PRAKTYCZNE WYKORZYSTANIE KATEGORYZACJI TREŚCI
|
|
- Bronisława Niemiec
- 7 lat temu
- Przeglądów:
Transkrypt
1 PRAKTYCZNE WYKORZYSTANIE KATEGORYZACJI TREŚCI JAKO INNOWACYJNE WSPARCIE HURTOWNI DANYCH W CENTRUM ONKOLOGII-INSTYTUT IM. MARII SKŁODOWSKIEJ-CURIE. Rafał Wojdan
2 AGENDA Dlaczego kategoryzacja treści w Centrum Onkologii w Warszawie Zintegrowana platforma do celów badawczych i naukowych Jak została wykorzystana kategoryzacja treści? Kategoryzacja i ekstrakcja treści - teoria i praktyka Narzędzia SAS reguły kategoryzacji, ekstrakcji oraz metody text miningowe
3 AGENDA Dlaczego kategoryzacja treści w Centrum Onkologii w Warszawie Zintegrowana platforma do celów badawczych i naukowych Jak została wykorzystana kategoryzacja treści? Kategoryzacja i ekstrakcja treści - teoria i praktyka Narzędzia SAS reguły kategoryzacji, ekstrakcji oraz metody text miningowe
4 ROZPROSZENIE DANYCH DLACZEGO KATEGORYZACJA TREŚCI W CENTRUM ONKOLOGII W WARSZAWIE Budynek leczniczy Budynek diagnostyczno - badawczy Zakład diagnostyki obrazowej Zakład fizyki medycznej Zakład patologii i diagnostyki laboratoryjnej Klinika nowotworów głowy i szyi Klinika nowotworów układu nerwowego Klinika nowotworów układu moczowego Klinika nowotworów układu chłonnego
5 ROZPROSZENIE DANYCH DLACZEGO KATEGORYZACJA TREŚCI W CENTRUM ONKOLOGII W WARSZAWIE Budynek leczniczy Budynek diagnostyczno - badawczy
6 ROZPROSZENIE DANYCH DLACZEGO KATEGORYZACJA TREŚCI W CENTRUM ONKOLOGII W WARSZAWIE Budynek leczniczy Budynek diagnostyczno - badawczy Jednostki/lekarze generują dane nie są ogólnodostępne Dane zarówno ustrukturyzowane i tekstowe Lekarze mają swoje bazy naukowe Wyróżnia się ponad 25 grup wyników opisowych
7 ROZPROSZENIE DANYCH DLACZEGO KATEGORYZACJA TREŚCI W CENTRUM ONKOLOGII W WARSZAWIE Budynek leczniczy Budynek diagnostyczno - badawczy
8 AGENDA Dlaczego kategoryzacja treści w Centrum Onkologii w Warszawie Zintegrowana platforma do celów badawczych i naukowych Jak została wykorzystana kategoryzacja treści? Kategoryzacja i ekstrakcja treści - teoria i praktyka Narzędzia SAS reguły kategoryzacji, ekstrakcji oraz metody text miningowe
9 ZINTEGROWANA PLATFORMA MODUŁ HURTOWNI DANYCH Walidacja i jakość danych Profilowanie i czyszczenie baz naukowych Funkcje rozmytego łączenia wykorzystywane do integracji pacjenta Funkcje jakości danych dostępne i wykorzystywane w regułach walidacji Możliwości korekty danych Integracja danych Integracja słowników Integracja danych pacjentów z różnych systemów Możliwość sterowania tabelami sterującymi np. przez MS Excel Anonimizacja danych Zapewnienie bezpieczeństwa danych pacjentów Kontrola dostępu do danych Dedykowane procesy odkodowywania danych Kategoryzacja Treści Budowa projektów kategoryzacji i ekstrakcji notatek tekstowych Automatyzacja kategoryzacji danych w hurtowni danych
10 ZINTEGROWANA PLATFORMA PRZEPŁYW DANYCH Raporty i analizy STAGE walidacja Kategoryzacja treści Repozytorium Danych Detalicznych (DDS) Repozytorium danych raportowych Repozytorium danych raportowych Repozytorium danych raportowych Wizualizacja i analizy biznesowe Analizy statystyczne Data Mining i Text Mining Integracja pacjentów Kategoryzacja treści Integracja słowników
11 AGENDA Dlaczego kategoryzacja treści w Centrum Onkologii w Warszawie Zintegrowana platforma do celów badawczych i naukowych Jak została wykorzystana kategoryzacja treści? Kategoryzacja i ekstrakcja treści - teoria i praktyka Narzędzia SAS reguły kategoryzacji, ekstrakcji oraz metody text miningowe
12 KATEGORYZACJA TREŚCI TYPOWE ZASTOSOWANIA Typowe zastosowania realizują jeden cel, zwykle jeden model Kategoryzacja artykułów w Internecie, filtrowanie spamu Klasyfikacja publikacji naukowych, książek do różnych grup, gatunków Przypisywanie otwartych pytań, komentarzy do odpowiednich kodów w ankietach Analiza sentymentu
13 KATEGORYZACJA TREŚCI TYPOWE ZASTOSOWANIA VS ZASTOSOWANIE W COI Zastosowanie w Centrum Onkologii w Warszawie wiele celów, wiele modeli Każda notatka jest przetwarzana przez wiele modeli kategoryzacji i ekstrakcji treści Modele dedykowane per zakład, klinikę, a czasem lekarza Wzbogacenie danych o informacje z danych tekstowych na poziomie datamartów i całej hurtowni danych Pozyskanie informacji, które mogą zostać wykorzystane do różnych celów raportowych i analitycznych
14 KATEGORYZACJA TREŚCI WYZWANIE Ok. 7,5 mln stron notatek = m m
15 AGENDA Dlaczego kategoryzacja treści w Centrum Onkologii w Warszawie Zintegrowana platforma do celów badawczych i naukowych Jak została wykorzystana kategoryzacja treści? Kategoryzacja i ekstrakcja treści - teoria i praktyka Narzędzia SAS reguły kategoryzacji, ekstrakcji oraz metody text miningowe
16 KATEGORYZACJA TREŚCI KATEGORYZACJA, A EKSTRAKCJA Kategoryzacja przypisanie danej tekstowej (np. notatki) do danej definicji na podstawie słów występujących w tekście Kategoryzacja Gen Stwierdzono
17 KATEGORYZACJA TREŚCI KATEGORYZACJA, A EKSTRAKCJA Ekstrakcja pobieranie z tekstu zdefiniowanego konceptu np. zapis mutacji Ekstrakcja p.gly12val
18 KATEGORYZACJA TREŚCI PROCES BUDOWANIA REGUŁ KATEGORYZACJA AUTOMATYCZNA Notatki Notatki próba ucząca (ok.100) Notatki próba testowa (ok.50) Automatyczne generowanie reguł: Statystyczny kategoryzator Automatyczn y generator reguł Booleanowski generator reguł Ręczne generowanie reguł dopracowanie reguł
19 KATEGORYZACJA TREŚCI Statystyczny kategoryzator METODY AUTOMATYCZNEGO GENEROWANIA REGUŁ Automatyczny generator reguł Booleanowski generator reguł Najszybszy i najłatwiejszy Wymaga określenie zbioru treningowego i testowego Bazuje na algorytmie identyfikującym najczęściej występujące słowa w danej kategorii lub maksymalnym klasyfikatorze entropii. Bazuje na maksymalnym klasyfikatorze entropii Bazuje na unikalnej najlepszej kombinacji słów w przekroju całej taksonomii (struktury kategorii) Nie generuje reguł, ani statystyk Pierwszy algorytm generuje listę słów, natomiast drugi algorytm generuje ważone reguły lingwistyczne Generuje reguły booleanowskie Zwykle stosowana do jako benchmark do innych metod Daje dobre wyniki, gdy liczba kategorii jest niewielka i są one zupełnie od siebie różne Drugi algorytm jest najefektywniejszy, gdy wszystkie kategorie w taksonomii mają podane zbiory treningowe i testowe Drugi algorytm jest najefektywniejszy, gdy wszystkie kategorie w taksonomii mają podane zbiory treningowe i testowe
20 KATEGORYZACJA TREŚCI Statystyczny kategoryzator METODY AUTOMATYCZNEGO GENEROWANIA REGUŁ Automatyczny generator reguł Booleanowski generator reguł Najszybszy i najłatwiejszy Wymaga określenie zbioru treningowego i testowego Bazuje na algorytmie identyfikującym najczęściej występujące słowa w danej kategorii lub maksymalnym klasyfikatorze entropii. Bazuje na maksymalnym klasyfikatorze entropii Bazuje na unikalnej najlepszej kombinacji słów w przekroju całej taksonomii (struktury kategorii) Nie generuje reguł, ani statystyk Pierwszy algorytm generuje listę słów, natomiast drugi algorytm generuje ważone reguły lingwistyczne Generuje reguły booleanowskie Zwykle stosowana do jako benchmark do innych metod Daje dobre wyniki, gdy liczba kategorii jest niewielka i są one zupełnie od siebie różne Drugi algorytm jest najefektywniejszy, gdy wszystkie kategorie w taksonomii mają podane zbiory treningowe i testowe Drugi algorytm jest najefektywniejszy, gdy wszystkie kategorie w taksonomii mają podane zbiory treningowe i testowe
21 KATEGORYZACJA TREŚCI PROCES BUDOWANIA REGUŁ KATEGORYZACJA RĘCZNA Notatki Wzorce/notatki testowe Ręczne generowanie reguł : Reguły lingwistyczne Reguły logiczne Ręczne generowanie reguł dopracowanie reguł
22 KATEGORYZACJA TREŚCI PROCES BUDOWANIA REGUŁ EKSTRAKCJA Ekstrakcje: Notatki Wzorce/notatki testowe Proste Kontekstowe Ekstrakcje dopracowanie reguł ekstrakcji
23 KATEGORYZACJA TREŚCI ROLA EKSPERTÓW DZIEDZINOWYCH Określenie potrzebnych kategorii i konceptów (ekstrakcja) Definiowanie kategorii i konceptów Przygotowanie zbiorów treningowych (opcjonalnie) i testowych Przekazywanie informacji zwrotnej (odnośnie działania reguł kategoryzacji i ekstrakcji) Współpraca w ramach powyższych punktów z ekspertami ds. Text Mining w COI
24 AGENDA Dlaczego kategoryzacja treści w Centrum Onkologii w Warszawie Zintegrowana platforma do celów badawczych i naukowych Jak została wykorzystana kategoryzacja treści? Kategoryzacja i ekstrakcja treści - teoria i praktyka Narzędzia SAS reguły kategoryzacji, ekstrakcji oraz metody text miningowe
25 KATEGORYZACJA I EKSTRAKCJA PRZYKŁADY REGUŁ KATEGORYZACJI Proste reguły lingwistyczne Lista słów Pozwala wykorzystywać operatory uwzględnia wszystkie odmiany danego uwzględnia rzeczownikowe, czasownikowe odmiany danego słowa +słowo dane słowo musi wystąpić w tekście by zostało on dopasowany do danej kategorii
26 KATEGORYZACJA I EKSTRAKCJA PRZYKŁADY REGUŁ KATEGORYZACJI Ważone reguły lingwistyczne THRESHOLD, 5.0 Podróż, 0.5 Wakacje, 1.0 Hotel,1.2 SPA,0.5 Samolot,1.5 Bilety,1.2
27 KATEGORYZACJA I EKSTRAKCJA PRZYKŁADY REGUŁ KATEGORYZACJI Reguły booleanowskie Bazują na operatorach logicznych Prostych: AND, OR, NOT Zaawansowanych: SENT daje wynik prawda, jeżeli wybrane terminy znajdują się w jednym zdaniu DIST_n daje wynik prawda, jeżeli dwa argumenty znajdują się w odległości nie większej niż n wyrazów ORDDIST_n daje wynik prawda, jeżeli wybrane terminy występują w dokumencie w odpowiedniej kolejności i w odpowiedniej odległości
28 KATEGORYZACJA I EKSTRAKCJA PRZYKŁADY REGUŁ EKSTRAKCJI Ekstrakcja prosta Lista słów Możliwe jest również wykorzystanie dodatkowych operatorów np. w celu odróżnienie pojęcia golf - sport od golf - sweter golf, TGIF( (OR, kij, pole golfowe, dołek, uderzenie ) ): Ekstrakcja oparta o wyrażenia regularne Przydatna jeśli dane pojęcia można zapisać w postaci wzorca np. dawka leku mg lub g poprzedzone cyframi REGEX \d+mg,
29 KATEGORYZACJA I EKSTRAKCJA PRZYKŁADY REGUŁ EKSTRAKCJI Ekstrakcja gramatyczna Pozwala ekstrahować wybrane części mowy np. :N SAS Ekstrahuje przykładowo pracownik SAS, oprogramowanie SAS
30 KATEGORYZACJA I EKSTRAKCJA PRZYKŁADY REGUŁ EKSTRAKCJI Ekstrakcja kontekstowa Pozwala zagnieżdżać koncepty i wykorzystywać wszystkie dotychczas wspominanie operatory oraz predefinowane koncepty np. _w oznacza wyraz Przykład: Nazwa konceptu Rok Rok urodzenia Formuła konceptu w wersji kontekstowej REGEX:\d{4} CONCEPT_RULE:(SENT, urodzony@, _c{rok} ) Charles Dickens urodził się w Portsmouth, Anglia, w 1812.
31 SAS CONTENT CATEGORIZATION STUDIO Ekstrakcja faktów czyli powiązań między konceptami Dawka i Leki PREDICATE_RULE:(d,l):(DIST_3,"_d{Dawka}","_l{Leki}")
32 TEXT MINING FUNKCJONALNOŚCI CZ.1 Parsowanie tekstu Automatyczna korekta pisowni Sprowadzenie wyrazów do formy bazowej, np. bezokolicznika (Stemming) Identyfikacja części mowy każdego wyrażenia na bazie jego kontekstu Pozwala wykorzystać synonimy oraz wykluczać słowa z analizy
33 TEXT MINING FUNKCJONALNOŚCI CZ.2 Zamiana danych tekstowych na macierz termin-dokument oraz zmniejszenie jej wymiarów z wykorzystaniem metody SVD Wykrywanie tematów, poprzez clusteryzację Analiza predykcyjna na bazie danych tekstowych, w tym analiza sentymentu
34 TEXT MINING KATEGORYZACJA Budowa modeli klasyfikujących dane tekstowe do kategorii Wymaga danych uczących danych tekstowych z przypisanymi kategoriami Modele bazujące na regułach booleanowskich (OR, AND itp.) generują reguły, które mogą być wykorzystywane i tuning owane w kategoryzacji treści Statystyczne modele klasyfikacyjne, takie jak: regresja logistyczna, drzewa decyzyjne, sieci neuronowe bazują na reprezentacji liczbowej danych tekstowych
35 SAS TEXT MINER TEXT MINING
36 KATEGORYZACJA TEXT MINING VS KATEGORYZACJA TREŚCI (NLP) Text Mining: Dane tekstowe wymagają reprezentacji liczbowej Duża dowolność w budowaniu nadzorowanych i nienadzorowanych modeli Modele nie generują reguł wyjątek generator reguł booleanowskich Nie ma możliwości ręcznego udoskonalania modeli poprzez dodanie reguł kategoryzujących Może bazować na konceptach z kategoryzacji treści Kategoryzacja treści: Wbudowane modele generują reguły Pozwala na tworzenie reguł kategoryzacji w oparciu o NLP i zaawansowane techniki lingwistyczne Może bazować na wynikach pochodzących z analizy Text Mining
37 KATEGORYZACJA TEXT MINING VS KATEGORYZACJA TREŚCI (NLP) Text Mining metody statystyczne Skategoryzowane dane tekstowe Hybryda Text Mining i NLP Kategoryzacja treści metody NLP
38 PROCES ANALIZY DANYCH TEKSTOWYCH SAS TEXT ANALYTICS PLATFORM Przykładowe źródła online Pobieranie dokumentów Analizy Ad-Hoc Structured Data & Textual Data Redukcja szumu Eksploracja danych Kategoryzacja Wykorzystanie Ekstrakcja danych Wizualizacja Raportowanie Operacje Modelowanie predykcyjne
39 DZIĘKUJĘ ZA UWAGĘ!
SZKOLENIA SAS. ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie
SZKOLENIA SAS ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie DANIEL KUBIK ŁUKASZ LESZEWSKI ROLE ROLE UŻYTKOWNIKÓW MODUŁU
Bardziej szczegółowoANALIZA DANYCH ZE ŹRÓDEŁ OTWARTYCH CENNE ŹRÓDŁO INFORMACJI DR INŻ. MARIUSZ DZIECIĄTKO
ANALIZA DANYCH ZE ŹRÓDEŁ OTWARTYCH CENNE ŹRÓDŁO INFORMACJI DR INŻ. MARIUSZ DZIECIĄTKO Copyrigh t 2013, SAS Institute Inc. All rights reserve d. POLSKI INTERNET W LICZBACH 56% korzysta z Internetu co najmniej
Bardziej szczegółowoKRAJOWY REJESTR NOWOTWORÓW ZINTEGROWANY SYSTEM REJESTRACJI NOWOTWORÓW ZŁOŚLIWYCH W POLSCE
KRAJOWY REJESTR NOWOTWORÓW ZINTEGROWANY SYSTEM REJESTRACJI NOWOTWORÓW ZŁOŚLIWYCH W POLSCE Urszula Wojciechowska, Joanna Didkowska Krajowy Rejestr Nowotworów Centrum Onkologii Instytut im. Marii Skłodowskiej-Curie
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 szczegółowoMetody automatyzacji sprawozdawczości w systemie asist. Agnieszka Hołownia-Niedzielska
Metody automatyzacji sprawozdawczości w systemie asist Agnieszka Hołownia-Niedzielska Agenda 1 Dlaczego większość projektów obejmuje automatyzację zasilenia? 2 Perspektywa użytkownika końcowego 3 Źródła
Bardziej szczegółowoUsługi analityczne budowa kostki analitycznej Część pierwsza.
Usługi analityczne budowa kostki analitycznej Część pierwsza. Wprowadzenie W wielu dziedzinach działalności człowieka analiza zebranych danych jest jednym z najważniejszych mechanizmów podejmowania decyzji.
Bardziej szczegółowoBENCHMARKING. Dariusz Wasilewski. Instytut Wiedza i Zdrowie
BENCHMARKING Dariusz Wasilewski Instytut Wiedza i Zdrowie PROSTO DO CELU... A co z efektami?: WZROSTOWI wydatków na zdrowie NIE towarzyszy wzrost zadowolenia z funkcjonowania Systemu Opieki Zdrowotnej
Bardziej szczegółowoAnaliza danych tekstowych i języka naturalnego
Kod szkolenia: Tytuł szkolenia: ANA/TXT Analiza danych tekstowych i języka naturalnego Dni: 3 Opis: Adresaci szkolenia Dane tekstowe stanowią co najmniej 70% wszystkich danych generowanych w systemach
Bardziej szczegółowoJakub Kisielewski. www.administracja.comarch.pl
Nowatorski punkt widzenia możliwości analitycznosprawozdawczych w ochronie zdrowia na przykładzie systemu Elektronicznej Platformy Gromadzenia, Analizy i Udostępniania zasobów cyfrowych o Zdarzeniach Medycznych
Bardziej szczegółowoPaweł Gołębiewski. Softmaks.pl Sp. z o.o. ul. Kraszewskiego 1 85-240 Bydgoszcz www.softmaks.pl kontakt@softmaks.pl
Paweł Gołębiewski Softmaks.pl Sp. z o.o. ul. Kraszewskiego 1 85-240 Bydgoszcz www.softmaks.pl kontakt@softmaks.pl Droga na szczyt Narzędzie Business Intelligence. Czyli kiedy podjąć decyzję o wdrożeniu?
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Bardziej szczegółowoAnaliza danych i data mining.
Analiza danych i data mining. mgr Katarzyna Racka Wykładowca WNEI PWSZ w Płocku Przedsiębiorczy student 2016 15 XI 2016 r. Cel warsztatu Przekazanie wiedzy na temat: analizy i zarządzania danymi (data
Bardziej szczegółowoPrzetwarzanie i analiza danych w języku Python / Marek Gągolewski, Maciej Bartoszuk, Anna Cena. Warszawa, Spis treści
Przetwarzanie i analiza danych w języku Python / Marek Gągolewski, Maciej Bartoszuk, Anna Cena. Warszawa, 2016 Spis treści Przedmowa XI I Podstawy języka Python 1. Wprowadzenie 3 1.1. Język i środowisko
Bardziej szczegółowo4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74
3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15
Bardziej 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 szczegółowoMariusz Dzieciątko. E-mail: splmdz@spl.sas.com. Krótko o sobie / Personal Overview/
Mariusz Dzieciątko Krótko o sobie / Personal Overview/ Mariusz pracuje jako Business Solution Manager, Technology & Big Data Competency Center w SAS Institute Polska. Pracę w tej firmie rozpoczął w maju
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 szczegółowoJarosław Żeliński analityk biznesowy, projektant systemów
Trendy w architekturze oprogramowania zarządzającego procesami biznesowymi i przepływem pracy - dedykowane czy standardowe? Jarosław Żeliński analityk biznesowy, projektant systemów O mnie Od 1991 roku
Bardziej szczegółowoPortale 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 szczegółowoUsługa archiwizacji danych w systemie Eureca. Marek Jelenik CONTROLLING SYSTEMS sp. z o.o.
Usługa archiwizacji danych w systemie Eureca Marek Jelenik CONTROLLING SYSTEMS sp. z o.o. Na czym polega usługa archiwizacji danych w systemie Eureca? 2012 2013 2014 2015 Przed archiwizacją SQL OLAP BAZA
Bardziej szczegółowoModelowanie Data Mining na wielką skalę z SAS Factory Miner. Paweł Plewka, SAS
Modelowanie Data Mining na wielką skalę z SAS Factory Miner Paweł Plewka, SAS Wstęp SAS Factory Miner Nowe narzędzie do data mining - dostępne od połowy 2015 r. Aktualna wersja - 14.1 Interfejs webowy
Bardziej szczegółowoPrezentacja 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 szczegółowoAutomatyczne decyzje kredytowe, siła szybkiego reagowania i optymalizacji kosztów. Roman Tyszkowski ING Bank Śląski S.A. roman.tyszkowski@ingbank.
Automatyczne decyzje kredytowe, siła szybkiego reagowania i optymalizacji kosztów. Roman Tyszkowski ING Bank Śląski S.A. roman.tyszkowski@ingbank.pl Obsługa wniosków kredytowych Potrzeba elastyczności
Bardziej szczegółowoModuł mapowania danych
Moduł mapowania danych Grudzień 2013 Wszelkie prawa zastrzeżone. Dokument może być reprodukowany lub przechowywany bez ograniczeń tylko w całości. W przeciwnym przypadku, żadna część niniejszego dokumentu,
Bardziej szczegółowoKonkurs z przedmiotu eksploracja i analiza danych: problem regresji i klasyfikacji
Konkurs z przedmiotu eksploracja i analiza danych: problem regresji i klasyfikacji Michał Witczak Data Mining 20 maja 2012 r. 1. Wstęp Dostarczone zostały nam 4 pliki, z których dwa stanowiły zbiory uczące
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 szczegółowoWIZUALNA EKSPLORACJA DANYCH I RAPORTOWANIE W SAS VISUAL ANALYTICS ORAZ WSTĘP DO SAS VISUAL STATISTICS
WIZUALNA EKSPLORACJA DANYCH I RAPORTOWANIE W SAS VISUAL ANALYTICS ORAZ WSTĘP DO SAS VISUAL STATISTICS WEBINARIUM, 2016.03.08 Dr Sławomir Strzykowski, Senior Business Solution Manager SAS VISUAL ANALYTICS
Bardziej 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 szczegółowoOpracowanie systemu monitorowania zmian cen na rynku nieruchomości
Opracowanie systemu monitorowania zmian cen na rynku nieruchomości Ogólne założenia planowanego projektu Firma planuje realizację projektu związanego z uruchomieniem usługi, która będzie polegała na monitorowaniu
Bardziej szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowoTAXXO E-ANALIZY FINANSOWE ZWIĘKSZ ZYSKOWNOŚĆ USLUG KSIĘGOWYCH DZIĘKI AUTOMATYZACJI
TAXXO E-ANALIZY FINANSOWE ZWIĘKSZ ZYSKOWNOŚĆ USLUG KSIĘGOWYCH DZIĘKI AUTOMATYZACJI Oszczędź 95% czasu pracy księgowych w biurze rachunkowym na raportowanie i naliczenia podatkowe dla spółek prawa handlowego.
Bardziej szczegółowoCena netto (PLN) IV kwartał. Cena netto (PLN) Podstawy SAS INTRO 1 1 200 1 260 2 20 4 1 7 2
2015 SAS Education sas.com/poland/training Centrum Szkoleniowe SAS Institute sp. z o.o. ul. Gdańska 27/31, 01-633 Warszawa (22) 560 46 20 cs@spl.sas.com Kalendarz szkoleń Grow With Us Nazwa szkolenia Kod
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoZarządzanie testowaniem wspierane narzędziem HP Quality Center
Zarządzanie testowaniem wspierane narzędziem HP Quality Center studium przypadku Mirek Piotr Szydłowski Ślęzak Warszawa, 17.05.2011 2008.09.25 WWW.CORRSE.COM Firma CORRSE Nasze zainteresowania zawodowe
Bardziej szczegółowoOPIS OCENY OFERT W RAMACH KRYTERIUM WARTOŚĆ MERYTORYCZNA
Załącznik nr 11 do SIWZ, nr sprawy PN-141/14/MS OPIS OCENY OFERT W RAMACH KRYTERIUM WARTOŚĆ MERYTORYCZNA Kryterium wartości merytorycznej będzie składać się z sumy punktów uzyskanych za ocenę opisu sposobu
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 szczegółowoSYLABUS. Dotyczy cyklu kształcenia Realizacja w roku akademickim 2016/2017. Wydział Matematyczno - Przyrodniczy
Załącznik nr 4 do Uchwały Senatu nr 430/01/2015 SYLABUS Dotyczy cyklu kształcenia 2014-2018 Realizacja w roku akademickim 2016/2017 1.1. PODSTAWOWE INFORMACJE O PRZEDMIOCIE/MODULE Nazwa przedmiotu/ modułu
Bardziej 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 szczegółowoSzczegółowy opis przedmiotu zamówienia
ZP/ITS/19/2013 SIWZ Załącznik nr 1.1 do Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych dla studentów
Bardziej szczegółowoPython : podstawy nauki o danych / Alberto Boschetti, Luca Massaron. Gliwice, cop Spis treści
Python : podstawy nauki o danych / Alberto Boschetti, Luca Massaron. Gliwice, cop. 2017 Spis treści O autorach 9 0 recenzencie 10 Wprowadzenie 11 Rozdział 1. Pierwsze kroki 15 Wprowadzenie do nauki o danych
Bardziej szczegółowoZastosowanie Excel w biznesie - poziom średniozaawansowany
Zastosowanie Excel w biznesie - poziom średniozaawansowany Terminy szkolenia 22-23 październik 2015r., Wrocław - Hotel Mercure**** 19-20 listopad 2015r., Warszawa - Centrum Szkoleniowe - Progress Project
Bardziej szczegółowoANALITYKA DANYCH TEKSTOWYCH WARTOŚĆ W DANYCH NIEUSTRUKTURYZOWANYCH. MOŻLIWOŚCI OBECNEJ TECHNOLOGII. DOŚWIADCZENIA Z RYNKU
ANALITYKA DANYCH TEKSTOWYCH WARTOŚĆ W DANYCH NIEUSTRUKTURYZOWANYCH. MOŻLIWOŚCI OBECNEJ TECHNOLOGII. DOŚWIADCZENIA Z RYNKU AGENDA 1 Zakres i wartość 2 Krótko o technologii 3 Przykładowe wdrożenia CYKL ŻYCIA
Bardziej szczegółowoAsseco CCR Comprehensive Consolidated Reporting. asseco.pl
Asseco CCR Comprehensive Consolidated Reporting. asseco.pl Kompleksowa obsługa sprawozdawczości grup kapitałowych. Aplikacja Asseco CCR to zaawansowane, bezpieczne i intuicyjne narzędzie do obsługi sprawozdawczości
Bardziej szczegółowoIntegracja danych ubezpieczeniowych w czasie rzeczywistym. Łukasz Szewczyk Solution Architect
Integracja danych ubezpieczeniowych w czasie rzeczywistym Łukasz Szewczyk Solution Architect Dlaczego integrować dane w czasie rzeczywistym? W dość krótkim czasie większość danych jakie posiadamy staje
Bardziej szczegółowoPrzedmiotem zamówienia jest dostawa:
Załącznik nr 2 do SIWZ Przedmiotem zamówienia jest dostawa: OPIS PRZEDMIOTU ZAMÓWIENIA 1. Pakiet oprogramowania biurowego dla komputerów z systemem Windows - 3 licencje. Lp. Parametr Charakterystyka 1
Bardziej szczegółowoStruktura prezentacji
2018-06-06 Platforma informacji Tereny poprzemysłowe i zdegradowane dla obszaru województwa śląskiego jako narzędzie efektywnego zarządzania terenami poprzemysłowymi i zdegradowanymi. Katarzyna Trześniewska
Bardziej szczegółowoWprowadzenie do technologii Business Intelligence i hurtowni danych
Wprowadzenie do technologii Business Intelligence i hurtowni danych 1 Plan rozdziału 2 Wprowadzenie do Business Intelligence Hurtownie danych Produkty Oracle dla Business Intelligence Business Intelligence
Bardziej szczegółowoZastosowanie Excel w biznesie
Zastosowanie Excel w biznesie Terminy szkolenia 13-14 grudzień 2012r., Zakopane - Hotel Grand Nosalowy Dwór **** 11-12 luty 2013r., Wrocław - Hotel Campanile 11-12 kwiecień 2013r., Warszawa - Centrum Szkoleniowe
Bardziej szczegółowoAUREA BPM HP Software. TECNA Sp. z o.o. Strona 1 z 7
AUREA BPM HP Software TECNA Sp. z o.o. Strona 1 z 7 HP APPLICATION LIFECYCLE MANAGEMENT Oprogramowanie Application Lifecycle Management (ALM, Zarządzanie Cyklem życia aplikacji) wspomaga utrzymanie kontroli
Bardziej szczegółowoStatSoft profesjonalny partner w zakresie analizy danych
Analiza danych Data mining Sterowanie jakością Analityka przez Internet StatSoft profesjonalny partner w zakresie analizy danych StatSoft Polska Sp. z o.o. StatSoft Polska Sp. z o.o. ul. Kraszewskiego
Bardziej szczegółowoModuł mapowania danych
Moduł mapowania danych Styczeń 2011 Wszelkie prawa zastrzeżone. Dokument może być reprodukowany lub przechowywany bez ograniczeń tylko w całości. W przeciwnym przypadku, żadna część niniejszego dokumentu,
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY ASOCJACYJNA REPREZENTACJA POWIĄZANYCH TABEL I WNIOSKOWANIE IGOR CZAJKOWSKI
METODY INŻYNIERII WIEDZY ASOCJACYJNA REPREZENTACJA POWIĄZANYCH TABEL I WNIOSKOWANIE IGOR CZAJKOWSKI CELE PROJEKTU Transformacja dowolnej bazy danych w min. 3 postaci normalnej do postaci Asocjacyjnej Grafowej
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 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 szczegółowoOd papierowych procedur do automatycznych procesów biznesowych w urzędzie dobre praktyki Michał Prusaczyk
Od papierowych procedur do automatycznych procesów biznesowych w urzędzie dobre praktyki Michał Prusaczyk O mnie Prelegent Michał Prusaczyk Senior Associate Consultant Podsumowanie Michał w ciągu ostatnich
Bardziej szczegółowoMS Excel od podstaw do analiz biznesowych
MS Excel od podstaw do analiz biznesowych Terminy szkolenia 21-23 październik 2015r., Wrocław - Hotel Mercure**** Opis MS Excel stał się narzędziem praktycznie niezbędnym w dzisiejszym środowisku biznesowym.
Bardziej szczegółowoZMODYFIKOWANY 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 szczegółowoRÓWNOWAŻNOŚĆ ZAOFEROWANCH PAKIETÓW PROGRAMÓW BIUROWYCH
Załącznik Nr 1B do SIWZ RÓWNOWAŻNOŚĆ ZAOFEROWANCH PAKIETÓW PROGRAMÓW BIUROWYCH Odno nik 1 : Zintegrowany pakiet programów biurowych MS OFFICE Home and Busines 2010 polski OEM Za równoważne oprogramowaniu
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 szczegółowoSkładowanie i dostęp do danych w rozproszonym systemie ochrony własności intelektualnej ANDRZEJ SOBECKI, POLITECHNIKA GDAŃSKA INFOBAZY 2014
Składowanie i dostęp do danych w rozproszonym systemie ochrony własności intelektualnej ANDRZEJ SOBECKI, POLITECHNIKA GDAŃSKA INFOBAZY 2014 Podstawowy proces gromadzenia Trudności: Weryfikacja dokumentu
Bardziej szczegółowoUCZENIE MASZYNOWE I SZTUCZNA INTELIGENCJA Jako narzędzia wspomagania decyzji w zarządzaniu kapitałem ludzkim organizacji
UCZENIE MASZYNOWE I SZTUCZNA INTELIGENCJA Jako narzędzia wspomagania decyzji w zarządzaniu kapitałem ludzkim organizacji Filip Wójcik Wydział Zarządzania, Informatyki i Finansów Instytut Informatyki Ekonomicznej
Bardziej szczegółowoSemantyczna analiza języka naturalnego
Semantyczna analiza języka naturalnego Rozwiązanie Applica oparte o IBM SPSS Modeler Piotr Surma Applica 2 Agenda O Applica Analiza tekstu w języku polskim - wyzwania Rozwiązanie Applica Analiza Tekstu
Bardziej szczegółowoAdonis w Banku Spółdzielczym w Trzebnicy
Adonis w Banku Spółdzielczym w Trzebnicy J O A N N A M O R O Z PAW E Ł K O N I E C Z N Y AGENDA I. Charakterystyka Banku II. Wdrożenie systemu ADONIS III.Proces zarządzania ryzykiem operacyjnym w BS Trzebnica
Bardziej szczegółowoOcena i porównanie funkcjonalności aplikacji medycznych Prezentacja Platformy
Ocena i porównanie funkcjonalności aplikacji medycznych Prezentacja Platformy Joanna Rybka Collegium Medicum UMK, Hasselt University Fundacja Life4Science, Scienceventure Małgorzata Plechawska-Wójcik Instytut
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 szczegółowoZastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym
POLITECHNIKA WARSZAWSKA Instytut Technik Wytwarzania Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym Marcin Perzyk Dlaczego eksploracja danych?
Bardziej szczegółowoZałącznik nr 1e do Formularza Ofertowego
Załącznik nr 1e do Formularza Ofertowego Specyfikacja funkcjonalna oferowanego oprogramowania wymagane podanie konkretnych funkcjonalności na temat oferowanego oprogramowania. Wymagania minimalne dla pakietu
Bardziej szczegółowoOpis spełnienia wymagań (PSBD)
Numer sprawy: DPZ/4/15 Nr arch. DPZ/087/059-16/15 1. Zakres przedmiotu zamówienia: Opis spełnienia wymagań (PSBD) Załącznik nr 1d do formularza ofertowego Wykonanie dzieła polegającego na dostawie, kompleksowym
Bardziej szczegółowoJarosław Żeliński analityk biznesowy, projektant systemów
Modele wdrażania i zarządzania projektami ERP Jarosław Żeliński analityk biznesowy, projektant systemów (c) Jarosław Żeliński IT-Consulting 1 Cel prezentacji Wskazanie kluczowych ryzyk projektów wdrożenia
Bardziej szczegółowoProcesy ETL - wykład V. Struktura. Wprowadzenie. 1. Wprowadzenie. 2. Ekstrakcja 3. Transformacja 4. Ładowanie 5. Studium przypadków.
Procesy ETL - wykład V Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2012 Struktura 1. Wprowadzenie 2. Ekstrakcja 3. Transformacja 4. Ładowanie 5. Studium przypadków Wprowadzenie
Bardziej szczegółowoMS Excel od podstaw do analiz biznesowych
MS Excel od podstaw do analiz biznesowych Opis MS Excel stał się narzędziem praktycznie niezbędnym w dzisiejszym środowisku biznesowym. Potrzeba przygotowywania raportów, zestawień, wyliczeń znalazła swoją
Bardziej szczegółowoCel przedmiotu. Wymagania wstępne w zakresie wiedzy, umiejętności i innych kompetencji 1 Język angielski 2 Inżynieria oprogramowania
Przedmiot: Bazy danych Rok: III Semestr: V Rodzaj zajęć i liczba godzin: Studia stacjonarne Studia niestacjonarne Wykład 30 21 Ćwiczenia Laboratorium 30 21 Projekt Liczba punktów ECTS: 4 C1 C2 C3 Cel przedmiotu
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
Bardziej szczegółowoWprowadzenie do Hurtowni Danych. Mariusz Rafało
Wprowadzenie do Hurtowni Danych Mariusz Rafało mrafalo@sgh.waw.pl WARSTWA PREZENTACJI HURTOWNI DANYCH Wykorzystanie hurtowni danych - aspekty Analityczne zbiory danych (ADS) Zbiór danych tematycznych (Data
Bardziej szczegółowoPREZENTACJA FUNKCJONALNA SYSTEMU PROPHIX
PREZENTACJA FUNKCJONALNA SYSTEMU PROPHIX Architektura i struktura funkcjonalna systemu PROPHIX PROPHIX Corporate Performance Management (Zarządzanie Wydajnością Firmy) System do samodzielnego planowania,
Bardziej szczegółowowspiera w swojej specyfikacji podpis elektroniczny zgodnie z Tabelą A.1.1 załącznika 2 Rozporządzenia w sprawie minimalnych Strona 1 z 6
SZCZEGÓŁOWE OKREŚLENIE Oprogramowanie Oprogramowanie musi być zgodne Microsoft Office Standard 2010 licencja edukacyjna, równowaŝny lub o wyŝszych parametrach technicznych z wymaganiami określonymi poniŝej:
Bardziej szczegółowoCo 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 szczegółowoDSL w środowisku Eclipse. Grzegorz Białek Architekt techniczny, Sygnity S.A.
DSL w środowisku Eclipse Grzegorz Białek Architekt techniczny, Sygnity S.A. Agenda Wstęp do tematu (10 min) Sens tworzenia języków biznesowych UML jako język biznesu? Zintegrowane środowisko deweloperskie
Bardziej szczegółowoAurea BPM Dokumenty pod kontrolą
Aurea BPM Dokumenty pod kontrolą 1 Aurea BPM unikalna platforma o wyróżniających cechach Quality Software Solutions Aurea BPM Aurea BPM system informatyczny wspomagający zarządzanie procesami biznesowymi
Bardziej szczegółowoPodstawy przetwarzania danych pochodzących z lotniczego skanowania laserowego w oprogramowaniu LP360 firmy QCoherent
Podstawy przetwarzania danych pochodzących z lotniczego skanowania laserowego w oprogramowaniu LP360 firmy QCoherent Mateusz Maślanka Specjalista ds. oprogramowania LiDAR mateusz.maslanka@progea.pl Mateusz
Bardziej szczegółowoBudowa systemu wspomagającego podejmowanie decyzji. Metodyka projektowo wdrożeniowa
Budowa systemu wspomagającego podejmowanie decyzji Metodyka projektowo wdrożeniowa Agenda Systemy wspomagające decyzje Business Intelligence (BI) Rodzaje systemów BI Korzyści z wdrożeń BI Zagrożenia dla
Bardziej szczegółowoSecurity Master Class
Security Master Class Platforma kompleksowej analizy zdarzeń Linux Polska SIEM Radosław Żak-Brodalko Senior Solutions Architect Linux Polska sp. z o.o. Podstawowe problemy Jak pokryć lukę między technicznym
Bardziej szczegółowoRady i porady użytkowe
Rady i porady użytkowe Dział Eksploatacji CONTROLLING SYSTEMS sp. z o.o. Rady i porady - źródło prezentacji: Najczęstsze problemy zgłaszane przez Klientów na etapie eksploatacji systemu Spostrzeżenia konsultantów
Bardziej szczegółowoArchitektura Zintegrowanego Systemu Informatycznego dla Przychodni
Architektura Zintegrowanego Systemu Informatycznego dla Przychodni 1 Spis treści CliniNET AIS - Zintegrowany System Informatyczny dla Przychodni 3 Główne cechy systemu: 3 Modułowa architektura systemu
Bardziej szczegółowoLokalizacja Oprogramowania
mgr inż. Anton Smoliński anton.smolinski@zut.edu.pl Lokalizacja Oprogramowania 16/12/2016 Wykład 6 Internacjonalizacja, Testowanie, Tłumaczenie Maszynowe Agenda Internacjonalizacja Testowanie lokalizacji
Bardziej szczegółowoStudia podyplomowe w zakresie przetwarzanie, zarządzania i statystycznej analizy danych
Studia podyplomowe w zakresie przetwarzanie, zarządzania i statystycznej analizy danych PRZEDMIOT (liczba godzin konwersatoriów/ćwiczeń) Statystyka opisowa z elementami analizy regresji (4/19) Wnioskowanie
Bardziej szczegółowoSAS Access to Hadoop, SAS Data Loader for Hadoop Integracja środowisk SAS i Hadoop. Piotr Borowik
SAS Access to Hadoop, SAS Data Loader for Hadoop Integracja środowisk SAS i Hadoop Piotr Borowik Wyzwania związane z Big Data Top Hurdles with Big data Source: Gartner (Sep 2014), Big Data Investment Grows
Bardziej szczegółowoPodlaski System Informacyjny e-zdrowie
Podlaski System Informacyjny e-zdrowie Regionalny Program Operacyjny Województwa Podlaskiego 2007-2013 IV oś priorytetowa Społeczeństwo Informacyjne Mariusz Feszler Z-ca Dyrektora Departamentu Społeczeństwa
Bardziej szczegółowoOntologie, czyli o inteligentnych danych
1 Ontologie, czyli o inteligentnych danych Bożena Deka Andrzej Tolarczyk PLAN 2 1. Korzenie filozoficzne 2. Ontologia w informatyce Ontologie a bazy danych Sieć Semantyczna Inteligentne dane 3. Zastosowania
Bardziej szczegółowoZintegrowany system zarządzania wiedzą w wytwarzaniu produktów leczniczych
Zintegrowany system zarządzania wiedzą w wytwarzaniu produktów leczniczych Model Zarządzania Jakością wg ICH Q10 Cykl Życia Produktu System Monitorowania Działania Procesu i Jakości Produktu System Działań
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 szczegółowoModel referencyjny doboru narzędzi Open Source dla zarządzania wymaganiami
Politechnika Gdańska Wydział Zarządzania i Ekonomii Katedra Zastosowań Informatyki w Zarządzaniu Zakład Zarządzania Technologiami Informatycznymi Model referencyjny Open Source dla dr hab. inż. Cezary
Bardziej szczegółowoIBM DATASTAGE COMPETENCE CENTER
IBM DATASTAGE COMPETENCE CENTER W informacji drzemie ogromny potencjał biznesowy. Odpowiednio opisane i wykorzystane dane stanowią podstawę sprawnie funkcjonującego przedsiębiorstwa. Wykorzystując najnowocześniejsze
Bardziej szczegółowoWymagania na szkolenia
Numer sprawy: DPZ/4/15 Nr arch. DPZ/087/059-5/15 Załącznik nr 1c do SIWZ/do Umowy Wymagania na szkolenia 1. Wstęp Opisaną w niniejszym dokumencie częścią przedmiotu zamówienia jest: zrealizowanie szkoleń
Bardziej szczegółowoText mining w programie RapidMiner Michał Bereta www.michalbereta.pl
Text mining w programie RapidMiner Michał Bereta www.michalbereta.pl 1. Wstęp Aby skorzystać z możliwości RapidMinera w zakresie analizy tekstu, należy zainstalować Text Mining Extension. Wybierz: 1 Po
Bardziej szczegółowoProjekty wdrożenia ITS CASE STUDIES
Projekty wdrożenia ITS CASE STUDIES Agenda 1. Mapa produktów sprawozdawczych - komponenty/moduły będące podstawą projektów implementacji 2. Case studies analiza przypadków - projekty implementacji ITS
Bardziej szczegółowoSystemy ERP. dr inż. Andrzej Macioł http://amber.zarz.agh.edu.pl/amaciol/
Systemy ERP dr inż. Andrzej Macioł http://amber.zarz.agh.edu.pl/amaciol/ Źródło: Materiały promocyjne firmy BaaN Inventory Control Jako pierwsze pojawiły się systemy IC (Inventory Control) - systemy zarządzania
Bardziej szczegółowoOPIS PRZEDMIOTU ZAMÓWIENIA
Załącznik nr 1 OPIS PRZEDMIOTU ZAMÓWIENIA Licencja Microsoft Windows SQL Server Standard 2012 (nie OEM) lub w pełni równoważny oraz licencja umożliwiająca dostęp do Microsoft Windows SQL Server Standard
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład I dr inż. Bogumil.Konopka@pwr.edu.pl 2015/2016 1 Wykład I - plan Sprawy organizacyjne Uczenie maszynowe podstawowe pojęcia Proces modelowania
Bardziej szczegółowoSystem Nadzoru Ubezpieczeń (SNU) nowy system sprawozdawczy dla zakładów ubezpieczeń i organu nadzoru
System Nadzoru Ubezpieczeń (SNU) nowy system sprawozdawczy dla zakładów ubezpieczeń i organu nadzoru Kien Do Mariusz Smętek Seminarium Polskiej Izby Ubezpieczeń Warszawa, 25 marca 2009 r. Agenda prezentacji
Bardziej szczegółowo