0HWRG\HNVSORUDFMLGRVWSQHZ2UDFOHi Data Mining
|
|
- Lidia Stachowiak
- 6 lat temu
- Przeglądów:
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" Streszczenie Eksploracja danych znajduje coraz szersze
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.
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
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
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]
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.
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
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$78 RZECZYPOSPOLITEJ POLSKIEJ 6]DQRZQ\ 3DQLH
3URMHNWRZDQLHVFKHPDWyZ UHODF\MQ\FKED]GDQ\FK± 1RUPDOL]DFMD. =E\V]NR.UyOLNRZVNL ,QVW\WXW,QIRUPDW\NL3ROLWHFKQLNL3R]QDVNLHM 3R]QDXO3LRWURZR
3URMHNWRZDQLHVFKHPDWyZ UHODF\MQ\FKED]GDQ\FK± 1RUPDOL]DFMD =E\V]NR.UyOLNRZVNL,QVW\WXW,QIRUPDW\NL3ROLWHFKQLNL3R]QDVNLHM 3R]QDXO3LRWURZR HPDLO=E\V]NR.UyOLNRZVNL#FVSXWSR]QDSO 1LHZáDFLZH]DSURMHNWRZDQLHVFKHPDWyZ
Model FSM w zastosowaniu do klasyfikacji.
Model FSM w zastosowaniu do klasyfikacji. 5DIDá$GDPF]DN:áRG]LVáDZ'XFK.DWHGUD0HWRG.RPSXWHURZ\FK8QLZHUV\WHW0LNRáDMD.RSHUQLND XO*UXG]LG]ND7RUXHPDLO^UDDGGXFK`#SK\VXQLWRUXQSO Streszczenie 6LHFL )60 PDM SURVW
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
Marek Panfil. =$5='=$1,(1$/()12&,$0, :0$à<0,5('1,0 35=('6, %,2567:,(
Marek Panfil =$5='=$1,(1$/()12&,$0, :0$à
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
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
,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)
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
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
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
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
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\
: 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
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.
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
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
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
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
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
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
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\)
PODSEKCJA DL 85='=(1,$(/(.75<&=1(,237<&=1( '=,$à MASZYNY BIUROWE I KOMPUTERY
303 PODSEKCJA DL 85='=(1,$(/(.75
Laboratorium 4. Naiwny klasyfikator Bayesa.
Laboratorium 4 Naiwny klasyfikator Bayesa. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk
ODWODNIENIA BUDOWLI KOMUNIKACYJNYCH
ZBIGNIEW SZLING, EMI/3$&=(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
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
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
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
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
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
Opis systemu. BillNet S.A. 1
Opis systemu BillNet S.A. 1 6SLVWUHFL 1. OPIS SYSTEMU BILLNET...3 1.1 U)
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
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
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
-]\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
Ã1XPHUÃ,GHQW\ILNDFMLÃ3RGDWNRZHMÃVNáDGDM FHJRÃLQIRUPDFM ÃÃ. Ã5RG]DMÃSRGPLRWXÃRSRGDWNRZDQLDÃÃ]D]QDF]\üÃZáD FLZ\ÃNZDGUDWÃ
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
0,$67$,*0,1<67 6=(: :L]MD]UyZQRZD*RQHJRUR]ZRMXgminy. :VWUDWHJLL ]UyZQRZD*RQHJR UR]ZRMX PLDVWD LJPLQ\ 6WV]HZ OLGHU]\ JPLQ\ RSUDFRZDOL QDVWSXMFZL]MJPLQ\
VI. 32:,=$1,(3/$1852=:2-8/2.$/1(*2 =(65$7(*,=5Ï:12:$)21(*252=:2-8 0,$67$,*0,1
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
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
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$à&(1,$&=
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
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>.
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
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
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
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
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
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
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,(-&(=$GOSPODAROWANIE
Data Mining w bazie Oracle 9i
VIII Konferencja PLOUG Koœcielisko PaŸdziernik 2002 Data Mining w bazie Oracle 9i Mariusz Byrski Biuro Matematyki Stosowanej S.C. mb@bms.krakow.pl Abstrakt Szukanie nieoczywistych zwi¹zków w danych jest
&]HVáDZ'RPDVNL 8QLZHUV\WHW àyg]nl. Zastosowanie testów serii znaków w statystycznej kontroli procesu
DYNAMICZNE MODELE EKONOMETRYCZNE,,, JyOQRSROVNLH HPLQDULXP DXNRZH ZU]HQLD Z RUXQLX.DWHGUD (NRQRPHWULL L WDW\VW\NL QLZHUV\WHW 0LNRãDMD.RSHUQLND Z RUXQLX &]HVáDZRPDVNL QLZHUV\WHW àyg]nl Zastosowanie testów
Krzysztof Kawa. empolis arvato. e mail: krzysztof.kawa@empolis.com
XI Konferencja PLOUG Kościelisko Październik 2005 Zastosowanie reguł asocjacyjnych, pakietu Oracle Data Mining for Java do analizy koszyka zakupów w aplikacjach e-commerce. Integracja ze środowiskiem Oracle
Odkrywanie asocjacji
Odkrywanie asocjacji Wprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Odkrywanie asocjacji wykład 1 Wykład jest poświęcony wprowadzeniu i zaznajomieniu się z problemem odkrywania reguł asocjacyjnych.
UMOWA NR RAP/103/2010
UMOWA NR RAP/103/2010 Zawarta w dniu.. 2010 r ZH:URFáDZLXSRPLG]\ 8QLZHUV\WHWHP3U]\URGQLF]\PZH:URFáDZLX 50-:URFáDZul. C. K. Norwida 25/27 NIP: 896 000 53 54, Regon: 000001867 reprezentowanym przez: mgr
81,:(56<7(735=<52'1,&=<:(:52&à$:,8 SPECYFIKACJA ISTOTNYCH WARUNKÓW ZAMÓWIENIA. Sprawa nr RAP/ 33 /2010
81,:(56
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
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$02û6=.2à
Eksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
1. Odkrywanie asocjacji
1. 2. Odkrywanie asocjacji...1 Algorytmy...1 1. A priori...1 2. Algorytm FP-Growth...2 3. Wykorzystanie narzędzi Oracle Data Miner i Rapid Miner do odkrywania reguł asocjacyjnych...2 3.1. Odkrywanie reguł
Ewelina Dziura Krzysztof Maryański
Ewelina Dziura Krzysztof Maryański 1. Wstęp - eksploracja danych 2. Proces Eksploracji danych 3. Reguły asocjacyjne budowa, zastosowanie, pozyskiwanie 4. Algorytm Apriori i jego modyfikacje 5. Przykład
: FHOX GRNáDGQHJR ]DSR]QDQLD VL ] XU]G]HQLHP ]DOHFDP\ XZD*QH SU]HF]\WDQLH QLQLHMV]HM LQVWUXNFML REVáXJL
1. Wprowadzenie +DPD (DV\ 6FULSW WR SUDNW\F]Q\ RG]QDF]DMF\ VL PDá\PL Z\PLDUDPL JHQHUDWRU W\WXáyZ SR]ZDODMF\ QD SURVWH WZRU]HQLH W\WXáyZ L QDJáyZNyZ GOD ILOPyZ ZLGHR 8U]G]HQLH MHVW EDUG]R SURVWH Z REVáXG]H
NIP TEL. (032) TEL/FAX (032) DATA r. 6RVQRZLHF$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:,$78
1RZ\ 6RODULV 6RODULV 7UDPLQR %UDXQVFKZHLJ. .LHUXQHN ļ %OLVNL :VFKöG 6SLV WUHĂFL
ZVWÚSLH HUGHF]QLH LbPRMHJR QDV JïRV\ ĵ ]RUJDQL GURG]HQLD \NOH PLïH DQH QDP P ]DXID P\ QD WHQ VNïDGDP NOLHQWRP VNR ODW NL 6RODULV LbQDV]HM HFKQLF]Q\ FMH 'REU\ NOLHQWöZ SU]HG]D P ZbW\P SUHPLHUD bzu]hăqld
FCM 300 Series. Koncepcja produktu. ponieważ nie istnieją kable silnika. Jedyne połączenia to zasilanie i sterowanie.
Koncepcja produktu Integracja przetwornicy częstotliwości i silnika Przetwornica częstotliwości VLT zintegrowana z silnikiem asynchronicznym umożliwia dowolne sterowanie szybkością za pomocą jednego urządzenia.
:<.$='2.80(17Ï::=$.à$'$&+.$51<&+,$5(6=7$&+/('&=<&+ W POLSCE =$:,(5$-&<&+,1)250$&-('27<&=&(5($/,=$&-,35$:,:2/12&,26Ï%:1,&+35=(%<:$-&<&+
I :
Rozwijanie indywidualnych cech u³atwiaj¹cych zdobycie zatrudnienia
Rozwijanie indywidualnych cech u³atwiaj¹cych zdobycie zatrudnienia :2-(:Ï'=.,85='35$&< W KRAKOWIE Rozwijanie indywidualnych cech u³atwiaj¹cych zdobycie zatrudnienia Kraków 2002 Wydanie II. Ministerstwo
8)<&,(- =<.$352*5$MOWANIA ICL DO SZACOWANIA PARAMETRÓW KRZYWEJ CHARAKTERYSTYCZNEJ ZADANIA
MAREK KRYNIEWSKI =HVSyá6]Nyá(QHUJHW\F]Q\FKZ*GDVNX 8)
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
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
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
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
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
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
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
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$78 RZECZYPOSPOLITEJ POLSKIEJ =JRGQLH]DUWXVW.RQVW\WXFML5]HF]\SRVSROLWHM3ROVNLHMPDP]DV]F]\WSU]HVáDü
3URWRNyã z posiedzenia Senatu z dnia 25 listopada 2005 roku
AKADEMIA ROLNICZA ZH:52&â$:,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
: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
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
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,$0(&HATRONIKÓW 1. Definiowanie systemu i modelu Prof. Tadeusz W. Nowacki
1. PRZEZNACZENIE. %8'2:$, =$6$'$ '=,$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*$... 6 8. PRZYGOTOWANIE PRÓBEK
.23$/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'=
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
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
=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
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
,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- =
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
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
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