22-24 września, Gdynia
|
|
- Juliusz Kaźmierczak
- 7 lat temu
- Przeglądów:
Transkrypt
1 22-24 września, Gdynia data Marek Zmuda, PhD Software Intel Corporation
2 Agenda (1) Czym są dane a czym informacja? (2) Klasyczne podejście do analizy danych (3) Dlaczego stare metody nie wystarczają? (4) Big Data - o co tu chodzi? (5) Korelacja pomiędzy danymi kluczem do sukcesu (6) Big? czyli właściwie ile tych danych ma być? (7) data jakie dane nas interesują? (8) Życiowe przykłady wykorzystania technologii Big Data (9) Zagrożenia (10) Jak Ty możesz zacząć swoją przygodę z Big Data?
3 Czym są dane, czym informacja? Informacja (łac. łac. informatio przedstawienie, wizerunek; informare kształtować, przedstawiać) właściwość pewnych obiektów, relacja między elementami zbiorów pewnych obiektów, której istotą jest zmniejszanie niepewności (nieokreśloności) Dane (ang. data, łac. datum) zbiór liczb, tekstów, znaków, wykresów, sygnałów dostarczających informację Uwaga! Zbiory danych mogą zawierać informację Jeśli nie wiemy co reprezentują zbiory danych, nie możemy wydobyć z nich informacji
4 Klasyczne podejście do zbierania danych Pierwsze spisy ludności Pierwsze udokumentowane spisy ludności 7000 lat pne Uzyskiwano przybliżone dane Były bardzo kosztowne Czas zbierania danych był bardzo długi (cykl ~5 10 lat) Finalne dane były. już nieaktualne Przełomowe podejście Londyn XVII wiek, epidemia dżumy podejście statystyczne Opanowano problem przetwarzania dużych ilości danych wybierając jedynie małą, losową próbę Kluczowy wniosek: jakość danych znacznie szybciej rośnie wraz ze wzrostem losowości próby niż z jej wielkością Przeprowadzano częściowe wpisy zmniejszyło to czas i koszt
5 Klasyczne podejście do zbierania danych Pierwsze spisy ludności Pierwsze udokumentowane spisy ludności 7000 lat pne Uzyskiwano przybliżone dane Były bardzo kosztowne Czas zbierania danych był bardzo długi (cykl ~5 10 lat) Finalne dane były. już nieaktualne Przełomowe podejście Londyn XVII wiek, epidemia dżumy podejście statystyczne Opanowano problem przetwarzania dużych ilości danych wybierając jedynie małą, losową próbę Kluczowy wniosek: jakość danych znacznie szybciej rośnie wraz ze wzrostem losowości próby niż z jej wielkością Przeprowadzano częściowe wpisy zmniejszyło to czas i koszt Próba losowa jest jednak tylko uproszczeniem problemu. Najbardziej wiarygodne rezultaty uzyskuje się przetwarzając wszystkie dane
6 Klasyczne podejście do zbierania danych Wady podejścia klasycznego: Proces jest długotrwały i pracochłonny Zamknięty zbiór pytań/pomiarów Jak określić reprezentatywną próbę losową? Brak możliwości post-analiz np. sub-kategorii (inicjalna próba przestaje być reprezentatywna) Brak możliwości tworzenia analiz w czasie rzeczywistym
7 Klasyczne podejście do analizy danych 8 maja 2016r, słoneczny poniedziałek, o godzinie 7:30 rano, 25-letni matematyk, ubrany w żółtą koszulkę, niebieskie jeansy i pomarańczowe trampki, wyrusza swoim dwuletnim granatowym Fordem Mondeo z przedmieścia Sopotu do oddalonego o 13km centrum Gdańska. Na miejsce dojeżdża o godzinie 8:00. W tą samą trasę w kierunku przeciwnym wyrusza o godzinie 16:00 i dojeżdża do Sopotu o godzinie 16:20. O której godzinie Adam dotrze z Sopotu do Gdańska w czwartek 11 sierpnia 2016 jeśli wyjedzie o 8:00? O której godzinie Adam dotrze z Gdańska do Sopotu w środę 21 września 2016 jeśli wyjedzie o 19:00?
8 Klasyczne podejście do analizy danych 8 maja 2016r, słoneczny poniedziałek, o godzinie 7:30 rano, 25-letni matematyk, ubrany w żółtą koszulkę, niebieskie jeansy i pomarańczowe trampki, wyrusza swoim dwuletnim granatowym Fordem Mondeo z przedmieścia Sopotu do oddalonego o 13km centrum Gdańska. Na miejsce dojeżdża o godzinie 8:00. W tą samą trasę w kierunku przeciwnym wyrusza o godzinie 16:00 i dojeżdża do Sopotu o godzinie 16:20. O której godzinie Adam dotrze z Sopotu do Gdańska w czwartek 11 sierpnia 2016 jeśli wyjedzie o 8:00? O której godzinie Adam dotrze z Gdańska do Sopotu w środę 21 września 2016 jeśli wyjedzie o 19:00?
9 Klasyczne podejście do analizy danych Strategia: (1) Zrozumienie natury zjawiska (2) Określenie minimalnego modelu matematycznego opisującego problem (3) Wyłuskanie dokładnych danych i podanie ich do modelu (4) Wyznaczenie rozwiązania na podstawie modelu i podanych danych Ograniczenia: (1) Musimy dobrze rozumieć naturę zjawiska nie zawsze jest to możliwe!!! (2) Model musi uwzględniać wszystkie istotne czynniki - nie zawsze jest to możliwe!!! (3) Potrzebne są dokładnie określone dane
10 Big Data A gdyby tak zbierać, analizować, archiwizować wszystkie dostępne dane? Nowe podejście: N = całość video
11 Big Data Cechy: (1) Przetwarzanie danych o rozmiarach bliskich n=całość pozwala nam dostrzec zjawiska, których nie dostrzegaliśmy przy analizie metodą próby losowej (2) Nie musimy być zbyt dokładni przy zbieraniu i porządkowaniu danych, gdy w grę wchodzi n=całość (3) Inicjalne odejście od poszukiwania przyczyn na rzecz zrozumienia tego co się dzieje
12 Podejście Big Data 8 maja 2016r, słoneczny poniedziałek, o godzinie 7:30 rano, 25-letni matematyk, ubrany w żółtą koszulkę, niebieskie jeansy i pomarańczowe trampki, wyrusza swoim dwuletnim granatowym Fordem Mondeo z przedmieścia Sopotu do oddalonego o 13km centrum Gdańska. Na miejsce dojeżdża o godzinie 8:00. W tą samą trasę w kierunku przeciwnym wyrusza o godzinie 16:00 i dojeżdża do Sopotu o godzinie 16:20. O której godzinie Adam dotrze z Sopotu do Gdańska w czwartek 11 sierpnia 2016 jeśli wyjedzie o 8:00? O której godzinie Adam dotrze z Gdańska do Sopotu w środę 21 września 2016 jeśli wyjedzie o 19:00?
13 Podejście Big Data Strategia: (1) Zebrać jak najwięcej danych (historyczne statystyki ruchu drogowego o różnych porach dnia, roku, informacje o wydarzeniach itp) (2) Badanie korelacji pomiędzy zebranymi danymi znalezienie kluczowych czynników dla rozwiązania problemu (3) Stworzenie prototypowego algorytmu do rozwiązania problemu (4) Kalibracja i sprawdzenie poprawności działania algorytmu na podstawie danych historycznych (5) Zastosowanie algorytmu do rozwiązania problemu (przewidywanie) Warunki: (1) Musimy mieć dużo danych (2) Potrzebujemy sporych zasobów obliczeniowych
14 Big Data - korelacja Współczynnik korelacji - współczynnik określający poziom zależności liniowej między zmiennymi losowymi. Zwyczajowo normalizowany <-1, 1>: -1 zupełna korelacja ujemna 0 brak korelacji +1 zupełna korelacja dodatnia
15 Big Data - korelacja Współczynnik korelacji - współczynnik określający poziom zależności liniowej między zmiennymi losowymi. Zwyczajowo normalizowany <-1, 1>: -1 zupełna korelacja ujemna 0 brak korelacji +1 zupełna korelacja dodatnia Korelacja to nie przyczynowość!!!
16 data jakie dane są ciekawe? Dedykowane zbiory danych: Dane zaprojektowane specjalnie do rozwiązania problemu Dane resztkowe: Dane zebrane w celu wykonania innych analiz i właśnie tutaj zaczyna się robić ciekawie
17 Big Data - przykłady 2009 pojawia się nowy wirus grypy H1N1
18 Big Data - przykłady 2009 pojawia się nowy wirus grypy H1N1 Google Flu Trends Ocena aktualnego zagrożenia wirusem grypy na świecie, na podstawie analizy zapytań użytkowników do wyszukiwarki Google wyodrębniono 45 istotnych elementów we frazach zapytań i wykorzystano je do analizy
19 Big Data - przykłady Płatności
20 Big Data - przykłady Transport
21 Big Data - przykłady Translatory i sprawdzanie pisowni
22 Big Data - przykłady Giełda Nowojorska 2/3 z 7mld operacji jest wykonywana przez komputery
23 Big Data - przykłady Nie jestem robotem - Captcha
24 Big Data - przykłady Branża rozrywkowa
25 Big Data - przykłady Zagrożenia. Naruszenia prywatności jakie dane możemy udostępniać? Dane osobowe stają się towarem Czy można kogoś karać za coś czego (jeszcze) nie zrobił?
26 Big Data jak Ty możesz zacząć? (1) Dane wiele ogólnodostępnych, otwartych baz danych 93% danych na świecie jest w postaci cyfrowej duża część na www (2) Zasoby obliczeniowe Wiedza. Twój komputer być może wystarczy Darmowe konta edukacyjne Python, R, Excel (3) Problemy do rozwiązania
27 Podsumowanie (1) Przetwarzanie zbiorów danych liczności n=całość pozwala nam na zaobserwowanie zjawisk niedostrzegalnych przy analizach klasycznych (2) Dokładność zbierania danych nie jest tak istotna jak w metodach klasycznych. (3) BigData pozwala nam dokładnie powiedzieć co się dzieje zamiast dlaczego (4) Analiza BigData bazuje na określeniu korelacji poszczególnych danych (5) BigData sukcesywnie dociera do wszystkich obszarów gospodarki i naszego życia (6) Ty też możesz zacząć!
28
R-PEARSONA Zależność liniowa
R-PEARSONA Zależność liniowa Interpretacja wyników: wraz ze wzrostem wartości jednej zmiennej (np. zarobków) liniowo rosną wartości drugiej zmiennej (np. kwoty przeznaczanej na wakacje) czyli np. im wyższe
Bardziej szczegółowoSposoby prezentacji problemów w statystyce
S t r o n a 1 Dr Anna Rybak Instytut Informatyki Uniwersytet w Białymstoku Sposoby prezentacji problemów w statystyce Wprowadzenie W artykule zostaną zaprezentowane podstawowe zagadnienia z zakresu statystyki
Bardziej szczegółowoGdzie szukać klientów?"
Gdzie szukać klientów?" Każda firma potrzebuje nowych klientów. Stale napływający nowi klienci to woda na młyn każdego biznesu. Jeśli brakuje ich w Twojej firmie to koniecznie zbadaj potencjał rynku na
Bardziej szczegółowoSCENARIUSZ 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 szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoMetody numeryczne w przykładach
Metody numeryczne w przykładach Bartosz Ziemkiewicz Wydział Matematyki i Informatyki UMK, Toruń Regionalne Koło Matematyczne 8 kwietnia 2010 r. Bartosz Ziemkiewicz (WMiI UMK) Metody numeryczne w przykładach
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoNiezwykłe tablice Poznane typy danych pozwalają przechowywać pojedyncze liczby. Dzięki tablicom zgromadzimy wiele wartości w jednym miejscu.
Część XIX C++ w Każda poznana do tej pory zmienna może przechowywać jedną liczbę. Jeśli zaczniemy pisać bardziej rozbudowane programy, okaże się to niewystarczające. Warto więc poznać zmienne, które mogą
Bardziej szczegółowoAnaliza zależności liniowych
Narzędzie do ustalenia, które zmienne są ważne dla Inwestora Analiza zależności liniowych Identyfikuje siłę i kierunek powiązania pomiędzy zmiennymi Umożliwia wybór zmiennych wpływających na giełdę Ustala
Bardziej szczegółowoModel procesu dydaktycznego
Model procesu dydaktycznego w zakresie Business Intelligence Zenon Gniazdowski 1,2), Andrzej Ptasznik 1) 1) Warszawska Wyższa Szkoła Informatyki, ul. Lewartowskiego 17, Warszawa 2) Instytut Technologii
Bardziej szczegółowoAkwizycja i przetwarzanie sygnałów cyfrowych
Akwizycja i przetwarzanie sygnałów cyfrowych Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Rewolucja cyfrowa i jej skutki Rewolucja cyfrowa - dane cyfrowe: podstawowy rodzaj informacji multimedialnych,
Bardziej szczegółowoJAKIEGO RODZAJU NAUKĄ JEST
JAKIEGO RODZAJU NAUKĄ JEST INFORMATYKA? Computer Science czy Informatyka? Computer Science czy Informatyka? RACZEJ COMPUTER SCIENCE bo: dziedzina ta zaistniała na dobre wraz z wynalezieniem komputerów
Bardziej szczegółowoX Y 4,0 3,3 8,0 6,8 12,0 11,0 16,0 15,2 20,0 18,9
Zadanie W celu sprawdzenia, czy pipeta jest obarczona błędem systematycznym stałym lub zmiennym wykonano szereg pomiarów przy różnych ustawieniach pipety. Wyznacz równanie regresji liniowej, które pozwoli
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoEkonomiczny Uniwersytet Dziecięcy
Ekonomiczny Uniwersytet Dziecięcy O sztuce wyznaczania i osiągania celów Małgorzata Dębowska Uniwersytet Ekonomiczny w Poznaniu 14 maja 2015 r. Cel to zamierzony rezultat Daje poczucie sprawczości Świadomość,
Bardziej szczegółowoTechnologie informacyjne - wykład 12 -
Zakład Fizyki Budowli i Komputerowych Metod Projektowania Instytut Budownictwa Wydział Budownictwa Lądowego i Wodnego Politechnika Wrocławska Technologie informacyjne - wykład 12 - Prowadzący: Dmochowski
Bardziej szczegółowoJak działa Brandle? Narzędzie online do organizacji i sprawdzania efektów marketingu dyskusji w internecie
Jak działa Brandle? Narzędzie online do organizacji i sprawdzania efektów marketingu dyskusji w internecie Agencje, takie jak Twoja, prowadzą zwykle wiele działań związanych z promowaniem marki klientów,
Bardziej szczegółowoMetody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015
Metody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015 1 Metody numeryczne Dział matematyki Metody rozwiązywania problemów matematycznych za pomocą operacji na liczbach. Otrzymywane
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoWykład 1: O statystyce i analizie danych
Wykład 1: O statystyce i analizie danych wykładowca: dr Marek Sobolewski konsultacje: poniedziałek 10.30-12.00, czwartek 9.00-10.30 (p. L-400) strona internetowa: www.msobolew.sd.prz.edu.pl prowadzący
Bardziej szczegółowoWarsztat: Randomizacja w programie Excel
Warsztaty szkoleniowe z zakresu ewaluacji wpływu instrumentów Aktywnych Polityk Rynku Pracy Warsztat: Randomizacja w programie Excel Piotr Ćwiakowski Tomasz Gajderowicz, Kraków, 5 czerwca 2017 r. Przydział
Bardziej szczegółowoTREŚCI NAUCZANIA z przedmiotu pracowania ekonomiczno - informatyczna na podstawie programu nr 341[02]/MEN/2008.05.20. klasa 3 TE
TREŚCI NAUCZANIA z przedmiotu pracowania ekonomiczno - informatyczna na podstawie programu nr [0]/MEN/008.05.0 klasa TE LP TREŚCI NAUCZANIA NAZWA JEDNOSTKI DYDAKTYCZNEJ Lekcja organizacyjna Zapoznanie
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoZmiana czasu a obciążenia KSE
Zmiana czasu a obciążenia KSE Autor: Jarosław Tomczykowski - biuro PTPiREE ("Energia Elektryczna" - kwiecień 2014) W naszym kraju, podobnie jak w całej Unii Europejskiej, czas letni zaczyna się w ostatnią
Bardziej szczegółowoMetody Prognozowania
Wprowadzenie Ewa Bielińska 3 października 2007 Plan 1 Wprowadzenie Czym jest prognozowanie Historia 2 Ciągi czasowe Postępowanie prognostyczne i prognozowanie Predykcja długo- i krótko-terminowa Rodzaje
Bardziej szczegółowoAdaptive wavelet synthesis for improving digital image processing
for improving digital image processing Politechnika Łódzka Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej 4 listopada 2010 Plan prezentacji 1 Wstęp 2 Dyskretne przekształcenie falkowe
Bardziej szczegółowoKlucz do skutecznej sprzedaży swoich kompetencji podczas rozmowy kwalifikacyjnej
Klucz do skutecznej sprzedaży swoich kompetencji podczas rozmowy kwalifikacyjnej Przemysław Walter Instytut Coachingu i Mentoringu Rozmowa kwalifikacyjna & Autoprezentacja Zwycięskie Strategie Klucz do
Bardziej szczegółowoAlgorytm. Algorytmy Marek Pudełko
Algorytm Algorytmy Marek Pudełko Definicja Algorytm to skończony, uporządkowany ciąg jasno zdefiniowanych czynności, koniecznych do wykonania pewnego zadania. Algorytm ma przeprowadzić system z pewnego
Bardziej szczegółowoProblemy społeczne i zawodowe informatyki
1/12 Problemy społeczne i zawodowe informatyki dr inż. Robert Jacek Tomczak Na licencji Creative Commons Uznanie autorstwa 3.0 Polska CC BY Stan na dzień: 16 czerwca 2012 2/12 3/12 Definicje Informacja
Bardziej szczegółowoZwiększ swoją produktywność
Zwiększ swoją produktywność Pracuj mądrzej, nie więcej. Znasz to uczucie, gdy Twoja lista zadań zamiast się skurczyć ciągle tylko się wydłuża? Gdy niezależnie od tego, jak długo pracowałaś w ciągu dnia,
Bardziej szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoPoznaj swojego klienta Stwórz AVATAR
Poznaj swojego klienta Stwórz AVATAR str. 1 Poznaj swojego klienta - stwórz Avatar Avatar klienta to nic innego jak wzięcie pod lupę Twoich klientów lub potencjalnych klientów oraz dokładna ich analiza.
Bardziej szczegółowoREPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH
REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH Transport, studia I stopnia rok akademicki 2012/2013 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Pojęcie
Bardziej szczegółowoPrzetwarzanie obrazów wykład 4
Przetwarzanie obrazów wykład 4 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Filtry nieliniowe Filtry nieliniowe (kombinowane)
Bardziej szczegółowoPolityka prywatności
Polityka prywatności Przyjęta do stosowania przez podmiot: Sellus sp. z o.o. z siedzibą w Dąbrowie Górniczej (41-300) przy ulicy Przelotowej 200, wpisaną Krajowego Rejestru Sądowego pod numerem 0000448173,
Bardziej szczegółowoKONSPEKT ZAJĘĆ KOŁA INFORMATYCZNEGO LUB MATEMATYCZNEGO W KLASIE III GIMNAZJUM LUB I LICEUM ( 2 GODZ.)
Joanna Osio asiaosio@poczta.onet.pl Nauczycielka matematyki w Gimnazjum im. Macieja Rataja w Żmigrodzie KONSPEKT ZAJĘĆ KOŁA INFORMATYCZNEGO LUB MATEMATYCZNEGO W KLASIE III GIMNAZJUM LUB I LICEUM ( 2 GODZ.)
Bardziej szczegółowoTechnologie cyfrowe. Artur Kalinowski. Zakład Cząstek i Oddziaływań Fundamentalnych Pasteura 5, pokój 4.15
Technologie cyfrowe Artur Kalinowski Zakład Cząstek i Oddziaływań Fundamentalnych Pasteura 5, pokój 4.15 Artur.Kalinowski@fuw.edu.pl Semestr letni 2014/2015 Zadanie algorytmiczne: wyszukiwanie dane wejściowe:
Bardziej szczegółowoANALIZA WYNIKÓW BADANIA
ANALIZA WYNIKÓW BADANIA SATYSFAKCJI UCZESTNIKÓW Projekt pn. Każdy może zostać Omnibusem I badanie ankietowe przeprowadzone wśród uczestników w szkołach podstawowych i gimnazjalnych w powiecie legionowskim
Bardziej szczegółowoInformatyka wspomaga przedmioty ścisłe w szkole
Informatyka wspomaga przedmioty ścisłe w szkole Prezentuje : Dorota Roman - Jurdzińska W arkuszu I na obu poziomach występują dwa zadania związane z algorytmiką: Arkusz I bez komputera analiza algorytmów,
Bardziej szczegółowoSzkolenie Regresja liniowa
Szkolenie Regresja liniowa program i cennik Łukasz Deryło Analizy statystyczne, szkolenia www.statystyka.c0.pl Szkolenie Regresja liniowa Co to jest regresja liniowa? Regresja liniowa jest podstawową metodą
Bardziej szczegółowoTematyka seminariów z informatyki dla studentów I roku kierunku lekarsko-dentystycznego w roku akademickim 2017/2018.
Tematyka seminariów z informatyki dla studentów I roku kierunku lekarsko-dentystycznego w roku akademickim 2017/2018. 1. Sieci komputerowe rodzaje, budowa, model ISO/OSI. 2. Istota kompresji danych. Zastosowania.
Bardziej szczegółowoFabryka i3 Machine Learning w analizie ryzyka kredytowego
Fabryka i3 Machine Learning w analizie ryzyka kredytowego Big Data, Machine Learning czy to dla mnie? Od perceptronu do oceny ryzyka MACHINE LEARNING CZŁOWIEK Jak działa machine learning? Doświadczenie
Bardziej szczegółowoRozkład materiału do zajęć z informatyki. realizowanych według podręcznika
Rozkład materiału do zajęć z informatyki realizowanych według podręcznika E. Gurbiel, G. Hardt-Olejniczak, E. Kołczyk, H. Krupicka, M.M. Sysło Informatyka, nowe wydanie z 007 roku Poniżej przedstawiamy
Bardziej szczegółowoBydgoskie Centrum Archiwizacji Cyfrowej sp. z o.o.
STRONA GŁÓWNA ` Usługa earchiwizacja.pl przeznaczona jest zarówno dla osób indywidualnych, jak i firm. Wykorzystuje zasadę przetwarzania danych w chmurze. Pozwala to na dostęp do własnej bazy dokumentów
Bardziej szczegółowoPozycjonowanie. Co to takiego?
Pozycjonowanie Co to takiego? WSTĘP SEO to akronim angielskiej nazwy Search Engine Optimization, czyli optymalizacja witryn internetowych pod kątem wyszukiwarek. Pozycjonowanie w uproszczeniu skupia się
Bardziej szczegółowoO ISTOTNYCH OGRANICZENIACH METODY
O ISTOTNYCH OGRANICZENIACH METODY ALGORYTMICZNEJ Dwa pojęcia algorytmu (w informatyce) W sensie wąskim Algorytmem nazywa się każdy ogólny schemat procedury możliwej do wykonania przez uniwersalną maszynę
Bardziej szczegółowoSłuchacze poznają: definicję oceniania kształtującego wybrane elementy OK opinie nauczycieli stosujących OK
Słuchacze poznają: definicję oceniania kształtującego wybrane elementy OK opinie nauczycieli stosujących OK 2 Ocenianie kształtujące to częste, interaktywne ocenianie postępów ucznia i uzyskanego przez
Bardziej szczegółowoWykład z dnia 8 lub 15 października 2014 roku
Wykład z dnia 8 lub 15 października 2014 roku Istota i przedmiot statystyki oraz demografii. Prezentacja danych statystycznych Znaczenia słowa statystyka Znaczenie I - nazwa zbioru danych liczbowych prezentujących
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoLiczby losowe i pętla while w języku Python
Liczby losowe i pętla while w języku Python Mateusz Miotk 17 stycznia 2017 Instytut Informatyki UG 1 Generowanie liczb losowych Na ogół programy są spójne i prowadzą do przewidywanych wyników. Czasem jednak
Bardziej szczegółowoRaport Specjalny: 3 Największe Mity. Skutecznej Komunikacji w Języku Obcym
Raport Specjalny: 3 Największe Mity Skutecznej Komunikacji w Języku Obcym Raport dostarczyli: Więcej na stronie: http://www.intelektualnie.pl Intelektualnie.pl Centrum Szkoleniowe W ciągu swojej działalności
Bardziej szczegółowoJeśli czas działania algorytmu zależy nie tylko od rozmiaru danych wejściowych i przyjmuje różne wartości dla różnych danych o tym samym rozmiarze,
Oznaczenia: Jeśli czas działania algorytmu zależy nie tylko od rozmiaru danych wejściowych i przyjmuje różne wartości dla różnych danych o tym samym rozmiarze, to interesuje nas złożoność obliczeniowa
Bardziej szczegółowoZakładanie konta w serwisie Canva i opcje interfejsu
Zakładanie konta w serwisie Canva i opcje interfejsu Po uruchomieniu strony dostępnej pod adresem https://www.canva.com określamy, do jakich celów chcemy wykorzystać serwis. Pojawi się okno, w którym Canva
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoKARTA KURSU. (do zastosowania w roku ak. 2015/16) Kod Punktacja ECTS* 4
KARTA KURSU (do zastosowania w roku ak. 2015/16) Nazwa Statystyka 1 Nazwa w j. ang. Statistics 1 Kod Punktacja ECTS* 4 Koordynator Dr hab. Tadeusz Sozański (koordynator, wykłady) Dr Paweł Walawender (ćwiczenia)
Bardziej szczegółowoPrzykładowe sprawozdanie. Jan Pustelnik
Przykładowe sprawozdanie Jan Pustelnik 30 marca 2007 Rozdział 1 Sformułowanie problemu Tematem pracy jest porównanie wydajności trzech tradycyjnych metod sortowania: InsertionSort, SelectionSort i BubbleSort.
Bardziej szczegółowoWykład 2: Tworzenie danych
Wykład 2: Tworzenie danych Plan: Statystyka opisowa a wnioskowanie statystyczne Badania obserwacyjne a eksperyment Planowanie eksperymentu, randomizacja Próbkowanie z populacji Rozkłady próbkowe Wstępna/opisowa
Bardziej szczegółowoJAK SKUTECZNIE WYPROMOWAĆ IMPREZĘ BIEGOWĄ NA
JAK SKUTECZNIE WYPROMOWAĆ IMPREZĘ BIEGOWĄ NA Agenda Slajdy 3-11: Do kogo mówimy? Profil polskiego biegacza Jak dotrzeć do biegaczy na Facebooku? Slajdy 23-63: Strona Slajdy 64-70: Wydarzenie Slajdy 71-83:
Bardziej szczegółowoLABORATORIUM 3. Jeśli p α, to hipotezę zerową odrzucamy Jeśli p > α, to nie mamy podstaw do odrzucenia hipotezy zerowej
LABORATORIUM 3 Przygotowanie pliku (nazwy zmiennych, export plików.xlsx, selekcja przypadków); Graficzna prezentacja danych: Histogramy (skategoryzowane) i 3-wymiarowe; Wykresy ramka wąsy; Wykresy powierzchniowe;
Bardziej szczegółowoOtrzymaliśmy w ten sposób ograniczenie na wartości parametru m.
Dla jakich wartości parametru m dziedziną funkcji f ( x) = x + mx + m 1 jest zbiór liczb rzeczywistych? We wzorze funkcji f(x) pojawia się funkcja kwadratowa, jednak znajduje się ona pod pierwiastkiem.
Bardziej szczegółowoAnaliza ilościowa w przetwarzaniu równoległym
Komputery i Systemy Równoległe Jędrzej Ułasiewicz 1 Analiza ilościowa w przetwarzaniu równoległym 10. Analiza ilościowa w przetwarzaniu równoległym...2 10.1 Kryteria efektywności przetwarzania równoległego...2
Bardziej szczegółowoZa pierwszy niebanalny algorytm uważa się algorytm Euklidesa wyszukiwanie NWD dwóch liczb (400 a 300 rok przed narodzeniem Chrystusa).
Algorytmy definicja, cechy, złożoność. Algorytmy napotykamy wszędzie, gdziekolwiek się zwrócimy. Rządzą one wieloma codziennymi czynnościami, jak np. wymiana przedziurawionej dętki, montowanie szafy z
Bardziej szczegółowoStatystyka. Wykład 1. Magdalena Alama-Bućko. 20 lutego Magdalena Alama-Bućko Statystyka 20 lutego / 19
Statystyka Wykład 1 Magdalena Alama-Bućko 20 lutego 2017 Magdalena Alama-Bućko Statystyka 20 lutego 2017 1 / 19 Wykład : 30h Laboratoria : 30h (grupa B : 14:00, grupa C : 10:30, grupa E : 12:15) obowiazek
Bardziej szczegółowowww.awans.net Publikacje nauczycieli Ewa Goszczycka Gimnazjum w Polesiu
www.awans.net Publikacje nauczycieli Ewa Goszczycka Gimnazjum w Polesiu Zastosowanie technologii informacyjnej do rozwiązywania problemów z działu Statystyka w gimnazjum Plan pracy Praca opublikowana w
Bardziej szczegółowoistocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy
MODEL REGRESJI LINIOWEJ. METODA NAJMNIEJSZYCH KWADRATÓW Analiza regresji zajmuje się badaniem zależności pomiędzy interesującymi nas wielkościami (zmiennymi), mające na celu konstrukcję modelu, który dobrze
Bardziej szczegółowoJakie dane zbiera Sklep Internetowy w sposób automatyczny podczas korzystania z Witryny?
Polityka Prywatności Niniejsza Polityka Prywatności określa zasady gromadzenia, przetwarzania i wykorzystywania danych osobowych pozyskanych od Państwa przez internetowy sklep prowadzony pod adresem www.inofem.pl
Bardziej szczegółowoAlgorytm. Krótka historia algorytmów
Algorytm znaczenie cybernetyczne Jest to dokładny przepis wykonania w określonym porządku skończonej liczby operacji, pozwalający na rozwiązanie zbliżonych do siebie klas problemów. znaczenie matematyczne
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład. Producent pewnych detali twierdzi, że wadliwość jego produkcji nie przekracza 2%. Odbiorca pewnej partii tego produktu chce sprawdzić, czy może wierzyć producentowi.
Bardziej szczegółowoWprowadzenie Metoda bisekcji Metoda regula falsi Metoda siecznych Metoda stycznych RÓWNANIA NIELINIOWE
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Zazwyczaj nie można znaleźć
Bardziej szczegółowoProgramowanie w Baltie klasa VII
Programowanie w Baltie klasa VII Zadania z podręcznika strona 127 i 128 Zadanie 1/127 Zadanie 2/127 Zadanie 3/127 Zadanie 4/127 Zadanie 5/127 Zadanie 6/127 Ten sposób pisania programu nie ma sensu!!!.
Bardziej szczegółowoScenariusz lekcji Ozobot w klasie: Spacer losowy po układzie współrzędnych
Scenariusz lekcji Ozobot w klasie: Spacer losowy po układzie współrzędnych Opracowanie scenariusza: Richard Born Adaptacja scenariusza na język polski: mgr Piotr Szlagor Tematyka: Informatyka, Matematyka,
Bardziej szczegółowoO LICZBACH NIEOBLICZALNYCH I ICH ZWIĄZKACH Z INFORMATYKĄ
O LICZBACH NIEOBLICZALNYCH I ICH ZWIĄZKACH Z INFORMATYKĄ Jakie obiekty matematyczne nazywa się nieobliczalnymi? Jakie obiekty matematyczne nazywa się nieobliczalnymi? Najczęściej: a) liczby b) funkcje
Bardziej szczegółowo( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:
ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość
Bardziej szczegółowoEFEKTY UCZENIA SIĘ DLA KIERUNKU INŻYNIERIA DANYCH W ODNIESIENIU DO EFEKTÓW UCZENIA SIĘ PRK POZIOM 6
EFEKTY UCZENIA SIĘ DLA KIERUNKU INŻYNIERIA DANYCH W ODNIESIENIU DO EFEKTÓW UCZENIA SIĘ PRK POZIOM 6 studia pierwszego stopnia o profilu ogólnoakademickim Symbol K_W01 Po ukończeniu studiów pierwszego stopnia
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoŚrodowiska programistyczne dla szkoły podstawowej Jak zachęcić uczniów do startu w konkursach informatycznych
Środowiska programistyczne dla szkoły podstawowej Jak zachęcić uczniów do startu w konkursach informatycznych Krzysztof Chechłacz Konferencja metodyczna Informatyka realnie Ośrodek Edukacji Informatycznej
Bardziej szczegółowoIteracyjne rozwiązywanie równań
Elementy metod numerycznych Plan wykładu 1 Wprowadzenie Plan wykładu 1 Wprowadzenie 2 Plan wykładu 1 Wprowadzenie 2 3 Wprowadzenie Metoda bisekcji Metoda siecznych Metoda stycznych Plan wykładu 1 Wprowadzenie
Bardziej szczegółowoInteligentna analiza danych
Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki
Bardziej szczegółowo9. ILE TO KOSZTUJE CZYLI OD ZAGADKI DO ZADANIA TEKSTOWEGO, CZ. III
46 Mirosław Dąbrowski 9. ILE TO KOSZTUJE CZYLI OD ZAGADKI DO ZADANIA TEKSTOWEGO, CZ. III Cele ogólne w szkole podstawowej: zdobycie przez uczniów umiejętności wykorzystywania posiadanych wiadomości podczas
Bardziej szczegółowoZagadnienia: wprowadzenie podstawowe pojęcia. Doświadczalnictwo. Anna Rajfura
Zagadnienia: wprowadzenie podstawowe pojęcia Doświadczalnictwo 1 Termin doświadczalnictwo Doświadczalnictwo planowanie doświadczeń oraz analiza danych doświadczalnych z użyciem metod statystycznych. Doświadczalnictwo
Bardziej szczegółowoWEBINAR. Kiedy kody kreskowe, kiedy RFID a kiedy technologia głosowa?
WEBINAR Kiedy kody kreskowe, kiedy RFID a kiedy technologia głosowa? Agenda 2 Krok 1 Technologie Krok 2 Narzędzia urządzenia i oprogramowanie Krok 3 Podejście do wdrożenia Krok 4 Co wybrać, czyli wady
Bardziej szczegółowoMANIPULACJA W COACHINGU
MANIPULACJA W COACHINGU Arkadiusz Siechowicz Krzysztof Filarski SŁOWNICZEK, A JEDNOCZEŚNIE PLAN SPOTKANIA COACHING OSOBISTY COACHING W BIZNESIE MANIPULACJA I PODATNOŚĆ PRZYKŁADY SYTUACJI MANIPULACJI W
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoWYKRESY FUNKCJI LINIOWEJ
GIMNAZJUM NR 2 W KAMIENNEJ GÓRZE WYKRESY FUNKCJI LINIOWEJ Oprcowała Wiesława Kurnyta Kamienna Góra, 2006 Oto wypisy z Podstawy programowej o nauczaniu matematyki w gimnazjum Cele edukacyjne 1. E Przyswajanie
Bardziej szczegółowoSposoby przedstawiania algorytmów
Temat 1. Sposoby przedstawiania algorytmów Realizacja podstawy programowej 5. 1) wyjaśnia pojęcie algorytmu, podaje odpowiednie przykłady algorytmów rozwiązywania różnych problemów; 2) formułuje ścisły
Bardziej szczegółowoAKADEMIA DLA MŁODYCH PRZEWODNIK TRENERA. PRACA ŻYCIE UMIEJĘTNOŚCI
PRACA ŻYCIE UMIEJĘTNOŚCI www.akademiadlamlodych.pl PODRĘCZNIK WPROWADZENIE Akademia dla Młodych to nowa inicjatywa mająca na celu wspieranie ludzi młodych w rozwijaniu umiejętności niezbędnych w ich miejscu
Bardziej szczegółowoFinanse dla sprytnych
Ekonomiczny Uniwersytet Dziecięcy Uniwersytet w Białymstoku 28 kwietnia 2011 r. Finanse dla sprytnych Dlaczego inteligencja finansowa popłaca? dr Adam Wyszkowski EKONOMICZNY UNIWERSYTET DZIECIĘCY WWW.UNIWERSYTET-DZIECIECY.PL
Bardziej szczegółowoZarządzanie procesami i dokumentami w kontekście obowiązku JPK oraz e-sprawozdań finansowych
Zarządzanie procesami i dokumentami w kontekście obowiązku JPK oraz e-sprawozdań finansowych WORKFLOW&DOCUMENT MANAGEMENT TRENDS 2019 MAGDALENA CHOMUSZKO Agenda 1. Aktualne przepisy prawa a rzeczywistość
Bardziej szczegółowoSzukanie rozwiązań funkcji uwikłanych (równań nieliniowych)
Szukanie rozwiązań funkcji uwikłanych (równań nieliniowych) Funkcja uwikłana (równanie nieliniowe) jest to funkcja, która nie jest przedstawiona jawnym przepisem, wzorem wyrażającym zależność wartości
Bardziej szczegółowoJAK WYKORZYSTAĆ STORYTELLING DO SPRZEDAŻY W SOCIAL MEDIACH? STRESZCZENIE VIDEO SZKOLENIA
JAK WYKORZYSTAĆ STORYTELLING DO SPRZEDAŻY W SOCIAL MEDIACH? STRESZCZENIE VIDEO SZKOLENIA ODCINEK TRZECI OD CZEGO ZACZYNA SIĘ TWORZENIE OPOWIEŚCI SPRZEDAŻOWEJ? Najpierw przypomnienie: W poprzednich dwóch
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci
Bardziej szczegółowoInformacje 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 szczegółowoStatystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, Spis treści
Statystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, 2018 Spis treści Przedmowa 13 O Autorach 15 Przedmowa od Tłumacza 17 1. Wprowadzenie i statystyka opisowa 19 1.1.
Bardziej szczegółowoM T E O T D O ZI Z E E A LG L O G R O Y R TM
O ALGORYTMACH I METODZIE ALGORYTMICZNEJ Czym jest algorytm? Czym jest algorytm? przepis schemat zestaw reguł [ ] program ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające
Bardziej szczegółowoPoradnik. Jak zrobić biżuterie krok po kroku Jovitart
Poradnik Jak zrobić biżuterie krok po kroku Jovitart Wstęp Każda z nas uwielbia pięknie wyglądać i czuć się wyjątkowo. Małe dodatki w postaci biżuterii potrafią sprawić, że czujemy się przy tym dużo lepiej.
Bardziej szczegółowoSTATYSTYKA INDUKCYJNA. O sondażach i nie tylko
STATYSTYKA INDUKCYJNA O sondażach i nie tylko DWA DZIAŁY ESTYMACJA Co na podstawie wyników z próby mogę powiedzieć o wynikach w populacji? WERYFIKACJA HIPOTEZ Czy moje przypuszczenia uczynione przed badaniami
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji
Bardziej szczegółowoDwie szkoły oceny 360 stopni. Sprawdź różnicę pomiędzy klasycznym a nowoczesnym podejściem
Sprawdź różnicę pomiędzy klasycznym a nowoczesnym podejściem Czy stosowanie tradycyjnego podejścia do metody 360 stopni jest jedynym rozwiązaniem? Poznaj dwa podejścia do przeprowadzania procesu oceny
Bardziej szczegółowo