółowo5 Moduył do wyboru II *[zobacz opis poniżej] 4 Projektowanie i konfiguracja sieci komputerowych Z
1. Nazwa kierunku informatyka 2. Cykl rozpoczęcia 2016/2017Z, 2016/2017L 3. Poziom kształcenia studia drugiego stopnia 4. Profil kształcenia ogólnoakademicki 5. Forma prowadzenia studiów niestacjonarna
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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Systemy Decision suport systems Zarządzanie i Inżynieria Produkcji Management and Engineering of Production Rodzaj przedmiotu: obowiązkowy Poziom studiów: studia II stopnia
Bardziej szczegółowoRelacja zakresu nauk humanistyczno-społecznych z Krajową Inteligentną Specjalizacją
Relacja zakresu nauk humanistyczno-społecznych z Krajową Inteligentną Specjalizacją Inteligentne uczenie się Moduł nr 1 Inteligentne szkolnictwo wyższe dla inteligentnej gospodarki i jej kadr Inteligentne
Bardziej szczegółowoKierunek Informatyka stosowana Studia stacjonarne Studia pierwszego stopnia
Studia pierwszego stopnia I rok Matematyka dyskretna 30 30 Egzamin 5 Analiza matematyczna 30 30 Egzamin 5 Algebra liniowa 30 30 Egzamin 5 Statystyka i rachunek prawdopodobieństwa 30 30 Egzamin 5 Opracowywanie
Bardziej szczegółowoAlgorytmy wspomagania decyzji Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3
Algorytmy wspomagania decyzji Czyli co i jak 2018 andrzej.rusiecki@pwr.edu.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoTechniki CAx. dr inż. Michał Michna. Politechnika Gdańska
Techniki CAx dr inż. Michał Michna 1 Komputerowe techniki wspomagania projektowania 2 Techniki Cax - projektowanie Projektowanie złożona działalność inżynierska, w której przenikają się doświadczenie inżynierskie,
Bardziej szczegółowoSystemy ekspertowe. Krzysztof Patan
Systemy ekspertowe Krzysztof Patan Wprowadzenie System ekspertowy Program komputerowy, który wykonuje złożone zadania o dużych wymaganiach intelektualnych i robi to tak dobrze jak człowiek będący ekspertem
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 szczegółowoUCHWAŁA NR 46/2013. Senatu Akademii Marynarki Wojennej im. Bohaterów Westerplatte z dnia 19 września 2013 roku
UCHWAŁA NR 46/2013 Senatu Akademii Marynarki Wojennej im. Bohaterów Westerplatte z dnia 19 września 2013 roku w sprawie: korekty efektów kształcenia dla kierunku informatyka Na podstawie ustawy z dnia
Bardziej szczegółowoLISTA KURSÓW PLANOWANYCH DO URUCHOMIENIA W SEMESTRZE ZIMOWYM 2015/2016
LISTA KURSÓW PLANOWANYCH DO URUCHOMIENIA W SEMESTRZE ZIMOWYM 2015/2016 INFORMATYKA I STOPNIA studia stacjonarne 1 sem. PO-W08-INF- - -ST-Ii-WRO-(2015/2016) MAP003055W Algebra z geometrią analityczną A
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Systemy ekspertowe w zarządzaniu firmą Expert systems in enterprise management Kierunek: Zarządzanie i Inżynieria Produkcji Rodzaj przedmiotu: Rodzaj zajęć: Wyk. Ćwicz. Lab. Sem. Proj.
Bardziej szczegółowoAlgorytmy wspomagania decyzji Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s.
Algorytmy wspomagania decyzji Czyli co i jak 2013 andrzej.rusiecki@pwr.wroc.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 911/D-20 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Bardziej szczegółowoSymbol efektu kształcenia
Efekty dla studiów drugiego stopnia - profil ogólnoakademicki, na kierunku Informatyka, na specjalnościach Metody sztucznej inteligencji (Tabela 1), Projektowanie systemów CAD/CAM (Tabela 2) oraz Przetwarzanie
Bardziej szczegółowoWydział Informtyki i Nauki o Materiałach Kierunek Informatyka. kod kierunku (dodaj kod przedmiotu)
08-IN-N2- A GRUPA TREŚCI PODSTAWOWYCH Wydział Informtyki i Nauki o Materiałach Kierunek Informatyka kod kierunku (dodaj kod przedmiotu) Nazwa modułu 1 0 0 RAZEM B: forma zajęć studia drugiego stopnia studia
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 szczegółowoSTUDIA STACJONARNE I STOPNIA Przedmioty kierunkowe
STUDIA STACJONARNE I STOPNIA Przedmioty kierunkowe Technologie informacyjne Prof. dr hab. Zdzisław Szyjewski 1. Rola i zadania systemu operacyjnego 2. Zarządzanie pamięcią komputera 3. Zarządzanie danymi
Bardziej szczegółowoTechniki CAx. dr inż. Michał Michna. Politechnika Gdańska
Techniki CAx dr inż. Michał Michna 1 Sterowanie CAP Planowanie PPC Sterowanie zleceniami Kosztorysowanie Projektowanie CAD/CAM CAD Klasyfikacja systemów Cax Y-CIM model Planowanie produkcji Konstruowanie
Bardziej szczegółowo1.1 Matryca pokrycia efektów kształcenia. Efekty kształcenia w zakresie wiedzy. Efekty kształcenia w zakresie umiejętności
1.1 Matryca pokrycia efektów kształcenia Matryca dla przedmiotów realizowanych na kierunku Informatyka i Ekonometria (z wyłączeniem przedmiotów realizowanych w ramach specjalności oraz przedmiotów swobodnego
Bardziej szczegółowoOd Expert Data Scientist do Citizen Data Scientist, czyli jak w praktyce korzystać z zaawansowanej analizy danych
Od Expert Data Scientist do Citizen Data Scientist, czyli jak w praktyce korzystać z zaawansowanej analizy danych Tomasz Demski StatSoft Polska www.statsoft.pl Analiza danych Zaawansowana analityka, data
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA I STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina
Bardziej szczegółowoOd e-materiałów do e-tutorów
Od e-materiałów do e-tutorów Lech Banachowski, Elżbieta Mrówka-Matejewska, Agnieszka Chądzyńska-Krasowska, Jerzy Paweł Nowacki, Wydział Informatyki, Polsko-Japońska Akademia Technik Komputerowych Plan
Bardziej szczegółowo[1] [2] [3] [4] [5] [6] Wiedza
3) Efekty dla studiów drugiego stopnia - profil ogólnoakademicki na kierunku Informatyka w języku angielskim (Computer Science) na specjalności Sztuczna inteligencja (Artificial Intelligence) na Wydziale
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoWydział Informtyki i Nauki o Materiałach Kierunek Informatyka. kod kierunku (dodaj kod przedmiotu)
A 08-IN-S2- Wydział Informtyki i Nauki o Materiałach Kierunek Informatyka GRUPA TREŚCI PODSTAWOWYCH kod kierunku (dodaj kod przedmiotu) Nazwa modułu 1 0 0 RAZEM B: forma zajęć studia drugiego stopnia studia
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowow tym laborat. Razem semin. konwer. wykłady ćwicz. w tym laborat. Razem ECTS Razem semin. konwer.
A 08- IO2S-13 Wydział Informatyki i Nauki o Materiałach Kierunek Informatyka GRUPA TREŚCI PODSTAWOWYCH Nazwa modułu studia II stopnia studia stacjonarne od roku akademickiego 2015/2016 semestr 1 semestr
Bardziej szczegółowoSTUDIA NIESTACJONARNE I STOPNIA Przedmioty kierunkowe
STUDIA NIESTACJONARNE I STOPNIA Przedmioty kierunkowe Technologie informacyjne prof. dr hab. Zdzisław Szyjewski 1. Rola i zadania systemu operacyjnego 2. Zarządzanie pamięcią komputera 3. Zarządzanie danymi
Bardziej szczegółowoInformatyka- studia I-go stopnia
SPECJALNOŚĆ: Informatyka w Zarządzaniu Obowiązuje od roku akademickiego: 2007 / 2008 1 Modelowanie procesów biznesowych 30 30 60 6 2 2 6 2 Eksploracja danych 30 3 1 1 3 3 Wspomaganie decyzji w warunkach
Bardziej szczegółowoOBIEG INFORMACJI I WSPOMAGANIE DECYZJI W SYTUACJACH KRYZYSOWYCH
OBIEG INFORMACJI I WSPOMAGANIE DECYZJI W SYTUACJACH KRYZYSOWYCH AGENDA Prezentacja firmy Tecna Informacja i jej przepływ Workflow i BPM Centralny portal informacyjny Wprowadzanie danych do systemu Interfejsy
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
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 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 szczegółowoMatryca pokrycia efektów kształcenia. Efekty kształcenia w zakresie wiedzy (cz. I)
Matryca pokrycia efektów kształcenia Matryca dla przedmiotów realizowanych na kierunku Informatyka i Ekonometria (z wyłączeniem przedmiotów realizowanych w ramach specjalności oraz przedmiotów swobodnego
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 szczegółowoRazem godzin w semestrze: Plan obowiązuje od roku akademickiego 2014/15 - zatwierdzono na Radzie Wydziału w dniu r.
Część wspólna dla kierunku 1 IMS1.01 Obiektowe projektowanie SI 2 2 E 3 60 3 2 IMS1.02 Teleinformatyka 2 2 E 4 60 4 3 IMS2.01 Modelowanie i analiza systemów dyskretnych 2 2 E 3 60 3 4 IMS2.02 Wielowymiarowa
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych Rodzaj zajęć: wykład, laboratorium BAZY DANYCH I SYSTEMY EKSPERTOWE Database and expert systems Forma
Bardziej szczegółoworodzaj zajęć semestr 1 semestr 2 semestr 3 Razem Lp. Nazwa modułu E/Z Razem W I
1. Nazwa kierunku informatyka 2. Cykl rozpoczęcia 2017/2018Z, 2017/2018L 3. Poziom kształcenia studia drugiego stopnia 4. Profil kształcenia ogólnoakademicki 5. Forma prowadzenia studiów niestacjonarna
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi
Bardziej szczegółowoLaboratorium demonstrator bazowych technologii Przemysłu 4.0 przykład projektu utworzenia laboratorium przez KSSE i Politechnikę Śląską
Laboratorium demonstrator bazowych technologii Przemysłu 4.0 przykład projektu utworzenia laboratorium przez KSSE i Politechnikę Śląską (wynik prac grupy roboczej ds. kształcenia, kompetencji i zasobów
Bardziej szczegółowoSTUDIA STACJONARNE JEDNOLITE MAGISTERSKIE Przedmioty kierunkowe
STUDIA STACJONARNE JEDNOLITE MAGISTERSKIE Przedmioty kierunkowe Programowanie komputerów dr Jakub Swacha 1. Rekurencja a iteracja w programach 2. Klasyfikacja języków programowania 3. Różnice między kompilacją
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 szczegółowoPOLITECHNIKA LUBELSKA Wydział Elektrotechniki Kierunek: INFORMATYKA II stopień niestacjonarne i Informatyki. Część wspólna dla kierunku
Część wspólna dla kierunku 1 IMN1.01 Obiektowe projektowanie SI 15 15 E 3 3 2 IMN1.02 Teleinformatyka 15 15 E 4 4 3 IMN2.01 Modelowanie i analiza systemów dyskretnych 15 15 E 3 3 4 IMN2.02 Wielowymiarowa
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ SZTUCZNA INTELIGENCJA dwa podstawowe znaczenia Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące się), pewną dyscyplinę badawczą (dział
Bardziej szczegółowoROZWÓJ SYSTEMÓW SZTUCZNEJ INTELIGENCJI W PERSPEKTYWIE "PRZEMYSŁ 4.0"
ROZWÓJ SYSTEMÓW SZTUCZNEJ INTELIGENCJI W PERSPEKTYWIE "PRZEMYSŁ 4.0" Dr inż. Andrzej KAMIŃSKI Instytut Informatyki i Gospodarki Cyfrowej Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa w Warszawie
Bardziej szczegółowow ekonomii, finansach i towaroznawstwie
w ekonomii, finansach i towaroznawstwie spotykane określenia: zgłębianie danych, eksploracyjna analiza danych, przekopywanie danych, męczenie danych proces wykrywania zależności w zbiorach danych poprzez
Bardziej szczegółowoKierunek: INFORMATYKA. Studia stacjonarne. Studia drugiego stopnia. Profil: ogólnoakademicki
Studia drugiego stopnia Kierunek: INFORMATYKA Profil: ogólnoakademicki Studenci rozpoczynający studia w roku akademickim 2015/2016 (od semestru zimowego) Formy studiów: Stacjonarne (ścieżka 4-semestralna)
Bardziej szczegółowoINFORMATYKA Pytania ogólne na egzamin dyplomowy
INFORMATYKA Pytania ogólne na egzamin dyplomowy 1. Wyjaśnić pojęcia problem, algorytm. 2. Podać definicję złożoności czasowej. 3. Podać definicję złożoności pamięciowej. 4. Typy danych w języku C. 5. Instrukcja
Bardziej szczegółowoOdniesienie do efektów kształcenia dla obszaru nauk EFEKTY KSZTAŁCENIA Symbol
KIERUNKOWE EFEKTY KSZTAŁCENIA Wydział Informatyki i Zarządzania Kierunek studiów INFORMATYKA (INF) Stopień studiów - pierwszy Profil studiów - ogólnoakademicki Projekt v1.0 z 18.02.2015 Odniesienie do
Bardziej szczegółowoWydział Informtyki i Nauki o Materiałach Kierunek Informatyka. kod kierunku (dodaj kod przedmiotu)
A 08-IN-S2- Wydział Informtyki i Nauki o Materiałach Kierunek Informatyka GRUPA TREŚCI PODSTAWOWYCH kod kierunku (dodaj kod przedmiotu) Nazwa modułu 1 0 0 RAZEM B: studia drugiego stopnia studia stacjonarne
Bardziej szczegółowoSPIS TREŚCI WSTĘP... 10
SPIS TREŚCI WSTĘP... 10 Wykład 1. GENEZA, ROZWÓJ, WSPÓŁCZESNE WYZWANIA PRALOGISTYKI WOJSKOWEJ 1. Historyczne źródła logistyki wojskowej... 15 2. Logistyka według poglądów teoretyków amerykańskich... 17
Bardziej szczegółowoSztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne. Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych
Sztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych Plan wystąpienia Co to jest sztuczna inteligencja? Pojęcie słabej
Bardziej szczegółowoKierunek:Informatyka- - inż., rok I specjalność: Grafika komputerowa, Inżynieria oprogramowania, Technologie internetowe
:Informatyka- - inż., rok I specjalność: Grafika komputerowa, Inżynieria oprogramowania, Technologie internetowe Metody uczenia się i studiowania 1 Podstawy prawa i ergonomii pracy 1 25 2 Podstawy ekonomii
Bardziej szczegółowoZarządzanie procesami pomocniczymi w przedsiębiorstwie
WYDAWNICTWO PAŃSTWOWEJ WYŻSZEJ SZKOŁY ZAWODOWEJ W PŁOCKU Leszek Pruszkowski Zarządzanie procesami pomocniczymi w przedsiębiorstwie Koncepcja Facility Management Płock 2009 1 SPIS TREŚCI WPROWADZENIE...
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 szczegółowoInformatyka studia stacjonarne pierwszego stopnia
#382 #379 Internetowy system obsługi usterek w sieciach handlowych (The internet systems of detection of defects in trade networks) Celem pracy jest napisanie aplikacji w języku Java EE. Główne zadania
Bardziej szczegółowo1 Programowanie urządzen mobilnych Sztuczna inteligencja i systemy 2 ekspertowe
SPECJALNOŚĆ: Programowanie Komputerów i Sieci Informatyczne Obowiązuje od roku akademickiego: 2007 / 2008 Przedmioty specjalnościowe oraz profili 1 Programowanie urządzen mobilnych 15 5 20 3 15 5 3 Sztuczna
Bardziej szczegółowoPLAN STUDIÓW STACJONARNYCH I NIESTACJONARNYCH WIECZOROWYCH II STOPNIA OD ROKU AKADEMICKIEGO 2017/2018
PLAN STUDIÓW STACJONARNYCH I NIESTACJONARNYCH WIECZOROWYCH II STOPNIA OD ROKU AKADEMICKIEGO 2017/2018 Kierunek: Informatyka i Ekonometria Specjalność: Analityka gospodarcza Lp. Przedmioty Grupa Wymiar
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 szczegółowoZintegrowana platforma zarządzania miastem w kontekście bezpieczeństwa publicznego. (Centrum Bezpieczeństwa Miasta)
Zintegrowana platforma zarządzania miastem w kontekście bezpieczeństwa publicznego (Centrum Bezpieczeństwa Miasta) Gdańsk 2014 Atena Partnerem 2013 Spis treści 1 Cechy zintegrowanej platformy zarządzania
Bardziej szczegółowoCel i zawartość prezentacji
Cel i zawartość prezentacji Głównym celem prezentacji jest przedstawienie mało popularnej i nieznanej jeszcze w Polsce metody nauczania WebQuest, wykorzystującej Internet jako źródło informacji oraz jako
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 szczegółowoProblemy i wyzwania analizy obszaru ICT
Problemy i wyzwania analizy obszaru ICT Rafał Żelazny Główny Konsultant Zespołu ds. Wdrażania i Monitoringu Strategii Społeczeństwa Informacyjnego Województwa Śląskiego do roku 2015 22.11.2013, TECHNOPARK
Bardziej szczegółowoZapewnij sukces swym projektom
Zapewnij sukces swym projektom HumanWork PROJECT to aplikacja dla zespołów projektowych, które chcą poprawić swą komunikację, uprościć procesy podejmowania decyzji oraz kończyć projekty na czas i zgodnie
Bardziej szczegółowoT2A_W01 T2A_W01 T2A_W02 3 SI_W03 Posiada szeroką wiedzę w zakresie teorii grafów T2A_W01
Efekty dla studiów drugiego stopnia profil ogólnoakademicki, na kierunku Informatyka w języku polskim, na specjalnościach Metody sztucznej inteligencji oraz Projektowanie systemów CAD/CAM, na Wydziale
Bardziej szczegółowoProjektowanie Wirtualne bloki tematyczne PW I
Podstawowe zagadnienia egzaminacyjne Projektowanie Wirtualne - część teoretyczna Projektowanie Wirtualne bloki tematyczne PW I 1. Projektowanie wirtualne specyfika procesu projektowania wirtualnego, podstawowe
Bardziej szczegółowoPLAN STUDIÓW STACJONARNYCH I NIESTACJONARNYCH WIECZOROWYCH II STOPNIA (od roku akademickiego 2015/2016)
PLAN STUDIÓW STACJONARNYCH I NIESTACJONARNYCH WIECZOROWYCH II STOPNIA (od roku akademickiego 2015/2016) Kierunek: Informatyka i Ekonometria Specjalność: Elektroniczny Biznes Lp. Przedmioty Grupa Wymiar
Bardziej szczegółowoMonitoring procesów z wykorzystaniem systemu ADONIS
Monitoring procesów z wykorzystaniem systemu ADONIS BOC Information Technologies Consulting Sp. z o.o. e-mail: boc@boc-pl.com Tel.: (+48 22) 628 00 15, 696 69 26 Fax: (+48 22) 621 66 88 BOC Management
Bardziej 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 szczegółowoWydział Informtyki i Nauki o Materiałach Kierunek Informatyka. kod kierunku (dodaj kod przedmiotu)
08-IN-N2- A GRUPA TREŚCI PODSTAWOWYCH Wydział Informtyki i Nauki o Materiałach Kierunek Informatyka kod kierunku (dodaj kod przedmiotu) Lp Nazwa modułu 1 0 0 RAZEM B: forma zajęć studia drugiego stopnia
Bardziej szczegółowoBPM vs. Content Management. Jarosław Żeliński analityk biznesowy, projektant systemów
BPM vs. Content Management Jarosław Żeliński analityk biznesowy, projektant systemów Cel prezentacji Celem prezentacji jest zwrócenie uwagi na istotne różnice pomiędzy tym co nazywamy: zarzadzaniem dokumentami,
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt
Bardziej szczegółowoKierunek: Informatyka rev rev jrn Stacjonarny 1 / 6
Wydział Informatyki i Komunikacji Wizualnej Kierunek: Informatyka Studia pierwszego stopnia - inżynierskie tryb: stacjonarne rok rozpoczęcia: 2018/2019 A. Moduły międzykierunkowe obligatoryjne Moduł ogólny
Bardziej szczegółowoWspółczesna problematyka klasyfikacji Informatyki
Współczesna problematyka klasyfikacji Informatyki Nazwa pojawiła się na przełomie lat 50-60-tych i przyjęła się na dobre w Europie Jedna z definicji (z Wikipedii): Informatyka dziedzina nauki i techniki
Bardziej 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 szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoUniwersytet Śląski w Katowicach str. 1 Wydział Informatyki i Nauki o Materiałach
Uniwersytet Śląski w Katowicach str. 1 Efekty dla: nazwa kierunku poziom profil Informatyka inżynierska pierwszy ogólnoakademicki Kod efektu (kierunek) K_1_A_I_W01 K_1_A_I_W02 K_1_A_I_W03 K_1_A_I_W04 K_1_A_I_W05
Bardziej szczegółowoUCHWAŁA NR 60/2013 Senatu Akademii Marynarki Wojennej im. Bohaterów Westerplatte z dnia 21 listopada 2013 roku
UCHWAŁA NR 60/2013 Senatu Akademii Marynarki Wojennej im. Bohaterów Westerplatte z dnia 21 listopada 2013 roku w sprawie: korekty efektów kształcenia dla kierunku informatyka Na podstawie ustawy z dnia
Bardziej szczegółowo