ΧΑΡΑ Κ. ΚΩΣΤΑΚΗ ΜΕΘΟΔΟΙ ΕΙΣΑΓΩΓΗΣ ΚΑΙ ΕΠΙΔΡΑΣΗ ΤΩΝ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΚΑΙ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΕ ΜΟΝΑΔΕΣ ΥΓΕΙΑΣ

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΧΑΡΑ Κ. ΚΩΣΤΑΚΗ ΜΕΘΟΔΟΙ ΕΙΣΑΓΩΓΗΣ ΚΑΙ ΕΠΙΔΡΑΣΗ ΤΩΝ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΚΑΙ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΕ ΜΟΝΑΔΕΣ ΥΓΕΙΑΣ"

Transcript

1 ΧΑΡΑ Κ. ΚΩΣΤΑΚΗ ΜΕΘΟΔΟΙ ΕΙΣΑΓΩΓΗΣ ΚΑΙ ΕΠΙΔΡΑΣΗ ΤΩΝ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΚΑΙ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΕ ΜΟΝΑΔΕΣ ΥΓΕΙΑΣ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΑΣ 2007

2

3 ΠΕΡΙΛΗΨΗ Η διατριβή αναφέρεται στην ανάπτυξη μίας Μεθοδολογίας Ενοποίησης Εργαλείων Διοίκησης (Μ.Ε.Δ.Δ.) για την επίλυση προβλημάτων που παρουσιάζονται στον τομέα της υγείας, τα οποία αναφέρονται αφενός στη χωροθέτηση μονάδων υγείας και αφετέρου στην οργάνωση και διαχείρισή τους. Η καινοτομία της διατριβής αυτής είναι ότι αντιμετωπίζει τα προβλήματα αυτά σαν προβλήματα της μορφής αιτία-κατάστασηαντιμετώπιση, δηλαδή προτείνει την ανάλυση των αιτιών (για παράδειγμα ανάλυση παραγόντων κινδύνου για τη δημιουργία Οξέος Στεφανιαίου Συνδρόμου) που οδηγούν σε μία κατάσταση (Οξύ Στεφανιαίο Σύνδρομο) και μετά χρησιμοποιεί αυτή την ανάλυση για την αντιμετώπιση των καταστάσεων (χωροθέτηση, οργάνωση και διαχείριση μονάδων καρδιαγγειακών νοσημάτων). Η Μ.Ε.Ε.Δ. βασίζεται στην ενοποίηση μεθόδων από τα πεδία της Επιχειρηματικής Νοημοσύνης (Business Intelligence), της Επιχειρησιακής Έρευνας και της Κοστολόγησης, με σκοπό αρχικά την εξαγωγή κανόνων για την εύρεση αιτιών που δημιουργούν μία κατάσταση, στη συνέχεια την αντιμετώπιση αυτής της κατάστασης με βάση τους εξορυγχθέντες κανόνες και τέλος την οργάνωση των λειτουργικών μονάδων που δημιουργήθηκαν για την αντιμετώπιση της κατάστασης. Αρχικά, χρησιμοποιούνται τρεις μέθοδοι του επιστημονικού πεδίου Εξόρυξης από Δεδομένα (data mining): οι κανόνες συσχέτισης (association rules), ταξινόμησης (classification rules) και ομαδοποίησης (clustering rules) ως τεχνικές εύρεσης ισχυρών κανόνων, δηλαδή αιτιών που δημιουργούν την κατάσταση. Στη συνέχεια, χρησιμοποιείται η ανάλυση χωροθέτησης (location analysis) από το πεδίο της επιχειρησιακής έρευνας, προκειμένου να χωροθετηθούν λειτουργικές μονάδες. Η τεχνική της προσομοίωσης (simulation) εφαρμόζεται, προκειμένου να εξετάσει σενάρια σχετικά με τη δομή και τους απαιτούμενους πόρους των μονάδων. Κατόπιν, η τεχνική της 1

4 κοστολόγησης με βάση τις δραστηριότητες (Activity-based costing) χρησιμοποιείται για την κοστολόγηση των υπηρεσιών της μονάδας, ενώ η μέθοδος OLAP (On-line analytical processing) εφαρμόζεται για την παρακολούθηση της λειτουργίας της μονάδας και για τη λήψη στρατηγικών αποφάσεων και διορθωτικών μέτρων. Η εργασία αυτή προτείνει την οργάνωση των μεθόδων που αναφέρθηκαν με μία συγκεκριμένη ροή, ώστε κανείς να οδηγείται σε μία ολοκληρωμένη λύση τέτοιων πολύπλοκων προβλημάτων. 2

5 ΕΥΧΑΡΙΣΤΙΕΣ Κατ αρχάς θα ήθελα να ευχαριστήσω τον καθηγητή μου, κ. Βουτσινά Βασίλειο, Επίκουρο Καθηγητή του τμήματος Διοίκησης Επιχειρήσεων του Πανεπιστημίου της Πάτρας, τόσο για την υπόδειξη του θέματος, όσο και για την καθοδήγησή του καθ όλη τη διάρκεια της εκπονήσεως της διατριβής αυτής. Θα ήθελα επίσης να εκφράσω τις θερμές ευχαριστίες μου στον κ. Παναγιωτάκο Δημοσθένη, Λέκτορα του τμήματος Επιστήμης Διαιτολογίας και Διατροφολογίας του Χαροκόπειου Πανεπιστήμιου για την πολύτιμη και ουσιαστική βοήθειά του σε επιδημιολογικά θέματα. Τέλος, εκτιμάται ιδιαίτερα η συμβολή της τριμελούς επιτροπής που αποτελείται από τους κ.κ. Βουτσινά Βασίλη, Επίκουρο Καθηγητή, Γιαννίκο Ιωάννη, Επίκουρο Καθηγητή και Ζαχαράτο Γεράσιμο, Καθηγητή του τμήματος Διοίκησης Επιχειρήσεων, της διατριβής αυτής. 3

6

7 ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΣΑΓΩΓΗ...11 ΟΡΓΑΝΩΣΗ ΤΗΣ ΔΙΑΤΡΙΒΗΣ...15 ΜΕΡΟΣ Ι: ΘΕΩΡΗΤΙΚΟ ΥΠΟΒΑΘΡΟ ΚΕΦΑΛΑΙΟ 1: ΟΙ ΤΕΧΝΙΚΕΣ ΕΞΟΡΥΞΗΣ ΑΠΟ ΔΕΔΟΜΕΝΑ ΓΕΝΙΚΑ ΚΑΝΟΝΕΣ ΣΥΣΧΕΤΙΣΗΣ ΓΕΝΙΚΑ ΠΑΡΟΥΣΙΑΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΣΥΣΧΕΤΙΣΗΣ ΑΛΓΟΡΙΘΜΟΙ ΣΥΣΧΕΤΙΣΗΣ ΔΙΑΔΟΧΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΠΑΡΑΛΛΗΛΟΙ ΑΛΓΟΡΙΘΜΟΙ ΠΟΣΟΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΓΕΝΙΚΕΥΜΕΝΟΙ ΑΛΓΟΡΙΘΜΟΙ ΧΩΡΙΚΟΙ ΚΑΙ ΧΡΟΝΟΛΟΓΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΔΙΑΦΟΡΑ ΘΕΜΑΤΑ ΚΑΝΟΝΕΣ ΤΑΞΙΝΟΜΗΣΗΣ ΓΕΝΙΚΑ ΑΛΓΟΡΙΘΜΟΙ ΤΑΞΙΝΟΜΗΣΗΣ ΔΕΝΔΡΩΝ ΚΑΝΟΝΕΣ ΔΙΑΚΛΑΔΩΣΗΣ/ ΔΙΑΙΡΕΣΗΣ ΔΕΝΔΡΩΝ ΜΕΘΟΔΟΙ ΠΕΡΙΟΡΙΣΜΟΥ ΕΚΤΑΣΗΣ ΤΩΝ ΔΕΝΤΡΩΝ ΣΥΓΚΡΙΣΗ ΜΕ ΑΛΛΕΣ ΜΕΘΟΔΟΛΟΓΙΕΣ ΚΑΝΟΝΕΣ ΟΜΑΔΟΠΟΙΗΣΗΣ ΓΕΝΙΚΑ ΑΛΓΟΡΙΘΜΟΙ ΟΜΑΔΟΠΟΙΗΣΗΣ ΔΙΑΧΩΡΙΣΤΙΚΗ ΟΜΑΔΟΠΟΙΗΣΗ ΙΕΡΑΡΧΙΚΗ ΟΜΑΔΟΠΟΙΗΣΗ ΟΜΑΔΟΠΟΙΗΣΗ ΒΑΣΕΙ ΣΥΝΘΗΚΩΝ ΠΥΚΝΟΤΗΤΑΣ ΟΜΑΔΟΠΟΙΗΣΗ ΒΑΣΕΙ ΠΛΕΓΜΑΤΩΝ ΟΜΑΔΟΠΟΙΗΣΗ FUZZY ΟΜΑΔΟΠΟΙΗΣΗ ΒΑΣΕΙ ΚΑΤΑΝΟΜΩΝ GAUSSIAN ΔΙΑΦΟΡΑ ΘΕΜΑΤΑ

8 1.5 ΕΦΑΡΜΟΓΕΣ ΤΩΝ ΤΕΧΝΙΚΩΝ ΕΞΟΡΥΞΗΣ ΑΠΟ ΔΕΔΟΜΕΝΑ ΣΕ ΙΑΤΡΙΚΑ ΠΡΟΒΛΗΜΑΤΑ...76 ΚΕΦΑΛΑΙΟ 2: ΑΝΑΛΥΣΗ ΧΩΡΟΘΕΤΗΣΗΣ ΓΕΝΙΚΑ ΔΙΑΚΡΙΣΕΙΣ ΤΩΝ ΜΟΝΤΕΛΩΝ ΧΩΡΟΘΕΤΗΣΗΣ ΠΡΟΒΛΗΜΑΤΑ ΧΩΡΟΘΕΤΗΣΗΣ ΣΤΟ ΕΠΙΠΕΔΟ ΧΩΡΟΘΕΤΗΣΗ ΜΙΑΣ ΜΟΝΑΔΑΣ ΧΩΡΟΘΕΤΗΣΗ ΠΕΡΙΣΣΟΤΕΡΩΝ ΑΠΟ ΜΙΑΣ ΜΟΝΑΔΕΣ ΠΡΟΒΛΗΜΑΤΑ ΧΩΡΟΘΕΤΗΣΗΣ ΣΕ ΔΙΚΤΥΑ ΠΡΟΒΛΗΜΑΤΑ P-MEDIAN ΤΟ ΠΡΟΒΛΗΜΑ SPLP ΠΡΟΒΛΗΜΑΤΑ P-CENTER ΠΡΟΒΛΗΜΑΤΑ ΚΑΛΥΨΗΣ ΔΙΑΦΟΡΑ ΘΕΜΑΤΑ ΕΦΑΡΜΟΓΕΣ ΤΩΝ ΜΟΝΤΕΛΩΝ ΑΝΑΛΥΣΗΣ ΧΩΡΟΘΕΤΗΣΗΣ ΣΤΟΝ ΤΟΜΕΑ ΤΗΣ ΥΓΕΙΑΣ...97 ΚΕΦΑΛΑΙΟ 3: ΠΡΟΣΟΜΟΙΩΣΗ ΓΕΝΙΚΑ ΚΑΤΗΓΟΡΙΕΣ ΣΥΣΤΗΜΑΤΩΝ ΠΡΟΣΟΜΟΙΩΣΗΣ ΜΟΝΤΕΛΑ ΔΙΑΧΕΙΡΙΣΗΣ ΤΟΥ ΧΡΟΝΟΥ ΠΡΟΒΛΕΨΙΜΑ Η ΜΗ ΜΟΝΤΕΛΑ ΔΥΝΑΜΙΚΑ ΚΑΙ ΣΤΑΤΙΚΑ ΜΟΝΤΕΛΑ ΜΟΝΤΕΛΑ ΔΙΑΚΡΙΤΟΥ ΚΑΙ ΣΥΝΕΧΟΥΣ ΧΡΟΝΟΥ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ ΜΕ ΠΡΟΣΟΜΟΙΩΣΗ ΔΙΑΦΟΡΑ ΑΛΛΑ ΘΕΜΑΤΑ ΕΦΑΡΜΟΓΕΣ ΤΩΝ ΜΟΝΤΕΛΩΝ ΠΡΟΣΟΜΟΙΩΣΗΣ ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ ΣΤΟΝ ΤΟΜΕΑ ΤΗΣ ΥΓΕΙΑΣ ΚΕΦΑΛΑΙΟ 4: ΚΟΣΤΟΛΟΓΗΣΗ ΜΕ ΒΑΣΗ ΤΙΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ ΓΕΝΙΚΑ ΜΕΘΟΔΟΛΟΓΙΑ ΚΟΣΤΟΛΟΓΗΣΗΣ ΜΕ ΒΑΣΗ ΤΙΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ ΜΕΘΟΔΟΙ ΕΚΤΙΜΗΣΗΣ ΟΔΗΓΩΝ ΚΟΣΤΟΥΣ ΔΙΑΦΟΡΑ ΘΕΜΑΤΑ ΕΦΑΡΜΟΓΕΣ ΤΩΝ ΤΕΧΝΙΚΩΝ ΚΟΣΤΟΛΟΓΗΣΗΣ ΜΕ ΒΑΣΗ ΤΙΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ ΣΕ ΙΑΤΡΙΚΑ ΠΡΟΒΛΗΜΑΤΑ

9 ΚΕΦΑΛΑΙΟ 5: ΕΝ ΠΑΡΟΔΩ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ (OLAP) ΓΕΝΙΚΑ ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΑΠΟΘΗΚΕΥΣΗΣ ΔΕΔΟΜΕΝΩΝ OLAP ΣΥΝΑΡΤΗΣΕΙΣ ΣΧΕΣΙΑΚΕΣ ΕΠΕΚΤΑΣΕΙΣ/ ΜΟΝΤΕΛΑ ΚΥΒΩΝ ΔΙΑΦΟΡΑ ΘΕΜΑΤΑ ΕΦΑΡΜΟΓΕΣ ΤΗΣ ΤΕΧΝΙΚΗΣ OLAP ΣΕ ΙΑΤΡΙΚΑ ΠΡΟΒΛΗΜΑΤΑ ΜΕΡΟΣ ΙΙ: ΜΕΘΟΔΟΛΟΓΙΑ ΚΕΦΑΛΑΙΟ 6: ΕΦΑΡΜΟΓΗ ΤΩΝ ΚΑΝΟΝΩΝ ΣΥΣΧΕΤΙΣΗΣ ΓΕΝΙΚΑ ΔΕΙΓΜΑ ΠΛΗΘΥΣΜΟΥ ΠΟΥ ΧΡΗΣΙΜΟΠΟΙΗΘΗΚΕ ΓΙΑ ΤΗΝ ΕΦΑΡΜΟΓΗ ΑΠΟΤΕΛΕΣΜΑΤΑ MTHFR ΚΑΙ ΛΙΠΙΔΙΚΟ ΠΡΟΦΙΛ ΤΟΥ ΟΡΟΥ ΣΥΓΚΡΙΣΗ ΜΕ ΚΛΑΣΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕΘΟΔΟΥΣ ΣΥΜΠΕΡΑΣΜΑΤΑ ΣΥΝΕΙΣΦΟΡΑ ΤΟΥ ΣΤΑΔΙΟΥ 1- ΚΑΝΟΝΕΣ ΣΥΣΧΕΤΙΣΗΣ ΣΤΗ ΜΕΘΟΔΟΛΟΓΙΑ ΚΕΦΑΛΑΙΟ 7: ΕΦΑΡΜΟΓΗ ΤΩΝ ΚΑΝΟΝΩΝ ΤΑΞΙΝΟΜΗΣΗΣ ΓΕΝΙΚΑ ΜΕΘΟΔΟΙ ΑΠΟΤΕΛΕΣΜΑΤΑ ΑΛΓΟΡΙΘΜΟΙ ΤΑΞΙΝΟΜΗΣΗΣ C 4.5 ΚΑΙ CL ΣΥΓΚΡΙΣΗ ΜΕ ΚΛΑΣΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕΘΟΔΟΥΣ ΣΥΜΠΕΡΑΣΜΑΤΑ ΣΥΝΕΙΣΦΟΡΑ ΤΟΥ ΣΤΑΔΙΟΥ 1- ΚΑΝΟΝΕΣ ΤΑΞΙΝΟΜΗΣΗΣ ΣΤΗ ΜΕΘΟΔΟΛΟΓΙΑ ΚΕΦΑΛΑΙΟ 8: ΕΦΑΡΜΟΓΗ ΤΩΝ ΚΑΝΟΝΩΝ ΟΜΑΔΟΠΟΙΗΣΗΣ ΓΕΝΙΚΑ ΚΑΝΟΝΕΣ ΟΜΑΔΟΠΟΙΗΣΗΣ ΣΥΝΕΙΣΦΟΡΑ ΤΟΥ ΣΤΑΔΙΟΥ 1-ΚΑΝΟΝΕΣ ΟΜΑΔΟΠΟΙΗΣΗΣ ΣΤΗ ΜΕΘΟΔΟΛΟΓΙΑ

10 ΚΕΦΑΛΑΙΟ 9:... ΕΦΑΡΜΟΓΗ ΤΗΣ ΑΝΑΛΥΣΗΣ ΧΩΡΟΘΕΤΗΣΗΣ (LOCATION ANALYSIS) ΓΕΝΙΚΑ ΑΝΑΛΥΣΗ ΧΩΡΟΘΕΤΗΣΗΣ ΣΥΝΕΙΣΦΟΡΑ ΤΟΥ ΣΤΑΔΙΟΥ 2 ΣΤΗ ΜΕΘΟΔΟΛΟΓΙΑ ΚΕΦΑΛΑΙΟ 10: ΕΦΑΡΜΟΓΗ ΤΗΣ ΠΡΟΣΟΜΟΙΩΣΗΣ ΓΕΝΙΚΑ ΤΟ ΜΟΝΤΕΛΟ ΑΠΟΤΕΛΕΣΜΑΤΑ ΤΟΥ ΜΟΝΤΕΛΟΥ ΠΡΟΣΟΜΟΙΩΣΗΣ ΚΑΙ ΑΞΙΟΛΟΓΗΣΗ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕΝΑΡΙΩΝ ΣΥΝΔΥΑΖΟΝΤΑΣ ΤΗΝ ΤΕΧΝΙΚΗ ΤΗΣ ΠΡΟΣΟΜΟΙΩΣΗΣ ΚΑΙ ΤΗΣ ΟΜΑΔΟΠΟΙΗΣΗΣ ΣΥΜΠΕΡΑΣΜΑΤΑ ΣΥΝΕΙΣΦΟΡΑ ΤΟΥ ΣΤΑΔΙΟΥ 3 ΣΤΗ ΜΕΘΟΔΟΛΟΓΙΑ ΚΕΦΑΛΑΙΟ 11: ΕΦΑΡΜΟΓΗ ΤΗΣ ΚΟΣΤΟΛΟΓΗΣΗΣ ΜΕ ΒΑΣΗ ΤΙΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ ΓΕΝΙΚΑ ΤΟ ΜΟΝΤΕΛΟ ΣΥΜΠΕΡΑΣΜΑΤΑ ΣΥΝΕΙΣΦΟΡΑ ΤΟΥ ΣΤΑΔΙΟΥ 4 ΣΤΗ ΜΕΘΟΔΟΛΟΓΙΑ ΚΕΦΑΛΑΙΟ 12: ΕΦΑΡΜΟΓΗ ΤΗΣ ΤΕΧΝΙΚΗΣ OLAP ΓΕΝΙΚΑ ΤΟ ΜΟΝΤΕΛΟ ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΣΥΝΕΙΣΦΟΡΑ ΤΟΥ ΣΤΑΔΙΟΥ 5 ΣΤΗ ΜΕΘΟΔΟΛΟΓΙΑ ΜΕΡΟΣ ΙΙΙ: ΜΕΛΕΤΕΣ ΠΕΡΙΠΤΩΣΕΩΝ ΚΕΦΑΛΑΙΟ 13: ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ: ΧΩΡΟΘΕΤΗΣΗ, ΟΡΓΑΝΩΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΜΟΝΑΔΩΝ ΚΑΡΔΙΑΓΓΕΙΑΚΩΝ ΝΟΣΗΜΑΤΩΝ/ ΚΕΝΤΡΩΝ ΚΑΡΔΙΑΚΗΣ ΑΠΟΚΑΤΑΣΤΑΣΗΣ ΓΕΝΙΚΑ ΣΤΑΔΙΟ 1 Ο : ΕΥΡΕΣΗ ΑΙΤΙΩΝ ΠΟΥ ΔΗΜΙΟΥΡΓΟΥΝ ΤΗΝ ΚΑΤΑΣΤΑΣΗ (ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ)

11 ΚΑΝΟΝΕΣ ΣΥΣΧΕΤΙΣΗΣ ΚΑΝΟΝΕΣ ΟΜΑΔΟΠΟΙΗΣΗΣ ΚΑΝΟΝΕΣ ΤΑΞΙΝΟΜΗΣΗΣ ΣΤΑΔΙΟ 2 Ο : ΧΩΡΟΘΕΤΗΣΗ ΤΩΝ ΥΠΟ ΜΕΛΕΤΗ ΜΟΝΑΔΩΝ (LOCATION ANALYSIS) ΣΤΑΔΙΟ 3 Ο : ΕΞΕΤΑΣΗ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕΝΑΡΙΩΝ ΟΣΟΝ ΑΦΟΡΑ ΤΗ ΔΟΜΗ ΚΑΙ ΛΕΙΤΟΥΡΓΙΑ ΤΩΝ ΥΠΟ ΕΞΕΤΑΣΗ ΜΟΝΑΔΩΝ ΣΤΑΔΙΟ 4 Ο : ΟΡΓΑΝΩΣΗ ΤΗΣ ΜΟΝΑΔΑΣ, ΓΕΝΙΚΑ ΕΞΟΔΑ ΚΑΙ ΚΟΣΤΟΛΟΓΗΣΗ ΑΥΤΗΣ ΜΕ ΤΗ ΜΕΘΟΔΟ ΚΟΣΤΟΛΟΓΗΣΗΣ ΜΕ ΒΑΣΗ ΤΙΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ (ABC) ΣΤΑΔΙΟ 5 Ο : ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΤΗΣ ΛΕΙΤΟΥΡΓΙΑΣ ΤΗΣ ΜΟΝΑΔΑΣ..278 ΚΕΦΑΛΑΙΟ 14: ΜΕΛΕΤΕΣ ΠΕΡΙΠΤΩΣΕΩΝ ΓΕΝΙΚΑ ΧΩΡΟΘΕΤΗΣΗ, ΟΡΓΑΝΩΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΑΣΤΥΝΟΜΙΚΩΝ ΤΜΗΜΑΤΩΝ ΧΩΡΟΘΕΤΗΣΗ, ΟΡΓΑΝΩΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΝΥΚΤΕΡΙΝΩΝ ΛΥΚΕΙΩΝ ΧΩΡΟΘΕΤΗΣΗ, ΟΡΓΑΝΩΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΠΥΡΟΣΒΕΣΤΙΚΩΝ ΚΡΟΥΝΩΝ ΧΩΡΟΘΕΤΗΣΗ, ΟΡΓΑΝΩΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΠΟΛΕΟΔΟΜΙΚΩΝ ΓΡΑΦΕΙΩΝ ΧΩΡΟΘΕΤΗΣΗ, ΟΡΓΑΝΩΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΤΟΥΡΙΣΤΙΚΗΣ ΑΣΤΥΝΟΜΙΑΣ ΧΩΡΟΘΕΤΗΣΗ, ΟΡΓΑΝΩΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΣΥΣΤΗΜΑΤΩΝ ΕΦΟΔΙΑΣΜΟΥ (LOGISTICS) ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΑΙ ΠΡΟΤΑΣΕΙΣ ΓΙΑ ΜΕΛΛΟΝΤΙΚΗ ΕΡΕΥΝΑ ΔΙΕΘΝΗΣ ΒΙΒΛΙΟΓΡΑΦΙΑ ΕΛΛΗΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

12

13 ΕΙΣΑΓΩΓΗ Η μεθοδολογία που προτείνεται στην παρούσα διατριβή έχει ως σκοπό την επίλυση προβλημάτων που παρουσιάζονται στη διοίκηση Μονάδων Υγείας. Θεωρούμε ως Μονάδα Υγείας ένα υγειονομικό κέντρο που εξειδικεύεται σε έναν ιατρικό τομέα και εστιάζεται στην παροχή συγκεκριμένων υπηρεσιών στους ασθενείς. Οι υπηρεσίες αυτές συνδυάζονται μεταξύ τους και δημιουργούν το σύστημα ιατρικής περίθαλψης και προστασίας που προσφέρει η συγκεκριμένη Μονάδα Υγείας. Η προτεινόμενη μεθοδολογία βασίζεται στην ενοποίηση νέων τεχνολογιών που χρησιμοποιούνται ήδη στην διοικητική επιστήμη, με μία συγκεκριμένη ροή αποτελούμενη από πέντε στάδια, χρησιμοποιώντας τα αποτελέσματα κάθε σταδίου, και κυρίως του πρώτου, για την υλοποίηση των επόμενων σταδίων. Οι τεχνικές που παρουσιάζονται στη διατριβή αυτή και που συνδυαζόμενες αποτελούν τη Μεθοδολογία Ενοποίησης Εργαλείων Διοίκησης (Μ.Ε.Ε.Δ.) που προτείνεται, έχουν ευρέως εφαρμοσθεί σε πλήθος προβλημάτων, συμπεριλαμβανομένου του τομέα της Υγείας. Οι εφαρμογές των τεχνικών αυτών περιγράφονται αναλυτικά για κάθε τεχνική ξεχωριστά στα κεφάλαια 1 έως 5 της διατριβής. Η Μ.Ε.Ε.Δ. ενοποιεί τις τεχνικές αυτές με μία συγκεκριμένη ροή, βασιζόμενη στην αρχή, που προτείνεται στα πλαίσια αυτής της διδακτορικής διατριβής, ότι: τα περισσότερα προβλήματα διοίκησης που παρουσιάζονται στον τομέα της Υγείας είναι προβλήματα της μορφής αιτία-κατάσταση-αντιμετώπιση. Η αρχή αυτή μαζί με την μέθοδο σύνδεσης αιτιών-καταστάσεων αποτελούν, από όσο είμαστε σε θέση να γνωρίζουμε, την καινοτομία της Μ.Ε.Ε.Δ. Η Μ.Ε.Ε.Δ. λειτουργεί κατά στάδια ως εξής: 11

14 Στο πρώτο στάδιο, κάνει ακριβή πρόβλεψη της ζήτησης (δηλαδή προλαβαίνει την κατάσταση) για τις υγειονομικές μονάδες υπό εξέταση, αναλύοντας ιατρικά επιστημονικά δεδομένα με σύγχρονες τεχνικές. Χωροθετεί τις αντίστοιχες μονάδες, βάσει της πρόβλεψης της ζήτησης που προέρχεται από τα αποτελέσματα του σταδίου 1, χρησιμοποιώντας γεωγραφικά και δημογραφικά δεδομένα. Προγραμματίζει το ανθρώπινο δυναμικό και τις ανάγκες σε ιατρικό εξοπλισμό, βασιζόμενη στα αποτελέσματα των προηγούμενων σταδίων. Κοστολογεί τις χωροθετημένες μονάδες, με σκοπό την ανάπτυξη τιμολογιακής πολιτικής που βασίζεται σε σύγχρονες τεχνικές. Παρακολουθεί τη λειτουργία τους, με σκοπό τη λήψη διορθωτικών μέτρων και στρατηγικών αποφάσεων, όπου αυτό κρίνεται απαραίτητο. Έτσι, η Μ.Ε.Ε.Δ. που προτείνεται εφαρμόζεται και εισέρχεται σε όλα τα επίπεδα λειτουργίας μίας μονάδας υγείας, ξεκινώντας από το επιστημονικό, μέσω της εύρεσης αιτιών που οδηγούν σε μία κατάσταση, και στη συνέχεια χρησιμοποιεί την πληροφορία αυτή για την υλοποίηση των επόμενων σταδίων, όπου και επεμβαίνει στα υπόλοιπα επίπεδα, όπως φαίνεται στο Διάγραμμα 1. Το Διάγραμμα 1 δείχνει τις μεθόδους που χρησιμοποιούνται σε κάθε στάδιο της Μ.Ε.Ε.Δ. που προτείνεται, καθώς και τα επίπεδα λειτουργίας της μονάδας υγείας που η κάθε μέθοδος επεμβαίνει. Η Μ.Ε.Ε.Δ. στοχεύει στην επίλυση προβλημάτων διοίκησης κάθε μονάδας υγείας που χωροθετείται. Έτσι, η Μ.Ε.Ε.Δ. βρίσκει εφαρμογή στην εξωνοσοκομειακή περίθαλψη, ενώ επεμβαίνει στις ελλείψεις που υπάρχουν στις πρωτοβάθμιες υπηρεσίες υγείας. Συγκεκριμένα μπορεί να συμπληρώνει το υπάρχον Σύστημα Υγείας μέσω της 12

15 δημιουργίας λειτουργικά ανεξάρτητων από νοσοκομειακές μονάδες εξωτερικών ιατρείων με παροχή εξειδικευμένων υπηρεσιών, με σκοπό την αποσυμφόρηση των κλινικών και των εξωτερικών ιατρείων των μεγάλων νοσοκομείων, την παράλληλη αντιμετώπιση των προβλημάτων υγείας των πολιτών κοντά στην κατοικία τους και τη συγκρότηση ενός αποκεντρωμένου και ολοκληρωμένου Συστήματος Υγείας, βάσει της πραγματικής προβλεπόμενης ζήτησης για υπηρεσίες Υγείας. Επίπεδα Λειτουργίας/ Εξόρυξη Ανάλυση Προσομοίωση Κοστολόγηση OLAP Χρησιμοποιούμενες Δεδομένων Χωροθέτησης (Στάδιο 3) με βάση τις (Στάδιο 5) Τεχνικές (Στάδιο 1) (Στάδιο 2) δραστηριότητες (Στάδιο 4) Επιστημονικό Χ Λειτουργικό Χ Χ Χ Διοικητικό X Χ Χ Χ Διάγραμμα 1: Επίπεδα λειτουργίας μονάδας υγείας και εφαρμοζόμενη μεθοδολογία σε κάθε ένα από αυτά Στη διατριβή αυτή η Μ.Ε.Ε.Δ. εφαρμόσθηκε στην Καρδιολογία και συγκεκριμένα για τη χωροθέτηση, οργάνωση και διαχείριση Μονάδων Καρδιαγγειακών Νοσημάτων, καλύπτει όμως ένα ευρύ φάσμα ιατρικών εφαρμογών, δηλαδή μπορεί κατά τον ίδιο τρόπο να επεκταθεί και σε άλλες ιατρικές εφαρμογές. Στη διατριβή αυτή παρουσιάζονται επιπλέον κάποιες προεκτάσεις εφαρμογών της Μ.Ε.Ε.Δ. που προτείνεται πέραν από τον τομέα της Υγείας, όπως δημιουργία νυχτερινών λυκείων, πολεοδομικών γραφείων, συστημάτων εφοδιασμού κ.α. 13

16 Τέλος, αξίζει να σημειωθεί ότι η επιλογή αυτών των συγκεκριμένων μεθόδων για την ενοποίησή τους στη Μ.Ε.Ε.Δ. βασίζεται στο ερευνητικό ενδιαφέρον που παρουσιάζουν οι μέθοδοι αυτές. Υπάρχουν και άλλες τεχνικές διοίκησης, οι οποίες χρησιμοποιούνται από τις σύγχρονες επιχειρήσεις για τη λήψη αποφάσεων, όπως οι CRM, ERP, Document Management (DM) κλπ. Οι τεχνικές αυτές χρησιμοποιούνται κυρίως για εφαρμογές στη διοίκηση, ενώ η εφαρμογή τους στον τομέα της Υγείας δεν παρουσιάζει ιδιαίτερο ερευνητικό ενδιαφέρον. 14

17 ΟΡΓΑΝΩΣΗ ΤΗΣ ΔΙΑΤΡΙΒΗΣ Η διατριβή αυτή διαιρείται σε τρία μέρη με αντίστοιχα κεφάλαια για κάθε μέρος και οργανώνεται ως εξής: Το μέρος I αποτελεί το θεωρητικό μέρος και περιλαμβάνει τα κεφάλαια 1 έως 5, τα οποία είναι μία περιγραφή των μεθόδων που χρησιμοποιούνται στη Μ.Ε.Ε.Δ. Στο κεφάλαιο 1 περιγράφονται οι τρεις μέθοδοι εξόρυξης δεδομένων, δηλαδή η συσχέτιση, η ταξινόμηση και η ομαδοποίηση. Η περιγραφή αυτή περιλαμβάνει τόσο μία βασική παρουσίαση των προβλημάτων συσχέτισης, ταξινόμησης και ομαδοποίησης, όσο και διαίρεση των μεθόδων σε κατηγορίες, με την παρουσίαση των αντίστοιχων αλγορίθμων που εμφανίζονται στη βιβλιογραφία. Επίσης, το κεφάλαιο 1 περιλαμβάνει μία ομαδοποίηση των προβλημάτων στον τομέα της υγείας που έχουν προσεγγισθεί στην αντίστοιχη βιβλιογραφία με τις τρεις αυτές μεθόδους εξόρυξης από δεδομένα. Το κεφάλαιο 2 παρουσιάζει το πρόβλημα χωροθέτησης μονάδων και ανάλυσης χωροθέτησης, τις βασικές διακρίσεις των μοντέλων χωροθέτησης, καθώς και μία περιγραφή των βασικών προβλημάτων χωροθέτησης στο επίπεδο και τοποθέτησης σε δίκτυο. Το κεφάλαιο 2 περιλαμβάνει επίσης εφαρμογές των μοντέλων ανάλυσης χωροθέτησης στον τομέα της υγείας. Το κεφάλαιο 3 περιγράφει τη μέθοδο της προσομοίωσης, τις βασικές κατηγορίες των συστημάτων προσομοίωσης, τη μοντελοποίηση συστημάτων με προσομοίωση, καθώς και τις προσεγγίσεις που χρησιμοποιούνται για τη μοντελοποίηση των συστημάτων σε προγράμματα υπολογιστών. Το κεφάλαιο ολοκληρώνεται με την παρουσίαση διαφόρων θεμάτων, όπως την εφαρμογή της προσομοίωσης μέσω δικτύου, καθώς και με την κατηγοριοποίηση των εφαρμογών της προσομοίωσης διακριτού χρόνου στον τομέα της υγείας. Το κεφάλαιο 4 αφορά στην περιγραφή της μεθόδου κοστολόγησης με βάση τις δραστηριότητες. Παρουσιάζεται η μεθοδολογία της κοστολόγησης με βάση τις δραστηριότητες, καθώς και οι διάφορες μέθοδοι εκτίμησης των απαιτούμενων 15

18 παραμέτρων (π.χ. των οδηγών κόστους). Το κεφάλαιο ολοκληρώνεται με την περιγραφή διαφόρων θεμάτων, όπως συνδυασμό της μεθόδου ΑΒC με άλλες μεθόδους, όπως αυτή της προσομοίωσης, καθώς και μία ομαδοποίηση των εφαρμογών της κοστολόγησης με βάση τις δραστηριότητες στον τομέα της υγείας. Το κεφάλαιο 5 παρουσιάζει την τεχνική της εν παρόδω ανάλυσης δεδομένων (ΟLΑΡ). Περιγράφεται η ανάγκη για εφαρμογή της τεχνικής αυτής σε μεγάλες βάσεις δεδομένων, η αρχιτεκτονική αποθήκευσης δεδομένων στις εφαρμογές ΟLΑΡ, οι ΟLΑΡ συναρτήσεις που χρησιμοποιούνται για την ανάλυση και οπτικοποίηση των δεδομένων, καθώς και οι σχεσιακές επεκτάσεις και τα διάφορα μοντέλα κύβων, στα οποία υπολογίζονται οι συγκεντρώσεις. Το κεφάλαιο ολοκληρώνεται με την παρουσίαση διαφόρων θεμάτων, όπως μοντέλα για στατιστικές βάσεις δεδομένων, επεκτάσεις της SQL, κ.α., καθώς και με την ομαδοποίηση των εφαρμογών της τεχνικής ΟLΑΡ σε ιατρικά προβλήματα. Το μέρος II αφορά στη Μ.Ε.Ε.Δ. που προτείνεται στην παρούσα διατριβή και αποτελείται από εφαρμογές στα πλαίσια αυτής της διδακτορικής διατριβής όλων των μεθόδων που περιγράφηκαν στο πρώτο μέρος με σκοπό τη βελτίωσή τους και την ενοποίησή τους. Το δεύτερο μέρος απαρτίζεται από τα κεφάλαια 6 έως 12, κάθε ένα από τα οποία αντιστοιχεί σε εφαρμογή κάθε μίας από τις μεθόδους σε ιατρικά δεδομένα. Στο κεφάλαιο 6 παρουσιάζεται μία εφαρμογή των κανόνων συσχέτισης για την εκτίμηση των εξαρτήσεων μεταξύ των βιολογικών παραγόντων και των γονιδίων σε ανθρώπους. Σκοπός της συγκεκριμένης εφαρμογής είναι η εξέταση της επίδρασης μίας γονιδιακής μετάλλαξης στο λιπιδικό προφίλ υγιών ατόμων, μέσω της εξαγωγής κανόνων συσχέτισης. Τα αποτελέσματα από τη μελέτη αυτή συγκρίνονται με αντίστοιχα αποτελέσματα από άλλες μελέτες, στις οποίες έχουν χρησιμοποιηθεί κλασικές στατιστικές μέθοδοι. Το κεφάλαιο 7 αφορά μία εφαρμογή των κανόνων ταξινόμησης, προκειμένου να προβλεφθεί και να εκτιμηθεί η πιθανότητα εμφάνισης μίας χρόνιας ασθένειας (στεφανιαία νόσος). Σκοπός της μελέτης είναι η διερεύνηση της σχέσης μεταξύ του 16

19 καπνίσματος και άλλων ιατρικών καταστάσεων (π.χ. υπέρταση, διαβήτης κ. α.) και του κινδύνου ανάπτυξης μη θανατηφόρου Οξέος Στεφανιαίου Συνδρόμου. Στη συγκεκριμένη εφαρμογή χρησιμοποιήθηκαν δύο διαφορετικοί αλγόριθμοι ταξινόμησης, οι οποίοι και συγκρίθηκαν με τη μέθοδο της λογιστικής παλινδρόμησης ως προς τους εξαγχθέντες λόγους πιθανοτήτων και την ακρίβεια του μοντέλου. Το κεφάλαιο 8 αναφέρεται στην ανάλυση μίας βάσης δεδομένων με τη μέθοδο της ομαδοποίησης, προκειμένου να εξαχθούν ομάδες παραγόντων που οδηγούν σε στεφανιαία νόσο. Εξετάσθηκαν μία σειρά από παράγοντες, όπως παράγοντες τρόπου ζωής, βιοχημικοί δείκτες, διατροφικές συνήθειες κ.α. με σκοπό την εξαγωγή παραγόντων, οι οποίοι συνδυαστικά οδηγούν στην ανάπτυξη μη θανατηφόρου Οξέος Στεφανιαίου Συνδρόμου. Το κεφάλαιο 9 αναφέρεται σε μία εφαρμογή της ανάλυσης χωροθέτησης για την τοποθέτηση η διαβητολογικών κέντρων (μονάδες εξωτερικών ιατρείων) για την παρακολούθηση ενός συγκεκριμένου αριθμού διαβητικών ασθενών, με απώτερο σκοπό την αποσυμφόρηση των μεγάλων νοσοκομείων, αλλά και την καλύτερη εξυπηρέτηση των ασθενών με την ίδρυση μονάδων πλησιέστερα στον τόπο κατοικίας τους. Το κεφάλαιο 10 αφορά την εφαρμογή της μεθόδου της προσομοίωσης διακριτού χρόνου για την απεικόνιση του συστήματος επειγόντων περιστατικών ενός νοσοκομείου. Σκοπός του μοντέλου είναι η αποτελεσματικότερη χρήση των πόρων και η διατήρηση της αναμονής των ασθενών σε χαμηλά επίπεδα. Στη συνέχεια του κεφαλαίου, παρουσιάζεται ένας τρόπος, με τον οποίο αποτελέσματα της προσομοίωσης μπορούν να αναλυθούν με τη μέθοδο της ομαδοποίησης, για καλύτερη κατανόηση του συστήματος και για λήψη στρατηγικών αποφάσεων. Το κεφάλαιο 11 παρουσιάζει την εφαρμογή της κοστολόγησης με βάση τις δραστηριότητες. Σκοπός της συγκεκριμένης εφαρμογής είναι η ολοκλήρωση της μεθόδου κοστολόγησης με βάση τις δραστηριότητες με τις τεχνικές προσομοίωσης και κανόνων συσχέτισης. Συγκεκριμένα, παρουσιάζεται ένας τρόπος, με τον οποίο η προσομοίωση 17

20 τροφοδοτεί το σύστημα ΑΒC, ενώ οι κανόνες συσχέτισης βοηθούν στον υπολογισμό των οδηγών κόστους, σε περιπτώσεις που αυτοί είναι δύσκολο να εκτιμηθούν με τις γνωστές μεθόδους εκτίμησης οδηγών κόστους. Το κεφάλαιο 12 αφορά την εφαρμογή της τεχνικής ΟLΑΡ για την εκτίμηση του συνολικού κινδύνου ανάπτυξης οξέων στεφανιαίων συνδρόμων. Σκοπός της συγκεκριμένης εφαρμογής είναι η εξέταση προτύπων σε καρδιαγγειακούς παράγοντες κινδύνου από ένα μεγάλο δείγμα ασθενών και αντίστοιχων μαρτύρων. Το μέρος III αφορά ολοκληρωμένες μελέτες περιπτώσεων της Μ.Ε.Ε.Δ που προτείνεται και απαρτίζεται από τα κεφάλαια 13 και 14. Το κεφάλαιο 13 παρουσιάζει μία συγκεκριμένη και ολοκληρωμένη μελέτη περίπτωσης (τεχνικοοικονομική μελέτη) για την χωροθέτηση, οργάνωση και διαχείριση μονάδων καρδιαγγειακών νοσημάτων/ κέντρων καρδιακής αποκατάστασης. Η μελέτη ξεκινά με το στάδιο 1 της Μ.Ε.Ε.Δ., που είναι η πρόβλεψη της ζήτησης για αντίστοιχες μονάδες, το οποίο γίνεται με τις μεθόδους εξόρυξης από δεδομένα, δηλαδή τους κανόνες συσχέτισης, ταξινόμησης και ομαδοποίησης. Το στάδιο 2 αναφέρεται στη χωροθέτηση των αντίστοιχων μονάδων σε διαστάσεις (x, y), το οποίο γίνεται με την ανάλυση χωροθέτησης και προέρχεται από τα αποτελέσματα του σταδίου 1. Το τρίτο στάδιο αφορά τη μελέτη για τη δυναμικότητα της μονάδας (ανθρώπινο δυναμικό, μηχανήματα κ.α), το οποίο προέρχεται από τα δύο προηγούμενα στάδια (1 και 2). Το στάδιο αυτό μελετάται με τη μέθοδο της προσομοίωσης. Το τέταρτο στάδιο αναφέρεται στην κοστολόγηση της μονάδας, το οποίο γίνεται με τη μέθοδο κοστολόγησης με βάση τις δραστηριότητες, οι οποίες προκύπτουν από το προηγούμενο στάδιο (στάδιο 3) της προσομοίωσης. Τέλος, το πέμπτο στάδιο αφορά στην παρακολούθηση της λειτουργίας της μονάδας με τη μέθοδο ΟLΑΡ. Το κεφάλαιο 14 αναφέρεται αναλυτικά σε περιπτώσεις, στις οποίες μπορεί να επεκταθεί η Μ.Ε.Ε.Δ. εκτός από τον τομέα της υγείας, δηλαδή σε άλλα προβλήματα διοίκησης. 18

21 Η διατριβή ολοκληρώνεται με την παρουσίαση των βασικών συμπερασμάτων, καθώς και με τις προτάσεις για μελλοντική έρευνα. 19

22

23 ΜΕΡΟΣ Ι: ΘΕΩΡΗΤΙΚΟ ΥΠΟΒΑΘΡΟ

24

25 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα ΚΕΦΑΛΑΙΟ 1: ΟΙ ΤΕΧΝΙΚΕΣ ΕΞΟΡΥΞΗΣ ΑΠΟ ΔΕΔΟΜΕΝΑ 1.1 ΓΕΝΙΚΑ Οι τεχνικές εξόρυξης από δεδομένα αποτελούν ένα από τα σημαντικότερα εργαλεία ανάλυσης δεδομένων των τελευταίων δεκαετιών. Όλο και περισσότερο αναγνωρίζεται η συνεισφορά των διαφόρων τεχνικών αυτών στην ανάλυση μεγάλων βάσεων δεδομένων σε σχέση με τις κλασικές στατιστικές μεθόδους. Το βασικό πλεονέκτημα των τεχνικών αυτών σε σχέση με τις στατιστικές μεθόδους είναι ότι οι πρώτες μπορούν να αναγνωρίσουν σχέσεις μεταξύ μεταβλητών που δεν είναι γνωστές από την αρχή (a priori) σε ένα σύνολο δεδομένων ή ακόμη και να είναι γνωστές, μπορεί να συμβαίνουν μόνο σε ένα πολύ μικρό ποσοστό στο σύνολο αυτό. Αυτό σημαίνει ότι πρότυπα (patterns) που μπορεί να ενδιαφέρουν έναν αναλυτή μπορεί να μην αντιπροσωπεύουν συνολικές τάσεις των δεδομένων και έτσι δεν θα μπορούν να αποκαλυφθούν από ένα στατιστικό τεστ. Έτσι, ενώ τα στατιστικά τεστ απαιτούν έλεγχο στατιστικών υποθέσεων σε σχέση με έναν πληθυσμό, οι τεχνικές εξόρυξης από δεδομένα παρέχουν αυτόματα επιβεβαιωμένες σχέσεις με τη μορφή κανόνων σε μεγάλες βάσεις δεδομένων (Westphal, C. and Blaxton, T., 1998). Κατά συνέπεια, η αποτελεσματικότητα των κλασικών μεθόδων περιορίζεται από έναν μεγάλο αριθμό παραγόντων, όπως η ικανότητα του αναλυτή να θέσει τα καίρια ερωτήματα και να έχει άμεσα αποτελέσματα, η δυσκολία στη διαχείριση της πολυπλοκότητας των χαρακτηριστικών κ.ο.κ. (Moxon, B., 1996). Σε αντίθεση με αυτές τις μεθόδους, οι τεχνικές εξόρυξης από δεδομένα επιτρέπουν στο χρήστη να ανακαλύψει τις σημαντικές σχέσεις μέσα στα δεδομένα, χρησιμοποιώντας μεθοδολογίες ανεύρεσης γνώσης (knowledge discovery). Οι αλγόριθμοι των τεχνικών εξόρυξης από δεδομένα 23

26 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα μπορούν να επεξεργαστούν πολυδιάστατες σχέσεις μεταξύ των δεδομένων και να εξάγουν τους χρήσιμους και υπερέχοντες κανόνες. Πολλές από τις τεχνικές που χρησιμοποιούνται σήμερα ως τεχνικές εξόρυξης από δεδομένα υπάρχουν πολλά χρόνια, μέσα στα πλαίσια της επιστήμης της τεχνητής νοημοσύνης (artificial intelligence) και αναπτύχθηκαν στα τέλη της δεκαετίας του Παρ όλα αυτά, μόλις τα τελευταία χρόνια οι τεχνικές αυτές εφαρμόζονται σε μεγάλες βάσεις δεδομένων (Witten, I.H. and Frank, E., 2001). Παρ όλο που υπάρχουν διαφορές σε σχέση με τον ακριβή ορισμό των τεχνικών εξόρυξης από δεδομένα (Kamath, C., 2001), οι περισσότεροι επιστήμονες και αναλυτές συμφωνούν ότι οι τεχνικές εξόρυξης από δεδομένα είναι ένα πολυεπιστημονικό πεδίο γνώσης, το οποίο δανείζεται ιδέες από τα πεδία της επιστήμης της πληροφορικής, όπως την τεχνητή νοημοσύνη και την αναγνώριση προτύπων, τη στατιστική, τη μαθηματική βελτιστοποίηση κ.α. Σύμφωνα με έναν ευρέως αποδεκτό ορισμό, οι τεχνικές εξόρυξης από δεδομένα είναι μία διαδικασία, η οποία ασχολείται με την αναγνώριση προτύπων, σχέσεων, ανωμαλιών και στατιστικώς σημαντικών δομών σε δεδομένα (Fayyad et al., 1996). Τυπικά αναφέρεται σε περιπτώσεις, όπου τα δεδομένα είναι πάρα πολλά ή πολύ πολύπλοκα, έτσι ώστε αναλυτικές μέθοδοι με απλές ερωτήσεις (queries) ή απλά manual ανάλυση είναι πρακτικά άχρηστες. Οι τεχνικές εξόρυξης από δεδομένα περιλαμβάνουν δύο βασικά βήματα: την προεπεξεργασία δεδομένων και την αναγνώριση προτύπων στα δεδομένα αυτά. Κατά το στάδιο της προεπεξεργασίας των δεδομένων αναγνωρίζονται τα σχετικά με το πρόβλημα χαρακτηριστικά (attributes/ features). Το στάδιο αυτό μπορεί να περιλαμβάνει και διάφορα άλλα υποστάδια, όπως διαχείριση κενών τιμών στα πεδία, κανονικοποίηση των δεδομένων, μείωση δεδομένων κ.ο.κ. (Witten, I.H. and Frank, E., 2001). Το δεύτερο στάδιο περιλαμβάνει αναγνώριση προτύπων βάσει των χαρακτηριστικών που είχαν 24

27 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα αναγνωριστεί στο προηγούμενο στάδιο και την αξιολόγησή τους. Η αναγνώριση των προτύπων αυτών γίνεται αρχικά με την επιλογή της κατάλληλης μεθόδου εξόρυξης από δεδομένα και στη συνέχεια με τη χρήση αλγορίθμων εξόρυξης από δεδομένα. Παρ όλο που κατά τη διαδικασία εξόρυξης από δεδομένα δίνεται ιδιαίτερη έμφαση στο στάδιο της αναγνώρισης προτύπων, αξίζει να σημειωθεί ότι πολλοί έχουν αναγνωρίσει ότι το στάδιο της προεπεξεργασίας δεδομένων είναι αυτό που επηρεάζει περισσότερο την επιτυχία ή όχι της ανεύρεσης γνώσης από δεδομένα (Langley, P. and Simon, H.A., 1995), (Burl, M. et al., 1998). Πρέπει, επίσης, να σημειώσουμε ότι η διαδικασία των τεχνικών εξόρυξης από δεδομένα είναι επαναληπτική και συμμετοχική. Το αποτέλεσμα που προκύπτει από το κάθε στάδιο ή η επαναπληροφόρηση (feedback) από τους ειδικούς που λαμβάνουν μέρος σε αυτή τη διαδικασία μπορεί να οδηγήσει σε διάφορες αλλαγές στα επόμενα στάδια (παράδειγμα: Cantu-Paz, E. and Kamath, C., 2001). Οι σημαντικότερες τεχνικές εξόρυξης από δεδομένα, οι οποίες αναφέρονται ως τύποι γνώσης που εξάγονται αυτόματα με τη μορφή κανόνων είναι: 1. Οι κανόνες συσχέτισης 2. Οι κανόνες ταξινόμησης 3. Οι κανόνες ομαδοποίησης Στις παραγράφους του κεφαλαίου 1 που ακολουθούν θα παρουσιασθούν αναλυτικά οι τρεις αυτές τεχνικές εξόρυξης από δεδομένα. 25

28 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα 1.2 ΚΑΝΟΝΕΣ ΣΥΣΧΕΤΙΣΗΣ ΓΕΝΙΚΑ Οι κανόνες συσχέτισης (association rules) είναι μία από τις σημαντικότερες τεχνικές εξόρυξης από δεδομένα. Η κυριότερη εφαρμογή τους είναι η ανάλυση του καλαθιού της νοικοκυράς (market-basket analysis), όπου η αγορά ενός συνόλου προϊόντων (για παράδειγμα το περιεχόμενο ενός καλαθιού σούπερ-μάρκετ) αντιμετωπίζεται ως μία μεμονωμένη συναλλαγή. Σκοπός είναι η εύρεση τάσεων (αλληλεξαρτήσεων/ συσχετίσεων) μεταξύ ενός αριθμού συναλλαγών, οι οποίες στη συνέχεια μπορούν να αναλυθούν και μέσω αυτών να αναγνωρισθούν αγοραστικά πρότυπα, τα οποία στη συνέχεια θα χρησιμοποιηθούν ως πληροφορία (Witten, I.H. and Frank, E., 2001). Η έννοια των κανόνων συσχέτισης εισήχθη το 1993 (Agrawal, R. et al., 1993) και αναφερόταν στην εξαγωγή συσχετίσεων στα πεδία βάσεων δεδομένων. Έκτοτε, έχει τύχει ευρείας έρευνας και εφαρμογής. Ένας κανόνας συσχέτισης είναι μία έκφραση της μορφής Χ=>Υ, όπου Χ και Υ είναι σύνολα τιμών των πεδίων. Η σημασία ενός τέτοιου κανόνα είναι ότι οι περισσότερες εγγραφές της βάσης δεδομένων που περιέχουν το Χ, περιέχουν και το Υ. Σκοπός είναι η εύρεση συσχετίσεων μεταξύ των στηλών ενός συνόλου (πίνακα) δεδομένων. Η σημαντικότητα ενός κανόνα συσχέτισης καθορίζεται από το ποσοστό εφαρμογής του κανόνα στο σύνολο της βάσης δεδομένων. Ένας κλασικός κανόνας συσχέτισης είναι για παράδειγμα της μορφής: «Το 70% των καταναλωτών που αγοράζουν ψωμί, αγοράζουν και βούτυρο, όπως επίσης και στο 60% των αγορών έχουν αγορασθεί ψωμί και βούτυρο». Έτσι, κάθε κανόνας συσχέτισης έχει δύο μεταβλητές μέτρησης, την επιβεβαίωση (support) και την αξιοπιστία (confidence). Η αξιοπιστία μετράει ουσιαστικά την ισχύ του κανόνα, δηλαδή είναι το ποσοστό των συναλλαγών που περιέχουν το Υ επί του αριθμού των συναλλαγών που περιέχουν το Χ. Αντιπροσωπεύει, δηλαδή, τη δεσμευμένη 26

29 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα πιθανότητα του Υ δεδομένου του Χ. Η επιβεβαίωση αναφέρεται ουσιαστικά σε στατιστική σημαντικότητα και είναι το ποσοστό που εμφανίζονται το Χ και το Υ μαζί επί του συνόλου της βάσης δεδομένων (πόσο συχνά δηλαδή συμβαίνει το πρότυπο αυτό στη βάση δεδομένων). Το πρόβλημα εύρεσης κανόνων συσχέτισης αναφέρεται στην εύρεση εκείνων των κανόνων που έχουν μία καθορισμένη από το χρήστη ελάχιστη επιβεβαίωση και αξιοπιστία. Βασικά προβλήματα που αφορούν στην εύρεση κανόνων συσχέτισης αναφέρονται στην πολυπλοκότητα των αλγορίθμων και στη δυσκολία επιλογής των χρήσιμων κανόνων από το σύνολο των κανόνων που προκύπτουν (παράδειγμα: Hipp, J. et al., 2000). Το πρώτο πρόβλημα αναφέρεται στο γεγονός ότι ο αριθμός των κανόνων αυξάνεται εκθετικά με τον αριθμό των πεδίων. Οι σημερινοί αλγόριθμοι που εξάγουν κανόνες συσχέτισης μπορούν να μειώσουν αποτελεσματικά τον αριθμό αυτόν, βασισμένοι σε κατώφλια (thresholds), δηλαδή την επιβεβαίωση και την αξιοπιστία, για μέτρηση της ποιότητας των κανόνων. Το δεύτερο πρόβλημα αναφέρεται στο γεγονός ότι οι χρήσιμοι κανόνες που συνήθως προκύπτουν είναι μόνο ένα μικρό ποσοστό του συνόλου των κανόνων. Το πρόβλημα αυτό ερευνάται σε σχέση με την υποστήριξη προς το χρήστη (user support), όταν αναζητά κανόνες μέσα στους κανόνες που έχουν εξαχθεί (Klemettinen, M. et al., 1994), καθώς και με την ανάπτυξη επιπλέον μέτρων ποιότητας στους κανόνες (Brin, S. et al, 1997a), (Brin, S. t al., 1997b), (Silverstein, C. et al.,1998) ΠΑΡΟΥΣΙΑΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΣΥΣΧΕΤΙΣΗΣ Υποθέτουμε ότι Χ= {x 1,., x n } είναι ένα σύνολο από προϊόντα. Έστω D ένα σύνολο από αγορές, όπου κάθε αγορά Τ είναι μία λίστα από προϊόντα, όπου Τ Χ. Κάθε υποσύνολο από προϊόντα ΧUΧ ονομάζεται λίστα προϊόντων (itemset). Ο κανόνας συσχέτισης είναι μία έκφραση της μορφής Χ=>Υ, όπου Χ Χ, Υ Χ και Χ Υ= 0. Ο 27

30 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα κανόνας Χ=>Υ, σε ένα σύνολο από αγορές D, ισχύει με αξιοπιστία c, αν το c% των αγορών που ανήκουν στο D και περιέχουν το Χ, περιέχουν επίσης και το Υ. Ο κανόνας Χ=>Υ έχει επιβεβαίωση s, αν το s% των αγορών που ανήκουν στο D περιέχουν το ΧUY (Agrawal, R. and Srikant, R., 1994). Όπως γίνεται φανερό από όσα προαναφέρθηκαν, η αξιοπιστία προκύπτει από την επιβεβαίωση ως εξής: c(χ=> Υ)= s(χuy)/ s (X). Όπως ήδη αναφέρθηκε, ένα βασικό πρόβλημα στην εξαγωγή κανόνων συσχέτισης είναι ο τεράστιος αριθμός κανόνων που εξάγονται. Για την ακρίβεια, ο αριθμός των κανόνων αυξάνεται εκθετικά, καθώς το Χ αυξάνεται. Προκειμένου να μειωθεί ο αριθμός των κανόνων που εξάγονται, εισάγεται ο περιορισμός της ελάχιστης επιβεβαίωσης και της ελάχιστης αξιοπιστίας (misupp και minconf). Έτσι, το πρόβλημα εύρεσης κανόνων συσχέτισης μπορεί να διαιρεθεί στα δύο υπό-προβλήματα (Agrawal, R. and Srikant, R., 1994): (1) Εύρεση όλων των συνδυασμών των προϊόντων που έχουν επιβεβαίωση πάνω από την ελάχιστη επιβεβαίωση (η οποία καθορίζεται από το χρήστη). Όλοι αυτοί οι συνδυασμοί ονομάζονται μεγάλες λίστες από προϊόντα (large itemsets) και όλοι οι υπόλοιποι συνδυασμοί μικρές λίστες από προϊόντα (small itemsets). (2) Εξόρυξη κανόνων συσχέτισης, βασισμένη στις μεγάλες λίστες από προϊόντα, οι οποίες έχουν μεγαλύτερη αξιοπιστία από αυτήν που καθορίζει ο χρήστης. Η γνώση για τις τιμές της επιβεβαίωσης όλων των υπολιστών του Χ διασφαλίζεται μέσω της ιδιότητας της επιβεβαίωσης των προϊόντων: όλα τα υποσύνολα μίας μεγάλης λίστας από προϊόντα πρέπει να είναι και αυτά μεγάλες λίστες από προϊόντα (Agrawal, R. and Srikant, R., 1994). Έτσι, το πρόβλημα της εξόρυξης κανόνων συσχέτισης εντοπίζεται στην εύρεση των μεγάλων λιστών από προϊόντα, δεδομένης μίας ελάχιστης επιβεβαίωσης. 28

31 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα ΑΛΓΟΡΙΘΜΟΙ ΣΥΣΧΕΤΙΣΗΣ Οι αλγόριθμοι εξαγωγής κανόνων συσχέτισης μπορούν να χωρισθούν σε διάφορες κατηγορίες, ανάλογα με τον τύπο κανόνων που εξάγονται (κανονικούς-boolean, χωρικούς, γενικευμένους, ποιοτικούς κ.α.), την αρχιτεκτονική του επεξεργαστή που χρησιμοποιείται (διαδοχικοί, παράλληλοι), τον τρόπο δημιουργίας υποψήφιων λιστών (για παράδειγμα, μία δυναμική στρατηγική δημιουργεί τις λίστες κατά τη διάρκεια του σκαναρίσματος των δεδομένων, ενώ μία υβριδική τεχνική δημιουργεί κάποιες υποψήφιες λίστες πριν και κάποιες κατά τη διάρκεια), τη δομή των δεδομένων κ.α. Θα επικεντρωθούμε στους βασικότερους τύπους αλγορίθμων όπως αναλύονται παρακάτω ΔΙΑΔΟΧΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ (Sequential algorithms) Στους διαδοχικούς αλγορίθμους γίνεται η υπόθεση ότι οι λίστες προϊόντων εντοπίζονται και αποθηκεύονται σε λεξικογραφική σειρά, βασισμένη στο όνομα του προϊόντος. Αυτή η σειρά παρέχει έναν λογικό τρόπο, με τον οποίο τα προϊόντα και οι λίστες δημιουργούνται και μετρώνται. Οι διαδοχικοί αλγόριθμοι σχεδιάζονται να λειτουργούν με διαδοχικούς μηχανισμούς σε έναν κεντρικό επεξεργαστή. Σε αυτή την κατηγορία έχουν προταθεί πολλοί αλγόριθμοι, με αρχικό τον AIS (Agrawal, R. et al., 1993). Ο αλγόριθμος αυτός στόχευε στην εξαγωγή ποιοτικών κανόνων. Στον αλγόριθμο αυτό οι υποψήφιες λίστες δημιουργούνται και μετρώνται καθώς σκανάρεται η βάση δεδομένων. Μετά από την ανάγνωση μίας συναλλαγής, καθορίζεται ποια από τα προϊόντα που είχαν βρεθεί ως μεγάλες λίστες στην προηγούμενη επανάληψη περιλαμβάνονται στη συναλλαγή. Νέες υποψήφιες λίστες από προϊόντα δημιουργούνται με την επέκταση αυτών των μεγάλων λιστών με άλλα προϊόντα της συναλλαγής. Ο αλγόριθμος SETM (Houtsma, M. and Swami, A., 1993) προορίζεται για να υλοποιηθεί άμεσα στην SQL για υπολογισμούς μεγάλων λιστών. Όπως και ο AIS, έτσι και ο 29

32 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα αλγόριθμος αυτός δημιουργεί υποψήφιες λίστες βασισμένος σε συναλλαγές που διαβάζει από τη βάση δεδομένων. Για να χρησιμοποιήσει την SQL για δημιουργία υποψήφιων λιστών, ο αλγόριθμος διαχωρίζει τις υποψήφιες λίστες από το μέτρημα (counting). Ο βασικός αλγόριθμος Apriori (Agrawal, R. and Srikant, R., 1994) αναπτύχθηκε, προκειμένου να μειώσει τη δημιουργία τόσων πολλών υποψήφιων λιστών από προϊόντα (αυτό δηλαδή που έκαναν οι προηγούμενοι αλγόριθμοι), τα οποία τελικά μπορεί να ήταν μικρές λίστες. Η εύρεση των μεγάλων λιστών, όπως αναφέρθηκε και στην προηγούμενη ενότητα, βασίζεται στο ότι μία λίστα από προϊόντα είναι μεγάλη λίστα από προϊόντα, αν κάθε υποσύνολό της είναι μεγάλη λίστα από προϊόντα. Η εύρεση αυτή γίνεται κατόπιν πολλών επαναλήψεων στη βάση δεδομένων. Κατά την πρώτη επανάληψη, υπολογίζεται η επιβεβαίωση κάθε προϊόντος και υπολογίζεται ποια από αυτά είναι μεγάλες λίστες. Σε κάθε επόμενη επανάληψη, λαμβάνονται υπόψη μόνο οι μεγάλες λίστες από προϊόντα που είχαν βρεθεί στην προηγούμενη επανάληψη, χωρίς να λαμβάνονται υπόψη οι συναλλαγές. Από τις νέες λίστες δημιουργούνται νέες υποψήφιες μεγάλες λίστες. Κατόπιν μετράται η επιβεβαίωση των λιστών αυτών και καθορίζεται ποιες από αυτές είναι τελικά μεγάλες λίστες. Ο αλγόριθμος ξεκινάει πάλι, λαμβάνοντας υπόψη τις μεγάλες λίστες που καθορίστηκαν στην προηγούμενη επανάληψη. Αναλυτικά, τα βήματα του αλγορίθμου Apriori έχουν ως εξής: 1. Εύρεση των προϊόντων που έχουν επιβεβαίωση μεγαλύτερη από την ελάχιστη επιβεβαίωση, δηλαδή το σύνολο L 1 = μεγάλες λίστες από ένα προϊόν. 2. Από k=2 και όσο το L k-1 δεν είναι κενό: α) εύρεση του συνόλου C k των υποψηφίων μεγάλων λιστών από k προϊόντα με συνόλου βάση το L k-1 β) εύρεση της επιβεβαίωσης των υποψήφιων μεγάλων λιστών και δημιουργία 30

33 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα L k = μεγάλες λίστες από k προϊόντα. 3. Για κάθε στοιχείο των L 1..L n εύρεση εκείνων που έχουν αξιοπιστία μεγαλύτερη από την ελάχιστη αξιοπιστία. Στο πρώτο βήμα ο αλγόριθμος μετράει την επιβεβαίωση του κάθε προϊόντος ξεχωριστά, ώστε να σχηματιστούν οι μεγάλες λίστες μεγέθους ενός προϊόντος. Στο δεύτερο βήμα (που αποτελείται από δύο υποβήματα) μεγάλες λίστες από k-1 προϊόντα που βρέθηκαν στην προηγούμενη επανάληψη, χρησιμοποιούνται για να δημιουργηθούν οι υποψήφιες μεγάλες λίστες από k προϊόντα (C k ). Κατόπιν, υπολογίζεται η επιβεβαίωση των υποψηφίων μεγάλων λιστών από k προϊόντα. Το βήμα αυτό τερματίζεται, όταν δεν υπάρχουν υποψήφιες μεγάλες λίστες. Τέλος, στο τρίτο βήμα, υπολογίζεται η αξιοπιστία κάθε μεγάλης λίστας προϊόντων και εξάγονται κανόνες, από τους οποίους γίνονται αποδεκτοί εκείνοι που έχουν αξιοπιστία μεγαλύτερη από την ελάχιστη αξιοπιστία. Ο βασικός αλγόριθμος Apriori πλεονεκτεί έναντι των προαναφερθέντων, διότι μειώνει τη δημιουργία πολλών υποψηφίων λιστών από προϊόντα, είναι ο αλγόριθμος, στον οποίο στηρίζονται οι περισσότεροι αλγόριθμοι που έχουν αναπτυχθεί έκτοτε και αποτελεί ένα μεγάλο βήμα στην ανάπτυξη των κανόνων συσχέτισης (Cheung, D. W-L. et al, 1996). Μία παραλλαγή του βασικού αλγορίθμου Apriori είναι ο αλγόριθμος AprioriTID (Agrawal, R. and Srikant, R., 1994). Ένα ενδιαφέρον χαρακτηριστικό του αλγορίθμου αυτού είναι το γεγονός ότι δεν χρησιμοποιείται για υπολογισμό της επιβεβαίωσης των υποψήφιων μεγάλων λιστών η βάση δεδομένων D μετά την πρώτη επανάληψη. Άντ αυτού, χρησιμοποιείται μία κωδικοποίηση των υποψηφίων μεγάλων λιστών που είχε χρησιμοποιηθεί στην προηγούμενη επανάληψη. Σε επόμενες επαναλήψεις το μέγεθος της κωδικοποίησης αυτής μπορεί να γίνει πολύ μικρότερο από τον αριθμό των συναλλαγών στη βάση δεδομένων. 31

34 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα Μία επέκταση των Apriori και AprioriTID είναι ο αλγόριθμος AprioriHybrid (Agrawal, R. and Srikant, R., 1994), ο οποίος συνδυάζει τα καλύτερα χαρακτηριστικά και των δύο αλγορίθμων. Συγκεκριμένα, ενώ ο Apriori στις αρχικές επαναλήψεις δίνει γρηγορότερα αποτελέσματα, ο AprioriTID δίνει γρηγορότερα αποτελέσματα σε μεταγενέστερες επαναλήψεις. Έτσι, ο AprioriHybrid χρησιμοποιεί τον Apriori σε αρχικά στάδια και στη συνέχεια χρησιμοποιεί τον AprioriTID, όταν είναι πιθανό ότι η κωδικοποιημένη αρχική λίστα στο τέλος της επανάληψης θα χωράει στη μνήμη. Η αλλαγή αυτή από τον έναν αλγόριθμο στον άλλον, φυσικά, συμπεριλαμβάνει ένα κόστος. Μία άλλη παραλλαγή του αλγορίθμου Apriori είναι ο αλγόριθμος DIC (Dynamic itemset counting) (Brin, S. et al., 1997). O αλγόριθμος αυτός ομαλοποιεί τη διάκριση μεταξύ μετρήματος και δημιουργίας υποψηφίων λιστών. Κάθε φορά που μία υποψήφια λίστα φτάσει την ελάχιστη επιβεβαίωση (χωρίς να έχει «δει» όλες τις συναλλαγές), ο αλγόριθμος δημιουργεί νέες υποψήφιες λίστες βασισμένη σε αυτή. Ο αλγόριθμος PARTITION (Savesere, A. et al., 1995) χωρίζει τη βάση δεδομένων σε μικρά κομμάτια, έτσι ώστε να μπορούν να επεξεργάζονται ξεχωριστά και αποτελεσματικά, προκειμένου να βρεθούν οι μεγάλες λίστες. Οι μεγάλες αυτές λίστες στη συνέχεια συνδυάζονται, ώστε να δημιουργηθούν οι υποψήφιες μεγάλες λίστες. Ένα επιπλέον σκανάρισμα της βάσης χρειάζεται, για να επιβεβαιώσει ότι οι τοπικές μεγάλες λίστες από προϊόντα είναι επίσης και ολικές. Ο αλγόριθμος OCD (Off-line Candidate Determination) (Mannila, H. et al., 1994) βασίζεται στην ιδέα ότι μικρά δείγματα συνήθως επιτυγχάνουν να βρουν μεγάλες λίστες με μεγαλύτερη ευκολία. Ακολουθεί διαφορετική τεχνική από τον Apriori για τον καθορισμό των υποψήφιων λιστών. Χρησιμοποιεί όλη τη διαθέσιμη πληροφορία από προηγούμενες επαναλήψεις, προκειμένου να χωρίσει τις υποψήφιες λίστες μεταξύ των 32

35 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα επαναλήψεων, κρατώντας την επανάληψη όσο πιο απλή γίνεται. Με αυτό τον τρόπο απορρίπτει και υποψήφιες μικρές λίστες. Ο αλγόριθμος Sampling (Toivonen, H., 1996) μειώνει τις επαναλήψεις σε μία ή δύο. Ένα δείγμα αρχικά επιλέγεται από τη βάση δεδομένων, το οποίο μπορεί να χωρέσει στη βασική μνήμη. Στη συνέχεια, οι μεγάλες λίστες βρίσκονται από το δείγμα, χρησιμοποιώντας έναν βηματικό αλγόριθμο, όπως ο Apriori. O αλγόριθμος DHP (Direct Hashing and Pruning) (Park, J.S. et al., 1995a) είναι ιδιαίτερα αποτελεσματικός για την εύρεση υποψήφιων λιστών 2 προϊόντων. Τέλος, ο αλγόριθμος CARMA (Continuous Association Rule Mining Algorithm) (Hidber, C., 1999) εμφανίζει online τους κανόνες συσχέτισης και επιτρέπει στο χρήστη να αλλάξει την ελάχιστη επιβεβαίωση και αξιοπιστία σε κάθε συναλλαγή κατά τη διάρκεια της πρώτης επανάληψης ΠΑΡΑΛΛΗΛΟΙ ΑΛΓΟΡΙΘΜΟΙ (Parallel algorithms) Στην κατηγορία αυτή ανήκουν οι αλγόριθμοι που επικεντρώνονται στο πώς θα παραλληλιστεί η λειτουργία της εύρεσης μεγάλων λιστών από προϊόντα και σχεδιάζονται για λειτουργία με παράλληλο τρόπο σε πολυεπεξεργαστές. Για την εύρεση κανόνων παράλληλα, θα πρέπει να γίνουν κάποιες αλλαγές-αντικαταστάσεις, σχετικά με την χρησιμοποίηση της διαθέσιμης μνήμης, τους υπολογισμούς, την επικοινωνία, την πληροφορία που παρέχει το συγκεκριμένο πρόβλημα κ.α. Οι υπάρχοντες παράλληλοι αλγόριθμοι βασίζονται στο σειριακό αλγόριθμο Apriori. Τρεις γνωστοί αλγόριθμοι που ανήκουν σε αυτή την κατηγορία έχουν προταθεί στο (Agrawal, R. and Shafer, J.C., 1996). Ο αλγόριθμος CM (Count Distribution algorithm) επικεντρώνεται στην ελαχιστοποίηση της επικοινωνίας και χρησιμοποιεί μία βασική αρχή επιτρέποντας «μειωμένους παράλληλους υπολογισμούς σε μη χρησιμοποιούμενους επεξεργαστές, 33

36 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα προκειμένου να αποφευχθεί η επικοινωνία» (Agrawal, R. and Shafer, J.C., 1996). Έτσι, κάθε επεξεργαστής υπολογίζει ανεξάρτητα μεγάλες λίστες από προϊόντα και στη συνέχεια ανταλλάσσει την πληροφορία αυτή με τους υπόλοιπους επεξεργαστές, προκειμένου να εξαχθούν κανόνες ολικά. Ο αλγόριθμος DD (Data Distribution algorithm) επιχειρεί να αξιοποιήσει τη συνολική μνήμη του συστήματος πιο αποτελεσματικά. Κάθε επεξεργαστής υπολογίζει αμοιβαίως αποκλειόμενες υποψήφιες λίστες. Καθώς ο αριθμός των επεξεργαστών αυξάνεται, ένας μεγάλος αριθμός υποψήφιων λιστών μπορεί να μετρηθεί σε κάθε επανάληψη. Τέλος, ο αλγόριθμος Candidate Distribution χωρίζει τόσο τα δεδομένα, όσο και τις υποψήφιες λίστες, με τέτοιο τρόπο, ώστε κάθε επεξεργαστής να μπορεί να δουλεύει ανεξάρτητα. Ένας άλλος αλγόριθμος που ανήκει σε αυτή την κατηγορία είναι ο PDM (Parallel Data Mining) (Park, J.S. et al., 1995b), ο οποίος προσπαθεί να παραλληλίσει τον DHP (Park, J.S. et al., 1995a). Ο αλγόριθμος DMA (Distributed Mining Algorithm) (Cheung, D. W-L. et al., 1996) εξάγει κανόνες από κατανομημένες (distributed) βάσεις δεδομένων. Ο αλγόριθμος δημιουργεί έναν μικρό αριθμό υποψηφίων λιστών, βασισμένος σε τεχνικές περικοπής (pruning) και τεχνικές μείωσης επικοινωνίας μηνυμάτων (communication message reduction), και τελικά χρειάζεται μόνο Ο(n) μέγεθος μηνυμάτων για κάθε υποψήφια λίστα. Ο αλγόριθμος IDD (Intelligent Data Distribution) (Han, E-H. et al., 1997) αποτελεί μία βελτίωση του αλγορίθμου DD. Ο αλγόριθμος χρησιμοποιεί αποτελεσματικά τη μνήμη των παράλληλων υπολογιστών, υιοθετώντας ένα σχήμα διαχωρισμού υποψήφιων λιστών και χρησιμοποιεί αποτελεσματικούς μηχανισμούς επικοινωνίας για τη μεταφορά των δεδομένων μεταξύ των επεξεργαστών. Επίσης, ο αλγόριθμος HD (Hybrid Distribution) (Han, E-H. et al., 1997) χωρίζει δυναμικά τις υποψήφιες λίστες, προκειμένου να 34

37 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα διατηρήσει καλή ισορροπία κατά τη μεταφορά των δεδομένων. Τέλος, μπορεί να μετατραπεί στον αλγόριθμο CD σε μεταγενέστερες επαναλήψεις. Στο (Shintani, T. and Kitsuregawa, M., 1998) προτείνεται ένας αλγόριθμος για εξαγωγή κανόνων με ιεραρχική ταξινόμηση. Η διαθέσιμη μνήμη χρησιμοποιείται πλήρως, ανακαλύπτοντας υποψήφιες λίστες, οι οποίες μπορούν να επεξεργάζονται τοπικά χωρίς επικοινωνία μεταξύ των επεξεργαστών. Τέλος, ο αλγόριθμος SH (Harada, L. et al., 1998) δημιουργεί υποψήφιες λίστες ανεξάρτητα σε κάθε επεξεργαστή, καθώς σκανάρει τη βάση δεδομένων και όχι εκ των προτέρων από τις προηγούμενες μεγάλες λίστες, όπως ο σειριακός αλγόριθμος Apriori ΠΟΣΟΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ (Quantitative algorithms) Οι αλγόριθμοι που αναπτύχθηκαν στα αρχικά στάδια έρευνας της εξαγωγής κανόνων συσχέτισης ασχολούνταν με κατηγορικά δεδομένα. Στην περίπτωση που τα δεδομένα είναι τόσο κατηγορικά, όσο και ποσοτικά, χρησιμοποιούνται οι ποσοτικοί αλγόριθμοι συσχέτισης, οι οποίοι χωρίζουν τις ποσότητες σε διαστήματα (intervals). Ένα παράδειγμα ενός ποσοτικού κανόνα είναι: «Το 30% των παντρεμένων ανθρώπων ηλικίας μεταξύ 30 και 40 ετών, έχουν τουλάχιστον ένα αυτοκίνητο». Εάν ένα ποσοτικό πρόβλημα μπορεί να μετατραπεί σε πρόβλημα με Boolean κανόνες, τότε κάθε αλγόριθμος για την εύρεση κανονικών (Boolean) κανόνων συσχέτισης, μπορεί να χρησιμοποιηθεί για την εύρεση ποσοτικών κανόνων συσχέτισης (Srikant, R. and Agrawal, R., 1996), (Cengiz, I., 1997). Έτσι, οι τιμές των κατηγορικών μεταβλητών καταγράφονται από μία σειρά διαδοχικών ακέραιων αριθμών. Οι ποσοτικές μεταβλητές είτε χωρίζονται σε διαστήματα, όπου καταγράφονται σα διαδοχικοί ακέραιοι, έτσι ώστε να τηρείται η σειρά των διαστημάτων, είτε δεν χωρίζονται σε διαστήματα, οπότε οι τιμές 35

38 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα των μεταβλητών καταγράφονται σα διαδοχικοί ακέραιοι, έτσι ώστε να διατηρείται η σειρά των τιμών. Εάν τα διαστήματα είναι πολύ μικρά, μερικοί κανόνες μπορεί να μην έχουν ελάχιστη επιβεβαίωση. Από την άλλη μεριά, εάν τα διαστήματα είναι πολύ μεγάλα, τότε μερικοί κανόνες μπορεί να μην έχουν ελάχιστη αξιοπιστία. Το πρόβλημα αυτό μπορεί να λυθεί με δύο τρόπους: α. Συνδυάζοντας κοντινά διαστήματα/ τιμές. β. Εισάγοντας μία «μέγιστη επιβεβαίωση». Τα διαστήματα σταματούν να συνδυάζονται εάν η συνδυασμένη επιβεβαίωσή τους ξεπερνάει την τιμή αυτή (Srikant, R. and Agrawal, R., 1996) ΓΕΝΙΚΕΥΜΕΝΟΙ ΑΛΓΟΡΙΘΜΟΙ (Generalized algorithms) Οι γενικευμένοι αλγόριθμοι χρησιμοποιούν δεδομένα με ιεραρχική δομή για τη δημιουργία κανόνων συσχέτισης σε διαφορετικά επίπεδα της ιεραρχίας (Srikant, R. and Agrawal, R., 1995). Όταν οι κανόνες δημιουργούνται για προϊόντα σε υψηλότερο επίπεδο στην ιεραρχία, τόσο η επιβεβαίωση, όσο και η αξιοπιστία αυξάνονται. Ένας γενικευμένος κανόνας συσχέτισης είναι της μορφής Χ=>Υ και ορίζεται ακριβώς όπως ένας κανονικός κανόνας συσχέτισης, με τη διαφορά ότι κανένα προϊόν του Υ δεν μπορεί να προηγείται κανενός προϊόντος του Χ (Srikant, R. and Agrawal, R., 1995), δηλαδή να βρίσκεται σε υψηλότερο επίπεδο στην ιεραρχία. Το πρόβλημα της εύρεσης γενικευμένων κανόνων συσχέτισης αναφέρεται στη δημιουργία κανόνων για όλα τα επίπεδα. Επίσης, έχουν προταθεί διάφοροι παράλληλοι αλγόριθμοι για τη δημιουργία γενικευμένων κανόνων συσχέτισης (Shintani, T. and Kitsuregawa, M., 1998). Όταν εξάγονται κανόνες συσχέτισης κατά πλάτος (across) σε διαφορετικά επίπεδα στην ιεραρχία, τότε αυτοί ονομάζονται κανόνες συσχέτισης πολλαπλών επιπέδων (multiple- 36

39 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα level association rules) (Han, J. and Fu, Y., 1995). Σκοπός είναι η δημιουργία μεγάλων λιστών με μέθοδο από πάνω προς τα κάτω (top-down) στην ιεραρχία, χρησιμοποιώντας έναν αλγόριθμο σαν τον Apriori ΧΩΡΙΚΟΙ ΚΑΙ ΧΡΟΝΟΛΟΓΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ (Spatial and temporal algorithms) Οι χωρικοί αλγόριθμοι περιλαμβάνουν τοπικές πληροφορίες για ην αποθήκευση των δεδομένων. Αυτό μπορεί να είναι ζευγάρια της μορφής γεωγραφικό μήκος-γεωγραφικό πλάτος, ταχυδρομικοί κώδικες, διευθύνσεις ή άλλα γεωγραφικά δεδομένα. Η μεθοδολογία αυτή εξετάζει προβλήματα παρόμοια με αυτά των κλασικών κανόνων συσχέτισης, με τη διαφορά ότι συμπεριλαμβάνονται χωρικές λειτουργίες (για παράδειγμα «κοντά», «δίπλα σε» κλπ.) για την εξαγωγή κανόνων συσχέτισης. Ένας χωρικός κανόνας είναι της μορφής Χ=>Υ, όπου ή το Χ ή το Υ ή και τα δύο μπορεί να είναι χωρική μεταβλητή (Koperski, K. and Han, J., 1995). Ένας χωρικός κανόνας συσχέτισης μπορεί να είναι: «Ένα σχολείο, το οποίο βρίσκεται κοντά σε ένα πάρκο, βρίσκεται επίσης δίπλα σε ένα δημόσιο κτίριο». Οι χωρικοί αλγόριθμοι συσχέτισης μπορούν να φανούν ιδιαίτερα χρήσιμοι, όταν συνδυάζονται με Γεωγραφικά Συστήματα Πληροφοριών (ΓΣΠ). Οι χρονολογικοί κανόνες συσχέτισης είναι παρόμοιοι με τους χωρικούς, με τη διαφορά ότι συμπεριλαμβάνουν και τον παράγοντα χρόνο. Οι χωρικοί-χρονικοί κανόνες συμπεριλαμβάνουν τόσο χρόνο (time), όσο και χώρο (space) ΔΙΑΦΟΡΑ ΘΕΜΑΤΑ Υπάρχουν διάφορες άλλες μεθοδολογίες που έχουν προταθεί σχετικά με την εξαγωγή κανόνων συσχέτισης και αναλύονται περιληπτικά. 37

40 Κεφάλαιο 1: Οι τεχνικές εξόρυξης από δεδομένα Οι κανόνες συσχέτισης έχουν γενικευθεί σε κανόνες εξάρτησης, οι οποίοι αναγνωρίζουν τη στατιστική εξάρτηση και σε περιπτώσεις παρουσίας και σε περιπτώσεις απουσίας προϊόντων σε λίστες (Silverstein, C. et al., 1998). Το μέτρο της σημαντικότητας της στατιστικής εξάρτισης γίνεται μέσω του κριτηρίου Χ 2 από την κλασική στατιστική. Ένας τέτοιος κανόνας είναι της μορφής: «Το 80% των ανθρώπων που δεν αγοράζουν καφέ, αγοράζουν τσάι». Επίσης, έχει παρατηρηθεί ότι η πολυπλοκότητα στην εύρεση κανόνων συσχέτισης δεν εξαρτάται μόνο από τον αριθμό των μεταβλητών, αλλά και από τον αριθμό των τιμών των μεταβλητών (Srikant, R. and Agrawal, R., 1996). Η πολυπλοκότητα αυτή μειώνεται με την ομαδοποίηση των τιμών σε διαστήματα. Έτσι, για παράδειγμα, η μεταβλητή ηλικία μπορεί να διαιρεθεί σε διαστήματα των 5 ετών, αντί να ληφθεί υπόψη κάθε τιμή. Η μεγιστοποίηση στην εξαγωγή κανόνων συσχέτισης είναι ένα άλλο θέμα που έχει εμφανιστεί στην αντίστοιχη βιβλιογραφία (Rastogi, R. and Shim, K., 1998). Η μεγιστοποίηση παρέχει έναν αποτελεσματικό τρόπο, προκειμένου να γίνει εστίαση στα πιο ενδιαφέροντα χαρακτηριστικά των μεταβλητών. Οι κανόνες συσχέτισης σε αυτή την περίπτωση μπορεί να περιλαμβάνουν απροσδιόριστες μεταβλητές. Το πρόβλημα που τίθεται είναι να προσδιοριστούν αυτές οι μεταβλητές, με τέτοιο τρόπο, ώστε είτε η επιβεβαίωση, είτε η αξιοπιστία να μεγιστοποιούνται. Πολλοί αλγόριθμοι έχουν προταθεί με σκοπό τη μείωση των μεγάλων λιστών που δημιουργούνται, βασισμένοι σε περιορισμούς στους κανόνες. Οι περιορισμοί αυτοί τίθενται μέσω της επιβεβαίωσης και της αξιοπιστίας και περιλαμβάνουν: α. Ενδιαφέροντες κανόνες, οι οποίοι περιλαμβάνουν εκείνους τους κανόνες που έχουν μεγαλύτερη επιβεβαίωση και αξιοπιστία σε σχέση με αυτή που θα υπήρχε, εάν οι μεταβλητές συνέβαιναν τυχαία (randomly) (Tsur, D. et al., 1998), (Srikant, R. et al., 1997). 38

MBR Ελάχιστο Περιβάλλον Ορθογώνιο (Minimum Bounding Rectangle) Το µικρότερο ορθογώνιο που περιβάλλει πλήρως το αντικείµενο 7 Παραδείγµατα MBR 8 6.

MBR Ελάχιστο Περιβάλλον Ορθογώνιο (Minimum Bounding Rectangle) Το µικρότερο ορθογώνιο που περιβάλλει πλήρως το αντικείµενο 7 Παραδείγµατα MBR 8 6. Πανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Εξόρυξη Γνώσης από χωρικά δεδοµένα (κεφ. 8) Γιάννης Θεοδωρίδης Νίκος Πελέκης http://isl.cs.unipi.gr/db/courses/dwdm Περιεχόµενα

Διαβάστε περισσότερα

Data Mining: Στοχεύοντας στους σωστούς πελάτες. Αριστομένης Μακρής

Data 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 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

Τεχνικές Εξόρυξης Δεδομένων

Τεχνικές Εξόρυξης Δεδομένων ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Διατμηματικό Μεταπτυχιακό Πρόγραμμα στα Πληροφοριακά Συστήματα ( MIS ) Τεχνικές Εξόρυξης Δεδομένων για την βελτίωση της απόδοσης σε Κατανεμημένα Συστήματα Ζάχος Δημήτριος Επιβλέποντες:

Διαβάστε περισσότερα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα

Ανακάλυψη 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 περισσότερα

Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining)

Αποθήκες 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 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

Αναγνώριση Προτύπων Ι

Αναγνώριση Προτύπων Ι Αναγνώριση Προτύπων Ι Ενότητα 1: Μέθοδοι Αναγνώρισης Προτύπων Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται

Διαβάστε περισσότερα

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή στο

Διαβάστε περισσότερα

Έρευνα Μάρκετινγκ Ενότητα 5

Έρευνα 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 περισσότερα

1 Συστήματα Αυτοματισμού Βιβλιοθηκών

1 Συστήματα Αυτοματισμού Βιβλιοθηκών 1 Συστήματα Αυτοματισμού Βιβλιοθηκών Τα Συστήματα Αυτοματισμού Βιβλιοθηκών χρησιμοποιούνται για τη διαχείριση καταχωρήσεων βιβλιοθηκών. Τα περιεχόμενα των βιβλιοθηκών αυτών είναι έντυπα έγγραφα, όπως βιβλία

Διαβάστε περισσότερα

Εξαγωγή Μετασχηματισμός Εισαγωγή Δεδομένων στην Αποθήκη Πληροφοριών (ETL) ETL) Αριστομένης Μακρής

Εξαγωγή 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 περισσότερα

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ 3.1 Τυχαίοι αριθμοί Στην προσομοίωση διακριτών γεγονότων γίνεται χρήση ακολουθίας τυχαίων αριθμών στις περιπτώσεις που απαιτείται η δημιουργία στοχαστικών

Διαβάστε περισσότερα

ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH

ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Η/Υ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Περιεχόμενα

Διαβάστε περισσότερα

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.)

ΠΛΗΡΟΦΟΡΙΑΚΑ 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

Σύστημα. Αντώνης Μαϊργιώτης

Σύστημα. Αντώνης Μαϊργιώτης Σύστημα Αντώνης Μαϊργιώτης Σε ένα οργανισμό υπάρχουν προβλήματα για λύση Η διεύθυνση του οργανισμού αναθέτει τη λύση στους κατάλληλους ανθρώπους Οι πιο κατάλληλοι άνθρωποι είναι αυτοί που θέλουν τις κατάλληλες

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

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

ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams

ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams Αλέκα Σεληνιωτάκη Ηράκλειο, 26/06/12 aseliniotaki@csd.uoc.gr ΑΜ: 703 1. Περίληψη Συνεισφοράς

Διαβάστε περισσότερα

ΜΕΘΟΔΟΙ ΕΡΥΕΝΑΣ ΔΙΑΛΕΞΗ 1: ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΜΕΘΟΔΟΥΣ ΕΡΕΥΝΑΣ - ΠΕΡΙΓΡΑΜΜΑ

ΜΕΘΟΔΟΙ ΕΡΥΕΝΑΣ ΔΙΑΛΕΞΗ 1: ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΜΕΘΟΔΟΥΣ ΕΡΕΥΝΑΣ - ΠΕΡΙΓΡΑΜΜΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΧΩΡΟΤΑΞΙΑΣ, ΠΟΛΕΟΔΟΜΙΑΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ ΠΜΣ «ΕΠΕΝΔΥΣΕΙΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗ ΑΝΑΠΤΥΞΗ» ΜΕΘΟΔΟΙ ΕΡΥΕΝΑΣ ΔΙΑΛΕΞΗ 1: ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΜΕΘΟΔΟΥΣ

Διαβάστε περισσότερα

ΠΕΡΙΛΗΨΗ Δ.Δ ΔΗΜΗΣΡΑΚΟΠΟΤΛΟ

ΠΕΡΙΛΗΨΗ Δ.Δ ΔΗΜΗΣΡΑΚΟΠΟΤΛΟ ΠΕΡΙΛΗΨΗ Δ.Δ ΔΗΜΗΣΡΑΚΟΠΟΤΛΟ Μετά το άλλοτε ταχύ και άλλοτε χρονοβόρο πέρασμα από τα τηλεπικοινωνιακά συστήματα των τριών πρώτων γενεών, η αλματώδης εξέλιξη στις τηλεπικοινωνίες αντικατοπτρίζεται σήμερα

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

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

Διαχείριση Ανθρώπινου Δυναμικού ή Διοίκηση Προσωπικού. Η Στελέχωση 1

Διαχείριση Ανθρώπινου Δυναμικού ή Διοίκηση Προσωπικού. Η Στελέχωση 1 Διαχείριση Ανθρώπινου Δυναμικού ή Διοίκηση Προσωπικού Η Στελέχωση 1 Με τον όρο στελέχωση εννοούνται εκείνες οι λειτουργίες που διασφαλίζουν ότι η οργάνωση έχει στο παρόν, και θα έχει στο κοντινό μέλλον,

Διαβάστε περισσότερα

2.2.5 ΑΝΑΠΑΡΑΣΤΑΣΗ ΑΛΓΟΡΙΘΜΟΥ

2.2.5 ΑΝΑΠΑΡΑΣΤΑΣΗ ΑΛΓΟΡΙΘΜΟΥ 2.2.5 ΑΝΑΠΑΡΑΣΤΑΣΗ ΑΛΓΟΡΙΘΜΟΥ ΑΝΑΠΑΡΑΣΤΑΣΗ ΑΛΓΟΡΙΘΜΟΥ Προκειμένου να επιτευχθεί η «ακριβής περιγραφή» ενός αλγορίθμου, χρησιμοποιείται κάποια γλώσσα που μπορεί να περιγράφει σειρές ενεργειών με τρόπο αυστηρό,

Διαβάστε περισσότερα

Στρατηγικό Σχεδιασµό Πληροφοριακών Συστηµάτων

Στρατηγικό Σχεδιασµό Πληροφοριακών Συστηµάτων Μέθοδοι και Τεχνικές για τον Στρατηγικό Σχεδιασµό Πληροφοριακών Συστηµάτων (SISP) Στρατηγική και Διοίκηση Πληροφοριακών Συστηµάτων Μάθηµα 2 No 1 Δοµή της Παρουσίασης l 1. Εισαγωγή l 2. Μεθοδολογία SISP

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

Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων Ι Σύνολο- Περιεχόμενο Μαθήματος

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

Διαβάστε περισσότερα

Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης Kozani GR 50100

Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης Kozani GR 50100 Ποσοτικές Μέθοδοι Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης 50100 Kozani GR 50100 Απλή Παλινδρόμηση Η διερεύνηση του τρόπου συμπεριφοράς

Διαβάστε περισσότερα

ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ: Λήψη απόφασης, Συστήματα Υποστήριξης Αποφάσεων, OLAP Ανάλυση, Περιβαλλοντική Εκπαίδευση ΕΙΣΑΓΩΓΗ

ΛΕΞΕΙΣ 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 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

Μία μέθοδος προσομοίωσης ψηφιακών κυκλωμάτων Εξελικτικής Υπολογιστικής

Μία μέθοδος προσομοίωσης ψηφιακών κυκλωμάτων Εξελικτικής Υπολογιστικής Μία μέθοδος προσομοίωσης ψηφιακών κυκλωμάτων Εξελικτικής Υπολογιστικής Βασισμένο σε μια εργασία των Καζαρλή, Καλόμοιρου, Μαστοροκώστα, Μπαλουκτσή, Καλαϊτζή, Βαλαή, Πετρίδη Εισαγωγή Η Εξελικτική Υπολογιστική

Διαβάστε περισσότερα

ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΥΓΕΙΑΣ ΕΙΔΙΚΟΣ ΛΟΓΑΡΙΑΣΜΟΣ ΚΟΝΔΥΛΙΩΝ ΕΡΕΥΝΑΣ

ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΥΓΕΙΑΣ ΕΙΔΙΚΟΣ ΛΟΓΑΡΙΑΣΜΟΣ ΚΟΝΔΥΛΙΩΝ ΕΡΕΥΝΑΣ ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΥΓΕΙΑΣ ΕΙΔΙΚΟΣ ΛΟΓΑΡΙΑΣΜΟΣ ΚΟΝΔΥΛΙΩΝ ΕΡΕΥΝΑΣ Λ. Αλεξάνδρας 196, Αθήνα ΠΡΟΣΚΛΗΣΗ ΕΚΔΗΛΩΣΗΣ ΕΝΔΙΑΦΕΡΟΝΤΟΣ Ο Ειδικός Λογαριασμός Κονδυλίων Έρευνας της Εθνικής Σχολής Δημόσιας Υγείας,

Διαβάστε περισσότερα

Ευφυής Προγραμματισμός

Ευφυής Προγραμματισμός Ευφυής Προγραμματισμός Ενότητα 10: Δημιουργία Βάσεων Κανόνων Από Δεδομένα-Προετοιμασία συνόλου δεδομένων Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Δημιουργία Βάσεων Κανόνων

Διαβάστε περισσότερα

Πρόλογος... xv. Κεφάλαιο 1. Εισαγωγικές Έννοιες... 1

Πρόλογος... xv. Κεφάλαιο 1. Εισαγωγικές Έννοιες... 1 Πρόλογος... xv Κεφάλαιο 1. Εισαγωγικές Έννοιες... 1 1.1.Ιστορική Αναδρομή... 1 1.2.Βασικές Έννοιες... 5 1.3.Πλαίσιο ειγματοληψίας (Sampling Frame)... 9 1.4.Κατηγορίες Ιατρικών Μελετών.... 11 1.4.1.Πειραµατικές

Διαβάστε περισσότερα

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ. Σπύρος Τσιπίδης. Περίληψη διατριβής

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ. Σπύρος Τσιπίδης. Περίληψη διατριβής ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ Σπύρος Τσιπίδης Γεω - οπτικοποίηση χωρωχρονικών αρχαιολογικών δεδομένων Περίληψη διατριβής H παρούσα εργασία

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 5 ο ΜΕΘΟ ΟΛΟΓΙΑ ΜΕΛΕΤΗΣ ΧΡΗΣΙΜΟΠΟΙΗΣΗΣ ΥΠΗΡΕΣΙΩΝ ΥΓΕΙΑΣ

ΚΕΦΑΛΑΙΟ 5 ο ΜΕΘΟ ΟΛΟΓΙΑ ΜΕΛΕΤΗΣ ΧΡΗΣΙΜΟΠΟΙΗΣΗΣ ΥΠΗΡΕΣΙΩΝ ΥΓΕΙΑΣ ΚΕΦΑΛΑΙΟ 5 ο ΜΕΘΟ ΟΛΟΓΙΑ ΜΕΛΕΤΗΣ ΧΡΗΣΙΜΟΠΟΙΗΣΗΣ ΥΠΗΡΕΣΙΩΝ ΥΓΕΙΑΣ ΕΙΣΑΓΩΓΗ Στην έρευνα χρησιµοποίησης υπηρεσιών υγείας χρησιµοποιούνται επιδηµιολογικές, κοινωνιολογικές, οικονοµετρικές, καθώς και καθαρά

Διαβάστε περισσότερα

J-GANNO. Σύντοµη αναφορά στους κύριους στόχους σχεδίασης και τα βασικά χαρακτηριστικά του πακέτου (προέκδοση 0.9Β, Φεβ.1998) Χάρης Γεωργίου

J-GANNO. Σύντοµη αναφορά στους κύριους στόχους σχεδίασης και τα βασικά χαρακτηριστικά του πακέτου (προέκδοση 0.9Β, Φεβ.1998) Χάρης Γεωργίου J-GANNO ΓΕΝΙΚΕΥΜΕΝΟ ΠΑΚΕΤΟ ΥΛΟΠΟΙΗΣΗΣ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΙΚΤΥΩΝ ΣΤΗ ΓΛΩΣΣΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ JAVA Σύντοµη αναφορά στους κύριους στόχους σχεδίασης και τα βασικά χαρακτηριστικά του πακέτου (προέκδοση 0.9Β,

Διαβάστε περισσότερα

Ανάλυση και Σχεδιασμός Μεταφορών Ι Εισαγωγή

Ανάλυση και Σχεδιασμός Μεταφορών Ι Εισαγωγή Εισαγωγή Παναγιώτης Παπαντωνίου Δρ. Πολιτικός Μηχανικός, Συγκοινωνιολόγος ppapant@upatras.gr Πάτρα, 2017 Εισαγωγή στο σχεδιασμό των Μεταφορών Βασικές έννοιες και αρχές των Μεταφορών Διαδικασία Ορθολογικού

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ Π ΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ Π ΕΡΙΒΑΛΛΟΝ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ Π ΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ Π ΕΡΙΒΑΛΛΟΝ ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΠΑΙΔΑΓΩΓΙΚΟ ΙΝΣΤΙΤΟΥΤΟ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ Π ΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ Π ΕΡΙΒΑΛΛΟΝ Κ Υ Κ Λ Ο Υ Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ Κ Α Ι Υ Π Η Ρ Ε Σ Ι Ω Ν Τ Ε Χ Ν Ο Λ Ο Γ Ι Κ Η

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

ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting

ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting Διαδικτυακό OLAP Σύστημα Λήψης Αποφάσεων και δημιουργίας έξυπνων προσαρμοστικών γραφημάτων

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

Επιχειρησιακή Έρευνα

Επιχειρησιακή Έρευνα Επιχειρησιακή Έρευνα Χρήστος Γκόγκος ΤΕΙ Ηπείρου Χειμερινό Εξάμηνο 2014-2015 1 / 1 Τι είναι η Επιχειρησιακή Έρευνα; Η Επιχειρησιακή Έρευνα (Operations Research ή Operational Research) είναι ένας επιστημονικός

Διαβάστε περισσότερα

ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ

ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΠΛΗΘΥΣΜΟΙ ΔΕΙΓΜΑΤΑ ΠΑΡΟΥΣΙΑΣΗ ΔΕΔΟΜΕΝΩΝ Περιγραφική Στατιστική Με τις στατιστικές μεθόδους επιδιώκεται: - η συνοπτική αλλά πλήρης και κατατοπιστική παρουσίαση των ευρημάτων μιας

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

Επώνυµη ονοµασία. Ενότητα 13 η Σχεδίαση,Επιλογή, ιανοµή Προϊόντων 1

Επώνυµη ονοµασία. Ενότητα 13 η Σχεδίαση,Επιλογή, ιανοµή Προϊόντων 1 Επώνυµη ονοµασία Η επώνυµη ονοµασία είναι αυτή η ονοµασία που ξεχωρίζει τα προϊόντα και τις υπηρεσίες µας από αυτές των ανταγωνιστών. Οι σχετικές αποφάσεις θα επηρεαστούν από τις εξής ερωτήσεις: 1. Χρειάζεται

Διαβάστε περισσότερα

On line αλγόριθμοι δρομολόγησης για στοχαστικά δίκτυα σε πραγματικό χρόνο

On line αλγόριθμοι δρομολόγησης για στοχαστικά δίκτυα σε πραγματικό χρόνο On line αλγόριθμοι δρομολόγησης για στοχαστικά δίκτυα σε πραγματικό χρόνο Υπ. Διδάκτωρ : Ευαγγελία Χρυσοχόου Επιβλέπων Καθηγητής: Αθανάσιος Ζηλιασκόπουλος Τμήμα Μηχανολόγων Μηχανικών Περιεχόμενα Εισαγωγή

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

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ Ανάπτυξη μιας προσαρμοστικής πολιτικής αντικατάστασης αρχείων, με χρήση

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗ ΔΙΑΧΕΙΡΙΣΗ ΚΑΙ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ ΕΡΓΩΝ

ΕΙΣΑΓΩΓΗ ΣΤΗ ΔΙΑΧΕΙΡΙΣΗ ΚΑΙ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ ΕΡΓΩΝ ΕΙΣΑΓΩΓΗ ΣΤΗ ΔΙΑΧΕΙΡΙΣΗ ΚΑΙ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ ΕΡΓΩΝ 1. Διαχείριση έργων Τις τελευταίες δεκαετίες παρατηρείται σημαντική αξιοποίηση της διαχείρισης έργων σαν ένα εργαλείο με το οποίο οι διάφορες επιχειρήσεις

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

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΠΕΡΣΕΦΟΝΗ ΠΟΛΥΧΡΟΝΙΔΟΥ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΤΕ

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΠΕΡΣΕΦΟΝΗ ΠΟΛΥΧΡΟΝΙΔΟΥ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΤΕ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΠΕΡΣΕΦΟΝΗ ΠΟΛΥΧΡΟΝΙΔΟΥ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΤΕ 1 Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται

Διαβάστε περισσότερα

ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH

ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Η/Υ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Περιεχόμενα

Διαβάστε περισσότερα

AΤΕΙ Θεσσαλονίκης - Παράρτημα Κατερίνης Τμήμα Τυποποίησης και Διακίνησης Προϊόντων (Logistics)

AΤΕΙ Θεσσαλονίκης - Παράρτημα Κατερίνης Τμήμα Τυποποίησης και Διακίνησης Προϊόντων (Logistics) AΤΕΙ Θεσσαλονίκης - Διακίνησης Προϊόντων (Logistics) www.logistics.teithe.gr Επίκουρος Καθηγητής dfolinas@gmail.com Στόχοι Θέματα παρουσίασης παρουσίασης Επιστήμη των Logistics Επιχειρηματικό ενδιαφέρον

Διαβάστε περισσότερα

Data mining Εξόρυξη εδοµένων. o Association rules mining o Classification o Clustering o Text Mining o Web Mining

Data mining Εξόρυξη εδοµένων. o Association rules mining o Classification o Clustering o Text Mining o Web Mining Data mining Εξόρυξη εδοµένων o Association rules mining o Classification o Clustering o Text Mining o Web Mining ιάγραµµα της παρουσίασης Association rule Frequent itemset mining Γνωστοί Αλγόριθµοι Βελτιώσεις

Διαβάστε περισσότερα

Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων»

Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων» Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πρόγραμμα Μεταπτυχιακών Σπουδών Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων» Αργυροπούλου Αιμιλία

Διαβάστε περισσότερα

Κύρια σημεία. Η έννοια του μοντέλου. Έρευνα στην εφαρμοσμένη Στατιστική. ΈρευναστηΜαθηματικήΣτατιστική. Αντικείμενο της Μαθηματικής Στατιστικής

Κύρια σημεία. Η έννοια του μοντέλου. Έρευνα στην εφαρμοσμένη Στατιστική. ΈρευναστηΜαθηματικήΣτατιστική. Αντικείμενο της Μαθηματικής Στατιστικής Κύρια σημεία Ερευνητική Μεθοδολογία και Μαθηματική Στατιστική Απόστολος Μπουρνέτας Τμήμα Μαθηματικών ΕΚΠΑ Αναζήτηση ερευνητικού θέματος Εισαγωγή στην έρευνα Ολοκλήρωση ερευνητικής εργασίας Ο ρόλος των

Διαβάστε περισσότερα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα Στέφανος Ουγιάρογλου M.Sc., Εκπαιδευτικός πληροφορικής Υπ. Διδάκτορας, Τμ. Εφαρμοσμένης Πληροφορικής, Πανεπιστήμιο Μακεδονίας stoug@{sch, uom}.gr

Διαβάστε περισσότερα

Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Διακριτά Μαθηματικά. Ενότητα 4: Εισαγωγή / Σύνολα

Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Διακριτά Μαθηματικά. Ενότητα 4: Εισαγωγή / Σύνολα Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Διακριτά Μαθηματικά Ενότητα 4: Εισαγωγή / Σύνολα Αν. Καθηγητής Κ. Στεργίου e-mail: kstergiou@uowm.gr Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Άδειες

Διαβάστε περισσότερα

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΤΕΧΝΙΚΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΤΕΧΝΙΚΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΤΕΧΝΙΚΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΕΥΑΓΓΕΛΙΑΣ Π. ΛΟΥΚΟΓΕΩΡΓΑΚΗ Διπλωματούχου Πολιτικού Μηχανικού ΟΛΟΚΛΗΡΩΜΕΝΟ

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

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

http://www.economics.edu.gr 7

http://www.economics.edu.gr 7 6 ΑΡΧΕΣ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ 1.3 Λειτουργίες της Επιχείρησης 1.3.1 Η αλυσίδα των Επιχειρησιακών Λειτουργιών Όπως κάθε οργανισµός, έτσι και η επιχείρηση, προκειµένου να ζήσει, ν ανταποκριθεί

Διαβάστε περισσότερα

ΕΞΕΤΑΣΕΙΣ στο τέλος του εξαμήνου με ΑΝΟΙΧΤΑ βιβλία ΕΞΕΤΑΣΕΙΣ ο καθένας θα πρέπει να έχει το ΔΙΚΟ του βιβλίο ΔΕΝ θα μπορείτε να ανταλλάσετε βιβλία ή να

ΕΞΕΤΑΣΕΙΣ στο τέλος του εξαμήνου με ΑΝΟΙΧΤΑ βιβλία ΕΞΕΤΑΣΕΙΣ ο καθένας θα πρέπει να έχει το ΔΙΚΟ του βιβλίο ΔΕΝ θα μπορείτε να ανταλλάσετε βιβλία ή να N161 _ (262) Στατιστική στη Φυσική Αγωγή Βιβλία ή 1 ΕΞΕΤΑΣΕΙΣ στο τέλος του εξαμήνου με ΑΝΟΙΧΤΑ βιβλία ΕΞΕΤΑΣΕΙΣ ο καθένας θα πρέπει να έχει το ΔΙΚΟ του βιβλίο ΔΕΝ θα μπορείτε να ανταλλάσετε βιβλία ή να

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

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ Εξαγωγή γεωγραφικής πληροφορίας από δεδομένα παρεχόμενα από χρήστες του

Διαβάστε περισσότερα

Πωλήσεις. Μπίτης Αθανάσιος 2017

Πωλήσεις. Μπίτης Αθανάσιος 2017 Πωλήσεις Μπίτης Αθανάσιος 2017 Τι είναι πώληση; Πώληση είναι η μεταξύ δύο προσώπων σύμβαση με την οποία ο ένας (πωλητής) αναλαμβάνει την υποχρέωση να μεταβιβάσει την κυριότητα και να παραδώσει, αντί συμφωνημένου

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

«Αφιερωμένο στους γονείς μου Νικογιάννη και Ευγενία, στα αδέρφια μου Διονύση και Μπέσσυ αλλά και σε όσους ήταν μαζί μου αυτά τα χρόνια...

«Αφιερωμένο στους γονείς μου Νικογιάννη και Ευγενία, στα αδέρφια μου Διονύση και Μπέσσυ αλλά και σε όσους ήταν μαζί μου αυτά τα χρόνια... ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΠΛΗΡΟΦΟΡΙΚΗΣ Διδακτορική Διατριβή Εφαρμογή Τεχνικών Data Mining σε Συστήματα Ηλεκτρονικού Εμπορίου Κουρής Ν. Γιάννης ΠΑΤΡΑ

Διαβάστε περισσότερα

Έστω ένας πίνακας με όνομα Α δέκα θέσεων : 1 η 2 η 3 η 4 η 5 η 6 η 7 η 8 η 9 η 10 η

Έστω ένας πίνακας με όνομα Α δέκα θέσεων : 1 η 2 η 3 η 4 η 5 η 6 η 7 η 8 η 9 η 10 η Μονοδιάστατοι Πίνακες Τι είναι ο πίνακας γενικά : Πίνακας είναι μια Στατική Δομή Δεδομένων. Δηλαδή συνεχόμενες θέσεις μνήμης, όπου το πλήθος των θέσεων είναι συγκεκριμένο. Στις θέσεις αυτές καταχωρούμε

Διαβάστε περισσότερα

Παιδαγωγικές δραστηριότητες μοντελοποίησης με χρήση ανοικτών υπολογιστικών περιβαλλόντων

Παιδαγωγικές δραστηριότητες μοντελοποίησης με χρήση ανοικτών υπολογιστικών περιβαλλόντων Παιδαγωγικές δραστηριότητες μοντελοποίησης με χρήση ανοικτών υπολογιστικών περιβαλλόντων Βασίλης Κόμης, Επίκουρος Καθηγητής Ερευνητική Ομάδα «ΤΠΕ στην Εκπαίδευση» Τμήμα Επιστημών της Εκπαίδευσης και της

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

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τμήμα Πληροφορικής

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τμήμα Πληροφορικής ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τμήμα Πληροφορικής ΕΠΛ 451 Εξόρυξη Δεδομένων στον Παγκόσμιο Ιστό I. Στόχος ΑΣΚΗΣΗ 1 Ανάλυση συσχετίσεων ανάμεσα σε προϊόντα Διδάσκων: Γιώργος Πάλλης Υπεύθυνος Εργασίας: Παύλος Αντωνίου

Διαβάστε περισσότερα

Πανεπιστήμιο Πειραιώς Τμήμα : Οργάνωσης και Διοίκησης Επιχειρήσεων

Πανεπιστήμιο Πειραιώς Τμήμα : Οργάνωσης και Διοίκησης Επιχειρήσεων Πανεπιστήμιο Πειραιώς Τμήμα : Οργάνωσης και Διοίκησης Επιχειρήσεων ΕΚΠΑΙΔΕΥΣΗ & ΑΡΧΙΚΗ ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΚΑΤΑΡΤΙΣΗ (Ε.Π.Ε.Α.Ε.Κ. II) στο πλαίσιο των Κατηγοριών Πράξεων 2.2.2.α. «Αναμόρφωση Προπτυχιακών Προγραμμάτων

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3. Περιγραφή της Μεθόδου ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟΔΟΥ

ΚΕΦΑΛΑΙΟ 3. Περιγραφή της Μεθόδου ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟΔΟΥ ΚΕΦΑΛΑΙΟ 3 Περιγραφή της Μεθόδου Το αντικείμενο αυτής της εργασίας είναι η χρήση μιας μεθόδου προσέγγισης συναρτήσεων που έχει προταθεί από τον hen-ha huang και ονομάζεται Ασαφώς Σταθμισμένη Παλινδρόμηση

Διαβάστε περισσότερα

ΣΥΒΑΚΑΣ ΣΤΑΥΡΟΣ ΕΡΩΤΗΜΑΤΑ

ΣΥΒΑΚΑΣ ΣΤΑΥΡΟΣ ΕΡΩΤΗΜΑΤΑ Ερωτήματα ομαδοποίησης εγγραφών Παρουσίαση των στοιχείων της βάσης δεδομένων σε ομαδοποιημένη μορφή Ομαδοποίηση των εγγραφών ενός ή περισσοτέρων πινάκων στις κοινές τιμές ενός ή περισσοτέρων πεδίων και

Διαβάστε περισσότερα

Προγράμματα Η /Υ / Εφαρμογές σε συστ ήματα Π ό οι τητας Αριστομένης Μακρής

Προγράμματα Η /Υ / Εφαρμογές σε συστ ήματα Π ό οι τητας Αριστομένης Μακρής Προγράμματα Η/Υ Εφαρμογές σε συστήματα Ποιότητας Οι οκτώ αρχές της ποιότητας Εστίαση στον πελάτη: οι επιχειρήσεις, δδ δεδομένου ότι στηρίζονται και εξαρτώνται απ τους πελάτες, οφείλουν να αναγνωρίζουν

Διαβάστε περισσότερα

ΔΙΑΠΑΝΕΠΙΣΤΗΜΙΑΚΟ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΤΟΠΙΚΗ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗ ΑΝΑΠΤΥΞΗ ΚΑΙ ΑΥΤΟΔΙΟΙΚΗΣΗ» ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ

ΔΙΑΠΑΝΕΠΙΣΤΗΜΙΑΚΟ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΤΟΠΙΚΗ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗ ΑΝΑΠΤΥΞΗ ΚΑΙ ΑΥΤΟΔΙΟΙΚΗΣΗ» ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΔΙΑΠΑΝΕΠΙΣΤΗΜΙΑΚΟ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΤΟΠΙΚΗ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗ ΑΝΑΠΤΥΞΗ ΚΑΙ ΑΥΤΟΔΙΟΙΚΗΣΗ» ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΔΗΜΟΚΡΙΤΕΙΟ

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

Δομές Δεδομένων & Αλγόριθμοι

Δομές Δεδομένων & Αλγόριθμοι Θέματα Απόδοσης Αλγορίθμων 1 Η Ανάγκη για Δομές Δεδομένων Οι δομές δεδομένων οργανώνουν τα δεδομένα πιο αποδοτικά προγράμματα Πιο ισχυροί υπολογιστές πιο σύνθετες εφαρμογές Οι πιο σύνθετες εφαρμογές απαιτούν

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

Εισαγωγή στην Ιατρική Πληροφορική

Εισαγωγή στην Ιατρική Πληροφορική Εισαγωγή στην Ιατρική Πληροφορική ρ. Παναγιώτης. Μπαµίδης Λέκτορας Ιατρικής Πληροφορικής Θεµατικές ενότητες Ι.Π. Εισαγωγή Εννοιες πληροφορικών συστηµάτων υγείας Ηλεκτρονικός φάκελος ασθενούς Ηλεκτρονικός

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

ΠΙΘΑΝΟΤΗΤΕΣ - ΣΤΑΤΙΣΤΙΚΗ

ΠΙΘΑΝΟΤΗΤΕΣ - ΣΤΑΤΙΣΤΙΚΗ ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΠΑΡΑΡΤΗΜΑ ΚΑΣΤΟΡΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ Η/Υ ΠΙΘΑΝΟΤΗΤΕΣ - ΣΤΑΤΙΣΤΙΚΗ 1o ΜΑΘΗΜΑ Ι ΑΣΚΩΝ: ΒΑΣΙΛΕΙΑ ΗΣ ΓΕΩΡΓΙΟΣ Email: gvasil@math.auth.gr Ιστοσελίδες Μαθήματος: users.auth.gr/gvasil

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ Κεφάλαιο 3 ο. Πίνακες. Επικοινωνία:

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ Κεφάλαιο 3 ο. Πίνακες. Επικοινωνία: Πίνακες Επικοινωνία: spzygouris@gmail.com Να δοθεί ο ορισμός του όρου «δεδομένα». Δεδομένα αποτελούν οποιαδήποτε στοιχεία μπορούν να εξαχθούν από τη διατύπωση του προβλήματος και η επιλογή τους εξαρτάται

Διαβάστε περισσότερα

ΔΙΑΧΕΙΡΙΣΗ ΥΔΑΤΙΚΩΝ ΠΟΡΩΝ

ΔΙΑΧΕΙΡΙΣΗ ΥΔΑΤΙΚΩΝ ΠΟΡΩΝ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗ ΥΔΑΤΙΚΩΝ ΠΟΡΩΝ Συνδυασμένη χρήση μοντέλων προσομοίωσης βελτιστοποίησης. Η μέθοδος του μητρώου μοναδιαίας απόκρισης Νικόλαος

Διαβάστε περισσότερα

Media Monitoring. Ενότητα 2: Η ανάλυση περιεχομένου. Σταμάτης Πουλακιδάκος Σχολή ΟΠΕ Τμήμα ΕΜΜΕ

Media Monitoring. Ενότητα 2: Η ανάλυση περιεχομένου. Σταμάτης Πουλακιδάκος Σχολή ΟΠΕ Τμήμα ΕΜΜΕ Media Monitoring Ενότητα 2: Η ανάλυση περιεχομένου Σταμάτης Πουλακιδάκος Σχολή ΟΠΕ Τμήμα ΕΜΜΕ Ορισμός Μετατρέπει υλικό ποιοτικής κυρίως φύσης σε μορφή ποσοτικών/ποιοτικών δεδομένων Μπορεί να οριστεί ως

Διαβάστε περισσότερα

Θέματα διπλωματικών εργασιών έτους 2012-2013

Θέματα διπλωματικών εργασιών έτους 2012-2013 Θέματα διπλωματικών εργασιών έτους 2012-2013 Θέμα 1: Διασύνδεση μεταφορών μικρών και μεγάλων αποστάσεων Εισαγωγή Στη λευκή βίβλο «WHITE PAPER Roadmap to a Single European Transport Area Towards a competitive

Διαβάστε περισσότερα

Παράλληλη Επεξεργασία Κεφάλαιο 7 ο Αρχιτεκτονική Συστημάτων Κατανεμημένης Μνήμης

Παράλληλη Επεξεργασία Κεφάλαιο 7 ο Αρχιτεκτονική Συστημάτων Κατανεμημένης Μνήμης Παράλληλη Επεξεργασία Κεφάλαιο 7 ο Αρχιτεκτονική Συστημάτων Κατανεμημένης Μνήμης Κωνσταντίνος Μαργαρίτης Καθηγητής Τμήμα Εφαρμοσμένης Πληροφορικής Πανεπιστήμιο Μακεδονίας kmarg@uom.gr http://eos.uom.gr/~kmarg

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ Κεφάλαιο 2 ο. Επικοινωνία:

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ Κεφάλαιο 2 ο. Επικοινωνία: Επικοινωνία: spzygouris@gmail.com Να δοθεί ο ορισμός του Αλγορίθμου. Αλγόριθμος, σύμφωνα με το βιβλίο, είναι μια πεπερασμένη σειρά ενεργειών (όχι άπειρες), αυστηρά καθορισμένων και εκτελέσιμων σε πεπερασμένο

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΘΕΜΑ 1 ο (2,5 μονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Τελικές εξετάσεις Πέμπτη 21 Ιουνίου 2012 16:30-19:30 Υποθέστε ότι θέλουμε

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

Σκοπός του κεφαλαίου είναι η κατανόηση των βασικών στοιχείων μιας στατιστικής έρευνας.

Σκοπός του κεφαλαίου είναι η κατανόηση των βασικών στοιχείων μιας στατιστικής έρευνας. 7 ο ΜΑΘΗΜΑ ΚΕΦΑΛΑΙΟ 2 ΣΤΑΤΙΣΤΙΚΗ Σκοπός Σκοπός του κεφαλαίου είναι η κατανόηση των βασικών στοιχείων μιας στατιστικής έρευνας. Προσδοκώμενα αποτελέσματα Όταν θα έχετε ολοκληρώσει τη μελέτη αυτού του κεφαλαίου

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

ΜΕΘΟΔΟΛΟΓΙΑ ΕΡΕΥΝΑΣ. Ι. Δημόπουλος, Καθηγητής, Τμήμα Διοίκησης Επιχειρήσεων και Οργανισμών-ΤΕΙ Πελοποννήσου

ΜΕΘΟΔΟΛΟΓΙΑ ΕΡΕΥΝΑΣ. Ι. Δημόπουλος, Καθηγητής, Τμήμα Διοίκησης Επιχειρήσεων και Οργανισμών-ΤΕΙ Πελοποννήσου ΜΕΘΟΔΟΛΟΓΙΑ ΕΡΕΥΝΑΣ Ι. Δημόπουλος, Καθηγητής, Τμήμα Διοίκησης Επιχειρήσεων και Οργανισμών-ΤΕΙ Πελοποννήσου Σχηματική παρουσίαση της ερευνητικής διαδικασίας ΣΚΟΠΟΣ-ΣΤΟΧΟΣ ΘΕΩΡΙΑ ΥΠΟΘΕΣΕΙΣ ΕΡΓΑΣΙΑΣ Ερευνητικά

Διαβάστε περισσότερα

Η έλλειψη κεντρικού ελέγχου της αλυσίδας διακίνησης φαρμάκων και υγειονομικών υλικών, έχει σαν αποτέλεσμα μια σειρά επιβλαβών επιπτώσεων

Η έλλειψη κεντρικού ελέγχου της αλυσίδας διακίνησης φαρμάκων και υγειονομικών υλικών, έχει σαν αποτέλεσμα μια σειρά επιβλαβών επιπτώσεων Σύστημα παρακολούθησης της διακίνησης φαρμάκων και υγειονομικών υλικών, με στόχο τον εξορθολογισμό των δημόσιων δαπανών, την αναβάθμιση της δυνατότητας διοικητικής παρέμβασης και εν τέλει, μέσα από την

Διαβάστε περισσότερα

INFO. Copyright ECDL Ελλάς, Σεπτέµβριος 2004 ΤΟ ΠΕΡΙΕΧΟΜΕΝΟ ΑΥΤΟΥ ΤΟΥ ΕΝΤΥΠΟΥ ΑΦΟΡΑ ΑΠΟΚΛΕΙΣΤΙΚΑ ΤΑ ΕΞΕΤΑΣΤΙΚΑ ΚΕΝΤΡΑ ECDL

INFO. Copyright ECDL Ελλάς, Σεπτέµβριος 2004 ΤΟ ΠΕΡΙΕΧΟΜΕΝΟ ΑΥΤΟΥ ΤΟΥ ΕΝΤΥΠΟΥ ΑΦΟΡΑ ΑΠΟΚΛΕΙΣΤΙΚΑ ΤΑ ΕΞΕΤΑΣΤΙΚΑ ΚΕΝΤΡΑ ECDL INFO ECDL Expert Ένα ολοκληρωµένο Πρόγραµµα Πιστοποίησης γνώσεων πληροφορικής και δεξιοτήτων χρήσης Η/Υ ΠΡΟΧΩΡΗΜΕΝΟΥ ΕΠΙΠΕ ΟΥ Copyright ECDL Ελλάς, Σεπτέµβριος 2004 ΤΟ ΠΕΡΙΕΧΟΜΕΝΟ ΑΥΤΟΥ ΤΟΥ ΕΝΤΥΠΟΥ ΑΦΟΡΑ

Διαβάστε περισσότερα

Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n..

Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n.. Μέτρα Κινδύνου για Δίτιμα Κατηγορικά Δεδομένα Σε αυτή την ενότητα θα ορίσουμε δείκτες μέτρησης του κινδύνου εμφάνισης μίας νόσου όταν έχουμε δίτιμες κατηγορικές μεταβλητές. Στην πιο απλή περίπτωση μας

Διαβάστε περισσότερα

ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436

ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436 ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436 A εξάμηνο 2009-2010 Περιγραφική Στατιστική Ι users.att.sch.gr/abouras abouras@sch.gr sch.gr abouras@uth.gr Μέτρα θέσης Η θέση αντιπροσωπεύει τη θέση της κατανομής κατά

Διαβάστε περισσότερα