METODA ELPAR ŁĄCZENIA ONTOLOGII OPARTA NA ICH KARTOGRAFICZNEJ REPREZENTACJI

Wielkość: px
Rozpocząć pokaz od strony:

Download "METODA ELPAR ŁĄCZENIA ONTOLOGII OPARTA NA ICH KARTOGRAFICZNEJ REPREZENTACJI"

Transkrypt

1 METODA ELPAR ŁĄCZENIA ONTOLOGII OPARTA NA ICH KARTOGRAFICZNEJ REPREZENTACJI Krzysztof GOCZYŁA*, Teresa GRABOWSKA** Streszczenie. Jednym z głównych problemów związanych z integracją wiedzy z róŝnych źródeł jest opracowanie metody integracji ontologii. Źródła wiedzy są opisane róŝnymi ontologiami, zazwyczaj tworzonymi niezaleŝnie od siebie. Integracja wiedzy z tych źródeł wymaga zdefiniowania jednej ontologii nadrzędnej rozumiejącej wszystkie terminy pojawiające się w ontologiach opisujących źródła. W artykule zostały przedstawione podstawy metody ELPAR budowania ontologii nadrzędnej dla ontologii podrzędnych. Metoda opisuje równieŝ sposób tworzenia odwzorowań pomiędzy ontologiami podrzędnymi a ontologią nadrzędną. 1. Wstęp Integracja wiedzy z róŝnych źródeł wymaga opracowania zagadnień dotyczących zarządzania wieloma ontologiami [13]. Wśród nich moŝna wyróŝnić między innymi: przekształcanie ontologii z jednego formalizmu do innego, łączenie ontologii, odwzorowywanie ontologii, wnioskowanie z wielu ontologii czy zadawanie zapytań do źródeł wiedzy opisanych róŝnymi ontologiami. Artykuł opisuje metodę ELPAR (ang. Extraction of Least Probable Atomic Regions) tworzenia ontologii globalnej (nadrzędnej) opisującej wiedzę zawartą w ontologiach lokalnych (podrzędnych). Metoda ta odnosi się do problemu łączenia ontologii. W [15] łączenie ontologii (ang. ontology merging) zostało zdefiniowane jako proces znajdowania elementów wspólnych dla dwóch ontologii A i B i na ich podstawie wywiedzenie nowej ontologii zawierającej informacje z obu ontologii źródłowych. Problem łączenia ontologii moŝna rozszerzyć na wiele ontologii podrzędnych. Przedstawiona metoda ELPAR umoŝliwia budowanie ontologii nadrzędnej dla ontologii * Politechnika Gdańska, Katedra InŜynierii Oprogramowania, ul. Gabriela Narutowicza 11/12, Gdańsk, ** Politechnika Gdańska, Katedra InŜynierii Oprogramowania, ul. Gabriela Narutowicza 11/12, Gdańsk,

2 podrzędnych reprezentowanych kartograficznie [6], [11], [7]. Kartograficzna reprezentacja wiedzy (ang. knowledge cartography) oparta na logice opisowej (ang. Description Logic DL) [1] została opracowana w ramach prac nad projektem PIPS (ang. Personal Information Platform for life and health Services) [5], [8] 6. Programu Ramowego Unii Europejskiej. Wykorzystanie reprezentacji kartograficznej umoŝliwia efektywne wykonywanie zapytań na bazie wiedzy zarówno zadawanych do pojedynczych ontologii, jak i ontologii zintegrowanych [10]. W artykule pokrótce przedstawiono przyjętą platformę systemu integracji ontologii (podrozdział 2) zaproponowaną w [2] i [3], podstawy metody kartograficznej (podrozdział 3), sposób odwzorowywania ontologii nadrzędnej w ontologie podrzędne oraz załoŝenia algorytmu Spider przetwarzania zapytań w rozproszonej bazie wiedzy (podrozdział 4) opisany w [10]. Podrozdziały 5, 6 i 7 wprowadzają nową technikę integracji ontologii opierającą się na oszacowaniu szansy istnienia obszarów atomowych w ontologii nadrzędnej. Podrozdział 5 opisuje metodę budowania ontologii nadrzędnej ELPAR oraz wynikające z niej zasady budowania odwzorowań. Podrozdział 6 wprowadza pojęcie ontologii niepewnej, a podrozdział 7 rozszerzenie algorytmu Spider przetwarzania zapytań asercjonalnych dla ontologii niepewnej. Podrozdział ostatni podsumowuje artykuł. 2. System integracji ontologii Platforma systemu integracji ontologii (ang. Ontology Integration System OIS), w którym ontologia nadrzędna umoŝliwia opisanie wiedzy zawartej w róŝnych ontologiach lokalnych. W takim systemie ontologia nadrzędna dostarcza globalnego widoku świata (ang. Global As View GAV), za pośrednictwem którego moŝna odpytywać ontologie lokalne. Rys. 1. Architektura systemu integracji wiedzy Formalnie, system OIS składa się z ontologii globalnej G, zbioru ontologii lokalnych S oraz odwzorowania M G,S pomiędzy ontologią G i zbiorem ontologii lokalnych S. Taki opis systemu OIS jest ograniczony do jednej warstwy systemu. W rzeczywistości system OIS moŝe składać się z kilku warstw, w których zbiór ontologii globalnych (utworzonych w odniesieniu do pewnych zbiorów ontologii lokalnych) staje się zbiorem ontologii lokalnych, dla których jest wyznaczana kolejna ontologia nadrzędna. Na bazie tak zdefiniowanej

3 platformy systemu OIS moŝliwe jest przyjęcie hierarchicznej struktury systemu integracji wiedzy [12]. Struktura taka została przedstawiona na rysunku 1. W celu pokazania zasad budowania i działania systemu integracji wiedzy opartego na OIS w artykule został przyjęty model jednowarstwowy ograniczony do dwóch ontologii lokalnych. Odnosząc się do architektury przedstawionej na rysunku 1, G = L 2, S = S 2 oraz M G,S = M. L2, S2 3. Kartograficzna reprezentacja ontologii Zbudowanie systemu integracji wiedzy wymaga efektywnego systemu wnioskującego spełniającego następujące wymagania: (1) Dostarczenie silnika wnioskującego umoŝliwiającego przetwarzanie danych o duŝej liczbie osobników. (2) Efektywne odpowiadanie na zapytania zadawane zarówno w terminach ontologii lokalnych S, jak i w terminach ontologii globalnej G. Zbudowanie takiego systemu jest moŝliwe z zastosowaniem kartograficznej metody reprezentacji wiedzy. System KaSeA [7], [9] jest systemem wnioskującym opartym na kartograficznej reprezentacji wiedzy, którego efektywność przetwarzania danych o duŝej liczbie osobników i zadawania zapytań formułowanych w terminach ontologii lokalnych została potwierdzona w ramach projektu PIPS dla rzeczywistych ontologii z dziedziny medycyny i odŝywiania. MoŜliwe rozszerzenie algorytmu wnioskującego działającego w środowisku rozproszonym dla ontologii globalnej zostało zaproponowane w [10] i będzie pokrótce przedstawione w podrozdziale 4. Kartograficzna reprezentacja wiedzy zakłada, Ŝe dana dziedzina wiedzy jest podzielona na pewne obszary atomowe, nazwane regionami, tzn. takie obszary, które nie zawierają juŝ Ŝadnych innych obszarów. Ze względu na zwięzłość artykułu zasada wyznaczania regionów zostanie tutaj pominięta. Rysunek 2 przedstawia przykład regionów dla ontologii dotyczącej ludzi. Rys. 2. Przykładowa terminologia i jej podział na regiony W ontologii zdefiniowane są cztery koncepty: koncept Człowiek, Kobieta, MęŜczyzna i będących rodzicami ( madziecko.t). Dodatkowo, w kaŝdej ontologii występują dwa specjalne koncepty: T koncept zawierający wszystkie osobniki z danej dziedziny i - koncept pusty, nie zawierający Ŝadnych osobników. Aksjomat Człowiek T mówi o tym, Ŝe kaŝdy osobnik w ontologii jest człowiekiem. Kolejny aksjomat definiuje przecięcie konceptów Kobieta i MęŜczyzna jako koncept pusty (symbol oznacza przecięcie konceptów, które intuicyjnie moŝe być rozumiane podobnie jak przecięcie zbiorów). Innymi słowy nie istnieje taki osobnik, który jest zarówno męŝczyzną i kobietą. W

4 aksjomacie madziecko.t Człowiek jest pośrednio zdefiniowany koncept oznaczający osobników będących rodzicami. Taki koncept jest definiowany jako zbiór osobników, którzy mają przynajmniej jedno dziecko (istnieje przynajmniej jeden osobnik powiązany relacją madziecko z zadanym osobnikiem). Dodatkowo analizowany aksjomat przechowuje informację, Ŝe kaŝdy rodzic jest człowiekiem. Za ten typ relacji pomiędzy konceptami odpowiedzialny jest konstruktor zawierania. Aksjomat A B mówi, Ŝe kaŝdy osobnik naleŝący do konceptu A naleŝy równieŝ do konceptu B. Ostatni z aksjomatów w ontologii przenosi informację o tym, Ŝe Kobiety i MęŜczyźni tworzą zbiór wszystkich osobników (symbol oznacza sumę konceptów, która intuicyjnie moŝe być rozumiana podobnie jak suma zbiorów). Dla tak zdefiniowanej ontologii metoda kartograficzna wyznacza cztery regiony. Dla kaŝdego z tak wyznaczonych regionów moŝliwe jest zdefiniowanie konceptu regionalnego jest to taki koncept, Ŝe wszystkie osobniki naleŝące do tego konceptu naleŝą do zadanego regionu. Intuicyjnie rozumiemy, Ŝe region 1 to obszar, do którego zakwalifikujemy wszystkie kobiety bezdzietne. Dlatego koncept regionalny dla regionu pierwszego oznaczany jako KR 1 madziecko.t Kobieta (symbol oznacza dopełnienie konceptu), region 2 to obszar, do którego naleŝą wszystkie matki (KR 2 madziecko.t Kobieta), i analogicznie region 3 to ojcowie (KR 3 madziecko.t MęŜczyzna), zaś region 4 to męŝczyźni bezdzietni (KR 3 madziecko.t MęŜczyzna). Dodatkowo, kaŝdy obszar jest jednoznacznie identyfikowany pewną sygnaturą składającą się dokładnie z tylu bitów, ile jest regionów dla danej terminologii. W przypadku omawianej terminologii koncept Człowiek obejmuje całą dziedzinę (wszystkie regiony), stąd jego sygnatura jest równa Koncept Kobieta obejmuje regiony 1 i 2 stąd jego sygnatura jest równa Analogicznie, koncept MęŜczyzna ma sygnaturę 0011, a koncept madziecko.t KaŜdy osobnik opisany w terminach takiej terminologii faktycznie naleŝy do jednego i tylko jednego regionu. Nie zawsze jednak wiedza, jaką na temat takiego osobnika posiadamy, jest wystarczająca, aby jednoznacznie go zakwalifikować do któregoś z regionów. W takim przypadku sygnatura danego osobnika jest budowana z zer i jedynek w taki sposób, Ŝe 0 jest wstawiane na kaŝdym polu odpowiadającemu regionowi, dla którego mamy pewność, Ŝe dany osobnik do niego nie naleŝy, i 1 w przeciwnym wypadku. 4. Algorytm Spider Platforma systemu OIS zakłada, Ŝe jej najwaŝniejszym komponentem jest odwzorowanie M G,S. W typowych podejściach do integracji ontologii mechanizm definiowania odwzorowań pomiędzy konceptami w róŝnych ontologiach jest ograniczony do bezpośrednich powiązań pomiędzy terminami. W rzeczywistych ontologiach potrzebny jest mechanizm bardziej złoŝony. W szczególności taki mechanizm powinien umoŝliwiać odwzorowanie konceptu w pewien widok, będący zapytaniem zadanym w terminach zdefiniowanych w innych ontologiach. Kartograficzna metoda reprezentacji wiedzy umoŝliwia odwzorowywanie zbioru regionów w jednej ontologii w zbiór regionów innej ontologii. Takie podejście umoŝliwia budowanie dowolnie złoŝonych widoków. Równie

5 waŝny jest fakt, Ŝe jeśli rozwaŝamy odwzorowania wyłącznie pomiędzy dwoma ontologiami, to zbiór regionów z jednej ontologii moŝe być odwzorowany wyłącznie w sumę regionów z drugiej ontologii. Tworzenie przecięcia regionów naleŝących do jednej ontologii jest bezcelowe, poniewaŝ regiony są wyznaczane w taki sposób, Ŝe ich przecięcie jest zawsze zbiorem pustym. O przecięciu regionów moŝemy mówić tylko wtedy, gdy te regiony naleŝą do innych ontologii. Wykorzystując ontologię z rysunku 2, przedstawimy przykład budowania odwzorowań pomiędzy tą ontologią a ontologiami A i B przedstawionymi na rysunku 3. Rys. 3. Regiony dla ontologii podrzędnych A i B Odwzorowania tworzymy w taki sposób, Ŝe jeśli mamy koncept o takim samym znaczeniu w ontologii podrzędnej i nadrzędnej, to odwzorowujemy regiony naleŝące do tego konceptu z jednej ontologii w regiony naleŝące do tego konceptu z drugiej ontologii. Rysunek 4 pokazuje sposób odwzorowywania pomiędzy ontologią nadrzędną z rysunku 2 a kolejnymi ontologiami podrzędnymi. Rysunek 4a naleŝy interpretować w taki sposób, Ŝe koncept Kobieta obejmujący w ontologii nadrzędnej regiony 1 (o sygnaturze1000) i 2 (o sygnaturze 0100) odpowiada w podrzędnej ontologii A konceptowi Kobieta, reprezentowanemu przez region 1 (o sygnaturze 10). Analogiczna sytuacja zachodzi równieŝ dla konceptu MęŜczyzna oraz w odpowiednich odwzorowaniach z ontologii B. Rys. 4. Odwzorowania pomiędzy ontologią nadrzędną a ontologiami podrzędnymi a) A i b) B Na rysunku 4 pokazany jest równieŝ sygnaturowy sposób reprezentacji danych odwzorowań. Dla kaŝdej ontologii podrzędnej system wnioskujący dla ontologii globalnej przechowuje dwie tabele odwzorowań. Tabela pierwsza opisuje, w jaki sposób regiony ontologii nadrzędnej odwzorowują się w regiony ontologii podrzędnej. Tabela druga opisuje, w jaki sposób regiony ontologii podrzędnej odwzorowują się w regiony ontologii nadrzędnej. Przykładowo, dla ontologii podrzędnej B region 2 tej ontologii (ludzie, którzy mają przynajmniej jedno dziecko) o sygnaturze 01 jest odwzorowany w dwa regiony

6 ontologii nadrzędnej: region 2 (matki) i 3 (ojcowie), reprezentowane sygnaturą Istotne jest, Ŝe jeśli pewien osobnik naleŝy do regionu 2 ontologii B, to naleŝy albo do regionu 2, albo do regionu 3 ontologii nadrzędnej (kaŝdy człowiek mający przynajmniej jedno dziecko jest albo matką, albo ojcem). ZauwaŜmy, Ŝe rozproszona baza wiedzy na podstawie informacji zawartych w ontologii B i danego dla tej ontologii odwzorowania nie jest w stanie stwierdzić, do którego regionu w ontologii nadrzędnej naleŝy dany osobnik. Kolejne zagadnienie związane z odwzorowywaniem ontologii dotyczy przekształcania sygnatur osobników zapisanych w ontologiach podrzędnych (sygnatur podrzędnych) do sygnatur poprawnych w odniesieniu do ontologii nadrzędnej (sygnatur nadrzędnych). Jeśli posiadamy pełną wiedzę na temat danego osobnika (zdefiniowana jest przynaleŝność osobnika do dokładnie jednego regionu), to sygnaturę przekształcamy bezpośrednio z tabeli odwzorowań. Jeśli źródło podrzędne nie wie jednoznacznie, do którego regionu naleŝy dany osobnik, to moŝe naleŝeć on do dowolnego, ale tylko jednego z niewykluczonych zerem regionów. Przykładowo, niech pewien osobnik w ontologii B ma sygnaturę podrzędną 11. NaleŜy on albo do regionu 1 (10), albo do regionu 2 (01). Szukamy w tabeli odwzorowań dwóch sygnatur regionów i sprawdzamy kolejno, w jakie obszary ontologii nadrzędnej są one odwzorowane. W przedstawianym przykładzie regiony te są kolejno odwzorowywane w obszary o sygnaturach 1001 i Stąd analizowany osobnik moŝe naleŝeć albo do regionu 1, albo 2, albo 3, albo 4, co daje nam poszukiwaną sygnaturę nadrzędną Tak zdefiniowane odwzorowania pomiędzy ontologią globalną a ontologiami podrzędnymi umoŝliwiają odpowiadanie na zapytania zadane w terminach ontologii globalnych. Algorytm Spider pokazuje, w jaki sposób takie odpowiedzi są generowane. Ogólna zasada działania algorytmu polega na tym, Ŝe zapytanie zadane w terminach ontologii globalnej jest przekształcane w zbiór zapytań do ontologii lokalnych. Przekształcenie to jest dokonywane zgodnie z tabelami odwzorowań zarówno sygnatur nadrzędnych w sygnatury podrzędne, jak i sygnatur podrzędnych w sygnatury nadrzędne. Dokładny opis działania algorytmu dla róŝnych rodzajów zapytań jest opisany w [10]. Algorytm ma złoŝoność liniowo-logarytmiczną względem liczby osobników. 5. Metoda ELPAR budowania ontologii globalnej Algorytm Spider jest efektywnym algorytmem przekształcania zapytań zadanych w terminach ontologii globalnej do zapytań zadanych w terminach ontologii lokalnych. Jednak zastosowanie algorytmu Spider wymaga zdefiniowania ontologii globalnej w taki sposób, aby kaŝdy region zdefiniowany w ontologii globalnej był definiowalny w terminach ontologii lokalnych. Budowanie ontologii globalnej jest równieŝ oparte na reprezentacji kartograficznej. Dla zbioru S ontologii lokalnych S = {O 1, O 2 } zakładamy, Ŝe mamy n regionów dla ontologii O 1 oraz m regionów dla ontologii O 2. Jeśli weźmiemy dowolne dwa regiony, ale w taki sposób, Ŝe k 1 jest pewnym regionem z ontologii O 1 oraz l 1 jest pewnym regionem z ontologii O 2, to mogą one pozostawać ze sobą w pewnej relacji. W ogólnym przypadku, kiedy o tych regionach nic nie wiemy, to moŝemy powiedzieć, Ŝe mogą istnieć pewne osobniki, które naleŝą tylko do regionu k 1, mogą istnieć pewne osobniki, które

7 naleŝą tylko do regionu l 1 oraz mogą istnieć takie osobniki, które naleŝą do obu tych regionów. Rys. 5. Zasada tworzenia regionów nadrzędnych i ich odwzorowań W takiej sytuacji w ontologii globalnej powstają trzy regiony 1, 2, 3. (KR 1 k 1 Π l 1, KR 2 k 1 Πl 1 i KR 3 k 1 Πl 1 ), dla których odwzorowania w obszary k 1 i l 1 są pokazane na rysunku 5. Region 1 reprezentowany sygnaturą 100 jest regionem, do którego naleŝą pewne osobniki z regionu k 1 (dla sygnatury 100: 1 w tabeli 1 i 0 w tabeli 3), region 2 reprezentowany sygnaturą 010 jest obszarem, do którego naleŝą pewne osobniki z regionu k 1 i z regionu l 1 (dla sygnatury 010: 1 w tabeli 1 i 3) oraz region 3 reprezentowany sygnaturą 001 jest obszarem, do którego naleŝą pewne osobniki z regionu l 1 (dla sygnatury 001: 0 w tabeli 1 i 1 w tabeli 3). Ontologia nadrzędna zbudowana dla dwóch ontologii podrzędnych o m i n regionach składa się z maksymalnie m*n+m+n regionów. Taka ontologia została przedstawiona na rysunku 6. Odwzorowania są tworzone analogicznie jak dla obszarów pojedynczych. Przykładowo, osobniki z regionu l 1 mogą znaleźć się w n+1 regionach ontologii nadrzędnej. Podobszar zakreskowany w prawo (\\\) dla l 1 z rysunku 6 oznacza, Ŝe osobniki naleŝące do tego regionu nie naleŝą do Ŝadnego z regionów zdefiniowanych w ontologii O 1. Pozostałe n obszarów to obszary stanowiące część wspólną obszaru l 1 i kolejnych obszarów z ontologii O 1. W przypadku, gdy ontologie O 1 i O 2 opisują ten sam zbiór osobników, liczba regionów dla ontologii nadrzędnej jest równa co najwyŝej m*n. Nie istnieją obszary zakreskowane tylko w jednym kierunku z rysunku 6. Rys. 6. Regiony ontologii nadrzędnej W zbiorze wyznaczonych regionów istnieją takie regiony, które ze względu na swoje znaczenie nie mogą się pojawić (są niespełnialne czyli nie moŝe naleŝeć do nich Ŝaden osobnik).. Wyobraźmy sobie, Ŝe obszar l 1 to Ludzie, a obszar k 1 to Budynki. MoŜna jednoznacznie stwierdzić, Ŝe obszar oznaczający ludzi będących budynkami nie powinien się pojawić w ontologii nadrzędnej jest regionem niespełnialnym (w całej dziedzinie nie istnieje taki osobnik, który przynaleŝy zarówno do obszaru l 1, jak i do k 1 ). Jednoznacznej identyfikacji regionów niespełnialnych moŝe dokonać tylko człowiek. Dlatego metoda ELPAR wykorzystuje wartości współczynnika spełnialności ε. Współczynnik spełnialności

8 moŝe być intuicyjnie interpretowany jako szansa wystąpienia danego obszaru. Wyznaczone wartości współczynników spełnialności mogą posłuŝyć człowiekowi jako wskaźnik wyboru obszarów niespełnialnych, jak równieŝ mogą być elementem definicji ontologii. Aktualne prace w dziedzinie zarządzania wiedzą zakładają, Ŝe terminologia jest ściśle ustalona (role i koncepty istnieją lub nie). Na tej podstawie metoda kartograficzna umoŝliwia wyznaczenie regionów, które są na pewno obszarami spełnianymi, oraz usunięcie regionów niespełnialnych. Taką ontologię nazwijmy ontologią pewną. Dla ontologii pewnych moŝna przyjąć, Ŝe wartość współczynnika spełnialności regionów spełnialnych jest równa 1 (obszar na pewno istnieje) oraz wartość współczynnika spełnialności regionów niespełnialnych jest równa 0 (obszar na pewno nie istnieje). Metoda ELPAR zakłada budowanie ontologii nadrzędnej w taki sposób, Ŝe kaŝdemu regionowi przypisywana jest wartość rzeczywista współczynnika spełnialności z zakresu <0,1>. Obszary atomowe mogą istnieć lub nie. Jednak ontologia moŝe przechowywać w postaci współczynników spełnialności równieŝ informację o tym, co wiadomo o spełnialności danego regionu. Ontologię wzbogaconą o wartości współczynników spełnialności nazwijmy ontologią niepewną. 6. Współczynnik spełnialności Wartości współczynników spełnialności istnienia kaŝdego z trzech obszarów nadrzędnych dla dwóch obszarów podrzędnych k 1 i l 1 z rysunku 5 moŝna intuicyjnie interpretować jako wartości proporcjonalne do wartości prawdopodobieństw: Ŝe mogą istnieć osobniki naleŝące zarówno do obszaru o 1 i obszaru l 1 : ε(kr 1 ) P(o 1, l 1 ) = P( i I : i o 1 I Π l 1 I ) Ŝe mogą istnieć osobniki naleŝące do obszaru o 1, ale nie naleŝące do obszaru l 1 : ε(kr 2 ) P(o 1, l 1 ) = P( i I : i o 1 I Π ( I \l 1 I )) Ŝe mogą istnieć osobniki naleŝące do obszaru l 1, ale nie naleŝące do obszaru o 1 : ε(kr 3 ) P( o 1, l 1 ) = P( i I : i ( I \o 1 I ) Π l1 I ) Symbol I oznacza zbiór osobników przypisanych do danego obszaru a I oznacza zbiór wszystkich osobników z całego uniwersum. Celem metody ELPAR jest wykorzystanie lub dostosowanie istniejących metod obliczania podobieństwa konceptów do wyznaczenia współczynników spełnialności regionów. Przyjęta definicja współczynnika spełnialności narzuca równieŝ pewne ograniczenia wartości tego współczynnika. PrzynaleŜność przynajmniej jednego osobnika do regionu implikuje spełnialność tego regionu (współczynnik spełnialności takiego regionu jest równy 1). 7. Algorytm Spider w metodzie ELPAR Na rysunku 3 zostały przedstawione dwie ontologie podrzędne. KaŜda z ontologii podrzędnych składa się dokładnie z dwóch regionów oraz ontologie te mają dokładnie to samo uniwersum. Stosując metodę ELPAR, uzyskujemy dla ontologii nadrzędnej dokładnie

9 2*2 = 4 regiony. Wykorzystując oznaczenia z rysunku 3, w ontologiach podrzędnych mamy zdefiniowane regiony A1, A2 (dla ontologii A) oraz regiony B1, B2 (dla ontologii B). Odpowiednio w ontologii nadrzędnej zostaną utworzone cztery regiony przedstawione na rysunku 2: KR 1 = A1 B1 (Kobiety bezdzietne) KR 2 = A1 B2 (Kobiety będące matkami) KR 3 = A2 B2 (MęŜczyźni będący ojcami) KR 4 = A2 B1 (MęŜczyźni bezdzietni). Zakładamy, Ŝe ontologia nadrzędna została uzyskana metodą ELPAR i kaŝdy z regionów ma przypisaną pewną wartość współczynnika spełnialności: ε(kr 1 ) = 0,95, ε(kr 2 ) = 1, ε(kr 3 ) = 0,88, ε(kr 4 ) = 0,96. Algorytm odpowiedzi na zapytania asercjonalne jest analogiczny jak w przypadku ontologii pewnych. Jedyna róŝnica polega na wyznaczeniu współczynnika przynaleŝności κ(i, C) osobnika i do konceptu C. Współczynnik przynaleŝności jest intuicyjnie interpretowany jako prawdopodobieństwo, z jakim dany osobnik moŝe naleŝeć do danego konceptu. W przypadku ontologii pewnej z wiedzy zawartej w bazie moŝemy odpowiedzieć, Ŝe dany osobnik naleŝy do pewnego konceptu, nie naleŝy do pewnego konceptu lub baza wiedzy nie wie czy naleŝy. W przypadku ontologii niepewnej baza wiedzy moŝe odpowiedzieć równieŝ, w jakim stopniu informacje zawarte w bazie wiedzy pozwalają na przyporządkowanie osobnika do danego konceptu. Zakładamy, Ŝe dla ontologii podrzędnych z rysunku 3 mamy pewien zbiór osobników zapisanych w tabeli 1 poniŝej. Zgodnie z zasadą działania algorytmu Spider dla osobników są wyznaczane zbiorcze sygnatury nadrzędne. Zbiorcze sygnatury nadrzędne przechowują pełną wiedzę o danym osobniku, jaka jest zawarta w ontologiach podrzędnych, oraz nową wiedzę wywnioskowaną z wiedzy zawartej w ontologiach podrzędnych. Przykładowo w ontologii A jest przechowana informacja, Ŝe Anna Kowalska jest kobietą (sygnatura 10 reprezentuje koncept Kobieta), a w ontologii B jest przechowywana informacja, Ŝe Anna Kowalska ma dziecko (sygnatura 01 reprezentuje koncept madziecko.t). Zbiorcza sygnatura nadrzędna przechowuje informację, Ŝe Anna Kowalska jest matką. Region reprezentujący matki w ontologii nadrzędnej ma wartość współczynnika spełnialności równą 1. Pytanie o wszystkie matki zwraca Annę Kowalską z wartością współczynnika przynaleŝności równą 1 (Anna Kowalska jest na pewno matką). Matkami mogą być równieŝ Emmanuelle Nowak i Victoire Kowalczyk. O Emanuelle Nowak baza wiedzy wie, Ŝe współczynnik przynaleŝności do konceptu reprezentowanego sygnaturą 0110 jest równy 1. Wartość współczynnika przynaleŝności Emanuelle Nowak do konceptu o znaczeniu Matka w ontologii pewnej moŝna ustalić na 0,5 (Emanuell Nowak z tym samym prawdopodobieństwem moŝe być matką lub ojcem). Wyznaczenie wartości współczynnika przynaleŝności w ontologiach niepewnych wymaga przeanalizowania wpływu wartości współczynników spełnialności poszczególnych regionów na wartości współczynników przynaleŝności. PoniŜej został przedstawiony pewien model wyznaczania wartości współczynnika przynaleŝności w zaleŝności od wartości współczynników spełnialności.

10 Tabela 1. Sygnatury osobników Osobniki Sygnatury Podrzędna Nadrzędna Zbiorcza A B A B Anna Kowalska Emmanuelle Nowak Tomasz Jankowski Victoire Kowalczyk Dla sygnatury osobnika moŝemy wyznaczyć zbiór moŝliwych regionów odpowiedzialnych za przynaleŝność osobnika do danego konceptu zbiór przynaleŝności P. Taki zbiór regionów jest wyznaczany jako podzbiór wszystkich regionów tworzących dany koncept, dla których sygnatura osobnika ma wartość 1. W przypadku analizowanego przykładu zbiór regionów tworzących koncept o znaczeniu Matka to tylko jeden region {2}. Sygnatura Emanuelle Nowak na drugiej pozycji ma wartość 1, stąd P = {2}. Analogicznie moŝna wyznaczyć zbiór regionów odpowiedzialnych za brak przynaleŝności osobnika do danego konceptu. Zbiór nieprzynaleŝności N to zbiór regionów będących podzbiorem wszystkich regionów tworzących dopełnienie danego konceptu, dla których sygnatura osobnika ma wartość 1. W analizowanym przykładzie dopełnienie konceptu o znaczeniu Matka tworzy zbiór regionów {1, 3, 4}. Sygnatura Emanuelle Nowak ma wartość 1 dla regionu 3, dlatego N = {3}. Zbiory przynaleŝności i nieprzynaleŝności są zaleŝne od osobnika i konceptu, dla którego przynaleŝność osobnika jest analizowana. Na podstawie zbiorów przynaleŝności i nieprzynaleŝności wyznaczane są dwa koncepty: koncept przynaleŝności KP (w przykładzie: matki o sygnaturze 0100) i koncept nieprzynaleŝności KN (w przykładzie: ojcowie o sygnaturze 0010). W analizowanym przykładzie koncept przynaleŝności jest równy zadanemu konceptowi. W ogólnym przypadku taka sytuacja nie musi zachodzić. Zawsze jednak koncept przynaleŝności zawiera się w zadanym koncepcie. Przyjmijmy, Ŝe istnieje zaleŝność κ(i, KP) + κ(i, KN) = 1, co intuicyjnie rozumiemy jako fakt, Ŝe osobnik i istnieje. Do wyznaczenia wartości κ(i, KP) i κ(i, KN) moŝna posłuŝyć się wartościami współczynników spełnialności dla regionów. Współczynnik spełnialności konceptu przynaleŝności moŝna wyznaczyć jako sumę współczynników spełnialności kaŝdego z regionów naleŝących do zbioru przynaleŝności. W naszym przykładzie ε(kp) = ε(kr 2 ) = 1. Analogicznie moŝna wyznaczyć współczynnik spełnialności zbioru nieprzynaleŝności (ε(kn) = ε(kr 3 ) = 0,88). Wartości κ(i, KP) i κ(i, KN) uzyskujemy, przemnaŝając odpowiednio wartości ε(kp) i ε(kn) przez współczynnik normalizacji n. Wartość współczynnika normalizacji jest ustalana ze wzoru ε(kp)*n + ε(kn)*n = 1. Stąd n = 1/(ε(KN) + ε(kp)). W taki sposób w przedstawianym przykładzie κ(emanuele Nowak, KP) = ε(kp)*n = ε(kp) /(ε(kn) + ε(kp)) = 1/(1 + 0,88) = 1/1,88 0,53. Tak wyznaczona wartość jest wartością współczynnika przynaleŝności osobnika Emanuelle Nowak do konceptu o znaczeniu Matka. Przeprowadzając ten sam proces obliczania współczynnika przynaleŝności osobnika Victoire Kowalczyk do konceptu o znaczeniu Matka uzyskujemy κ(victoire Kowalczyk, KP) 0,26. P = {2}, ε(kp) = ε( KR 2 ) = 1, N = {1, 3, 4}, ε(kn) = ε( KR 1 ) + ε( KR 3 ) + ε( KR 4 ) = 0,95 + 0,88 + 0,96 = 2,79.

11 κ(victorie Kowalczyk, KP) = 1/(1 + 2,79) = 1/3,79 0,26 Algorytm Spider w odpowiedzi na zapytanie o osobniki naleŝące do konceptu o znaczeniu matki zwróci trzy osobniki: Anna Kowalska κ(anna Kowalska, Matka) = 1, Emanuelle Nowak κ(emanuelle Nowak, Matka) 0.53, Victoire Kowalczyk κ(victorie Kowalczyk, Matka) Takie rozszerzenie algorytmu Spider umoŝliwia wykorzystanie wartości współczynników spełnialności regionów w celu znalezienia odpowiedzi na pytania o przynaleŝność osobników do konceptów. 8. Podsumowanie W artykule została przedstawiona metoda ELPAR tworzenia ontologii nadrzędnej niepewnej i rozszerzenie algorytmu Spider dla zapytań asercjonalnych w ontologiach niepewnych. Wprowadzenie ontologii niepewnych jako globalnego widoku świata daje nadzieję na większe uniezaleŝnienie procesu tworzenia ontologii globalnej od człowieka niŝ ma to miejsce w aktualnie istniejących systemach (np. IPROMPT lub ANCHORPROMPT [14]). Dalsze prace dotyczące tworzenia ontologii nadrzędnej niepewnej powinny objąć przystosowanie istniejących algorytmów wyznaczania podobieństwa konceptów do obliczania współczynników spełnialności regionów. Przedstawiona metoda ELPAR zakłada istnienie jednowarstwowego systemu OIS. Dlatego w tym artykule przyjęto, Ŝe ontologie lokalne są ontologiami pewnymi. W wielowarstwowym systemie OIS równieŝ ontologie lokalne mogą być ontologiami niepewnymi. Po zaimplementowaniu i zweryfikowaniu poprawności i przydatności metody ELPAR w systemach jednowarstwowych moŝliwe jest dalsze rozszerzanie metody dla wielowarstwowych systemów OIS. LITERATURA [1] Baader F. A., McGuiness D. L., Nardi D., Patel-Schneider P. F.: The Description Logic Handbook: Theory, implementation, and applications, Cambridge University Press, [2] Calvanese D., Giacomo D. G., Lenzerini M.: Ontology of integration and integration of ontologies. Proceedings of the International Workshop on Description Logics, [3] Calvanese D., De Giacomo G., Lenzerini M: A Framework for Ontology Integration. Proceedings of the First Semantic Web Working Symposium, 2001, [4] Gahleitner E., Wöβ W.: Enabling Distribution and Reuse of Ontology Mapping Information for Semantically Enriched Communication Services. Proceedings of the 15th International Workshop on Database and Expert Systems Applications (DEXA 04), IEEE, 2004,

12 [5] Goczyła K., Grabowska T., Waloszek W., Zawadzki M.: Problematyka zarządzania wiedzą w systemach typu e-health. W: InŜynieria oprogramowania Nowe wyzwania, Red. J. Górski, A. Wardziński, WNT 2004, Roz. XXVI, [6] Goczyła K., Grabowska T., Waloszek W., Zawadzki M.: The Cartographer Algorithm for Processing and Querying Description Logics Ontologies. W: Lecture Notes in Artifical Intelligence, Advances In Web Intelligence, Red. P. S. Szczepaniak, J. Kacprzyk, A. Niewiadomski, 2005, [7] Goczyła K., Grabowska T., Waloszek W., Zawadzki M.: Cartographic Approach to Knowledge Representation and Management in KaSeA. International Workshop on Description Logics, [8] Goczyła K., Grabowska T., Waloszek W., Zawadzki M.: Inference Mechanisms for Knowledge Management System in E-health Environment. VII Krajowa Konferencja InŜynierii Oprogramowania, 2005 (zaakceptowana do publikacji). [9] Goczyła K., Grabowska T., Waloszek W., Zawadzki M.: Hybryd Architecture of DL Knowledge Base In KaSeA. International Workshop on Description Logics, [10] Goczyła K., Grabowska T.: Przetwarzanie zapytań w rozproszonej bazie wiedzy opartej na logice opisowej. W: Bazy Danych Modele, Technologie, Narzędzia, Red. S. Kozielski, B. Małysiak, P. Kasprowski, D. Mrozek, WKŁ 2005, Roz. XXIV, [11] Goczyła K., Waloszek W.: Topologiczna analiza ontologii opartych na logice opisowej. W: Bazy Danych Modele, Technologie, Narzędzia, Red. S. Kozielski, B. Małysiak, P. Kasprowski, D. Mrozek, WKŁ 2005, Roz. XXIII, [12] Grabowska T.: Wykorzystanie ontologii wzbogaconych o reguły logiczne w systemach integracji danych. W: Multimedialne i sieciowe systemy informacyjne, Red. Czesław Daniłowicz, Wrocław 2004, Tom I, [13] Noy N. F., Musen M. A.: Ontology Versioning in an Ontology Management Framework, IEEE Inteligent Systems, Vol. 19, nr 4, 2004, [14] Noy N. F.: Tools for Mapping and Merging Ontologies. W: Handbook on ontologies, Red. S. Staab, R. Studer, Sprinter-Verlag 2004, Roz. XXVIII, [15] Sowa J. F.: Electronic communication in the onto-std mailing list, 4th of December, ELPAR METHOD FOR ONTOLOGY MERGING BASED ON KNOWLEDGE CARTOGRAPHY One of the major problems in the field of knowledge integration is development of ontology integration method. Knowledge sources are described by many different ontologies, usually developed independently. Knowledge integration from these sources requires defining one global ontology understanding all terms appearing in ontologies describing sources. This chapter presents the basics of ELPAR method of building global ontology. The method also describes the way of creating matchings between local ontologies and the global one.

Wnioskowanie z danych zapisanych w zewnętrznych źródłach w systemie zarządzania wiedzą

Wnioskowanie z danych zapisanych w zewnętrznych źródłach w systemie zarządzania wiedzą Rozdział 26 Wnioskowanie z danych zapisanych w zewnętrznych źródłach w systemie zarządzania wiedzą Streszczenie. Rozdział prezentuje proces wnioskowania z danych przechowywanych w zewnętrznych źródłach.

Bardziej szczegółowo

Usługi analityczne budowa kostki analitycznej Część pierwsza.

Usługi 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 szczegółowo

Technologia informacyjna

Technologia informacyjna Technologia informacyjna Pracownia nr 9 (studia stacjonarne) - 05.12.2008 - Rok akademicki 2008/2009 2/16 Bazy danych - Plan zajęć Podstawowe pojęcia: baza danych, system zarządzania bazą danych tabela,

Bardziej szczegółowo

Bazy danych. wprowadzenie teoretyczne. Piotr Prekurat 1

Bazy danych. wprowadzenie teoretyczne. Piotr Prekurat 1 Bazy danych wprowadzenie teoretyczne Piotr Prekurat 1 Baza danych Jest to zbiór danych lub jakichkolwiek innych materiałów i elementów zgromadzonych według określonej systematyki lub metody. Zatem jest

Bardziej szczegółowo

KARTOGRAFICZNA METODA REPREZENTACJI WIEDZY W EKSPERTOWYM SYSTEMIE JAKO CI KSZTAŁCENIA

KARTOGRAFICZNA METODA REPREZENTACJI WIEDZY W EKSPERTOWYM SYSTEMIE JAKO CI KSZTAŁCENIA KARTOGRAFICZNA METODA REPREZENTACJI WIEDZY W EKSPERTOWYM SYSTEMIE JAKO CI KSZTAŁCENIA TOMASZ DUDEK Wydział Informatyki, Politechnika Szczeci ska Streszczenie W artykule zaprezentowano zastosowanie kartograficznej

Bardziej szczegółowo

PROJEKT CZĘŚCIOWO FINANSOWANY PRZEZ UNIĘ EUROPEJSKĄ. Opis działania raportów w ClearQuest

PROJEKT CZĘŚCIOWO FINANSOWANY PRZEZ UNIĘ EUROPEJSKĄ. Opis działania raportów w ClearQuest PROJEKT CZĘŚCIOWO FINANSOWANY PRZEZ UNIĘ EUROPEJSKĄ Opis działania raportów w ClearQuest Historia zmian Data Wersja Opis Autor 2008.08.26 1.0 Utworzenie dokumentu. Wersja bazowa dokumentu. 2009.12.11 1.1

Bardziej szczegółowo

PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT WERSJA

PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT <NAZWA PROJEKTU> WERSJA <NUMER WERSJI DOKUMENTU> Załącznik nr 4.4 do Umowy nr 35-ILGW-253-.../20.. z dnia... MINISTERSTWO FINANSÓW DEPARTAMENT INFORMATYKI PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT WERSJA numer wersji

Bardziej szczegółowo

Implementacja widoków danych na bazę wiedzy

Implementacja widoków danych na bazę wiedzy Implementacja widoków danych na bazę wiedzy Piotr Piotrowski 1 Streszczenie: Niniejszy artykuł opisuje koncepcję i implementację widoków danych na bazę wiedzy. Widoki danych przesłaniają interfejs bazy

Bardziej szczegółowo

Programowanie deklaratywne

Programowanie deklaratywne Programowanie deklaratywne Artur Michalski Informatyka II rok Plan wykładu Wprowadzenie do języka Prolog Budowa składniowa i interpretacja programów prologowych Listy, operatory i operacje arytmetyczne

Bardziej szczegółowo

Laboratorium nr 5. Temat: Funkcje agregujące, klauzule GROUP BY, HAVING

Laboratorium nr 5. Temat: Funkcje agregujące, klauzule GROUP BY, HAVING Laboratorium nr 5 Temat: Funkcje agregujące, klauzule GROUP BY, HAVING Celem ćwiczenia jest zaprezentowanie zagadnień dotyczących stosowania w zapytaniach języka SQL predefiniowanych funkcji agregujących.

Bardziej szczegółowo

Podstawowe pojęcia dotyczące relacyjnych baz danych. mgr inż. Krzysztof Szałajko

Podstawowe pojęcia dotyczące relacyjnych baz danych. mgr inż. Krzysztof Szałajko Podstawowe pojęcia dotyczące relacyjnych baz danych mgr inż. Krzysztof Szałajko Czym jest baza danych? Co rozumiemy przez dane? Czym jest system zarządzania bazą danych? 2 / 25 Baza danych Baza danych

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

bo od managera wymaga się perfekcji

bo od managera wymaga się perfekcji bo od managera wymaga się perfekcji MODELOWANIE PROCESÓW Charakterystyka modułu Modelowanie Procesów Biznesowych (BPM) Modelowanie procesów biznesowych stanowi fundament wdroŝenia systemu zarządzania jakością

Bardziej szczegółowo

Model relacyjny bazy danych

Model relacyjny bazy danych Bazy Danych Model relacyjny bazy danych Przygotował: mgr inż. Maciej Lasota Bazy Danych 1 1) Model relacyjny bazy danych Relacyjny model bazy danych pojawił się po raz pierwszy w artykule naukowym Edgara

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

Baza danych. Modele danych

Baza danych. Modele danych Rola baz danych Systemy informatyczne stosowane w obsłudze działalności gospodarczej pełnią funkcję polegającą na gromadzeniu i przetwarzaniu danych. Typowe operacje wykonywane na danych w systemach ewidencyjno-sprawozdawczych

Bardziej szczegółowo

Relacyjny model baz danych, model związków encji, normalizacje

Relacyjny model baz danych, model związków encji, normalizacje Relacyjny model baz danych, model związków encji, normalizacje Wyklad 3 mgr inż. Maciej Lasota mgr inż. Karol Wieczorek Politechnika Świętokrzyska Katedra Informatyki Kielce, 2009 Definicje Operacje na

Bardziej szczegółowo

Wykorzystanie standardów serii ISO 19100 oraz OGC dla potrzeb budowy infrastruktury danych przestrzennych

Wykorzystanie standardów serii ISO 19100 oraz OGC dla potrzeb budowy infrastruktury danych przestrzennych Wykorzystanie standardów serii ISO 19100 oraz OGC dla potrzeb budowy infrastruktury danych przestrzennych dr inż. Adam Iwaniak Infrastruktura Danych Przestrzennych w Polsce i Europie Seminarium, AR Wrocław

Bardziej szczegółowo

Bazy Danych 2008 Część 1 Egzamin Pisemny

Bazy Danych 2008 Część 1 Egzamin Pisemny Bazy Danych 2008 Część Egzamin Pisemny. Zagadnienia związane z CDM a) Model danych SłuŜy do wyraŝania struktury danych, projektowanego lub istniejącego systemu. Przez strukturę rozumiemy typ danych, powiązania

Bardziej szczegółowo

Podstawowe pakiety komputerowe wykorzystywane w zarządzaniu przedsiębiorstwem. dr Jakub Boratyński. pok. A38

Podstawowe pakiety komputerowe wykorzystywane w zarządzaniu przedsiębiorstwem. dr Jakub Boratyński. pok. A38 Podstawowe pakiety komputerowe wykorzystywane w zarządzaniu przedsiębiorstwem zajęcia 1 dr Jakub Boratyński pok. A38 Program zajęć Bazy danych jako podstawowy element systemów informatycznych wykorzystywanych

Bardziej szczegółowo

Program wykładu. zastosowanie w aplikacjach i PL/SQL;

Program wykładu. zastosowanie w aplikacjach i PL/SQL; Program wykładu 1 Model relacyjny (10 godz.): podstawowe pojęcia, języki zapytań (algebra relacji, relacyjny rachunek krotek, relacyjny rachunek dziedzin), zależności funkcyjne i postaci normalne (BCNF,

Bardziej szczegółowo

Komputerowe Systemy Przemysłowe: Modelowanie - UML. Arkadiusz Banasik arkadiusz.banasik@polsl.pl

Komputerowe Systemy Przemysłowe: Modelowanie - UML. Arkadiusz Banasik arkadiusz.banasik@polsl.pl Komputerowe Systemy Przemysłowe: Modelowanie - UML Arkadiusz Banasik arkadiusz.banasik@polsl.pl Plan prezentacji Wprowadzenie UML Diagram przypadków użycia Diagram klas Podsumowanie Wprowadzenie Języki

Bardziej szczegółowo

Wstęp. Przygotowanie teoretyczne

Wstęp. Przygotowanie teoretyczne Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie LORATORIUM Teoria Automatów Temat ćwiczenia: Hazardy L.p. Imię i nazwisko Grupa ćwiczeniowa: Poniedziałek 8.00 Ocena Podpis 1. 2. 3. 4. Krzysztof

Bardziej szczegółowo

KOMPUTEROWE WSPOMAGANIE ZARZĄDZANIA PROJEKTAMI W PRZEDSIĘBIORSTWIE

KOMPUTEROWE WSPOMAGANIE ZARZĄDZANIA PROJEKTAMI W PRZEDSIĘBIORSTWIE KOMPUTEROWE WSPOMAGANIE ZARZĄDZANIA PROJEKTAMI W PRZEDSIĘBIORSTWIE Seweryn SPAŁEK Streszczenie: Zarządzanie projektami staje się coraz bardziej powszechne w przedsiębiorstwach produkcyjnych, handlowych

Bardziej szczegółowo

elektroniczna Platforma Usług Administracji Publicznej

elektroniczna Platforma Usług Administracji Publicznej elektroniczna Platforma Usług Administracji Publicznej Instrukcja użytkownika Katalog Usług Publicznych wersja 1.0 wersja 1.0. 1. WPROWADZENIE...3 1.1. CEL DOKUMENTU...3 1.2. SŁOWNIK POJĘĆ...3 1.3. ELEMENTY

Bardziej szczegółowo

Wymierzanie korekt finansowych za naruszenia prawa zamówień publicznych

Wymierzanie korekt finansowych za naruszenia prawa zamówień publicznych Wymierzanie korekt finansowych za naruszenia prawa zamówień publicznych związane z realizacją projektów współfinansowanych ze środków funduszy UE. 1. Cel dokumentu Celem niniejszego dokumentu jest ustalenie

Bardziej szczegółowo

Wykład I. Wprowadzenie do baz danych

Wykład I. Wprowadzenie do baz danych Wykład I Wprowadzenie do baz danych Trochę historii Pierwsze znane użycie terminu baza danych miało miejsce w listopadzie w 1963 roku. W latach sześcdziesątych XX wieku został opracowany przez Charles

Bardziej szczegółowo

Metody strukturalnej analizy ontologii opartych na logice opisowej

Metody strukturalnej analizy ontologii opartych na logice opisowej Politechnika Gdańska Wydział Elektroniki, Telekomunikacji i Informatyki Katedra InŜynierii Oprogramowania Wojciech Waloszek Metody strukturalnej analizy ontologii opartych na logice opisowej Rozprawa doktorska

Bardziej szczegółowo

KURS ACCESS 2003 Wiadomości wstępne

KURS ACCESS 2003 Wiadomości wstępne KURS ACCESS 2003 Wiadomości wstępne Biorąc c udział w kursie uczestnik zapozna się z tematyką baz danych i systemu zarządzania bazami danych jakim jest program Microsoft Access 2003. W trakcie kursu naleŝy

Bardziej szczegółowo

Analiza korespondencji

Analiza korespondencji Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy

Bardziej szczegółowo

Spis treści. spis treści wygenerowany automatycznie

Spis treści. spis treści wygenerowany automatycznie Spis treści Rozdział 2.Wymagania edytorskie 2 2.1. Wymagania ogólne 2 2.2. Tytuły rozdziałów i podrozdziałów 2 2.3. Rysunki, tabele i wzory 3 2.3.1. Rysunki 3 2.3.2. Tabele 4 2.3.3. Wzory 4 2.4. Odsyłacze

Bardziej szczegółowo

Runda 5: zmiana planszy: < < i 6 rzutów.

Runda 5: zmiana planszy: < < i 6 rzutów. 1. Gry dotyczące systemu dziesiętnego Pomoce: kostka dziesięciościenna i/albo karty z cyframi. KaŜdy rywalizuje z kaŝdym. KaŜdy gracz rysuje planszę: Prowadzący rzuca dziesięciościenną kostką albo losuje

Bardziej szczegółowo

Laboratorium nr 8. Temat: Podstawy języka zapytań SQL (część 2)

Laboratorium nr 8. Temat: Podstawy języka zapytań SQL (część 2) Laboratorium nr 8 Temat: Podstawy języka zapytań SQL (część 2) PLAN LABORATORIUM: 1. Sortowanie. 2. Warunek WHERE 3. Eliminacja powtórzeń - DISTINCT. 4. WyraŜenia: BETWEEN...AND, IN, LIKE, IS NULL. 5.

Bardziej szczegółowo

System zarządzania bazą danych SZBD (ang. DBMS -Database Management System)

System zarządzania bazą danych SZBD (ang. DBMS -Database Management System) Podstawowe pojęcia Baza danych Baza danych jest logicznie spójnym zbiorem danych posiadających określone znaczenie. Precyzyjniej będzie jednak powiedzieć, Ŝe baza danych jest informatycznym odwzorowaniem

Bardziej szczegółowo

Multiwyszukiwarka EBSCO Discovery Service - przewodnik

Multiwyszukiwarka EBSCO Discovery Service - przewodnik Ekran Wyszukiwania Podstawowego w multiwyszukiwarce EBSCO Discovery Service zapewnia dostęp poprzez jedno okienko wyszukiwawcze na platformie EBSCOhost do wszystkich zasobów biblioteki. Na ekranie do wyszukiwania

Bardziej szczegółowo

Program szkoleniowy Efektywni50+ Moduł V Raportowanie dla potrzeb analizy danych

Program szkoleniowy Efektywni50+ Moduł V Raportowanie dla potrzeb analizy danych Program szkoleniowy Efektywni50+ Moduł V Raportowanie dla potrzeb analizy danych 1 Wprowadzenie do technologii MS SQL Server 2012 Reporting Services. 2h Podstawowym zadaniem omawianej jednostki lekcyjnej

Bardziej szczegółowo

DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY PROGRAMU AGREGAT - 2

DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY PROGRAMU AGREGAT - 2 InŜynieria Rolnicza 14/2005 Michał Cupiał, Maciej Kuboń Katedra InŜynierii Rolniczej i Informatyki Akademia Rolnicza im. Hugona Kołłątaja w Krakowie DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY

Bardziej szczegółowo

Wykład 5 Charakterystyka języka SQL. Elementy obliczeń relacyjnych.

Wykład 5 Charakterystyka języka SQL. Elementy obliczeń relacyjnych. Wrocławska WyŜsza Szkoła Informatyki Stosowanej Wykład 5 Charakterystyka języka SQL. Elementy obliczeń relacyjnych. Dr inŝ. Krzysztof Pieczarka Email: krzysztof.pieczarka@up.wroc.pl Tradycyjne bazy danych

Bardziej szczegółowo

GEO-SYSTEM Sp. z o.o. GEO-RCiWN Rejestr Cen i Wartości Nieruchomości Podręcznik dla administratora systemu Warszawa 2007

GEO-SYSTEM Sp. z o.o. GEO-RCiWN Rejestr Cen i Wartości Nieruchomości Podręcznik dla administratora systemu Warszawa 2007 GEO-SYSTEM Sp. z o.o. 02-732 Warszawa, ul. Podbipięty 34 m. 7, tel./fax 847-35-80, 853-31-15 http:\\www.geo-system.com.pl e-mail:geo-system@geo-system.com.pl GEO-RCiWN Rejestr Cen i Wartości Nieruchomości

Bardziej szczegółowo

Baza danych. Baza danych to:

Baza danych. Baza danych to: Baza danych Baza danych to: zbiór danych o określonej strukturze, zapisany na zewnętrznym nośniku (najczęściej dysku twardym komputera), mogący zaspokoić potrzeby wielu użytkowników korzystających z niego

Bardziej szczegółowo

Ćwiczenie 3 funkcje agregujące

Ćwiczenie 3 funkcje agregujące Ćwiczenie 3 funkcje agregujące Funkcje agregujące, klauzule GROUP BY, HAVING Ćwiczenie 3 funkcje agregujące Celem ćwiczenia jest zaprezentowanie zagadnień dotyczących stosowania w zapytaniach języka SQL

Bardziej szczegółowo

Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza

Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza Łukasz Kanar UNIWERSYTET WARSZAWSKI WYDZIAŁ NAUK EKONOMICZNYCH WARSZAWA 2008 1. Portfel Markowitza Dany jest pewien portfel n 1 spółek giełdowych.

Bardziej szczegółowo

POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH

POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH Barbara Popowska bpopowsk@math.put.poznan.pl Politechnika Poznańska http://www.put.poznan.pl/ PROGRAM REFERATU 1. WPROWADZENIE 2. GRAF JAKO MODEL

Bardziej szczegółowo

METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA

METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA AMFETAMINY Waldemar S. Krawczyk Centralne Laboratorium Kryminalistyczne Komendy Głównej Policji, Warszawa (praca obroniona na Wydziale Chemii Uniwersytetu

Bardziej szczegółowo

Instrukcja do panelu administracyjnego. do zarządzania kontem FTP WebAs. www.poczta.greenlemon.pl

Instrukcja do panelu administracyjnego. do zarządzania kontem FTP WebAs. www.poczta.greenlemon.pl Instrukcja do panelu administracyjnego do zarządzania kontem FTP WebAs www.poczta.greenlemon.pl Opracowanie: Agencja Mediów Interaktywnych GREEN LEMON Spis treści 1.Wstęp 2.Konfiguracja 3.Konto FTP 4.Domeny

Bardziej szczegółowo

Reprezentacja i analiza obszarów

Reprezentacja i analiza obszarów Cechy kształtu Topologiczne Geometryczne spójność liczba otworów liczba Eulera szkielet obwód pole powierzchni środek cięŝkości ułoŝenie przestrzenne momenty wyŝszych rzędów promienie max-min centryczność

Bardziej szczegółowo

OdświeŜanie hurtownie danych - wykład IV. Zagadnienia do omówienia. Wprowadzenie

OdświeŜanie hurtownie danych - wykład IV. Zagadnienia do omówienia. Wprowadzenie OdświeŜanie hurtownie danych - wykład IV Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006/2007 Zagadnienia do omówienia 1. Wprowadzenie 2. Klasyfikacja źródeł danych 3. Wymagania

Bardziej szczegółowo

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

LABORATORIUM 8,9: BAZA DANYCH MS-ACCESS

LABORATORIUM 8,9: BAZA DANYCH MS-ACCESS UNIWERSYTET ZIELONOGÓRSKI INSTYTUT INFORMATYKI I ELEKTROTECHNIKI ZAKŁAD INŻYNIERII KOMPUTEROWEJ Przygotowali: mgr inż. Arkadiusz Bukowiec mgr inż. Remigiusz Wiśniewski LABORATORIUM 8,9: BAZA DANYCH MS-ACCESS

Bardziej szczegółowo

technologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych.

technologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych. Informatyka Coraz częściej informatykę utoŝsamia się z pojęciem technologii informacyjnych. Za naukową podstawę informatyki uwaŝa się teorię informacji i jej związki z naukami technicznymi, np. elektroniką,

Bardziej szczegółowo

Budowa aplikacji ASP.NET z wykorzystaniem wzorca MVC

Budowa aplikacji ASP.NET z wykorzystaniem wzorca MVC Akademia MetaPack Uniwersytet Zielonogórski Budowa aplikacji ASP.NET z wykorzystaniem wzorca MVC Krzysztof Blacha Microsoft Certified Professional Budowa aplikacji ASP.NET z wykorzystaniem wzorca MVC Agenda:

Bardziej szczegółowo

Internetowy moduł prezentacji ofert pracy do wykorzystania na stronie WWW lub panelu elektronicznym. Wstęp

Internetowy moduł prezentacji ofert pracy do wykorzystania na stronie WWW lub panelu elektronicznym. Wstęp Internetowy moduł prezentacji ofert pracy do wykorzystania na stronie WWW lub panelu elektronicznym. Wstęp Prezentujemy Państwu propozycję modułu aplikacji internetowej słuŝącej do prezentacji ofert pracy

Bardziej szczegółowo

Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów

Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów Eksploracja danych Piotr Lipiński Informacje ogólne Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów UWAGA: prezentacja to nie

Bardziej szczegółowo

Bazy danych. Plan wykładu. Zależności funkcyjne. Wykład 2: Relacyjny model danych - zależności funkcyjne. Podstawy SQL.

Bazy danych. Plan wykładu. Zależności funkcyjne. Wykład 2: Relacyjny model danych - zależności funkcyjne. Podstawy SQL. Plan wykładu Bazy danych Wykład 2: Relacyjny model danych - zależności funkcyjne. Podstawy SQL. Deficja zależności funkcyjnych Klucze relacji Reguły dotyczące zależności funkcyjnych Domknięcie zbioru atrybutów

Bardziej szczegółowo

2011-11-04. Instalacja SQL Server Konfiguracja SQL Server Logowanie - opcje SQL Server Management Studio. Microsoft Access Oracle Sybase DB2 MySQL

2011-11-04. Instalacja SQL Server Konfiguracja SQL Server Logowanie - opcje SQL Server Management Studio. Microsoft Access Oracle Sybase DB2 MySQL Instalacja, konfiguracja Dr inŝ. Dziwiński Piotr Katedra InŜynierii Komputerowej Kontakt: piotr.dziwinski@kik.pcz.pl 2 Instalacja SQL Server Konfiguracja SQL Server Logowanie - opcje SQL Server Management

Bardziej szczegółowo

Katedra Inżynierii Oprogramowania Tematy prac dyplomowych inżynierskich STUDIA NIESTACJONARNE (ZAOCZNE)

Katedra Inżynierii Oprogramowania Tematy prac dyplomowych inżynierskich STUDIA NIESTACJONARNE (ZAOCZNE) Katedra Inżynierii Oprogramowania Tematy prac dyplomowych inżynierskich STUDIA NIESTACJONARNE (ZAOCZNE) Temat projektu/pracy dr inż. Wojciech Waloszek Grupowy system wymiany wiadomości. Zaprojektowanie

Bardziej szczegółowo

FAQ: 00000014/PL Data: 26/11/2008 Komunikacja w protokole MPI za pomocą Global Data (GD) pomiędzy sterownikami S7-300

FAQ: 00000014/PL Data: 26/11/2008 Komunikacja w protokole MPI za pomocą Global Data (GD) pomiędzy sterownikami S7-300 PoniŜszy dokument zawiera opis konfiguracji programu STEP7 dla sterowników SIMATIC S7 300/S7 400 w celu stworzenia komunikacji między dwoma stacjami S7 300 za pomocą sieci MPI i usługi komunikacyjnej Danych

Bardziej szczegółowo

SYSTEMY OPERACYJNE WYKLAD 4 - zarządzanie pamięcią

SYSTEMY OPERACYJNE WYKLAD 4 - zarządzanie pamięcią Wrocław 2007 SYSTEMY OPERACYJNE WYKLAD 4 - zarządzanie pamięcią Paweł Skrobanek C-3, pok. 323 e-mail: pawel.skrobanek@pwr.wroc.pl www.equus.wroc.pl/studia.html 1 PLAN: 2. Pamięć rzeczywista 3. Pamięć wirtualna

Bardziej szczegółowo

FK - Deklaracje CIT-8

FK - Deklaracje CIT-8 FK - Deklaracje CIT-8 1. Wstęp. Moduł FK umoŝliwia przygotowanie i wydruk formularza deklaracji podatkowej CIT-8. W skład dostępnych formularzy wchodzą deklaracje CIT-8(21) oraz CIT- 8/O(8). Dane do formularza

Bardziej szczegółowo

ZAPOZNANIE SIĘ ZE SPOSOBEM PRZECHOWYWANIA

ZAPOZNANIE SIĘ ZE SPOSOBEM PRZECHOWYWANIA LABORATORIUM SYSTEMÓW MOBILNYCH ZAPOZNANIE SIĘ ZE SPOSOBEM PRZECHOWYWANIA DANYCH NA URZĄDZENIACH MOBILNYCH I. Temat ćwiczenia II. Wymagania Podstawowe wiadomości z zakresu obsługi baz danych i języka SQL

Bardziej szczegółowo

WYDZIAŁ ELEKTRYCZNY KATEDRA TELEKOMUNIKACJI I APARATURY ELEKTRONICZNEJ. Instrukcja do zajęć laboratoryjnych. Numer ćwiczenia: 3

WYDZIAŁ ELEKTRYCZNY KATEDRA TELEKOMUNIKACJI I APARATURY ELEKTRONICZNEJ. Instrukcja do zajęć laboratoryjnych. Numer ćwiczenia: 3 Politechnika Białostocka WYDZIAŁ ELEKTRYCZNY KATEDRA TELEKOMUNIKACJI I APARATURY ELEKTRONICZNEJ Instrukcja do zajęć laboratoryjnych Temat ćwiczenia: Analiza baz danych abonentów centrali telekomunikacyjnej

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

RAPORT Kondycja trzeciego sektora w powiecie świdnickim w 2011 roku

RAPORT Kondycja trzeciego sektora w powiecie świdnickim w 2011 roku RAPORT Kondycja trzeciego sektora w powiecie w 2011 roku Trzecim sektorem nazywane są organizacje pozarządowe. Określenie to wywodzi się z podziału państwa na trzy główne sektory: 1. Państwowy 2. Rynkowy

Bardziej szczegółowo

IP Instytucje Pośredniczące. Z uwagi na złoŝoność procesu realizacji PI i PWP, wymagającego zaangaŝowania takŝe innych podmiotów w szczególności ROEFS

IP Instytucje Pośredniczące. Z uwagi na złoŝoność procesu realizacji PI i PWP, wymagającego zaangaŝowania takŝe innych podmiotów w szczególności ROEFS Konsultacje dokumentu Działania informacyjno-promocyjne na rzecz projektów innowacyjnych i współpracy ponadnarodowej PO KL. Rekomendacje Krajowej Instytucji Wspomagającej dla Instytucji Pośredniczących

Bardziej szczegółowo

Tomasz Grześ. Systemy zarządzania treścią

Tomasz Grześ. Systemy zarządzania treścią Tomasz Grześ Systemy zarządzania treścią Co to jest CMS? CMS (ang. Content Management System System Zarządzania Treścią) CMS definicje TREŚĆ Dowolny rodzaj informacji cyfrowej. Może to być np. tekst, obraz,

Bardziej szczegółowo

Zastosowanie Geobazy w analizie przestrzennej. Jarosław Jasiewicz IPIG Wojciech Jaszczyk MPU

Zastosowanie Geobazy w analizie przestrzennej. Jarosław Jasiewicz IPIG Wojciech Jaszczyk MPU Zastosowanie Geobazy w analizie przestrzennej Jarosław Jasiewicz IPIG Wojciech Jaszczyk MPU Co to jest geobaza? Geobaza (ang. Geodatabase) to geograficzna baza danych, umoŝliwia przechowywanie danych geograficznych

Bardziej szczegółowo

Bazy danych Access KWERENDY

Bazy danych Access KWERENDY Bazy danych Access KWERENDY Obiekty baz danych Access tabele kwerendy (zapytania) formularze raporty makra moduły System baz danych MS Access Tabela Kwerenda Formularz Raport Makro Moduł Wyszukiwanie danych

Bardziej szczegółowo

SCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.

SCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie. SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:

Bardziej szczegółowo

Hurtownie danych - przegląd technologii

Hurtownie danych - przegląd technologii Hurtownie danych - przegląd technologii Problematyka zasilania hurtowni danych - Oracle Data Integrator Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel

Bardziej szczegółowo

SYSTEM DIAGNOSTYCZNY OPARTY NA LOGICE DOMNIEMAŃ. Ewa Madalińska. na podstawie prac:

SYSTEM DIAGNOSTYCZNY OPARTY NA LOGICE DOMNIEMAŃ. Ewa Madalińska. na podstawie prac: SYSTEM DIAGNOSTYCZNY OPARTY NA LOGICE DOMNIEMAŃ Ewa Madalińska na podstawie prac: [1] Lukaszewicz,W. (1988) Considerations on Default Logic: An Alternative Approach. Computational Intelligence, 44[1],

Bardziej szczegółowo

PLAN ZARZĄDZANIA KONFIGURACJĄ OPROGRAMOWANIA PROJEKT WERSJA

PLAN ZARZĄDZANIA KONFIGURACJĄ OPROGRAMOWANIA PROJEKT <NAZWA PROJEKTU> WERSJA <NUMER WERSJI DOKUMENTU> Załącznik nr 4.6 do Umowy nr 35-ILGW-253-.../20.. z dnia... MINISTERSTWO FINANSÓW DEPARTAMENT INFORMATYKI PLAN ZARZĄDZANIA KONFIGURACJĄ OPROGRAMOWANIA PROJEKT WERSJA

Bardziej szczegółowo

Problemy z ograniczeniami

Problemy z ograniczeniami Problemy z ograniczeniami 1 2 Dlaczego zadania z ograniczeniami Wiele praktycznych problemów to problemy z ograniczeniami. Problemy trudne obliczeniowo (np-trudne) to prawie zawsze problemy z ograniczeniami.

Bardziej szczegółowo

Opis programu OpiekunNET. Historia... Architektura sieciowa

Opis programu OpiekunNET. Historia... Architektura sieciowa Opis programu OpiekunNET OpiekunNET jest pierwszym na polskim rynku systemem filtrującym nowej generacji. Jako program w pełni sieciowy oferuje funkcje wcześniej niedostępne dla programów kontrolujących

Bardziej szczegółowo

WYDZIAŁ ELEKTRYCZNY KATEDRA TELEKOMUNIKACJI I APARATURY ELEKTRONICZNEJ. Instrukcja do zajęć laboratoryjnych. Numer ćwiczenia: 6

WYDZIAŁ ELEKTRYCZNY KATEDRA TELEKOMUNIKACJI I APARATURY ELEKTRONICZNEJ. Instrukcja do zajęć laboratoryjnych. Numer ćwiczenia: 6 Politechnika Białostocka WYDZIAŁ ELEKTRYCZNY KATEDRA TELEKOMUNIKACJI I APARATURY ELEKTRONICZNEJ Instrukcja do zajęć laboratoryjnych Temat ćwiczenia: Analiza baz danych abonentów centrali telekomunikacyjnej

Bardziej szczegółowo

Uniwersytet Ekonomiczny w Poznaniu - Katedra Informatyki Ekonomicznej. Prowadzone projekty badawcze:

Uniwersytet Ekonomiczny w Poznaniu - Katedra Informatyki Ekonomicznej. Prowadzone projekty badawcze: Uniwersytet Ekonomiczny w Poznaniu - Katedra Informatyki Ekonomicznej Prowadzone projekty badawcze: extraspec (Zastosowanie zaawansowanych metod ekstrakcji danych na potrzeby wyszukiwania ekspertów) Rodzaj

Bardziej szczegółowo

Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych

Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Sebastian Kokot XXI Krajowa Konferencja Rzeczoznawców Majątkowych, Międzyzdroje 2012 Rzetelnie wykonana analiza rynku nieruchomości

Bardziej szczegółowo

Kostki OLAP i język MDX

Kostki OLAP i język MDX Kostki OLAP i język MDX 24 kwietnia 2015 r. Opis pliku z zadaniami Wszystkie zadania na zajęciach będą przekazywane w postaci plików PDF sformatowanych jak ten. Będą się na nie składały różne rodzaje zadań,

Bardziej szczegółowo

Automatyczne planowanie oparte na sprawdzaniu spełnialności

Automatyczne planowanie oparte na sprawdzaniu spełnialności Automatyczne planowanie oparte na sprawdzaniu spełnialności Linh Anh Nguyen Instytut Informatyki Uniwersytet Warszawski Linh Anh Nguyen Algorytm planowania SatPlan 1 Problem planowania sufit nie malowany?

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

Systemy rozgrywek sportowych OGÓLNE ZASADY ORGANIZOWANIA ROZGRYWEK SPORTOWYCH

Systemy rozgrywek sportowych OGÓLNE ZASADY ORGANIZOWANIA ROZGRYWEK SPORTOWYCH Systemy rozgrywek sportowych OGÓLNE ZASADY ORGANIZOWANIA ROZGRYWEK SPORTOWYCH Rozgrywki sportowe moŝna organizować na kilka róŝnych sposobów, w zaleŝności od liczby zgłoszonych druŝyn, czasu, liczby boisk

Bardziej szczegółowo

Problemy niezawodnego przetwarzania w systemach zorientowanych na usługi

Problemy niezawodnego przetwarzania w systemach zorientowanych na usługi Problemy niezawodnego przetwarzania w systemach zorientowanych na usługi Jerzy Brzeziński, Anna Kobusińska, Dariusz Wawrzyniak Instytut Informatyki Politechnika Poznańska Plan prezentacji 1 Architektura

Bardziej szczegółowo

Wydział Elektroniki Politechniki Wrocławskiej. Kierunek: Informatyka Specjalność: InŜynieria Systemów Informatycznych

Wydział Elektroniki Politechniki Wrocławskiej. Kierunek: Informatyka Specjalność: InŜynieria Systemów Informatycznych Wydział Elektroniki Politechniki Wrocławskiej Kierunek: Informatyka Specjalność: InŜynieria Systemów Informatycznych Projekt z przedmiotu Komputerowe Systemy Zarządzania (INE3608) pt. System. Opracowanie:

Bardziej szczegółowo

Pojęcie systemu informacyjnego i informatycznego

Pojęcie systemu informacyjnego i informatycznego BAZY DANYCH Pojęcie systemu informacyjnego i informatycznego DANE wszelkie liczby, fakty, pojęcia zarejestrowane w celu uzyskania wiedzy o realnym świecie. INFORMACJA - znaczenie przypisywane danym. SYSTEM

Bardziej szczegółowo

Internet Semantyczny. Wstęp do OWL 2

Internet Semantyczny. Wstęp do OWL 2 Internet Semantyczny Wstęp do OWL 2 RDFS Podstawowymi elementami które określamy w RDFS są klasy (ang. class) zasobów i właściwości (ang. property) zasobów charakterystyczne dla interesującego nas fragmentu

Bardziej szczegółowo

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 273 (56), 83 90

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 273 (56), 83 90 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 273 (56), 83 90 Zdzisław KES INFORMATYCZNE WSPOMAGANIE OBSŁUGI STUDIÓW PODYPLOMOWYCH W KATEDRZE

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

TWORZENIE BAZ WIEDZY W SYSTEMACH EKSPERTOWYCH GOSPODAROWANIA MAJĄTKIEM OBROTOWYM PREDSIĘBIORSTWA

TWORZENIE BAZ WIEDZY W SYSTEMACH EKSPERTOWYCH GOSPODAROWANIA MAJĄTKIEM OBROTOWYM PREDSIĘBIORSTWA TWORZENIE BAZ WIEDZY W SYSTEMACH EKSPERTOWYCH GOSPODAROWANIA MAJĄTKIEM OBROTOWYM PREDSIĘBIORSTWA Leszek Kiełtyka, Waldemar Jędrzejczyk Wprowadzenie Systemy ekspertowe (SE) są to komputerowe programy konsultacyjne,

Bardziej szczegółowo

Zasady opracowania wniosków o dofinansowanie realizacji projektu na rok 2010. Toruń, 24 marca 2010 r.

Zasady opracowania wniosków o dofinansowanie realizacji projektu na rok 2010. Toruń, 24 marca 2010 r. Zasady opracowania wniosków o dofinansowanie realizacji projektu na rok 2010 Toruń, 24 marca 2010 r. 1. Podmioty uprawnione do ubiegania się o dofinansowanie realizacji projektu (Beneficjenci) W ramach

Bardziej szczegółowo

XII International PhD Workshop OWD 2010, 23 26 October 2010. Metodyka pozyskiwania i analizy wyników badań symulacyjnych ścieżek klinicznych

XII International PhD Workshop OWD 2010, 23 26 October 2010. Metodyka pozyskiwania i analizy wyników badań symulacyjnych ścieżek klinicznych XII International PhD Workshop OWD 2010, 23 26 October 2010 Metodyka pozyskiwania i analizy wyników badań symulacyjnych ścieżek klinicznych Methodology of Acquiring and Analyzing Results of Simulation

Bardziej szczegółowo

Bazy danych - wykład wstępny

Bazy danych - wykład wstępny Bazy danych - wykład wstępny Wykład: baza danych, modele, hierarchiczny, sieciowy, relacyjny, obiektowy, schemat logiczny, tabela, kwerenda, SQL, rekord, krotka, pole, atrybut, klucz podstawowy, relacja,

Bardziej szczegółowo

Lingwistyczne podsumowania baz danych.inteligentne generowanie s

Lingwistyczne podsumowania baz danych.inteligentne generowanie s Lingwistyczne podsumowania baz danych. Inteligentne generowanie streszczeń Instytut Informatyki, Politechnika Łódzka Katowice, 29 stycznia 2010 r. Problematyka Bazy i hurtownie danych olbrzymia ilość liczb......

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

III. ZMIENNE LOSOWE JEDNOWYMIAROWE

III. ZMIENNE LOSOWE JEDNOWYMIAROWE III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta

Bardziej szczegółowo

Oprogramowanie dla biznesu Numer 11 (69) Listopad 2009 JAK SZYBKO I SKUTECZNIE ZAMKNĄĆ ROK?

Oprogramowanie dla biznesu Numer 11 (69) Listopad 2009 JAK SZYBKO I SKUTECZNIE ZAMKNĄĆ ROK? Oprogramowanie dla biznesu Numer 11 (69) Listopad 2009 JAK SZYBKO I SKUTECZNIE ZAMKNĄĆ ROK? CZY TO MOśLIWE, ABY PRZEZ PROCES ZAMKNIĘCIA ROKU W DUśEJ FIRMIE LEASINGOWEJ PRZEJŚĆ SZYBKO I BEZBOLEŚNIE? MY

Bardziej szczegółowo

Egzamin maturalny z geografii w 2015 roku

Egzamin maturalny z geografii w 2015 roku Egzamin maturalny z geografii w 2015 roku Gdańsk, 16 lutego 2014 Zmiany w egzaminie maturalnym z geografii Nowa podstawa programowa w gimnazjum od 2009 roku zawierająca wymagania ogólne i szczegółowe III

Bardziej szczegółowo

Laboratorium nr 10. Temat: Połączenia relacji

Laboratorium nr 10. Temat: Połączenia relacji Laboratorium nr 10 Temat: Połączenia relacji Dotychczas omawiane zapytania zawsze dotyczyły jednej relacji. MoŜliwe jest jednak pisanie zapytań, które odczytują i łączą dane z wielu relacji. Celem tego

Bardziej szczegółowo

Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych

Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1 Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1. Podstawowe operacje logiczne dla cyfr binarnych Jeśli cyfry 0 i 1 potraktujemy tak, jak wartości logiczne fałsz i prawda, to działanie

Bardziej szczegółowo

Spekulacja na rynkach finansowych. znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A.

Spekulacja na rynkach finansowych. znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A. Spekulacja na rynkach finansowych znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A. Narzędzia 2 Analiza techniczna Analiza fundamentalna Narzędzia (2) 3 AT astrologia rynków finansowych AF alchemia

Bardziej szczegółowo

PageRank i HITS. Mikołajczyk Grzegorz

PageRank i HITS. Mikołajczyk Grzegorz PageRank i HITS Mikołajczyk Grzegorz PageRank Metoda nadawania indeksowanym stronom internetowym określonej wartości liczbowej, oznaczającej jej jakość. Algorytm PageRank jest wykorzystywany przez popularną

Bardziej szczegółowo