Ανάλυση Δεδομένων (Data Analysis) Άμεση Αναλυτική Επεξεργασία (OLAP) Λειτουργίες Συνάθροισης στην SQL (windowing, ranking)
|
|
- Εὔα Βαρουξής
- 7 χρόνια πριν
- Προβολές:
Transcript
1 ΒΔ για Λήψη Αποφάσεων Ανάλυση Δεδομένων (Data Analysis) Άμεση Αναλυτική Επεξεργασία (OLAP) Λειτουργίες Συνάθροισης στην SQL (windowing, ranking) Οργάνωση ιστορικής πληροφορίας σε Αποθήκες Δεδομένων (Data Warehousing) Εξόρυξη Γνώσης από Δεδομένα (Data Mining) Εργαστήριο Πληροφοριακών Συστηµάτων, Παν/µιο Πειραιώς ( έκδοση: Φεβ ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Πηγές Το κύριο μέρος των διαφανειών προέρχεται από: Silberschatz et al., Database System Concepts, 4/e. Οι μεταφράσεις των Αγγλικών όρων στα Ελληνικά βασίστηκαν κυρίως στο: Π. Βασιλειάδης, Σ. Σκιαδόπουλος, Τ. Σελλής «Θέματα Μοντελοποίησης και Επερώτησης Πολυδιάστατων Βάσεων Δεδομένων», 1o Ελληνικό Συμπόσιο Διαχείρισης Δεδομένων, Αθήνα, Ιουλίου 2002, σελ ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.1
2 "Πυραμίδα" Επιχειρηματικής Ευφυίας (Business Intelligence BI) Λήψη απόφασης Managing Director Παρουσίαση αποτελεσµάτων Visualization Techniques Εξόρυξη Γνώσης (Data Mining) Information Discovery Εξερεύνηση δεδοµένων (Data Exploration) Statistical Analysis, Querying and Reporting Αποθήκες δεδοµένων (Data Warehouses) Online Analytical Processing (OLAP), Multi-dim. Analysis (MDA) Πηγές δεδοµένων (Data Sources) Paper, Files, Information Providers, Database Systems, OLTP Business Analyst Data Analyst DBA 3 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Ανάλυση Δεδομένων (Data Analysis) Άμεση Αναλυτική Επεξεργασία (OLAP) Λειτουργίες Συνάθροισης στην SQL (windowing, ranking) Οργάνωση ιστορικής πληροφορίας σε Αποθήκες Δεδομένων (Data Warehousing) Εξόρυξη Γνώσης από Δεδομένα (Data Mining) 4 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.2
3 Συστήματα Υποστήριξης Αποφάσεων Τα Συστήματα Υποστήριξης Αποφάσεων ΣΥΑ (Decision support systems DSS) χρησιμοποιούνται για την υποστήριξη λήψης αποφάσεων στηριγμένων πάνω στα επιχειρησιακά δεδομένα που συγκεντρώνονται από On Line Transaction Processing (OLTP) συστήματα. Παραδείγματα αποφάσεων: Τι ποσότητες από κάθε προϊόν να έχουμε στην αποθήκη; Σε ποιους από τους πελάτες μας να στείλουμε διαφημιστικό υλικό; Παραδείγματα δεδομένων που χρησιμοποιούνται για τη λήψη αποφάσεων συναλλαγές πωλήσεων προϊόντων στοιχεία πελατών (ηλικία, φύλο, εισόδημα κλπ.) 5 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Εργαλεία Ανάλυσης Δεδομένων Άμεση αναλυτική επεξεργασία δεδομένων (Online Analytical Processing OLAP) πρακτικά, αποτελούν σύνθετα SQL αιτήματα Παράδειγμα: να υπολογιστεί το σύνολο των πωλήσεων στο τελευταίο τρίμηνο του έτους ανά κατηγορία προϊόντων και περιοχή πώλησης, και να συγκριθεί με τις αντίστοιχες τιμές τουπροηγούμενουέτους. Για να γίνει η σχετική ανάλυση, μπορεί να συνδεθεί ένα πακέτο στατιστικής ανάλυσης (π.χ. SPSS) με το ΣΔΒΔ στο οποίου διατηρούνται τα δεδομένα Αποθήκες Δεδομένων ΑΔ (Data Warehouse DW) οργανώνουν και αποθηκεύουν κεντρικά ιστορική πληροφορία για τους σκοπούς της ανάλυσης Πολύ χρήσιμες για μεγάλους οργανισμούς που συγκεντρώνουν δεδομένα από πολλαπλές τοποθεσίες Τεχνικές εξόρυξης γνώσης από δεδομένα (Data mining) επιδιώκουν την ανακάλυψη κρυμμένης γνώσης, σε μορφή κανόνων και προτύπων, από μεγάλες ΒΔ/ΑΔ. 6 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.3
4 Ανάλυση Δεδομένων (Data Analysis) Άμεση Αναλυτική Επεξεργασία (OLAP) Λειτουργίες Συνάθροισης στην SQL (windowing, ranking) Οργάνωση ιστορικής πληροφορίας σε Αποθήκες Δεδομένων (Data Warehousing) Εξόρυξη Γνώσης από Δεδομένα (Data Mining) 7 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Ανάλυση Δεδομένων με τεχνικές OLAP Η σύνοψη μεγάλου όγκου δεδομένων είναι εφικτή με τεχνικές συνάθροισης (aggregate functions), όπως count(), sum(), min(), max(), avg() Άμεση Αναλυτική Επεξεργασία (OLAP) Διαδραστική ανάλυση της πληροφορίας που βρίσκεται μέσα στη ΒΔ, με σύνοψη και θέασή τους από διαφορετικές οπτικές γωνίες Πολυδιάστατη απεικόνιση δεδομένων: Η πληροφορία μοντελοποιείται ως ένα σύνολο από διαστάσεις και μετρήσιμα μεγέθη Κάποια από τα πεδία ενός πίνακα ΒΔ μπορούν να παίξουν το ρόλο των μετρήσιμων μεγεθών (measure attributes), καθώς συνιστούν τη μέτρηση μιας τιμής που μπορεί να συναθροιστεί τεμάχια που πωλήθηκαν, τζίρος κλπ. Κάποια άλλα πεδία μπορούν να παίξουν το ρόλο των διαστάσεων (dimension attributes), καθώς ορίζουν τις διαστάσεις πάνω στις οποίες μπορούν να εμφανιστούν τα μετρήσιμα μεγέθη και οι συνόψεις πάνω σ αυτά Example: αθροίσματα, μέσοι όροι κλπ. πωλήσεων ανά μήνα, ανά κατηγορία προϊόντος, ανά φύλο πελάτη κοκ. 8 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.4
5 Cross tabs Ένας πίνακας διασταύρωσης δεδομένων (cross tab) σχηματίζεται ως εξής: Οι τιμές ενός από τα πεδία διαστάσεις αποτελούν τις επικεφαλίδες των γραμμών του πίνακα, ενώ οι τιμές ενός άλλου από τα πεδία διαστάσεις αποτελούν τις επικεφαλίδες των στηλών του πίνακα Τα υπόλοιπα πεδία διαστάσεις εμφανίζονται εκτός πίνακα Παράδειγμα: Πίνακας ΒΔ: sales Διαστάσεις: item name, color, size Μετρήσιμο μέγεθος: number 9 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Cross tabs Οι πίνακες cross tab μπορούν να υλοποιηθούν ως σχεσιακοί πίνακες 3 στήλες (για τις 2 διαστάσεις και το 1 μετρήσιμο μέγεθος) χρήση της ειδικής τιμής all όπου υπάρχει συνάθροιση η SQL:1999 χρησιμοποιεί τιμές null αντί της all 10 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.5
6 Πολυδιάστατος κύβος δεδομένων Ένας κύβος δεδομένων (data cube) αποτελεί γενίκευση σε πολλές διαστάσεις του πίνακα cross tab Item-name dark skirt dress shirt pant pastel white all Color Πωλήσεις του προϊόντος shirt χρώµατος dark µεγέθους small all small medium large Size all 11 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης OLAP πάνω σε κύβους δεδομένων Η εναλλαγή των διαστάσεων στην εμφάνιση ενός cross tab ονομάζεται pivoting («περιστροφή») Παράδειγμα: ο αναλυτής βλέπει cross tab πάνω στις διαστάσεις item name, color και θέλει να δει cross tab πάνω στις διαστάσεις item name, size. Η επιλογή ορισμένων μόνο στοιχείων ενός cross tab ονομάζεται slicing («τεμαχισμός») Παράδειγμα: ο αναλυτής θέλει να δει cross tab πάνω στις διαστάσεις itemname, color για συγκεκριμένο όμως μέγεθος (π.χ. size= large ) αντί της συνάθροισης όλων των μεγεθών. 12 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.6
7 OLAP πάνω σε κύβους δεδομένων Ημετάβασηαπό μεγαλύτερη σε μικρότερη λεπτομέρεια / κλίμακα εμφάνισης πληροφορίας ονομάζεται roll up («συναθροιστική άνοδος») Παράδειγμα: ο αναλυτής βλέπει (πλήρες) cross tab πάνω στις διαστάσεις itemname, color και θέλει να δει (συνοπτικό, color = all ) cross tab πάνω στη διάσταση item name. Η αντίθετη λειτουργία (μετάβαση από μικρότερη σε μεγαλύτερη λεπτομέρεια) ονομάζεται drill down («αναλυτική κάθοδος») Παράδειγμα: ο αναλυτής βλέπει (συνοπτικό, color = all ) cross tab πάνω στη διάσταση item name και θέλει να δει αναλυτικά τι πωλήθηκε για κάθε χρώμα, δηλαδή cross tab πάνω στις διαστάσεις item name, color. 13 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Ιεραρχίες πάνω στις διαστάσεις Μπορούμε να ορίσουμε ιεραρχίες (δενδρικές δομές) πάνω στις διαστάσεις ώστε να εμφανίζουμε την πληροφορία σε διαφορετικά επίπεδα λεπτομέρειας, π.χ. πάνω στη διάσταση DateTime μπορούν να οριστούν οι ιεραρχίες: ώρα (00 23), ημερομηνία, ημέρα (Δε Κυ), μήνας, τρίμηνο, έτος πάνω στη διάσταση Location μπορούν να οριστούν οι ιεραρχίες (υποθέστε μια πολυεθνική επιχείρηση): πόλη, νομός, χώρα, ήπειρος 14 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.7
8 Cross tabs με ιεραρχίες Οι πίνακες Cross tabs μπορούν εύκολα να ενσωματώσουν ιεραρχίες Οπότε μπορούν να γίνουν λειτουργίες drill down ή roll up πάνω σε ιεραρχίες 15 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Υλοποίηση κύβων δεδομένων Τα πρώτα συστήματα OLAP αποθήκευαν τους κύβους δεδομένων ως πολυδιάστατους πίνακες κύριας μνήμης (arrays). Ονομάζονται multidimensional OLAP (MOLAP) συστήματα Αργότερα προέκυψαν υλοποιήσεις σε σχεσιακούς πίνακες ΒΔ (relations). Ονομάζονται relational OLAP (ROLAP) συστήματα Σήμερα, υπάρχουν υβριδικές υλοποιήσεις που αποθηκεύουν τιςσυναθροίσειςτωνυψηλώνεπιπέδωνσεarrays τα λεπτομερή δεδομένα και τις συναθροίσεις χαμηλών επιπέδων σε relations... και ονομάζονται hybrid OLAP (HOLAP) συστήματα. 16 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.8
9 Ανάλυση Δεδομένων (Data Analysis) Άμεση Αναλυτική Επεξεργασία (OLAP) Λειτουργίες Συνάθροισης στην SQL (windowing, ranking) Οργάνωση ιστορικής πληροφορίας σε Αποθήκες Δεδομένων (Data Warehousing) Εξόρυξη Γνώσης από Δεδομένα (Data Mining) 17 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Επεκτάσεις SQL για ανάλυση δεδομένων Η ανάλυση δεδομένων έχει οδηγήσει σε νέες απαιτήσεις ερωτημάτων πάνω στη ΒΔ: κύβοι δεδομένων και πολύπλοκες λειτουργίες συνάθροισης ολιστικές λειτουργίες, π.χ. διάμεσος (median), διακύμανση (variance), συσχέτιση (correlation), παλινδρόμηση (regression),... λειτουργίες παραθύρου, π.χ. κινούμενοι μέσοι όροι αιτήματα κατάταξης (π.χ. «να ανατεθεί ένας α/α σε κάθε φοιτητή με βάση τη συνολική του βαθμολογία») και παραθύρου (π.χ.«να συγκριθεί ο τζίρος του φετινής χρονιάς Η SQL:1999 παρέχει επεκτάσεις προς αυτή την κατεύθυνση: λειτουργίες cube και rollup για πολυδιάστατη ανάλυση δεδομένων λειτουργία rank γιααιτήματακατάταξης λειτουργίες παραθύρου (windowing) 18 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.9
10 Λειτουργίες cube και rollup Ηλειτουργίαcube() ουσιαστικά είναι ένα σύνολο από λειτουργίες group by (μια για κάθε διακριτή τιμή των πεδίων διαστάσεων) Π.χ. η εντολή SQL select item-name, color, size, sum(number) from sales group by cube(item-name, color, size) υπολογίζει 2 3 = 8 διαφορετικές ομαδοποιήσεις πάνω στον πίνακα sales: { (item name, color, size), (item name, color), (item name, size), (color, size), (item name), (color), (size), ( ) } όπου το κενό σύνολο ( ) υποδηλώνει κενή λίστα group by. Σε κάθε ομαδοποίηση, τα χαρακτηριστικά που δεν συμμετέχουν δηλώνονται στο αποτέλεσμα με τιμές null. 19 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Λειτουργίες cube και rollup Ηλειτουργίαrollup() δημιουργεί κι αυτή ένα σύνολο από ομαδοποιήσεις, με τη διαφορά ότι σχηματίζονται ομάδες μόνο με βάση τα προθέματα της λίστας χαρακτηριστικών Π.χ. η εντολή SQL select item-name, color, size, sum(number) from sales group by rollup(item-name, color, size) υπολογίζει 3+1 = 4 διαφορετικές ομαδοποιήσεις πάνω στον πίνακα sales: { (item name, color, size), (item name, color), (item name), ( ) } Προφανώς, λιγότερες από αυτές που παράγει η λειτουργία cube: για n χαρακτηριστικά, n+1 έναντι 2 n!! 20 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.10
11 Λειτουργίες cube και rollup Οι λειτουργίες rollup και cube μπορούν να εμφανίζονται πολλαπλά σε μια γραμμή group by Καθεμία λειτουργία σχηματίζει ένα σύνολο από ομαδοποιήσεις, και στη συνέχεια υπολογίζεται το καρτεσιανό γινόμενο αυτών των συνόλων Π.χ. η εντολή SQL select item-name, color, size, sum(number) from sales group by rollup(item-name), rollup(color, size) υπολογίζει 2 Χ 3= 6 διαφορετικές ομαδοποιήσεις πάνω στον πίνακα sales {item name, ()} X {(color, size), (color), ()} = { (item name, color, size), (item name, color), (item name), (color, size), (color), ( ) } 21 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Λειτουργίες κατάταξης Η λειτουργία κατάταξης rank() συνδυάζεται με μια διάταξη που ορίζεται στη γραμμη order by. Π.χ. ανυποθέσουμετονπίνακα student marks(student id, mark) η εντολή SQL select student-id, rank( ) over (order by marks desc) as s-rank from student-marks order by s-rank εμφανίζει τους φοιτητές με βάση την κατάταξη που τους δίνει η τιμή του πεδίου mark Ηλειτουργίαrank μπορείνααφήσεικενάστηναρίθμηση, π.χ. αν δύο φοιτητές ισοβαθμούν στην 1 η θέση, θα έχουν και οι δύο τιμή κατάταξης 1 ενώ η επόμενη τιμή θα είναι η 3 Αυτό το αποφεύγουμε με τη λειτουργία dense_rank() 22 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.11
12 Λειτουργίες κατάταξης Η κατάταξη μπορεί να συνδυαστεί με διαμέριση των εγγραφών ενός πίνακα. Παράδειγμα: Βρες την κατάταξη των φοιτητών μέσα σε κάθε τμήμα select student-id, section, rank ( ) over (partition by section order by marks desc) as sec-rank from student-marks, student-section where student-marks.student-id = student-section.student-id order by section, sec-rank Η γραμμή select μπορεί να περιέχει πολλαπλές λειτουργίες rank Εάν υπάρχει γραμμή group by, ηλειτουργίαrank ενεργοποιείται μετά την ομαδοποίηση 23 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Λειτουργίες παραθύρου Παράδειγμα: δοθέντος του τζίρου κάθε ημέρας, για κάθε ημέρα να υπολγιστεί ο μ.ο. του τζίρου της ίδιας, της προηγούμενης και της επόμενης ημέρας Αυτές είναι ερωτήσεις τύπου κινούμενου μέσου (moving average) και χρησιμοποιούνται στη στατιστική για εξομάλυνση των τιμών, απάλειψη θορύβου κλπ. Μια βασική διαφορά από το group by: η ίδια εγγραφή συμμετέχει σε περισσότερα από ένα παράθυρα Πώς γίνεται αυτό στην SQL: Καταρχήν διατάσσονται οι εγγραφές, κατόπιν ορίζεται το παράθυρο, και στη συνέχεια υλοποιείται η όποια λειτουργία συνάθροισης. Π.χ. αν υποθέσουμε τον πίνακα sales(date, value) η εντολή SQL υλοποιεί το ανωτέρο παράδειγμα select date, avg(value) over (order by date between rows 1 preceding and 1 following) from sales 24 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.12
13 Λειτουργίες παραθύρου Παραδείγματα εναλλακτικών παραθύρων : between rows unbounded preceding and current rows unbounded preceding range between 10 preceding and current row Ηλειτουργία παραθύρου μπορεί να συνδυαστεί με διαμέριση των εγγραφών ενός πίνακα. Παράδειγμα: έστω ο πίνακας transaction(account number, date time, value) με τις δοσοληψίεςτωντραπεζικώνλογαριασμών. Τι υλοποιεί η ακόλουθη εντολή SQL; select account-number, date-time, sum(value) over (partition by account-number order by date-time between rows unbounded preceding and current) as balance from transaction order by account-number, date-time 25 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Ανάλυση Δεδομένων (Data Analysis) Άμεση Αναλυτική Επεξεργασία (OLAP) Λειτουργίες Συνάθροισης στην SQL (windowing, ranking) Οργάνωση ιστορικής πληροφορίας σε Αποθήκες Δεδομένων (Data Warehousing) Εξόρυξη Γνώσης από Δεδομένα (Data Mining) 26 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.13
14 Αποθήκες Δεδομένων Οι μεγάλοι οργανισμοί συχνά έχουν μεγάλο όγκο δεδομένων να τηρείται σε διαφορετικές τοποθεσίες (π.χ. υποκαταστήματα), με διαφορετικά OLTP συστήματα και διαφορετικά σχήματα ΒΔ Οι διαδικασίες λήψης αποφάσεων απαιτούν ανάλυση των δεδομένων του οργανισμού, κοιτώντας αρκετά πίσω στο χρόνο (δεν αρκεί η τρέχουσα πληροφορία) Μια αποθήκη δεδομένων ΑΔ (data warehouse DW) είναι μια ΒΔ αρχειακήςμορφήςμεπληροφορίαπου συλλέγεται από πολλαπλές πηγές και συγκεντρώνεται σε μία τοποθεσία κάτω από ένα ενιαίο σχήμα ΒΔ Απλοποιεί τις λειτουργίες ανάλυσης δεδομένων, επιτρέπει την ιστορική ανάλυση της πληροφορίας, δεν απασχολεί τα OLTP συστήματα 27 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Αρχιτεκτονική ΑΔ other sources Metadata Monitor & Integrator OLAP Server Operational DBs Extract Transform Load Refresh Data Warehouse Serve Analysis Query Reports Data mining Data Marts Data Sources Data Storage OLAP Engine Front End Tools 28 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.14
15 Συστατικά μιας ΑΔ Δεδομένα που συλλέγονται περιοδικά από τις πολλαπλές πηγές Δεν υπάρχει λόγος να είναι απόλυτα συγχρονισμένη η πληροφορία μεταξύ των OLTP συστημάτων και της ΑΔ... κάτω από ένα ενιαίο σχήμα ΒΔ Ζητήματα ενοποίησης σχημάτων ΒΔ... αφού έχουν υποστεί κατάλληλο καθαρισμό / μετασχηματισμό Καθαρισμός δεδομένων (συμπλήρωση ελλιπών τιμών, εντοπισμός θορύβου, επίλυση ασυνεπειών) Μετασχηματισμός δεδομένων (εξομάλυνση, κανονικοποίηση τιμών) Μείωση δεδομένων (μείωση διαστάσεων (χαρακτηριστικών), μείωση πλήθους δεδομένων) Διακριτοποίηση δεδομένων (από συνεχείς σε διακριτές τιμές ή διαστήματα τιμών) 29 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Σχεδίαση ΑΔ Ένα τυπικό σχήμα ΑΔ: ένας πίνακας γεγονότων (fact table) που περιβάλλεται από πίνακες διαστάσεων (dimension tables) Product Time time ID day_of_week month quarter year Sales (fact table) time ID product ID location ID quantity turnover product ID description type type description Location location ID zip code city state 30 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.15
16 Σχεδίαση ΑΔ Συνήθως τα δεδομένα μιας ΑΔ είναι πολυδιάστατα(άρα, πολλοί πίνακες διαστάσεων) με πίνακες γεγονότων πάρα πολλών εγγραφών Παραδείγματα διαστάσεων: προϊόν, χρόνος πώλησης, υποκατάστημα πώλησης, πελάτης,... Παραδείγματα μετρήσιμων μεγεθών: τεμάχια που πωλήθηκαν, αξία,... Οι τιμές των διαστάσεων συνήθως κωδικοποιούνται με μικρές ακέραιες τιμές (id s) που παραπέμπουν στους πίνακες διαστάσεων για την πλήρη πληροφορία Το ανωτέρω ονομάζεται σχήμα αστέρα (star schema) Πιο σύνθετα σχήματα ΑΔ Σχήμα χιονονιφάδας (snowflake schema): πίνακες διαστάσεων πολλαπλών επιπέδων Αστερισμός γεγονότων (fact constellation): πολλαπλοί πίνακες γεγονότων 31 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Σχήμα χιονονιφάδας Time time ID day_of_week month quarter year Sales (fact table) time ID product ID location ID quantity turnover Product product ID description type Location location ID zip code Product Types type type description Zip codes zip code city state 32 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.16
17 Αστερισμός γεγονότων Time time ID day_of_week month quarter year Sales (fact table) time ID product ID location ID quantity turnover Location location ID zip code city state Shipping (fact table) day ID product ID shipper ID from location to location shipping cost units shipped Product product ID description type Shipper shipper ID name type 33 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Ανάλυση Δεδομένων (Data Analysis) Άμεση Αναλυτική Επεξεργασία (OLAP) Λειτουργίες Συνάθροισης στην SQL (windowing, ranking) Οργάνωση ιστορικής πληροφορίας σε Αποθήκες Δεδομένων (Data Warehousing) Εξόρυξη Γνώσης από Δεδομένα (Data Mining) 34 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.17
18 Data Mining Η ανακάλυψη γνώσης από τα δεδομένα (knowledge discovery in data KDD) είναι η διαδικασία ημι αυτόματης ανάλυσης μεγάλων ΒΔ/ΑΔ με στόχο την ανακάλυψη γνώσης σε μορφή κανόνων ή προτύπων Διαφέρει από τη στατιστική ανάλυση δεδομένων κυρίως στο ότι χειρίζεται μεγάλους όγκους δεδομένων Η γνώση που εξάγεται μπορεί να είναι διαφόρων τύπων Κατηγοριοποίηση / ταξινόμηση δεδομένων, εύρεση ομάδων στα δεδομένα, ανακάλυψη συσχετίσεων κλπ.... σε μορφή κανόνων ή εξισώσεων ή συναρτήσεων κλπ. π.χ. γυναίκες, νέες σε ηλικία και με εισόδημα άνω των είναι πιο πιθανό να αγοράσουν σπορ αυτοκίνητο... αφού έχει προηγηθεί κάποια προπαρασκευή των δεδομένων π.χ. εντοπισμός και απομόνωση ανωμαλιών ή θορύβου στα δεδομένα 35 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Διαδικασία εξόρυξης γνώσης Ολοκλήρωση Ερµηνεία & Αξιολόγηση Knowledge Πρωτογενή δεδοµένα Αποθήκη εδοµένων (data warehouse) Προπαρασκευή Μετασχηµατισµός Εξόρυξη Γνώσης (Data Mining Μετ/να εδοµένα δεδοµένα στόχος (target data) Πρότυπα (patterns) και Κανόνες (rules) Γνώση Κατανόηση 36 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.18
19 Βήματα εξόρυξης γνώσης μεθοδολογία CRISP DM Κατανόηση του οργανισμού Κατανόηση των δεδομένων Προετοιμασία δεδομένων Εύρεση μοντέλων ( γνώσης ) με χρήση ποικίλων τεχνικών data mining Αποτίμηση αποτελεσμάτων Εφαρμογή αποτελεσμάτων στις διαδικασίες του οργανισμού 37 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Εφαρμογές εξόρυξης γνώσης Πρόβλεψη μελλοντικών τιμών βασισμένη στα ιστορικά δεδομένα Πρόβλεψηαξιοπιστίαςενόςπελάτητράπεζας, με βάση τα χαρακτηριστικά του (εισόδημα, επάγγελμα, ηλικία κλπ.) και την καταγεγραμμένη αξιοπιστία άλλων πελατών Πρόβλεψη διαρροής πελατών στον ανταγωνισμό Πιθανή αναγνώριση απάτης σε μια συναλλαγή (πιστωτική κάρτα, τηλεφωνική κλήση,...) Μηχανισμοί πρόβλεψης: Κατηγοριοποίηση / Ταξινόμηση (classification) Δοθέντος ενός συνόλου εγγραφών ΒΔ που ανήκουν σε γνωστές κλάσεις/κατηγορίες, να γίνει πρόβλεψη για την κλάση μιας νέας εγγραφής Παλινδρόμηση (regression) Δοθέντος ενός συνόλου τιμών που ταιριάζουν στα αποτελέσματα μιας (άγνωστης) συνάρτησης, να βρεθεί η συνάρτηση και να εφαρμοστεί σε μια νέα εγγραφή Yes NO NO Refund TaxInc No Single, Divorced MarSt < 80K > 80K YES Married NO 38 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.19
20 Εφαρμογές εξόρυξης γνώσης Περιγραφικά πρότυπα Κανόνες συσχέτισης (association rules) Εύρεση των προϊόντων που συνήθως αγοράζονται μαζί από τους ίδιους πελάτες. Εφόσον ένας νέος πελάτης αγοράσει ένα τέτοιο προϊόν είναι πολύ πιθανό να αγοράσει και τα υπόλοιπα. Εφαρμογές: λιανεμπόριο, e shopping, κλπ. Συστάδες (clusters) εντοπισμός προφίλ πελατών, συγκέντρωση συμβάντων επιδημίας γύρω από ένα μολυσμένο σημείο κοκ. 39 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης Σύνοψη ενότητας Η ανάλυση των δεδομένων αποτελεί ισχυρό εργαλείο στη στρατηγική των οργανισμών και τη λήψη αποφάσεων Οιβασικοίμηχανισμοίανάλυσηςείναι: ηπολυδιάστατηανάλυσηδεδομένων(olap) πάνω σε κύβους / αποθήκες δεδομένων και η εξόρυξη γνώσης από δεδομένα (data mining) Ανάλυση συστάδων, κατηγοριοποίηση, ανακάλυψη συσχετίσεων κλπ. 40 ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.20
21 Προτεινόμενη βιβλιογραφία ιαθέσιµη στο./courses/dwdm/readings/ Γενικά για Αποθήκες Δεδομένων και Εξόρυξη Γνώσης S. Chaudhuri et al.: Database technology for decision support systems. IEEE Computer, Dec. 2001, pp R. J. Brachman et al.: Mining business databases. Communications of the ACM, Nov. 1996, pp ΠΑ.ΠΕΙ. Γιάννης Θεοδωρίδης 9.21
Εξόρυξη Γνώσης από εδοµένα (Data Mining)
ΠΜΣ Πληροφορικής Πανεπιστηµίου Πειραιά Εξόρυξη Γνώσης από εδοµένα (Data Mining) Αποθήκες εδοµένων Γιάννης Θεοδωρίδης Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιά http://isl.cs.unipi.gr/db/courses/dm "Πυραµίδα"
Διαβάστε περισσότεραΕξόρυξη Γνώσης από εδοµένα (Data Mining)
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Αποθήκες εδοµένων Γιάννης Θεοδωρίδης, Νίκος Πελέκης Οµάδα ιαχείρισης εδοµένων Εργαστήριο Πληροφοριακών Συστηµάτων http://isl.cs.unipi.gr/db
Διαβάστε περισσότεραΑποθήκες Δεδομένων & Πολυδιάστατη Ανάλυση
Αποθήκες Δεδομένων & Πολυδιάστατη Ανάλυση Γιάννης Θεοδωρίδης InfoLab, Τμήμα Πληροφορικής, Πανεπιστήμιο Πειραιά http://infolab.cs.unipi.gr version: Nov.2009 Πηγές Το κύριο μέρος των διαφανειών προέρχεται
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής. Αποθήκες εδοµένων και Εξόρυξη Γνώσης. (Data Warehousing & Data Mining) Γιάννης Θεοδωρίδης, Νίκος Πελέκης
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Αποθήκες εδοµένων Γιάννης Θεοδωρίδης, Νίκος Πελέκης Εργαστήριο Πληροφοριακών Συστηµάτων http://infolab.cs.unipi.gr
Διαβάστε περισσότεραΣυστήματα OLAP. Πασχάλης Θρήσκος, PhD Λάρισα
Συστήματα OLAP Πασχάλης Θρήσκος, PhD Λάρισα 2016-2017 «Τα συστήματα άμεσης αναλυτικής επεξεργασίας (OLTP) χρησιμοποιούνται για να απαντηθούν ερωτήματα πάνω σε πολυδιάστατα δεδομένα πολύ γρήγορα» Wikipedia
Διαβάστε περισσότεραΆμεση Αναλυτική Επεξεργασία (OLAP)
Άμεση Αναλυτική Επεξεργασία (OLAP) Άμεση Αναλυτική Επεξεργασία (OLAP) Άμεση Αναλυτική Επεξεργασία (Online Analytical Processing - OLAP) Ανάλυση βασισμένη σε ένα κύβο OLAP Κύβος OLAP (OLAP Cube) Μια πολυδιάστατη
Διαβάστε περισσότεραΆμεση Αναλυτική Επεξεργασία (OLAP)
1 Άμεση Αναλυτική Επεξεργασία (OLAP) 2 Περιεχόμενα Εφαρμογές στις Αποθήκες Δεδομένων Άμεση Αναλυτική Επεξεργασία (OLAP) Γεγονότα και Διαστάσεις Κύβοι και Ιεραρχίες διαστάσεων Πράξεις OLAP Αρχιτεκτονικές
Διαβάστε περισσότεραΕξαγωγή Μετασχηματισμός Εισαγωγή Δεδομένων στην Αποθήκη Πληροφοριών (ETL) ETL) Αριστομένης Μακρής
Εξαγωγή Μετασχηματισμός Εισαγωγή Δεδομένων στην Αποθήκη Πληροφοριών (ETL) ETL) Τεχνολογίες Υποστήριξης Λήψης Διοικητικών Αποφάσεων OLTP (On Line Transaction Processing) Επιχειρηματικές Εφαρμογές (Σχεσιακές
Διαβάστε περισσότεραΕξόρυξη Γνώσης µε SQL Server 2005 Analysis Services
Εξόρυξη Γνώσης µε SQL Server 2005 Analysis Services Γεράσιµος Μαρκέτος Οµάδα ιαχείρισης εδοµένων, Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιώς (http://isl.cs.unipi.gr/db) οµή παρουσίασης SQL Server 2005 Επιχειρηµατική
Διαβάστε περισσότεραΠΜΣ Πληροφορικής Πανεπιστηµίου Πειραιά. Εξόρυξη Γνώσης από εδοµένα (Data Mining) Εισαγωγή. Γιάννης Θεοδωρίδης
ΠΜΣ Πληροφορικής Πανεπιστηµίου Πειραιά Εξόρυξη Γνώσης από εδοµένα (Data Mining) Εισαγωγή Γιάννης Θεοδωρίδης Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιά http://isl.cs.unipi.gr/db/courses/dm πληµµύρα από δεδοµένα
Διαβάστε περισσότεραΟλοκληρωµένη λύση επιλεκτικής συγκέντρωσης, αναδιοργάνωσης δεδοµένων και παραγωγής πληροφορίας
e.nfo Ολοκληρωµένη λύση επιλεκτικής συγκέντρωσης, αναδιοργάνωσης δεδοµένων και παραγωγής πληροφορίας Εξασφάλιση της εξειδικευµένης λύσης business intelligence για κάθε επιχείρηση πελάτης Τράπεζα Πειραιώς
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής. Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Mining) Επισκόπηση περιοχής. Γιάννης Θεοδωρίδης
Πανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Mining) Επισκόπηση περιοχής Γιάννης Θεοδωρίδης Οµάδα ιαχείρισης εδοµένων Εργαστήριο Πληροφοριακών Συστηµάτων
Διαβάστε περισσότεραData Cube. Μ.Χατζόπουλος 1
Data Cube Μ.Χατζόπουλος Μ.Χατζόπουλος 1 Ανάλυση εδοµένων Εξαγωγή συναθροιστικών δεδοµένων από µια βάση δεδοµένων Οπτικοποίηση των αποτελεσµάτων Μπορούνοιπαραδοσιακέςεπίπεδεςβάσειςδεδοµένων; Οι σχεσιακές
Διαβάστε περισσότεραΑποθήκες Δεδομένων. Αρχιτεκτονική, Μοντέλο Δεδομένων και Σχεδίαση
Αποθήκες Δεδομένων Αρχιτεκτονική, Μοντέλο Δεδομένων και Σχεδίαση Περιεχόμενα Αποθήκες Δεδομένων Ορισμοί και χαρακτηριστικά αποθηκών δεδομένων Διαφορές βάσεων και αποθηκών δεδομένων Μοντέλα αποθηκών δεδομένων
Διαβάστε περισσότεραData Mining: Στοχεύοντας στους σωστούς πελάτες. Αριστομένης Μακρής
Data Mining: Στοχεύοντας στους σωστούς πελάτες To CRM front-office πελατών Οι Προμηθευτές Οι Πελάτες ΟΟργανισμός Τροφοδότηση ενεργειών Μάρκετινγκ ΒΙ Απόταδεδομέναστηγνώση Επιχειρηματική Γνώση Επιχειρηματικοί
Διαβάστε περισσότεραΣυνοπτική επισκόπηση αγοράς & εργαλείων ΒΙ
Συνοπτική επισκόπηση αγοράς & εργαλείων ΒΙ Μιχάλης Μεταξάς Innovatia ΕΠΕ Agenda Αναφορά σε στοιχεία της µελέτης «Συγκέντρωση, ανάλυση και αξιολόγηση εργαλείων και λογισµικού Επιχειρηµατικής Ευφυΐας» Ορισµοί
Διαβάστε περισσότεραΑΛΕΞΑΝΔΡΕΙΟ Τ.Ε.Ι ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΑΛΕΞΑΝΔΡΕΙΟ Τ.Ε.Ι ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Πτυχιακή Εργασία Οι τεχνολογίες OLAP και Data warehousing Του φοιτητή: Δαραβίγκα Δημήτριου Αρ. Μητρώου: 05/2933 Επιβλέπων
Διαβάστε περισσότεραΣΤΡΑΤΗΓΙΚΟ MANAGEMENT KAI EΠΙΧΕΙΡHΜΑΤΙΚΗ ΕΥΦΥΙΑ. Παρουσίαση 2 ο μέρος:
ΣΤΡΑΤΗΓΙΚΟ MANAGEMENT KAI EΠΙΧΕΙΡHΜΑΤΙΚΗ ΕΥΦΥΙΑ Παρουσίαση 2 ο μέρος: Λήψη αποφάσεων Η λήψη αποφάσεων αποτελεί κεντρική δραστηριότητα σε όλα τα επίπεδα λειτουργίας μιας επιχείρησης, από τον σχεδιασμό δράσεων,
Διαβάστε περισσότεραΑποθήκες Δεδομένων. Αποθήκες και εξόρυξη δεδομένων 6 ο εξάμηνο
Αποθήκες Δεδομένων Αποθήκες και εξόρυξη δεδομένων 6 ο εξάμηνο Τι είναι Αποθήκες Δεδομένων? Αποθήκη Δεδομένων (Data Warehouse): Μία ΒΔ στήριξης αποφάσεων που διατηρείται ξεχωριστά από τη λειτουργική ΒΔ
Διαβάστε περισσότεραΕισαγωγή στις Αποθήκες εδομένων
Εξόρυξη Δεδομένων: Ακ. Έτος 2007-2008 Αποθήκες Δεδομένων 1 Εισαγωγή: OLTP Παραδοσιακή ιαχείριση εδομένων με Σ Β Σύστημα Επεξεργασίας οσοληψιών On-Line Transaction Processing (OLTP) Εισαγωγή στις Αποθήκες
Διαβάστε περισσότεραΠΡΟΧΩΡΗΜΕΝΑ ΘΕΜΑΤΑ ΒΑΣΕΩΝ Ε ΟΜΕΝΩΝ -2
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΤΜΗΜΑ ΗΛΕΚ. ΜΗΧ. ΚΑΙ ΜΗΧ. ΥΠΟΛΟΓΙΣΤΩΝ ΠΡΟΧΩΡΗΜΕΝΑ ΘΕΜΑΤΑ ΒΑΣΕΩΝ Ε ΟΜΕΝΩΝ ΑΠΟΘΗΚΕΣ Ε ΟΜΕΝΩΝ ΠΡΟΧΩΡΗΜΕΝΑ ΘΕΜΑΤΑ ΒΑΣΕΩΝ Ε ΟΜΕΝΩΝ -1 ΕΙΣΑΓΩΓΗ ΑΠΟΘΗΚΕΣ Ε ΟΜΕΝΩΝ ΚΑΙ ΑΝΑΛΥΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ
Διαβάστε περισσότεραΛΕΞΕΙΣ ΚΛΕΙΔΙΑ: Λήψη απόφασης, Συστήματα Υποστήριξης Αποφάσεων, OLAP Ανάλυση, Περιβαλλοντική Εκπαίδευση ΕΙΣΑΓΩΓΗ
Η Αναλυτική Επεξεργασία Δεδομένων (On Line Analytical Processing) στην Υποστήριξη Αποφάσεων των Υπευθύνων Περιβαλλοντικής Εκπαίδευσης των Διευθύνσεων Εκπαίδευσης Γιώργος Ραβασόπουλος 1, Ιωάννα Παπαιωάννου
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Πρόγραµµα Μεταπτυχιακών Σπουδών «Πληροφορική» Μεταπτυχιακή ιατριβή Τίτλος ιατριβής Ονοµατεπώνυµο Φοιτητή Πατρώνυµο Υλοποίηση Αποθήκης Μεταναστευτικών εδοµένων OLAP
Διαβάστε περισσότεραΥποστήριξη Αποφάσεων. Γεώργιος Ευαγγελίδης. (βασισμένο στο κεφ. 23 του βιβλίου «Συστήματα Διαχείρισης Βάσεων Δεδομένων»)
Υποστήριξη Αποφάσεων Γεώργιος Ευαγγελίδης (βασισμένο στο κεφ. 23 του βιβλίου «Συστήματα Διαχείρισης Βάσεων Δεδομένων») Εισαγωγικά Οι επιχειρήσεις θέλουν να μπορούν να αναλύουν τα δεδομένα τους. Γιατί;
Διαβάστε περισσότερα4. ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΠΟΛΥΔΙΑΣΤΑΤΗΣ ΑΝΑΛΥΣΗΣ
4. ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΠΟΛΥΔΙΑΣΤΑΤΗΣ ΑΝΑΛΥΣΗΣ Στο προηγούμενο εργαστήριο είδαμε πώς μπορούμε να αντλήσουμε πληροφορίες από μια σχεσιακή βάση δεδομένων με τη βοήθεια των ερωτημάτων (queries). Το μειονέκτημα
Διαβάστε περισσότεραCopyright 2007 Ramez Elmasri and Shamkant B. Navathe, Ελληνική Έκδοση, ίαυλος ιαφάνεια 29-1
ιαφάνεια 29-1 Εφαρµογές Βάσεων εδοµένων ΠΜΣ 510 ευτέρα 6-9 Αίθουσα Α Ώρες Γραφείου ευτέρα 5-6 (και οποιαδήποτε άλλη ώρα είµαι στο γραφείο ικτυακός τόπος www.di.uoa.gr/~pms510 Ύλη Αποθήκες δεδοµένων Εξόρυξη
Διαβάστε περισσότεραΠροεπεξεργασία Δεδομένων. Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη
Προεπεξεργασία Δεδομένων Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη Η διαδικασίας της ανακάλυψης γνώσης Knowledge Discovery (KDD) Process Εξόρυξη δεδομένων- πυρήνας της διαδικασίας ανακάλυψης
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 1: Εισαγωγή Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΕισαγωγή στις Αποθήκες εδομένων
Εισαγωγή στις Αποθήκες εδομένων ιαφάνειες βασισμένες σε σχετικές διαφάνειες του Πάνου Βασιλειάδη Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009 Αποθήκες Δεδομένων 1 Εισαγωγή: OLTP Παραδοσιακή ιαχείριση εδομένων
Διαβάστε περισσότεραData Warehouse Refreshment via ETL tools. Panos Vassiliadis
Data Warehouse Refreshment via ETL tools Panos Vassiliadis Data Warehouse Environment 2 Extract-Transform-Load (ETL) Extract Transform & Clean Load Sources DSA DW 3 Importance ETL market has a steady increase
Διαβάστε περισσότεραΕπερωτήσεις σύζευξης με κατάταξη
Επερωτήσεις σύζευξης με κατάταξη Επερωτήσεις κατάταξης Top-K queries Οι επερωτήσεις κατάταξης επιστρέφουν τις k απαντήσεις που ταιριάζουν καλύτερα με τις προτιμήσεις του χρήστη. Επερωτήσεις κατάταξης Top-K
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής. Αποθήκες εδοµένων και Εξόρυξη Γνώσης. (Data Warehousing & Data Mining) Εισαγωγή
Πανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Εισαγωγή Γιάννης Θεοδωρίδης, Νίκος Πελέκης Οµάδα ιαχείρισης εδοµένων Εργαστήριο Πληροφοριακών
Διαβάστε περισσότεραΚεφάλαιο 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 περισσότεραΣχεδιασμός Βάσεων Δεδομένων
Πανεπιστήμιο Πειραιώς Τμήμα Ψηφιακών Συστημάτων Σχεδιασμός Βάσεων Δεδομένων Εργαστήριο 4 Δρ. Βασιλική Κούφη Περιεχόμενα Υλοποίηση Βάσεως Δεδομένων Εκτέλεση ερωτημάτων SQL στην Βάση Δεδομένων BHMA 1. Σχεδιασμός
Διαβάστε περισσότεραΗΥ-360 Αρχεία και Βάσεις Δεδομένων Διδάσκων: Δ. Πλεξουσάκης. Φροντιστήριο SQL Examples ΙΙ Ξένου Ρουμπίνη
ΗΥ-360 Αρχεία και Βάσεις Δεδομένων Διδάσκων: Δ. Πλεξουσάκης Φροντιστήριο SQL Examples ΙΙ Ξένου Ρουμπίνη 1 SQL(DML) - Query Example 1 Query:1 Βρείτε τα ονόματα των έργων που δεν αφορούν το τμήμα research
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 3: Αποθήκες Δεδομένων Μέρος Α Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης
Διαβάστε περισσότεραΘεωρία Κανονικοποίησης
Θεωρία Κανονικοποίησης Πρώτη Κανονική Μορφή (1NF) Αποσύνθεση Συναρτησιακές Εξαρτήσεις Δεύτερη (2NF) και Τρίτη Κανονική Μορφή (3NF) Boyce Codd Κανονική Μορφή (BCNF) Καθολική Διαδικασία Σχεδίασης ΒΔ Βασική
Διαβάστε περισσότεραΕισαγωγή στις Αποθήκες εδοµένων
Εισαγωγή στις Αποθήκες εδοµένων ιαφάνειες βασισµένες σε σχετικές διαφάνειες του Πάνου Βασιλειάδη Αποθήκες εδοµένων 1 Εισαγωγή: OLTP Παραδοσιακή ιαχείριση εδοµένων µε Σ Β Σύστηµα Επεξεργασίας οσοληψιών
Διαβάστε περισσότεραΗ SQL ως γλώσσα ερωτημάτων. Υπενθυμίζουμε: Σχέση = Πίνακας Πλειάδα = Εγγραφή = Γραμμή (Πίνακα) Πεδίο = Γνώρισμα (Σχέσης) = Στήλη (Πίνακα)
Η SQL ως γλώσσα ερωτημάτων Υπενθυμίζουμε: Σχέση = Πίνακας Πλειάδα = Εγγραφή = Γραμμή (Πίνακα) Πεδίο = Γνώρισμα (Σχέσης) = Στήλη (Πίνακα) Η γλώσσα SQL Η SQL αποτελείται από: DDL (Data Definition Language)
Διαβάστε περισσότεραΑποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining)
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Εξόρυξη Γνώσης από Χωρικά εδοµένα (spatial data mining) Γιάννης Θεοδωρίδης, Νίκος Πελέκης
Διαβάστε περισσότεραΕισαγωγή στις βάσεις δεδομένων - Η ανατομία μιας βάσης δεδομένων
ΕΣΔ516 Τεχνολογίες Διαδικτύου Εισαγωγή στις βάσεις δεδομένων - Η ανατομία μιας βάσης δεδομένων Περιεχόμενα - Βιβλιογραφία Ενότητας Περιεχόμενα Ορισμοί Συστατικά στοιχεία εννοιολογικής σχεδίασης Συστατικά
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι Β. Μεγαλοοικονόμου, Δ. Χριστοδουλάκης Query by Example QBE Ακ.Έτος 2008-09 (μεβάσητιςσημειώσειςτωνsilberchatz, Korth και Sudarshan και του C. Faloutsos CMU)
Διαβάστε περισσότεραΕισαγωγή στα Πληροφοριακά Συστήματα
Εισαγωγή στα Πληροφοριακά Συστήματα Ενότητα 3: Η έννοια της ΠΛΗΡΟΦΟΡΙΑΣ - INFORMATION Κωνσταντίνος Ταραμπάνης Τμήμα Οργάνωσης & Διοίκησης Επιχειρήσεων ΕΙΣΑΓΩΓΗ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Κωνσταντίνος Ταραμπάνης
Διαβάστε περισσότεραΠανεπιστήμιο Πειραιώς, Τμήμα Πληροφορικής
Πανεπιστήμιο Πειραιώς, Τμήμα Πληροφορικής Ακαδημαϊκό έτος 2009-10 ΣΥΓΦΡΟΝΑ ΘΔΜΑΤΑ ΒΑΣΔΩΝ ΓΔΓΟΜΔΝΩΝ 1 η ΔΡΓΑΣΙΑ ΔΞΑΜΗΝΟΥ ομάδες των 2-3 ατόμων Εισαγωγή Έστω η βάση δεδομένων μιας επιχείρησης (θα μπορούσε
Διαβάστε περισσότεραΠολυδιάστατη Ανάλυση Δεδομένων
Πολυδιάστατη Ανάλυση Δεδομένων Άντληση δεδομένων από τη βάση Το πρώτο βήμα είναι η δημιουργία της πολυδιάστατης βάσης δεδομένων (OLAP On Line Analytical Processing) η οποία απευθύνεται στους καταναλωτές
Διαβάστε περισσότεραBusiness Development, SAP Hellas 01/12/2007
Επιχειρηµατική Ευφυΐα Απότηνιδέαστηνπράξη Παναγιώτης Θεοφάνους Business Development, SAP Hellas 01/12/2007 Περιεχόµενα 1. SAP Εταιρικόπροφίλ 2. Επιχειρηµατική Ευφυΐα - Η ανάγκη 3. SAP Business Intelligence
Διαβάστε περισσότεραΗ 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 περισσότερα14Ιαν Νοε
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Επανάληψη Γιάννης Θεοδωρίδης, Νίκος Πελέκης Εργαστήριο Πληροφοριακών Συστηµάτων http://infolab.cs.unipi.gr
Διαβάστε περισσότεραQuery-by-Example (QBE)
Φροντιστήριο 8 o Χειµερινό Εξάµηνο 2009-10 Τµήµα Μηχανικών Η/Υ και Πληροφορικής Πολυτεχνική Σχολή, Πανεπιστήµιο Πατρών Πέµπτη, 3 εκεµβρίου 2009 Τι είναι η QBE; Γλώσσα επερωτήσεων σε σχεσιακές ϐάσεις δεδοµένων
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Ενότητα 7: Βάσεις Δεδομένων (Θεωρία) Πασχαλίδης Δημοσθένης Τμήμα Ιερατικών Σπουδών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό
Διαβάστε περισσότεραΣχεδίαση και Ανάπτυξη Απ ποθηκών Δεδομένωνν
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Σχεδίαση και Ανάπτυξη Αποθηκών Δεδομένων Διπλωματική Εργασία του Ζαγκαρέτου Λεωνίδα (ΑΕΜ: 139) Επιβλέπων Καθηγητής: Νανόπουλος
Διαβάστε περισσότεραInformation Technology for Business
Information Technology for Business! Lecturer: N. Kyritsis, MBA, Ph.D. Candidate!! e-mail: kyritsis@ist.edu.gr Διαχείριση Επιχειρηματικών Δεδομένων - Databases Ορισμός Βάσης Δεδομένων Συλλογή συναφών αρχείων
Διαβάστε περισσότερα11.1. Θεωρητικό υπόβαθρο για τους κύβους δεδομένων και την πολυδιάστατη ανάλυση
Κεφάλαιο 11. Αποθήκες και κύβοι δεδομένων Σύνοψη Σ αυτό το κεφάλαιο θα παρουσιάσουμε τη δημιουργία μιας αποθήκης δεδομένων ή, αλλιώς, ενός κύβου δεδομένων. Ο κύβος είναι μια πολυδιάστατη δομή δεδομένων
Διαβάστε περισσότεραΠληροφοριακά Συστήµατα
Nell Dale John Lewis Chapter 12 Πληροφοριακά Συστήµατα Στόχοι Ενότητας Η κατανόηση της έννοιας «Πληροφοριακό Σύστηµα» Επεξήγηση της οργάνωσης λογιστικών φύλλων (spreadsheets) Επεξήγηση της ανάλυσης δεδοµένων
Διαβάστε περισσότεραKεφ.2: Σχεσιακό Μοντέλο (επανάληψη) Κεφ.6.1: Σχεσιακή Άλγεβρα
Kεφ.2: Σχεσιακό Μοντέλο (επανάληψη) Κεφ.6.1: Σχεσιακή Άλγεβρα Database System Concepts, 6 th Ed. Silberschatz, Korth and Sudarshan See www.db-book.com for conditions on re-use Παράδειγμα Σχέσης attributes
Διαβάστε περισσότεραΤ Μ Η Μ Α Δ ΙΟ ΙΚ Η Σ Η Σ Μ Ο Ν Α Δ Ω Ν Υ Γ Ε ΙΑ Σ Π ΡΟ Ν Ο ΙΑ Σ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «ΕΓΚΑΤΑΣΤΑΣΗ ΚΑΙ ΜΕΑΕΤΗ ΕΡΓΑΛΕΙΩΝ ΔΙΑΧΕΙΡΙΣΗΣ ΔΕΔΟΜΕΝΩΝ OLAP»
^OAOtj / '** ΠΑ,4*Χ ifflhs&a' ν 1990 ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΑΛΑΜΑΤΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΟΙΚΟΝΟΜΙΑΣ Τ Μ Η Μ Α Δ ΙΟ ΙΚ Η Σ Η Σ Μ Ο Ν Α Δ Ω Ν Υ Γ Ε ΙΑ Σ Π ΡΟ Ν Ο ΙΑ Σ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «ΕΓΚΑΤΑΣΤΑΣΗ
Διαβάστε περισσότεραΤμήμα Πληροφορικής ΑΠΘ
Βάσεις Δεδομένων Εργαστήριο ΙΙ Τμήμα Πληροφορικής ΑΠΘ 2013-2014 2 Σκοπός του 2 ου εργαστηρίου Σκοπός αυτού του εργαστηρίου είναι: Η μελέτη ερωτημάτων σε μία μόνο σχέση. Εξετάζουμε τους τελεστές επιλογής
Διαβάστε περισσότεραPROJECT ΕΡΓΑΣΤΗΡΙΩΝ ΒΑΣΕΩΝ ΔΕΔΟΜΕΝΩΝ Ι. Τμήμα Μηχανικών Πληροφορικής Τ.Ε.
Παραδοτέα 1. Το αρχείο.mdb της βάσης δεδομένων σας σε ACCESS 2. Ένα CD που θα αναγράφει το ονοματεπώνυμο του σπουδαστή και το ΑΕΜ και θα περιέχει το αρχείο.mdb της βάσης δεδομένων καθώς και το εγχειρίδιο
Διαβάστε περισσότεραΣχεσιακό Μοντέλο. Σχεδιασμός Βάσεων Δεδομένων Μάθημα 2 ο Μαρία Χαλκίδη
Σχεσιακό Μοντέλο Σχεδιασμός Βάσεων Δεδομένων Μάθημα 2 ο Μαρία Χαλκίδη Εισαγωγή Το σχεσιακό μοντέλο δεδομένων (relational data model) προτάθηκε από τον E. F. Codd το 1970 Aποτελεί ένα μέσο λογικής δόμησης
Διαβάστε περισσότεραΠρογραμματισμός ταμειακής ροής για αγορές υλικών
Προγραμματισμός ταμειακής ροής για αγορές υλικών Η βάση δεδομένων του Navision μπορεί να χρησιμοποιηθεί για την άντληση δεδομένων και από άλλα εργαλεία εκτός Navision. Θα δημιουργήσουμε ένα παράδειγμα
Διαβάστε περισσότεραΣχεδιασμός Βάσεων Δεδομένων
Πανεπιστήμιο Πειραιώς Τμήμα Ψηφιακών Συστημάτων Σχεδιασμός Βάσεων Δεδομένων Εργαστήριο 1 Δρ. Βασιλική Κούφη Περιεχόμενα 1. Εισαγωγή 2. Κύκλος ζωής ανάπτυξης Βάσεως Δεδομένων 3. Oracle SQL Developer Data
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑIΟΥ & ΑΕΙ ΠΕΙΡΑΙΑ Τ.Τ.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑIΟΥ & ΑΕΙ ΠΕΙΡΑΙΑ Τ.Τ. Τμήματα Ναυτιλίας και Επιχειρηματικών Υπηρεσιών & Μηχ. Αυτοματισμού ΤΕ Εισαγωγή στη MySQL Νικόλαος Ζ. Ζάχαρης Τι είναι η MySql Είναι ένα Σχεσιακό Σύστημα Διαχείρισης
Διαβάστε περισσότεραSQL Data Manipulation Language
SQL Data Manipulation Language Τελεστής union συνδυάζει subselects τα οποία παράγουν συμβατές σχέσεις γενική μορφή: subselect {union [all] subselect} περιορισμός: τα subselects δεν μπορούν να περιέχουν
Διαβάστε περισσότεραΗ SQL αποτελείται από δύο υποσύνολα, τη DDL και τη DML.
Κεφάλαιο 5 Η γλώσσα SQL 5.1 Εισαγωγή Η γλώσσα SQL (Structured Query Language) είναι η πιο διαδεδομένη διαλογική γλώσσα ερωταπαντήσεων που χρησιμοποιείται για την επικοινωνία του χρήστη με σχεσιακές ΒΔ.
Διαβάστε περισσότεραGROUP BY, HAVING, COUNT, MIN, MAX, SUM, AVG, ROLLUP.
SQL: Ερωτήματα ομαδοποίησης και συνάθροισης GROUP BY, HAVING, COUNT, MIN, MAX, SUM, AVG, ROLLUP Αθανάσιος Σταυρακούδης http://stavrakoudis.econ.uoi.gr Άνοιξη 2016 1 / 56 Περιεχόμενα 1 Εισαγωγή, γενικές
Διαβάστε περισσότεραΤι είναι πληροφοριακό σύστημα
Τι είναι πληροφοριακό σύστημα Ένας ορισμός είναι ότι ένα πληροφοριακό σύστημα είναι ένα σύνολο αλληλοσυνδεόμενων μερών που συνεργάζονται για τη συλλογή, επεξεργασία, αποθήκευση και διάχυση πληροφοριών
Διαβάστε περισσότεραΗλεκτρονικοί Υπολογιστές II
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ηλεκτρονικοί Υπολογιστές II SQL Ερωτήματα ομαδοποίησης και συνάθροισης Διδάσκων: Επίκουρος Καθηγητής Αθανάσιος Σταυρακούδης Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΣυστήματα 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 περισσότερα5. ΠΟΛΥΔΙΑΣΤΑΤΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ
5. ΠΟΛΥΔΙΑΣΤΑΤΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Το μοντέλο που δημιουργήσαμε στο προηγούμενο εργαστήριο έχει βελτιωθεί εν μέρει ώστε να συμπεριλάβει και κάποιες δυνατότητες οι οποίες απαιτούν σχετικά εξειδικευμένες
Διαβάστε περισσότεραΒάσεις Δεδομένων και Ευφυή Πληροφοριακά Συστήματα Επιχειρηματικότητας. 2 ο Μάθημα: Βασικά Θέματα Βάσεων Δεδομένων. Δρ. Κωνσταντίνος Χ.
Βάσεις Δεδομένων και Ευφυή Πληροφοριακά Συστήματα Επιχειρηματικότητας 2 ο Μάθημα: Βασικά Θέματα Βάσεων Δεδομένων Δρ. Κωνσταντίνος Χ. Γιωτόπουλος Βασικά θέματα Βάσεων Δεδομένων Ένα Σύστημα Βάσης Δεδομένων
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΑΚΑ 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI B. Μεγαλοοικονόμου Αντικειμενοστρεφή και αντικειμενο-σχεσιακά ΣΔΒΔ (παρουσίαση βασισμένη εν μέρη σε σημειώσεις των Silberchatz, Korth και Sudarshan και του
Διαβάστε περισσότεραΑΠΟΘΗΚΕΣ Ε ΟΜΕΝΩΝ Σ. ΛΙΓΟΥ ΙΣΤΙΑΝΟΣ
ΑΠΟΘΗΚΕΣ Ε ΟΜΕΝΩΝ 195 ΑΠΟΘΗΚΕΣ Ε ΟΜΕΝΩΝ Σ. ΛΙΓΟΥ ΙΣΤΙΑΝΟΣ 8.1 ΓΕΝΙΚΑ Από τα µέσα της δεκαετίας του '70, η αλµατώδης παραγωγή πολύ ισχυρών συστηµάτων διαχείρισης βάσεων δεδοµένων βοήθησε στην ανάπτυξη πληροφοριακών
Διαβάστε περισσότεραΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Επιβλέπων: ΠΟΤΗΡΑΚΗΣ ΑΝΤΩΝΙΟΣ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΜΕΤΟΧΙΑΝΑΚΗ ΙΩΑΝΝΑ ΑΜ:6725 ΠΛΗΡΟΦΟΡΙΑΚΟ ΣΥΣΤΗΜΑ ΓΙΑ ΑΛΥΣΙΔΑ SUPERMARKET ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Επιβλέπων:
Διαβάστε περισσότεραΕµβάθυνση στις έννοιες: Ανάλυση, β) Εξαγωγή Αναφορών (Enterprise Reporting & Online Analytical Processing / OLAP). Παραδείγµατα.
Εµβάθυνση στις έννοιες: α) Εξερεύνηση Βάσεων εδοµένων και Ανάλυση, β) Εξαγωγή Αναφορών (Enterprise Reporting & Online Analytical Processing / OLAP). Παραδείγµατα. ΠΕΤΑ: ΟΤΑ Επιχειρησιακή Νοηµοσύνη [Bc1.1.2
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΑΚΑ 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 περισσότεραΒάσεις Δεδομένων ΙΙ. Διάλεξη 7 η Aποθήκες Δεδομένων και OLAP (On-line Analytical Processing)
Βάσεις Δεδομένων ΙΙ Διάλεξη 7 η Aποθήκες Δεδομένων και OLAP (On-line Analytical Processing) Δ. Χριστοδουλάκης - Α. Φωκά Τμήμα Μηχανικών Η/Υ & Πληροφορικής - Εαρινό Εξάμηνο 2007 Εισαγωγή Παραδοσιακές ΒΔ
Διαβάστε περισσότεραΕργαλεία επιχειρηματικής ευφυΐας στο εμπορικό τμήμα Marketing Τραπεζικού Οργανισμού
Εργαλεία επιχειρηματικής ευφυΐας στο εμπορικό τμήμα Marketing Τραπεζικού Οργανισμού 0 Περιεχόμενα Εισαγωγή... 2 Δομή βάσης Data Warehouse... 3 Δημιουργία ενδεικτικής σχεσιακής βάσης δεδομένων... 3 Δημιουργία
Διαβάστε περισσότεραΈρευνα Μάρκετινγκ Ενότητα 5
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 5 : Μέθοδοι Στατιστικής Ανάλυσης Χριστίνα Μπουτσούκη Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.)
ΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.) 2.1 Κωνσταντίνος Ταραμπάνης Καθηγητής Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων Πανεπιστήμιο Μακεδονίας Γρ. 307 2310-891-578 kat@uom.gr ΤΑΞΙΝΟΜΗΣΗ ΤΩΝ
Διαβάστε περισσότεραΤίτλος Πακέτου Certified Computer Expert-ACTA
Κωδικός Πακέτου ACTA - CCE - 002 Τίτλος Πακέτου Certified Computer Expert-ACTA Εκπαιδευτικές Ενότητες Επεξεργασία Κειμένου - Word Δημιουργία Εγγράφου Προχωρημένες τεχνικές επεξεργασίας κειμένου & αρχείων
Διαβάστε περισσότεραΠροηγμένα Πληροφοριακά Συστήματα. Ακαδημαϊκό Έτος
Προηγμένα Πληροφοριακά Συστήματα Ακαδημαϊκό Έτος 2016-2017 Ομάδα: 1. Κανούτος Κωνσταντίνος ΑΜ: 5775 2. Καραχάλιος Αθανάσιος ΑΜ: 5784 3. Κυριακού Ανδρόνικος ΑΜ: 5806 4. Ντενέζος Παναγιώτης ΑΜ: 5853 5. Παρασκευόπουλος
Διαβάστε περισσότεραΒάσεις Δεδομένων Προχωρημένα Ερωτήματα SQL
Βάσεις Δεδομένων Προχωρημένα Ερωτήματα SQL Παύλος Εφραιμίδης Βάσεις Δεδομένων SQL - Μέρος Τρίτο 1 Περιεχόμενα Προχωρημένα Ερωτήματα SQL Συνένωση Συναθροιστικές Συναρτήσεις Ομαδοποίηση Βάσεις Δεδομένων
Διαβάστε περισσότεραΒάσεις Δεδομένων (Databases)
Βάσεις Δεδομένων (Databases) ΕΠΛ 342 Χειμερινό Εξάμηνο 2011 Διδάσκοντες Καθηγητές Γιώργος Σαμάρας (ΧΩΔ01 109) Δομημένη Γλώσσα Ερωτήσεων SQL DML Σχεσιακοί Τελεστές Τελεστές Συνόλων Ανάκτηση με NULLs Συνδέσεις-Συνενώσεις
Διαβάστε περισσότερα1. ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ
1. ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ Τα δεδομένα που θα επεξεργασθούμε στη διάρκεια του εργαστηρίου παραχωρήθηκαν από την εταιρεία ICAP ειδικά για τις ανάγκες του μαθήματος. Τα δεδομένα αυτά αντλήθηκαν από την
Διαβάστε περισσότεραΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι. Ενότητα 6: SQL (Συζεύξεις, Εμφώλευση, Ομαδοποίηση) Ευαγγελίδης Γεώργιος. Τμήμα Εφαρμοσμένης Πληροφορικής ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι
Ενότητα 6: SQL (Συζεύξεις, Εμφώλευση, Ομαδοποίηση) Ευαγγελίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που
Διαβάστε περισσότεραΕξόρυξη Γνώσης από Βιολογικά εδομένα
Παρουσίαση Διπλωματικής Εργασίας Εξόρυξη Γνώσης από Βιολογικά εδομένα Καρυπίδης Γεώργιος (Μ27/03) Επιβλέπων Καθηγητής: Ιωάννης Βλαχάβας MIS Πανεπιστήμιο Μακεδονίας Φεβρουάριος 2005 Εξόρυξη Γνώσης από Βιολογικά
Διαβάστε περισσότεραΣυστήματα Επιχειρηματικής Ευφυίας. Εισαγωγικές Έννοιες
Συστήματα Επιχειρηματικής Ευφυίας Εισαγωγικές Έννοιες Περιεχόμενα Επιχειρηματική Ευφυΐα: Παραδείγματα Επιχειρηματική Ευφυΐα: Ορισμοί Χρησιμότητα - Σημασία της Επιχειρηματικής Ευφυΐας Δυνατότητες - Οφέλη
Διαβάστε περισσότεραΘεμελιώδεις 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 περισσότεραΠεριεχόμενα. Βάσεις Δεδομένων Προχωρημένα Ερωτήματα SQL. Συνένωση Σχέσεων στην SQL2 (3) Συνένωση Σχέσεων στην SQL2. (Join Relations Feature in SQL)
Περιεχόμενα Βάσεις Δεδομένων Προχωρημένα Ερωτήματα SQL Παύλος Εφραιμίδης Προχωρημένα Ερωτήματα SQL Συνένωση Συναθροιστικές Συναρτήσεις Ομαδοποίηση Βάσεις Δεδομένων SQL - Μέρος Τρίτο 1 Βάσεις Δεδομένων
Διαβάστε περισσότεραΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΤΜΗΜΑ ΠΟΛΙΤΙΣΜΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΣ. Επιλέγει όλες τις πλειάδες, από μια σχέση R, που ικανοποιούν τη συνθήκη επιλογής.
ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Χειμερινό Εξάμηνο 2012 SQL Structured Query Language Δρ. Βαγγελιώ Καβακλή ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ, ΤΜΗΜΑ ΠΟΛΙΤΙΣΜΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΣ 1 Πράξεις της σχεσιακής άλγεβρας ΠΡΑΞΗ ΣΚΟΠΟΣ
Διαβάστε περισσότεραΠληροφοριακά Συστήματα Διοίκησης
Πληροφοριακά Συστήματα Διοίκησης Επιχειρηματική ευφυΐα ΠΜΣ Λογιστική Χρηματοοικονομική και Διοικητική Επιστήμη ΤΕΙ Ηπείρου Επιχειρηματική ευφυΐα Η πλειονότητα των ατόμων μιας επιχείρησης έχουν ανάγκη υποστήριξης
Διαβάστε περισσότεραΤο Σχεσιακό Μοντέλο. Βάσεις Δεδομένων 2014-2015. Ευαγγελία Πιτουρά 1
Το Σχεσιακό Μοντέλο Ευαγγελία Πιτουρά 1 Μοντελοποίηση Σχήμα (database schema): η περιγραφή της δομής της πληροφορίας που είναι αποθηκευμένη στη βδ με τη χρήση ενός μοντέλου δεδομένων Μοντέλο Δεδομένων:
Διαβάστε περισσότεραΗ 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 περισσότεραCertified Data Base Designer (CDBD)
Certified Data Base Designer (CDBD) Εξεταστέα Ύλη (Syllabus) Πνευµατικά ικαιώµατα Το παρόν είναι πνευµατική ιδιοκτησία της ACTA Α.Ε. και προστατεύεται από την Ελληνική και Ευρωπαϊκή νοµοθεσία που αφορά
Διαβάστε περισσότεραΑρχεία και Βάσεις Δεδομένων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Αρχεία και Βάσεις Δεδομένων Διάλεξη 10η: SQL Μέρος 3ο Δημήτρης Πλεξουσάκης Τμήμα Επιστήμης Υπολογιστών SQL Data Manipulation Language Τελεστής union συνδυάζει subselects
Διαβάστε περισσότεραΑνακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα
6ο Πανελλήνιο Συνέδριο των Εκπαιδευτικών για τις ΤΠΕ «Αξιοποίηση των Τεχνολογιών της Πληροφορίας και της Επικοινωνίας στη Διδακτική Πράξη» Σύρος 6-8 Μαϊου 2011 Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ ΔΟΥΒΛΕΤΗΣ ΧΑΡΑΛΑΜΠΟΣ ΕΠΙΒΛΕΠΟΝΤΕΣ ΚΑΘΗΓΗΤΕΣ Μαργαρίτης Κωνσταντίνος Βακάλη
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Πρόγραµµα Μεταπτυχιακών Σπουδών «Πληροφορική»
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Πρόγραµµα Μεταπτυχιακών Σπουδών «Πληροφορική» Μεταπτυχιακή ιατριβή Τίτλος ιατριβής Ονοµατεπώνυµο Φοιτητή Πατρώνυµο Συλλογή, ιασταύρωση, ιαχείριση και Επιχειρησιακή
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.)
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.) 1.1 Κωνσταντίνος Ταραμπάνης Καθηγητής Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων Πανεπιστήμιο Μακεδονίας Γρ. 307 2310-891-578 kat@uom.gr
Διαβάστε περισσότερα