ANALIZA DANYCH KONCEPCJE I METODY
Podejścia do analizy danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 54
Analiza danych Podejścia do analizy danych: Analiza decryptywna (deskrypcyjna) ang. descriptive analytics Co się zdarzyło? Analiza diagnostyczna ang. diagnostic analytics Dlaczego się zdarzyło? Analiza predyktywna (predykcyjna) ang. predictive analytics Co się może zdarzyć? Analiza preskryptywna (preskrypcyjna) ang. prescriptive analytics Co należy zrobić? Analiza kognitywna (ang. cognitive analysis) Integracja podejść, bazująca na wykorzystaniu narzędzi sztucznej inteligencji i wieloaspektowych danych z różnych źródeł Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 55
Analiza danych Przykładowe formy analizy danych: Raportowanie Standardowe biblioteki raportów OLAP Analizy ad-hoc, Data Mining Poszukiwanie informacji Text Mining Przetwarzanie języka naturalnego Machine Learning Rozpoznawanie wzorców Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 56
Raportowanie - przykład Terminy rzeczywiste zapadalności dla kredytów Źródła danych: Aktualne saldo (system księgowy) Terminarz rat (umowa kredytowa) Przetwarzanie: Weryfikacja stanu (czy aktualne saldo jest zgodne z planem) Przeliczenie pozostałych rat na kategorie czasowe Agregacja wyników Efektem jest kilkanaście wartości (z ponad 5 tyś. wymaganych w sprawozdawczości obowiązkowej dla banków) W instytucji typu bank liczba różnych raportów w skali miesiąca może przekraczać tysiące (samych sprawozdań wymaganych przez prawo jest kilkaset) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 57
OLAP On-line Analytical Processing (MOLAP,ROLAP,HOLAP) Wykorzystuje przetworzone i wyselekcjonowane dane w modelu opartym na faktach i wymiarach Pozwala na ogląd danych na różnych poziomach szczegółowości Umożliwia prowadzenie prostych analiz i zapytań w trybie bieżącym (ad-hoc) Opiera się na raczej prostym interfejsie a sposób prezentowania wyników jest silnie zależny od struktury danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 58
Data Mining Data Mining (Eksploracja Danych) jest jedną z metod analizy danych upowszechnioną wraz z rozwojem Hurtowni Danych Definicja: Nietrywialne wydobywanie ukrytej, uprzednio nie znanej i potencjalnie użytecznej informacji z danych (1992) Nauka zajmująca się wydobywaniem informacji z dużych zbiorów danych lub baz danych (2001) Istotą DM jest automatyczne wykrywanie związków/zależności w danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 59
Ogólny schemat eksploracji danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 60
Uwarunkowania selekcji danych Wybór właściwych danych do zbioru roboczego: Zbyt mała liczba danych nie pozwoli postawić hipotezy Zbyt duża liczba danych zwiększy czas przetwarzania Nietypowe wartości (np. przewaga wartości skrajnych) zaburzą obraz danych dając błędną hipotezę Rozkłady wartości, dyskretyzacja, redukcja wymiarów, Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 61
Zadania eksploracji danych Wyszukiwanie asocjacji Klasyfikacja Predykcja Grupowanie Wykrywanie charakterystyk Wykrywanie szeregów czasowych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 62
Wybrane metody eksploracji danych analiza regresji liniowej i nieliniowej, regresja logistyczna, analiza przeżycia modele szeregów czasowych ARIMA analiza ANOVA analiza skupień modele drzew decyzyjnych metody klasyfikacji: najbliższych sąsiadów, naiwny klasyfikator Bayesa analiza asocjacji sztuczne sieci neuronowe algorytmy genetyczne zbiory/logika/arytmetyka rozmyta Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 63
SZTUCZNE SIECI NEURONOWE
Sztuczne sieci neuronowe Koncepcja wzorowana na strukturach układu nerwowego, dająca możliwość uczenia się Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 65
Struktury sieci neuronowych Sieci jedno i wielowarstwowe Sieci jednokierunkowe i ze sprzężeniem zwrotnym Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 66
Sztuczne sieci neuronowe podstawowa koncepcja działania neuronu Parametrami działania neuronu są wagi i funkcja aktywacji mogą one być zadane z góry (ale skąd je brać?) lub ulegać zmianie w procesie uczenia sieci Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 67
Uczenie sztucznych sieci neuronowych Uczenie nadzorowane (z nauczycielem) Znany jest pożądany wynik działania sieci Wynik działania porównywany ze wzorcem Uczenie nienadzorowane Nie znamy pożądanego wyniku działania sieci Wynik oceniany w zadanych kategoriach Problem przeuczenia sieci Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 68
Sztuczne sieci neuronowe obszary wykorzystania We wszystkich obszarach gdzie istotna jest odpowiedź jakościowa a nie ilościowa, np.: ekonomia, biologia i medycyna; prognozowanie sprzedaży; interpretacja badań biologicznych; prognozy cen, kursów walut, akcji, itp.; Obejmuje takie działania jak Predykcja Klasyfikowanie i rozpoznawanie Analiza i kojarzenie danych Optymalizacja Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 69
ALGORYTMY GENETYCZNE
Algorytmy genetyczne Prosta koncepcja wzorowana na teorii ewolucji Poszukiwanie rozwiązania optymalnego metodą błądzenia
Algorytmy genetyczne Przestrzeń rozwiązań - opis populacji Selekcja populacji startowej Warunek zatrzymania definiowanie funkcji celu Mechanizmy ewolucji reprodukcja, krzyżowanie, mutacja
Algorytmy genetyczne Działanie algorytmu na przykładach: Problem komiwojażera (optymalizacja drogi) Szukanie rozwiązań przybliżonych Główne problemy: Złożoność obliczeniowa Lokalna optymalność Wybór reprezentacji i mechanizmów modyfikacji
Algorytmy genetyczne Zastosowania: Przy problemach optymalizacyjnych (ustalanie parametrów, układanie harmonogramów) z dużą liczbą parametrów i/lub złożonej algorytmice (problemy NP-zupełne), np.: Logistyka Przemysł chemiczny Medycyna Do uczenia sieci neuronowych
LOGIKA ROZMYTA
Logika (zbiory, arytmetyka) rozmyta Pojęcie zmiennej lingwistycznej Próba odzwierciedlenia myślenia ludzi Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 76
Działanie systemów logiki rozmytej Rozmywanie (fuzzyfikacja) i wyostrzanie (defuzyfikacja) Reguły zapisywane w terminach zmiennych lingwistycznych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 77
Logika rozmyta: funkcja przynależności Wybór funkcji przynależności zależy od charakteru zjawiska i postaci reguł wnioskowania Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 78
Logika rozmyta Zastosowanie: Systemy sterujące Analiza danych (ekonomia, medycyna) Przetwarzanie i rozpoznawanie obrazów Zalety: Stabilność (małe zmiany na wejściu dają małe zmiany na wyjściu) Interpolacja (możliwa obsługa danych spoza zakresu) Łatwość zrozumienia (wiedza reprezentowana w języku naturalnym) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 79
PRZETWARZANIE DOKUMENTÓW TEKSTOWYCH
Przetwarzanie języka naturalnego nlp.stanford.edu/~wcmac/papers/20140716-unlu.pdf Przetwarzanie tekstów jest jednym z elementów szerszego zagadnienia, obejmującego rozpoznawanie i generację mowy (ASR/TTS), przetwarzanie (NLP) i rozumienie (NLU) języka naturalnego Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 81
NLU NLP Przetwarzanie tekstu Przygotowanie tekstu Rozpoznanie języka Segmentacja tekstu (Tokenizacja) wyodrębnienie zdań, wyrazów, rdzeni i końcówek, reprezentacja (strukturalna) tekstu Analiza syntaktyczna Identyfikacja części mowy, części zdań, (zastosowanie reguł gramatycznych) Analiza semantyczna Identyfikacja nazw własnych, określeń czasu, itd. (uwzględnienie kontekstu znaczeniowego) Analiza pragmatyczna Uwzględnienie znaczenia tekstu (relacje między wyrazami, sens, kontekst użycia, itp. ) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 82
Reprezentacja tekstu (i zapytań) Oparta na słowach kluczowych Wyszukiwanie na podstawie występowania słów ang. keyword-based retrieval Dokument jako sekwencja słów (wyrazów) Oparta na reprezentacji wektorowej Wyszukiwanie na podstawie podobieństwa ang. similarity-based retrieval Dokument jako n-wymiarowy wektor słów Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 83
Reprezentacja wektorowa Identyfikacja termów (tokenizacja) Zbiór termów Liczebność zbioru = wymiar przestrzeni Reprezentacja dokumentu Wystąpienie, częstość, inne Założeniem jest że podobny zestaw słów wskazuje na podobieństwo dokumentów Częstość wystąpienia słów w dokumencie (term frequency): tf j = N j Odwrotna (względna) częstość wystąpienia słów w dokumencie (inverse document frequency): idf j = ln(n/n j ) Podobieństwo = odległość między wektorami Częstość wystąpienia słów w dokumencie i zbiorze dokumentów słowa rzadko występujące w zbiorze lepiej identyfikują dokument Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 84
Reprezentacja tekstu - zastosowanie Przeszukiwanie kolekcji dokumentów, m.in.: Wyszukiwarki internetowe Systemy Zarządzania Wiedzą Analiza danych, m.in. : Zarządzanie relacjami z klientem (np. analiza opinii klienckich sentiment analysis) Przetwarzanie danych z mediów społecznościowych Wszędzie tam, gdzie źródło informacji może być przetworzone do postaci tekstu (information retrieval and extraction) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 85
Przetwarzanie języka naturalnego obszary działania P r z y g o t o w a n i e W y k o r z y s t a n i e Przetwarzanie - analiza Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 86
Przetwarzanie języka naturalnego przykładowe zastosowanie Tłumaczenie maszynowe Tekst (np. google translator) Generowanie języka naturalnego Systemy dialogowe (chat-bots) Interakcja człowiek komputer Identyfikacja treści Automatyczne streszczenia Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 87
PRZETWARZANIE DŹWIĘKU
Przetwarzanie mowy ogólny schemat Mowa Obróbka sygnału analogowego Transformacja A-D Obróbka sygnału cyfrowego Identyfikacja fonemów Wyodrębnienie słów Tekst Rozpoznawanie języka Słowniki ASR Automatic Speech Recognition Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 89
Przetwarzanie dźwięku w połączeniu z automatycznym tłumaczeniem Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 90
PRZETWARZANIE OBRAZÓW
Przetwarzanie obrazów - koncepcja Analogowe dane źródłowe cyfryzacja Przetworniki (matryce) cyfrowe: czułość, rozdzielczość, jakość sygnału Formy przechowanie obrazów (formaty plików) Identyfikacja zawartości tworzenie reprezentacji Wykrywanie krawędzi i kształtów Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 92
Przetwarzanie obrazów Stworzenie reprezentacji obrazu pozwalającej na: Automatyczne przetwarzanie Przechowanie, przesyłanie, odtwarzanie Wyostrzanie, korekcja, itd. Identyfikację zawartości Wyodrębnianie elementów składowych obrazu i relacji między tymi elementami Stanowi wstępny element m.in. procesów rozpoznawania wzorców (ang. Pattern recognition) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 93
Pattern Recognition ROZPOZNAWANIE WZORCÓW
Rozpoznawanie wzorców Przedmiotem Rozpoznawania Wzorców (ang. Pattern Recognition - PR)jest wykrywanie schematów (ang. regularities) w danych przy wykorzystaniu algorytmów komputerowych i użyciu tych schematów do podejmowania działań np. klasyfikacji danych do różnych kategorii (Bishop 2006) Pokrewne i często stosowane wymiennie pojęcia to: Uczenie maszynowe, sztuczna inteligencja, Określane również jako rozpoznawanie obrazów Stanowi istotny element wykorzystania dużych niestrukturalnych zbiorów danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 95
Rozpoznawanie wzorców Wzorzec - zespół cech pozwalających na identyfikację i klasyfikację danego obiektu (rzeczy, zjawiska, ) Rozpoznanie identyfikacja obiektu na podstawie wyróżnionego zespołu cech Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 96
Ogólny schemat PR Zbiór obiektów Detekcja Przetworzenie do wymaganej postaci (np. przetwarzanie obrazów, dźwięku, itp.) Pobranie danych (czujniki, sensory, itp.) Obróbka danych Wydobycie cech Identyfikacja wystąpienia wzorców w danych Rozpoznanie (klasyfikacja) Opisanie obiektów w terminach (języku) poszukiwanych wzorców Przetworzenie wyników do wymaganej postaci Interpretacja (post-processing) Działania Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 97
Problemy definiowania wzorców Identyfikacja cech możliwych do wydobycia Wybór cech dla konkretnego problemu Problem liczby cech Za mało nie da się rozwiązać problemu Za dużo niemożliwe będzie efektywne rozwiązanie problemu Zasada brzytwa Ockhama Źródła wzorców: Zewnętrzne (opracowany niezależnie) modele dziedzinowe uczenie maszynowe z nauczycielem Wewnętrzne (wykrywany w danych) eksploracja danych uczenie maszynowe bez nauczyciela Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 98
Modele rozpoznawania wzorców: Oparte na zgodności schematu (ang. matching templates) Najstarsze i najprostsze podejście Poszukuje podobieństwa pomiędzy obiektami (punkty, krzywe, kształty) z wykorzystaniem różnych metod transformacji (translacja, rotacja, zmiana wielkości) Podejście statystyczne Rozpoznawany obiekt i wzorzec jest reprezentowany jako punkt w n- wymiarowej przestrzeni (cech) Podejście strukturalno-syntaktyczne Wzorzec posiada wewnętrzną strukturę pozwalającą na hierarchiczną dekompozycję na podwzorce, każdy podwzorzec może być analizowany (rozpoznawany) odrębnie, ale kluczowym elementem są relacje pomiędzy podwzorcami Oparte na sztucznych sieciach neuronowych Pozwalają na wykrywanie złożonych nieliniowych relacji pomiędzy wzorcem a rozpoznawanym obiektem Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 99
Rozpoznawanie wzorców - przykład Automatyczne sortowanie ryb: Łosoś czy okoń? Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 100
Analiza problemu: [Detekcja]: Kamera (jako sensor) pozwala na uzyskanie z obrazu informacji o rybach: [potencjalny zestaw cech]: długość, jasność, szerokość, liczba i kształt płetw, położenie elementów budowy morfologicznej (pysk, oczy, ) [Obróbka danych]: Wyodrębnienie obrazu ryby z tła [Wydobycie cech]: dokonanie pomiaru wyodrębnionych cech Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 101
Wybór cech klasyfikujących: Analiza poszczególnych cech na podstawie zbioru testowego: Długość samodzielnie nie jest wystarczającym parametrem Jasność daje lepsze rezultaty ale też nie rozwiązuje problemu Połączenie obu: ryba = [długość, jasność] (reprezentacja) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 102
Poszukiwanie klasyfikatora Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 103
Poszukiwanie klasyfikatora Uwzględnienie innych uwarunkowań: klient nie chce w puszce okonia jak kupuje łososia, ale na odwrót już nie koniecznie Można dodać kolejną (nieskorelowaną) cechę, ale czy nakłady na pomiar kolejnej cechy i uwzględnienie jej w działaniu systemu będą uzasadnione? Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 104
Przykład podsumowanie: System rozpoznawania wzorców jest tworzony celowy i nie tylko uwarunkowania naukowe są istotne Ocena systemu jest oparta na efektywności, nie zawsze pojawienie się błędu przekreśla jego przydatność Szacowanie błędu jest najczęściej stosowaną metodą oceny systemów rozpoznawania wzorców Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 105
Obszary zastosowania PR Biometryka (np. rozpoznawanie głosu, twarzy, odcisków palców, itd.) Rozpoznawanie mowy (NLP) i pisma (OCR) Diagnostyka medyczna (np. RTG, EKG, Bankowość (np. zdolność kredytowa, wykrywanie fraudów, itp.) Przemysł (np. wykrywanie defektów w złożonych strukturach, segregacja produktów spożywczych, itd.) Bezpieczeństwo (np. skanowanie przesyłek, rozpoznawanie zagrożeń analiza zachowań, itd.) Meteorologia (prognozowanie pogody) i wszędzie tam gdzie jesteśmy wstanie powiązać regularności w danych z identyfikowalnym dla człowieka obiektem (zjawiskiem) oraz wykorzystać potencjalną wiedzę do podejmowania działań Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 106
Machine & Deep Learning UCZENIE MASZYNOWE
Systemy uczące się: "System uczący się wykorzystuje zewnętrzne dane empiryczne w celu tworzenia i aktualizacji podstaw dla udoskonalonego działania na podobnych danych w przyszłości oraz wyrażania tych podstaw w zrozumiałej i symbolicznej postaci (Donald Michie - 1991) Pojęcia pokrewne: rozpoznawanie wzorców, uczenie maszynowe (ang. Machine Learning), uczenie głębokie (ang. Deep Learning) System uczący się może zachowywać się w sposób niedeteministyczny i zmieniać swój sposób działania w zależności od wcześniej przetworzonych danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 108
Uczenie maszynowe - rodzaje: Uczenie z nauczycielem/nadzorcą (ang. supervised learning) Zestaw uczący danych składa się z par [wejście, wyjście], system uczy się właściwej reakcji na dane wejściowe Uczenie bez nauczyciela/nadzorcy (ang. unsupervised learning) Dane uczące nie zawierają poprawnej odpowiedzi systemu, system sam próbuje identyfikować wzorce Uczenie ze wzmocnieniem (ang. reinforcement learning) Wariant uczenia maszynowego, wykorzystujący wielokrotny trening z maksymalizacją funkcji nagrody Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 109
Uczenie z nauczycielem https://www.simplilearn.com/what-is-machine-learning-and-why-it-matters-article Klasyfikacja diagnostyka (medyczna, techniczna), identyfikacja (obrazów, zachowań), przewidywania Regresja: Czas życia, prognozy pogody, przewidywania rynkowe, Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 110
Uczenie bez nauczyciela https://www.simplilearn.com/what-is-machine-learning-and-why-it-matters-article Klasteryzacja: Szukanie regularności w danych (wzorców) np. segmentacja klientów, itp. Redukcja wymiarów: Identyfikacja cech, wykrywanie struktur, wizualizacja danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 111
Uczenie ze wzmocnieniem https://www.simplilearn.com/what-is-machine-learning-and-why-it-matters-article Sterowanie robotami, trenowanie umiejętności, decyzje w czasie rzeczywistym, game AI, itp. Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 112
Metody uczenia maszynowego: Regresja (liniowa, logistyczna, itd.) Oparte na przykładach (ang. Instance(case)- based): Drzewa decyzyjne Metody Bayes owskie Wykrywanie skupień (ang. Clustering) Oparte na regułach (ang. Rule-based) Sztuczne sieci neuronowe Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 113
ML vs. DL DL wymaga znacznie większej ilości danych i mocy obliczeniowej Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 114
Business Intelligence & Big Data DATA SCIENCE
Data Science / Data Scientist Nowa dyscyplina/zawód wywodzona od koncepcji Big Data (Gartner,2012) Stanowi ewolucyjne rozwinięcie Analizy/Analityka Danych przez położenie nacisku na pozyskiwanie danych z różnorodnych źródeł i umiejętności wyszukania/doboru danych i metod ich analizy do rozwiązywania nowych problemów W kategoriach zawodowych łączy wiedzę eksperta dziedzinowego ze skutecznym użyciem różnych metod analizy danych i umiejętnościami specjalisty IT w zakresie pozyskiwania, gromadzenie i przetwarzania danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 116
Data Science wg. Gartner a Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 117
Data Scientist wymagane umiejętności Ponadprzeciętna wiedza i umiejętności w zakresie technologii informatycznych, metod analizy danych i dziedziny wykorzystania Umiejętność samodzielnego formułowania i rozwiązywania problemów Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 118
Data Science punkty widzenia: Każda technologia może być wykorzystywana do różnych celów Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 119
Data Science 6 kroków http://www.grroups.com/blog/whats-the-difference-between-bi-analyst-and-data-scientist Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 120
Business Intelligence & Big Data PODSUMOWANIE
Przyszłość Big Data Rozwój metod analizy danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 122
Rozwój technologii IT Przyszłość Big Data Doskonalenie technik i metod zbierania, przechowania i udostępniania danych Wzrost mocy obliczeniowej (High Performance Computing) Nowe technologie: komputery kwantowe, optyczne, biologiczne, Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 123
Podsumowanie Rosnące znaczenie koncepcji BD w różnych dziedzinach życia Wiedza jako towar Wyzwania dla przyszłości: Stały rozwój = ciągłe kształcenie Problem wykluczenia cyfrowego Zagrożenia: Prywatność w czasach BD Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie 2018 124
DZIĘKUJĘ ZA UWAGĘ