EKSPLORACJA ZASOBÓW INTERNETU - MIŁOSZ KADZIŃSKI LABORATORIUM V INDEKS ODWROTNY + WEB ADVERTISING + MINING NAVIGATIONAL PATTERNS + APRIORI
|
|
- Halina Kołodziej
- 7 lat temu
- Przeglądów:
Transkrypt
1 EKSPLORACJA ZASOBÓW INTERNETU - MIŁOSZ KADZIŃSKI LABORATORIUM V INDEKS ODWROTNY + WEB ADVERTISING + MINING NAVIGATIONAL PATTERNS + APRIORI 1. Laboratorium V 1.1. Indeks odwrotny 1.2. Web advertising algorytm BALANCE oraz podstawy algorytmu Adwords 1.3. Podstawy eksploracyjnej analizy 1.4. Wykorzystanie łańcuchów Markowa do Mining Navigational Patterns 1.5. Algorytm A-Priori odkrywanie zbiorów częstych i reguł asocjacyjnych 2. Inverted index - indeks (plik) odwrócony Struktura danych przechowująca poszczególny termy jako klucze, oraz identyfikatory plików, w których te termy wystąpiły jako wartości (najczęściej implementowana jako tablica hashująca lub drzewo binarne). Cel: zwiększenie szybkości działania wyszukiwarki przy poniesieniu kosztu dodania informacji o dokumencie do indeksu W indeksie najczęściej przechowywane są indeksy dokumentów (numery porządkowe). Dodatkowo dla każdego termu często przechowywana jest długość listy dokumentów, które go zawierają. W wersji pełnej indeksu przechowuje się pary (DocID, TermPos), gdzie TermPos jest pozycją termu w ramach dokumentu o identyfikatorze DocID. Zwykle dokumenty dla danego termu są uszeregowane zgodnie z DocID. Inne pomysły polegają na wykorzystaniu tzw. statycznej jakości dokumentu (np. miary PageRank) lub miary TF. 3. Web Advertising Banery , zwykle koszt X$ za 1000 wyświetleń (cost per mil CPM), czasami opłata była pobierana nie za samo wyświetlenie, a kliknięcie (cost per click CPC). Sponsored search, search advertising wprowadzone przez firmę Goto (Overture) w 2000r. Reklamodawcy składają oferty na słowa kluczowe Gdy ktoś w zapytaniu użyje tego słowa kluczowego, wyświetlana jest reklama związana z najwyższą ofertą (lub ranking reklam uporządkowanych wg malejącej wysokości ofert) Reklamodawca jest zobowiązany zapłacić tylko, jeśli reklama zostanie kliknięta Algorithmic search results vs. sponsored search results połączenie Adwords problem Sekwencja zapytań q 1, q 2, Wielu reklamodawców składa ofertę na każde zapytanie Kiedy pojawia się q i, wyszukiwarka musi określić zbiór reklamodawców, których reklamy zostaną pokazane użytkownikowi Cel: maksymalizacja zysku wyszukiwarki BALANCE (prosty) Każdy reklamodawca ma budżet b jednostek Składa oferty w wysokości 0/1 jednostek na każde zapytanie Wyświetlana jest reklama tego reklamodawcy, który ma największy niewydany budżet - 1 -
2 Competitive Ratio = min all possibile inputs M alg /M opt = 1 1/e BALANCE (uogólniony) Dowolne oferty, dowolne budżety Oferta = x i Budżet = b i Kwota wydana do tej pory = m i Część budżetu, która pozostała reklamodawcy: f i = 1 m i /b i Dla zapytania q zostanie wyświetlona reklama reklamodawcy i, dla którego największą wartość ma funkcja: i (q) = x i (1-e -fi ) Competitive Ratio = 1-1/e Google Adwords Algorithm (wersja początkowa) Prosta, zrozumiała, nawiązująca do Goto, your bid determines your position Dwie zmienne: CTR (Click Through Rate dla słowa kluczowego) oraz MAX BID (oferta maksymalnej kwoty, jaką jesteś w stanie zapłacić za kliknięcie reklamy) Rank Score = [CTR * MAX BID] Reklamadawcy (słowo widgets ) CTR MAX [CTR * MAX BID]=Rank Score Rank Score Rank BID Bidder A 0.04 $ * #2 Bidder B 0.05 $ * #1 Bidder C 0.02 $ * #3 Wada z punktu widzenia Google: słowo mało popularne vs. top ranking Zmiany: Obserwacja (2004): I'm bidding on keyword [Mexia purple widget] (that's exact match) and my bid is $ There is no way anybody else is bidding on this term, so why is my ad ranking never any better that 19th? AND, since nobody else is bidding on that carefully selected exact match keyword, why are all those ads showing ahead of me? Odpowiedź: Google określa szerszy temat, z którym powiązane jest zapytanie i trzeba rywalizować z innymi reklamodawcami, którzy nie określi dokładnie tych słów jako kluczowe. Skutek: Nie da się już znaleźć tanich słów kluczowych, które pozwalają na osiągnięcie pierwszych pozycji. Obserwacja (2005): I keep raising my bids, but my ad positions (rankings) refuse to get better." Odpowiedź: Google uwzględnił wiele dodatkowych parametrów takich, jak: historia konta mierzona jako CTR wszystkich reklam i słów kluczowych na koncie; historyczny CTR tzw. display URL (adresu wyświetlanego na dole reklamy, które wskazuje stronę na którą przejdziemy po kliknięciu) w ad group (grupie reklam opracowanych przez reklamodawcą, które są dedykowane dla pojedynczego słowa kluczowego); istotność (relevance) słowa kluczowego w stosunku do - 2 -
3 reklam w ad group Skutek: Ciężko kontrolować pozycję tylko za pomocą oferty (a nawet jeśli to 0.1$ -> 1.5$) Obserwacja (2005): Wait a minute... My Google AdWords ad for my keyword has ranked in the top position for over a year and on Monday it's all of a sudden ranking 27th! I changed nothing and I'm still bidding an outrageous amount, so WHY AM I SEEING MY AD IN 27th position?" Odpowiedź: Google uwzględnia tzw. localization factor (skuteczność reklamy w regionie geograficznym, z którego pochodzi zapytanie) Skutek: Reklamy mogą mieć różne pozycje w różnych częściach świata Kolejna zmiana: landing page factor i wiele, wiele innych :) 4. Mining Navigation Patterns Wykorzystanie łańcuchów Markova (Markov Chains) Pomysł: sekwencje zapisu poruszania się po sieci (określonym serwisie) (navigational sequences) można przedstawić jako diagram przejść ze strony do strony Łańcuch Markova składa się ze zbioru stanów (stron lub wyświetleń stron w serwisie): S = {s 1, s 2,, s n } oraz ze zbioru prawdopodobieństw przejść między stanami: P = {p 1,1,, p 1n, p 21, p 2n,., p n,1,, p nn } W modelu łańcucha Markova prawdopodobieństwo przejścia ze strony s i do strony s j oblicza się jako iloraz liczby wystąpień s j po s i do liczby wystąpień s i. Ścieżka r ze stanu s i do stanu s j to sekwencja stanów z prawdopodobieństwami przejścia większymi niż 0. Prawdopodobieństwo osiągnięcia stanu s j ze stanu s i poprzez ścieżkę r to iloczyn prawdopodobieństw wzdłuż ścieżki: p, K ( r) p k k Prawdopodobieństwa osiągnięcia stanu s j ze stanu s i jest sumą po wszystkich ścieżkach, po których można dojść z s j do s i : p ( j \ i) p( r) r R 1-3 -
4 5. Algorytm A-Priori Model Market-Basket: zbiór produktów (items), np. sprzedawanych w supermarkecie zbiór koszyków (baskets), z których każdy jest małym zbiorem produktów, np. rzeczy, które klient kupuje danego dnia Analiza dotyczy powiązań między produktami w ramach koszyków. Ogólny cel: znajdź zbiory produktów, które pojawiają się w koszykach często mają wysokie wsparcie (powyżej progu (suport threshold) s) Wsparcie dla zbioru produktów I = liczba koszyków, które zawierają wszystkie produkty z I Przykłady wykorzystanie pomysłu: produkty-koszyki w standardowym rozumieniu piwo-pieluszki koszyki=zdania, produkty=dokumenty zawierające te zdania produkty, które zbyt często pojawiają się razem mogą reprezentować plagiaty (produkty nie muszą być w koszykach) koszyki=strony w sieci, produkty=słowa słowa, które pojawiają się razem często w dużej liczbie dokumentów mogą wskazywać na interesujące relacje term associations ( Brad, Angelina ) koszyki=słowa, produkty=dokumenty, strony znajdź powiązania między dokumentami na podstawie ich zawartości zbiory częste to grupy dokumentów, w których wiele słów pojawia się wspólnie koszyki=sesja użytkowanka, produkty=strony odwiedzone w czasie sesji np. 30% klientów, którzy odwiedzili /special-offer.htm złożyli zamówienie na /products/software Algorytm A-Priori: Pomysł: jeśli zbiór produktów pojawia się co najmniej s razy, to każdy z jego podzbiorów też pojawia się co najmniej s razy Jeśli produkt i nie pojawia się w s koszykach, to żadna para (w ogólności nadzbiór właściwy) zawierająca i nie może się pojawić w s koszykach Znajdź zbiory częste składające się z pojedynczych produktów (frequent items), które pojawiają się co najmniej w s koszykach Rozważ zbiory częste składające się z dwóch produktów, które pojedynczo pojawiały się wystarczająco często. Zbadaj, które spośród nich pojawiały się wystarczająco często (co najmniej s razy) W ogólności dla k-sets (zbiorów składających się z k produktów) C k = kandydat na zbiór częsty = zbiory, które mogą być zbiorami częstymi (support >= s) w świetle wiedzy, którą posiadamy dla zbiorów o liczności k-1 L k = zbiory częste o rozmiarze k C 1 = wszystkie pojedyncze produkty W ogólności, L k = zbiory z C k, dla których suport >= s - 4 -
5 C k+1 = zbiory składające się z k+1 produktów, których wszystkie podzbiory k-elementowe są w L k (są częste) Reguły asocjacyjne: Stwierdzenia jeżeli to dotyczące zawartości koszyków {i1, i2,, ik} j należy czytać następująco: jeśli koszyk zawiera wszystkie produkty i1, i2,, ik, to prawdopodobne jest (likely), że zawiera także produkt j Współczynnik pewności tej reguły to prawdopodobieństwo, że występuje j mając dane i1, i2,, ik (w liczniku liczba wystąpień razem wszystkich produktów z części warunkowej oraz części decyzyjnej; w mianowniku liczba wystąpień razem wszystkich produktów z części warunkowej) Odkrywanie reguł asocjacyjnych: Zadanie: znajdź wszystkie reguły asocjacyjne ze wsparciem co najmniej s (support >= s) oraz współczynnikiem pewności co najmniej c (confidence >= c) Reguła {i1, i2,, ik} j ma wysokie wsparcie, jeśli {i1, i2,, ik, j} będzie zbiorem częstym Reguła {i1, i2,, ik} j ma wysoki współczynnik pewności jeśli liczba wystąpień {i1, i2,, ik} nie jest znacząco większa od {i1, i2,, ik, j} Wykorzystanie: Wykorzystaj reguły, by dynamicznie przedstawiać ofertę dla konkretnego użytkownika Prefetch stron, które najprawdopodobniej odwiedzi użytkownik Site optimization (organizacja struktury serwisu) - 5 -
6 9. Ćwiczenia 1. Utwórz indeks odwrócony dla następujących dokumentów: D1: new Home sales top forecasts Term/Doc D1 D2 D3 D4 D2: home sales rise in july forecasts forecasts D3: increase in home sales in july home home D4: july new home sales rise in In increase increase Jakie są wyniki wyszukiwania dla july july Zapytań: new new sales AND rise rise rise forecasts OR increase sales sales top top 2. Dwóch reklamodawców A oraz B dysponuje budżetem 4$. A składa ofertę na zapytanie x, a B składa ofertę na zapytania x oraz y. Wszystkie oferty mają wysokość 1$. Jaki będzie wybór reklam dokonany przez algorytm BALANCE dla ciągu zapytań: xxxxyyyy, a jaki dla ciągu zapytań: yxyxxyxy? Jaki jest optymalny przydział? Podaj competitive ratio dla tego przykładu. Zapytania: xxxxyyyy; competitive ratio = BAL, OPT Zapytania: yxyxxyxy; competitive ratio = BAL, OPT 3. Dana jest zapis przebiegu 16 sesji. Oblicz P(B\A), P(C\B) i P(C\A), P(D/A) Sesje: 6: A, B, C 12: B, C B 1: A, B 7: A, C 13: B, C A 2: A, B 8: A, C 14: B, C, D 3: A, B, C 9: A, B, D 15: B, C C D 4: A, B, C 10: A, B, D 16: B, D 5: A, B, C, D 11: A, B, D l. wystąpień A = l. wystąpień A = l. wystąpień B = P(B\A)= l. wystąpień AB = l. wystąpień AC = l. wystąpień BC = P(C\B)= P AB = P AC = P BC = P(C\A)= l. wystąpień B = l. wystąpień C = P(D\A)= l. wystąpień BD = l. wystąpień CD = P BD = P CD = - 6 -
7 4. Dana jest baza transakcji: {bread milk butter beer} {bread butter water jam beer} {beer diapers bread butter jam} {butter milk juice} {diapers beer juice water} Przy założeniu minimalnego wsparcia 0.6 (minsupport=0.6), znajdź wszystkie zbiory częste. Dla minimalnego współczynnika pewności 0.7 (minconfidence=0.7), znajdź wszystkie reguły asocjacyjne postaci item1 {item2, item3}. Ile jest takich pewnych reguł asocjacyjnych (o współczynniku pewności 1.0)? C1 L1 Support Reguła 1 {bread} {butter} {beer} Confidence = {milk} {water} Reguła 2 {jam} {diapers} {juice} Confidence = C2 L2 Support Reguła 3 C3 L3 Support Confidence = Regułę postaci item1 {item2, item3} można utworzyć tylko z zbiorów częstych składających się z 3 produktów - 7 -
EKSPLORACJA ZASOBÓW INTERNETU - MIŁOSZ KADZIŃSKI LABORATORIUM V ANALIZA UŻYTKOWANIA SIECI ANALIZA LOGÓW + MINING NAVIGATIONAL PATTERNS + A-PRIORI
EKSPLORACJA ZASOBÓW INTERNETU - MIŁOSZ KADZIŃSKI LABORATORIUM V ANALIZA UŻYTKOWANIA SIECI ANALIZA LOGÓW + MINING NAVIGATIONAL PATTERNS + A-PRIORI 1. Plan laboratorium V Formaty pliku log serwera Wstępne
Bardziej szczegółowoWprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Proces odkrywania reguł asocjacyjnych. Data Mining Wykład 2
Data Mining Wykład 2 Odkrywanie asocjacji Plan wykładu Wprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Proces odkrywania reguł asocjacyjnych Geneza problemu Geneza problemu odkrywania reguł
Bardziej szczegółowoINDUKOWANE 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 szczegółowoWprowadzenie do reklamy w wyszukiwarkach
Wprowadzenie do reklamy w wyszukiwarkach Interruption marketing Permission Marketing Reklama a użytkownik internetu 5 tys. przekazów reklamowych dziennie na osobę (badanie DoubleClick). Człowiek buduje
Bardziej szczegółowoWszystko o sitelinkach w Google AdWords No prawie wszystko ;)
Wszystko o sitelinkach w Google AdWords No prawie wszystko ;) Rozszerzeń reklam Google AdWords jest coraz więcej rodzajów i są one coraz bardziej powszechnie używane. Szczególnie popularne są tzw. Sitelinki
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. EKSPLORACJA DANYCH Ćwiczenia. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING EKSPLORACJA DANYCH Ćwiczenia Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoMetody eksploracji danych. Reguły asocjacyjne
Metody eksploracji danych Reguły asocjacyjne Analiza podobieństw i koszyka sklepowego Analiza podobieństw jest badaniem atrybutów lub cech, które są powiązane ze sobą. Metody analizy podobieństw, znane
Bardziej szczegółowoInżynieria biomedyczna
Inżynieria biomedyczna Projekt Przygotowanie i realizacja kierunku inżynieria biomedyczna studia międzywydziałowe współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego.
Bardziej szczegółowoOdkrywanie asocjacji
Odkrywanie asocjacji Cel odkrywania asocjacji Znalezienie interesujących zależności lub korelacji, tzw. asocjacji Analiza dużych zbiorów danych Wynik procesu: zbiór reguł asocjacyjnych Witold Andrzejewski,
Bardziej szczegółowoHandel internetowy w Polsce w dużym skrócie
Handel internetowy w Polsce w dużym skrócie Celem stworzenia dokumentu było, przedstawienie danych o rynku internetowym w Polsce firmom branży odzieżowej. Zagadnienia: Rynek internetowy w Polsce Co robimy,
Bardziej szczegółowo1. Odkrywanie asocjacji
1. 2. Odkrywanie asocjacji...1 Algorytmy...1 1. A priori...1 2. Algorytm FP-Growth...2 3. Wykorzystanie narzędzi Oracle Data Miner i Rapid Miner do odkrywania reguł asocjacyjnych...2 3.1. Odkrywanie reguł
Bardziej szczegółowoINTERNET - NOWOCZESNY MARKETING
STRONA INTERNETOWA TO JUŻ ZBYT MAŁO! INTERNET ROZWIJA SIĘ Z KAŻDYM DNIEM MÓWIMY JUŻ O: SEM Search Engine Marketing, czyli wszystko co wiąże się z marketingiem internetowym w wyszukiwarkach. SEM jest słowem
Bardziej szczegółowoGoogle AdWords. Gdańsk, 22 maja icbm.info cityboard.pl
Google AdWords Gdańsk, 22 maja 2018 icbm.info cityboard.pl Google AdWords 1. AdWords definicja i rodzaje kampanii....slajdy 3-4 2. Kampanie reklamowe w wyszukiwarce......slajdy 5-12 Charakterystyka kampanii
Bardziej szczegółowoReguły asocjacyjne. Żródło: LaroseD.T., Discovering Knowledge in Data. An Introduction to Data Minig, John Wiley& Sons, Hoboken, New Jersey, 2005.
Reguły asocjacyjne Żródło: LaroseD.T., Discovering Knowledge in Data. An Introduction to Data Minig, John Wiley& Sons, Hoboken, New Jersey, 2005. Stragan warzywny -transakcje zakupów Transakcja Produkty
Bardziej szczegółowoConcordia Workshops. Mailing Facebook Google Adwords Podsumowanie
Concordia Workshops Mailing Facebook Google Adwords Podsumowanie Mailing 2 wysyłki newslettera Mailing newsletter na bazy Concordia Design i Prodesign Wysyłka 11.02-1245 adresów email w bazie Concordia
Bardziej szczegółowoOdkrywanie asocjacji
Odkrywanie asocjacji Wprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Odkrywanie asocjacji wykład 1 Wykład jest poświęcony wprowadzeniu i zaznajomieniu się z problemem odkrywania reguł asocjacyjnych.
Bardziej szczegółowoData Mining Wykład 3. Algorytmy odkrywania binarnych reguł asocjacyjnych. Plan wykładu
Data Mining Wykład 3 Algorytmy odkrywania binarnych reguł asocjacyjnych Plan wykładu Algorytm Apriori Funkcja apriori_gen(ck) Generacja zbiorów kandydujących Generacja reguł Efektywności działania Własności
Bardziej szczegółowoSpis Treści. 1. Wprowadzenie. 2. Dlaczego warto wykorzystywać linki sponsorowane? 3. Zasady współpracy. 4. Cennik
Spis Treści 1. Wprowadzenie 2. Dlaczego warto wykorzystywać linki sponsorowane? 3. Zasady współpracy. 4. Cennik 5. Korzyści płynące ze współpracy z nami? 6. Słownik Wprowadzenie Popularność linków sponsorowanych
Bardziej szczegółowoĆwiczenie 5. Metody eksploracji danych
Ćwiczenie 5. Metody eksploracji danych Reguły asocjacyjne (association rules) Badaniem atrybutów lub cech, które są powiązane ze sobą, zajmuje się analiza podobieństw (ang. affinity analysis). Metody analizy
Bardziej szczegółowoSprzedawaj jeszcze więcej dzięki usłudze Ads!
allegro ads.manual wstęp co to jest? Sprzedawaj jeszcze więcej dzięki usłudze Ads! Zaprezentuj pierwszy swoją Ofertę klientom dokładnie w momencie, w którym szukają jej w Allegro. Zapłacisz tylko wtedy,
Bardziej szczegółowoSEO oraz Google Adwords dla małych i średnich przedsiębiorstw.
SEO oraz Google Adwords dla małych i średnich przedsiębiorstw. SEO and Google Adwords for SME Marcin Kaszta Account Manger Plan prezentacji 1. Dlaczego warto inwestować w reklamę online 2. Dobre i złe
Bardziej szczegółowoSystemy Wspomagania Decyzji
Reguły Asocjacyjne Szkoła Główna Służby Pożarniczej Zakład Informatyki i Łączności March 18, 2014 1 Wprowadzenie 2 Definicja 3 Szukanie reguł asocjacyjnych 4 Przykłady użycia 5 Podsumowanie Problem Lista
Bardziej szczegółowoAlgorytm DIC. Dynamic Itemset Counting. Magdalena Przygórzewska Karolina Stanisławska Aleksander Wieczorek
Algorytm DIC Dynamic Itemset Counting Magdalena Przygórzewska Karolina Stanisławska Aleksander Wieczorek Spis treści 1 2 3 4 Algorytm DIC jako rozszerzenie apriori DIC Algorytm znajdowania reguł asocjacyjnych
Bardziej szczegółowo- google.pl (dla serwisów polskich) - google.com (dla witryn i fraz obcojęzycznych)
Pozycjonowanie stron to najpopularniejsza obecnie metoda promocji serwisów www w Internecie. Obejmuje szereg działań dokonywanych wobec określonej strony internetowej. Prowadzą one do tego, aby po wpisaniu
Bardziej szczegółowoMożliwości kierowania reklam na urządzenia mobilne w AdWords i AdMob. Wprowadzenie
Wprowadzenie Reklama mobilna Reklama mobilna Reklama mobilna Źródło fotografii www.askcaptainobvious.com Dane statystyczne liczba urządzeń/użytkowników developerzy, więcej aplikacji czas spędzany web/aplikacje
Bardziej szczegółowoKampanie Ads. Google Ads dla Twojego biznesu. Oferta cenowa. e-commerce
Kampanie Ads Google Ads dla Twojego biznesu Oferta cenowa e-commerce Zakupy Google Kampanie Ads Dzięki kampaniom AdWords, nawet najmniejsza firma może pozwolić sobie na profesjonalną kampanię reklamową
Bardziej szczegółowoPozycjonowanie stron w wyszukiwarkach internetowych. Szansa dla małych i średnich firm na konkurowanie z największymi
Pozycjonowanie stron w wyszukiwarkach internetowych Szansa dla małych i średnich firm na konkurowanie z największymi Podstawowe informacje na temat pozycjonowania Według badań Search Engine Watch 81% internautów
Bardziej szczegółowoModele zakupu reklamy
2012 Modele zakupu reklamy Dominik Dróżdż Kampania marketingowa e-usługi Rzeszów, 24 października 2012 IV 1994 Pierwsza kampania reklamowa w Internecie Kamienie milowe w reklamie online 1994: Początek
Bardziej szczegółowoMarketing w wyszukiwarkach, wyniki organiczne i sponsorowane
Marketing w wyszukiwarkach, wyniki organiczne i sponsorowane 1 Strona wyników wyszukiwania (SERP) Strona wyników wyszukiwania to dwa obszary: PPC i SEO. Tworzą one jeden ekosystem i są współzależne, mimo,
Bardziej szczegółowoAkademia Google Partners
Akademia Google Partners TEORETYCZNY KURS ONLINE Edycja 2015 Google AdWords z certyfikacją POZIOM PODSTAWOWY PODSUMOWANIE Z TRANSMISJI 1-4, 10.02., 12.02., 17.02., 19.02. Krzysztof Marzec, Certyfikowany
Bardziej szczegółowoEksploracja danych - wykład VIII
I Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska 2 grudnia 2016 1/31 1 2 2/31 (ang. affinity analysis) polega na badaniu atrybutów lub cech, które są ze sobą powiązane. Metody
Bardziej szczegółowoSpis treści. O autorce. O recenzentach. Wprowadzenie
Spis treści O autorce O recenzentach Wprowadzenie Rozdział 1. Badanie rynku i konkurencji oraz ustalanie celów Koncentracja na trafności Identyfikowanie konkurentów przy użyciu wyników wyszukiwania w Google
Bardziej szczegółowoReklama w wyszukiwarce
Reklama w wyszukiwarce RYNEK NIERUCHOMOŚCI Czego użytkownicy szukają częściej? Ile kosztuje jedno kliknięcie w reklamę wyświetlaną po słowie mieszkanie do wynajęcia? Jak wygląda sezonowość na rynku reklamowym
Bardziej szczegółowoIndeksy w bazach danych. Motywacje. Techniki indeksowania w eksploracji danych. Plan prezentacji. Dotychczasowe prace badawcze skupiały się na
Techniki indeksowania w eksploracji danych Maciej Zakrzewicz Instytut Informatyki Politechnika Poznańska Plan prezentacji Zastosowania indeksów w systemach baz danych Wprowadzenie do metod eksploracji
Bardziej szczegółowoKampania linków sponsorowanych Google Adwors
Kampania linków sponsorowanych Google Adwors Sens istnienia każdego serwisu internetowego realizuje się poprzez odwiedzających go Użytkowników. Nawet najbardziej funkcjonalny i efektowny serwis stanie
Bardziej szczegółowoJak Sportowysklep.pl. wyprzedził konkurencję? Nominacje do nagród:
Jak wyprzedził konkurencję? Wyzwania: wyprzedaż asortymentowa - maksymalizacja wolumenu sprzedaży, poszerzenie zasięgu kampanii wśród nowych użytkowników, zmniejszenie kosztu konwersji o 10% w porównaniu
Bardziej szczegółowoMarketing Internetowy
Marketing Internetowy Jak być widocznym w Google dzięki PPC - podstawy mgr Marcin Darecki Marketing Internetowy Koncepcja T-shaped marketera Spośród dostępnych narzędzi stosowanych do promocji w internecie,
Bardziej szczegółowoAlgorytmy odkrywania binarnych reguł asocjacyjnych
Algorytmy odkrywania binarnych reguł asocjacyjnych A-priori FP-Growth Odkrywanie asocjacji wykład 2 Celem naszego wykładu jest zapoznanie się z dwoma podstawowymi algorytmami odkrywania binarnych reguł
Bardziej szczegółowoAnaliza i eksploracja danych
Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Inteligentne Systemy Wspomagania Decyzji Studia magisterskie, semestr I Semestr letni
Bardziej szczegółowoReguły asocjacyjne, wykł. 11
Reguły asocjacyjne, wykł. 11 Joanna Jędrzejowicz Instytut Informatyki Przykłady reguł Analiza koszyka sklepowego (ang. market basket analysis) - jakie towary kupowane są razem, Jakie towary sprzedają się
Bardziej szczegółowo2011-05-23. Analiza zachowao użytkowników serwisów WWW. Zakres badao web miningowych
Zakres badao web miningowych Analiza zachowao użytkowników serwisów WWW Podstawowe problemy rozważane na gruncie Web Miningu to: analiza zawartości serwisów internetowych, analiza zachowao użytkowników,
Bardziej szczegółowoEwelina Dziura Krzysztof Maryański
Ewelina Dziura Krzysztof Maryański 1. Wstęp - eksploracja danych 2. Proces Eksploracji danych 3. Reguły asocjacyjne budowa, zastosowanie, pozyskiwanie 4. Algorytm Apriori i jego modyfikacje 5. Przykład
Bardziej szczegółowoOPTYMALIZACJA SERWISÓW INTERNETOWYCH >>>WIĘCEJ<<<
INTERNETOWYCH. Wszystko O Pozycjonowaniu I Marketingu. >>>POZYCJONOWANIE STRON BYDGOSZCZ OPTYMALIZACJA SERWISÓW INTERNETOWYCH >>>WIĘCEJ
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Reguły asocjacyjne
Inżynieria Wiedzy i Systemy Ekspertowe Reguły asocjacyjne Dr inż. Michał Bereta p. 144 / 10, Instytut Modelowania Komputerowego mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl Reguły
Bardziej szczegółowoOferta prowadzenia działań reklamowych w Internecie
Oferta prowadzenia działań reklamowych w Internecie 1. Dlaczego reklama w Internecie cieszy się powodzeniem? W Polsce jest ponad 17 milionów Internautów; Przeciętny Internauta spędza w sieci ponad 50 godzin
Bardziej szczegółowoPromocja/komunikacja. Andrzej Jaszkiewicz
Promocja/komunikacja Andrzej Jaszkiewicz andrzej.jaszkiewicz@cs.put.poznan.pl Pojęcia Promocja Komunikacja Marketing Reklama Growth hacking Public relations - PR Promocja Niezbędny element czy studnia
Bardziej szczegółowoJaki budżet pozwoli na 260 tys. wyświetleń reklamy materiałów budowlanych
Jaki budżet pozwoli na 260 wyświetleń reklamy materiałów budowlanych w sieci wyszukiwania - miesięcznie? Czego użytkownicy szukają częściej - cegieł, czy pustaków? Ile kosztuje jedno kliknięcie w reklamę
Bardziej szczegółowoObsługa kampanii AdWords Spis treści
Obsługa kampanii AdWords Spis treści 1. Wstęp...2 2. Dwa modele kampanii...3 2.1. Reklama płatna za działanie (PPA)...3 2.2. Reklama płatna za kliknięcie (PPC)...3 3. Współpraca...4 4. Słowa kluczowe...4
Bardziej szczegółowoPOZYCJONOWANIE W WYSZUKIWARKACH APTEK INTERNETOWYCH
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 605 STUDIA INFORMATICA NR 25 2010 PIOTR JÓZWIAK GRZEGORZ SZYMAŃSKI Politechnika Łódzka POZYCJONOWANIE W WYSZUKIWARKACH APTEK INTERNETOWYCH Pozycjonowanie
Bardziej szczegółowoReguły asocjacyjne w programie RapidMiner Michał Bereta
Reguły asocjacyjne w programie RapidMiner Michał Bereta www.michalbereta.pl 1. Wstęp Reguły asocjacyjne mają na celu odkrycie związków współwystępowania pomiędzy atrybutami. Stosuje się je często do danych
Bardziej szczegółowoSERWISY BIBLIOTECZNE w perspektywie SEO
Instytut Informacji Naukowej i Bibliotekoznawstwa Władysław Marek Kolasa SERWISY BIBLIOTECZNE w perspektywie SEO XI Ogólnopolska Konferencja Automatyzacja bibliotek pt. Biblioteki nowej generacji - nowoczesne
Bardziej szczegółowoLaboratorium 3. Odkrywanie reguł asocjacyjnych.
Laboratorium 3 Odkrywanie reguł asocjacyjnych. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Tools SQL Worksheet. W górnym oknie wprowadź i wykonaj
Bardziej szczegółowoReguły asocjacyjne. 1. Uruchom system weka i wybierz aplikację Knowledge Flow.
Reguły asocjacyjne Niniejsze ćwiczenie demonstruje działanie implementacji algorytmu apriori w systemie WEKA. Ćwiczenie ma na celu zaznajomienie studenta z działaniem systemu WEKA oraz znaczeniem podstawowych
Bardziej szczegółowoAnaliza zachowao użytkowników serwisów WWW
Analiza zachowao użytkowników serwisów WWW Web Mining. Wykład 3. Rok akademicki 2009/2010 1 Zakres badao web miningowych Podstawowe problemy rozważane na gruncie Web Miningu to: analiza zawartości serwisów
Bardziej szczegółowoSieć reklamowa Google
Sieć owa Google. Reklama display - bannerowa. www.marketing-it.pl Program. Dlaczego warto ować się online? jest sieć owa Goggle? Proces kupowania Jakie są zalety sieci owej Google? Wybieranie odpowiednich
Bardziej szczegółowoJak stworzyć skuteczną kampanię Adwords? Wojciech Kyciak
Jak stworzyć skuteczną kampanię Adwords? Wojciech Kyciak Plan wykładu Plan wykładu 1. Zalety Adwords 2. BudŜet i koszty. 3. Zanim zaczniesz. 4. Budowa konta. 5. Poprawna struktura kampanii. 6. Dobieranie
Bardziej szczegółowoZastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2014/2015
Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner rok akademicki 2014/2015 Analiza asocjacji i sekwencji Analiza asocjacji Analiza asocjacji polega na identyfikacji
Bardziej szczegółowoPOSTĘPOWANIE KONKURSOWE nr: KO/2011-01/01
Wrocław, 31.01.2011 POSTĘPOWANIE KONKURSOWE nr: KO/2011-01/01 PM PARTNER Spółka z ograniczoną odpowiedzialnością z siedzibą we Wrocławiu, ul. Sterowcowa 20a w ramach realizacji projektu: " Stworzenie internetowego
Bardziej szczegółowoPODEJMOWANIE DECYZJI W WARUNKACH NIEPEŁNEJ INFORMACJI
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 5 PODEJMOWANIE DECYZJI W WARUNKACH NIEPEŁNEJ INFORMACJI 5.2. Ćwiczenia komputerowe
Bardziej szczegółowoWokół wyszukiwarek internetowych
Wokół wyszukiwarek internetowych Bartosz Makuracki 23 stycznia 2014 Przypomnienie Wzór x 1 = 1 d N x 2 = 1 d N + d N i=1 p 1,i x i + d N i=1 p 2,i x i. x N = 1 d N + d N i=1 p N,i x i Oznaczenia Gdzie:
Bardziej szczegółowoOPIEKUN DORADCY: KONTO FIRMY ZARZĄDZANIE KLIENTAMI
Portalami Opiekun Doradcy / Opiekun Zysku zarządza firma Opiekun Inwestora z siedzibą w Poznaniu, NIP: 972 117 04 29 KONTAKT W SPRAWIE WSPÓŁPRACY W RAMACH PROJEKTU OPIEKUN DORADCY pomoc@opiekundoradcy.pl,
Bardziej szczegółowoSkuteczne sposoby budowania ruchu w oparciu o SEM/SEO. - Karol Wnukiewicz
Skuteczne sposoby budowania ruchu w oparciu o SEM/SEO - Karol Wnukiewicz Pino Brunch - 26 marca 2009 Agenda Wstęp SEM a SEO Strategie i założenia Wybór słów kluczowych Techniczne aspekty budowy strony
Bardziej szczegółowoPierwsze koty za płoty
Wprowadzenie Pierwsze koty za płoty i kilka słów o sobie 8 lat doświadczeń w SEM 4 lata doświadczenia w mobile SEM 25 milionów pozyskiwanych użytkowników z SEM certyfikowany specjalista AdWords i Analytics
Bardziej szczegółowoWydział Elektrotechniki, Informatyki i Telekomunikacji. Instytut Informatyki i Elektroniki. Instrukcja do zajęć laboratoryjnych
Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Informatyki i Elektroniki Instrukcja do zajęć laboratoryjnych wersja: 1.0 Nr ćwiczenia: 12, 13 Temat: Cel ćwiczenia: Wymagane przygotowanie
Bardziej szczegółowoInteraktywne wyszukiwanie informacji w repozytoriach danych tekstowych
Interaktywne wyszukiwanie informacji w repozytoriach danych tekstowych Marcin Deptuła Julian Szymański, Henryk Krawczyk Politechnika Gdańska Wydział Elektroniki, Telekomunikacji i Informatyki Katedra Architektury
Bardziej szczegółowoPlan wykładu. Reguły asocjacyjne. Przykłady asocjacji. Reguły asocjacyjne. Jeli warunki to efekty. warunki efekty
Plan wykładu Reguły asocjacyjne Marcin S. Szczuka Wykład 6 Terminologia dla reguł asocjacyjnych. Ogólny algorytm znajdowania reguł. Wyszukiwanie czstych zbiorów. Konstruowanie reguł - APRIORI. Reguły asocjacyjne
Bardziej szczegółowoMOŻEMY DORADZIĆ. Jak nie przepłacać za powierzchnię reklamową? (np. kupować CPM za 2 zł na witrynach biznesowych)
MOŻEMY DORADZIĆ Jak nie przepłacać za powierzchnię reklamową? (np. kupować CPM za 2 zł na witrynach biznesowych) Jak precyzyjnie i tanio docierać do Twojej Grupy Docelowej? Jakie efektywne modele komunikacji
Bardziej szczegółowoAnaliza internetowa czyli Internet jako hurtownia danych
Analiza internetowa czyli Internet jako hurtownia danych Agenda 1. Hurtownie danych, eksploracja danych i OLAP 3. Internet 5. Analiza Internetowa 7. Google Analytics 9. Podsumowanie Hurtownie danych (definicja)
Bardziej szczegółowoSEO / SEM PREZENTACJA OFERTY
SEO / SEM PREZENTACJA OFERTY 1CONTENT 2 Zajmujemy się marketingiem internetowym. Zdobywaliśmy doświadczenie w znanych firmach pcozycjonerskich oraz agencjach interaktywnych. Wypracowaliśmy własne metody
Bardziej szczegółowoEBSCOhost Wyszukiwanie podstawowe dla Bibliotek akademickich
EBSCOhost Wyszukiwanie podstawowe dla Bibliotek akademickich Szkolenie support.ebsco.com Witamy w szkoleniu EBSCO Publishing dotyczącym Wyszukiwania podstawowego dla Bibliotek akademickich, zwięzłym przewodniku
Bardziej szczegółowoStartUp IT / rozgrzewka
StartUp IT / rozgrzewka StartUp IT / rozgrzewka Ile osób na sali słyszało o Google? Kto już próbował reklamować się w wyszukiwarkach? Kto uważa że to ma sens? StartUp IT / Jak zdobyć Klienta za grosze?
Bardziej szczegółowoOferta prowadzenia kampanii reklamowej AdWords
Oferta prowadzenia reklamowej AdWords Oferta ważna 14 dni od daty otrzymania e-maila ofertę przygotował: e-mail: www: tel: fax: Bernard Piekara bernard@inetmedia.pl +48 12 681 55 57 Zawartość niniejszego
Bardziej szczegółowoEksploracja Zasobów Internetu. PageRank intuicja: strona jest tak ważna jak ważne są strony, które na nią wskazują (Google)
PageRank intuicja: strona jest tak ważna jak ważne są strony, które na nią wskazują (Google) Konstrukcja M Macierzy Stochastycznej dla sieci Web Dla każdej strony i, której odpowiada rząd i oraz kolumna
Bardziej szczegółowoAkademia Młodego Ekonomisty TRENDY W E-BIZNESIE. dr Michał Kucia. Uniwersytet Ekonomiczny w Katowicach 15 listopada 2010 r.
Akademia Młodego Ekonomisty TRENDY W E-BIZNESIE dr Michał Kucia Uniwersytet Ekonomiczny w Katowicach 15 listopada 2010 r. Pojęcia E-biznes Internet Model biznesowy Model reklamowy Link płatny (boksy reklamowe)
Bardziej szczegółowoAkademia Młodego Ekonomisty
Akademia Młodego Ekonomisty TRENDY W E-BIZNESIE dr Michał Kucia Uniwersytet Ekonomiczny w Katowicach 20 listopada 2017 r. Pojęcia E-biznes Internet Model biznesowy Model reklamowy Link płatny (boksy reklamowe)
Bardziej szczegółowoEfektywna reklama wprost do Twoich klientów
Strona internetowa korzysta z plików cookies w celu realizacji usług i zgodnie z Polityką Plików Cookies. Możesz określić warunki przechowywania lub dostępu do plików cookies w Twojej przeglądarce. Załóż
Bardziej szczegółowoEksploracja danych a serwisy internetowe Przemysław KAZIENKO
Eksploracja danych a serwisy internetowe Przemysław KAZIENKO Wydział Informatyki i Zarządzania Politechnika Wrocławska kazienko@pwr.wroc.pl Dlaczego eksploracja danych w serwisach internetowych? Kanały
Bardziej szczegółowoBank spo łdzielczy w cyfrowym sẃiecie swojego klienta
Bank spo łdzielczy w cyfrowym sẃiecie swojego klienta Artur Maciorowski :: ecode > 20 lat w branży internetowej > 15.000 przeszkolonych osób > 100 projektów doradczych Multitasking = doba 24h+ ZMOT Ścieżka
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 szczegółowoOferta reklam On-Line
Oferta reklam On-Line Reklamy ON-LINE, czyli reklamy w sieci Internet dają możliwości dużo większej interakcji z użytkownikiem niż tradycyjne media. Internet pozwala dokładniej określić grupę odbiorców,
Bardziej szczegółowoPROMEDICA LOKALIZACJI FRANCZYZOWYCH PROMEDICA24 POSIADA: DZIAŁAJĄCYCH ŁĄCZNIE W 6 KRAJACH 58 ODDZIAŁÓW REKRUTACYJNYCH
O firmie PROMEDICA24 Od ponad 14 lat świadczy usługi opiekuńcze dla klientów na terenie Niemiec, Wielkiej Brytanii i Polski. PROMEDICA24 POSIADA: Jako lider rynku w Europie przygotowuje kompleksowe oferty
Bardziej szczegółowoBadanie efektywności reklamy w Google AdWords Autor: Tomasz Bagniewski
Autor: Tomasz Bagniewski 1. Wstęp i metodyka Poniższy raport jest zredagowaną częścią pracy licencjackiej na temat Efektywności reklamy w wyszukiwarkach internetowych, która napisałem w 2010 roku. 1.1.
Bardziej szczegółowoEKSPLORACJA DANYCH METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING EKSPLORACJA DANYCH Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra
Bardziej szczegółowoPersonalizowane rekomendacje w e-commerce, czyli jak skutecznie zwiększyć przychody w sklepie on-line
Personalizowane rekomendacje w e-commerce, czyli jak skutecznie zwiększyć przychody w sklepie on-line Paweł Wyborski - Agenda Kim jesteśmy Czym są personalizowane rekomendacje Jak powstają rekomendacje,
Bardziej szczegółowoIntegracja technik eksploracji danych ]V\VWHPHP]DU]G]DQLDED]GDQ\FK QDSU]\NáDG]LH2UDFOHi Data Mining
Integracja technik eksploracji danych ]V\VWHPHP]DU]G]DQLDED]GDQ\FK QDSU]\NáDG]LH2UDFOHi Data Mining 0LNRáDM0RU]\ Marek Wojciechowski Instytut Informatyki PP Eksploracja danych 2GNU\ZDQLHZ]RUFyZZGX*\FK
Bardziej szczegółowoW jaki sposób już dziś możesz zacząć zarabiać w programach partnerskich nie mając strony internetowej
W jaki sposób już dziś możesz zacząć zarabiać w programach partnerskich nie mając strony internetowej Od autora, Słowniczek, Narzędzia, Zysk, Adwords, Sieci afiliacyjne, Rejestracja, Budowa kont, Wybór
Bardziej szczegółowoSprawozdanie Laboratorium 4
Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Inżynierii Mechanicznej i Robotyki Techniki Informacyjne w Praktyce Inżynierskiej Sprawozdanie Laboratorium 4 Marta Bartoszko 285765
Bardziej szczegółowoWorldBOX. sprzedaje o blisko 60% więcej dzięki technologii DoubleClick
sprzedaje o blisko 60% więcej dzięki technologii DoubleClick O to sklep oferujący unikatowe kolekcje odzieży, akcesoriów i obuwia najlepszych marek, takich jak Adidas czy Nike. Dostępne produkty łączą
Bardziej szczegółowoModelowanie motywów łańcuchami Markowa wyższego rzędu
Modelowanie motywów łańcuchami Markowa wyższego rzędu Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki 23 października 2008 roku Plan prezentacji 1 Źródła 2 Motywy i ich znaczenie Łańcuchy
Bardziej szczegółowoWyszukiwanie sponsorowane jako wsparcie procesu rekrutacji na studia na wydziale Informatyki i Komunikacji
Wyszukiwanie sponsorowane jako wsparcie procesu rekrutacji na studia na wydziale Informatyki i Komunikacji Artur Strzelecki, Marek Wałach, Katarzyna Deja Abstrakt 2010-12-06 Promocja i reklama zagościły
Bardziej szczegółowoTomasz Boiński: 1. Pozycjonowanie stron i zastosowanie mod_rewrite
Tomasz Boiński: 1 Pozycjonowanie stron i zastosowanie mod_rewrite Pozycjonowanie stron Promocja strony odbywa się poprzez umiejscowienie jej jak najwyżej w wynikach wyszukiwania Wyszukiwarki indeksują
Bardziej szczegółowoKonfiguracja pierwszej kampanii.
Konfiguracja pierwszej kampanii. Po utworzeniu kampanii i pomyślnej implementacji kodów trackingowych (więcej o integracji: go.pl/integracje) przechodzimy do zakładki feedy (zaznaczone kolorem czerwonym).
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
Bardziej szczegółowo1 Wprowadzenie do algorytmiki
Teoretyczne podstawy informatyki - ćwiczenia: Prowadzący: dr inż. Dariusz W Brzeziński 1 Wprowadzenie do algorytmiki 1.1 Algorytm 1. Skończony, uporządkowany ciąg precyzyjnie i zrozumiale opisanych czynności
Bardziej szczegółowoCo to jest pozycjonowanie stron internetowych? Dlaczego warto pozycjonować strony internetowe?
Co to jest pozycjonowanie stron internetowych? Pozycjonowanie to wszelkie działania mające na celu podniesienie pozycji strony internetowej, na określone słowa kluczowe, w wyszukiwarce Google. Dlaczego
Bardziej szczegółowoOFERTA REKLAMY ADWORDS
OFERTA REKLAMY ADWORDS ZACZNIJ REKLAMOWAĆ SIĘ W GOOGLE Daj się znaleźć potencjalnym klientom dokładnie w momencie, gdy szukają w Google oferty takiej jak Twoja. Zapłacisz tylko wtedy, gdy klikną reklamę
Bardziej szczegółowoEGZAMIN MATURALNY 2011 JĘZYK ANGIELSKI
Centralna Komisja Egzaminacyjna w Warszawie EGZAMIN MATURALNY 2011 JĘZYK ANGIELSKI POZIOM PODSTAWOWY MAJ 2011 2 Egzamin maturalny z języka angielskiego poziom podstawowy ZADANIA ZAMKNIĘTE Zadanie 1. Obszar
Bardziej szczegółowo