Studia Podyplomowe Metody statystyczne w biznesie. Warsztaty z oprogramowaniem SAS Analiza danych nieustrukturyzowanych: Text Mining
|
|
- Krzysztof Górecki
- 6 lat temu
- Przeglądów:
Transkrypt
1 Analiza danych nieustrukturyzowanych: Text Mining Wydział Nauk Ekonomicznych Uniwersytet Warszawski
2 Część 1 Analiza danych nieustrukturyzowanych 1) Przetwarzanie informacji 2) Text Mining 3) Zastosowania Text Mining 4) Web Mining 5) Zastosowania Web Mining
3 Część 1 Analiza danych nieustrukturyzowanych 1) Przetwarzanie informacji 2) Text Mining 3) Zastosowania Text Mining 4) Web Mining 5) Zastosowania Web Mining
4 Big Data nadmiar informacji Ogrom publikacji (książki, czasopisma, artykuły, raporty, dokumenty) Elektroniczny format zapisu (minimalne koszty powielania informacji) Internet (kanał błyskawicznej dystrybucji i wymiany informacji) 4
5 Przykład - przemysł biotechnologiczny Dostęp do informacji spory problem 80% wiedzy znajduje się tylko w artykułach naukowych Ludzka zdolność do przyswajania informacji jeśli czytasz ok. 60 artykułów tygodniowo a jedynie 10% z nich jest merytorycznie istotnych to przyswajasz wiedzę w tempie 6 artykułów na tydzień (=ok. 300/rok) Sama baza MedLine dodaje ok. 10 tys. abstraktów nowych artykułów miesięcznie! 5
6 Przetwarzanie informacji Cybernetyka Informatyka Technologia komputerowa ogromna moc obliczeniowa (liczba działań arytmetycznych wykonywanych przez komputer w danym czasie) możliwość przetwarzania tekstu możliwość porozumiewania się z maszyną w języku naturalnym (sztuczna inteligencja) 6
7 Język naturalny jest wytworem historycznego rozwoju, w przeciwieństwie do języków sztucznych ma złożoną składnię, wiele dwuznaczności, wciąż zmienia się i ewoluuje posługiwanie się nim wymaga posiadania wiedzy o świecie nośnik ludzkiej wiedzy, informacji i komunikacji 7
8 Przetwarzanie języka naturalnego Przetwarzanie informacji zapisanej w języku naturalnym - Natural Language Processing (NLP) inne nazwy: Computational Linguistics (CL), Human Language Technology (HLT), Natural Language Engineering (NLE) Rozwój NLP analiza gramatyczna stoicy (III w p.n.e.), Grimm, Rask (XIX w.), Chomsky (XX w.) analiza statystyczna metody stochastyczne, modele prawdopodobieństwa, korpusy językowe, uczenie maszynowe 8
9 Człowiek kontra komputer 3 maja 1997 pojedynek obliczeniowy superkomputera IBM Deep Blue z arcymistrzem szachowym Garrym Kasparovem (wygrywa Deep Blue) 16 lutego 2011 pojedynek słowny superkomputera IBM Watson z mistrzami teleturnieju słownego Jeopardy Kenem Jenningsem i Bradem Rutterem (wygrywa Watson) 9
10 Przetwarzanie tekstu - czytanie Człowiek wysoka precyzja szeroki zakres dziedzin analiza zdanie po zdaniu wysoki stopień zrozumienia szersza wiedza i kontekst jeden język w danej chwili bardzo wolno Komputer niska precyzja (zaszumienie) ograniczony zakres dziedzin analiza słownikowo-korpusowa niski stopień zrozumienia reguły wnioskowania wiele języków równocześnie bardzo szybko 10
11 Trzy podejścia do analizy tekstu 11
12 Text Mining Text Mining Proces automatycznego uzyskiwania znaczącej i przydatnej, nie znanej wcześniej wiedzy ze zbiorów dokumentów tekstowych inne nazwy: Text Data Mining, Text Analytics, Knowledge Discovery in Text (KDT), Intelligent Text Analysis 12
13 Data Mining vs Text Mining DATA MINING TEXT MINING Źródło danych baza danych zbiór dokumentów Typ danych dane sformalizowane nieustrukturyzowany tekst Przetwarzanie oczyszczanie danych i normalizacja identyfikacja jednostek tekstu i zliczanie Powiązane dziedziny statystyka, uczenie maszynowe wydobywanie informacji, selekcja informacji, lingwistyka obliczeniowa 13
14 Część 1 Analiza danych nieustrukturyzowanych 1) Przetwarzanie informacji 2) Text Mining 3) Zastosowania Text Mining 4) Web Mining 5) Zastosowania Web Mining
15 Text Mining i powiązane dziedziny 15
16 Drzewo decyzyjne metod Text Mining 16
17 Rynek Text Mining - Text Analytics 17
18 Firmy na rynku Text Analytics 18
19 SAS Text Analytics: Text Mining, Sentiment Analysis i Content Categorization 19
20 Tekstowa baza danych Dostępne informacje - luźne zbiory dokumentów tekstowych Ustrukturyzowanie informacji nadaje im postać tekstowej bazy danych Tekst wczytywany do tekstowej bazy danych różne systemy zapisu (angielski, francuski, polski, grecki, rosyjski, arabski, japoński, sanskryt,...) różne formaty dokumentów tekstowych 20
21 Formaty dokumentów tekstowych 21
22 Proces Text Mining "kodowanie" informacji zawartych w tekście Wstępna obróbka tekstu Analiza kolekcji tekstowej zastosowanie różnych metod w celu wykrycia zależności między cechami graficzna reprezentacja wyników Wizualizacja 22
23 Wstępna obróbka tekstu 1. Identyfikacja jednostek tekstu: paragrafy, zdania, wyrazy, frazy. 2. Pomijanie nieistotnych słów i fraz, które często występują, ale są bezużyteczne w danej analizie, gdyż nie niosą żadnego znaczenia użycie stoplisty. 3. Redukcja do rdzenia (stemming, lematyzacja) - sprowadzanie wyrazów do podstawowej formy gramatycznej. 4. Normalizacja określenie, jaką część mowy stanowi dane słowo. 5. Wykorzystanie synonimów. 23
24 Analiza kolekcji tekstowej Zliczenie wystąpień wyrazów, wyznaczenie miar i wag bogactwa słownictwa Uzyskane w ten sposób dane są podstawą do dalszych analiz opis zbioru dokumentów klastrowanie dokumentów klasyfikacja dokumentów 24
25 Wizualizacja 25
26 Część 1 Analiza danych nieustrukturyzowanych 1) Przetwarzanie informacji 2) Text Mining 3) Zastosowania Text Mining 4) Web Mining 5) Zastosowania Web Mining
27 Zastosowania Zarządzanie relacjami z klientem (CRM) Źródła danych: reklamacje, opinie, zapisy call center Cele analiz: podniesienie jakości produktów i usług, zarządzanie produktem (product management), routing połączeń i automatyzacja działań CRM Finanse i zgodność z prawem (legal compliance) Źródła danych: raporty finansowe, newsy finansowe, dokumenty firmowe, rejestry handlowe Cele analiz: wykrywanie nieprawidłowości, prania pieniędzy i nielegalnych transakcji, raportowanie anomalii cenowych 27
28 Zastosowania Bezpieczeństwo publiczne Źródła danych: raporty i rekordy baz danych ruchu lotniczego, policji, opieki lekarskiej Cele analiz: lepsza identyfikacja przyczyn w celu uniknięcia przyszłych błędów Wywiad i antyterroryzm Źródła danych: notatki i raporty śledczych, przechwycone dokumenty Cele analiz: stowarzyszenia i siatki niebezpiecznych organizacji, wzorce behawioralne, wzorce ataku, rozwój strategii 28
29 Zastosowania Zarządzanie opieką zdrowotną Źródła danych: badania kliniczne, rekordy bazy danych pacjentów, regulacje prawno-medyczne, artykuły medyczne Cele analiz: lepsza diagnostyka i leczenie, promowanie wysokiej jakości usług, kontrola kosztów, projektowanie leków Projektowanie leków sztandarowy przykład Szukając przyczyn bólów migrenowych, dokonano Text Miningu artykułów medycznych, uzyskując następujące wzorce: stres jest związany z migrenami stres może prowadzić do niedoborów magnezu blokery kanału wapniowego mogą zapobiegać migrenom magnez jest naturalnym blokerem kanału wapniowego rozszerzająca się depresja korowa (ang. CSD) jest związana z niektórymi migrenami wysoki poziom magnezu hamuje rozwój CSD pacjenci migrenowi mają nadmierną agregację płytek krwi magnez może powstrzymać nadmierną agregację płytek krwi 29
30 Zastosowania Predictive Analytics & text mining 90% Search & Search-based Apps 86% Business Intelligence 84% Voice of the Customer 82%, Social Media 75% Decision Support, KM 81% Big Data - other 70%, Finance 61% Call Center, Tech Support 63% Risk, Compliance, Governance 61% Security, Fraud Detection - 54% 30
31 Część 1 Analiza danych nieustrukturyzowanych 1) Przetwarzanie informacji 2) Text Mining 3) Zastosowania Text Mining 4) Web Mining 5) Zastosowania Web Mining
32 Sieć WWW Największe na Ziemi publicznie dostępne źródło informacji i danych portale (wiadomości, artykuły, pliki) fora i blogi (komentarze, opinie, oceny) instytucje i urzędy publiczne (dane, statystyki) sklepy internetowe (produkty, opisy, katalogi) elektroniczna wymiana danych, bankowość, telekomunikacja, e-learning itp. (usługi) Ogromny zbiór nieustrukturyzowanych dokumentów powiązanych hiperłączami 32
33 Web Mining Web Mining Proces automatycznego odnajdywania i wydobywania istotnych informacji z zasobów internetowych, tj. z danych ukrytych w dokumentach (hiper)tekstowych 33
34 Proces Web Mining Pozyskiwanie danych Selekcja wybranych informacji z danych Wstępna obróbka tekstu Analiza kolekcji tekstowej Wizualizacja 34
35 Web Mining 35
36 Web content wydobywanie informacji z zasobów WWW (tekst, rysunki, liczby, audio i video itp.) Web structure analiza struktury powiązań zasobów WWW (hiperłącza, odsyłacze, zakładki itp.) Web usage Web Mining analiza sposobu korzystania z WWW przez użytkowników (logi serwerów, identyfikacja użytkownika itp.) 36
37 Część 1 Analiza danych nieustrukturyzowanych 1) Przetwarzanie informacji 2) Text Mining 3) Zastosowania Text Mining 4) Web Mining 5) Zastosowania Web Mining
38 Zastosowania Web Content Mining Identyfikacja tematów poruszanych przez użytkowników na danej stronie Filtrowanie stron w poszukiwaniu informacji i wzorców powiązań Bezpieczeństwo w Internecie: nadzór czatów (dzieci), identyfikacja spamu w wiadomościach 38
39 Opinion mining Zastosowania Web Content Mining cd. wiele stron zawierających ogromne ilości komentarzy oraz opinie klientów, np. Ceneo, Skąpiec, Opineo jednakże informacji jest zbyt wiele, a nie chcesz spędzić więcej czasu na czytaniu recenzji o książce, niż na czytaniu samej książki firmom jest trudno śledzić wszystkie opinie pojawiające się w sieci i dotyczące ich produktów 39
40 Zastosowania Web Content Mining cd. 40
41 Zastosowania Web Structure Mining Poznawanie jakości stron WWW ranking stron, rzetelność źródeł informacji na stronie Odkrywanie interesujących struktur stron WWW graficzne modele, najczęściej odwiedzane strony Klasyfikacja stron WWW strony podobne tematycznie 41
42 Zastosowania Web Usage Mining Web Mining w e-commerce Oszacowanie długotrwałości klientów (lifetime value of clients) Ścisłe określenie grupy docelowej i dotarcie do niej Opracowanie skutecznych strategii reklamowych dotyczących konkretnych produktów Przewidywanie zachowania użytkowników na podstawie ich profili/ip/geolokalizacji Przedstawianie personalizowanych informacji 42
43 Zastosowania Web Usage Mining cd. Web Mining w marketingu Kim są odwiedzający dany serwis WWW? Dlaczego jedni użytkownicy powracają na ten serwis, a inni nie? Czy powracający różnią się od tych, którzy odwiedzają serwis sporadycznie lub przypadkowo? Czy kolejność odwiedzania stron jest związana np. ze skłonnością do kupowania w e-sklepie? Czym różnią się kupujący w e-sklepie od tych, którzy odwiedzają serwis i nic nie kupują? Na jakiej podstronie użytkownicy kończą odwiedziny serwisu WWW? 43
44 Zastosowania Web Usage Mining cd. Analiza wzorców korzystania ze strony www (adres każdej odwiedzonej strony, strona wcześniej odwiedzona, czas przebywania na danej stronie, adres następnej strony, do której przeszedł użytkownik) 44
45 Pamiętajmy, że wciąż: dostępna ludzkości wiedza w 90% ma postać tekstową! 45
Eksploracja 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 szczegółowoAnaliza danych i data mining.
Analiza danych i data mining. mgr Katarzyna Racka Wykładowca WNEI PWSZ w Płocku Przedsiębiorczy student 2016 15 XI 2016 r. Cel warsztatu Przekazanie wiedzy na temat: analizy i zarządzania danymi (data
Bardziej szczegółowoANALIZA DANYCH ZE ŹRÓDEŁ OTWARTYCH CENNE ŹRÓDŁO INFORMACJI DR INŻ. MARIUSZ DZIECIĄTKO
ANALIZA DANYCH ZE ŹRÓDEŁ OTWARTYCH CENNE ŹRÓDŁO INFORMACJI DR INŻ. MARIUSZ DZIECIĄTKO Copyrigh t 2013, SAS Institute Inc. All rights reserve d. POLSKI INTERNET W LICZBACH 56% korzysta z Internetu co najmniej
Bardziej szczegółowoPlan prezentacji 0 Wprowadzenie 0 Zastosowania 0 Przykładowe metody 0 Zagadnienia poboczne 0 Przyszłość 0 Podsumowanie 7 Jak powstaje wiedza? Dane Informacje Wiedza Zrozumienie 8 Przykład Teleskop Hubble
Bardziej szczegółowoBusiness Intelligence jako narzędzie do walki z praniem brudnych pieniędzy
Business www.comarch.pl Intelligence jako narzędzie do walki z praniem brudnych pieniędzy Business Intelligence jako narzędzie do walki z praniem brudnych pieniędzy Tomasz Matysik Kołobrzeg, 19.11.2009
Bardziej szczegółowoLokalizacja Oprogramowania
mgr inż. Anton Smoliński anton.smolinski@zut.edu.pl Lokalizacja Oprogramowania 16/12/2016 Wykład 6 Internacjonalizacja, Testowanie, Tłumaczenie Maszynowe Agenda Internacjonalizacja Testowanie lokalizacji
Bardziej 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 szczegółowoEKSPLORACJA DANYCH TEKSTOWYCH (TEXT MINING) W PRZEDSIĘBIORSTWIE (TEXT MINING METHODS AND APPLICATIONS IN THE ENTERPRISE)
KAROLINA KULIGOWSKA MIROSŁAWA LASEK Katedra Informatyki Gospodarczej i Analiz Ekonomicznych Uniwersytet Warszawski, Wydział Nauk Ekonomicznych (TEXT MINING METHODS AND APPLICATIONS IN THE ENTERPRISE) Streszczenie
Bardziej szczegółowoProjektowanie informatycznych systemów zarządzania produkcją
Wydział Odlewnictwa Wirtualizacja procesów odlewniczych Katedra Informatyki Stosowanej WZ AGH Projektowanie informatycznych systemów zarządzania produkcją Jerzy Duda, Adam Stawowy www.pi.zarz.agh.edu.pl
Bardziej szczegółowoSemantyczne podobieństwo stron internetowych
Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Marcin Lamparski Nr albumu: 184198 Praca magisterska na kierunku Informatyka Semantyczne podobieństwo stron internetowych Praca wykonana
Bardziej szczegółowoKorpusomat narzędzie do tworzenia przeszukiwalnych korpusów języka polskiego
Korpusomat narzędzie do tworzenia przeszukiwalnych korpusów języka polskiego Witold Kieraś Łukasz Kobyliński Maciej Ogrodniczuk Instytut Podstaw Informatyki PAN III Konferencja DARIAH-PL Poznań 9.11.2016
Bardziej szczegółowoBadania marketingowe. Źródło: www.economist.com
Źródło: www.economist.com Czy zdarzyło Ci się, że wniosek jakiegoś badania rynkowego Cię zaskoczył? Czy zastanawiasz się wówczas nad okresem, w którym badanie zostało przeprowadzone? Metodyką badania?
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2012 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoWpływ automatycznego tłumaczenia na wyniki automatycznej identyfikacji cha- rakteru opinii konsumenckich. 1 Wstęp
mgr Katarzyna Wójcik mgr Janusz Tuchowski Uniwersytet Ekonomiczny w Krakowie Wpływ automatycznego tłumaczenia na wyniki automatycznej identyfikacji charakteru opinii konsumenckich. 1 Wstęp Analiza opinii
Bardziej szczegółowoOferta dla na autorską akcję Commerce PRO, czyli kompleksowe działania polegające na wsparciu sprzedaży przy wykorzystaniu Search Engine Marketing
Oferta dla na autorską akcję Commerce PRO, czyli kompleksowe działania polegające na wsparciu sprzedaży przy wykorzystaniu Search Engine Marketing // Search Engine Marketing Commerce PRO to autorskie rozwiązanie
Bardziej szczegółowoText mining w programie RapidMiner Michał Bereta www.michalbereta.pl
Text mining w programie RapidMiner Michał Bereta www.michalbereta.pl 1. Wstęp Aby skorzystać z możliwości RapidMinera w zakresie analizy tekstu, należy zainstalować Text Mining Extension. Wybierz: 1 Po
Bardziej szczegółowoDOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE:
DOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE: DATAMINING 1 S t r o n a WSTĘP Czyli jak zastąpić wróżenie z fusów i przysłowiowego nosa, statystyką i modelami ekonometrycznymi. Niniejszy dokument,
Bardziej szczegółowoData Mining Wykład 1. Wprowadzenie do Eksploracji Danych. Prowadzący. Dr inż. Jacek Lewandowski
Data Mining Wykład 1 Wprowadzenie do Eksploracji Danych Prowadzący Dr inż. Jacek Lewandowski Katedra Genetyki Wydział Biologii i Hodowli Zwierząt Uniwersytet Przyrodniczy we Wrocławiu ul. Kożuchowska 7,
Bardziej szczegółowoRazem godzin w semestrze: Plan obowiązuje od roku akademickiego 2014/15 - zatwierdzono na Radzie Wydziału w dniu r.
Część wspólna dla kierunku 1 IMS1.01 Obiektowe projektowanie SI 2 2 E 3 60 3 2 IMS1.02 Teleinformatyka 2 2 E 4 60 4 3 IMS2.01 Modelowanie i analiza systemów dyskretnych 2 2 E 3 60 3 4 IMS2.02 Wielowymiarowa
Bardziej szczegółowoŚCIEŻKI ZAKUPOWE KONSUMENTÓW
ŚCIEŻKI ZAKUPOWE KONSUMENTÓW 1 Ścieżka zakupowa konsumenta to złożony kilkuetapowy proces: FAZA 1 FAZA 2 FAZA 3 FAZA 4 Uświadomienia Przygotowania do zakupu Zakupu Budowania potrzeby poprzez poszukiwanie
Bardziej szczegółowoProces odkrywania wiedzy z baz danych
Proces odkrywania wiedzy z baz danych Wydział Informatyki Politechnika Białostocka Marcin Czajkowski email: m.czajkowski@pb.edu.pl Świat pełen danych Świat pełen danych Możliwości analizowania i zrozumienia
Bardziej szczegółowoImagination Is More Important Than Knowledge
Imagination Is More Important Than Knowledge 1 -Albert Einstein https://www.flickr.com/photos/9555503@n07/5095475676/ Odblokuj potencjał tkwiący w danych - poznaj usługi kognitywne Grażyna Dadej Executive
Bardziej szczegółowoDeduplikacja danych. Zarządzanie jakością danych podstawowych
Deduplikacja danych Zarządzanie jakością danych podstawowych normalizacja i standaryzacja adresów standaryzacja i walidacja identyfikatorów podstawowa standaryzacja nazw firm deduplikacja danych Deduplication
Bardziej szczegółowoSzkolenia SAS Cennik i kalendarz 2017
Szkolenia SAS Spis treści NARZĘDZIA SAS FOUNDATION 2 ZAAWANSOWANA ANALITYKA 2 PROGNOZOWANIE I EKONOMETRIA 3 ANALIZA TREŚCI 3 OPTYMALIZACJA I SYMULACJA 3 3 ROZWIĄZANIA DLA HADOOP 3 HIGH-PERFORMANCE ANALYTICS
Bardziej szczegółowoPrezentacja usług. Informacja Komunikacja Dystrybucja - Sprzedaż
Prezentacja usług Informacja Komunikacja Dystrybucja - Sprzedaż Twórcy firmy 7 lat doświadczenia w zakresie e-commerce Zarządzanie i tworzenie sukcesów największej polskiej apteki internetowej Domzdrowia.pl
Bardziej szczegółowodr inż. Maciej Kiewra Prezentacja wygłoszona na konferencji BI vs Big Data podczas Kongresu GigaCon Warszawa, 16.04.2014 r.
dr inż. Maciej Kiewra Prezentacja wygłoszona na konferencji BI vs Big Data podczas Kongresu GigaCon Warszawa, 16.04.2014 r. Big Data w praktyce, z perspektywy konsultanta Business Intelligence Parę słów
Bardziej szczegółowoInteligentne wydobywanie informacji z internetowych serwisów społecznościowych
Inteligentne wydobywanie informacji z internetowych serwisów społecznościowych AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław
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 szczegółowoNarzędzia Informatyki w biznesie
Narzędzia Informatyki w biznesie Przedstawiony program specjalności obejmuje obszary wiedzy informatycznej (wraz z stosowanymi w nich technikami i narzędziami), które wydają się być najistotniejsze w kontekście
Bardziej szczegółowoAnaliza i wizualizacja danych Data analysis and visualization
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowodr inż. Olga Siedlecka-Lamch 14 listopada 2011 roku Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Eksploracja danych
- Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska 14 listopada 2011 roku 1 - - 2 3 4 5 - The purpose of computing is insight, not numbers Richard Hamming Motywacja - Mamy informację,
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoAUTOMATYKA INFORMATYKA
AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław Kowalczuk Inteligentne wydobywanie informacji z internetowych serwisów
Bardziej szczegółowoMariusz Dzieciątko. E-mail: splmdz@spl.sas.com. Krótko o sobie / Personal Overview/
Mariusz Dzieciątko Krótko o sobie / Personal Overview/ Mariusz pracuje jako Business Solution Manager, Technology & Big Data Competency Center w SAS Institute Polska. Pracę w tej firmie rozpoczął w maju
Bardziej szczegółowoPOLITECHNIKA LUBELSKA Wydział Elektrotechniki Kierunek: INFORMATYKA II stopień niestacjonarne i Informatyki. Część wspólna dla kierunku
Część wspólna dla kierunku 1 IMN1.01 Obiektowe projektowanie SI 15 15 E 3 3 2 IMN1.02 Teleinformatyka 15 15 E 4 4 3 IMN2.01 Modelowanie i analiza systemów dyskretnych 15 15 E 3 3 4 IMN2.02 Wielowymiarowa
Bardziej szczegółowoAnalityka i BigData w służbie cyberbezpieczeństa
Date Venue Next generation SOC Analityka i BigData w służbie cyberbezpieczeństa Tomasz Rostkowski Architekt - IBM Analytics Zagrożenia cyberprzestępczości...złe wieści Ewolucja centrów operacji bezpieczeństwa
Bardziej szczegółowoKonferencja. Business Intelligence Trends 24 czerwca 2014 r.
Konferencja Business Intelligence Trends 24 czerwca 2014 r. O FIRMIE PRODUKCJA OPROGRAMOWANIA ZARZĄDZANIE ZASOBAMI IT WDROŻENIA POLITYKA ZARZĄDZANIA LICENCJAMI SZKOLENIA KONSULTACJE KOMPETENCJE PRODUKCJA
Bardziej szczegółowoWyższa Szkoła Informatyki Stosowanej i Zarządzania. Mikołaj Janicki Pro Duct By Business Friends sp. z o.o. 14 czerwca 2012
Wyższa Szkoła Informatyki Stosowanej i Zarządzania Mikołaj Janicki Pro Duct By Business Friends sp. z o.o. 14 czerwca 2012 Marketing Bezpośredni Mikołaj Janicki SMB Wtorek, 31 maja 2011 Plan prezentacji:
Bardziej szczegółowoOferta SEO. Analiza i optymalizacja
Optymalizacja dla wyszukiwarek internetowych (ang. search engine optimization, SEO; zwana także pozycjonowaniem) są to procesy zmierzające do osiągnięcia przez dany serwis internetowy jak najwyższej pozycji
Bardziej szczegółowoZalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel
według przewidywań internetowego magazynu ZDNET News z 8 lutego 2001 roku eksploracja danych (ang. data mining ) będzie jednym z najbardziej rewolucyjnych osiągnięć następnej dekady. Rzeczywiście MIT Technology
Bardziej szczegółowoMarketing w ecommerce
Marketing w ecommerce Czyli: Top 10 taktyk dla zwiększenia sprzedaży w e-commerce 17 października 2018 Kluczowe dane dla e-commerce w PL 18 października 2018 Źródło: Gemius Ecommerce Raport 2018 70 60
Bardziej szczegółowoMinimum programowe dla studentów MIĘDZYWYDZIAŁOWYCH INDYWIDUALNYCH STUDIÓW SPOŁECZNO-HUMANISTYCZNYCH - studia magisterskie II stopnia
ROK AKADEMICKI 019-00 Minimum programowe dla studentów MIĘDZYWYDZIAŁOWYCH INDYWIDUALNYCH STUDIÓW SPOŁECZNO-HUMANISTYCZNYCH - studia magisterskie II stopnia Kierunek: FINANSE I RACHUNKOWOŚĆ Zaawansowana
Bardziej szczegółowodata mining machine learning data science
data mining machine learning data science deep learning, AI, statistics, IoT, operations research, applied mathematics KISIM, WIMiIP, AGH 1 Machine Learning / Data mining / Data science Uczenie maszynowe
Bardziej szczegółowoRAPORT POLSKI INTERNET 2009/2010. ul. Wołoska 7, budynek Mars, klatka D, II piętro 02-675 Warszawa, tel. (0 22) 874 41 00, fax (0 22) 874 41 01
1 1 RAPORT POLSKI INTERNET 2009/2010 2 2 O raporcie Raport prezentuje kondycję rynku internetowego w Polsce w minionym roku 2009. Wzbogacony o dodatkowe analizy i komentarze, łączy rezultaty i jest wyborem
Bardziej szczegółowoOd Expert Data Scientist do Citizen Data Scientist, czyli jak w praktyce korzystać z zaawansowanej analizy danych
Od Expert Data Scientist do Citizen Data Scientist, czyli jak w praktyce korzystać z zaawansowanej analizy danych Tomasz Demski StatSoft Polska www.statsoft.pl Analiza danych Zaawansowana analityka, data
Bardziej szczegółowoSkrócona instrukcja obsługi
Web of Science Skrócona instrukcja obsługi ISI WEB OF KNOWLEDGE SM Można przeszukiwać ponad 9 00 czasopism w ponad językach z różnych dziedzin nauk ścisłych, społecznych i humanistycznych, aby znaleźć
Bardziej szczegółowoDr hab. Marek Nahotko BADANIA NAUKOWE NAD WYDAWNICTWAMI ELEKTRONICZNYMI. Główne problemy badawcze
Dr hab. Marek Nahotko 1 BADANIA NAUKOWE NAD WYDAWNICTWAMI ELEKTRONICZNYMI Główne problemy badawcze ZMIANY W PUBLIKOWANIU Przeniesienie publikowania do środowiska elektronicznego Jakie skutki: Dla bibliotek,
Bardziej szczegółowoNowoczesne narzędzia do ochrony informacji. Paweł Nogowicz
Nowoczesne narzędzia do ochrony informacji Paweł Nogowicz Agenda Charakterystyka Budowa Funkcjonalność Demo 2 Produkt etrust Network Forensics Kontrola dostępu do zasobów etrust Network Forensics Zarządzanie
Bardziej szczegółowoSpecjalnościowy Obowiązkowy Polski Semestr VI
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angieskim Obowiązuje od roku akademickiego 0/06 Z-ID-608a Anaiza danych niestrukturanych Unstructured Data Anaysis A. USYTUOWANIE
Bardziej szczegółowoOferta reklamowa w serwisach Grupy Marketingowej TAI
Oferta reklamowa w serwisach Grupy Marketingowej TAI Targetmarketing.pl to serwis, w którym w prosty i szybki sposób można kupić marketingową bazę danych, stworzyć własną kampanię e-mailingową oraz pozyskać
Bardziej szczegółowoEksploracja danych (data mining)
Eksploracja (data mining) Tadeusz Pankowski www.put.poznan.pl/~pankowsk Czym jest eksploracja? Eksploracja oznacza wydobywanie wiedzy z dużych zbiorów. Eksploracja badanie, przeszukiwanie; np. dziewiczych
Bardziej szczegółowoPROJEKT. (indywidualny) RESEARCHING Humanistyka drugiej generacji, specjalność dziennikarstwo internetowe i social media rok III/semestr letni 2015/16
PROJEKT (indywidualny) RESEARCHING Humanistyka drugiej generacji, specjalność dziennikarstwo internetowe i social media rok III/semestr letni 2015/16 1. Wybór tematu, jego zakres i zasięg ustalany jest
Bardziej szczegółoworeklama display zaprezentuj się potencjalnym Klientom
reklama display zaprezentuj się potencjalnym Klientom dlaczego interaktywnie.com dlaczego interaktywnie.com interaktywnie.com to specjalistyczny portal informacyjny skierowany przede wszystkim do osób
Bardziej szczegółowoSemantyczna analiza języka naturalnego
Semantyczna analiza języka naturalnego Rozwiązanie Applica oparte o IBM SPSS Modeler Piotr Surma Applica 2 Agenda O Applica Analiza tekstu w języku polskim - wyzwania Rozwiązanie Applica Analiza Tekstu
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoPoza sztuczną CTO 15 maj, Watson Warsaw Summit 2017
Poza sztuczną inteligencję @piotrpietrzak CTO 15 maj, 2017 Watson Warsaw Summit 2017 3 ZMIANA Postęp w dziedzinie NLP i ML daje nam możliwość budowania ekspertyz, dowodzenia i odkrywania na niespotykaną
Bardziej szczegółowoKierunek: Informatyka i Ekonometria Poziom studiów: Studia I stopnia Forma i tryb studiów: Niestacjonarne. Wykład Ćwiczenia
Wydział: Zarządzania Kierunek: Informatyka i Ekonometria Poziom studiów: Studia I stopnia Forma i tryb studiów: Niestacjonarne Rocznik: 2013/2014 Język wykładowy: Polski Semestr 1 ZIE-1-102-n Mikroekonomia
Bardziej szczegółowoAnaliza danych tekstowych i języka naturalnego
Kod szkolenia: Tytuł szkolenia: ANA/TXT Analiza danych tekstowych i języka naturalnego Dni: 3 Opis: Adresaci szkolenia Dane tekstowe stanowią co najmniej 70% wszystkich danych generowanych w systemach
Bardziej szczegółowoAgenda. BizRunner Content Marketing
Agenda BizRunner Content Marketing BizRunner // Efektywny Biznes w Internecie Klienci, projekty i nagrody: Castorama: content marketing, opisy, zdjęcia, baza danych oraz utrzymanie i moderacja intranetu
Bardziej szczegółowow ekonomii, finansach i towaroznawstwie
w ekonomii, finansach i towaroznawstwie spotykane określenia: zgłębianie danych, eksploracyjna analiza danych, przekopywanie danych, męczenie danych proces wykrywania zależności w zbiorach danych poprzez
Bardziej szczegółowoSkuteczna Strategia CRM - wyzwanie dla organizacji. Artur Kowalski Prometriq
Skuteczna Strategia CRM - wyzwanie dla organizacji Artur Kowalski Prometriq Wrocław, 19-11-2009 Jest tylko jedna strategia sukcesu Polega ona na precyzyjnym zdefiniowaniu docelowego odbiorcy i zaoferowaniu
Bardziej szczegółowoCommunity Manager quiz
Community Manager quiz Moduł 1: Marketing cyfrowy 1. Uzupełnij definicję e-handlu, zaznaczając odpowiednie kratki (zaznacz wszystkie poprawne odpowiedzi) a) Handel elektroniczny odnosi się do transakcji
Bardziej szczegółowonetsprint Oferta 360 stopni artur.banach@netsprint.eu 1
netsprint Oferta 360 stopni artur.banach@netsprint.eu 1 Gdzie jesteśmy Polska (Adkontekst.pl & 6 innych sieci) Ukraina (Adpower.com.ua) Dania (Openadex.com) Litwa, Łotwa (Textads) Norwegia (Adpower) Bułgaria,
Bardziej szczegółowoWykaz tematów zajęć bibliotecznych w CDN PBP Filia w Turku w roku szkolnym 2016/2017. Zajęcia dla przedszkolaków i uczniów klas 1-3
Wykaz tematów zajęć bibliotecznych w CDN PBP Filia w Turku w roku szkolnym 2016/2017 Zajęcia dla przedszkolaków i uczniów klas 1-3 Temat : Kiedy będę duży/duża - kim zostanę? Zajęcia z preorientacji zawodowej.
Bardziej szczegółowoPlan studiów niestacjonarnych pierwszego stopnia Kierunek: ANALITYKA I BADANIA EKONOMICZNE A. Moduły międzykierunkowe obligatoryjne
Plan studiów niestacjonarnych pierwszego stopnia A Moduły międzykierunkowe obligatoryjne Moduł ogólny I Zz 1 5 20 20 1 BHP Zz 1 5 5 2 Ochrona własności intelektualnej Zz 1 5 5 3 Wstęp do studiowania Zz
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 szczegółowoCase study. Divante zwiększa sprzedaż w sklepie marki Caterina
Case study Divante zwiększa sprzedaż w sklepie marki Caterina O kliencie Caterina to znana marka odzieżowa typu premium, posiadająca swoje sklepy stacjonarne w ponad 20 miastach w Polsce. Istnieje na rynku
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 szczegółowoPlan studiów stacjonarnych pierwszego stopnia Kierunek: ANALITYKA I BADANIA EKONOMICZNE A. Moduły międzykierunkowe obligatoryjne
A. Moduły międzykierunkowe obligatoryjne Moduł ogólny I Zz 1 5 20 20 1 BHP Zz 1 5 5 2 Ochrona własności intelektualnej Zz 1 5 5 3 Wstęp do studiowania Zz 1 5 5 4 Szkolenie biblioteczne Zz 1 5 5 Moduł Wychowanie
Bardziej szczegółowoPrzedmiot: język angielski zawodowy w klasie o profilu technik informatyk. Szkoła: Powiatowy Zespół Nr 10SME im. M. Kopernika ( IV etap kształcenia)
SCENARIUSZ LEKCJI Przedmiot: język angielski zawodowy w klasie o profilu technik informatyk Szkoła: Powiatowy Zespół Nr 10SME im. M. Kopernika ( IV etap kształcenia) Profil: technik informatyk Klasa: I
Bardziej szczegółowoInformatyka Studia II stopnia
Wydział Elektrotechniki, Elektroniki, Informatyki i Automatyki Politechnika Łódzka Informatyka Studia II stopnia Katedra Informatyki Stosowanej Program kierunku Informatyka Specjalności Administrowanie
Bardziej szczegółowoNarzędzia do analizy działań marketingowych w internecie: Google Analytics & Webmaster Tools, analityka social media
2012 Narzędzia do analizy działań marketingowych w internecie: Google Analytics & Webmaster Tools, analityka social media Maciej Jankowski Fundacja Rozwoju Branży Internetowej Netcamp Mierzenie skuteczności
Bardziej szczegółowoJak wybrać 45 najlepszych. prezentacji na FORUM?
Jak skutecznie dotrzeć do Klienta? Multikanałowa, zintegrowana komunikacja i wiedza Jak wybrać 45 najlepszych kluczem do sukcesu w Internecie. prezentacji na FORUM? Na przykładzie case study Neckermann
Bardziej szczegółowoStudia Podyplomowe Metody statystyczne w biznesie. Warsztaty z oprogramowaniem SAS Analiza danych nieustrukturyzowanych: Text Mining
Analiza danych nieustrukturyzowanych: Text Mining Wydział Nauk Ekonomicznych Uniwersytet Warszawski 1) Komercyjne 1. Zintegrowane aplikacje analityczne 2. Inne aplikacje (analiza sentymentu) 2) Aplikacje
Bardziej szczegółowoModele biznesu w Internecie
Tworzenie wartości w biznesie internetowym: informacje/zawartość (content) ruch w sieci (traffic) produkty i usługi Charakterystyka dziedziny (problemy) Brak powszechnie akceptowanego standardu klasyfikacji
Bardziej szczegółowoInstrukcja 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 szczegółowoNajwiększe serwisy medyczne dla pacjentów
Największe serwisy medyczne dla pacjentów Warszawa 2013 Nr 1 w Zdrowiu i medycynie Najszybciej rozwijające się media medyczne w Internecie - I miejsce w kategorii Zdrowie i medycyna wg Megapanelu marzec
Bardziej szczegółowoO f e r t a b a d a w c z a. Analityka rynku. Maj 2016
O f e r t a b a d a w c z a Analityka rynku Maj 2016 Rynek w cyfrowych kanałach komunikacyjnych Deklaracje Estymacja trafficu Ceny Rynek to ekosystem, który można zmierzyć na wiele różnych sposobów ANALITYKA
Bardziej szczegółowoEfekt kształcenia. Wiedza
Efekty dla studiów drugiego stopnia profil ogólnoakademicki na kierunku Informatyka na specjalności Przetwarzanie i analiza danych, na Wydziale Matematyki i Nauk Informacyjnych, gdzie: * Odniesienie oznacza
Bardziej szczegółowoFunkcjonalność oprogramowania Bazy Wiedzy i Repozytorium Politechniki Warszawskiej
Funkcjonalność oprogramowania Bazy Wiedzy i Repozytorium Politechniki Warszawskiej Prof. dr hab. inż. Henryk Rybiński, dr inż. Jakub Koperwas, dr inż. Łukasz Skonieczny, mgr inż. Wacław Struk Instytut
Bardziej szczegółowoCUSTOMER JOURNEY. Klient omnichannelowy: potrzeby i oczekiwania. Inquiry sp. z o.o., 2018
CUSTOMER JOURNEY Klient omnichannelowy: potrzeby i oczekiwania Inquiry sp. z o.o., 2018 CO ROBIMY GDY widzimy reklamy tych rzeczy, które zamierzaliśmy kupić? DLACZEGO odwiedzamy stronę www sklepu w celu
Bardziej szczegółowoStudia Podyplomowe Metody statystyczne w biznesie. Warsztaty z oprogramowaniem SAS Analiza danych nieustrukturyzowanych: Text Mining
Analiza danych nieustrukturyzowanych: Text Mining Wydział Nauk Ekonomicznych Uniwersytet Warszawski 1) Komercyjne 1. Zintegrowane aplikacje analityczne 2. Analiza sentymentu 2) Aplikacje open source Część
Bardziej szczegółowoUMIEJĘTNE WYSZUKIWANIE INFORMACJI
UMIEJĘTNE WYSZUKIWANIE INFORMACJI Nauki o zdrowiu Anna Pawlak JAKOŚĆ INFORMACJI 1. Relewantność informacja odpowiada na potrzeby odbiorcy 2. Dokładność adekwatna do poziomu wiedzy odbiorcy 3. Aktualność
Bardziej szczegółowoGoogle Ads. Oferta. Strategiczny Partner Google w Europie Środkowej. 95% NOWA OFERTA
NOWA OFERTA Oferta Google Ads Strategiczny Partner Google w Europie Środkowej. Papier jest cierpliwy i przyjmie wiele, ale liczby... Liczby to dowody: % procent przedłużanych umów tylu klientów już nam
Bardziej szczegółowoMARKETING INTERNETOWY
SEO/SEM & Inbound Marketing MARKETING INTERNETOWY Oddział Płońsk: Ul. Młodzieżowa 31 L 09-100 Płońsk Oddział Mińsk: Ul. Warszawska 63B 05-300 Mińsk Mazowiecki Oddział Trójmiasto: Ul. Madrycka 13/20.1 81-198
Bardziej szczegółowoCo to jest Business Intelligence?
Cykl: Cykl: Czwartki z Business Intelligence Sesja: Co Co to jest Business Intelligence? Bartłomiej Graczyk 2010-05-06 1 Prelegenci cyklu... mariusz@ssas.pl lukasz@ssas.pl grzegorz@ssas.pl bartek@ssas.pl
Bardziej szczegółowoEkonomiczny Uniwersytet Dziecięcy
Ekonomiczny Uniwersytet Dziecięcy Na czym polega marketing w internecie? dr Marcin Szplit Wyższa Szkoła Ekonomii i Prawa w Kielcach 24 paździenika 2012 r. Marketing: proces wymiany dóbr i wartości w celu
Bardziej szczegółowoBusiness Intelligence narzędziem wsparcia sprzedaży
Forum Sektora Finansowego 2007 Business Intelligence narzędziem wsparcia sprzedaży Filip Łapiński Konsultant Zarządzający IBM Polska 05/06/2007 Prognozy IBM Institute for Business Value IBM Institute for
Bardziej szczegółowoAKADEMIA MARKETINGU CYFROWEGO SZKOLENIE DEDYKOWANE
AKADEMIA MARKETINGU CYFROWEGO SZKOLENIE DEDYKOWANE brand managerom i product managerom dyrektorom marketingu Poznasz trendy marketingu cyfrowego zwiększające efektywność Dowiesz się czym jest efekt ROPO
Bardziej szczegółowoPOZYCJONOWANIE I OPTYMALIZACJA STRON WWW PDF >>>WIĘCEJ<<<
POZYCJONOWANIE I OPTYMALIZACJA STRON WWW PDF. Wszystko O Pozycjonowaniu I Marketingu. >>>SEO STRONA Z SEO PORADAMI POZYCJONOWANIE I OPTYMALIZACJA STRON WWW PDF >>>WIĘCEJ
Bardziej szczegółowoCzym jest. Inbound Marketing?
Czym jest Inbound Marketing? Co to jest Inbound Marketing? Inbound Marketing to skuteczny marketing internetowy służący do promocji biznesu i marki za pośrednictwem Internetu. Jest to strategia marketingowa
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 szczegółowoAbsolwent szkoły kształcącej w zawodzie technik organizacji reklamy powinien być przygotowany do wykonywania następujących zadań zawodowych:
Technik organizacji reklamy 333906 1. CELE KSZTAŁCENIA W ZAWODZIE Absolwent szkoły kształcącej w zawodzie technik organizacji reklamy powinien być przygotowany do wykonywania następujących zadań zawodowych:
Bardziej szczegółowoForma. Główny cel kursu. Umiejętności nabywane przez studentów. Wymagania wstępne:
WYDOBYWANIE I WYSZUKIWANIE INFORMACJI Z INTERNETU Forma wykład: 30 godzin laboratorium: 30 godzin Główny cel kursu W ramach kursu studenci poznają podstawy stosowanych powszechnie metod wyszukiwania informacji
Bardziej szczegółowoWymagania edukacyjne niezbędne do uzyskania poszczególnych ocen JĘZYK ANGIELSKI ZAWODOWY - INFORMATYKA KLASA 2 LUB 4
Wymagania edukacyjne niezbędne do uzyskania poszczególnych ocen JĘZYK ANGIELSKI ZAWODOWY - INFORMATYKA KLASA 2 LUB 4 Rok szkolny 2015/2016 Podręcznik: English for Information Technology 1 (Wyd. PEARSON)
Bardziej szczegółowoREAL TIME BUSINESS INTELLIGENCE REALNY ROZWÓJ BIZNESU. STUDIUM PRZYPADKU W OBSZARZE MARKETINGU RADOSŁAW GRABIEC SAS INSTITUTE
REAL TIME BUSINESS INTELLIGENCE REALNY ROZWÓJ BIZNESU. STUDIUM PRZYPADKU W OBSZARZE MARKETINGU RADOSŁAW GRABIEC SAS INSTITUTE REAL TIME BUSINESS INTELLIGENCE ZAGADNIENIA Co jest potrzebne do realizacji
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoKongres Logistyczny PTL 2001
Kongres Logistyczny PTL 2001 Obsługa Logistyczna Dostaw Produktów sprzedawanych poprzez e-commerce na przykładzie współpracy Easynet S.A. z firmą Messenger Service Stolica S.A.(cz.1) Obsługa komercyjnej
Bardziej szczegółowoSzanowni Państwo, Jesteśmy zespołem projektowym realizującym indywidualne projekty a nie pudełkowe rozwiązania. Działamy na rynku usług projektowych.
1 2 Szanowni Państwo, Dziękujemy za możliwość przedstawienia oferty naszej firmy. Poniżej znajdą Państwo informację na temat naszej działalności, oraz dotychczas zrealizowanych projektów. Jesteśmy zespołem
Bardziej szczegółowo