Πως μπορούν να χρησιμοποιηθούν ιστορικά δεδομένα για την κατασκευή

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Πως μπορούν να χρησιμοποιηθούν ιστορικά δεδομένα για την κατασκευή"

Transcript

1 ΜΕΡΟΣ Α ΕΙΣΑΓΩΓΗ

2

3 ΚΕΦΑΛΑΙΟ 1 Εξόρυξη Δεδομένων

4 22 Η επανάσταση του ΚΡΙΟΥ 1.1 Εισαγωγή Το Data Mining αποτελεί μια νέα ερευνητική περιοχή, ραγδαία εξελισσόμενη, που είναι η τομή πολλών θεωριών και επιστημών, συμπεριλαμβανομένων της στατιστικής, των βάσεων δεδομένων, της τεχνητής νοημοσύνης, της βελτιστοποίησης, της αναγνώρισης σχεδίων κ.ά. Η αυξανόμενη προσοχή που δίνεται σήμερα, στο Data Mining, οφείλεται στο γεγονός ότι οι περισσότεροι άνθρωποι στις μέρες μας έχουν «βάσεις δεδομένων». Σημαντικό ρόλο στην εξέλιξη αυτή παίζουν δύο παράγοντες: το μειωμένο κόστος των ηλεκτρονικών υπολογιστών και των αποθηκευτικών μέσων και, η επιτυχία των συστημάτων βάσεων δεδομένων που αποτελούν «καθεστώς» σε πολλές δραστηριότητες στις επιστήμες, στις επιχειρήσεις και στην κρατική διοίκηση. Με την ευρεία χρήση των βάσεων δεδομένων και την εκρηκτική αύξηση των μεγεθών τους, ιδιώτες και οργανισμοί βρέθηκαν αντιμέτωποι με το πρόβλημα να καταστήσουν ωφέλιμα τα δεδομένα τους. Παραδοσιακά, η χρήση των δεδομένων περιοριζόταν σε ερωτήματα πάνω τους, από καλά σχεδιασμένες ε- φαρμογές και γεννήτριες αναφορών. Ενώ αυτή η χρήση είναι ικανοποιητική για μεγάλο αριθμό καλά οριζόμενων διαδικασιών, δεν υπήρχε σχεδιασμός για την υποστήριξη εξερεύνησης των δεδομένων, για συστήματα στήριξης αποφάσεων και διαχείρισης γνώσης. Σήμερα, που η συλλογή και η αποθήκευση δεδομένων έχει γίνει εύκολη και φτηνή, προκύπτουν νέες προκλήσεις: Μπορούν τα δεδομένα να βοηθήσουν μια εταιρία να αποκτήσει ανταγωνιστικά πλεονεκτήματα; Πως μπορούν να χρησιμοποιηθούν ιστορικά δεδομένα για την κατασκευή μοντέλων; Μπορεί να προβλεφθεί η συμπεριφορά τους; Οι προκλήσεις αυτές έγιναν ιδιαίτερα σημαντικές με την παρουσία τεράστιων όγκων δεδομένων. Μια μεγάλη βάση δεδομένων αντιπροσωπεύει ένα μεγάλο όγκο πληροφορίας που δεν μπορεί να καταστεί πολύτιμος με τα υπάρχοντα

5 Κεφ. 1 - Εξόρυξη Δεδομένων 23 συστήματα διαχείρισης, τα οποία δεν υποστηρίζουν εξερεύνηση, πλοήγηση, δημιουργία μοντέλων. Η παροχή αυτών των δυνατοτήτων και περισσότερων είναι ο στόχος της ερευνητικής περιοχής του Data Mining. Το Data Mining, σκοπό έχει, την ανακάλυψη της χρήσιμης πληροφορίας από μεγάλες συλλογές δεδομένων. Η ανακαλυπτόμενη γνώση μπορεί να έχει την μορφή κανόνων που περιγράφουν ιδιότητες των δεδομένων, μπορεί να είναι συχνά εμφανιζόμενα σχέδια είτε κατηγοριοποίηση των αντικειμένων σε βάσεις δεδομένων. 1.2 Ορισμός Ο ορισμός της έννοιας του Data Mining, αν και σχετικά νέας στον επιστημονικό και ερευνητικό χώρο, συναντά πολλές εκδοχές, οι περισσότερες εκ των οποίων, όμως, ξεκινούν από μια κοινή βάση: την ανακάλυψη πολύτιμης πληροφορίας. Data Mining είναι η διαδικασία που χρησιμοποιείται για την ανακάλυψη κρυμμένης πληροφορίας από σύνολα δεδομένων, με τέτοιο τρόπο ώστε αυτή να είναι κατανοητή και εύκολα εκμεταλλεύσιμη για τον κάτοχο τους. Παρακάτω παρατίθενται διάφοροι ορισμοί που απαντώνται στην σχετική βιβλιογραφία: Data mining είναι η ανάλυση (συχνά μεγάλων) συνόλων δεδομένων ώστε να ανακαλύψουμε σχέσεις που δεν υποψιαζόμαστε ότι υπάρχουν και να συνοψίσουμε τα δεδομένα με νέους τρόπους που να είναι εξίσου κατανοητά και χρήσιμα στον ιδιοκτήτη τους. Data mining είναι η εξαγωγή της υπονοούμενης, προηγουμένως άγνωστης και χρήσιμης πληροφορίας από τα δεδομένα. Data mining είναι η διαδικασία ανακάλυψης ενδιαφέρουσας γνώσης από μεγάλες ποσότητες δεδομένων που είναι αποθηκευμένα είτε σε βάσεις δεδομένων είτε σε αποθήκες δεδομένων είτε σε οποιαδήποτε άλλη αποθήκη πληροφορίας. Data Mining είναι η διαδικασία της εξερεύνησης και ανάλυσης, με αυτόματα μέσα, μεγάλων ποσοτήτων δεδομένων με σκοπό την ανακάλυψη σχεδίων με σημασία και κανόνων.

6 24 Η επανάσταση του ΚΡΙΟΥ 1.3 Ιστορικό Στις μέρες μας το Data Mining είναι πλέον θέμα, σε πολλά άρθρα σε περιοδικά πληροφορικής αλλά και σε περιοδικά επιχειρηματικού και οικονομικού ενδιαφέροντος. Ωστόσο, μόλις πριν λίγα χρόνια, ελάχιστοι άνθρωποι είχαν ακούσει τον όρο. Οι ρίζες του data mining ξεκινούν από την κλασική επιστήμη της στατιστικής. Χωρίς την στατιστική δεν θα μπορούσε να υπάρχει το Data Mining, καθώς η στατιστική είναι ο θεμέλιος λίθος των περισσότερων τεχνολογιών, πάνω στις οποίες χτίστηκε το Data Mining. Η κλασική στατιστική περιέχει θεωρίες όπως η ανάλυση παλινδρόμησης, η σταθερή κατανομή, η σταθερή απόκλιση, η α- νάλυση ομάδων και πολλές ακόμα, οι οποίες χρησιμοποιούνται για την μελέτη δεδομένων και σχέσεων μεταξύ αυτών. Είναι βέβαιο ότι η κλασική στατιστική παίζει βασικό ρόλο στα εργαλεία και στις τεχνικές του Data Mining στις μέρες μας. Σημαντικό ρόλο στην εξέλιξη του Data Mining είχε και η τεχνητή νοημοσύνη (artificial intelligence). Η τεχνητή νοημοσύνη δημιουργήθηκε ως το αντίπαλο δέος της στατιστικής, προσπαθώντας να εφαρμόσει στην επεξεργασία στατιστικών προβλημάτων, διαδικασίες ανθρώπινου τρόπου σκέψης. Επειδή η προσέγγιση αυτή απαιτούσε μεγάλη υπολογιστική ισχύ, ήταν πρακτικά αδύνατο να εφαρμοσθεί, έως τις αρχές της δεκαετίας του 80, όταν εμφανίσθηκαν οι πρώτοι ηλεκτρονικοί υπολογιστές με μεγάλη επεξεργαστική ικανότητα και λογικές τιμές. Η τεχνητή νοημοσύνη βρήκε εφαρμογή σε υψηλά επιστημονικά και κυβερνητικά επίπεδα, αλλά πολλές από τις αρχές της, υιοθετήθηκαν από εμπορικά προϊόντα, όπως κομμάτια που αφορούν βελτιστοποίηση ερωτημάτων για σχεσιακά συστήματα διαχείρισης βάσεων δεδομένων. Προάγγελο του Data Mining αποτέλεσε και η εκμάθηση μηχανής (machine learning), η οποία περιγράφεται, με μεγαλύτερη ακρίβεια, ως η ένωση της στατιστικής και της τεχνητής νοημοσύνης. Καθώς η τεχνητή νοημοσύνη δεν αποτέλεσε εμπορική επιτυχία, οι τεχνικές της, σε μεγάλο ποσοστό υιοθετήθηκαν από την εκμάθηση μηχανής. Η εκμάθηση μηχανής εκμεταλλευόμενη τις ολοένα και καλύτερες προσφορές υπολογιστών σε χαμηλές τιμές αλλά με μεγάλες δυνατότητες, βρήκε μεγαλύτερη εφαρμογή, επειδή η αρχική τιμή των προϊόντων της ήταν χαμηλότερη από αυτή της τεχνητής νοημοσύνης. Η εκμάθηση μηχανής μπορεί να θεωρηθεί ως η εξέλιξη της τεχνητής νοημοσύνης, επειδή χρησιμοποιεί ευρήματα της δεύτερης συνεπικουρούμενα από στατιστική ανάλυση και επικεντρώνεται στην εκμάθηση από τα προγράμματα υπολο-

7 Κεφ. 1 - Εξόρυξη Δεδομένων 25 γιστών των δεδομένων που μελετούν, έτσι ώστε τα προγράμματα να παίρνουν διαφορετικές αποφάσεις ανάλογα με την ποιότητα των δεδομένων που ερευνούνται, χρησιμοποιώντας στατιστική για θεμελιώδεις αρχές και προσθέτοντας πιο πλήρη ευρήματα τεχνητής νοημοσύνης και αλγόριθμους προκειμένου να πετύχει τους στόχους της. Το Data Mining, κατά μια έννοια, είναι η βασική προσαρμογή των τεχνικών εκμάθησης μηχανής σε εμπορικές εφαρμογές. Περιγράφεται καλύτερα ως η ένωση των ιστορικών και πρόσφατων ανακαλύψεων στην στατιστική, την τεχνητή νοημοσύνη και την εκμάθηση μηχανής. Αυτές οι τεχνικές, χρησιμοποιούνται μαζί για να μελετήσουν τα δεδομένα και να βρουν κρυμμένες τάσεις και σχέδια σε αυτά. Το Data Mining βρίσκει διαρκώς αυξανόμενη αποδοχή σε επιστημονικές και σε επιχειρηματικές περιοχές που απαιτούν την ανάλυση μεγάλων ποσοτήτων δεδομένων για την ανακάλυψη τάσεων, που σε άλλη περίπτωση δεν θα μπορούσαν να ανακαλυφθούν. 1.4 Χρήσεις Το Data Mining έχει πλέον ευρύ πεδίο εφαρμογής. Χαρακτηριστικά παραδείγματα χρήσης των εφαρμογών του είναι τα ακόλουθα: Εμπόριο Διαφήμιση: Το Data Mining χρησιμοποιείται για την αναγνώριση των αγοραστικών συνηθειών των πελατών, για την ανακάλυψη σχέσεων μεταξύ των πελατών και των προϊόντων, για την ανάλυση του καλαθιού αγοράς των πελατών καθώς και για την πρόβλεψη ανταπόκρισης των πελατών σε διαφημιστικές καμπάνιες. Τράπεζες: Η χρήση του Data Mining έγκειται στην αναγνώριση απάτης από χρήση πιστωτικών καρτών, στην ανακάλυψη πιστών πελατών, στην πρόβλεψη οικονομικών μεγεθών, στην παρακολούθηση μετακίνησης πελατών, στην πρόβλεψη απώλειας πελατών, στην ανακάλυψη κρυμμένων συσχετισμών μεταξύ τραπεζικών προϊόντων, στον ορισμό χρηματοοικονομικών κανόνων. Ασφάλεια και Υγεία: Οι εφαρμογές του Data Mining στοχεύουν στην πρόβλεψη αγοράς νέων ασφαλιστικών προϊόντων, στην αναγνώριση συμπεριφοράς «επικίνδυνων» πελατών, στην ανακάλυψη απάτης, στην ανάλυση απαιτήσεων πελατών. Μεταφορές: Το Data Mining συνεισφέρει στην ανάλυση των μετακινήσεων, στην καλύτερη εκμετάλλευση των δρομολογίων των μέσων μαζικής μεταφοράς.

8 26 Η επανάσταση του ΚΡΙΟΥ Φαρμακευτική: Εφαρμογές του Data Mining βοηθούν στον χαρακτηρισμό της συμπεριφοράς πελάτη για την πρόγνωση των επισκέψεων, στην αναγνώριση επιτυχών θεραπειών για διαφορετικές ασθένειες. Τα μέσα ενημέρωσης παίζουν και αυτά μεγάλο ρόλο στην προβολή επιτυχημένων παραδειγμάτων εφαρμογής και χρήσης Data Mining στον πραγματικό κόσμο. Στον επιστημονικό χώρο και συγκεκριμένα στον χώρο της αστρονομίας, σημειώθηκε αξιοσημείωτη επιτυχία από το σύστημα SKIGAT που χρησιμοποιήθηκε από τους επιστήμονες για την ανάλυση εικόνων και την κατηγοριοποίηση αντικειμένων του ουρανού από μια πλειάδα εικόνων. Στον επιχειρηματικό χώρο τα παραδείγματα είναι ακόμα περισσότερα. Σήμερα τα συστήματα που υιοθετούνται είναι αυτά που αναγνωρίζουν τις διαφορετικές ομάδες πελατών και προβλέπουν την συμπεριφορά τους. Στις Ηνωμένες Πολιτείες οι μισές επιχειρήσεις χρησιμοποιούν τέτοιου είδους συστήματα με καλά αποτελέσματα, ενώ και οι υπόλοιπες σκέφτονται να τα χρησιμοποιήσουν. Χαρακτηριστικό παράδειγμα η American Express που ανέφερε αύξηση 10%-15% στην χρήση των πιστωτικών καρτών, με την υιοθέτηση μεθόδων Data Mining για την ανάλυση των δεδομένων. 1.5 Διαδικασίες Ανακάλυψης Γνώσης Ο όρος Data Mining συχνά χρησιμοποιείται ως συνώνυμο όλης της διαδικασίας εξαγωγής χρήσιμης πληροφορίας από μια βάση δεδομένων, που ονομάζεται ανακάλυψη γνώσης (Knowledge Discovery) σε βάσεις δεδομένων. Η διαδικασία αυτή είναι γενικότερη και περιλαμβάνει και άλλα βήματα πλην του Data Mining. Το Data Mining είναι ένα βήμα της συνολικής διαδικασίας και συγκεκριμένα η εφαρμογή αλγορίθμων για την ανακάλυψη σχεδίων και κανόνων από τα δεδομένα. Η διαδικασία φαίνεται σχηματικά παρακάτω (Εικόνα 1):

9 Κεφ. 1 - Εξόρυξη Δεδομένων 27 Συλλογή Δεδομένων / Δείγμα Καθαρισμός/ Προεπεξεργασία Μετασχηματισμός / Προβολή Data Mining Δομές: Σχέδια και Μοντέλα Κριτήρια Υπολογισμού Αποθήκη Δεδομένων ΓΝΩΣΗ Εικόνα 1. Διαδικασία ανακάλυψης γνώσης Η διαδικασία ανακάλυψης γνώσης είναι διαδραστική και επαναληπτική. Περιλαμβάνει αρκετά βήματα και πολλές αποφάσεις λαμβάνονται από τον χρήστη. Τα βήματα είναι τα ακόλουθα : 1. Κατασκευή και κατανόηση του περιβάλλοντος της εφαρμογής: Στο σημείο αυτό λαμβάνεται υπόψη και προηγούμενη σχετική γνώση και καθορίζεται ο στόχος της διαδικασίας ανακάλυψης γνώσης από την οπτική ματιά του πελάτη. 2. Δημιουργία του στοχευόμενου συνόλου δεδομένων: Το βήμα αυτό εμπεριέχει την συλλογή των δεδομένων ή την εστίαση σε ένα υποσύνολο από μεταβλητές ή δείγμα των δεδομένων, πάνω στα οποία θα ε- πιχειρηθεί η ανακάλυψη.

10 28 Η επανάσταση του ΚΡΙΟΥ 3. Καθαρισμός και προεπεξεργασία των δεδομένων: Οι βασικές ενέργειες είναι η απαλοιφή του θορύβου αν κρίνεται απαραίτητο, η συλλογή της κατάλληλης πληροφορίας για την μέτρηση του θορύβου, η α- πόφαση για την στρατηγική που θα ακολουθηθεί για χαμένες τιμές δεδομένων. 4. Μετασχηματισμός και προβολή των δεδομένων: Σκοπός είναι η εύρεση χρήσιμων χαρακτηριστικών για την παρουσίαση των δεδομένων ανάλογα με τον στόχο της εργασίας. 5. Ταίριασμα των στόχων της διαδικασίας ανακάλυψης με μια συγκεκριμένο μέθοδο Data Mining, για παράδειγμα ταξινόμηση, παλινδρόμηση, ομαδοποίηση, κ.ά. 6. Επιλογή μοντέλων: Σε αυτό το βήμα επιλέγονται οι Data Mining αλγόριθμοι και οι μέθοδοι που θα χρησιμοποιηθούν. Η επιλογή των αλγορίθμων και των μεθόδων αποφασίζεται ανάλογα με τον τύπο των δεδομένων. Για παράδειγμα, διαφορετικοί αλγόριθμοι χρησιμοποιούνται για αριθμητικές μεταβλητές και άλλοι για λογικές μεταβλητές. 7. Data Mining: Έρευνα για ενδιαφέροντα και πολύτιμα σχέδια μεταξύ των δεδομένων. 8. Μετάφραση των σχεδίων που ανακαλύπτονται και επανάληψη ό- ποιων από τα πρώτα εφτά βήματα απαιτούνται. 9. Χρήση της γνώσης: Στο τελικό βήμα χρησιμοποιείται η γνώση που αποκτήθηκε είτε για την εξαγωγή χρήσιμων συμπερασμάτων, είτε για την αποθήκευση της σε συστήματα για μελλοντική χρήση, είτε για την εξαγωγή αναφορών και εκθέσεων στους ενδιαφερόμενους. Όπως τονίστηκε και προηγουμένως η παραπάνω διαδικασία μπορεί να περιλαμβάνει επαναλήψεις μεταξύ των βημάτων της. Ωστόσο το μεγαλύτερο βάρος εστιάζεται στο βήμα του Data Mining. Το στάδιο του Data Mining περιλαμβάνει επαναλαμβανόμενες εφαρμογές ξεχωριστών μεθόδων. Οι στόχοι της ανακάλυψης γνώσης ορίζονται από την χρήση του συστήματος. Μπορούν να διακριθούν δύο τύποι στόχων: πιστοποίηση, και ανακάλυψη Με στόχο την πιστοποίηση, το σύστημα είναι περιορισμένο να πιστοποιήσει τις υποθέσεις του χρήστη. Με στόχο την ανακάλυψη το σύστημα αυτόνομα,

11 Κεφ. 1 - Εξόρυξη Δεδομένων 29 βρίσκει νέα σχέδια. Ο στόχος της ανακάλυψης μπορεί να διαχωριστεί με την σειρά του σε δύο άλλους τύπους στόχων: πρόβλεψη, και περιγραφή Με στόχο την πρόβλεψη το σύστημα ανακαλύπτει σχέδια για την μελλοντική συμπεριφορά διάφορων οντοτήτων, ενώ με στόχο την περιγραφή το σύστημα ανακαλύπτει σχέδια για παρουσίαση, με ανθρώπινα κατανοητό τρόπο, στον χρήστη. Στην εικόνα 2, φαίνεται η κατηγοριοποίηση των τύπων στόχων ανακάλυψης γνώσης. Τύποι Στόχων Ανακάλυψης Γνώσης Πιστοποίηση Ανακάλυψη Πρόβλεψη Περιγραφή Εικόνα 2. Κατηγοριοποίηση τύπων στόχων ανακάλυψης γνώσης 1.6. Βασικές μέθοδοι Data Mining Οι περισσότερες Data Mining μέθοδοι βασίζονται σε δοκιμασμένες και ελεγμένες τεχνικές από την εκμάθηση μηχανής, την αναγνώριση σχεδίων και την στατιστική, όπως ταξινόμηση, ομαδοποίηση, παλινδρόμηση, κ.ά. Ενδεχομένως στην βιβλιογραφία να αναφέρεται πλήθος μεθόδων και αλγορίθμων, ω- στόσο στην πραγματικότητα το σύνολο τους, βασίζεται σε μερικές θεμελιώδεις μεθόδους. Οι βασικές μέθοδοι είναι οι ακόλουθες:

12 30 Η επανάσταση του ΚΡΙΟΥ Ταξινόμηση Ταξινόμηση είναι η αποτύπωση ενός αντικειμένου δεδομένου, σε μια από πολλές κλάσεις που έχουν προηγουμένως ορισθεί. Παραδείγματα μεθόδων ταξινόμησης χρησιμοποιούνται ως κομμάτια σε εφαρμογές ανακάλυψης γνώσης που περιλαμβάνουν κατατάξεις (ταξινομήσεις) τάσεων σε οικονομικές αγορές καθώς και στον αυτόματο εντοπισμό αντικειμένων που έχουν ενδιαφέρον σε μεγάλη βάση δεδομένων εικόνων Παλινδρόμηση Παλινδρόμηση είναι η αποτύπωση ενός αντικειμένου δεδομένου, σε μια, πραγματικής τιμής, μεταβλητή πρόγνωσης. Υπάρχουν πολλές εφαρμογές παλινδρόμησης, όπως για παράδειγμα ο υπολογισμός της πιθανότητας που έχει ένας ασθενής να επιζήσει δοθέντων των αποτελεσμάτων ενός συνόλου διαγνωστικών ελέγχων, η πρόβλεψη της απαίτησης των πελατών για ένα νέο προϊόν ως συνάρτηση μιας διαφημιστικής δαπάνης, καθώς και η πρόγνωση χρονικών σειρών όπου οι μεταβλητές εισόδου μπορεί να είναι χρονικές καθυστερήσεις της μεταβλητής πρόγνωσης Ομαδοποίηση Ομαδοποίηση είναι μια συνηθισμένη εργασία όπου κάποιος ψάχνει να αναγνωρίσει ένα πεπερασμένο σύνολο κατηγοριών ή ομάδων που περιγράφουν τα δεδομένα. Οι κατηγορίες πρέπει να είναι αμοιβαία αποκλειστικές και πλήρεις. Παραδείγματα εφαρμογών ομαδοποίησης περιλαμβάνουν την ανακάλυψη ο- μογενών υποσυνόλων καταναλωτών σε εμπορικές βάσεις δεδομένων Σύνοψη Η σύνοψη περιλαμβάνει μεθόδους για την εύρεση συμπαγών περιγραφών για ένα υποσύνολο δεδομένων. Ένα απλό παράδειγμα είναι η ταξινόμηση σε πίνακες των μέσων και της σταθερής απόκλισης για όλα τα πεδία. Περισσότερο σύνθετο παράδειγμα είναι η ανακάλυψη λειτουργικών σχέσεων ανάμεσα σε μεταβλητές Μοντελοποίηση εξαρτήσεων Η μοντελοποίηση εξαρτήσεων περιέχει την εύρεση μοντέλων που περιγράφουν σημαντικές εξαρτήσεις μεταξύ μεταβλητών. Τα μοντέλα εξαρτήσεων υπάρχουν σε δύο επίπεδα:

13 Κεφ. 1 - Εξόρυξη Δεδομένων Το δομικό επίπεδο ενός μοντέλου, προδιαγράφει (συχνά με γραφικό τρόπο) ποιες μεταβλητές είναι τοπικά εξαρτημένες μεταξύ τους, και 2. Το ποσοτικό επίπεδο ενός μοντέλου, προδιαγράφει την ισχύ των εξαρτήσεων χρησιμοποιώντας αριθμητική κλίμακα. Για παράδειγμα, πιθανοτικά δίκτυα εξάρτησης χρησιμοποιούν υπό συνθήκη ανεξαρτησία για να προδιαγράψουν το δομικό επίπεδο ενός μοντέλου και πιθανότητες για να προδιαγράψουν το ποσοτικό επίπεδο Ανίχνευση αλλαγών και αποκλίσεων Η ανίχνευση αλλαγών και αποκλίσεων εστιάζει στην ανακάλυψη των πιο σημαντικών αλλαγών σε δεδομένα από τις προηγούμενες μετρήσιμες τιμές. 1.7 Βασικές τεχνικές Data Mining Υπάρχει μεγάλη ποικιλία τεχνικών Data Mining. Οι δημοφιλέστερες εξ αυτών είναι οι κάτωθι: Δέντρα αποφάσεων και κανόνες Τα δέντρα αποφάσεων και οι κανόνες έχουν μια απλουστευμένη μορφή αναπαράστασης, τέτοιας που κάνει το εξαγόμενο μοντέλο πολύ εύκολο στην κατανόηση του από τον χρήστη. Ένας μεγάλος αριθμός από αλγόριθμους δέντρων απόφασης και κανόνων περιγράφεται στη βιβλιογραφία της εκμάθησης μηχανής και της εφαρμοσμένης στατιστικής Μη γραμμική παλινδρόμηση και μέθοδοι ταξινόμησης Αυτές οι μέθοδοι περιέχουν μια οικογένεια από τεχνικές για πρόγνωση, οι ο- ποίες προσαρμόζουν γραμμικούς και μη γραμμικούς συνδυασμούς μιας βασικής συνάρτησης σε συνδυασμούς των μεταβλητών εισόδου. Παραδείγματα τέτοιων τεχνικών είναι τύποι νευρωνικών δικτύων Μέθοδοι βασισμένες στο παράδειγμα Η αναπαράσταση είναι απλή και έχει να κάνει με την χρήση αντιπροσωπευτικών παραδειγμάτων από την βάση δεδομένων για την προσέγγιση του μοντέλου. Αυτό σημαίνει, προγνώσεις σε νέα παραδείγματα που προκύπτουν από ιδιότητες παρόμοιων παραδειγμάτων σε μοντέλο του οποίου η πρόγνωση είναι γνωστή. Οι τεχνικές αυτές περιλαμβάνουν τον αλγόριθμο ταξινόμησης του

14 32 Η επανάσταση του ΚΡΙΟΥ κοντινότερου γείτονα και αλγόριθμους παλινδρόμησης και επιπλέον, συστήματα αιτιολόγησης ανά περίπτωση Μοντέλα πιθανοτικής γραφικής εξάρτησης Τα γραφικά μοντέλα προδιαγράφουν πιθανές εξαρτήσεις χρησιμοποιώντας γραφική δομή. Στην απλή τους μορφή, τα μοντέλα προσδιορίζουν ποιες μεταβλητές έχουν απ ευθείας εξάρτηση μεταξύ τους. 1.8 Υφιστάμενη κατάσταση Data Mining Με βάση έρευνα που διεξήχθη το 2007, προέκυψαν πολλά ενδιαφέροντα στοιχεία για την σημερινή κατάσταση στο χώρο του data mining Ταυτότητα της έρευνας Στην έρευνα αυτή συμμετείχε ομάδα πεπειραμένων data miners, με τα ακόλουθα βασικά χαρακτηριστικά: o 40% κάτοχοι μεταπτυχιακού o 29% κάτοχοι διδακτορικού o 9% κάτοχοι ΜΒΑ o 3% κάτοχοι πανεπιστημιακού διπλώματος ή πτυχίου, κ.ά. Παράλληλα, η ενασχόλησή τους με το data mining, ποικίλει, όπως φαίνεται παρακάτω: o 24% πάνω από 10 χρόνια. o 30% μεταξύ 6 και 10 χρόνια o 32% μεταξύ 2 και 5 χρόνια, κ.ά. Οι ίδιοι οι ερωτώμενοι απαντούν ως προς το αντικείμενο της εργασίας τους, ότι είναι: o 46% data miners / data analysts (αναλυτές δεδομένων) o 12% ερευνητές o 12% business analysts (επιχειρησιακοί αναλυτές) o 3% προγραμματιστές, κ.ά.. Από ερωτήματα πολλαπλής απάντησης, προέκυψε ότι τα μεγέθη των data sets που χρησιμοποίησαν ποικίλουν, όπως φαίνεται ακολούθως:

15 Κεφ. 1 - Εξόρυξη Δεδομένων 33 o 48% αξιοποίησε τουλάχιστον ένα data set με περισσότερο από εγγραφές, ενώ, o 58% αξιοποίησε data sets με πάνω από εγγραφές. Στην ερώτηση σε τι επιχειρήσεις πεδίο αξιοποιήθηκαν τα δεδομένα, οι απαντήσεις έδειξαν: o 51% CRM / Marketing o 36% Οικονομικά (Financial) o 30% Ακαδημαϊκά (Acaddemic) o 17% Τηλεπικοινωνίες (Telecommunications) o 16% Λιανική (Retail) Αποτελέσματα της έρευνας Οι βασικές μέθοδοι data mining που χρησιμοποιούνται φαίνονται στον πίνακα 1 Πίνακας 1. Μέθοδοι data mining που χρησιμοποιούνται σήμερα % Μέθοδος 89% Μοντέλα Πρόβλεψης 77% Ομαδοποίηση 39% Πρόγνωση/Χρονοσειρές 33% Ανάλυση καλαθιού αγοράς 28% Text Mining 23% Outlier Detection 13% Κανόνες Συσχέτισης 7% Άλλη Αντίστοιχα οι πλέον χρησιμοποιούμενοι αλγόριθμοι εξόρυξης δεδομένων α- πεικονίζονται στον πίνακα 2. Σημαντικό εύρημα είναι και οι λόγοι για τους οποίους ο data miner επιλέγει ένα συγκεκριμένο εργαλείο. Οι λόγοι αυτοί κατά σειρά σπουδαιότητας, φαίνονται παρακάτω: o Ανεξαρτησία / Σταθερότητα του εργαλείου o Δυνατότητα χειρισμού μεγάλου όγκου δεδομένων o Τεχνικές χειρισμού δεδομένων o Ποιότητα αποτελέσματος / ευκολία μετάφρασης

16 34 Η επανάσταση του ΚΡΙΟΥ Πίνακας 2. Αλγόριθμοι data mining που χρησιμοποιούνται σήμερα % Αλγόριθμος 79% Δέντρα Αποφάσεων 77% Παλινδρόμηση 72% Cluster Analysis 42% Νευρωνικά Δίκτυα 36% Κανόνες Συσχέτισης 36% Factor Analysis 31% Χρονοσειρές 23% Bayesian 20% Support Vector Machines (SVM) 18% Bundling (boosting/bagging, etc.) 18% Rule induction 16% Survival Analysis 11% Other 10% Γεννετικοί αλγόριθμοι 9% Link Analysis o Δυνατότητα να αυτοματοποιεί επαναληπτικές εργασίες o Ταχύτητα o Το εργαλείο περιέχει μια συγκεκριμένη τεχνική που χρειάζομαι o Ποικιλία διαθέσιμων αλγόριθμων o Ευκολία σκοραρίσματος μοντέλων σε άλλα data sets o Ευκολία χρήσης o Κόστος εργαλείου o Δυνατότητα τροποποίησης των options των αλγορίθμων o Προσωπική πείρα / Οικειότητα o Δυνατότητα εφαρμογής εξόρυξης απ ευθείας στη βάση δεδομένων o Ποιότητα εγχειριδίων χρήσης o Δυνατότητα συγγραφής προσωπικού κώδικα o Ποιότητα γραφικού περιβάλλοντος εργασίας o Συμβατότητα με άλλες εφαρμογές o Δυνατότητα επεξεργασίας δεδομένων με ροές (batches) o Ποιότητα γραφικών

17 Κεφ. 1 - Εξόρυξη Δεδομένων 35 o Συμβατότητα με άλλους συναδέλφους o Το εργαλείο είναι ευρέως χρησιμοποιούμενο. Μετά τα κριτήρια επιλογής εργαλείου εξόρυξης δεδομένων, στον πίνακα 3 φαίνονται τα πλέον δημοφιλή εργαλεία data mining, με βάση τον βαθμό χρήσης τους. Πίνακας 3. Δημοφιλέστερα εργαλεία Data Mining Εργαλείο Ποτέ Περιστασιακά Συχνά SPSS 52% 18% 30% Your own code 55% 18% 27% SPSS Clementine 57% 8% 35% SAS 59% 14% 27% R 77% 16% 7% SAS Enterprise Miner 77% 12% 11% C4.5 / C5.0 / See5 78% 13% 9% Weka 79% 13% 9% Other free tool 81% 11% 8% Other commercial tool 83% 8% 9% Oracle Data Mining 87% 9% 3% Plus (Insightful) 90% 8% 2% Salford Systems CART, MARS, TreeNet, Random Forests 89% 8% 2% Quadstone / Portrait Software 91% 4% 5% KXEN 94% 5% 1% Unica (Affinium Model) 94% 5% 1% Angoss KnowledgeSTUDIO / KnowledgeSEEKER 95% 4% 1% Statistica (Statsoft) 95% 4% 1% Teradata 95% 4% 1% Fair Isaac (Model Builder) 97% 2% 1% Insightful Miner 97% 2% 1% Chordiant 98% 1% 1% SAP 98% 1% 1% ThinkAnalytics 99% 1% 0%

18 36 Η επανάσταση του ΚΡΙΟΥ Τέλος, το πλέον καίριο κατά τη γνώμη μου εύρημα είναι οι προκλήσεις που αντιμετωπίζουν σήμερα οι data miners. Οι προκλήσεις αυτές φαίνονται στον πίνακα 4. Πίνακας 4. Προκλήσεις που αντιμετωπίζουν οι data miners % Πρόκληση 76% Dirty data 51% Μη διαθεσιμότητα / δυσκολία πρόσβασης στα δεδομένα 51% Εξήγηση του data mining σε άλλους 36% Εύρεση ικανών data miners 31% Ανάγκη συνεργασίας με Πληροφορική 26% Περιορισμοί των εργαλείων 24% Πολιτικές επιχείρησης/ Έλλειψη διευθυντικής υποστήριξης 23% Τα data mining αποτελέσματα δεν χρησιμοποιούνται από τους business decision makers 22% Δυσκολίες στο deployment/scoring 19% Προσαρμογή data mining λύσης σε όλη την βάση δεδομένων 18% Ζητήματα μυστικότητας (privacy)

Η ΕΠΑΝΑΣΤΑΣΗ ΤΟΥ ΚΡΙΟΥ

Η ΕΠΑΝΑΣΤΑΣΗ ΤΟΥ ΚΡΙΟΥ Βασίλης Γ. Αγγέλης Δρ. Μηχανικός Η/Υ και Πληροφορικής Η ΕΠΑΝΑΣΤΑΣΗ ΤΟΥ ΚΡΙΟΥ Μετατρέψτε τα δεδομένα σας σε κέρδος Αθήνα Κάθε γνήσιο αντίγραφο έχει την υπογραφή του συγγραφέα Έκδοση 1 η, Copyright 2007

Διαβάστε περισσότερα

Κεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 20 Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Τεχνητή Νοηµοσύνη, B' Έκδοση - 1 - Ανακάλυψη Γνώσης σε

Διαβάστε περισσότερα

Κεφάλαιο 1 ο. Διοίκηση και διαχείριση της ψηφιακής επιχείρησης

Κεφάλαιο 1 ο. Διοίκηση και διαχείριση της ψηφιακής επιχείρησης Κεφάλαιο 1 ο Διοίκηση και διαχείριση της ψηφιακής επιχείρησης Διδακτικοί στόχοι Να αναλυθεί ο ρόλος των πληροφοριακών συστημάτων στο επιχειρηματικό περιβάλλον Ναοριστείτοπληροφοριακόσύστημα, η ορολογία

Διαβάστε περισσότερα

Στόχος της ψυχολογικής έρευνας:

Στόχος της ψυχολογικής έρευνας: Στόχος της ψυχολογικής έρευνας: Συστηματική περιγραφή και κατανόηση των ψυχολογικών φαινομένων. Η ψυχολογική έρευνα χρησιμοποιεί μεθόδους συστηματικής διερεύνησης για τη συλλογή, την ανάλυση και την ερμηνεία

Διαβάστε περισσότερα

Managing Information. Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business. e-mail: kyritsis@ist.edu.

Managing Information. Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business. e-mail: kyritsis@ist.edu. Managing Information Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business e-mail: kyritsis@ist.edu.gr Διαχείριση Γνώσης Knowledge Management Learning Objectives Ποιοί

Διαβάστε περισσότερα

ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ. Μάθημα 1 ο : Εισαγωγή στην γλωσσική τεχνολογία. Γεώργιος Πετάσης. Ακαδημαϊκό Έτος: 2012 2013

ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ. Μάθημα 1 ο : Εισαγωγή στην γλωσσική τεχνολογία. Γεώργιος Πετάσης. Ακαδημαϊκό Έτος: 2012 2013 ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ Μάθημα 1 ο : Εισαγωγή στην γλωσσική τεχνολογία Γεώργιος Πετάσης Ακαδημαϊκό Έτος: 2012 2013 ΤMHMA MHXANIKΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ, Πανεπιστήμιο Πατρών, 2012 2013 Τι είναι η γλωσσική τεχνολογία;

Διαβάστε περισσότερα

Η συνολική εικόνα. Ποιοτική Αναβάθμιση δεδομένων. Λογισμικό Επικοινωνιών DATA WAREHOUSE. Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός

Η συνολική εικόνα. Ποιοτική Αναβάθμιση δεδομένων. Λογισμικό Επικοινωνιών DATA WAREHOUSE. Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός Η συνολική εικόνα Τοπικές Βάσεις Βάσεις Κεντρικών Συστημάτων Βάσεις Τρίτων Ποιοτική Αναβάθμιση δεδομένων Λογισμικό Επικοινωνιών DATA WAREHOUSE Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός Warehouse

Διαβάστε περισσότερα

Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης

Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης Μάθημα 4 ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2016-2017 Διευρυμένη Υπολογιστική Νοημοσύνη (ΥΝ) Επεκτάσεις της Κλασικής ΥΝ. Μεθοδολογίες

Διαβάστε περισσότερα

Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου

Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων Δρ. Ε. Χάρου Πρόγραμμα υπολογιστικής ευφυίας Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ ΔΗΜΟΚΡΙΤΟΣ exarou@iit.demokritos.gr Μηχανική

Διαβάστε περισσότερα

Μέρος Β /Στατιστική. Μέρος Β. Στατιστική. Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua.

Μέρος Β /Στατιστική. Μέρος Β. Στατιστική. Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua. Μέρος Β /Στατιστική Μέρος Β Στατιστική Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua.gr/gpapadopoulos) Από τις Πιθανότητες στη Στατιστική Στα προηγούμενα, στο

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΕΤΡΙΑ. Ενότητα 2: Παλινδρόμηση. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά)

ΟΙΚΟΝΟΜΕΤΡΙΑ. Ενότητα 2: Παλινδρόμηση. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 2: Παλινδρόμηση. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.

Διαβάστε περισσότερα

Είδη Groupware. Λογισμικό Συνεργασίας Ομάδων (Groupware) Λογισμικό Groupware. Υπάρχουν διάφορα είδη groupware ανάλογα με το αν οι χρήστες εργάζονται:

Είδη Groupware. Λογισμικό Συνεργασίας Ομάδων (Groupware) Λογισμικό Groupware. Υπάρχουν διάφορα είδη groupware ανάλογα με το αν οι χρήστες εργάζονται: Μάθημα 10 Συστήματα Διάχυσης και Διαχείρισης Γνώσης Chapter 10 Knowledge Transfer In The E-world Chapter 13 Knowledge Management Tools and Knowledge Portals Συστήματα Διάχυσης και Διαχείρισης Γνώσης Λογισμικό

Διαβάστε περισσότερα

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ. ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ. ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ ΤΕΙ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ ΓΙΑΝΝΗΣ ΦΑΝΟΥΡΓΙΑΚΗΣ ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΣΥΝΕΡΓΑΤΗΣ ΤΕΙ ΚΡΗΤΗΣ ΔΟΜΗ ΠΑΡΟΥΣΙΑΣΗΣ 1. Εισαγωγή

Διαβάστε περισσότερα

Ο ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET

Ο ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET Ο ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET Το Μοντέλο της Συμπεριφοράς των Καταναλωτών στο Η.Ε. Τύποι Καταναλωτών ανεξάρτητοι και μεμονωμένοι καταναλωτές, στους οποίους στοχεύουν τα ΜΜΕ οργανισμοί-αγοραστές αγοραστές

Διαβάστε περισσότερα

Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα Τεχνητή Νοημοσύνη (Artificial Intelligence) Ανάπτυξη μεθόδων και τεχνολογιών για την επίλυση προβλημάτων στα οποία ο άνθρωπος υπερέχει (?) του υπολογιστή Συλλογισμοί

Διαβάστε περισσότερα

Τεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας

Τεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας Τεχνικές Μείωσης Διαστάσεων Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας 1 Εισαγωγή Το μεγαλύτερο μέρος των δεδομένων που καλούμαστε να επεξεργαστούμε είναι πολυδιάστατα.

Διαβάστε περισσότερα

ΟΜΑΔΑ Λ. Αναστασίου Κωνσταντίνος Δεληγιάννη Ισαβέλλα Ζωγοπούλου Άννα Κουκάκης Γιώργος Σταθάκη Αρετιάννα

ΟΜΑΔΑ Λ. Αναστασίου Κωνσταντίνος Δεληγιάννη Ισαβέλλα Ζωγοπούλου Άννα Κουκάκης Γιώργος Σταθάκη Αρετιάννα ΟΜΑΔΑ Λ Αναστασίου Κωνσταντίνος Δεληγιάννη Ισαβέλλα Ζωγοπούλου Άννα Κουκάκης Γιώργος Σταθάκη Αρετιάννα ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ Τι είναι η βιοπληροφορική; Αποκαλείται ο επιστημονικός κλάδος ο οποίος προέκυψε από

Διαβάστε περισσότερα

Θεμελιώδεις Αρχές Συστημάτων Βάσεων Δεδομένων

Θεμελιώδεις Αρχές Συστημάτων Βάσεων Δεδομένων Θεμελιώδεις Αρχές Συστημάτων Βάσεων Δεδομένων Β. Μεγαλοοικονόμου Εισαγωγή στην Εξόρυξη Δεδομένων Γενική Επισκόπηση- Σχεσιακό μοντέλο Σχεσιακό Μοντέλο -SQL Συναρτησιακές εξαρτήσεις & Κανονικοποίηση Φυσικός

Διαβάστε περισσότερα

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Κατηγορίες Πληροφοριακών Συστημάτων Διοικητικής Υποστήριξης

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Κατηγορίες Πληροφοριακών Συστημάτων Διοικητικής Υποστήριξης ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Κατηγορίες Πληροφοριακών Συστημάτων Διοικητικής Υποστήριξης 1 ΕΙΣΑΓΩΓΗ (1) Ταξινόμηση ΠΣ ανάλογα με τις λειτουργίες που υποστηρίζουν: Συστήματα Επεξεργασίας Συναλλαγών ΣΕΣ (Transaction

Διαβάστε περισσότερα

Μεθοδολογίες Αξιοποίησης Δεδομένων

Μεθοδολογίες Αξιοποίησης Δεδομένων Μεθοδολογίες Αξιοποίησης Δεδομένων Βλάχος Σ. Ιωάννης Λέκτορας 407/80, Ιατρικής Σχολής Πανεπιστημίου Αθηνών Εργαστήριο Πειραματικής Χειρουργικής και Χειρουργικής Ερεύνης «Ν.Σ. Σ Χρηστέας» Στάδια Αξιοποίησης

Διαβάστε περισσότερα

Η Oracle ανακοίνωσε την πιο ολοκληρωμένη λύση στον τομέα της Ανάλυσης δεδομένων στο Cloud

Η Oracle ανακοίνωσε την πιο ολοκληρωμένη λύση στον τομέα της Ανάλυσης δεδομένων στο Cloud Η Oracle ανακοίνωσε την πιο ολοκληρωμένη λύση στον τομέα της Ανάλυσης δεδομένων στο Cloud Το Oracle Analytics Cloud αποτελεί ένα ολοκληρωμένο σύνολο δυνατοτήτων που περιλαμβάνει έτοιμο περιεχόμενο, εξειδικευμένα

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 5. Κύκλος Ζωής Εφαρμογών ΕΝΟΤΗΤΑ 2. Εφαρμογές Πληροφορικής. Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών

ΚΕΦΑΛΑΙΟ 5. Κύκλος Ζωής Εφαρμογών ΕΝΟΤΗΤΑ 2. Εφαρμογές Πληροφορικής. Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών 44 Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών Διδακτικοί στόχοι Σκοπός του κεφαλαίου είναι οι μαθητές να κατανοήσουν τα βήματα που ακολουθούνται κατά την ανάπτυξη μιας εφαρμογής.

Διαβάστε περισσότερα

Διοικητική Επιστήμη. Ενότητα # 3: ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΚΑΙ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ. Διδάσκων: Μανασάκης Κωνσταντίνος

Διοικητική Επιστήμη. Ενότητα # 3: ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΚΑΙ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ. Διδάσκων: Μανασάκης Κωνσταντίνος ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Διοικητική Επιστήμη Ενότητα # 3: ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΚΑΙ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ Διδάσκων: Μανασάκης Κωνσταντίνος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Τα κείμενα και τα διαγράμματα της

Διαβάστε περισσότερα

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΘΕΩΡΙΑ ΚΑΙ ΕΦΑΡΜΟΓΗ ΤΟΥ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΣΤΗ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ (1)

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΘΕΩΡΙΑ ΚΑΙ ΕΦΑΡΜΟΓΗ ΤΟΥ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΣΤΗ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ (1) ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΘΕΩΡΙΑ ΚΑΙ ΕΦΑΡΜΟΓΗ ΤΟΥ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΣΤΗ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ (1) 1 Προέλευση και ιστορία της Επιχειρησιακής Έρευνας Αλλαγές στις επιχειρήσεις Τέλος του 19ου αιώνα: βιομηχανική

Διαβάστε περισσότερα

Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων

Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση

Διαβάστε περισσότερα

Ενότητα 3: Διαχείριση πληροφοριακών πόρων με τη χρήση βάσεων δεδομένων

Ενότητα 3: Διαχείριση πληροφοριακών πόρων με τη χρήση βάσεων δεδομένων Ενότητα 3: Διαχείριση πληροφοριακών πόρων με τη χρήση βάσεων δεδομένων YouTube Ιδρύθηκε το 2005 Στόχος του ήταν να δημιουργήσει μία παγκόσμια κοινότητα Βάση δεδομένων βίντεο Μέσα σε ένα χρόνο από τη δημιουργία

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ Δ.Π.Μ.Σ: «Εφαρμοσμένες Μαθηματικές Επιστήμες» 2008

Διαβάστε περισσότερα

ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΕΦΗΣ ΑΝΑΛΥΣΗ Επιχειρηματική Μοντελοποίηση. Ιωάννης Σταμέλος Βάιος Κολοφωτιάς Πληροφορική

ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΕΦΗΣ ΑΝΑΛΥΣΗ Επιχειρηματική Μοντελοποίηση. Ιωάννης Σταμέλος Βάιος Κολοφωτιάς Πληροφορική ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΕΦΗΣ ΑΝΑΛΥΣΗ Επιχειρηματική Μοντελοποίηση Ιωάννης Σταμέλος Βάιος Κολοφωτιάς Πληροφορική Θεσσαλονίκη, Σεπτέμβριος 2013 Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης

Διαβάστε περισσότερα

Εξόρυξη Γνώσης από εδοµένα (data mining)

Εξόρυξη Γνώσης από εδοµένα (data mining) Εξόρυξη νώσης από εδοµένα (data mining) Ε.Κ.Ε.Φ.Ε. ηµόκριτος Ινστ. Πληροφορικής και Τηλεπικοινωνιών εώργιος Παλιούρας Email: paliourg@iit.demokritos.gr WWW: http://www.iit.demokritos.gr/~paliourg Περιεχόµενα

Διαβάστε περισσότερα

Αλεξάνδρειο ΣΕΙ Θεσσαλονίκης 1. Σμήμα Διοίκησης Επιχειρήσεων 2. Σμήμα Μηχανικών Πληροφορικής

Αλεξάνδρειο ΣΕΙ Θεσσαλονίκης 1. Σμήμα Διοίκησης Επιχειρήσεων 2. Σμήμα Μηχανικών Πληροφορικής Εξόρυξη γνώσης από σχόλια σε τουριστικές ιστοσελίδες και παραγοντική ανάλυση του αισθήματος ικανοποίησης των πελατών για το ξενοδοχείο τους Γιώργος ταλίδης 1, Παναγιώτης ταλίδης 2, Κώστας Διαμαντάρας 2

Διαβάστε περισσότερα

ΕΠΛ 003.3: ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Για οικονομολόγους

ΕΠΛ 003.3: ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Για οικονομολόγους ΕΠΛ 003.3: ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Για οικονομολόγους Στόχοι 1 Να εξετάσουμε γιατί η Πληροφορική είναι χρήσιμη στην οικονομική επιστήμη. Να μάθουμε πώς χρησιμοποιείται η Πληροφορική

Διαβάστε περισσότερα

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ ΔΕΔΟΜΕΝΑ ΔΕΔΟΜΕΝΑ ΠΛΗΡΟΦΟΡΙΑ ΑΡΙΘΜΟΙ ΣΥΜΒΟΛΑ - ΛΕΞΕΙΣ ΟΠΟΙΑΔΗΠΟΤΕ ΔΡΑΣΤΗΡΙΟΤΗΤΑ ΣΥΜΒΑΙΝΕΙ ΣΕ ΜΙΑ ΟΙΚΟΝΟΜΙΚΗ ΜΟΝΑΔΑ ΠΡΕΠΕΙ ΝΑ ΜΕΤΡΕΙΤΑΙ ΚΑΙ ΝΑ ΚΑΤΑΓΡΑΦΕΤΑΙ ΟΡΓΑΝΩΣΗ ΚΑΤΑΓΡΑΦΗΣ

Διαβάστε περισσότερα

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 7: Ομαδοποίηση Μέρος Α Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση ΚΕΦΑΛΑΙΟ 18 18 Μηχανική Μάθηση Ένα φυσικό ή τεχνητό σύστηµα επεξεργασίας πληροφορίας συµπεριλαµβανοµένων εκείνων µε δυνατότητες αντίληψης, µάθησης, συλλογισµού, λήψης απόφασης, επικοινωνίας και δράσης

Διαβάστε περισσότερα

Μηχανική Λογισμικού για Διαδικτυακές & Φορητές Εφαρμογές

Μηχανική Λογισμικού για Διαδικτυακές & Φορητές Εφαρμογές Μεταπτυχιακό Δίπλωμα Ειδίκευσης Μηχανική Λογισμικού για Διαδικτυακές & Φορητές Εφαρμογές Δρ. Κακαρόντζας Γεώργιος Επίκουρος Καθηγητής Τμ. Μηχανικών Πληροφορικής Τ.Ε. Μηχανική Λογισμικού για Διαδικτυακές

Διαβάστε περισσότερα

ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΧΡΟΝΟΣΗΜΑΣΜΕΝΩΝ, ΑΚΟΛΟΥΘΙΑΚΩΝ, ΣΥΝΘΕΤΩΝ ΤΥΠΩΝ ΔΕΔΟΜΕΝΩΝ

ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΧΡΟΝΟΣΗΜΑΣΜΕΝΩΝ, ΑΚΟΛΟΥΘΙΑΚΩΝ, ΣΥΝΘΕΤΩΝ ΤΥΠΩΝ ΔΕΔΟΜΕΝΩΝ ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΧΡΟΝΟΣΗΜΑΣΜΕΝΩΝ, ΑΚΟΛΟΥΘΙΑΚΩΝ, ΣΥΝΘΕΤΩΝ ΤΥΠΩΝ ΔΕΔΟΜΕΝΩΝ Δομή παρουσίασης Εισαγωγή Βασικές Έννοιες Σχετικές μελέτες Εφαρμογή Δεδομένων Συμπεράσματα Εισαγωγή Μελέτη και προσαρμογή των διάφορων

Διαβάστε περισσότερα

CRM Υλοποίηση Εφαρμογής: Λύσεις και Πλεονεκτήματα

CRM Υλοποίηση Εφαρμογής: Λύσεις και Πλεονεκτήματα CRM Υλοποίηση Εφαρμογής: Λύσεις και Πλεονεκτήματα AVECON ΠΑΡΑΓΩΓΗ ΑΝΑΠΤΥΞΗ ΚΑΙ ΠΡΟΩΘΗΣΗ ΠΡΟΪΟΝΤΩΝ ΛΟΓΙΣΜΙΚΟΥ ΠΛΗΡΟΦΟΡΙΚΗΣ Α.Ε. Πατησίων 339 Άνω Πατήσια ΤΚ 111 44 Τηλ. 210.2011934 Fax 210.2011527 www.avecon.gr

Διαβάστε περισσότερα

723 Τεχνολογίας Πληροφορικής και Τηλεπικοινωνιών ΤΕΙ Λάρισας

723 Τεχνολογίας Πληροφορικής και Τηλεπικοινωνιών ΤΕΙ Λάρισας 723 Τεχνολογίας Πληροφορικής και Τηλεπικοινωνιών ΤΕΙ Λάρισας Το Τμήμα Τεχνολογίας Πληροφορικής και Τηλεπικοινωνιών του ΤΕΙ Λάρισας ιδρύθηκε με το Προεδρικό Διάταγμα 200/1999 (ΦΕΚ 179 06/09/99), με πρώτο

Διαβάστε περισσότερα

Μάρκετινγκ Επιχειρήσεων Λιανικής Πώλησης

Μάρκετινγκ Επιχειρήσεων Λιανικής Πώλησης Μάρκετινγκ Επιχειρήσεων Λιανικής Πώλησης Ενότητα 2: Διανομή Θεοδωρίδης Προκόπης Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης Επιχειρήσεων Αγροτικών Προϊόντων & Τροφίμων (Δ.Ε.Α.Π.Τ.) Σκοποί

Διαβάστε περισσότερα

Pegasus ERP Start Up 738,00. Δυνατότητες Pegasus

Pegasus ERP Start Up 738,00. Δυνατότητες Pegasus Pegasus ERP Start Up 738,00 Σε ποιούς απευθύνεται: Το Pegasus Erp Start up απευθύνεται στο 60 % τον εμπορικών επιχειρήσεων που θέλουν να κάνουν το πρώτο βήμα στην μηχανοργάνωση της επιχείρησής τους. Είναι

Διαβάστε περισσότερα

Ζητήματα ηήμ με τα δεδομένα

Ζητήματα ηήμ με τα δεδομένα Ζητήματα ηήμ με τα δεδομένα Ποιότητα Απαλοιφή θορύβου Εντοπισμός ανωμαλιών λώ Ελλιπείς τιμές Μετασχηματισμός Κβάντωση Μείωση μεγέθους Γραμμών: ειγματοληψία Στηλών: Ιδιοδιανύσματα, Επιλογή χαρακτηριστικών

Διαβάστε περισσότερα

Διαδικασίες παραγωγής λογισμικού. Βασικές αρχές Τεχνολογίας Λογισμικού, 8η αγγ. έκδοση

Διαδικασίες παραγωγής λογισμικού. Βασικές αρχές Τεχνολογίας Λογισμικού, 8η αγγ. έκδοση Διαδικασίες παραγωγής λογισμικού Περιεχόμενα Παρουσίαση μοντέλων διεργασίας ανάπτυξης λογισμικού Περιγραφή τριών γενικών μοντέλων διεργασίας ανάπτυξης λογισμικού Γενική περιγραφή των διαδικασιών που περιλαμβάνονται

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΗ-ΕΠΙΧΕΙΡΗΜΑΤΙΚΗ ΣΥΝΕΡΓΑΣΙΑ (ΠΕΣ)

ΠΑΝΕΠΙΣΤΗΜΙΑΚΗ-ΕΠΙΧΕΙΡΗΜΑΤΙΚΗ ΣΥΝΕΡΓΑΣΙΑ (ΠΕΣ) ΠΑΝΕΠΙΣΤΗΜΙΑΚΗ-ΕΠΙΧΕΙΡΗΜΑΤΙΚΗ ΣΥΝΕΡΓΑΣΙΑ (ΠΕΣ) Το Κέντρο Ερευνών Science-to-Marketing του Munster University (Γερμανία) πραγματοποίησε έρευνα με θέμα τη συνεργασία μεταξύ Πανεπιστημίων και επιχειρήσεων,

Διαβάστε περισσότερα

Συστήματα Πληροφοριών Διοίκησης

Συστήματα Πληροφοριών Διοίκησης ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Τεχνολογικό Εκπαιδευτικό Ίδρυμα Πειραιά Συστήματα Πληροφοριών Διοίκησης Ενότητα 2: Γενική θεώρηση και κατάταξη συστημάτων πληροφοριών διοίκησης Διονύσιος Γιαννακόπουλος, Καθηγητής Τμήμα

Διαβάστε περισσότερα

Ηλεκτρονικό Εμπόριο. Ενότητα 6: Διαχείριση Σχέσεων με Πελάτες Σαπρίκης Ευάγγελος Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά)

Ηλεκτρονικό Εμπόριο. Ενότητα 6: Διαχείριση Σχέσεων με Πελάτες Σαπρίκης Ευάγγελος Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Ηλεκτρονικό Εμπόριο Ενότητα 6: Διαχείριση Σχέσεων με Πελάτες Σαπρίκης Ευάγγελος Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.

Διαβάστε περισσότερα

ΕΠΙΔΡΩΝΤΕΣ ΠΑΡΑΓΟΝΤΕΣ ΣΤΗ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ ΜΑΡΚΕΤΙΝΓΚ

ΕΠΙΔΡΩΝΤΕΣ ΠΑΡΑΓΟΝΤΕΣ ΣΤΗ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ ΜΑΡΚΕΤΙΝΓΚ Η ΛΕΙΤΟΥΡΓΙΑ ΤΟΥ ΜΑΡΚΕΤΙΝΓΚ Το Μάρκετινγκ αποτελεί μια βασική επιχειρηματική λειτουργία που έχει στόχο την ανάπτυξη, την οργάνωση και των έλεγχο ανταλλακτικών διαδικασιών μεταξύ της επιχείρησης και των

Διαβάστε περισσότερα

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Μαρίνος Θεμιστοκλέους Email: mthemist@unipi.gr Ανδρούτσου 150 Γραφείο 206 Τηλ. 210 414 2723 Ώρες Γραφείου: Δευτέρα 11-12 AM Πληροφοριακά Συστήματα (ΠΣ) Information Systems (IS) Ορισμός

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων

HMY 795: Αναγνώριση Προτύπων HMY 795: Αναγνώριση Προτύπων Διάλεξη 3 Επιλογή μοντέλου Επιλογή μοντέλου Θεωρία αποφάσεων Επιλογή μοντέλου δεδομένα επικύρωσης Η επιλογή του είδους του μοντέλου που θα χρησιμοποιηθεί σε ένα πρόβλημα (π.χ.

Διαβάστε περισσότερα

Περιεχόμενο του μαθήματος

Περιεχόμενο του μαθήματος ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Απαιτήσεις Λογισμικού Περιπτώσεις χρήσης Δρ Βαγγελιώ Καβακλή Τμήμα Πολιτισμικής Τεχνολογίας και Επικοινωνίας Πανεπιστήμιο Αιγαίου Εαρινό Εξάμηνο 2012-2013 1 Περιεχόμενο του μαθήματος

Διαβάστε περισσότερα

ΜΑΘΗΜΑ: ΜΑΡΚΕΤΙΝΓΚ ΠΡΟΙΌΝΤΩΝ ΞΥΛΟΥ ΚΑΙ ΕΠΙΠΛΟΥ ΜΑΡΚΕΤΙΝΓΚ

ΜΑΘΗΜΑ: ΜΑΡΚΕΤΙΝΓΚ ΠΡΟΙΌΝΤΩΝ ΞΥΛΟΥ ΚΑΙ ΕΠΙΠΛΟΥ ΜΑΡΚΕΤΙΝΓΚ ΕΡΓΑΣΤΗΡΙΟ ΕΦΑΡΜΟΣΜΕΝΟΥ ΜΑΡΚΕΤΙΝΓΚ ΔΙΟΙΚΗΣΗΣ & ΟΙΚΟΝΟΜΙΑΣ ΜΑΘΗΜΑ: ΜΑΡΚΕΤΙΝΓΚ ΠΡΟΙΌΝΤΩΝ ΞΥΛΟΥ ΚΑΙ ΕΠΙΠΛΟΥ Έρευνα μάρκετινγκ Τιμολόγηση Ανάπτυξη νέων προϊόντων ΜΑΡΚΕΤΙΝΓΚ Τμηματοποίηση της αγοράς Κανάλια

Διαβάστε περισσότερα

Κασταλία Σύστηµα στοχαστικής προσοµοίωσης υδρολογικών µεταβλητών

Κασταλία Σύστηµα στοχαστικής προσοµοίωσης υδρολογικών µεταβλητών Εθνικό Μετσόβιο Πολυτεχνείο Τοµέας Υδατικών Πόρων, Υδραυλικών και Θαλάσσιων Έργων Κασταλία Σύστηµα στοχαστικής προσοµοίωσης υδρολογικών µεταβλητών. Κουτσογιάννης Α. Ευστρατιάδης Φεβρουάριος 2002 Εισαγωγή

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 1. ΕΙ Η Ε ΟΜΕΝΩΝ, ΣΥΛΛΟΓΗ, ΚΩ ΙΚΟΠΟΙΗΣΗ ΚΑΙ ΕΙΣΑΓΩΓΗ

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 1. ΕΙ Η Ε ΟΜΕΝΩΝ, ΣΥΛΛΟΓΗ, ΚΩ ΙΚΟΠΟΙΗΣΗ ΚΑΙ ΕΙΣΑΓΩΓΗ ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 1. ΕΙ Η Ε ΟΜΕΝΩΝ, ΣΥΛΛΟΓΗ, ΚΩ ΙΚΟΠΟΙΗΣΗ ΚΑΙ ΕΙΣΑΓΩΓΗ Βασικές µορφές Ερωτήσεων - απαντήσεων Ανοιχτές Κλειστές Κλίµακας ΕΛΕΥΘΕΡΙΟΣ ΑΓΓΕΛΗΣ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΑΠΘ 2 Ανοιχτές ερωτήσεις Ανοιχτές

Διαβάστε περισσότερα

Πίνακας περιεχομένων. Μέρος 1ο ΑΝΤΑΓΩΝΙΣΤΙΚΟ ΠΛΕΟΝΕΚΤΗΜΑ ΜΕΣΩ ΤΩΝ LOGISTICS

Πίνακας περιεχομένων. Μέρος 1ο ΑΝΤΑΓΩΝΙΣΤΙΚΟ ΠΛΕΟΝΕΚΤΗΜΑ ΜΕΣΩ ΤΩΝ LOGISTICS Πίνακας περιεχομένων Εισαγωγικό Σημείωμα Ελληνικής Έκδοσης..............................................17 Εισαγωγικό σημείωμα................................................................ 19 Ευχαριστίες

Διαβάστε περισσότερα

Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος

Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΡΟΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑ: ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ ΔΙΑΔΙΚΑΣΙΕΣ ΠΑΡΑΓΩΓΗΣ ΛΟΓΙΣΜΙΚΟΥ Διδάσκων: Γ. Χαραλαμπίδης,

Διαβάστε περισσότερα

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το

Διαβάστε περισσότερα

Πληροφορική (BSc & MSc)

Πληροφορική (BSc & MSc) ς Πληροφορική (BSc & MSc) www.nup.ac.cy ΠΡΟΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ Πτυχίο στην Εφαρμοσμένη Πληροφορική BSc in Applied Informatics Περιγραφή Προγράμματος Στόχος του Προπτυχιακού Προγράμματος στην Εφαρμοσμένη

Διαβάστε περισσότερα

ICAP GROUP S.A. ΑΝΑΘΕΩΡΗΣΗ ΜΑΚΡΟΟΙΚΟΝΟΜΙΚΩΝ ΥΠΟΔΕΙΓΜΑΤΩΝ

ICAP GROUP S.A. ΑΝΑΘΕΩΡΗΣΗ ΜΑΚΡΟΟΙΚΟΝΟΜΙΚΩΝ ΥΠΟΔΕΙΓΜΑΤΩΝ ICAP GROUP S.A. ΑΝΑΘΕΩΡΗΣΗ ΜΑΚΡΟΟΙΚΟΝΟΜΙΚΩΝ ΥΠΟΔΕΙΓΜΑΤΩΝ Φεβρουάριος 2015 1 Table of Contents ΔΙΟΙΚΗΤΙΚΗ ΠΕΡΙΛΗΨΗ... 3 1. ΕΙΣΑΓΩΓΗ... 4 2. ΑΝΑΘΕΩΡΗΣΗ ΜΑΚΡΟΟΙΚΟΝΟΜΙΚΩΝ ΜΟΝΤΕΛΩΝ... 4 2.1 ΔΕΔΟΜΕΝΑ... 4 2.1.1

Διαβάστε περισσότερα

ΑΚΑΔΗΜΙΑ ΤΩΝ ΠΟΛΙΤΩΝ

ΑΚΑΔΗΜΙΑ ΤΩΝ ΠΟΛΙΤΩΝ ΑΚΑΔΗΜΙΑ ΤΩΝ ΠΟΛΙΤΩΝ Αστική Μη Κερδοσκοπική Εταιρεία- ISO 9001 Σαπφούς 3, 81100 Μυτιλήνη (1ος Όροφος) 2251054739 (09:00-14:30) academy@aigaion.org civilacademy.ucoz.org «ΠΡΟΓΡΑΜΜΑ ΜΕΘΟΔΟΛΟΓΙΑΣ ΕΡΕΥΝΑΣ

Διαβάστε περισσότερα

219 Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Θεσσαλονίκης

219 Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Θεσσαλονίκης 219 Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Θεσσαλονίκης Το Τμήμα Ηλεκτρολόγων Μηχανικών ιδρύθηκε με το ΒΔ.400/72 και άρχισε να λειτουργεί το 1972-73. Το ΑΠΘ είχε τότε ήδη 28.000 φοιτητές. Η ακριβής

Διαβάστε περισσότερα

A ΕΠΑ.Λ ΕΦΑΡΜΟΓΕΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 5 η ΕΝΟΤΗΤΑ: ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ. Εκπαιδευτικοί: ΓΑΛΑΝΟΣ ΓΕΩΡΓΙΟΣ ΜΠΟΥΣΟΥΝΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ

A ΕΠΑ.Λ ΕΦΑΡΜΟΓΕΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 5 η ΕΝΟΤΗΤΑ: ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ. Εκπαιδευτικοί: ΓΑΛΑΝΟΣ ΓΕΩΡΓΙΟΣ ΜΠΟΥΣΟΥΝΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ A ΕΠΑ.Λ ΕΦΑΡΜΟΓΕΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 5 η ΕΝΟΤΗΤΑ: ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Εκπαιδευτικοί: ΓΑΛΑΝΟΣ ΓΕΩΡΓΙΟΣ ΜΠΟΥΣΟΥΝΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ 1 Βάση Δεδομένων: Με το όρο Βάση Δεδομένων εννοούμε ένα σύνολο δεδομένων που είναι οργανωμένο

Διαβάστε περισσότερα

ΕΠΙΔΡΑΣΗ ΤΗΣ ΟΙΚΟΝΟΜΙΚΗΣ ΚΡΙΣΗΣ ΣΤΙΣ ΑΓΟΡΑΣΤΙΚΕΣ ΤΑΣΕΙΣ ΤΩΝ ΕΛΛΗΝΩΝ ΚΑΤΑΝΑΛΩΤΩΝ ΑΠΟ ΤΟ ΔΙΑΔΙΚΤΥΟ

ΕΠΙΔΡΑΣΗ ΤΗΣ ΟΙΚΟΝΟΜΙΚΗΣ ΚΡΙΣΗΣ ΣΤΙΣ ΑΓΟΡΑΣΤΙΚΕΣ ΤΑΣΕΙΣ ΤΩΝ ΕΛΛΗΝΩΝ ΚΑΤΑΝΑΛΩΤΩΝ ΑΠΟ ΤΟ ΔΙΑΔΙΚΤΥΟ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ Πτυχιακή Εργασία ΕΠΙΔΡΑΣΗ ΤΗΣ ΟΙΚΟΝΟΜΙΚΗΣ ΚΡΙΣΗΣ ΣΤΙΣ ΑΓΟΡΑΣΤΙΚΕΣ ΤΑΣΕΙΣ ΤΩΝ ΕΛΛΗΝΩΝ ΚΑΤΑΝΑΛΩΤΩΝ ΑΠΟ ΤΟ ΔΙΑΔΙΚΤΥΟ Γκιπάλη Δώρα, A.M. 7795 Καρρά

Διαβάστε περισσότερα

1. ΓΕΝΙΚΟΙ ΚΑΝΟΝΕΣ ΚΑΙ ΠΡΟΥΠΟΘΕΣΕΙΣ ΛΗΨΗΣ ΠΤΥΧΙΟΥ

1. ΓΕΝΙΚΟΙ ΚΑΝΟΝΕΣ ΚΑΙ ΠΡΟΥΠΟΘΕΣΕΙΣ ΛΗΨΗΣ ΠΤΥΧΙΟΥ 1. ΓΕΝΙΚΟΙ ΚΑΝΟΝΕΣ ΚΑΙ ΠΡΟΥΠΟΘΕΣΕΙΣ ΛΗΨΗΣ ΠΤΥΧΙΟΥ Ισχύει ένα πρόγραμμα σπουδών από τον Οκτώβριο του 2013. Για να πάρει κάποιος πτυχίο από το 2014 κι έπειτα απαιτείται να πληροί όλους τους παρακάτω όρους:

Διαβάστε περισσότερα

«Καθοριστικοί παράγοντες της αποτελεσματικότητας της από στόμα-σε-στόμα επικοινωνίας στις ιστοσελίδες κοινωνικής δικτύωσης»

«Καθοριστικοί παράγοντες της αποτελεσματικότητας της από στόμα-σε-στόμα επικοινωνίας στις ιστοσελίδες κοινωνικής δικτύωσης» «Καθοριστικοί παράγοντες της αποτελεσματικότητας της από στόμα-σε-στόμα επικοινωνίας στις ιστοσελίδες κοινωνικής δικτύωσης» Ονοματεπώνυμο: Ταχταρά Κατερίνα Σειρά: 8 η Επιβλέπων Καθηγητής: Βρεχόπουλος Αδάμ

Διαβάστε περισσότερα

Που πάνε τα στοιχεία (data) μας; Κίνδυνοι από τρίτους φορείς

Που πάνε τα στοιχεία (data) μας; Κίνδυνοι από τρίτους φορείς Που πάνε τα στοιχεία (data) μας; Κίνδυνοι από τρίτους φορείς Παναγιώτης Δρούκας Πρόεδρος ISACA Athens Chapter CISA, CRISC, CGEIT, COBIT 5 (f) 2η Ημερίδα Εσωτερικού Ελέγχου 19 Μαΐου 2016 1 Περιεχόμενα Εισαγωγή

Διαβάστε περισσότερα

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος xi 1 Αντικείμενα των Πιθανοτήτων και της Στατιστικής 1 1.1 Πιθανοτικά Πρότυπα και Αντικείμενο των Πιθανοτήτων, 1 1.2 Αντικείμενο της Στατιστικής, 3 1.3 Ο Ρόλος των Πιθανοτήτων

Διαβάστε περισσότερα

ΕΠΙΜΕΛΗΤΗΡΙΟ ΗΡΑΚΛΕΙΟΥ ΕΡΕΥΝΑ ΓΙΑ ΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΣΥΓΚΥΡΙΑ ΚΑΙ ΤΙΣ ΕΠΙΠΤΩΣΕΙΣ ΤΩΝ CAPITAL CONTROLS ΣΤΙΣ ΜΜΕ

ΕΠΙΜΕΛΗΤΗΡΙΟ ΗΡΑΚΛΕΙΟΥ ΕΡΕΥΝΑ ΓΙΑ ΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΣΥΓΚΥΡΙΑ ΚΑΙ ΤΙΣ ΕΠΙΠΤΩΣΕΙΣ ΤΩΝ CAPITAL CONTROLS ΣΤΙΣ ΜΜΕ ΕΡΕΥΝΑ ΓΙΑ ΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΣΥΓΚΥΡΙΑ ΚΑΙ ΤΙΣ ΕΠΙΠΤΩΣΕΙΣ ΤΩΝ CAPITAL CONTROLS ΣΤΙΣ ΜΜΕ ΗΡΑΚΛΕΙΟ ΑΥΓΟΥΣΤΟΣ 2015 ΕΡΕΥΝΑ ΓΙΑ ΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΣΥΓΚΥΡΙΑ ΚΑΙ ΤΙΣ ΕΠΙΠΤΩΣΕΙΣ ΤΩΝ CAPITAL CONTROLS ΣΤΙΣ ΜΜΕ Περιεχόμενα

Διαβάστε περισσότερα

Πιο συγκεκριμένα, η χρήση του MATLAB προσφέρει τα ακόλουθα πλεονεκτήματα.

Πιο συγκεκριμένα, η χρήση του MATLAB προσφέρει τα ακόλουθα πλεονεκτήματα. i Π Ρ Ο Λ Ο Γ Ο Σ Το βιβλίο αυτό αποτελεί μια εισαγωγή στα βασικά προβλήματα των αριθμητικών μεθόδων της υπολογιστικής γραμμικής άλγεβρας (computational linear algebra) και της αριθμητικής ανάλυσης (numerical

Διαβάστε περισσότερα

Υπολογιστικό Πρόβληµα

Υπολογιστικό Πρόβληµα Υπολογιστικό Πρόβληµα Μετασχηµατισµός δεδοµένων εισόδου σε δεδοµένα εξόδου. Δοµή δεδοµένων εισόδου (έγκυρο στιγµιότυπο). Δοµή και ιδιότητες δεδοµένων εξόδου (απάντηση ή λύση). Τυπικά: διµελής σχέση στις

Διαβάστε περισσότερα

215 Μηχανικών Η/Υ και Πληροφορικής Πάτρας

215 Μηχανικών Η/Υ και Πληροφορικής Πάτρας 215 Μηχανικών Η/Υ και Πληροφορικής Πάτρας Το Τμήμα ασχολείται με τη διδασκαλία και την έρευνα στην επιστήμη και τεχνολογία των υπολογιστών και τη μελέτη των εφαρμογών τους. Το Τμήμα ιδρύθηκε το 1980 (ως

Διαβάστε περισσότερα

Σχεδίαση Λογισμικού. Σημείωση

Σχεδίαση Λογισμικού. Σημείωση Το έργο υλοποιείται στο πλαίσιο του υποέργου 2 με τίτλο «Ανάπτυξη έντυπου εκπαιδευτικού υλικού για τα νέα Προγράμματα Σπουδών» της Πράξης «Ελληνικό Ανοικτό Πανεπιστήμιο» η οποία έχει ενταχθεί στο Επιχειρησιακό

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ. Βασικές Ενότητες... 19 Πρόσθετες Ενότητες... 19. Entry... 17. Start... 12 Λογιστικές Εφαρμογές... 13. xline ERP ATLANTIS ERP

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ. Βασικές Ενότητες... 19 Πρόσθετες Ενότητες... 19. Entry... 17. Start... 12 Λογιστικές Εφαρμογές... 13. xline ERP ATLANTIS ERP 3 ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ Βασικές Ενότητες... 5 Πρόσθετες Ενότητες... 6 Entry... 7 Start... 8 Λογιστικές Εφαρμογές... 8 xline ERP Βασικές Ενότητες... 9 Πρόσθετες Ενότητες... 10 Entry... 11 Start... 12 Λογιστικές

Διαβάστε περισσότερα

ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ

ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ 1. ΓΕΝΙΚΑ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ & ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΕΘΝΟΥΣ ΕΜΠΟΡΙΟΥ ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 4 ο ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ ΔΙΟΙΚΗΣΗ ΔΙΕΘΝΩΝ ΕΜΠΟΡΙΚΩΝ ΣΥΝΑΛΛΑΓΩΝ

Διαβάστε περισσότερα

Η διάρκεια πραγματοποίησης της ανοιχτής εκπαιδευτικής πρακτικής ήταν 2 διδακτικές ώρες

Η διάρκεια πραγματοποίησης της ανοιχτής εκπαιδευτικής πρακτικής ήταν 2 διδακτικές ώρες ΣΧΟΛΕΙΟ Η εκπαιδευτική πρακτική αφορούσε τη διδασκαλία των μεταβλητών στον προγραμματισμό και εφαρμόστηκε σε μαθητές της τελευταίας τάξης ΕΠΑΛ του τομέα Πληροφορικής στα πλαίσια του μαθήματος του Δομημένου

Διαβάστε περισσότερα

Αποτίμηση Επιχειρήσεων Σύνολο- Περιεχόμενο Μαθήματος

Αποτίμηση Επιχειρήσεων Σύνολο- Περιεχόμενο Μαθήματος Αποτίμηση Επιχειρήσεων Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για

Διαβάστε περισσότερα

Αναγνώριση Προτύπων Ι

Αναγνώριση Προτύπων Ι Αναγνώριση Προτύπων Ι Ενότητα 3: Στοχαστικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες

Διαβάστε περισσότερα

τρόπος για να εμπεδωθεί η θεωρία. Για την επίλυση των παραδειγμάτων χρησιμοποιούνται στατιστικά πακέτα, ώστε να είναι δυνατή η ανάλυση μεγάλου όγκου

τρόπος για να εμπεδωθεί η θεωρία. Για την επίλυση των παραδειγμάτων χρησιμοποιούνται στατιστικά πακέτα, ώστε να είναι δυνατή η ανάλυση μεγάλου όγκου ΠΡΟΛΟΓΟΣ Η γραμμική παλινδρόμηση χρησιμοποιείται για την μελέτη των σχέσεων μεταξύ μετρήσιμων μεταβλητών. Γενικότερα, η γραμμική στατιστική συμπερασματολογία αποτελεί ένα ευρύ πεδίο της στατιστικής ανάλυσης

Διαβάστε περισσότερα

Οργάνωση και Διοίκηση Πωλήσεων

Οργάνωση και Διοίκηση Πωλήσεων Οργάνωση και Διοίκηση Πωλήσεων Ενότητα 4: Η ΠΡΟΒΛΕΨΗ ΠΩΛΗΣΕΩΝ Αθανασιάδης Αναστάσιος Τμήμα Εφαρμογών Πληροφορικής στη Διοίκηση και Οικονομία Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες

Διαβάστε περισσότερα

B2B ΗΛΕΚΤΡΟΝΙΚΟ ΕΜΠΟΡΙΟ ΜΕΡΟΣ Β

B2B ΗΛΕΚΤΡΟΝΙΚΟ ΕΜΠΟΡΙΟ ΜΕΡΟΣ Β B2B ΗΛΕΚΤΡΟΝΙΚΟ ΕΜΠΟΡΙΟ ΜΕΡΟΣ Β Ηλεκτρονική Αγορά Προσανατολισμένη σς Ενδιάμεσους : Η περίπτωση PART της BOEING Η Boeing στην προκειμένη περίπτωση, παίζει το ρόλο ενδιάμεσου στην παροχή ανταλλακτικών συντήρησης

Διαβάστε περισσότερα

Β.δ Επιλογή των κατάλληλων εμπειρικών ερευνητικών μεθόδων

Β.δ Επιλογή των κατάλληλων εμπειρικών ερευνητικών μεθόδων Β.δ Επιλογή των κατάλληλων εμπειρικών ερευνητικών μεθόδων Νίκος Ναγόπουλος Για τη διεξαγωγή της κοινωνικής έρευνας χρησιμοποιούνται ποσοτικές ή/και ποιοτικές μέθοδοι που έχουν τις δικές τους τεχνικές και

Διαβάστε περισσότερα

ΤΟ ΤΑΞΙΔΙ ΤΗΣ ΝΕΑΣ ΓΕΝΙΑΣ ΖΗΡΙΔΗ ΠΡΟΣ ΤΗ ΠΟΙΟΤΗΤΑ

ΤΟ ΤΑΞΙΔΙ ΤΗΣ ΝΕΑΣ ΓΕΝΙΑΣ ΖΗΡΙΔΗ ΠΡΟΣ ΤΗ ΠΟΙΟΤΗΤΑ ΤΟ ΤΑΞΙΔΙ ΤΗΣ ΝΕΑΣ ΓΕΝΙΑΣ ΖΗΡΙΔΗ ΠΡΟΣ ΤΗ ΠΟΙΟΤΗΤΑ ΟΡΟΣΗΜΑ 1998 - Πιστοποίηση κατά ISO 9001 2002 Εγκαίνια νέων «οικολογικών» εγκαταστάσεων στα Σπάτα Αττικής 2003 - Πιστοποίηση Committed to Excellence του

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΡΟΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑ: ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ ΜΟΝΤΕΛΑ ΣΥΣΤΗΜΑΤΟΣ Διδάσκων: Γ. Χαραλαμπίδης, Επ. Καθηγητής

Διαβάστε περισσότερα

Εργαστήριο Ασφάλειας Πληροφοριακών και Επικοινωνιακών Συστημάτων Πανεπιστήμιο Αιγαίου. Μέτρα ανωνυμίας και τεχνικές διασφάλισης της Ιδιωτικότητας

Εργαστήριο Ασφάλειας Πληροφοριακών και Επικοινωνιακών Συστημάτων Πανεπιστήμιο Αιγαίου. Μέτρα ανωνυμίας και τεχνικές διασφάλισης της Ιδιωτικότητας Εργαστήριο Ασφάλειας Πληροφοριακών και Επικοινωνιακών Συστημάτων Πανεπιστήμιο Αιγαίου Μέτρα ανωνυμίας και τεχνικές διασφάλισης της Ιδιωτικότητας Π. Ριζομυλιώτης 24/1/2012 1 Πρόγραμμα εργασιών 9/12: (9.00-11.00,

Διαβάστε περισσότερα

ΔΕΙΓΜΑ ΠΡΙΝ ΤΙΣ ΔΙΟΡΘΩΣΕΙΣ

ΔΕΙΓΜΑ ΠΡΙΝ ΤΙΣ ΔΙΟΡΘΩΣΕΙΣ ΠΕΡΙΕΧOΜΕΝΑ Πρόλογος στη δεύτερη έκδοση Πρόλογος στην πρώτη έκδοση Εισαγωγή Τι είναι η μεθοδολογία έρευνας Οι μέθοδοι έρευνας ΜEΡOΣ A : ΓNΩΡΙΜΙΑ ΜΕ ΤΗΝ ΕΠΙΣΤΗΜOΝΙΚΗ ΕΡΓΑΣΙΑ ΚΕΦΑΛΑΙO 1: Γενικά για την επιστημονική

Διαβάστε περισσότερα

Εκπαιδευτική Έρευνα: Μέθοδοι Συλλογής και Ανάλυσης εδομένων. Επιμέλεια: Άγγελος Μάρκος, Λέκτορας ΠΤ Ε, ΠΘ

Εκπαιδευτική Έρευνα: Μέθοδοι Συλλογής και Ανάλυσης εδομένων. Επιμέλεια: Άγγελος Μάρκος, Λέκτορας ΠΤ Ε, ΠΘ Εκπαιδευτική Έρευνα: Μέθοδοι Συλλογής και Ανάλυσης εδομένων Επιμέλεια: Άγγελος Μάρκος, Λέκτορας ΠΤ Ε, ΠΘ Περιεχόμενο μαθήματος (γενικά) Μέρος Ι: Εισαγωγή στην Εκπαιδευτική Έρευνα Μέρος ΙΙ: Ποσοτικές Προσεγγίσεις

Διαβάστε περισσότερα

Ποιοτικοί Δείκτες Υπηρεσιών Βιβλιοθηκών και Διαχείριση Πόρων: Μεθοδολογίες Ανάλυσης και στρατηγικός σχεδιασμός.

Ποιοτικοί Δείκτες Υπηρεσιών Βιβλιοθηκών και Διαχείριση Πόρων: Μεθοδολογίες Ανάλυσης και στρατηγικός σχεδιασμός. 15 ο Πανελλήνιο Συνέδριο Ακαδημαϊκών Βιβλιοθηκών (Πάτρα: 1-3 Νοεμβρίου 2006) Ποιοτικοί Δείκτες Υπηρεσιών Βιβλιοθηκών και Διαχείριση Πόρων: Μεθοδολογίες Ανάλυσης και στρατηγικός σχεδιασμός. Αριστείδης Μελετίου

Διαβάστε περισσότερα

Προγράμματα Κατάρτισης από την ITMC A.E.

Προγράμματα Κατάρτισης από την ITMC A.E. Ι Τ Μ C Α. Ε. Σ Υ Μ Β Ο Υ Λ Ο Ι Ε Π Ι Χ Ε Ι Ρ Η Σ Ε Ω Ν INNOVATION, TECHNOLOGY & MAΝAGEMENT CONSULTANTS «Στόχος μας είναι ο μετασχηματισμός των εταιρικών πελατών μας σε δυναμικούς, αποτελεσματικούς και

Διαβάστε περισσότερα

ΚΑΤΑΝΟΜΗ ΜΑΘΗΜΑΤΩΝ ΣΤΑ ΕΞΑΜΗΝΑ

ΚΑΤΑΝΟΜΗ ΜΑΘΗΜΑΤΩΝ ΣΤΑ ΕΞΑΜΗΝΑ ΚΑΤΑΝΟΜΗ ΜΑΘΗΜΑΤΩΝ ΣΤΑ ΕΞΑΜΗΝΑ Θ = ΘΕΩΡΙΑ Ε = ΕΡΓΑΣΤΗΡΙΟ Σ = ΣΥΝΟΛΟ ΔΜ = ΔΙΔΑΚΤΙΚΕΣ ΜΟΝΑΔΕΣ ECTS = ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ 1 ο ΕΞΑΜΗΝΟ Α ΕΤΟΣ 1ΚΠ01 Μαθηματική Ανάλυση Ι 4 1 5 5 5 1ΚΠ02 Γραμμική Άλγεβρα 4 5

Διαβάστε περισσότερα

Βασικές Ενότητες... 18 Πρόσθετες Ενότητες... 18. Entry... Start... Λογιστικές Εφαρμογές... Βασικές Ενότητες... Πρόσθετες Ενότητες...

Βασικές Ενότητες... 18 Πρόσθετες Ενότητες... 18. Entry... Start... Λογιστικές Εφαρμογές... Βασικές Ενότητες... Πρόσθετες Ενότητες... ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ ERP Βασικές Ενότητες... Πρόσθετες Ενότητες... Entry... Start... Λογιστικές Εφαρμογές... 4 5 6 7 7 xline ERP Βασικές Ενότητες... Πρόσθετες Ενότητες... Entry... Start... Λογιστικές Εφαρμογές...

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ ΜEΡOΣ A : ΓNΩΡΙΜΙΑ ΜΕ ΤΗΝ ΕΠΙΣΤΗΜOΝΙΚΗ ΕΡΓΑΣΙΑ

ΠΕΡΙΕΧΟΜΕΝΑ ΜEΡOΣ A : ΓNΩΡΙΜΙΑ ΜΕ ΤΗΝ ΕΠΙΣΤΗΜOΝΙΚΗ ΕΡΓΑΣΙΑ ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος στη δεύτερη έκδοση........................................... 13 Πρόλογος στην πρώτη έκδοση............................................ 17 Εισαγωγή................................................................

Διαβάστε περισσότερα

Περιγραφική Στατιστική. Ακαδ. Έτος 2012-2013 1 ο εξάμηνο. Κ. Πολίτης

Περιγραφική Στατιστική. Ακαδ. Έτος 2012-2013 1 ο εξάμηνο. Κ. Πολίτης Περιγραφική Στατιστική Ακαδ. Έτος 2012-2013 1 ο εξάμηνο Κ. Πολίτης 1 2 Η στατιστική ασχολείται με τη συλλογή, οργάνωση, παρουσίαση και ανάλυση πληροφοριών. Οι πληροφορίες αυτές, πολύ συχνά αριθμητικές,

Διαβάστε περισσότερα

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις,

Διαβάστε περισσότερα

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων:

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος Α http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν

Διαβάστε περισσότερα

ΑΕΠΠ Ερωτήσεις θεωρίας

ΑΕΠΠ Ερωτήσεις θεωρίας ΑΕΠΠ Ερωτήσεις θεωρίας Κεφάλαιο 1 1. Τα δεδομένα μπορούν να παρέχουν πληροφορίες όταν υποβάλλονται σε 2. Το πρόβλημα μεγιστοποίησης των κερδών μιας επιχείρησης είναι πρόβλημα 3. Για την επίλυση ενός προβλήματος

Διαβάστε περισσότερα

Περιεχόµενα. Πληροφοριακά Συστήµατα: Κατηγορίες και Κύκλος Ζωής. Π.Σ. ιαχείρισης Πράξεων. Π.Σ. ιοίκησης. Κατηγορίες Π.Σ. Ο κύκλος ζωής Π.Σ.

Περιεχόµενα. Πληροφοριακά Συστήµατα: Κατηγορίες και Κύκλος Ζωής. Π.Σ. ιαχείρισης Πράξεων. Π.Σ. ιοίκησης. Κατηγορίες Π.Σ. Ο κύκλος ζωής Π.Σ. Πληροφοριακά Συστήµατα: Κατηγορίες και Κύκλος Ζωής Περιεχόµενα Κατηγορίες Π.Σ. ιαχείρισης Πράξεων ιοίκησης Υποστήριξης Αποφάσεων Έµπειρα Συστήµατα Ατόµων και Οµάδων Ο κύκλος ζωής Π.Σ. Ορισµός Φάσεις Χρήστες

Διαβάστε περισσότερα

ΤΕΧΝΙΚΕΣ ΠΡΟΩΘΗΣΗΣ ΞΕΝΟΔΟΧΕΙΑΚΩΝ ΥΠΗΡΕΣΙΩΝ

ΤΕΧΝΙΚΕΣ ΠΡΟΩΘΗΣΗΣ ΞΕΝΟΔΟΧΕΙΑΚΩΝ ΥΠΗΡΕΣΙΩΝ ΕΣΠΑ 2007-2013 ΕΠΙΧΕΙΡΗΣΙΑΚΟ ΠΡΟΓΡΑΜΜΑ «ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΟΥ ΔΥΝΑΜΙΚΟΥ» «ΔΙΑΡΘΡΩΤΙΚΗ ΠΡΟΣΑΡΜΟΓΗ ΕΡΓΑΖΟΜΕΝΩΝ ΚΑΙ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΝΤΟΣ ΤΗΣ ΟΙΚΟΝΟΜΙΚΗΣ ΚΡΙΣΗΣ» ΟΔΗΓΟΣ ΕΚΠΑΙΔΕΥΤΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ ΤΕΧΝΙΚΕΣ ΠΡΟΩΘΗΣΗΣ

Διαβάστε περισσότερα

Ε. ΞΕΚΑΛΑΚΗ Καθηγήτριας του Τμήματος Στατιστικής του Οικονομικού Πανεπιστημίου Αθηνών ΜΗ ΠΑΡΑΜΕΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ

Ε. ΞΕΚΑΛΑΚΗ Καθηγήτριας του Τμήματος Στατιστικής του Οικονομικού Πανεπιστημίου Αθηνών ΜΗ ΠΑΡΑΜΕΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ε. ΞΕΚΑΛΑΚΗ Καθηγήτριας του Τμήματος Στατιστικής του Οικονομικού Πανεπιστημίου Αθηνών ΜΗ ΠΑΡΑΜΕΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΑΘΗΝΑ, 2001 Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ iii ix ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ 1 1.1

Διαβάστε περισσότερα

Τοπικό Σχέδιο Δράσης «Δίκτυο για την Κοινωνική Οικονομία και την Προώθηση στην Απασχόληση Γυναικών Επιστημόνων στο Θριάσιο Πεδίο»

Τοπικό Σχέδιο Δράσης «Δίκτυο για την Κοινωνική Οικονομία και την Προώθηση στην Απασχόληση Γυναικών Επιστημόνων στο Θριάσιο Πεδίο» Τοπικό Σχέδιο Δράσης «Δίκτυο για την Κοινωνική Οικονομία και την Προώθηση στην Απασχόληση Γυναικών Επιστημόνων στο Θριάσιο Πεδίο» * της Αναπτυξιακής Σύμπραξης «ΘΡΙΑΣΊΑ- Νέες Γυναίκες της Επιστήμης στην

Διαβάστε περισσότερα

Μηχανική Μάθηση Μερωνυµιών για Αναγνώριση Γεγονότων

Μηχανική Μάθηση Μερωνυµιών για Αναγνώριση Γεγονότων Μηχανική Μάθηση Μερωνυµιών για Αναγνώριση Γεγονότων Αναστάσιος Σκαρλατίδης 1,2 anskarl@iit.demokritos.gr επιβλέπων: Καθ. Βούρος Γ. 1 1 Τµήµα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συστηµάτων Πανεπιστήµιο

Διαβάστε περισσότερα