Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2014/2015
|
|
- Danuta Pawlik
- 5 lat temu
- Przeglądów:
Transkrypt
1 Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner rok akademicki 2014/2015
2 Analiza asocjacji i sekwencji
3 Analiza asocjacji Analiza asocjacji polega na identyfikacji współzależności cech. Umożliwia wykrycie logicznych reguł występujących między zmiennymi w zbiorze danych. Analiza polega na identyfikacji pozycji, które występują razem. Znana jest też pod nazwą analiza koszykowa (market basket analysis). Słowo koszykowa odnosi się do wózka w supermarkecie, do którego klienci wrzucają wybrane towary 3
4 Analiza asocjacji - problemy Jakie produkty są kupowane najczęściej razem? Które produkty nigdy nie są kupowane razem? Jakie jest prawdopodobieństwo, że klienci, którzy kupili produkt A, kupią również produkt B? 4
5 Reguły asocjacyjne Dzięki odkryciu współzależności między cechami możemy stworzyć reguły postaci: jeżeli cecha A towarzyszy określonemu zdarzeniu, to cecha B towarzyszy temu zdarzeniu z określonym prawdopodobieństwem (np. 90%) Przykład Reguły asocjacyjne (association rules) maja postać: Jeżeli A, to B Jeżeli [poprzednik], to [następnik] (przyjmuje się, że zbiory A i B są rozłączne) Jeżeli klient kupił kawę i śmietankę, to kupił ciastka Zapisujemy to w postaci [Kawa & Śmietanka] [Ciastka] 5
6 Reguły asocjacyjne Inne przykłady [Koszula] [Krawat] [Buty] [Skarpety] [Piwo] [Papierosy & Chipsy] Jeżeli transakcja pasuje do reguły, tzn. spełnione są warunki poprzednika i następnika, to mówimy, że reguła zawiera określoną transakcję (transakcja wspiera określona regułę asocjacyjną) 6
7 Reguły asocjacyjne - oznaczenia I={i 1,i 2,..., i n } zbiór towarów (items) Każdy element i j jest towarem możliwym do nabycia T j transakcje T j I Każda transakcja T j stanowi zbiór towarów zakupionych przez klienta j (tzw. koszyk). Baza transakcji zawiera zbiór par (id j, T j ), gdzie id j - identyfikator klienta j, T j - zbiór towarów zakupionych przez klienta j. 7
8 Przykład Miejscowy rolnik ma przydrożne stoisko z warzywami i sprzedaje artykuły zamieszczone w tabeli: i 1 i 2 Szparagi Fasola Klienci zjeżdżają na bok drogi i kupują różne kombinacje artykułów. (np.{brokuły, zielona papryka, kukurydza}. i 3 i 4 i 5 i 6 i 7 Brokuły Kukurydza Zielona papryka Kabaczki Pomidory 8
9 Przykład T 1 brokuły, zielona papryka, kukurydza T 2 szparagi, kabaczki, kukurydza W ciągu jednego popołudnia dokonano 14 transakcji. T 3 T 4 T 5 kukurydza, pomidory, fasola, kabaczki zielona papryka, kukurydza, pomidory, fasola fasola, szparagi, brokuły T 6 kabaczki, szparagi, fasola, pomidory Uwaga W analizie koszykowej nie interesuje nas, jaką ilość towaru klient kupił. Ważne jest tylko, czy kupił dany towar, czy nie. T 7 T 8 T 9 T 10 pomidory, kukurydza brokuły, pomidory, zielona papryka kabaczki, szparagi, fasola, pomidory fasola, kukurydza T 11 zielona papryka, brokuły, fasola, kabaczki T 12 szparagi, fasola, kabaczki T 13 kabaczki, kukurydza, szparagi, fasola T 14 kukurydza, zielona papryka, pomidory, fasola, brokuły 9
10 Format danych macierzowy Transakcja Szparagi Fasola Brokuły Kukurydza Zielona papryka Kabaczki Pomidory T T T T T T T T T T T T T T
11 Format transakcyjny Wymagane są dwie kolumny: identyfikator transakcji, pozycja (zakupiony towar). Ten sam identyfikator transakcji może występować wiele razy. W kolumnie towaru każdy wiersz zawiera tylko jedną pozycję. EM SAS wymaga, aby dane były zapisane w formacie transakcyjnym. Transakcja T 1 T 1 T 1 T 2 T 2 T 2 T 3.. T 14 T 14 Artykuł brokuły zielona papryka kukurydza szparagi kabaczki kukurydza kukurydza.. fasola brokuły 11
12 Charakterystyki reguł asocjacyjnych A B Wsparcie reguły (support) n( A B ) =P( A B ) N Ufność reguły (confidence) n( A B ) =P(B A ) n( A ) Przyrost (lift) ufnosc P (B ) = P (B A ) P(B ) N liczba wszystkich transakcji, n (X) liczba transakcji zawierających X 12
13 Charakterystyki reguł asocjacyjnych A B Analitycy mogą preferować reguły, które mają duże wsparcie i dużą ufność. Mocne reguły są to takie reguły, dla których wsparcie i ufność są większe niż pewne ustalone wartości minimalne. Jeżeli towary B są nabywane często, ufność każdej reguły A B będzie duża. Wtedy należy rozważać przyrosty. Przyrost jest większy niż 1, gdy P(B A )>P (B ) Oznacza to, że gdy klient zakupi towar A, to wzrasta prawdopodobieństwo zakupu towaru B. 13
14 Przykład Zawarto: Reguła asocjacyjna: [Buty] [Skarpety] N = transakcji n(buty) n(skarpety) n(buty & skarpety) Policz: wsparcie, ufność, przyrost, prawdopodobieństwo kupienia skarpet 14
15 Algorytm Apriori Najpopularniejszy algorytm generowania reguł asocjacyjnych Apriori został zaproponowany w pracy [R. Agrawal i R. Srikant, 1993] Apriori jest algorytmem iteracyjnym. W każdej iteracji znajduje się zbiory o rozmiarach 2, 3 (liczba towarów w regule) i sprawdza się, czy są one częste. 15
16 Algorytm Apriori częstość zbioru Częstość zbioru zdarzeń (towarów) A jest to liczba transakcji zawierająca dany zbiór: n(a) Zbiór A jest częsty, gdy występuje w transakcjach przynajmniej pewną ustaloną minimalną liczbę razy Φ. Przyjmijmy np. Φ = 4 16
17 Algorytm Apriori częstość zbioru Oznaczmy: F k - zbiór częstych koszyków o liczbie towarów k C k zbiór koszyków o liczbie towarów k Tworzenie reguł asocjacyjnych odbywa się w dwóch etapach: Znajdź wszystkie zbiory częste (dla ustalonego Φ). Na podstawie częstych zdarzeń utwórz reguły asocjacyjne, które spełniają warunek minimalnego wsparcia i poziomu ufności. 17
18 Algorytm Apriori Tworzenie zbiorów częstych: łączenie do zbioru C k wstawiamy A B takich par, które mają wspólne k-2 A, B F k 1 początkowych elementów Niech F 2 = {ab, ac, ad, ae, bc, bd, be} Wówczas C 3 = {abc, abd, abe, acd, ace, ade, bcd, bce, bde} 18
19 Algorytm Apriori F 2 = {ab, ac, ad, ae, bc, bd, be} C 3 = {abc, abd, abe, acd, ace, ade, bcd, bce, bde} obcinanie usuwamy z C k zbiory, których nie wszystkie podzbiory (k-1)-elementowe są w F k--1 (np. tu możemy usunąć acd, bo cd nie znajduje się w F k--1 ). Po obcięciu mamy C 3 ={abc, abd, abe} usuwanie usuwamy z C k zbiory, które nie są częste i otrzymujemy zbiór F k 19
20 Przykład zbiór danych Assoc1 Wymagane są dwie kolumny: identyfikator (numer) transakcji, nazwa produktu (kod produktu nie będzie wykorzystany). Zbiór danych ma 47 obserwacji 20
21 Projekt Asocjacje Tworzymy projekt Asocjacje, a w nim diagram Warzywa. W Data Sources deklarujemy zbiór ASSOC1 znajdujący się w bibliotece dmlib. Zbiór ten powinien mieć rolę Transaction. 21
22 Diagram projektu analizy asocjacji Diagram Warzywa zawiera tylko dwa węzły: Input Data i Association 22
23 Zmienne wykorzystane w analizie asocjacji zmienna transakcja ma rolę id zmienna produkt ma rolę target 23
24 Parametry węzła Association Zostawimy domyślne wartości węzła, zmieniając tylko pozycję Export Rule by ID na Yes. Spowoduje to utworzenie tabeli zawierającej informacje o znalezionych regułach. Będą brane pod uwagę reguły, które zawierają co najwyżej 4 towary Minimalna ufność wynosi 10% Minimalne wsparcie wynosi 5% Maksymalna liczba generowanych reguł 200 Jeżeli interesujemy się regułami dla rzadko nabywanych towarów minimalne wsparcie powinno być małe. 24
25 Wyniki Wyniki są przedstawiane domyślnie w czterech oknach: Statistics Plot, Rule Matrix, Statistics Line Plot, Output. 25
26 Charakterystyki dla reguł Relations - liczba pozycji, jaka występuje w regule (można ustalić maksymalną liczbę pozycji np. 4) Lift - czynnik wskazujący, jak rośnie wiarygodność następnika reguły, przy wzroście wiarygodności poprzednika (pożądane są wartości lift większe od 1); Support - częstość występowania jednocześnie poprzednika i następnika (w %); Confidence - częstość występowania następnika, gdy występuje poprzednik (w %); Transaction Count - liczba transakcji 26
27 Statistics Plot Jest to wykres zależności wsparcia i ufności. Kolor wskazuje, ile pozycji występuje w znalezionej regule (2 lub 3 lub 4). 27
28 Statistics Plot Klikając na danej pozycji można odczytać postać reguły oraz wartości ufności i wsparcia reguły, np. reguła kabaczki -> fasola ma ufność 85,71%, wsparcie 42,86%. Występują też reguły, które mają ufność 100%, ale niskie wsparcie, np. zielona papryka & pomidory & kukurydza -> fasola. 28
29 Rule Matrix Wykres pokazuje wartości ufności (za pomocą kolorów) w rozbiciu na poprzednik reguły (oś pionowa) i następnik reguły (oś pozioma), np. szparagi -> kabaczki.= 83,33% 29
30 Statistics Line Plot Wykres pokazuje wartości statystyk: przyrost, oczekiwana ufność, ufność, wsparcie dla wszystkich reguł. Reguły są ułożone malejąco według przyrostu.. Przykład dla reguły
31 Reguły Wybierając z menu polecenie View Rules można zobaczyć dodatkowe wykresy i tabele. 31
32 Reguły Wybierając polecenie View Rules Rules Table można zobaczyć wszystkie reguły w postaci tabeli. Klikając na nagłówkach można posortować wiersze (tutaj malejąco według liczby transakcji (Transaction Count), reguła kabaczki -> fasola występuje 6 razy. 32
33 Reguły Wybierając polecenie View Rules Rule Description można zobaczyć wszystkie wygenerowane reguły i ich numerację (np. reguła 127 kabaczki ==> fasola). 33
34 Wyniki graf powiązań Wykres można uzyskać wybierając polecenie View Rules Link Graph. 34
35 Diagram projektu analizy asocjacji Diagram Banki zawiera dwa węzły: Input Data i Association. Zbiór danych BANK zawiera informacje o około 8000 klientów banku. Zbiór zawiera obserwacji. Każda obserwacja reprezentuje transakcję klienta. Rola zbioru BANK ma wartość transaction. 35
36 Zmienne wykorzystane w analizie asocjacji zmienna ACCOUNT ma rolę ID zmienna SERVICE ma rolę Target zmienna VISIT ma rolę Sequence (będzie wykorzystana w analizie sekwencji) 36
37 Zmienne wykorzystane w analizie asocjacji Po dołączeniu węzła Graph Explore można zobaczyć rozkład zmiennej SERVICE (View Target). 37
38 Wartości zmiennej SERVICE ATM - automated teller machine debit card AUTO - automobile installment loan CCRD - credit card CD - cetificate of deposit CKCRD - check/debit card CKING - checking account HMEQLC - home equity line of credit IRA - individual retirement account MMDA - money market deposit account MTG - mortgage PLOAN - personal/consumer installment loan SVG - saving account TRUST - personal trust account 38
39 Parametry węzła Association Podobnie jak poprzenio zostawiamy domyślne wartości węzła, zmieniając tylko pozycję Export Rule by ID na Yes. 39
40 Zmienne wykorzystane w analizie asocjacji Ponieważ przeprowadzamy tylko analizę asocjacji, a nie analizę sekwencji, zaznaczamy dla zmiennej VISIT opcję Use = No. 40
41 Wyniki Wyniki: Statistics Plot, Rule Matrix, Statistics Line Plot, Output. 41
42 Reguły View Rules Rule description Największą wartość przyrostu mają reguły: CKING & CCRD -> CKCRD CKCRD -> CKING & CCRD (checking account and credit card -> check/debit card) Funkcja przyrostu jest symetryczna 42
43 Rules Table Po wybraniu polecenia View Rules Rules Table widzimy statystyki Expected Confidence, Confidence, Support, Lift, Transaction Count dla reguł. 43
44 Trójwymiarowy wykres rozproszenia Wybierzmy polecenie View Plot i w Kreatorze Wykresów zaznaczmy trójwymiarowy wykres rozproszenia (Scatter plot in 3 dimensions). 44
45 Trójwymiarowy wykres rozproszenia Zaznaczmy role X, Y, Z odpowiednio dla statystyk SUPPORT, LIFT, CONFIDENCE 45
46 Trójwymiarowy wykres rozproszenia Wykres można oglądać jednocześnie z tablicą reguł (View Tables). 46
47 Analiza sekwencji 47
48 Analiza sekwencji W analizie sekwencji uwzględnia się kolejność występowania zdarzeń w regułach A B. Reguła ta oznacza, że zdarzenie B występuje po zdarzeniu A. Przykład [Komputer] [Drukarka] Oznacza, że klient, który kupił komputer w następnym okresie (miesiącu) kupuje drukarkę. Przyjmujemy, że odstępy czasowe w regułach sekwencyjnych są takie same (np. dzień, tydzień, miesiąc) 48
49 Analiza sekwencji W analizie sekwencji wykorzystamy zbiór znajdujący się w bibliotece dmlib BANK 49
50 Diagram projektu analizy sekwencji Dodajmy do diagramu Banki nowy węzeł Association i zmieńmy (Rename) jego nazwę na Sequence 50
51 Diagram projektu analizy sekwencji Identyfikator klienta ACCOUNT ma rolę ID Identyfikator kategorii analizowanej SERVICE zmiennej ma rolę Target Zmienna czasowa VISIT ma rolę Sequence Zmienne mają ustawienie Use = Yes. 51
52 Parametry węzła Sequence Najdłuższy ciąg w sekwencji może zawierać 3 reguły (A->B->C). Maksymalna wartość wynosi 10 Nie łączymy czasów, ponieważ zmienna czasowa jest dyskretna Będą brane pod uwagę towary, które występują przynajmniej w 2% transakcjach (można podać, w ilu % transakcji) Maksymalny czas, w którym transakcje mogą być traktowane jako sekwencja. Na przykład, może być, że odstęp między dwiema transakcjami większy niż 2 nie jest traktowany jako sekwencja Zmieniamy domyślną opcję na Yes. 52
53 Konsolidacja odcinków czasowych Możemy rozważać sytuację, gdy klient przychodzi do sklepu o godzinie 7 rano i kupuje mleko, chleb i jaja. Potem przychodzi o godzinie 13 i kupuje masło i ser. Potem przychodzi o godzinie 19 i kupuje piwo. Potem przychodzi za 2 dni o godzinie 15 i kupuje chleb, piwo i ciastka. Dane są godzinowe. Mamy więc 4 wizyty (4 różne wartości zmiennej czasowej). Jeżeli chcemy uwzględnić tylko zakupy dokonywane w kolejnych dniach, można połączyć (skonsolidować) transakcje. Wówczas kilka wizyt tego samego dnia jest traktowanych jako jedna wizyta. Transakcje A = {mleko, chleb, jaja, masło, ser, piwo} B = {chleb, piwo, ciastka} 53
54 Wyniki Wyniki: Statistics Plot, Rule Matrix, Statistics Line Plot, Output. 54
55 Statistics Line Plot Wykres przedstawia wsparcie i ufność reguł. Reguły są uporządkowane malejąco według wsparcia. 55
56 Rules Table Największe wsparcie mają reguły sekwencyjne: CKING -> SVG (54,17%), CKING -> ATM (36,17%), SVG -> ATM (25,69%), CKING -> SVG ->ATM -> (36,17%), Ostatnia z tych reguł ma długość 3 56
57 Output Okno Output przedstawia tablicę z wartościami statystyk reguł i zaznaczeniem numerów reguł. 57
Metody 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 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 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 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 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 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 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 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 szczegółowoInżynieria biomedyczna
Inżynieria biomedyczna Projekt Przygotowanie i realizacja kierunku inżynieria biomedyczna studia międzywydziałowe współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego.
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 szczegółowoPrzykład Rezygnacja z usług operatora
Przykład Rezygnacja z usług operatora Zbiór CHURN Zbiór zawiera dane o 3333 klientach firmy telefonicznej razem ze wskazaniem, czy zrezygnowali z usług tej firmy Dane pochodzą z UCI Repository of Machine
Bardziej szczegółowoAnaliza asocjacji i reguły asocjacyjne w badaniu wyborów zajęć dydaktycznych dokonywanych przez studentów. Zastosowanie algorytmu Apriori
Ekonomia nr 34/2013 Analiza asocjacji i reguły asocjacyjne w badaniu wyborów zajęć dydaktycznych dokonywanych przez studentów. Zastosowanie algorytmu Apriori Mirosława Lasek *, Marek Pęczkowski * Streszczenie
Bardziej szczegółowoGrzegorz Harańczyk, StatSoft Polska Sp. z o.o.
CO Z CZYM I PO CZYM, CZYLI ANALIZA ASOCJACJI I SEKWENCJI W PROGRAMIE STATISTICA Grzegorz Harańczyk, StatSoft Polska Sp. z o.o. Jednym z zagadnień analizy danych jest wyszukiwanie w zbiorach danych wzorców,
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 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 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 Sieci Kohonena Sieci Kohonena Sieci Kohonena zostały wprowadzone w 1982 przez fińskiego
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 szczegółowoKrzysztof Kawa. empolis arvato. e mail: krzysztof.kawa@empolis.com
XI Konferencja PLOUG Kościelisko Październik 2005 Zastosowanie reguł asocjacyjnych, pakietu Oracle Data Mining for Java do analizy koszyka zakupów w aplikacjach e-commerce. Integracja ze środowiskiem Oracle
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 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 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 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 szczegółowoREGU LY ASOCJACYJNE. Nguyen Hung Son. 25 lutego i 04 marca Wydzia l Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski.
REGU LY ASOCJACYJNE Wydzia l Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski 25 lutego i 04 marca 2005 Outline 1 2 3 regu l asocjacyjnych 4 5 Motywacje Lista autorów (items) A Jane Austen C
Bardziej szczegółowoDrzewa decyzyjne w SAS Enterprise Miner
Drzewa decyzyjne w SAS Enterprise Miner Aneta Ptak-Chmielewska Instytut Statystyki i Demografii Zakład Analizy Historii Zdarzeń i Analiz Wielopoziomowych www.sgh.waw.pl/zaklady/zahziaw 1 struktura ćwiczeń
Bardziej szczegółowoNiestandardowa tabela częstości
raportowanie Niestandardowa tabela częstości Przemysław Budzewski Predictive Solutions Do czego dążymy W Generalnym Sondażu Społecznym USA w 1991 roku badaniu poddano respondentów należących do szeregu
Bardziej szczegółowoOdkrywanie reguł asocjacyjnych. Rapid Miner
Odkrywanie reguł asocjacyjnych Rapid Miner Zbiory częste TS ID_KLIENTA Koszyk 12:57 1123 {mleko, pieluszki, piwo} 13:12 1412 {mleko, piwo, bułki, masło, pieluszki} 13:55 1425 {piwo, wódka, wino, paracetamol}
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 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 szczegółowoREGU LY ASOCJACYJNE. Nguyen Hung Son. Wydzia l Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski. 28.II i 6.III, 2008
REGU LY ASOCJACYJNE Nguyen Hung Son Wydzia l Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski 28.II i 6.III, 2008 Nguyen Hung Son (MIMUW) W2 28.II i 6.III, 2008 1 / 38 Outline 1 Dane transakcyjne
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 szczegółowoPRZYKŁAD BADANIA WZORCÓW ZACHOWAŃ KLIENTÓW ZA POMOCĄ ANALIZY KOSZYKOWEJ
PRZYKŁAD BADANIA WZORCÓW ZACHOWAŃ KLIENTÓW ZA POMOCĄ ANALIZY KOSZYKOWEJ Agnieszka Pasztyła, StatSoft Polska Sp. z o.o.; Akademia Ekonomiczna w Krakowie, Katedra Statystyki Cel analizy koszykowej Analiza
Bardziej szczegółowoZastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2017/2018
Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner rok akademicki 2017/2018 Grupowanie zmiennych 2 Grupowanie zmiennych W eksploracji danych zajmujemy się
Bardziej szczegółowoPODRĘCZNIK UŻYTKOWNIKA PEŁNA KSIĘGOWOŚĆ. Płatności
Płatności Odnotowuj płatności bankowe oraz gotówkowe, rozliczenia netto pomiędzy dostawcami oraz odbiorcami, dodawaj nowe rachunki bankowe oraz kasy w menu Płatności. Spis treści Transakcje... 2 Nowa płatność...
Bardziej szczegółowoNaszym zadaniem jest rozpatrzenie związków między wierszami macierzy reprezentującej poziomy ekspresji poszczególnych genów.
ANALIZA SKUPIEŃ Metoda k-means I. Cel zadania Zadaniem jest analiza zbioru danych, gdzie zmiennymi są poziomy ekspresji genów. Podczas badań pobrano próbki DNA od 36 różnych pacjentów z chorobą nowotworową.
Bardziej szczegółowoZajęcia nr VII poznajemy Rattle i pakiet R.
Okno główne Rattle wygląda następująco: Zajęcia nr VII poznajemy Rattle i pakiet R. Widzimy główne zakładki: Data pozwala odczytad dane z różnych źródeł danych (pliki TXT, CSV) i inne bazy danych. Jak
Bardziej szczegółowoImplementacja metod eksploracji danych - Oracle Data Mining
Implementacja metod eksploracji danych - Oracle Data Mining 395 Plan rozdziału 396 Wprowadzenie do eksploracji danych Architektura Oracle Data Mining Możliwości Oracle Data Mining Etapy procesu eksploracji
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 szczegółowoKreowanie i analizowanie eksperymentów pełnoczynnikowych w programie Minitab. Osoba kontaktowa: Katarzyna Kornicka Telefon:
Kreowanie i analizowanie eksperymentów pełnoczynnikowych w programie Minitab Osoba kontaktowa: Katarzyna Kornicka Telefon: +48 785 9 353 Rozpoczęcie pracy z programem Minitab ver 5 Session Window, tutaj
Bardziej szczegółowoĆ w i c z e n i e 3 : W i z u a l i z a c j a d a n y c h - w y k r e s y S t r o n a 1
Ć w i c z e n i e 3 : W i z u a l i z a c j a d a n y c h - w y k r e s y S t r o n a 1 Zadanie 1. Tworzenie wykresów zmiennych jakościowych wyrażonych w skali nominalnej i porządkowej. Utworzyć wykres
Bardziej szczegółowoWellCommerce Poradnik: Raporty
WellCommerce Poradnik: Raporty Spis treści well W tej części poradnika poznasz funkcje WellCommerce które służą do generowania raportów oraz statystyk. 2 WellCommerce Poradnik: Raporty... 1 Spis treści...
Bardziej szczegółowoPodręcznik użytkownika 360 Księgowość Deklaracja VAT i plik JPK Wystawiaj deklaracje VAT, generuj pliki JPK w programie 360 Księgowość.
Podręcznik użytkownika 360 Księgowość Deklaracja VAT i plik JPK Wystawiaj deklaracje VAT, generuj pliki JPK w programie 360 Księgowość. Spis treści Deklaracja podatku VAT... 2 Raport kontrolny VAT / JPK...
Bardziej szczegółowoPracownia Informatyczna Instytut Technologii Mechanicznej Wydział Inżynierii Mechanicznej i Mechatroniki. Podstawy Informatyki i algorytmizacji
Pracownia Informatyczna Instytut Technologii Mechanicznej Wydział Inżynierii Mechanicznej i Mechatroniki Podstawy Informatyki i algorytmizacji wykład 1 dr inż. Maria Lachowicz Wprowadzenie Dlaczego arkusz
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 szczegółowoNowa płatność Dodaj nową płatność. Wybierz: Płatności > Transakcje > Nowa płatność
Podręcznik Użytkownika 360 Księgowość Płatności Wprowadzaj płatności bankowe oraz gotówkowe, rozliczenia netto pomiędzy dostawcami oraz odbiorcami, dodawaj nowe rachunki bankowe oraz kasy w menu Płatności.
Bardziej szczegółowoPodręcznik Użytkownika 360 Księgowość Projekty i centra kosztów
Podręcznik Użytkownika Projekty i centra kosztów Projekty i centra kosztów mogą być wykorzystane do szczegółowych analiz dochodów i wydatków. Aby móc wprowadzić transakcje do projektów i centrów kosztów
Bardziej szczegółowoODKRYWANIE WZORCÓW ZACHOWAŃ KONSUMENTÓW ZA POMOCĄ ANALIZY KOSZYKOWEJ DANYCH TRANSAKCYJNYCH
PRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU nr 207 RESEARCH PAPERS OF WROCŁAW UNIVERSITY OF ECONOMICS nr 327 2014 Taksonomia 22 ISSN 1899-3192 Klasyfikacja i analiza danych teoria i zastosowania
Bardziej szczegółowoSZKOLENIA SAS. ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie
SZKOLENIA SAS ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie DANIEL KUBIK ŁUKASZ LESZEWSKI ROLE ROLE UŻYTKOWNIKÓW MODUŁU
Bardziej szczegółowoArtykuły. Spis treści Artykuły sprzedaży... 2 Artykuły zakupu... 3 Pozycja magazynowa... 5 Grupy artykułów (w pakiecie PRO)... 6
Artykuły Artykuły są niezbędne do wprowadzania faktur sprzedaży oraz zakupu, a także w transakcjach magazynowych. Lista artykułów może być taka sama dla faktur sprzedaży, zakupu oraz transakcji magazynowych.
Bardziej szczegółowoPraktyczne wykorzystanie arkusza kalkulacyjnego w pracy nauczyciela część 1
Praktyczne wykorzystanie arkusza kalkulacyjnego w pracy nauczyciela część 1 Katarzyna Nawrot Spis treści: 1. Podstawowe pojęcia a. Arkusz kalkulacyjny b. Komórka c. Zakres komórek d. Formuła e. Pasek formuły
Bardziej szczegółowoInformatyka Ćwiczenie 10. Bazy danych. Strukturę bazy danych można określić w formie jak na rysunku 1. atrybuty
Informatyka Ćwiczenie 10 Bazy danych Baza danych jest zbiór informacji (zbiór danych). Strukturę bazy danych można określić w formie jak na rysunku 1. Pracownik(ID pracownika, imie, nazwisko, pensja) Klient(ID
Bardziej szczegółowoQtiplot. dr Magdalena Posiadała-Zezula
Qtiplot dr Magdalena Posiadała-Zezula Magdalena.Posiadala@fuw.edu.pl www.fuw.edu.pl/~mposiada Start! qtiplot poza rysowaniem wykresów pozwala też na zaawansowaną obróbkę danych.! qtiplot jest silnie wzorowany
Bardziej szczegółowo1. Wprowadzenie do oprogramowania gretl. Wprowadzanie danych.
Laboratorium z ekonometrii (GRETL) 1. Wprowadzenie do oprogramowania gretl. Wprowadzanie danych. Okno startowe: Póki nie wczytamy jakiejś bazy danych (lub nie stworzymy własnej), mamy dostęp tylko do dwóch
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 Sieci neuronowe Sieci neuronowe w SAS Enterprise Miner Węzeł Neural Network Do
Bardziej szczegółowoArkusz kalkulacyjny MS EXCEL ĆWICZENIA 4
Arkusz kalkulacyjny MS EXCEL ĆWICZENIA 4 Uwaga! Każde ćwiczenie rozpoczynamy od stworzenia w katalogu Moje dokumenty swojego własnego katalogu roboczego, w którym będziecie Państwo zapisywać swoje pliki.
Bardziej szczegółowo3.7. Wykresy czyli popatrzmy na statystyki
3.7. Wykresy czyli popatrzmy na statystyki Współczesne edytory tekstu umożliwiają umieszczanie w dokumentach prostych wykresów, służących do graficznej reprezentacji jakiś danych. Najprostszym sposobem
Bardziej szczegółowoINSTRUKCJA DO PROGRAMU EPANET 2.0 PL
Wprowadzenie danych INSTRUKCJA DO PROGRAMU EPANET 2.0 PL 1. Klikamy prawy przyciskiem myszy na mapie. Następnie Opcje/Oznaczenia i zaznaczamy Wyświetl identyfikatory węzłów, Wyświetl identyfikatory rur.
Bardziej szczegółowoLK1: Wprowadzenie do MS Access Zakładanie bazy danych i tworzenie interfejsu użytkownika
LK1: Wprowadzenie do MS Access Zakładanie bazy danych i tworzenie interfejsu użytkownika Prowadzący: Dr inż. Jacek Habel Instytut Technologii Maszyn i Automatyzacji Produkcji Zakład Projektowania Procesów
Bardziej szczegółowoREPORTS. v.1.0.0. Strona 1 z 11. FUTURE-SOFT SP. Z O.O. ul. Gosławicka2/215 45-446, Opole tel. +48667700732 sales@future-soft.pl NIP: 599-316-99-06
REPORTS (Moduł Magento) v.1.0.0 Strona 1 z 11 Spis treści Instalacja.... 3 Konfiguracja.... 4 Największa sprzedaż... 6 Najniższa sprzedaż... 6 Aktywność klientów... 6 Czas przydatności... 7 Przeterminowane
Bardziej szczegółowoRysunek 8. Rysunek 9.
Ad 2. Dodatek Excel Add-Ins for Operations Management/Industral Engineering został opracowany przez Paul A. Jensen na uniwersytecie w Teksasie. Dodatek można pobrać ze strony http://www.ormm.net. Po rozpakowaniu
Bardziej szczegółowo10. Statystyki. WAŻNE! Raporty i statystyki salonu tworzone są wyłącznie w oparciu o zakończone wizyty.
10. Statystyki Aplikacja Gabi.NET.pl wyposażona została w funkcję generowania statystyk. Dla ustalonego przedziału czasu wygenerujesz statystyki pracowników, klientów oraz statystyki obrotu. Do każdego
Bardziej szczegółowoINSTRUKCJA OTWIERANIA PLIKU DPT (data point table)
INSTRUKCJA OTWIERANIA PLIKU DPT (data point table) Plik DPT jest tekstowym zapisem widma. Otwarty w notatniku wygląda następująco: Aby móc stworzyć wykres, należy tak zaimportować plik do arkusza kalkulacyjnego,
Bardziej szczegółowoWielopoziomowe i wielowymiarowe reguły asocjacyjne
Wielopoziomowe i wielowymiarowe reguły asocjacyjne Wielopoziomowe reguły asocjacyjne Wielowymiarowe reguły asocjacyjne Asocjacje vs korelacja Odkrywanie asocjacji wykład 3 Kontynuując zagadnienia związane
Bardziej szczegółowoNa podstawie: MS Project 2010 i MS Project Server Efektywne zarządzanie projektem i portfelem projektów, Wilczewski S.
Wykrywanie przeciążonych zasobów Śledzenie obciążenia zasobów, Ścieżka krytyczna i jej optymalizacja, Rozwiązywanie problemów z przeciążonymi zasobami, Bilansowanie zasobów Rozkład pracy zasobów zarządzanie
Bardziej szczegółowoPRZEWODNIK PO ETRADER ROZDZIAŁ XII. ALERTY SPIS TREŚCI
PRZEWODNIK PO ETRADER ROZDZIAŁ XII. ALERTY SPIS TREŚCI 1. OPIS OKNA 3 2. OTWIERANIE OKNA 3 3. ZAWARTOŚĆ OKNA 4 3.1. WIDOK AKTYWNE ALERTY 4 3.2. WIDOK HISTORIA NOWO WYGENEROWANYCH ALERTÓW 4 3.3. DEFINIOWANIE
Bardziej szczegółowoJak przekształcać zmienne jakościowe?
Data Preparation Jak przekształcać zmienne jakościowe? Marta Płonka Predictive Solutions W ostatnim artykule zobaczyliśmy, jak sprawdzić, czy między wybranymi przez nas predyktorami a zmienną przewidywaną
Bardziej szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoReguły asocjacyjne na giełdzie
Hurtownie danych i data mining - Grupa dra Piotra Lipińskiego II UWr 2009/2010 Adam Grycner, Mateusz Łyczek, Marta Ziobro Reguły asocjacyjne na giełdzie 1 Problem 1.1 Opis problemu - intuicyjnie Będziemy
Bardziej szczegółowoUruchom polecenie z menu Wstaw Wykres lub ikonę Kreator wykresów na Standardowym pasku narzędzi.
Tworzenie wykresów w Excelu. Część pierwsza. Kreator wykresów Wpisz do arkusza poniższą tabelę. Podczas tworzenia wykresów nie ma znaczenia czy tabela posiada obramowanie lub inne elementy formatowania
Bardziej szczegółowoCzęść 2: Data Mining
Łukasz Przywarty 171018 Wrocław, 18.01.2013 r. Grupa: CZW/N 10:00-13:00 Raport z zajęć laboratoryjnych w ramach przedmiotu Hurtownie i eksploracja danych Część 2: Data Mining Prowadzący: dr inż. Henryk
Bardziej szczegółowoWspólne Zaawansowana tabela
Wspólne Zaawansowana tabela Wersja 3.59.305 4.04.2013 r. W systemie Streamsoft Prestiż umożliwiono tworzenie zaawansowanych analiz w każdym oknie z tabelą. Analizy takie umożliwiają wielopoziomowe grupowanie
Bardziej szczegółowoUzupełnij pola tabeli zgodnie z przykładem poniżej,
1. Wykonaj bazę danych biblioteki szkolnej, Otwórz MS Access a następnie z menu plik wybierz przycisk nowy, w oknie nowy plik wybieramy pusta baza danych nadaj jej nazwę Biblioteka i wybierz miejsce w
Bardziej szczegółowoPRZEWIDYWANIE AWARII I PROBLEMÓW Z JAKOŚCIĄ
PRZEWIDYWANIE AWARII I PROBLEMÓW Z JAKOŚCIĄ Grzegorz Harańczyk, StatSoft Polska Sp. z o.o. Jednym z najważniejszych zadań nowoczesnej produkcji jest zapewnienie odpowiedniej jakości wytwarzanych produktów.
Bardziej szczegółowoPlanowanie na podstawie prognoz
Planowanie na podstawie prognoz Prognozy sprzedaży, przekazywane od klientów są popytem w systemie ERP, rejestrowanym z wyprzedzeniem czasowym np. 6-12 miesięcznym. Dzięki wprowadzanym do systemu prognozom,
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 szczegółowoKONSOLIDACJA. Cel ćwiczenia: Funkcjonalności:
Sekcja: FUNKCJONALNOŚĆ TABELA Strona 41 KONSOLIDACJA Cel ćwiczenia: Ćwiczenie konsolidacja przedstawi w jaki sposób szybko połączyć i zestawić dane z wielu arkuszy, plików, źródeł. Funkcjonalności: Konsolidacja
Bardziej szczegółowoMateriał dotyczy generowania różnego typu wykresów w środowisku R.
Materiał dotyczy generowania różnego typu wykresów w środowisku R. Pamiętajmy, że niektóre typy wykresów są dedykowane do pewnych typów danych. Na potrzeby ćwiczeń początkowych załadujemy sobie zbiór danych
Bardziej szczegółowoINSTRUKCJA OBSŁUGI PEŁNA KSIĘGOWOŚĆ. Artykuły
Artykuły Artykuły są niezbędne do wprowadzania faktur sprzedaży oraz zakupu, a także w transakcjach magazynowych. Lista artykułów może być taka sama dla faktur sprzedaży, zakupu oraz transakcji magazynowych.
Bardziej szczegółowoBIBLIOGRAFIA W WORD 2007
BIBLIOGRAFIA W WORD 2007 Ćwiczenie 1 Tworzenie spisu literatury (bibliografii) Word pozwala utworzyć jedną listę główną ze źródłami (cytowanymi książkami czy artykułami), która będzie nam służyć w różnych
Bardziej szczegółowoPodręcznik Użytkownika 360 Księgowość
Podręcznik Użytkownika 360 Księgowość Artykuły Artykuły są niezbędne do wprowadzania faktur sprzedaży oraz zakupu, a także w transakcjach magazynowych. Lista artykułów może być taka sama dla faktur sprzedaży,
Bardziej szczegółowoTabele zagnieżdżone z sortowaniem po statystykach
Raportowanie Tabele zagnieżdżone z sortowaniem po statystykach Krzysztof Kusch Predictive Solutions Tabele zagnieżdżone z sortowaniem po statystykach W tym miesiącu przyjrzymy się bliżej kwestii sortowania
Bardziej szczegółowoMariusz Piotrowski Barbara Fatyga Zespół Węzła Centralnego OŻK-SB
Mariusz Piotrowski Barbara Fatyga Zespół Węzła Centralnego OŻK-SB INSTRUKCJA - PRZYKŁAD PRACY Z DANYMI MOJEJ POLIS Przygotowanie tabeli z danymi: Struktura wykształcenia kobiet w powiecie olsztyńskim na
Bardziej szczegółowoINSTRUKCJA OBSŁUGI SKLEPU INTERNETOWEGO. Alu System Plus Sp.J. ul.leśna 2d 32-500 Chrzanów, tel.(+48-32) 625-71-38 sprzedaz@alusystem.
INSTRUKCJA OBSŁUGI SKLEPU INTERNETOWEGO 1. Jak rozpocząć zakupy? Aby złoŝyć zamówienie w sklepie naleŝy zalogować się, klikając na linka Zaloguj w prawym górnym rogu ekranu. Następnie naleŝy podać nazwę
Bardziej szczegółowoWszystkie dane są fikcyjne, wygenerowane jedynie na potrzeby zadań.
Wszystkie dane są fikcyjne, wygenerowane jedynie na potrzeby zadań. Zadanie 4. Słodzik Firma Słodzik zajmuje się sprzedażą cukru. W pliku cukier.txt znajdują się 2162 wiersze z danymi dotyczącymi sprzedaży
Bardziej szczegółowoEXCEL TABELE PRZESTAWNE
EXCEL TABELE PRZESTAWNE ZADANIE 1. (3 punkty). Ze strony http://www.staff.amu.edu.pl/~izab/ pobierz plik o nazwie Tabela1.xlsx. Używając tabel przestawnych wykonaj następujące polecenia: a) Utwórz pierwszą
Bardziej szczegółowoZaawansowane aplikacje internetowe - laboratorium
Zaawansowane aplikacje internetowe - laboratorium Web Services (część 3). Do wykonania ćwiczeń potrzebne jest zintegrowane środowisko programistyczne Microsoft Visual Studio 2005. Ponadto wymagany jest
Bardziej szczegółowoBaza danych. Program: Access 2007
Baza danych Program: Access 2007 Bazę danych składa się z czterech typów obiektów: tabela, formularz, kwerenda i raport (do czego, który służy, poszukaj w podręczniku i nie bądź za bardzo leniw) Pracę
Bardziej szczegółowoOpis nowych funkcji w programie Symfonia Handel w wersji 2010
Symfonia Handel 1 / 5 Opis nowych funkcji w programie Symfonia Handel w wersji 2010 Główne korzyści z wersji 2010: Optymalizacja kosztów magazynowania i obsługi dostaw poprzez efektywniejsze zarządzanie
Bardziej szczegółowoOdkrywanie reguł asocjacyjnych
Odkrywanie reguł asocjacyjnych Tomasz Kubik Na podstawie dokumentu: CS583-association-rules.ppt 1 Odkrywanie reguł asocjacyjnych n Autor metody Agrawal et al in 1993. n Analiza asocjacji danych w bazach
Bardziej szczegółowoInstrukcja użytkownika Platforma Walutowa
Instrukcja użytkownika Platforma Walutowa Radomsko, Sierpień 2018 r. 1. Wstęp Platforma Walutowa ESBANK jest aplikacją internetową służącą do przeprowadzania transakcji walutowych. Do prawidłowego działania
Bardziej szczegółowoBukiety matematyczne dla szkoły podstawowej http://www.mat.uni.torun.pl/~kolka/
Bukiety matematyczne dla szkoły podstawowej http://www.mat.uni.torun.pl/~kolka/ 12 IX rok 2003/2004 Bukiet 1 O pewnych liczbach A, B i C wiadomo, że: A + B = 32, B + C = 40, C + A = 26. 1. Ile wynosi A
Bardziej szczegółowoManager Finansów to nowa funkcjonalność wprowadzona w systemie Millenet, pozwalająca zarządzać budżetem domowym.
Manager Finansów to nowa funkcjonalność wprowadzona w systemie Millenet, pozwalająca zarządzać budżetem domowym. Manager Finansów to kompleksowe i całkowicie bezpłatne narzędzie wykonujące wszystkie niezbędne
Bardziej szczegółowoPODRĘCZNIK UŻYTKOWNIKA KSIĘGA PRZYCHODÓW I ROZCHODÓW. Płatności
Płatności Odnotowuj płatności bankowe oraz gotówkowe, rozliczenia netto pomiędzy dostawcami oraz odbiorcami, dodawaj nowe rachunki bankowe oraz kasowe w menu Płatności. Spis treści Transakcje... 2 Nowa
Bardziej szczegółowoSystem imed24 Instrukcja Moduł Analizy i raporty
System imed24 Instrukcja Moduł Analizy i raporty Instrukcja obowiązująca do wersji 1.8.0 Spis treści 1. Moduł Analizy i Raporty... 3 1.1. Okno główne modułu Analizy i raporty... 3 1.1.1. Lista szablonów
Bardziej szczegółowoSPIS ILUSTRACJI, BIBLIOGRAFIA
SPIS ILUSTRACJI, BIBLIOGRAFIA Ćwiczenie 1 Automatyczne tworzenie spisu ilustracji 1. Wstaw do tekstu roboczego kilka rysunków (WSTAWIANIE OBRAZ z pliku). 2. Ustaw kursor w wersie pod zdjęciem i kliknij
Bardziej szczegółowoANALIZA ZACHOWAŃ UŻYTKOWNIKÓW PORTALU ONET.PL W UJĘCIU REGUŁ ASOCJACYJNYCH
PAWEŁ WEICHBROTH POLITECHIKA GDAŃSKA, ASYSTET, ZAKŁAD ZARZĄDZAIA TECHOLOGIAMI IFORMATYCZYMI, POLITECHIKA GDAŃSKA 1 STRESZCZEIE Portale internetowe są obecnie powszechnym źródłem informacji, notując bardzo
Bardziej szczegółowoZastosowanie Excela w matematyce
Zastosowanie Excela w matematyce Komputer w dzisiejszych czasach zajmuje bardzo znamienne miejsce. Trudno sobie wyobrazić jakąkolwiek firmę czy instytucję działającą bez tego urządzenia. W szkołach pierwsze
Bardziej szczegółowoObliczenia iteracyjne
Lekcja Strona z Obliczenia iteracyjne Zmienne iteracyjne (wyliczeniowe) Obliczenia iteracyjne wymagają zdefiniowania specjalnej zmiennej nazywanej iteracyjną lub wyliczeniową. Zmienną iteracyjną od zwykłej
Bardziej szczegółowo