0HWRG\HNVSORUDFMLGRVWSQHZ2UDFOHi Data Mining

Wielkość: px
Rozpocząć pokaz od strony:

Download "0HWRG\HNVSORUDFMLGRVWSQHZ2UDFOHi Data Mining"

Transkrypt

1 Ä,QWHJUDFMDWHFKQLNHNVSORUDFMLGDQ\FK]V\VWHPHP]DU]G]DQLDED]GDQ\FKQDSU]\NáDG]LH2UDFOHL'DWD0LQLQJ 37 Wprowadzenie (NVSORUDFMDGDQ\FK]ZDQDWDN*HRGNU\ZDQLHPZLHG]\ZED]DFKGDQ\FKdata mining, knowledge discovery in databaseswrsurfhvrgnu\zdqldqrz\fkqlh]qdq\fksr*\whf]q\fkl]ur]xpldá\fk Z]RUFyZ Z GX*\FK ZROXPHQDFK GDQ\FK: RVWDWQLFK ODWDFK REVHUZXMHP\ Z\UD(QH RGFKRG]HQLH RG GHG\NRZDQ\FK L Z\VSHFMDOL]RZDQ\FK V\VWHPyZ HNVSORUDF\MQ\FK L G*HQLH GR LQWHJUDFML W\FK V\VWHPyZ ] LVWQLHMF\PL V\VWHPDPL ]DU]G]DQLD ED]DPL GDQ\FK,QWHJUDFMD WD SU]HELHJD SU]HGH wszystkim w ramach magazynów danych (data warehouses NWyUH VWDQRZL GRVNRQDáH (UyGáR GDQ\FK GOD Uy*Q\FK WHFKQLN HNVSORUDF\MQ\FK 3RF]ZV]\ RG ZHUVML VHUZHUD ED]\ GDQ\FK 2UDFOH RIHUXMH QRZ\ PRGXá XPR*OLZLDMF\ ádwzh ]DQXU]DQLH DSOLNDFML HNVSORUDF\MQ\FK EH]SRUHdnio w bazie danych. Wszystkie cz\qqrfl FKDUDNWHU\VW\F]QH GOD HNVSORUDFML WDNLH MDN EXGRZDQLH L WHVWRZDQLH PRGHOL RGNU\ZDQLH UHJXá DVRFMDF\MQ\FK EG( NODV\ILNDFMD GDQ\FK V GRVWSQH]DSoPRF]ELRUXNODVLIXQNFMLM]\ND-DYD,QWHUIHMVSURJUDPRZ\PRGXáX2UDFOHi Data Mining pozwala prrjudplvwrp QD SHáQ NRQWURO QDG SURFHVHP HNVSORUDFML GDQ\FK L FDáNRZLW LQWHJUDFMWHJRSURFHVX]LVWQLHMFDUFKLWHNWXUED]\GDQ\FK Architektura Oracle9i 'DWD 0LQLQJ VNáDGD VL ] GZyFK NRPSRQHQWyZ LQWHUIHMVX programistycznego (Oracle9i Data Mining API, ODM API) i serwera eksploracyjnego (Data 0LQLQJ 6HUYHU '06 2'0 $3, MHVW ]ELRUHP NODV L IXQNFML ]D SRPRF NWyU\FK SURJUDPLVWD RNUHOD ]ELyU GDQ\FK Z NWóU\FK EG]LH SU]HELHJDü HNVSORUDFMD Z\ELHUD RGSRZLHGQLPHWRG XVWDOD ZDUWRFL SDUDPHWUyZ VWHUXMFych przebiegiem poszczególnych algorytmów, itp. DMS jest NRPSRQHQWHP]DV]\W\PZED]LHGDQ\FK-HVWWR]ELyUSURFHGXU3/64/LIXQNFMLM]\ND-DYDNWyUH GRNRQXMHNVSORUDFML3R]DW\P'06]DZLHUDUHSR]\WRULXPZNWyU\PSU]HFKRZ\ZDQHVPRGHOH eksploracji i jej wyniki. Oracle9i'DWD0LQLQJXPR*OLZLDGZDWU\E\HNVSORUDFMLXF]HQLH]QDG]RUHPsupervised learning) i uczenie bez nadzoru (unsupervised learning). Do uczenia z nadzorem wykorzystywana jest metoda klasyfikacji. Algorytm wykorzystywany do klasyfikacji to implementacja naiwnego klasyfikatora Bayes a (Naive Bayes). Poza budowaniem (applying) klasyfikatora Oracle9i Data Mining po]zdod UyZQLH* QD DSOLNRZDQLH PRGHOX GR GDQ\FK scoring), testowanie modelu na danych treningowych (testing) oraz stosowanie modelu do nowych danych w celu obliczenia Uy*Q\FK ZDUWRFL VWDW\VW\F]Q\FK computing lift 0HWRG Z\NRU]\VW\ZDQ GR XF]HQLD QLH nadzorowanego jest odkrywanie asocjacji. Oracle9i Data Mining wykorzystuje w tym celu algorytm o nazwie Association Rules. Algorytm ten pozwala na odkrywanie i przechowywanie UHJXáZUHSR]\WRULXPVHUZHUDHNsSORUDF\MQHJRZFHOXLFKSy(QLHMV]HMDQDOL]\ 0HWRG\HNVSORUDFMLGRVWSQHZ2UDFOHi Data Mining.ODV\ILNDFMD]DSRPRFQDLZQHJRNODV\ILNDWRUD%D\HV D Naiwny klasyfikator Bayes a jhvw MHGQ ] PHWRG XF]HQLD PDV]\QRZHJR VWRVRZDQ GR UR]ZL]\Zania problemu sortowania i klasyfikowania. Zadaniem klasyfikatora Bayes a jest SU]\SRU]GNRZanie nowego przypadku do jednej z klas decyzyjnych, przy czym zbiór klas GHF\]\MQ\FKPXVLE\üVNRF]RQ\L]GHILQLRZDQ\DSULRUL'RSU]\SLVDQLDSU]\SDGNXGRRNUHORQHM klasy klasyfikator wykorzystuje twierdzenie Bayes a. 7ZLHUG]HQLD %D\HV D PyZL *H GOD GZyFK QLH]DOH*Q\FK ]GDU]H $ L % SUDZGRSRGRELHVWZR wystslhqld%mholz\vwslár$z\qrvl P(B A) = (P(B) * P(A B)) / P(A) = P(A i B) / P(A), JG]LH3$R]QDF]DSUDZGRSRGRELHVWZR*HZ\VWSL$3$_%R]QDF]DSUDZGRSRGRELHVWZR*H Z\VWSL$SRGZDUXQNLHP*HZ\VWSLáRMX*%]D3$L%R]QDF]DSUDZGRSRGRELHVWZRWHJR*H Z\VWSL ]DUyZQR $ MDN L % -DN ZLGDü QDLZQ\ NODV\ILNDWRU %D\HV D ]DNáDGD QLH]DOH*QRü przynádgyz : SU]\SDGNX JG\ SRV]F]HJyOQH SU]\NáDG\ V ]DOH*QH NODV\ILNDWRU GRNRQXMH

2 38 0LNRáDM0RU]\0DUHN:RMFLHFKRZVNL V]DFRZDQLDSUDZG]LZHMZDUWRFL(NVSHU\PHQW\GRZRG]MHGQDN*HV]DFRZDQLHQLHZSá\ZDVLOQLH QD]GROQRüNODV\ILNDWRUDdo poprawnego przewidywania..odv\ilndwru PR*H E\ü Z\NRU]\VW\ZDQ\ GR NODV\ILNDFML ELQDUQHM L ZLHORNODVRZHM'OD SU]\NáDGX PRGHONODV\ILNDFMLELQDUQHM]RVWDá]EXGRZDQ\QDSRGVWDZLHLQIRUPDFMLRNUHG\WDFK]DFLJQLW\FK SU]H]NOLHQWyZEDQNXRUD]RFLJDOQRFLW\FKNUHG\WyZ.D*G\NOLHQW]RVWDáSU]\SLVDQ\GRMHGQHM ]GZyFKNODVµEH]SLHF]Q\ NOLHQFL]WHMNODV\VSáDFLOLNUHG\W\ZWHUPLQLHLµU\]\NRZQ\ NOLHQFL] WHMNODV\RFLJDOLVL]HVSáDWNUHG\WX1DSRGVWDZLHWDN]EXGRZDQHJRPRGHOXNODV\ILNDWRUPR*e RNUHODü NDV GR NWyUHM QDOH*\ QRZ\ NOLHQW XELHJDMF\ VL R NUHG\W 2SUyF] RNUHOHQLD NODV\ klasyilndwrurnuhodwh*sudzgrsrgrelhvwzrsrsudzqrflnodv\ilndfmlqsqrz\nolhqwqdoh*\gr NODV\µU\]\NRZQ\ ]SUDZGRSRGRELHVWZHP Naiwny klasyfikator %D\HV D MHVW MHGQ ] QDMEDUG]LHM HIHNW\ZQ\FK PHWRG XF]HQLD PDV]\QRZHJR VáX*F GR NODV\ILNDFML GRNXPHQWyZ WHNVWRZ\FK : SUDNW\FH VWRVRZDQ\ MHVW QDMF]FLHM GR filtrozdqld GRNXPHQWyZ QS Z SU]HV]XNLZDUNDFK LQWHUQHWRZ\FK.D*G\ GRNXPHQW Z ]ELRU]H treningoz\p MHVW SU]\SLVDQ\ GR MHGQHM ] NODV QS UR]U\ZND QDXND SROLW\ND = ND*G\P GRNXPHQWHP]ZL]DQ\MHVWZHNWRU]DZLHUDMF\OLF]EZ\VWSLHVáyZ]SUHGHILQLRZDQHMOLVW\VáyZ WDNDOLVWD]D]Z\F]DM]DZLHUD NLONDVHWOXENLONDW\VLF\VáyZ.ODV\ILNDWRU]EXGRwany na takim zbiorze daq\fk ZHMFLRZ\FK SRWUDIL ] EDUG]R GX* WUDIQRFL SU]\SLV\ZDü QRZH GRNXPHQW\ GR LVWQLHMF\FKNODV 5HJXá\DVRFMDF\MQH 5HJXá\ DVRFMDF\MQH VáX* GR UHSUH]HQWRZDQLD ZVSyáZ\VWSRZDQLD HOHPHQWyZ 1DMF]FLHM UHJXá\ DVRFMDF\MQHVZ\NRU]ystywane w analizie koszyka zakupów (market basket analysis), w trakcie NWyUHM RGNU\ZDQH VIDNW\ZVSyáZ\VWSRZDQLD SRV]F]HJyOQ\FK WRZDUyZ OXE JUXS WRZDUyZ Z zanxsdfk NOLHQWyZ 3U]\NáDGHP UHJXá\ DVRFMDF\MQHM PR*H E\ü QS UHJXáD Ä NOLHQWyZ NWyU]\ kupili V]DPSDQD NXSLáR WH* NDZLRU =DNXS V]DPSDQD L NDZLRUX Z\VWSLá Z ZV]\VWNLFK ]DNXSyZ 5HJXá\ DVRFMDF\MQH RGNU\WH Z ED]LH GDQ\FK RSLVXMFHM ]DNXS\ PRJ E\ü wykorzystywane do orjdql]rzdqld SURPRFML SRF]WRZ\FK RIHUW VSU]HGD*\ NRQVWUXRZDQLD transakcji wi]dq\fksodqozdqldndwdorjyzoxesodqrzdqldur]nádgxwrzduyzlsyáhnzvnohslh 'UXJLPZD*Q\PVHJPHQWHPZ\NRU]\VWDQLDUHJXáDVRFMDF\MQ\FKMHVWDXWRPDW\F]QDSHUVRQDOL]DFMD VHUZLVyZLQWHUQHWRZ\FK5HJXáDNWyUDJáRVLÄX*\WNRZQLNyZNWyU]\REHMU]HOLVWURQ A a po QLHMVWURQ%ZQDVWSQHMNROHMQRFLREHMU]HOLVWURQ& PR*HE\üZ\NRU]\VWDQDGRDXWRPDW\F]QHM PRG\ILNDFML VWURQ\ SUH]HQWRZDQHM X*\WNRZQLNRZL L GRGDZDQLD VNUyWyZ GR VWURQ NWyUH prawdopogreqlh LQWHUHVXM GDQHJR X*\WNRZQLND : SU]\SDGNX WHFKQRORJLL LQWHUQHWRZ\FK UHJXá\ DVRFMDF\MQH V Z\NRU]\VW\ZDQH SU]HGH ZV]\VWNLP GR GRGDZDQLD UHNRPHQGDFML ]DNXSyZ L G\QDPLF]QHM]PLDQ\VWUXNWXU\SRáF]HPLG]\SoV]F]HJyOQ\PLF]FLDPLVHUZLVX )RUPDOQLH UHJXá\ DVRFMDF\MQH PR*QD ]GHILQLRZDü Z RSDUFLX R SRMFLH ]ELRUX F]VWHJR 1LHFK L={l 1, l 2,...,l n`eg]lh]elruhpolwhudáyz]zdq\fkhohphqwdpl1lhfk'eg]lhnrohnfmwudqvdnfml JG]LH ND*GD WUDQVDNFMD MHVW GRZROQHM GáXJRFL L T D T / 0yZLP\ *H WUDQVDNFMD 7 ZVSLHUD HOHPHQW [ MHOL [ 7 0yZLP\ *H WUDQVDNFMD 7 ZVSLHUD ]ELyU ; MHOL 7 ZVSLHUD ND*G\ HOHPHQW x X. Wsparciem (support ]ELRUX ; QD]\ZDP\ VWRVXQHN OLF]E\ WUDQVDNFML ZVSLHUDMF\FK ; GR liczby wszystkich transakcji. support( X, D) = { T D : T wspiera X} D 3UREOHPRGNU\ZDQLD]ELRUyZF]VW\FKSROHJDQD]QDOH]LHQLXZGDQHMED]ie danych D wszystkich ]ELRUyZ NWyU\FK ZVSDUFLH MHVW Z\*V]H RG ]GHILQLRZDQHM SU]H] X*\WNRZQLND ZDUWRFL ]ZDQHM minimalnym wsparciem (minsup =ELyU NWyUHJR ZVSDUFLH MHVW Z\*V]H QL* PLQVXS QD]\ZDP\ zbiouhpf]vw\pfrequent itemset). 5HJXáDDVRFMDF\MQDWo implikacja postaci X Y, gdzie X L, Y L i X Y=. Zbiór X nazywamy JáRZ UHJXá\ D ]ELyU < FLDáHP UHJXá\ = ND*G UHJXá DVRFMDF\MQ ]ZL]DQH V GZLH PLDU\ wyznaf]dmfh VWDW\VW\F]QH ]QDF]HQLH L VLá UHJXá\ :VSDUFLHP support UHJXá\ ; Y w bazie

3 Ä,QWHJUDFMDWHFKQLNHNVSORUDFMLGDQ\FK]V\VWHPHP]DU]G]DQLDED]GDQ\FKQDSU]\NáDG]LH2UDFOHL'DWD0LQLQJ 39 danych D na]\zdp\ VWRVXQHN OLF]E\ WUDQVDNFML ZVSLHUDMF\FK UHJXá GR OLF]E\ ZV]\VWNLFK WUDQVDNFML,QQ\PLVáRZ\UHJXáD; <PDZED]LHGDQ\FK'ZVSDUFLHVMHOLVWUDQVDNFMLZED]LH danych wspiera X Y. support ( X Y, D) = { T D : T wspiera X Y} D 8IQRFL confidence UHJXá\ ; Y w bazie danych D nazywamy stosunek liczby transakcji wspieudmf\fkuhjxágrolf]e\wudqvdnfmlzvslhudmf\fkjárzuhjxá\,qq\plvárz\uhjxád; Y PDZED]LHGDQ\FK'XIQRüFMHOLFWUDQVDNFMLZVSLHUDMF\FK;ZVSLHUDUyZQLH*< confidence ( X Y, D) = { T D : T wspiera X Y} { T D : T wspiera X} WsparciHUHJXá\RNUHODMHM]QDF]HQLH]DXIQRüUHJXá\UHSUH]HQWXMHMHMVLá1DSU]\NáDGUHJXáD chleb ZRGD PLQHUDOQD PD Z\VRNLH ZVSDUFLH SRQLHZD* ]ELyU SURGXNWyZ ^FKOHE ZRGD mineralqd` MHVW EDUG]R SRZV]HFKQ\ ZUyG ]DNXSyZ NOLHQWyZ = GUXJLHM VWURQ\ UHJXáD ta ma QLHZLHON XIQRü SRQLHZD* ]DNXS FKOHED L ZRG\ PLQHUDOQHM QLH MHVW ]H VRE FLOH ]ZL]DQ\ 5HJXáDÄV]Dmpan NDZLRU PDEDUG]RZ\VRNXIQRüNOLHQWNXSXMF\EXWHONV]DPSDQDEDUG]R F]VWRNXSXMHWH*NDZLRUDOHQLVNLHZVSDUFLHSRQLHZD*QLHZLHOXNOLHQtów pozwala sobie na zakup tak luksusowych produktów. 3UREOHP RGNU\ZDQLD UHJXá DVRFMDF\MQ\FK SROHJD QD ]QDOH]LHQLX Z GDQHM ED]LH GDQ\FK ' wszystnlfk UHJXá DVRFMDF\MQ\FK NWyU\FK ZVSDUFLH L XIQRü V Z\*V]H RG ]GHILQLRZDQ\FK SU]H] X*\WNRwQLNDZDUWRFLPLQLPDOQHJRZVSDUFLDLPLQLPDOQHMXIQRFLminsup i minconf). Konstruowanie modelu eksploracji 8*\WNRZQLF\ NRU]\VWDMF\ ] 2UDFOHi 'DWD 0LQLQJ PRJ WZRU]\ü PRGHOH QD GZyFK SR]LRPDFK V]F]HJyáRZRFL QD SR]LRPLH IXQNFML L QD SR]LRPLH DOJRU\WPX %XGRZDQLH PRGHOX Qa poziomie IXQNFML SR]ZDOD QD SRPLQLFLH VSHF\ILNRZDQLD ZV]\VWNLFK V]F]HJyáyZ DOJRU\WPX L VNXSLHQLH VL QDZáDFLZ\PSU]HGPLRFLHHNVSORUDFML3RGF]DVEXGRZDQLDPRGHOXQDSR]LRPLHIXQNFML2UDFOHi Data Mining samodzielnie dobiera odpowiedni algorytm i wyznaf]d ZDUWRFL ZV]\VWNLFK paramewuyz G]LNL F]HPX ZLHOH WHFKQLF]Q\FK V]F]HJyáyZ ]ZL]DQ\FK ] HNVSORUDFM VWDMH VL QLHLVWRWQ\FKLQLHZLGRF]Q\FKGODX*\WNRZQLND8*\WNRZQLF\NWyU\PQLHZ\VWDUF]DMVWDQGDUGRZH SURFHGXU\ RGNU\ZDQLD Z]RUFyZ PRJ MHGQDN EXGRZDü model na poziomie algorytmu, GRVWRVRZXMF SURFHV HNVSORUDFML GRNáDGQLH GR VZRLFK SRWU]HE =EXGRZDQH PRGHOH V przechowywane w repozytorium serwera eksplorafmllprje\üsy(qlhmzlhornurwqlhx*\wh 3URFHV EXGRZDQLD PRGHOX VNáDGD VL ] NLONX QDVWSXMF\FK SR VRELH NURNyZ 1D SRF]WNX X*\tNRZQLN PXVL XWZRU]\ü GDQH ZHMFLRZH SRSU]H] VNRMDU]HQLH RELHNWX UHSUH]HQWXMFHJR GDQH (data mining object]u]hf]\zlvw\p(uygáhpgdq\fknwyu\ppr*he\üuhodfmdzed]lhgdq\fkoxe SáaVNL SOLN Z V\VWHPLH RSHUDF\MQ\P 1DVWSQLH X*\WNRZQLN WZRU]\ RELHNW UHSUH]HQWXMF\ ustawienia wybranej funkcji eksploracji (function settings object). W kolejnym kroku obiekt funkcji eksplorafmlmhvwzl]dq\]relhnwdpluhsuh]hqwxmf\plorjlf]qvwuxnwxugdq\fklogical data specification) i fizyczne wykorzystanie danych (data usage specification). W ostatnim kroku X*\WNRZQLN Z\NRQXMH Z\EUDQ SU]H] VLHELH PHWoG WZRU]HQLD PRGHOX NODV\ILNDFMD OXE odkrywanie asocjacji). =EXGRZDQ\ PRGHO NODV\ILNDF\MQ\ PR*H QDVWSQLH ]RVWDü SU]HWHVWRZDQ\ 7HVWRZDQLe pozwala na RV]DFRZDQLH GRNáDGQRFL NODV\ILNDFML 3RGF]DV WHVWRZDQLD PRGHO NODV\ILNDWRUD MHVW VWRVRZDQ\ GR ]ELRUX GDQ\FK WHVWRZ\FK NWyUH QLH E\á\ X*\WH GR EXGRZDQLD PRGHOX L GOD NWyU\FK ]QDQD MHVW warwrünodv\ilnrzdqhjrdwu\exwx:z\qlnxwhvwrzdqldx*\wnrzqlnrwu]\pxmhpdflhu]srp\áhn (confusion matrix ] NWyUHM PR*QD RGF]\WDü Z LOX SU]\SDGNDFK PRGHO SRSUDZQLH VNODV\ILNRZDá GDQH WHVWRZH D Z LOX VL SRP\OLá RUD] MDNLHJR W\SX E\á\ WR SRP\áNL $QDOL]D WDNLHM PDFLHU]\ po]zdod QD GRNáDGQLHMV]H GRVWURMHQLH PRGHOX D* GR X]\VNDQLD VDW\VIDNFMRQXMFHM MDNRFL

4 40 0LNRáDM0RU]\0DUHN:RMFLHFKRZVNL NODV\ILNDFML 'DQH Z\NRU]\VW\ZDQH GR WHVWRZDQLD PXV] RGSRZLDGDü VSHF\ILNDFML ORJLF]QHM struktury danych wykorzystywanych do budowania modelu. Model klasyfikatora zastosowany do nowych danych powoduje obliczhqlhsu]hzlg\zdqhmzduwrfl OXE NODV\ ZUD] ] SUDZGRSRGRELHVWZHP 'DQH GR NWyU\FK VWRVRZDQ\ MHVW PRGHO PXV] odpowiagdü VSHF\ILNDFML VWUXNWXU\ ORJLF]QHM GDQ\FK Z\NRU]\VW\ZDQ\FK GR EXGRZDQLD PRGHOX :\QLN]DVWRVRZDQLD NODV\ILNDWRUD MHVW QDMF]FLHM]DSLV\ZDQ\ GR ED]\ GDQ\FK 0RGHO PR*H E\ü stosowaq\ GR ]ELRUX UHNRUGyZ RGF]\WDQ\FK ] WDEHOL (UyGáRZHM DOER GR SRMHG\QF]HJR UHNRUGX (reprezentowanego wówczas przez pojedynczy obiekt). Przed zapisaniem do bazy danych wynik NODV\ILNDFMLPR*H]RVWDüSU]HWZRU]RQ\GRSRVWDFLRGSRZLDGDMFHMX*\WNRZQLNRZL'ODSU]\NáDGX X*\WNRZQLN PR*H GRNRQDü NODV\ILNDFML NOLHQWyZ Z\OLF]DMF SUDZGRSRGRELHVWZR SU]\QDOH*QRFL ND*GHJR NOLHQWD GR MHGQHM ] NODV µgreu\ µuhgql µ]á\ L ]DSLVDü GR UHODFML Z\QLNRZHM W\ONR identyfikatory klientów wraz z identyfikatorem przewidywanej klasy i wyliczonym SUDZGRSRGRELHVWZHP Dla binarnych modeli klasyfikacji (modeli, w których przewidywany atrybut przyjmuje tylko dwie ZDUWRFLSR]\W\ZQLQHJDW\ZQ2UDFOHi Data Mining pozwala na wyliczanie przhvxqlfldlift). 7HVWRZDQHUHNRUG\VVRUWRZDQH]JRGQLH]SUDZGRSRGRELHVWZHPSRSUDZQRFLNODV\ILNDFMLZWHQ VSRVyE *H SR]\W\ZQH SU]\NáDG\ NODV\ILNRZDQHM NODV\ FKDUDNWHU\]XMFH VL QDMZ\*V]\P prawdosrgrelhvwzhp UHNRUG\ GOD NWyU\FK NODV\ILNDWRU MHVW QDMEDUG]LHM SHZQ\ SRSUDZQRFL LFK sklasyfinrzdqld MDNR SR]\W\ZQ\FK SU]\NáDGyZ V XPLHV]F]DQH QD SRF]WNX ]D QDMEDUG]LHM prawdopogreqlhqhjdw\zqhsu]\nádg\nodv\vxplhv]f]dqhqdnrfx7dnsrvruwrzdqhuhnrug\ V QDVWpQLH G]LHORQH QD NZDQW\OH 'OD ND*GHJR kwantyla Oracle9i Data Mining wylicza QDVWSXMFHVWDWystyki: JVWRüNZDQW\ODtarget density): stosunek liczby pozytywnych rekordów w kwantylu do liczby wszystkich rekordów w tym kwantylu VNXPXORZDQDJVWRüNZDQW\ODcumulative target densityuhgqldjvwrüslhuzv]\fkq kwantyli SU]HVXQLFLH NZDQW\OD quantile lift VWRVXQHN JVWRFL NZDQW\OD GR JVWRFL ZV]\VWNLFK danych W przypadku stosowania modelu asocjacji Oracle9i Data Mining pozwala na zastosowanie stwou]rqhjr PRGHOX GR GDQ\FK (UyGáRZ\FK :\QLNLHP ]DVWRVRZDQLD PRGHOX MHVW ]ELyU UHJXá asocjaf\mq\fk RGNU\W\FK Z GDQ\FK (UyGáRZ\FK 2GNU\WH UHJXá\ PRJ E\ü Z\ZLHWORQH X*\WNRZQLNRZLRUD]]DSLVDQHGRUHSR]\WRULXPVHUZHUDHNVSORUDF\MQHJR5HJXá\VVNáDGRZDQHZ UHSR]\WRULXPZ]Z\Ná\FKUHODFMDFKG]LNLF]HPXPR*OLZHMHVWLFKRGF]\WDQLHL]DSUH]HQWRZDQLH ]DSRPRFGoZROQ\FKQDU]G]LDQDOLW\F]Q\FKQS2UDFOH'iscoverer, Oracle Reports)..ODV\RELHNWyZWZRU]FHVHUZHUHNVSORUDFML 3RQL*HMSU]HGVWDZLRQRRSLV\QDMZD*QLHMV]\FKNODVZFKRG]F\FKZVNáDG2UDFOH9i'DWD0LQLQJ6 WR NODV\ XPR*OLZLDMFH SURJUDPLVWRP WZRU]HQLH DSOLNDFML ED]RGDQRZ\FK Z\NRU]\VWXMF\FK techniki eksploracji danych. Fizyczna specyfikacja danych Fizyczna specyfikacja danych (physical data specification WR RELHNW UHSUH]HQWXMF\ IL]\F]Q VWUXNWXU GDQ\FK Z\NRU]\VW\ZDQ\FK Z HNVSORUDFML 6SHF\ILNDFMD RNUHOD PLG]\ LQQ\PL IRUPDW GDQ\FKQD]Z\DWU\EXWyZUROHSHáQLRQHSU]H]SRV]F]HJyOQHDWU\EXW\'DQHUHSUH]HQWRZDQHSU]H] IL]\F]QD VSHF\ILNDFM PRJ E\ü Z\NRU]\VWDQH Z Uy*Q\FK HWDSDFK HNVSORUDcji, np. podczas budozdqld PRGHOX MHJR WHVWRZDQLD REOLF]DQLD SU]HVXQLFLD OXE SRGF]DV DQDOL]\ VWDW\VW\F]QHM Oracle9i'DWD0LQLQJDNFHSWXMHGDQHZHMFLRZHZGZyFKIRUPDWDFK WUDQVDNF\MQ\ ND*G\ SU]\NáDG MHVW SU]HFKRZ\ZDQ\ Z ED]LH GDQ\FK Z SRVWDFL ZLHOX rekordów w tabeli o schemacie SEQUENCEID, ATTRIBUTE_NAME, VALUE. SEQUENCEID WROLF]EDFDáNRZLWDNWyUDVáX*\GRLGHQW\ILNRZDQLDUHNRUGyZRSLVXMF\FK WHQ VDP SU]\NáDG ATTRIBUTE_NAME WR ádfxfk ]QDNyZ SU]HFKRZXMF\ QD]Z

5 Ä,QWHJUDFMDWHFKQLNHNVSORUDFMLGDQ\FK]V\VWHPHP]DU]G]DQLDED]GDQ\FKQDSU]\NáDG]LH2UDFOHL'DWD0LQLQJ 41 atrybutu a VALUE WR OLF]ED FDáNRZLWD UHSUH]HQWXMFD ZDUWRü GDQHJR DWU\EXWX : przypadku atryexwyz R GX*HM OLF]ELH Uy*Q\FK ZDUWRFL 2UDFOHi Data Mining XGRVWSQLDPHWRG\XPR*OLZLDMFHG\VNUHW\]DFMWDNLFKDWU\EXWyZ NDWHJRU\F]Q\ND*G\SU]\NáDGMHVWSU]HFKRZ\ZDQ\ZED]LHGDQ\FKZSRVWDFLMHGQego UHNRUGX 7DEHOD SU]HFKRZXMFD GDQH NDWHJRU\F]QH QLH PXVL SRVLDGDü RERZL]NRZR NOXF]D SRGVWDZRZHJR OHF] MHVW RQ ]DOHFDQ\ QS Z FHOX ádwzhjr ZL]DQLD UHNRUGyZ GDQ\FK ZHMFLRZ\FK ] UH]XOWDWDPL NODV\ILNDFML 2UDFOHi Data Mining wymaga aby dane kategoryc]qhe\á\g\vnuhw\]rzdqh : U]HF]\ZLVWRFL GDQH SU]HFKRZ\ZDQH Z IRUPDFLH NDWHJRU\F]Q\P V DXWRPDW\F]QLH konwertowane przez Oracle9i Data Mining do postaci transakcyjnej przed wykonaniem MDNLHJRNROZLHN DOJRU\WPX -HOL Z GDQ\FK Z\VWSXM ZDUWRFL SXVWH WR Z przypadku danych NDWHJRU\F]Q\FK SDUD DWU\EXW ZDUWRü! MHVW X*\ZDQD W\ONR ZWHG\ JG\ ZDUWRü MHVW QLHSXVWD: SU]\SDGNXGDQ\FKWUDQVDNF\MQ\FKMHOLNWyU\NROZLHN]DWU\EXWyZSEQUENCEID, ATTRIBUTE_NAME, VALUE MHVWSXVW\WRFDá\ZLHUV]MHVWSRPLMDQ\ Specyfikacja funkcji eksploracji Specyfikacja funkcji eksploracji (mining function specification WR RELHNW UHSUH]HQWXMF\ najbardziej ogólne parametry budowanego modelu. W obiekcie tym przechowywana jest informacja o typie wyniku danej funkcji, o specyfikacji logicznej struktury danych wykorzystywanych do budowania modelu, o specyfikacji wykorzystania danych i opcjonalnie o algorytmie wykorzystywaq\pgrexgrzdqldprghoxmholnrqnuhwq\dojru\wpqlh]rvwdqlhsrgdq\ to Oracle9i Data Mining samodzielnie wybiera odpowiedni algorytm). Specyfikacje funkcji HNVSORUDFMLVSU]HFKRZ\ZDQHZUHSR]\WRULXPVHUZHUDHNVSORUDFML Specyfikacja algorytmu eksploracji Specyfikacja algorytmu eksploracji (mining algorithm specification WR RELHNW SU]HFKRZXMF\ V]F]HJyá\ GRW\F]FH Z\NRU]\VW\ZDQHJR DOJRU\WPX 8*\FLH WHJR RELHNWX SR]ZDOD X*\WNRZQLNRP ]DDZDQVRZDQ\PQDGRNáDGQHGRVWRVRZDQLHHNVSORUDFMLGRVZRLFKSRWU]HELGRVWURMHQLHZV]\VWNLFK SDUDPHWUyZ DOJRU\WPX :\UD(Q\ UR]G]LDá PLG]\ VSHF\ILNDFM IXQNFML L DOJRU\WPX SR]ZDOD QD oddzlhohqlh X*\WNRZQLNyZ]DDZDQVRZDQ\FK RG X*\WNRZQLNyZ NRU]\VWDMF\FK]H VWDQGDUGRZ\FK procedur eksploracji. Specyfikacja struktury logicznej danych Specyfikacja struktury logicznej danych (logical data specification) to zbiór atrybutów eksploracyjnych opisumf\fk ORJLF]Q\ FKDUDNWHU GDQ\FK Z\NRU]\VW\ZDQ\FK SRGF]DV HNVSORUDFML.D*G\DWU\EXWHNVSORUDF\MQ\RSLVXMHGRPHQGDQ\FKZHMFLRZ\FK$WU\EXW\HNVSORUDF\MQHPRJ E\üNDWHJRU\F]QHEG(QXPHU\F]QH$NWXDOQLH2UDFOHi Data Mining wspiera wykorzystanie tylko i Z\áF]QLH DWU\EXWyZ NDWHJRU\F]Q\FK DWU\EXW\ QXPHU\F]QH PXV] E\ü G\VNUHW\]RZDQH GR SRVWDFL NDWHJRU\F]QHM.D*G\ DWU\EXW ZFKRG]F\ Z VNáDG VSHF\ILNDFML ORJLF]QHM PXVL SRVLDGDü XQLNDOQQD]Z6SHF\ILNDFMDORJLF]QDGDQ\FKMHVWWH*QD]\ZDQDV\JQDWXUPRGHOX. Specyfikacja fizycznego wykorzystania danych Specyfikacja fizycznego wykorzystania danych (data usage specificationwrrelhnwsu]hfkrzxmf\ LQIRUPDFMHRW\PZMDNLVSRVyEDWU\EXW\HNVSORUDF\MQHZFKRG]FHZVNáDGVSHF\ILNDFMLORJLF]QHM VZ\NRU]\VW\ZDQHZEXGRZDQLXPRGHOX.D*G\DWU\EXWPR*HE\ü nieaktywny (inactive DWU\EXW QLH MHVW Z\NRU]\VW\ZDQ\ WR GRP\OQH Z\NRU]\VWDQLH ka*dego atrybutu, aktywny (active): atrybut jest wykorzystywany do budowania modelu, dodatkowy (supplementary): atrybut jest wykorzystywany tylko jako dodatkowa informacja umieszczana razem z wynikami klasyfikacji.

6 42 0LNRáDM0RU]\0DUHN:RMFLHFKRZVNL 'RGDWNRZR GOD ND*GHJR DWU\EXWX VSHF\ILNDFMD IL]\F]QD SDPLWD F]\ GDQ\ DWU\EXW MHVW FHOHP klasyilndfmlf]\olf]\gdq\dwu\exwvwdqrzlnodvgrfhorznodv\ilndwrud Model eksploracji Model eksploracji (mining model WR RELHNW UHSUH]HQWXMF\ Z\QLN Z\NRQDQLD HNVSORUDFML SU]\ wynru]\vwdqlh RNUHORQ\FK XVWDZLH VSHF\ILNDFML IXQNFML HNVSORUDFML )L]\F]QD UHSUH]HQWDFMD moghox ]DOH*\ RG DOJRU\WPX Z\NRU]\VWDQHJR GR EXGRZDQLD modelu. Oracle9i Data Mining pozwala na przechowywanie modelu w repozytorium serwera eksploracji w postaci nazwanej encji. Wynik eksploracji Wynik eksploracji (mining resultssu]hfkrzxmhz\qlnz\nrqdqldmhgqhm]qdvwsxmf\fkrshudfml zastosowania modelx GR GDQ\FK SU]HWHVWRZDQLD PRGHOX QD GDQ\FK OXE REOLF]HQLD SU]HVXQLFLD Oracle9i Data Mining zezwala na zapisywanie wyników eksploracji jako nazwanych encji do repo]\wrulxp VHUZHUD HNVSORUDFML =PDWHULDOL]RZDQH Z\QLNL HNVSORUDFML PRJ E\ü QDVWSQLH wykorzyvwdqh GR DQDOL] SRUyZQD L UDSRUWyZ 2ELHNW WHQ SU]HFKRZXMH LQIRUPDFMH R QD]ZLH modelu wykou]\vwdqhjr Z HNVSORUDFML F]DV UR]SRF]FLD L ]DNRF]HQLD RSHUDFML QD]Z\ L lokalizacje danych wejflrz\fklz\mflrz\fk 0DFLHU]SRP\áHN 0DFLHU] SRP\áHN confusion matrix WR RELHNW SU]HFKRZXMF\ LQIRUPDFMH R GRNáDGQRFL klasyfikafml -HVW WR PDFLHU] NDWHJRU\F]QD Z NWyUHM ZLHUV]H L NROXPQ\ RGSRZLDGDM poszczególnym wartoflrp GDQHM NDWHJRULL D NRPyUNL PDFLHU]\ SU]HFKRZXM ZDUWRFL numeryczne. W macierzy pomyáhn ND*G\ ZLHUV] RGSRZLDGD U]HF]\ZLVW\P ZDUWRFLRP NODV\ILNRZDQHJR DWU\EXWX]D ND*GD NoOXPQD RGSRZLDGD ZDUWRFLRP Z\]QDF]RQ\P SU]H] PRGHO HNVSORUDFML 1D SU]HFLFLX ZLHUV]D L NoOXPQ\ XPLHV]F]RQD MHVW ZDUWRü RGSRZLDGDMFD OLF]ELH zaobserwowanych przypadków. Na przynádgolf]edxplhv]f]rqdqdsu]hflflxzlhuv]dägreu\ NOLHQW L NROXPQ\ Ä]á\ NOLHQW R]QDF]D *H NODV\ILNDWRU UD]\ QLHSRSUDZQLH ]DNODV\ILNRZDá GREUHJRNOLHQWDMDNRNOLHQWDQDOH*FHJRGRNDWHJRULLÄ]á\NOLHQW Wynik zastosowania eksploracji Wynik zastosowania eksploracji (mining apply output ]DZLHUD SHZQ OLF]E HOHPHQWyZ pozwalamf\fkqdvirupdwrzdqlhz\qlnyzhnvsorudfml:\qlnhnvsorudfmlpr*hsu]\mprzdüuy*qh postacie: GDQH VNDODUQH NWyUH V SU]HSLV\ZDQH EH]SRUHGQLR]GDQ\FKZHMFLRZ\FK GR danych wyjflrz\fkqszduwrfldwu\exwyznoxf]rz\fkoxedwu\exw\grgdwnrzh GDQH Z\OLF]RQH SU]H] DOJRU\WP QS QD]Z\ NODV SUDZGRSRGRELHVWZR SU]\QDOH*QRFL SU]\NáDGXGRNODV\ZDUWRüSU]HVXQLFLD GOD GDQ\FK Z IRUPDFLH WUDQVDNF\MQ\P ZDUWRü DWU\EXWX SEQUENCEID RSLVXMFHJR GDQ\ SU]\NáDG :\QLN ]DVWRVRZDQLD HNVSORUDFML SU]HGVWDZLDQ\ MHVW Z IRUPDFLH NDWHJRU\F]Q\P ND*GHPX przypadkowi wynikowemu odpowiada jeden rekord wynikowy. Dyskretyzacja Oracle9i Data Mining wymaga, aby dane wykorzystywane w algorytmach E\á\ G\VNUHW\]RZDQH '\VNUHW\]DFMD SR]ZDOD QD JUXSRZDQLH]ZL]DQ\FK]H VRE ZDUWRFL L SU]HWZDU]DQLH DWU\EXWyZ R ]QDF]QLH PQLHMV]HM OLF]ELH ZDUWRFL 3U]\NáDGRZR SRGF]DV G\VNUHW\]DFML ZDUWRFL ^FKOHE EXáND URJDOLNEDJLHWND`]RVWDá\E\SRáF]RQHZMHGQZDUWRü^SLHF]\ZR`'\VNUHW\]DFMDPR*HRGE\ZDü VLQDWU]\VSRVRE\

7 Ä,QWHJUDFMDWHFKQLNHNVSORUDFMLGDQ\FK]V\VWHPHP]DU]G]DQLDED]GDQ\FKQDSU]\NáDG]LH2UDFOHL'DWD0LQLQJ 43 G\VNUHW\]DFMDMDZQDGODDWU\EXWyZNDWHJRU\F]Q\FKX*\WNRZQLNSRGDMHUHJXá\PDSRZDQLD PLG]\]ELRUHPZDUWRFLL]UHGXNRZDQ\P]ELRUHPNDWHJRULLGODDWU\EXWyZQXPHU\F]Q\FK X*\WNRZQLNSRGDMHGROQHLJyUQHJUDQLFHGODND*GHMNDWHJRULL 1 QDMF]VWV]\FK W\ONR GOD DWU\EXWyZ NDWHJRU\F]Q\FK X*\WNRZQLN SRGDMH OLF]E n interevxmf\fk JR ZDUWRFL 2UDFOHi Data Mining automatycznie znajduje n QDMF]FLHM wystsxmf\fk ZDUWRFL D ZV]\VWNLH SR]RVWDáH V umieszczane w kategorii zbiorczej {others} SRG]LDá QD NZDQW\OH W\ONR GOD DWU\EXWyZ QXPHU\F]Q\FK X*\WNRZQLN SRGDMH OLF]E interevxmf\fkjrnzdqw\old2udfohi Data Mining automatycznie wyznacza dolne i górne warwrfldwu\exwyzgodnd*ghjr]nzdqw\ol Prz\NáDGRZ\SURJUDPZ\NRU]\VWXMF\2UDFOHi Data Mining 3RQL*HM ]DPLHV]F]RQR V]NLF SU]\NáDGRZHJR SURJUDPX Z\NRU]\VWXMFHJR PRGXá 2UDFOHi Data 0LQLQJ 3URJUDP RGNU\ZD UHJXá\ DVRFMDF\MQH Z UHODFML R VFKHPDFLH DEMO_TX(SEQ_ID,ATRYBUT,:$572û) SU]HFKRZXMFHM GDQH demograficzne o klientach banku. )UDJPHQWGDQ\FKZHMFLRZ\FK]RVWDáSU]HGVWDZLRQ\SRQL*HM 6(4B,'$75<%87:$572û wiek 4 SáHü 1 Z\NV]WDáFHQLH 6000 dochody zawód stan_cywilny 4 2GNU\FLH UHJXá DVRFMDF\MQ\FK Z WHM ED]LH GDQ\FK Z\PDJD Z\NRQDQLD NLONX NURNyZ 3RQL*HM przedvwdzlrqrsu]\nádgrzvhnzhqfmrshudfmlmdnlhpxv]]rvwdüz\nrqdqh 3RáF]HQLH]VHUZHUHPHNVSORUDFML 1D SRF]WNX SURJUDP X*\WNRZQLND PXVL QDZL]Dü SRáF]HQLH ] VHUZHUHP HNVSORUDF\MQ\P 'R SRáF]HQLDPR*QDZ\NRU]\VWDüGRwolny sterownik JDBC. Serwer eksploracji jest reprezentowany w programie przez obiekt klasy DataMiningServer]DSRáF]HQLH]VHUZHUHPMHVWUHSUH]HQWRZDQH przez obiekt klasy Connection. oracle.dmt.odm.dataminingserver dms = new oracle.dmt.odm.dataminingserver( jdbc:oracle:thin:@dcs-mm:1521:ora9i", "mikolaj", "*"); oracle.dmt.odm.connection dmsconnection = dms.login(); 8WZRU]HQLHIL]\F]QHMVSHF\ILNDFMLGDQ\FKGODGDQ\FKZHMFLRZ\FK 8*\WNRZQLNPDGRZ\ERUXGZDURG]DMHVSHF\ILNDFMLWUDQVDNF\MQDLNDWHJRU\F]QZ]DOH*QRFLRG formatu wykorzystywanych danych. oracle.dmt.odm.data.physicaldataspecification pds = new NonTransactionalDataSpecification(); Dokonanie dyskretyzacji danych '\VNUHW\]DFMD Z\PDJD SRGDQLD VSHF\ILNDFML GOD ND*GHJR DWU\EXWX L XWZRU]Hnia dwóch relacji tymf]dvrz\fk GR SU]HFKRZ\ZDQLD V]F]HJyáyZ R G\VNUHW\]DFML DWU\EXWyZ QXPHU\F]Q\FK L kategorycznych. Do dyskretyzowania danych numerycznych program wykorzystuje obiekty klasy NumericalDiscretization, NumericalBin, natomiast dyskretyzacja danych kategorycznych

8 44 0LNRáDM0RU]\0DUHN:RMFLHFKRZVNL wykorzystuje klasy CategoricalDiscretization i CategoryGroup'DQHRG\VNUHW\]DFMLVQDVWSQLH zapisywane do bazy danych do relacji tymczasowych. DiscretizationSpecification binningdetails[] = new DiscretizationSpecification[6]; // dyskretyzacja atrybutu WIEK NumericalBin bb0[] = new NumericalBin[6]; bb0[0] = new NumericalBin(1, (float)0.0, (float)18); bb0[1] = new NumericalBin(2, (float)18, (float)29); NumericalDiscretization bin0 = new NumericalDiscretization(bb0); DiscretizationSpecification des0 = new DiscretizationSpecification("wiek", bin0); binningdetails[0] = des0; // dyskretyzacja atrybutu dochód NumericalBin bb1[] = new NumericalBin[6]; bb1[0] = new NumericalBin(1, (float)0, (float)1000); bb1[1] = new NumericalBin(2, (float)1000, (float)1500); NumericalDiscretization bin1 = new NumericalDiscretization(bb1); DiscretizationSpecification des1 = new DiscretizationSpecification("dochód", bin1); binningdetails[1] = des1; LocationAccessData inputdatalocation = new LocationAccessData( demo_tx, mikolaj ); Transformation.createDiscretizationTables(dmsConnection, mikolaj, pds, binningdetails, num_temp, cat_temp, mikolaj ); LocationAccessData resultviewlocation = new LocationAccessData( decs_demo_tx, mikolaj ); Transformation.discretize(dmsConnection, mikolaj, pds, num_temp, cat_temp, mikolaj, mikolaj ); Zbudowanie specyfikacji funkcji eksploracji 8*\WNRZQLN WZRU]\ QRZ\ RELHNW UHSUH]HQWXMF\ VSHF\ILNDFM GDQ\FK ZHMFLRZ\FK MDNR LQVWDQFM klasy LogicalDataSpecification. Specyfikacja wykorzystania danych jest przechowywana w obiekcie klasy DataUsageSpecification :UHV]FLH XVWDZLHQLD IXQNFML V SU]HFKRZ\ZDQH Z Z\VWSLHQLX NODV\ AssociationRulesFunctionSettings (dla algorytmu klasyfikacji jest to klasa NaiveBayesSettings). LogicalDataSpecification lds = LogicalDataSpecification.create( "jdbc:oracle:thin:@dcs-mm:1521:ora9i", mikolaj, *, demo_tx, mikolaj, pds); DataUsageSpecification dus = DataUsageSpecification.create(lds.getMiningAttributes()); AssociationRulesFunctionSettings afs = new AssociationRulesFunctionSettings(0.01, 0, 2, lds, dus); afs.store(dmsconnection, Function_AR ); Zbudowanie modelu i odczytaniergnu\w\fkuhjxá Ostatnim krokiem wykonanym przez program jest pobranie wyników i ich zaprezentowanie X*\tNRZQLNRZL 'DQH PRJ E\ü ZF]\W\ZDQH GR RELHNWyZ NODV\ MiningRuleSet UHJXá\ asocjacyjne) lub ClassificationTestResult (klasyfikacja). LocationAccessData builddataaccessdata = new LocationAccessData( dics_demo_tx, mikolaj ); MiningModel.build(dmsConnection, builddataaccessdata, pds, afs, Model_AR ); ruleset = AssociationRulesModel.getRules(dmsConnection, Model_AR, (float) 0.01, 10); ruleset = AssociationRulesModel.getRulesBySupport(dmsConnection, Model_AR, (float) 0.50, 10);

9 Ä,QWHJUDFMDWHFKQLNHNVSORUDFMLGDQ\FK]V\VWHPHP]DU]G]DQLDED]GDQ\FKQDSU]\NáDG]LH2UDFOHL'DWD0LQLQJ 45 :HIHNFLHZ\NRQDQLDSRZ\*V]HJRSURJUDPXZUHSR]\WRULXPVHUZHUDHNVSORUDFML]RVWDM]DSLVDQH ]DUyZQR VSHF\ILNDFMD IXQNFML HNVSORUDFML MDN L PRGHO HNVSORUDFML L Z\QLN HNVSORUDFML 3RQL*HM przedstawiono fragmenty repozytorium. Tabela ODM_MINING_FUNCTION_SETTINGS przechowuje obiekty specyfikacji funkcji eksploracji. SQL> SELECT NAME, CREATION_TIMESTAMP, FUNCTION_NAME, ALGORITHM_NAME SQL> FROM ODM_MINING_FUNCTION_SETTINGS; NAME CREATION FUNCTION_NAME ALGORITHM_NAME Function AR 02/05/17 associationrules aprioriassociationrules Obiekty SUH]HQWXMFH PRGHO HNVSORUDFML V SU]HFKRZ\ZDQH Z UHSR]\WRULXP Z UHODFML 2'0B0,1,1*B02'(/'ODND*GHJRPRGHOX]DSLV\ZDQDMHVWMHJRQD]ZDPRPHQWUR]SRF]FLD EXGRZ\ PRGHOX PRPHQW ]DNRF]HQLD EXGRZ\ PRGHOX QD]ZD IXQNFML L X*\WHJR DOJRU\WPX lokalizacja dan\fkzhmflrz\fkrud]qd]z\uhodfmlz\qlnrz\fk SQL> SELECT NAME, STARTING_TIMESTAMP, ALGORITHM_NAME, DATA_LOCATION SQL> FROM ODM_MINING_MODEL; NAME STARTING ALGORITHM_NAME DATA_LOCATION Associations Model 02/05/17 aprioriassociationrules mikolaj.desc_demo_tx,qirupdfmh R RGNU\W\FK UHJXáDFK V]DSLV\ZDQH GR G\QDPLF]QLH WZRU]RQ\FK WDEHO-HGQD UHODFMD ]DZLHUD HOHPHQW\ QDOH*FH GR FLDáD UHJXá\ SRSU]HGQLND D GUXJD HOHPHQW\ JáRZ\ UHJXá\ QDVWSQiND3R]DVNáDGQLNDPLUHJXá\]DSDPLW\ZDQHVUyZQLH*ZDUWRFLSDUDPHWUyZZVSDUFLDL XIQRFLND*GHMUHJXá\ SQL> SELECT * FROM RT_ WHERE RULE_ID = 1; RULE_ID ATTRIBUTE_NAME VALUE NUMBER_OF_ANTECEDENTS SUPPORT CONFIDENCE ANTECEDENT_SUPPORT CONSEQUENT_SUPPORT zawód 14 1, , , , SQL> SELECT * FROM AT_ WHERE RULE_ID = 1; RULE_ID ATTRIBUTE_NAME VALUE dochód 4 1 wiek 3 1 stan_cywilny 2 Podsumowanie Oracle9i'DWD0LQLQJMHVW]JRGQ\]SRZVWDMF\PVtandardem o nazwie Java Data Mining. Standard WHQ MHVW GRSLHUR Z ID]LH WZRU]HQLD L REHMPXMH GRW\FKF]DVRZH SURSR]\FMH ]JáRV]RQH Z UDPDFK Common Warehouse Metadata (propozycja Object Management Group), Predictive Mining Markup Language (propozycja Data Mining Group) oraz SQL/MM for Data Mining (propozycja,62 %H] ZWSLHQLD MHVW WR FLHNDZD L RELHFXMFD SURSR]\FMD NWyUD Z QLHGDOHNLHM SU]\V]áRFL

10 46 0LNRáDM0RU]\0DUHN:RMFLHFKRZVNL XPR*OLZL MHV]F]H V]HUV]H Z\NRU]\VWDQLH WHFKQLN HNVSORUDFML GDQ\FK Z UDPDFK DSOLNDFML ED]RGDQRZ\FK Z V]F]HJyOQRFL LQWHJUDFM W\FK WHFKQLN ] PDJD]\QDPL GDQ\FK SRZVWDMF\PL Z oparciu o bazy danych Oracle.

Mikołaj Morzy, Marek Wojciechowski: "Integracja technik eksploracji danych z systemem zarządzania bazą danych na przykładzie Oracle9i Data Mining"

Mikołaj Morzy, Marek Wojciechowski: Integracja technik eksploracji danych z systemem zarządzania bazą danych na przykładzie Oracle9i Data Mining Mikołaj Morzy, Marek Wojciechowski: "Integracja technik eksploracji danych z systemem zarządzania bazą danych na przykładzie Oracle9i Data Mining" Streszczenie Eksploracja danych znajduje coraz szersze

Bardziej szczegółowo

Jan Bień. Modelowanie obiektów mostowych w procesie ich eksploatacji

Jan Bień. Modelowanie obiektów mostowych w procesie ich eksploatacji Jan Bień Modelowanie obiektów mostowych w procesie ich eksploatacji Oficyna Wydawnicza Politechniki Wrocławskiej Wrocław 2002 63,675(&, 1. SYSTEMOWE WSPOMAGANIE EKSPLOATACJI OBIEKTÓW MOSTOWYCH... 7 1.1.

Bardziej szczegółowo

Integracja 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 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 szczegółowo

o partnerstwie publiczno-prywatnym.

o partnerstwie publiczno-prywatnym. SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA Warszawa, dnia 20 czerwca 2005 r. Druk nr 984 0$56=$à(. 6(-08 RZECZYPOSPOLITEJ POLSKIEJ Pan Longin PASTUSIAK 0$56=$à(. 6(1$78 RZECZYPOSPOLITEJ POLSKIEJ =JRGQLH

Bardziej szczegółowo

1. PARAMETRY TECHNICZNE WAG NAJAZDOWYCH.

1. PARAMETRY TECHNICZNE WAG NAJAZDOWYCH. .ZLHFLH 2 1. PARAMETRY TECHNICZNE WAG NAJAZDOWYCH. Typ wagi 2EFL*HQLH maksymalne Max [kg] WPT/4N 400H WPT/4N 800H WPT/4N 1500H 400 800 1500 2EFL*HQLH PLQLPDOQH Min [kg] 4 10 10 'RNáDGQRü RGF]\WX d [g]

Bardziej szczegółowo

Spis treœci :VWS... 5. Poziom podstawowy... 9. Poziom rozszerzony... 61. 5R]ZL]DQLD... 95 6áRZQLF]HN... 125 Literatura... 127

Spis treœci :VWS... 5. Poziom podstawowy... 9. Poziom rozszerzony... 61. 5R]ZL]DQLD... 95 6áRZQLF]HN... 125 Literatura... 127 Spis treœci Twoja matura Geografia :VWS... 5 Poziom podstawowy... 9 I. 3RGVWDZ\ NRU]\VWDQLD ] Uy*QRURGQ\FK (UyGHá LQIRUPDFML JHRJUaficznej... 9 II. Funkcjonowanie systemu przyrodniczego Ziemi... 16 III.

Bardziej szczegółowo

Ewolucyjna optymalizacja wielokryterialna

Ewolucyjna optymalizacja wielokryterialna Algorytmy genetyczne (seminarium) SURZDG]F\ GULQ*+DOLQD.ZDQLFND termin: URGD 15 13 00 data: 2000.05.10 autor: 0DUFLQ:FLXELDN nr ind. 82443 informatyka, semestr 6. Ewolucyjna optymalizacja wielokryterialna

Bardziej szczegółowo

SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA. Warszawa, dnia 3 sierpnia 2005 r. Druk nr 1074

SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA. Warszawa, dnia 3 sierpnia 2005 r. Druk nr 1074 SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA Warszawa, dnia 3 sierpnia 2005 r. Druk nr 1074 PREZES RADY MINISTRÓW Marek BELKA Pan Longin PASTUSIAK 0$56=$à(. 6(1$78 RZECZYPOSPOLITEJ POLSKIEJ 6]DQRZQ\ 3DQLH

Bardziej szczegółowo

3URMHNWRZDQLHVFKHPDWyZ UHODF\MQ\FKED]GDQ\FK± 1RUPDOL]DFMD. =E\V]NR.UyOLNRZVNL ,QVW\WXW,QIRUPDW\NL3ROLWHFKQLNL3R]QDVNLHM 3R]QDXO3LRWURZR

3URMHNWRZDQLHVFKHPDWyZ UHODF\MQ\FKED]GDQ\FK± 1RUPDOL]DFMD. =E\V]NR.UyOLNRZVNL ,QVW\WXW,QIRUPDW\NL3ROLWHFKQLNL3R]QDVNLHM 3R]QDXO3LRWURZR 3URMHNWRZDQLHVFKHPDWyZ UHODF\MQ\FKED]GDQ\FK± 1RUPDOL]DFMD =E\V]NR.UyOLNRZVNL,QVW\WXW,QIRUPDW\NL3ROLWHFKQLNL3R]QDVNLHM 3R]QDXO3LRWURZR HPDLO=E\V]NR.UyOLNRZVNL#FVSXWSR]QDSO 1LHZáDFLZH]DSURMHNWRZDQLHVFKHPDWyZ

Bardziej szczegółowo

Model FSM w zastosowaniu do klasyfikacji.

Model FSM w zastosowaniu do klasyfikacji. Model FSM w zastosowaniu do klasyfikacji. 5DIDá$GDPF]DN:áRG]LVáDZ'XFK.DWHGUD0HWRG.RPSXWHURZ\FK8QLZHUV\WHW0LNRáDMD.RSHUQLND XO*UXG]LG]ND7RUXHPDLO^UDDGGXFK`#SK\VXQLWRUXQSO Streszczenie 6LHFL )60 PDM SURVW

Bardziej szczegółowo

KLASYCZNA I PROBABILISTYCZNA TEORIA TESTU ANALIZA PORÓWNAWCZA

KLASYCZNA I PROBABILISTYCZNA TEORIA TESTU ANALIZA PORÓWNAWCZA BARBARA C,).2:,&= Instytut Pedagogiki, Akademia Bydgoska, Bydgoszcz KLASYCZNA I PROBABILISTYCZNA TEORIA TESTU ANALIZA PORÓWNAWCZA (J]DPLQ\]HZQWU]QHNWyUHRGNLONXODWVWDá\VLWUZDá\PHOHPHQWHPSRl- VNLHJRV\VWHPXNV]WDáFHQLDVSRZRGRZDá\]QDF]Q\Z]Uost

Bardziej szczegółowo

8&+:$à$15;;;,,, RADY MIASTA TYCHY z dnia 31 marca 2005 r.

8&+:$à$15;;;,,, RADY MIASTA TYCHY z dnia 31 marca 2005 r. 8&+:$à$15;;;,,, RADY MIASTA TYCHY z dnia 31 marca 2005 r. ZVSUDZLHSU]\MFLDUHJXODPLQXXG]LHODQLDSRPRF\PDWHULDOQHMRFKDUDNWHU]H VRFMDOQ\PGODXF]QLyZ]DPLHV]NDá\FKQDWHUHQLH0LDVWD7\FK\ Na postawie art. 18 ust.2

Bardziej szczegółowo

DTR- EL100 strona/stron: 2/6

DTR- EL100 strona/stron: 2/6 DTR- EL100 strona/stron: 2/6 :67 3 1LQLHMV]D'75 MHVW GRNXPHQWHP GOD X*\WNRZQLNyZ]DVLODF]\(/ L]DZLHUD GDQH RUD] ZVND]yZNL QLH]EGQHGR]DSR]QDQLDVL]]DVDGDPLIXQNFMRQRZDQLDVSRVREHPLQVWDORZDQLDLREVáXJL 2. FORMULARZ

Bardziej szczegółowo

,1)<1,(56.,(%$=<'$1<&+'/$0$à<&+35=('6, %,2567: ENGINEERING DATA BASES FOR SMALL ENTERPRISES

,1)<1,(56.,(%$=<'$1<&+'/$0$à<&+35=('6, %,2567: ENGINEERING DATA BASES FOR SMALL ENTERPRISES 53 M>D J. Wróbel Institute of Machine Design Fundamentals, Warsaw University of Technology, Poland,1)

Bardziej szczegółowo

Zapis stenograficzny (1537) 188. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 30 listopada 2004 r.

Zapis stenograficzny (1537) 188. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 30 listopada 2004 r. ISSN 1643-2851 SENAT RZECZYPOSPOLITEJ POLSKIEJ Zapis stenograficzny (1537) 188. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 30 listopada 2004 r. V kadencja 3RU]GHN REUDG,QIRUPDFMD QD WHPDW SUREOHPX

Bardziej szczegółowo

Piotr 7U\EDáD. Leasing 3RUDGQLN3U]HGVLELRU \

Piotr 7U\EDáD. Leasing 3RUDGQLN3U]HGVLELRU \ Piotr 7U\EDáD Leasing 3RUDGQLN3U]HGVLELRU \ Autor Piotr 7U\EDáD Redakcja i korekta Ewa Skrzypkowska Copyright by 3ROVND $JHQFMD 5R]ZRMX 3U]HGVLELRUF]RFL Projekt serii Tadeusz Korobkow 3URMHNW RNáDGNL Andrzej

Bardziej szczegółowo

Zapis stenograficzny (1532) 187. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 25 listopada 2004 r.

Zapis stenograficzny (1532) 187. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 25 listopada 2004 r. ISSN 1643-2851 SENAT RZECZYPOSPOLITEJ POLSKIEJ Zapis stenograficzny (1532) 187. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 25 listopada 2004 r. V kadencja 3RU]GHN REUDG 1. Rozpatrzenie ustawy

Bardziej szczegółowo

STACJE ELEKTROENERGETYCZNE

STACJE ELEKTROENERGETYCZNE :$/'(0$5'2à *$ STACJE ELEKTROENERGETYCZNE 2),&

Bardziej szczegółowo

Modelowanie od ogólnego do szczególnego i modelowanie zgodne w PcGets

Modelowanie od ogólnego do szczególnego i modelowanie zgodne w PcGets DYNAMICZNE MODELE EKONOMETRYCZNE 9,,, 2JyOQRSROVNLH 6HPLQDULXP 1DXNRZH ZU]HQLD Z 7RUXQLX.DWHGUD (NRQRPHWULL L 6WDW\VW\NL 8QLZHUV\WHW 0LNRãDMD.RSHUQLND Z 7RUXQLX 8QLZHUV\WHW 0LNRáDMD.RSHUQLND Z 7RUXQLX

Bardziej szczegółowo

KWIT WYWOZOWY/PODWOZOWY (KW)

KWIT WYWOZOWY/PODWOZOWY (KW) KWIT WYWOZOWY/PODWOZOWY (KW).ZLW Z\ZR]RZ\SRGZR]RZ\ MHVW GRNXPHQWHP VWDQRZLF\P SRGVWDZ SU]HPLHV]F]HQLD Z\URELRQ\FKLRGHEUDQ\FKPDWHULDáyZGU]HZQ\FKSU]\X*\FLXNRQQ\FKLPHFKDQLF]Q\FKURGNyw WUDQVSRUWRZ\FKDSRSRGSLVDQLXSU]H]RGELRUFVWDQRZLGRZyGGRVWDZ\RNUHORQHMZQLPPDV\

Bardziej szczegółowo

: Autor: Ks. Wojciech Cichosz. 2. 7\WXá:\FKRZDQLHFKU]HFLMDVNLHZREHFSRVWPRGHUQLVW\F]QHMSURZRNDFML. 3. 'UyGáR*GDVN

: Autor: Ks. Wojciech Cichosz. 2. 7\WXá:\FKRZDQLHFKU]HFLMDVNLHZREHFSRVWPRGHUQLVW\F]QHMSURZRNDFML. 3. 'UyGáR*GDVN 1. Autor: Ks. Wojciech Cichosz 2. 7\WXá:\FKRZDQLHFKU]HFLMDVNLHZREHFSRVWPRGHUQLVW\F]QHMSURZRNDFML 3. 'UyGáR*GDVN :67 3 =DZV]HWDNLH5]HF]\SRVSROLWHEG MDNLHLFKPáRG]LH*\FKRZDQLH (J. Zamoyski =DPRüU OHG]FRJURPQHG]LHG]LFWZRLERJDFWZRNXOWXU\áDWZRGRVWU]HF*HZFHQWUXP

Bardziej szczegółowo

Zapis stenograficzny (1653) 27. posiedzenie Komisji Spraw Unii Europejskiej w dniu 25 lutego 2005 r.

Zapis stenograficzny (1653) 27. posiedzenie Komisji Spraw Unii Europejskiej w dniu 25 lutego 2005 r. ISSN 1643-2851 SENAT RZECZYPOSPOLITEJ POLSKIEJ Zapis stenograficzny (1653) 27. posiedzenie Komisji Spraw Unii Europejskiej w dniu 25 lutego 2005 r. V kadencja Zapis stenograficzny jest tekstem nieautoryzowanym.

Bardziej szczegółowo

Irena Zubel..V]WDáWRZDQLHVWUXNWXUSU]HVWU]HQQ\FK w krzemie PHWRGWUDZLHQLDDQL]RWURSRZHJR GR]DVWRVRZDZPLNURHOHNWUonice

Irena Zubel..V]WDáWRZDQLHVWUXNWXUSU]HVWU]HQQ\FK w krzemie PHWRGWUDZLHQLDDQL]RWURSRZHJR GR]DVWRVRZDZPLNURHOHNWUonice Irena Zubel.V]WDáWRZDQLHVWUXNWXUSU]HVWU]HQQ\FK w krzemie PHWRGWUDZLHQLDDQL]RWURSRZHJR GR]DVWRVRZDZPLNURHOHNWUonice Oficyna Wydawnicza Politechniki WURFáDZVNLHM WURFáDZ 2004 Recenzenci Keshra Sangwal Jerzy

Bardziej szczegółowo

INSTRUKCJA OBSŁUGI I INSTALOWANIA ZMYWARKI DO NACZYŃ MODEL: STX2C

INSTRUKCJA OBSŁUGI I INSTALOWANIA ZMYWARKI DO NACZYŃ MODEL: STX2C INSTRUKCJA OBSŁUGI I INSTALOWANIA ZMYWARKI DO NACZYŃ MODEL: STX2C Wyłączny Przedstawiciel na Polskę: DOM BANCO Sp. z o.o., al. Krakowska 5, 05-090 Raszyn k/warszawy Tel.: 0 22 720 11 99, fax: 0 22 720

Bardziej szczegółowo

Spis treœci WSTÊP... 3 KLUCZ ODPOWIEDZI... 138 BIBLIOGRAFIA... 210

Spis treœci WSTÊP... 3 KLUCZ ODPOWIEDZI... 138 BIBLIOGRAFIA... 210 Spis treœci WSTÊP... 3 I. 8NáDG NU*HQLD L XNáDG RGSRUQRFLRZ\ F]áRZLHND poziom podstawowy... 9 II. 8NáDG NU*HQLD L XNáDG RGSRUQRFLRZ\ F]áRZLeka poziom rozszerzony... 14 III. 8NáDG QHUZRZ\ F]áRZLHND poziom

Bardziej szczegółowo

Zapis stenograficzny (1530) 162. posiedzenie.rplvml6dpru]gx7hu\wruldoqhjr i AdmiQLVWUDFML3DVWZRZHM w dniu 25 listopada 2004 r.

Zapis stenograficzny (1530) 162. posiedzenie.rplvml6dpru]gx7hu\wruldoqhjr i AdmiQLVWUDFML3DVWZRZHM w dniu 25 listopada 2004 r. ISSN 1643-2851 SENAT RZECZYPOSPOLITEJ POLSKIEJ Zapis stenograficzny (1530) 162. posiedzenie.rplvml6dpru]gx7hu\wruldoqhjr i AdmiQLVWUDFML3DVWZRZHM w dniu 25 listopada 2004 r. V kadencja 3RU]GHN REUDG 5R]SDWU]HQLH

Bardziej szczegółowo

Informacja techniczna ADAP-KOOL. Wersje oprogramowania systemowego. AKMonitor. AKMimic. AKM wersja 4. AKM wersja 5

Informacja techniczna ADAP-KOOL. Wersje oprogramowania systemowego. AKMonitor. AKMimic. AKM wersja 4. AKM wersja 5 Informacja techniczna ADAP-KOOL Wersje oprogramowania systemowego AKMonitor AKMimic AKM wersja 4 AKM wersja 5 Danfoss Sp.z o.o. - 09.2000 :VWS Oprogramowanie systemowe ADAP-KOOL SR]ZDODQDFHQWUDOQDREVáXJXNáDGyZVWHURZDQLD

Bardziej szczegółowo

SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA SPRAWOZDANIE. KOMISJI 867$:2'$:67:$,35$:25='12&, oraz KOMISJI SPRAW ZAGRANICZNYCH

SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA SPRAWOZDANIE. KOMISJI 867$:2'$:67:$,35$:25='12&, oraz KOMISJI SPRAW ZAGRANICZNYCH SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA Warszawa, dnia 19 maja 2004 r. Druk nr 675 S SPRAWOZDANIE KOMISJI 867$:2'$:67:$,35$:25='12&, oraz KOMISJI SPRAW ZAGRANICZNYCH RSURMHNFLHXVWDZ\R]PLDQLHXVWDZ\RZVSyáSUDF\5DG\0LQLVWUyZ]6HMPHPL6HQDWHP

Bardziej szczegółowo

WZÓR... OFERTA 25*$1,=$&-,32=$5='2:(-32'0,278-('1267., ORGANIZACYJNEJ* REALIZACJI ZADANIA PUBLICZNEGO.... (rodzaj zadania) w okresie od... do...

WZÓR... OFERTA 25*$1,=$&-,32=$5='2:(-32'0,278-('1267., ORGANIZACYJNEJ* REALIZACJI ZADANIA PUBLICZNEGO.... (rodzaj zadania) w okresie od... do... =DáF]QLNQUGRUR]SRU]G]HQLD0LQLVWUD3UDF\L3ROLW\NL6SRáHF]QHM z dnia 27 grudnia 2005 r. (Dz. U. nr 264, poz.2207) WZÓR...... SLHF]üRUJDQL]DFMLSR]DU]GRZHM /podmiotu*/jednostki organizacyjnej*) OFERTA GDWDLPLHMVFH]áR*HQLDRIHUW\)

Bardziej szczegółowo

Laboratorium 4. Naiwny klasyfikator Bayesa.

Laboratorium 4. Naiwny klasyfikator Bayesa. Laboratorium 4 Naiwny klasyfikator Bayesa. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk

Bardziej szczegółowo

ODWODNIENIA BUDOWLI KOMUNIKACYJNYCH

ODWODNIENIA BUDOWLI KOMUNIKACYJNYCH ZBIGNIEW SZLING, EMI/3$&=(1,$ ODWODNIENIA BUDOWLI KOMUNIKACYJNYCH :URFáDZ4 40 SU]HSá\Z PLDURGDMQ\ REOLF]D VL PHWRG SRUHGQL QD SRGVWDZLH QDMZLNV]HJR RSDGX GHV]F]X QDZDOQHJR R RNUHORQ\P F]DVLH MHJR WUZDQLD

Bardziej szczegółowo

O CZYM MÓWI EFEKT STANDARDOWY?

O CZYM MÓWI EFEKT STANDARDOWY? EWA 67)(..(àyG( O CZYM MÓWI EFEKT STANDARDOWY? W prawozdaniu Centralnej Komiji Egzaminacyjnej Sprawdzian 004 zavwrvrzdqrzvnd(qln]zdq\hihnwhpvwdqgdugrz\pgodsruyzqdqldz\qlnyz uzykanych przez uczniów w gminach

Bardziej szczegółowo

NOWY EGZAMIN MATURALNY W REPUBLICE CZESKIEJ

NOWY EGZAMIN MATURALNY W REPUBLICE CZESKIEJ IVANA R#ä.29È, JANA KOLÍNSKÁ, URŠULA DRAHNÁ ÚIV CERMAT Praga NOWY EGZAMIN MATURALNY W REPUBLICE CZESKIEJ 3UDFH QDG UHIRUP HJ]DPLQX PDWXUDOQHJR Z &]HFKDFK WUZDM RG U kiedy to po raz pierwszy przeprowadzono

Bardziej szczegółowo

Wprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Proces odkrywania reguł asocjacyjnych. Data Mining Wykład 2

Wprowadzenie 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 szczegółowo

Implementacja metod eksploracji danych - Oracle Data Mining

Implementacja 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 szczegółowo

SYSTEM OCENIANIA NAUCZYCIELI BIOLOGII

SYSTEM OCENIANIA NAUCZYCIELI BIOLOGII MARIA PEDRYC-WRONA ELWIRA SAMONEK-MICIUK Pracownia Metodyki Nauczania Biologii, UMCS Lublin SYSTEM OCENIANIA NAUCZYCIELI BIOLOGII :VWS 8PLHMWQRü SRPLDUX RVLJQLü XF]QLyZ L LFK RFHQLDQLH WR WUXGQ\LRGSowiedzialny

Bardziej szczegółowo

Opis systemu. BillNet S.A. 1

Opis systemu. BillNet S.A. 1 Opis systemu BillNet S.A. 1 6SLVWUHFL 1. OPIS SYSTEMU BILLNET...3 1.1 U)

Bardziej szczegółowo

WYKORZYSTANIE MODELU DIALOGICZNEGO OCENIANIA W KOMUNIKOWANIU WYNIKÓW EGZA0,18=(:1 75=1(*2

WYKORZYSTANIE MODELU DIALOGICZNEGO OCENIANIA W KOMUNIKOWANIU WYNIKÓW EGZA0,18=(:1 75=1(*2 KRZYSZTOF BEDNAREK CEZARY LEMPA 5HJLRQDOQ\2URGHN'RVNRQDOHQLD1DXF]\FLHOLÄ:20 Z.DWRZLFDFK WYKORZYSTANIE MODELU DIALOGICZNEGO OCENIANIA W KOMUNIKOWANIU WYNIKÓW EGZA0,18=(:1 75=1(*2 :5R]SRU]G]HQLX0LQLVWUD(GXNDFML1DURGRZHML

Bardziej szczegółowo

Laboratorium 10. Odkrywanie cech i algorytm Non-Negative Matrix Factorization.

Laboratorium 10. Odkrywanie cech i algorytm Non-Negative Matrix Factorization. Laboratorium 10 Odkrywanie cech i algorytm Non-Negative Matrix Factorization. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie

Bardziej szczegółowo

Zobacz przyk³adowy rozdzia³. Aktualny cennik ksi¹ ek em. Informacje o nowoœciach em. Zamów najnowszy katalog

Zobacz przyk³adowy rozdzia³. Aktualny cennik ksi¹ ek  em. Informacje o nowoœciach  em. Zamów najnowszy katalog Active Server Pages 2.0 dla ka dego Autor: Sanjaya Hettihewa T³umaczenie: Piotr Rajca ISBN: 83-7197-104-4 Format: B5, 720 stron Data wydania: 10/1999 Cena ksi¹ ki: 66.00 z³ Przesy³ka gratis! Odbiorca pokrywa

Bardziej szczegółowo

-]\NPRGHORZDQLDGDQ\FK80/ {ewag@ipipan.waw.pl, ewag@pjwstk.waw.pl} Ewa Stemposz. Instytut Podstaw Informatyki PAN

-]\NPRGHORZDQLDGDQ\FK80/ {ewag@ipipan.waw.pl, ewag@pjwstk.waw.pl} Ewa Stemposz. Instytut Podstaw Informatyki PAN -]\NPRGHORZDQLDGDQ\FK80/ Ewa Stemposz {ewag@ipipan.waw.pl, ewag@pjwstk.waw.pl} Instytut Podstaw Informatyki PAN Polsko--DSRVND:\*V]D6]NRáD7HFKQLN.RPSXWHURZ\FK Zagadnienia Krótka charakterystyka UML Diagramy

Bardziej szczegółowo

Ã1XPHUÃ,GHQW\ILNDFMLÃ3RGDWNRZHMÃVNáDGDM FHJRÃLQIRUPDFM ÃÃ. Ã5RG]DMÃSRGPLRWXÃRSRGDWNRZDQLDÃÃ]D]QDF]\üÃZáD FLZ\ÃNZDGUDWÃ

Ã1XPHUÃ,GHQW\ILNDFMLÃ3RGDWNRZHMÃVNáDGDM FHJRÃLQIRUPDFM ÃÃ. Ã5RG]DMÃSRGPLRWXÃRSRGDWNRZDQLDÃÃ]D]QDF]\üÃZáD FLZ\ÃNZDGUDWà 1XPHU,GHQW\ILNDFML3RGDWNRZHMVNáDGDM FHJRLQIRUPDFM BBBBBBBBBB 3RGVWDZDSUDZQD8VWDZD]GQLDVW\F]QLDURSRGDWNDFKLRSáDWDFKOR 6NáDGDM F\)RUPXODU]SU]H]QDF]RQ\GODRVyEIL]\F]Q\FKE G F\FKZ EXGRZODQ\FKSRVLDGDF]DPLVDPRLVWQ\PLQLHUXFKRPR

Bardziej szczegółowo

Laboratorium 11. Regresja SVM.

Laboratorium 11. Regresja SVM. Laboratorium 11 Regresja SVM. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk Dalej>. 3. Z

Bardziej szczegółowo

Laboratorium 3. Odkrywanie reguł asocjacyjnych.

Laboratorium 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 szczegółowo

NA TROPACH NAUCZYCIELSKICH SYSTEMÓW.6=7$à&(1,$&=</,2&ENIANIE WIELOKRYTERIALNE NA PODSTAWIE ANALIZY WYNIKÓW SPRAWDZIANÓW Z MATEMATYKI

NA TROPACH NAUCZYCIELSKICH SYSTEMÓW.6=7$à&(1,$&=</,2&ENIANIE WIELOKRYTERIALNE NA PODSTAWIE ANALIZY WYNIKÓW SPRAWDZIANÓW Z MATEMATYKI E/)%,(7$JAWORSKA E/)%,(7$OSTAFIZUK Doradcy metodyczni m. st. Warszawy NA TROAH NAUZYIELSKIH SYSTEMÓW.6=7$à&(1,$&=

Bardziej szczegółowo

data mining machine learning data science

data 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 szczegółowo

Laboratorium 5. Adaptatywna sieć Bayesa.

Laboratorium 5. Adaptatywna sieć Bayesa. Laboratorium 5 Adaptatywna sieć Bayesa. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk Dalej>.

Bardziej szczegółowo

TRZY KONCEPCJE ISTNIENIA 1

TRZY KONCEPCJE ISTNIENIA 1 TRZY KONCEPCJE ISTNIENIA 1 Wà$'

Bardziej szczegółowo

Laboratorium 6. Indukcja drzew decyzyjnych.

Laboratorium 6. Indukcja drzew decyzyjnych. Laboratorium 6 Indukcja drzew decyzyjnych. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk

Bardziej szczegółowo

1XPHU,GHQW\ILNDFML3RGDWNRZHMVNáDGDM FHJR LQIRUPDFM 3RGVWDZDSUDZQD8VWDZD]GQLDVW\F]QLDURSRGDWNDFKLRSáDWDFKORNDOQ\FK 6NáDGDM F\)RUPXODU]SU]H]QDF]RQ\GODRVyEIL]\F]Q\FKE G F\FKZáD FLFLHOD SRVLDGDF]DPLVDPRLVWQ\PLQLHUXFKRPR

Bardziej szczegółowo

Prezentacja programu FrontPage 2000. 3UH]HQWDFM SU]\JRWRZDá -DPUy] 6áDZRPLU III WT Rzeszów 2002r

Prezentacja programu FrontPage 2000. 3UH]HQWDFM SU]\JRWRZDá -DPUy] 6áDZRPLU III WT Rzeszów 2002r Prezentacja programu FrontPage 2000 3UH]HQWDFM SU]\JRWRZDá -DPUy] 6áDZRPLU III WT Rzeszów 2002r 1 6SLVWUHFL 3 *áyzqh RNQR SURJUDPX 4 Widoki stron 5 Tworzenie strony od podstaw 6 :ádflzrfl VWURQ\ 7 Formatowanie

Bardziej szczegółowo

Wydanie: IP

Wydanie: IP Wydanie: IP 11-02-01 Aktualizacja: 15.05.2006 pierwsza wydanie (program C11D wersja 2.00) 6SLVWUHFL 1 Wprowadzenie. 1-1 1.1,QIRUPDFMHZVWSQH 1-1 1.2 'HILQLFMHSRMüX*\W\FKZLQVWUXNFML 1-2 1.3 3á\WDF]RáRZDFHQWUDONL

Bardziej szczegółowo

UMOWA NR RAP/130/2010

UMOWA NR RAP/130/2010 UMOWA NR RAP/130/2010 Zawarta w dniu.. 2010 r ZH:URFáDZLXSRPLG]\ 8QLZHUV\WHWHP3U]\URGQLF]\PZH:URFáDZLX 50-:URFáDZul. C. K. Norwida 25/27 NIP: 896 000 53 54, Regon: 000001867 reprezentowanym przez: mgr

Bardziej szczegółowo

Wprowadzenie do tworzenia aplikacji okienkowych przy pomocy interfejsu Windows API

Wprowadzenie do tworzenia aplikacji okienkowych przy pomocy interfejsu Windows API Wprowadzenie do tworzenia aplikacji okienkowych przy pomocy interfejsu Windows API Zbigniew Koza,QVW\WXW )L]\NL 7HRUHW\F]QHM 8QLZHUV\WHWX :URFáDZVNLHJR (zkoza@ift.uni.wroc.pl) 1DMQRZV]D ZHUVMD WHJR VNU\SWX

Bardziej szczegółowo

63,6=$:$572&,235$&2:$1,$

63,6=$:$572&,235$&2:$1,$ DT 36/2003 33,Ä'20,12 6&ZàRP*\ str. 1 63,6=$:$572&,235$&2:$1,$ PROJEKT ZAGOSPODAROWANIA TERENU. I. OPIS TECHNICZNY. 1. PODSTAWA OPRACOWANIA... 2 2. INWESTOR... 2 3. PRZEDMIOT OPRACOW$1,$,,671,(-&(=$GOSPODAROWANIE

Bardziej szczegółowo

Data Mining w bazie Oracle 9i

Data Mining w bazie Oracle 9i VIII Konferencja PLOUG Koœcielisko PaŸdziernik 2002 Data Mining w bazie Oracle 9i Mariusz Byrski Biuro Matematyki Stosowanej S.C. mb@bms.krakow.pl Abstrakt Szukanie nieoczywistych zwi¹zków w danych jest

Bardziej szczegółowo

&]HVáDZ'RPDVNL 8QLZHUV\WHW àyg]nl. Zastosowanie testów serii znaków w statystycznej kontroli procesu

&]HVáDZ'RPDVNL 8QLZHUV\WHW àyg]nl. Zastosowanie testów serii znaków w statystycznej kontroli procesu DYNAMICZNE MODELE EKONOMETRYCZNE,,, JyOQRSROVNLH HPLQDULXP DXNRZH ZU]HQLD Z RUXQLX.DWHGUD (NRQRPHWULL L WDW\VW\NL QLZHUV\WHW 0LNRãDMD.RSHUQLND Z RUXQLX &]HVáDZRPDVNL QLZHUV\WHW àyg]nl Zastosowanie testów

Bardziej szczegółowo

Krzysztof Kawa. empolis arvato. e mail: krzysztof.kawa@empolis.com

Krzysztof 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 szczegółowo

Odkrywanie asocjacji

Odkrywanie 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 szczegółowo

UMOWA NR RAP/103/2010

UMOWA NR RAP/103/2010 UMOWA NR RAP/103/2010 Zawarta w dniu.. 2010 r ZH:URFáDZLXSRPLG]\ 8QLZHUV\WHWHP3U]\URGQLF]\PZH:URFáDZLX 50-:URFáDZul. C. K. Norwida 25/27 NIP: 896 000 53 54, Regon: 000001867 reprezentowanym przez: mgr

Bardziej szczegółowo

SFC 133. Profesjonalny sterownik silnika krokowego 5-fazowego z mikrokrokiem RZ\GDMQRFLGR$ ,QVWUXNFMDREVáXJLVWHURZQLND

SFC 133. Profesjonalny sterownik silnika krokowego 5-fazowego z mikrokrokiem RZ\GDMQRFLGR$ ,QVWUXNFMDREVáXJLVWHURZQLND ,QVWUXNFMDREVáXJLVWHURZQLND PPH WObitPJULQ*:LWROG2EHU 61R]QDXO*UXV]NRZD tel. 061/8350 620, -621 fax 061/8350 704 e-mail: wobit@wobit.com.pl. http://www.wobit.com.pl SFC 133 Profesjonalny sterownik silnika

Bardziej szczegółowo

72)6$02û6=.2à<,.ATECHETY :2%/,&=8:63Ïà&=(61<&+:<=:$.8/7852:<CH 1

72)6$02û6=.2à<,.ATECHETY :2%/,&=8:63Ïà&=(61<&+:<=:$.8/7852:<CH 1 1. Autor: ks. Wojciech Cichosz 2. 7\WXá7R*VDPRüV]NRá\LNDWHFKHW\ZREOLF]XZVSyáF]HVQ\FKZ\]ZDNXOWXURZ\FK 3. 'UyGáRÄ*GDVNLH0aWHULDá\.DWHFKHW\F]QH QUV-93 72)6$02û6=.2à

Bardziej szczegółowo

Eksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18

Eksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18 Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)

Bardziej szczegółowo

1. Odkrywanie asocjacji

1. 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 szczegółowo

Ewelina Dziura Krzysztof Maryański

Ewelina 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 szczegółowo

: FHOX GRNáDGQHJR ]DSR]QDQLD VL ] XU]G]HQLHP ]DOHFDP\ XZD*QH SU]HF]\WDQLH QLQLHMV]HM LQVWUXNFML REVáXJL

: FHOX GRNáDGQHJR ]DSR]QDQLD VL ] XU]G]HQLHP ]DOHFDP\ XZD*QH SU]HF]\WDQLH QLQLHMV]HM LQVWUXNFML REVáXJL 1. Wprowadzenie +DPD (DV\ 6FULSW WR SUDNW\F]Q\ RG]QDF]DMF\ VL PDá\PL Z\PLDUDPL JHQHUDWRU W\WXáyZ SR]ZDODMF\ QD SURVWH WZRU]HQLH W\WXáyZ L QDJáyZNyZ GOD ILOPyZ ZLGHR 8U]G]HQLH MHVW EDUG]R SURVWH Z REVáXG]H

Bardziej szczegółowo

NIP TEL. (032) TEL/FAX (032) DATA r. 6RVQRZLHF$O=Z\FLVWZD %5$1)$ PW

NIP TEL. (032) TEL/FAX (032) DATA r. 6RVQRZLHF$O=Z\FLVWZD %5$1)$ PW NIP 629-001-22-49 TEL. (032) 264 27 19 TEL/FAX (032) 264 19 12 e-mail : bpr_inwestprojekt@interia.pl NR UMOWY : WDR.3420-10/06 574/2006 =$0$:,$-&< DATA 05.2006 r. NR PROJEKTU 5776 GMINA SOSNOWIEC 0,$672326,$'$-&(35$:$32:,$78

Bardziej szczegółowo

1RZ\ 6RODULV 6RODULV 7UDPLQR %UDXQVFKZHLJ. .LHUXQHN ļ %OLVNL :VFKöG 6SLV WUHĂFL

1RZ\ 6RODULV 6RODULV 7UDPLQR %UDXQVFKZHLJ. .LHUXQHN ļ %OLVNL :VFKöG 6SLV WUHĂFL ZVWÚSLH HUGHF]QLH LbPRMHJR QDV JïRV\ ĵ ]RUJDQL GURG]HQLD \NOH PLïH DQH QDP P ]DXID P\ QD WHQ VNïDGDP NOLHQWRP VNR ODW NL 6RODULV LbQDV]HM HFKQLF]Q\ FMH 'REU\ NOLHQWöZ SU]HG]D P ZbW\P SUHPLHUD bzu]hăqld

Bardziej szczegółowo

FCM 300 Series. Koncepcja produktu. ponieważ nie istnieją kable silnika. Jedyne połączenia to zasilanie i sterowanie.

FCM 300 Series. Koncepcja produktu. ponieważ nie istnieją kable silnika. Jedyne połączenia to zasilanie i sterowanie. Koncepcja produktu Integracja przetwornicy częstotliwości i silnika Przetwornica częstotliwości VLT zintegrowana z silnikiem asynchronicznym umożliwia dowolne sterowanie szybkością za pomocą jednego urządzenia.

Bardziej szczegółowo

Rozwijanie indywidualnych cech u³atwiaj¹cych zdobycie zatrudnienia

Rozwijanie indywidualnych cech u³atwiaj¹cych zdobycie zatrudnienia Rozwijanie indywidualnych cech u³atwiaj¹cych zdobycie zatrudnienia :2-(:Ï'=.,85='35$&< W KRAKOWIE Rozwijanie indywidualnych cech u³atwiaj¹cych zdobycie zatrudnienia Kraków 2002 Wydanie II. Ministerstwo

Bardziej szczegółowo

OP

OP 3DUDPHWU\NRQILJXUDF\MQHPDMZSá\ZQDVSRVyEG]LDáDQLDAutoCAD-a. Konfiguracja obejmuje m.in. specy- ILNDFMNDWDORJyZURERF]\FKFLH*HNSU]HV]XNLZDQLDLXVWDZLHQLHEDUG]RUy*Q\FKSDUDPHWUyZSUDF\:LHOH XVWDZLH NRQILJXUDF\MQ\FK

Bardziej szczegółowo

Indeksy w bazach danych. Motywacje. Techniki indeksowania w eksploracji danych. Plan prezentacji. Dotychczasowe prace badawcze skupiały się na

Indeksy 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 szczegółowo

Laboratorium 7. Support Vector Machines (klasyfikacja).

Laboratorium 7. Support Vector Machines (klasyfikacja). Laboratorium 7 Support Vector Machines (klasyfikacja). 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij

Bardziej szczegółowo

SPECYFIKACJA ISTOTNYCH WARUNKÓW ZAMÓWIENIA (SIWZ) na: PRGHUQL]DFMLUR]EXGRZSU]HVWU]HQLODERUDWRU\MQHML]ZL]DQHJR]W\P

SPECYFIKACJA ISTOTNYCH WARUNKÓW ZAMÓWIENIA (SIWZ) na: PRGHUQL]DFMLUR]EXGRZSU]HVWU]HQLODERUDWRU\MQHML]ZL]DQHJR]W\P :\G]LDá)L]\NL Uniwersytetu Warszawskiego XO+R*D-681 Warszawa tel./fax (0 22) 55 32 213 SPECYFIKACJA ISTOTNYCH WARUNKÓW ZAMÓWIENIA (SIWZ) na: PRGHUQL]DFMLUR]EXGRZSU]HVWU]HQLODERUDWRU\MQHML]ZL]DQHJR]W\P

Bardziej szczegółowo

8&=(3275$), 2&(1,û6,(%,("-(/, GO TEGO NAUCZYMY!

8&=(3275$), 2&(1,û6,(%,(-(/, GO TEGO NAUCZYMY! S. LEOKADIA EWA WOJCIECHOWSKA FMA )HGHUDFMD6]Nyá6DOH]MDVNLFKZ3ROVFH 8&=(3275$), 2&(1,û6,(%,("-(/, GO TEGO NAUCZYMY! Samoocena to postawa wobec samego siebie, szczególnie wobec swoich PR*OLZRFLDWDN*HZREHFFHFKVZRMHJRFKDUDNWHUXZREHFVZRLFKRVLJQLü

Bardziej szczegółowo

3ODQZ\QLNRZ\]SURMHNWX.20387(52:(232:,(&,NODV\,9±9,V]NRá\SRGVWDZRZHM. 1 3.RPSXWHUQDU]G]LHP pracy

3ODQZ\QLNRZ\]SURMHNWX.20387(52:(232:,(&,NODV\,9±9,V]NRá\SRGVWDZRZHM. 1 3.RPSXWHUQDU]G]LHP pracy PLAN WYNIKOWY QDXF]DQLDLQIRUPDW\NLZNODVDFK,9±9,V]NRá\SRGVWDZRZHM RSUDFRZDQ\QDSRGVWDZLHSURJUDPXHGXNDFMLLQIRUPDW\F]QHM.20387(52:(232:,(&,'.26 RUD]SRGUFzQLND.20387(52:(232:,(&,GODVWDUV]\FKNODVV]NRá\SRGVWDZRZHM

Bardziej szczegółowo

Programowanie obiektowe

Programowanie obiektowe Programowanie obiektowe Wykład 13 Marcin Młotkowski 27 maja 2015 Plan wykładu Trwałość obiektów 1 Trwałość obiektów 2 Marcin Młotkowski Programowanie obiektowe 2 / 29 Trwałość (persistence) Definicja Cecha

Bardziej szczegółowo

o zmianie ustawy Prawo o miarach.

o zmianie ustawy Prawo o miarach. SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA Warszawa, dnia 22 kwietnia 2004 r. Druk nr 691 0$56=$à(.6(-08 RZECZYPOSPOLITEJ POLSKIEJ Pan Longin PASTUSIAK 0$56=$à(.6(1$78 RZECZYPOSPOLITEJ POLSKIEJ =JRGQLH]DUWXVW.RQVW\WXFML5]HF]\SRVSROLWHM3ROVNLHMPDP]DV]F]\WSU]HVáDü

Bardziej szczegółowo

3URWRNyã z posiedzenia Senatu z dnia 25 listopada 2005 roku

3URWRNyã z posiedzenia Senatu z dnia 25 listopada 2005 roku AKADEMIA ROLNICZA ZH:52&â$:,8 3URWRNyã z posiedzenia Senatu z dnia 25 listopada 2005 roku OBECNI: 1. Prof. dr hab. Józefa Chrzanowska Prorektor ds. studenckich i nauczania 2. Prof. dr hab. 6WDQLVãDZ&]DEDQ

Bardziej szczegółowo

:VWS 3UH]HQWRZDQD SUDFD QDOH*\ GR G]LHG]LQ\ SODQRZDQLD SU]HVWU]HQQHJR PLHFL VL Z QXUFLH ]DJDGQLH GRW\F]F\FK PRGHORZDQLD ]MDZLVN ]DFKRG]F\FK Z SU]HVWU]HQL ]DJRVSRGDURZDQHM =QDOD]á\ VL Z QLHM Z\QLNL EDGD

Bardziej szczegółowo

Nowa deklaracja właściwości użytkowych zawiera poniższe zmiany parametrów technicznych: - zwiększenie wytrzymałości na zginanie z 70 MPa do 75 MPa

Nowa deklaracja właściwości użytkowych zawiera poniższe zmiany parametrów technicznych: - zwiększenie wytrzymałości na zginanie z 70 MPa do 75 MPa Szanowni Państwo! Uprzejmie informujemy, że firma Pollmeier dokonała dalszej optymalizacji belki BauBuche, osiągając przez to jeszcze wyższą wydajność produktu, co z kolei odzwierciedla się w wyższej wytrzymałości

Bardziej szczegółowo

SYS7(08.6=7$à&(1,$0(&HATRONIKÓW

SYS7(08.6=7$à&(1,$0(&HATRONIKÓW JANUSZ FIGURSKI Instytut Technologii Eksploatacji 3DVWZRZ\,QVW\WXW%DGDZF]\Z5DGRPLX =$à2)(1,$:à$&,:2ci I TWORZENIE SYS7(08.6=7$à&(1,$0(&HATRONIKÓW 1. Definiowanie systemu i modelu Prof. Tadeusz W. Nowacki

Bardziej szczegółowo

1. PRZEZNACZENIE. %8'2:$, =$6$'$ '=,$à$1,$

1. PRZEZNACZENIE. %8'2:$, =$6$'$ '=,$à$1,$ 6SLV WUHFL 1. PRZEZNACZENIE... 3 %8'2:$, =$6$'$ '=,$à$1,$... 3 3. PARAMETRY TECHNICZNE... 4 4. KLAWIATURA WAGOSUSZARKI... 5 5. ROZPAKOWANIE... 5 6. URUCHOMIENIE... 6 2%6à8*$... 6 8. PRZYGOTOWANIE PRÓBEK

Bardziej szczegółowo

.23$/1,$:326'=<±:$)1<(3,=2' GÓRNICTWA SIARKOWEGO W POLSCE

.23$/1,$:326'=<±:$)1<(3,=2' GÓRNICTWA SIARKOWEGO W POLSCE Dzieje górnictwa element europejskiego dziedzictwa kultury, pod red. P.P. =DJR*G*RQD L 0 0DG]LDU]D:URFáDZ Ochrona powierzchni, surowce chemiczne, eksploatacja Wojciech PREIDL 1 Andrzej J. WÓJCIK 2.23$/1,$:326'=

Bardziej szczegółowo

Laboratorium 12. Odkrywanie osobliwości.

Laboratorium 12. Odkrywanie osobliwości. Laboratorium 12 Odkrywanie osobliwości. Odkrywanie osobliwości (ang. outliers) za pomocą algorytmu SVM zostanie w pierwszej części ćwiczenia przeprowadzone w środowisku SQL, a w drugiej części wykorzystamy

Bardziej szczegółowo

Metody probabilistyczne klasyfikatory bayesowskie

Metody probabilistyczne klasyfikatory bayesowskie Konwersatorium Matematyczne Metody Ekonomii narzędzia matematyczne w eksploracji danych First Prev Next Last Go Back Full Screen Close Quit Metody probabilistyczne klasyfikatory bayesowskie Wykład 8 Marcin

Bardziej szczegółowo

=DU]G]HQLH1U97 -I/IV/05 %XUPLVWU]D0LDVWD%LáJRUDM ]GQLDZU]HQLD r.

=DU]G]HQLH1U97 -I/IV/05 %XUPLVWU]D0LDVWD%LáJRUDM ]GQLDZU]HQLD r. =DU]G]HQLH1U97 -I/IV/05 %XUPLVWU]D0LDVWD%LáJRUDM ]GQLDZU]HQLD r. ZVSUDZLHXVWDOHQLDSURJUDPXV]NROHQLDZVWSQHJR-LQVWUXNWD*XRJyOQHJR LLQVWUXNWD*XVWDQRZLVNRZHJR]]DNUHVXEKSGODSUDFRZQLNyZ ]DWUXGQLDQ\FKZ8U]G]LH0LDVWD%LáJRUDM

Bardziej szczegółowo

Reguły asocjacyjne w programie RapidMiner Michał Bereta

Reguły 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 szczegółowo

,67271(:à$&,:2&,NAUCZYCIELSKICH SYSTE0Ï:.6=7$à&(1,$,,&H ROZPOZNAWANIE W NA8&=$1,8- =<.Ï:2%&<CH

,67271(:à$&,:2&,NAUCZYCIELSKICH SYSTE0Ï:.6=7$à&(1,$,,&H ROZPOZNAWANIE W NA8&=$1,8- =<.Ï:2%&<CH IRENA NYCKOWSKA 0D]RZLHFNLH6DPRU]GRZH&HQWUXP'RVNRQDOHQLD1DXF]\FLHOL :\G]LDáZ3áRcku,67271(:à$&,:2&,NAUCZYCIELSKICH SYSTE0Ï:.6=7$à&(1,$,,&H ROZPOZNAWANIE W NA8&=$1,8- =

Bardziej szczegółowo

Zapis stenograficzny (1094) 129. posiedzenie Komisji Gospodarki i Finansów Publicznych w dniu 7 stycznia 2004 r.

Zapis stenograficzny (1094) 129. posiedzenie Komisji Gospodarki i Finansów Publicznych w dniu 7 stycznia 2004 r. ISSN 1643-2851 SENAT RZECZYPOSPOLITEJ POLSKIEJ Zapis stenograficzny (1094) 129. posiedzenie Komisji Gospodarki i Finansów Publicznych w dniu 7 stycznia 2004 r. V kadencja 3RU]GHNREUDG 2SLQLDZVSUDZLHNDQG\GDWyZQDF]áRQNyZ5DG\3ROLW\NL3LHQL*QHM

Bardziej szczegółowo

ORACLE 9i DATA MINING NARZĘDZIEM DO EKSTRAKCJI WIEDZY Z BAZ DANYCH

ORACLE 9i DATA MINING NARZĘDZIEM DO EKSTRAKCJI WIEDZY Z BAZ DANYCH ORACLE 9i DATA MINING NARZĘDZIEM DO EKSTRAKCJI WIEDZY Z BAZ DANYCH Streszczenie Małgorzata Nycz, Barbara Smok Akademia Ekonomiczna we Wrocławiu {malgorzata.nycz,barbara.smok}@ae.wroc.pl Artykuł prezentuje

Bardziej szczegółowo

Metody eksploracji danych. Reguły asocjacyjne

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 szczegółowo