ZARZĄDZANIE WIEDZĄ I TECHNOLOGIE WSPOMAGAJĄCE. Plan i cele wykładu. Wprowadzenie. Systemy Informacyjne Zarządzania

Wielkość: px
Rozpocząć pokaz od strony:

Download "2014-01-10 ZARZĄDZANIE WIEDZĄ I TECHNOLOGIE WSPOMAGAJĄCE. Plan i cele wykładu. Wprowadzenie. Systemy Informacyjne Zarządzania"

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. 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 szczegółowo

Zalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel

Zalew 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 szczegółowo

Transformacja wiedzy w budowie i eksploatacji maszyn

Transformacja 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 szczegółowo

Hurtownie danych. Wstęp. Architektura hurtowni danych. http://zajecia.jakubw.pl/hur CO TO JEST HURTOWNIA DANYCH

Hurtownie 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 szczegółowo

Business Intelligence jako narzędzie do walki z praniem brudnych pieniędzy

Business 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 szczegółowo

I 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.

I 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 szczegółowo

Wprowadzenie do technologii informacyjnej.

Wprowadzenie 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 szczegółowo

Prezentacja specjalności studiów II stopnia. Inteligentne Technologie Internetowe

Prezentacja 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 szczegółowo

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2012 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę

Bardziej szczegółowo

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę

Bardziej szczegółowo

STUDIA I MONOGRAFIE NR

STUDIA 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 szczegółowo

KARTA MODUŁU KSZTAŁCENIA

KARTA 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 szczegółowo

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania

Zastosowanie 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 szczegółowo

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

Zastosowanie 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 szczegółowo

T2A_W01 T2A_W01 T2A_W02 3 SI_W03 Posiada szeroką wiedzę w zakresie teorii grafów T2A_W01

T2A_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 szczegółowo

w ekonomii, finansach i towaroznawstwie

w 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 szczegółowo

LEMRG 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 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 szczegółowo

Hurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie

Hurtownie 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 szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK 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 szczegółowo

LISTA KURSÓW PLANOWANYCH DO URUCHOMIENIA W SEMESTRZE ZIMOWYM 2015/2016

LISTA 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 szczegółowo

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

1.7. 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 szczegółowo

Techniki CAx. dr inż. Michał Michna. Politechnika Gdańska

Techniki 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 szczegółowo

Zintegrowana platforma zarządzania miastem w kontekście bezpieczeństwa publicznego. (Centrum Bezpieczeństwa Miasta)

Zintegrowana 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 szczegółowo

Hurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie

Hurtownie 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 szczegółowo

Kierunek Informatyka stosowana Studia stacjonarne Studia pierwszego stopnia

Kierunek 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 szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK 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 szczegółowo

Plan 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 szczegółowo

Integracja systemu CAD/CAM Catia z bazą danych uchwytów obróbkowych MS Access za pomocą interfejsu API

Integracja systemu CAD/CAM Catia z bazą danych uchwytów obróbkowych MS Access za pomocą interfejsu API Dr inż. Janusz Pobożniak, pobozniak@mech.pk.edu.pl Instytut Technologii Maszyn i Automatyzacji produkcji Politechnika Krakowska, Wydział Mechaniczny Integracja systemu CAD/CAM Catia z bazą danych uchwytów

Bardziej szczegółowo

STUDIA NIESTACJONARNE I STOPNIA Przedmioty kierunkowe

STUDIA 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 szczegółowo

Kraków, 14 marca 2013 r.

Kraków, 14 marca 2013 r. Scenariusze i trendy rozwojowe wybranych technologii społeczeństwa informacyjnego do roku 2025 Antoni Ligęza Perspektywy rozwoju systemów eksperckich do roku 2025 Kraków, 14 marca 2013 r. Dane informacja

Bardziej szczegółowo

Systemy informacyjno decyzyjne w biznesie

Systemy informacyjno decyzyjne w biznesie Kilka definicji Systemy informacyjno decyzyjne w biznesie Jerzy KORCZAK Katedra Technologii Informacyjnych Uniwersytet Ekonomiczny, Wrocław email: jerzy.korczak@ue.wroc.pl http://www.korczak-leliwa.pl

Bardziej szczegółowo

Co to jest Business Intelligence?

Co to jest Business Intelligence? Cykl: Cykl: Czwartki z Business Intelligence Sesja: Co Co to jest Business Intelligence? Bartłomiej Graczyk 2010-05-06 1 Prelegenci cyklu... mariusz@ssas.pl lukasz@ssas.pl grzegorz@ssas.pl bartek@ssas.pl

Bardziej szczegółowo

Ewelina Dziura Krzysztof Maryański

Ewelina 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 szczegółowo

ROZDZIAŁ 1. WPROWADZENIE DO PROBLEMATYKI SYSTEMÓW EKSPERTOWYCH 19

ROZDZIAŁ 1. WPROWADZENIE DO PROBLEMATYKI SYSTEMÓW EKSPERTOWYCH 19 SPIS TREŚCI WSTĘP 15 ROZDZIAŁ 1. WPROWADZENIE DO PROBLEMATYKI SYSTEMÓW EKSPERTOWYCH 19 1.1. Pojęcie i rozwój systemów ekspertowych 19 1.1.1. Definiowanie systemu ekspertowego w literaturze przedmiotu 20

Bardziej szczegółowo

Kierunek: INFORMATYKA. Studia stacjonarne. Studia drugiego stopnia. Profil: ogólnoakademicki

Kierunek: 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 szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK 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 szczegółowo

Systemy z bazą wiedzy (spojrzenie bardziej korporacyjne) Baza wiedzy. Baza wiedzy. Baza wiedzy. Baza wiedzy

Systemy z bazą wiedzy (spojrzenie bardziej korporacyjne) Baza wiedzy. Baza wiedzy. Baza wiedzy. Baza wiedzy Zarządzanie wiedzą z bazą wiedzy (spojrzenie bardziej korporacyjne) Wybrane aspekty technologiczne związane z wiedzą i zarządzaniem wiedzą Google: baza wiedzy 1,180,000 znalezionych systemy zarządzania

Bardziej szczegółowo

INFORMATYKA Pytania ogólne na egzamin dyplomowy

INFORMATYKA 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 szczegółowo

1. Tabela odniesień efektów kierunkowych do efektów obszarowych z komentarzami

1. Tabela odniesień efektów kierunkowych do efektów obszarowych z komentarzami EFEKTY KSZTAŁCENIA 1. Tabela odniesień efektów kierunkowych do efektów obszarowych z komentarzami Kierunkowy efekt kształcenia - symbol K_W01 K_W02 K_W03 K_W04 K_W05 K_W06 K_W07 K_W08 Kierunkowy efekt

Bardziej szczegółowo

Szybkość instynktu i rozsądek rozumu$

Szybkość instynktu i rozsądek rozumu$ Szybkość instynktu i rozsądek rozumu$ zastosowania rozwiązań BigData$ Bartosz Dudziński" Architekt IT! Już nie tylko dokumenty Ilość Szybkość Różnorodność 12 terabajtów milionów Tweet-ów tworzonych codziennie

Bardziej szczegółowo

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.

Uniwersytet 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 szczegółowo

BPM vs. Content Management. Jarosław Żeliński analityk biznesowy, projektant systemów

BPM 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 szczegółowo

STUDIA STACJONARNE I STOPNIA Przedmioty kierunkowe

STUDIA 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 szczegółowo

ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia

ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia ZP/ITS/11/2012 Załącznik nr 1a do SIWZ ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych

Bardziej szczegółowo

Techniki CAx. dr inż. Michał Michna. Politechnika Gdańska

Techniki 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 szczegółowo

Efekty kształcenia wymagane do podjęcia studiów 2 stopnia na kierunku Informatyka

Efekty kształcenia wymagane do podjęcia studiów 2 stopnia na kierunku Informatyka Efekty kształcenia wymagane do podjęcia studiów 2 stopnia na kierunku Informatyka Test kwalifikacyjny obejmuje weryfikację efektów kształcenia oznaczonych kolorem szarym, efektów: K_W4 (!), K_W11-12, K_W15-16,

Bardziej szczegółowo

Jak skutecznie zarządzać informacją?

Jak skutecznie zarządzać informacją? Jak skutecznie zarządzać informacją? Platforma Office 2010 jako narzędzie do efektywnego zarządzania procesami w organizacji. Zbigniew Szcześniewski Microsoft AGENDA Co ma Office do zarządzania informacją?

Bardziej szczegółowo

ZASTOSOWANIE TECHNOLOGII WIRTUALNEJ RZECZYWISTOŚCI W PROJEKTOWANIU MASZYN

ZASTOSOWANIE TECHNOLOGII WIRTUALNEJ RZECZYWISTOŚCI W PROJEKTOWANIU MASZYN MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 37, s. 141-146, Gliwice 2009 ZASTOSOWANIE TECHNOLOGII WIRTUALNEJ RZECZYWISTOŚCI W PROJEKTOWANIU MASZYN KRZYSZTOF HERBUŚ, JERZY ŚWIDER Instytut Automatyzacji Procesów

Bardziej szczegółowo

Dziedzinowa Baza Wiedzy w zakresie Nauk Technicznych

Dziedzinowa Baza Wiedzy w zakresie Nauk Technicznych Jak Nas widzą, tak Nas piszą Dziedzinowa Baza Wiedzy w zakresie Nauk Technicznych Warszawa Maj 2013 Plan prezentacji 1. Stan informacji naukowej w zakresie nauk technicznych w Polsce 2. Koncepcja systemu

Bardziej szczegółowo

Systemy GIS Systemy baz danych

Systemy GIS Systemy baz danych Systemy GIS Systemy baz danych Wykład nr 5 System baz danych Skomputeryzowany system przechowywania danych/informacji zorganizowanych w pliki Użytkownik ma do dyspozycji narzędzia do wykonywania różnych

Bardziej szczegółowo

Automatyzacja Procesów Biznesowych. Systemy Informacyjne Przedsiębiorstw

Automatyzacja Procesów Biznesowych. Systemy Informacyjne Przedsiębiorstw Automatyzacja Procesów Biznesowych Systemy Informacyjne Przedsiębiorstw Rodzaje przedsiębiorstw Produkcyjne największe zapotrzebowanie na kapitał, największe ryzyko Handlowe kapitał obrotowy, średnie ryzyko

Bardziej szczegółowo

Adam Dolega Architekt Rozwiązań Biznesowych Microsoft adam.dolega@microsoft.com

Adam Dolega Architekt Rozwiązań Biznesowych Microsoft adam.dolega@microsoft.com Adam Dolega Architekt Rozwiązań Biznesowych Microsoft adam.dolega@microsoft.com Budowa rozwiązań Rozwiązania dla programistów Narzędzia integracyjne Zarządzanie infrastrukturą Zarządzanie stacjami, urządzeniami

Bardziej szczegółowo

Monitoring procesów z wykorzystaniem systemu ADONIS

Monitoring 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 szczegółowo

INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH

INDUKOWANE 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 szczegółowo

Współczesna problematyka klasyfikacji Informatyki

Współczesna 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 szczegółowo

Zapewnij sukces swym projektom

Zapewnij 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 szczegółowo

NAUKOWA I AKADEMICKA SIEĆ KOMPUTEROWA Jak usprawnić pracę w zespole IT? Wykorzystanie narzędzi do pracy grupowej na przykładzie zespołu Polska.pl Agnieszka Kukałowicz-Kolaszyńska, Starszy Specjalista IT

Bardziej szczegółowo

IV. Metody genetyczne

IV. Metody genetyczne SZTUCZNA INTELIGENCJA W FINANSACH IV. Metody genetyczne Jerzy KORCZAK email: jerzy.korczak@ue.wroc.pl Metody sztucznej ewolucji Algorytmy genetyczne Programowanie genetyczne Systemy klasyfikatorow Strategie

Bardziej szczegółowo

OBIEG INFORMACJI I WSPOMAGANIE DECYZJI W SYTUACJACH KRYZYSOWYCH

OBIEG 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 szczegółowo

MODELOWANIE SYSTEMU OCENY WARUNKÓW PRACY OPERATORÓW STEROWNI

MODELOWANIE SYSTEMU OCENY WARUNKÓW PRACY OPERATORÓW STEROWNI Inżynieria Rolnicza 7(105)/2008 MODELOWANIE SYSTEMU OCENY WARUNKÓW PRACY OPERATORÓW STEROWNI Agnieszka Buczaj Zakład Fizycznych Szkodliwości Zawodowych, Instytut Medycyny Wsi w Lublinie Halina Pawlak Katedra

Bardziej szczegółowo

Metadane. Data Maining. - wykład VII. Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006

Metadane. Data Maining. - wykład VII. Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006 Metadane. Data Maining. - wykład VII Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006 Plan 1. Metadane 2. Jakość danych 3. Eksploracja danych (Data mining) 4. Sprawy róŝne

Bardziej szczegółowo

Co to jest jest oprogramowanie? 8. Co to jest inżynieria oprogramowania? 9. Jaka jest różnica pomiędzy inżynierią oprogramowania a informatyką?

Co to jest jest oprogramowanie? 8. Co to jest inżynieria oprogramowania? 9. Jaka jest różnica pomiędzy inżynierią oprogramowania a informatyką? ROZDZIAŁ1 Podstawy inżynierii oprogramowania: - Cele 2 - Zawartość 3 - Inżynieria oprogramowania 4 - Koszty oprogramowania 5 - FAQ o inżynierii oprogramowania: Co to jest jest oprogramowanie? 8 Co to jest

Bardziej szczegółowo

Portale raportowe, a narzędzia raportowe typu self- service

Portale raportowe, a narzędzia raportowe typu self- service Portale raportowe, a narzędzia raportowe typu self- service Bartłomiej Graczyk Kierownik Projektów / Architekt rozwiązań Business Intelligence E mail: bartek@graczyk.info.pl Site: www.graczyk.info.pl Agenda

Bardziej szczegółowo

Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie

Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie dr hab. Grzegorz Bartoszewicz, prof. nadzw. UEP Katedra Informatyki Ekonomicznej Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie Tematyka seminarium związana jest z wykorzystaniem

Bardziej szczegółowo

Problemy i wyzwania analizy obszaru ICT

Problemy 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 szczegółowo

KIERUNKOWE EFEKTY KSZTAŁCENIA

KIERUNKOWE EFEKTY KSZTAŁCENIA WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA II STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina

Bardziej szczegółowo

Ulotka informacyjna HelpDesk SoftwareStudio Sp. Z o.o. (Oparte na OTRS 3.1.10)

Ulotka informacyjna HelpDesk SoftwareStudio Sp. Z o.o. (Oparte na OTRS 3.1.10) 60-349 Poznań, ul. Ostroroga 5 Tel. 061 66 90 641, 061 66 90 642 061 66 90 643, 061 66 90 644 Fax. 061 86 71 151 mail: poznan@softwarestudio.com.pl Ulotka informacyjna HelpDesk SoftwareStudio Sp. Z o.o.

Bardziej szczegółowo

Projekt: Współpraca i Rozwój wzrost potencjału firm klastra INTERIZON

Projekt: Współpraca i Rozwój wzrost potencjału firm klastra INTERIZON Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego Projekt: Współpraca i Rozwój wzrost potencjału firm klastra INTERIZON Opis szkoleń z obszaru INFORMATYKA planowanych

Bardziej szczegółowo

Inteligentna analiza danych operacyjnych

Inteligentna analiza danych operacyjnych Inteligentna analiza danych operacyjnych Nowa generacja narzędzi HP do monitorowania systemów IT Piotr Kuljon 14 Kwietnia 2015 Jak znaleźć jednego winnego? 2 Jak go powtrzymać? 3 HP Operations Analytics

Bardziej szczegółowo

Konferencja. Business Intelligence Trends 24 czerwca 2014 r.

Konferencja. Business Intelligence Trends 24 czerwca 2014 r. Konferencja Business Intelligence Trends 24 czerwca 2014 r. O FIRMIE PRODUKCJA OPROGRAMOWANIA ZARZĄDZANIE ZASOBAMI IT WDROŻENIA POLITYKA ZARZĄDZANIA LICENCJAMI SZKOLENIA KONSULTACJE KOMPETENCJE PRODUKCJA

Bardziej szczegółowo

Istnieje możliwość prezentacji systemu informatycznego MonZa w siedzibie Państwa firmy.

Istnieje możliwość prezentacji systemu informatycznego MonZa w siedzibie Państwa firmy. system informatyczny wspomagający monitorowanie i planowanie zapasów w przedsiębiorstwie System informatyczny MonZa do wspomagania decyzji managerskich w obszarze zarządzania zapasami jest odpowiedzią

Bardziej szczegółowo

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)

Bardziej szczegółowo

Projektowanie architektury systemu rozproszonego. Jarosław Kuchta Projektowanie Aplikacji Internetowych

Projektowanie architektury systemu rozproszonego. Jarosław Kuchta Projektowanie Aplikacji Internetowych Projektowanie architektury systemu rozproszonego Jarosław Kuchta Zagadnienia Typy architektury systemu Rozproszone przetwarzanie obiektowe Problemy globalizacji Problemy ochrony Projektowanie architektury

Bardziej szczegółowo

Inwestycje. Baza inwestycji budowlanych w Polsce. Planowane i realizowane projekty budowlane Inwestorzy projektanci wykonawcy

Inwestycje. Baza inwestycji budowlanych w Polsce. Planowane i realizowane projekty budowlane Inwestorzy projektanci wykonawcy 1 Inwestycje Baza inwestycji budowlanych w Polsce Planowane i realizowane projekty budowlane Inwestorzy projektanci wykonawcy etapy inwestycji. przetargi. kontrakty. bazy firm. dane analityczne 2 Podejmuj

Bardziej szczegółowo

INŻYNIERIA OPROGRAMOWANIA

INŻYNIERIA OPROGRAMOWANIA INSTYTUT INFORMATYKI STOSOWANEJ 2013 INŻYNIERIA OPROGRAMOWANIA Inżynieria Oprogramowania Proces ukierunkowany na wytworzenie oprogramowania Jak? Kto? Kiedy? Co? W jaki sposób? Metodyka Zespół Narzędzia

Bardziej szczegółowo

Dopasowanie IT/biznes

Dopasowanie IT/biznes Dopasowanie IT/biznes Dlaczego trzeba mówić o dopasowaniu IT-biznes HARVARD BUSINESS REVIEW, 2008-11-01 Dlaczego trzeba mówić o dopasowaniu IT-biznes http://ceo.cxo.pl/artykuly/51237_2/zarzadzanie.it.a.wzrost.wartosci.html

Bardziej szczegółowo

Bazy danych 2. Wykład 1

Bazy danych 2. Wykład 1 Bazy danych 2 Wykład 1 Sprawy organizacyjne Materiały i listy zadań zamieszczane będą na stronie www.math.uni.opole.pl/~ajasi E-mail: standardowy ajasi@math.uni.opole.pl Sprawy organizacyjne Program wykładu

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Systemy ekspertowe Expert systems Kierunek: Zarządzanie i Inżynieria Produkcji Rodzaj przedmiotu: Rodzaj zajęć: Wyk. Ćwicz. Lab. Sem. Proj. Poziom studiów: studia I stopnia forma studiów:

Bardziej szczegółowo

Udziałowcy wpływający na poziom cen:

Udziałowcy wpływający na poziom cen: Analiza procesu wytwórczego Udziałowcy wpływający na poziom cen: - dostawcy podzespołów - kooperanci - dystrybutorzy - sprzedawcy detaliczni tworzą nowy model działania: Zarządzanie łańcuchem dostaw SCM

Bardziej szczegółowo

Systemy baz danych w zarządzaniu przedsiębiorstwem. W poszukiwaniu rozwiązania problemu, najbardziej pomocna jest znajomość odpowiedzi

Systemy baz danych w zarządzaniu przedsiębiorstwem. W poszukiwaniu rozwiązania problemu, najbardziej pomocna jest znajomość odpowiedzi Systemy baz danych w zarządzaniu przedsiębiorstwem W poszukiwaniu rozwiązania problemu, najbardziej pomocna jest znajomość odpowiedzi Proces zarządzania danymi Zarządzanie danymi obejmuje czynności: gromadzenie

Bardziej szczegółowo

Efektywność i bezpieczeństwo biznesu morskiego - impulsy dla wdrożeń IT

Efektywność i bezpieczeństwo biznesu morskiego - impulsy dla wdrożeń IT Efektywność i bezpieczeństwo biznesu morskiego - impulsy dla wdrożeń IT wykorzystanie technologii ICT dziś systemy automatyki przemysłowej oraz sensory pozwalają na zdalne monitorowanie pracy urządzeń

Bardziej szczegółowo

Narzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE)

Narzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Narzędzia AI Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312 http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Nauka o maszynach realizujących zadania, które wymagają inteligencji

Bardziej szczegółowo

MONITOROWANIE DOSTĘPNOŚCI USŁUG IT

MONITOROWANIE DOSTĘPNOŚCI USŁUG IT MONITOROWANIE DOSTĘPNOŚCI USŁUG IT POZIOMY MONITOROWANIA Services Transaction Application OS Network IBM TIVOLI MONITORING Proaktywnie monitoruje zasoby systemowe, wykrywając potencjalne problemy i automatycznie

Bardziej szczegółowo

Definicja i funkcje Systemów Informacji Geograficznej

Definicja i funkcje Systemów Informacji Geograficznej Definicja i funkcje Systemów Informacji Geograficznej Mateusz Malinowski Anna Krakowiak-Bal Kraków 17 marca 2014 r. Systemy Informacji Geograficznej są traktowane jako zautomatyzowana sieć funkcji, czyli

Bardziej szczegółowo

Inteligentne Multimedialne Systemy Uczące

Inteligentne Multimedialne Systemy Uczące Działanie realizowane w ramach projektu Absolwent informatyki lub matematyki specjalistą na rynku pracy Matematyka i informatyka może i trudne, ale nie nudne Inteligentne Multimedialne Systemy Uczące dr

Bardziej szczegółowo

Prezentacja firmy WYDAJNOŚĆ EFEKTYWNOŚĆ SKUTECZNOŚĆ. http://www.qbico.pl

Prezentacja firmy WYDAJNOŚĆ EFEKTYWNOŚĆ SKUTECZNOŚĆ. http://www.qbico.pl Prezentacja firmy { WYDAJNOŚĆ EFEKTYWNOŚĆ SKUTECZNOŚĆ http://www.qbico.pl Firma ekspercka z dziedziny Business Intelligence Srebrny Partner Microsoft w obszarach Business Intelligence i Data Platform Tworzymy

Bardziej szczegółowo

Collaborate more. Praca grupowa nad dokumentacją i komunikacja pomiędzy zespołami. Rzecz o mobilnej pracy w administracji publicznej

Collaborate more. Praca grupowa nad dokumentacją i komunikacja pomiędzy zespołami. Rzecz o mobilnej pracy w administracji publicznej Collaborate more Praca grupowa nad dokumentacją i komunikacja pomiędzy zespołami. Rzecz o mobilnej pracy w administracji publicznej Microsoft Unified Communication Name: Artur Racinowski Title: UC Product

Bardziej szczegółowo

KOMPUTEROWE WSPOMAGANIE ZARZĄDZANIA

KOMPUTEROWE WSPOMAGANIE ZARZĄDZANIA KOMPUTEROWE WSPOMAGANIE ZARZĄDZANIA Wykład 8 Narzędzia zarządzania informacją cz. 2 Dr inż. Mariusz Makuchowski Baza wiedzy Baza wiedzy (ang. Knowledgebase) stanowi swoisty rejestr problemów zgłaszanych

Bardziej szczegółowo

LOTUS DAY 2009. LotusLive i SaaS oprogramowanie jako usługa. 3 grudnia 2009 r., Warszawa. Maciej Magierek

LOTUS DAY 2009. LotusLive i SaaS oprogramowanie jako usługa. 3 grudnia 2009 r., Warszawa. Maciej Magierek LOTUS DAY 2009 3 grudnia 2009 r., Warszawa LotusLive i SaaS oprogramowanie jako usługa Maciej Magierek 1 Idea cloud computing Cloud computing to nowy elastyczny i skalowalny model IT, w którym funkcjonalność

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: MODELOWANIE I ANALIZA SYSTEMÓW INFORMATYCZNYCH Modeling and analysis of computer systems Kierunek: Informatyka Forma studiów: Stacjonarne Rodzaj przedmiotu: Poziom kwalifikacji: obowiązkowy

Bardziej szczegółowo

SUPPLEMENTARY INFORMATION FOR THE LEASE LIMIT APPLICATION

SUPPLEMENTARY INFORMATION FOR THE LEASE LIMIT APPLICATION SUPPLEMENTARY INFORMATION FOR THE LEASE LIMIT APPLICATION 1. Applicant s data Company s name (address, phone) NIP (VAT) and REGON numbers Contact person 2. PPROPERTIES HELD Address Type of property Property

Bardziej szczegółowo

POLITYKA PRYWATNOŚCI / PRIVACY POLICY

POLITYKA PRYWATNOŚCI / PRIVACY POLICY POLITYKA PRYWATNOŚCI / PRIVACY POLICY TeleTrade DJ International Consulting Ltd Sierpień 2013 2011-2014 TeleTrade-DJ International Consulting Ltd. 1 Polityka Prywatności Privacy Policy Niniejsza Polityka

Bardziej szczegółowo

Automatyzacja i optymalizacja procesów biznesowych i obsługi spraw w organizacji. Robert Piotrak IIG Senior Technology Expert 23 września 2010

Automatyzacja i optymalizacja procesów biznesowych i obsługi spraw w organizacji. Robert Piotrak IIG Senior Technology Expert 23 września 2010 Automatyzacja i optymalizacja procesów biznesowych i obsługi spraw w organizacji. Robert Piotrak IIG Senior Technology Expert 23 września 2010 1 Najczęściej implementowane procesy biznesowe Otwieranie

Bardziej szczegółowo

System Obsługi Wniosków

System Obsługi Wniosków System Obsługi Wniosków Wersja 2.0 1 System Obsługi Wniosków wersja 2.0 System Obsługi Wniosków to nowoczesne rozwiązanie wspierające proces obsługi wniosków o produkty bankowe. Pozwala na przyjmowanie,

Bardziej szczegółowo

Logika rozmyta typu 2

Logika rozmyta typu 2 Logika rozmyta typu 2 Zbiory rozmyte Funkcja przynależności Interwałowe zbiory rozmyte Funkcje przynależności przedziałów Zastosowanie.9.5 Francuz Polak Niemiec Arytmetyka przedziałów Operacje zbiorowe

Bardziej szczegółowo

Sylwetki absolwenta kierunku Informatyka dla poszczególnych specjalności :

Sylwetki absolwenta kierunku Informatyka dla poszczególnych specjalności : INFORMATYKA Studia I stopnia Celem kształcenia na I stopniu studiów kierunku Informatyka jest odpowiednie przygotowanie absolwenta z zakresu ogólnych zagadnień informatyki. Absolwent powinien dobrze rozumieć

Bardziej szczegółowo

Systemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski

Systemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski Systemy ekspertowe i ich zastosowania Katarzyna Karp Marek Grabowski Plan prezentacji Wstęp Własności systemów ekspertowych Rodzaje baz wiedzy Metody reprezentacji wiedzy Metody wnioskowania Języki do

Bardziej szczegółowo

METODY WSPOMAGANIA DECYZJI MENEDŻERSKICH

METODY WSPOMAGANIA DECYZJI MENEDŻERSKICH PREZENTACJA SEPCJALNOŚCI: METODY WSPOMAGANIA DECYZJI MENEDŻERSKICH WYDZIAŁ INFORMATYKI I KOMUNIKACJI KIERUNEK INFORMATYKA I EKONOMETRIA SEKRETARIAT KATEDRY BADAŃ OPERACYJNYCH Budynek D, pok. 621 e-mail

Bardziej szczegółowo

Security Master Class

Security Master Class Security Master Class Platforma kompleksowej analizy zdarzeń Linux Polska SIEM Radosław Żak-Brodalko Senior Solutions Architect Linux Polska sp. z o.o. Podstawowe problemy Jak pokryć lukę między technicznym

Bardziej szczegółowo