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

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

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

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

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

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

«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

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

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

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

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

ΜΕΤΑ-ΑΝΑΛΥΣΗ (Meta-Analysis)

ΜΕΤΑ-ΑΝΑΛΥΣΗ (Meta-Analysis) ΚΕΦΑΛΑΙΟ 23 ΜΕΤΑ-ΑΝΑΛΥΣΗ (Meta-Analysis) ΕΙΣΑΓΩΓΗ Έχοντας παρουσιάσει τις βασικές έννοιες των ελέγχων υποθέσεων, θα ήταν, ίσως, χρήσιμο να αναφερθούμε σε μια άλλη περιοχή στατιστικής συμπερασματολογίας

Διαβάστε περισσότερα

Γενικές αρχές διοίκησης. μιας μικρής επιχείρησης

Γενικές αρχές διοίκησης. μιας μικρής επιχείρησης Γενικές αρχές διοίκησης μιας μικρής επιχείρησης Η επιχείρηση αποτελεί μια παραγωγική - οικονομική μονάδα, με την έννοια ότι συνδυάζει και αξιοποιεί τους συντελεστές παραγωγής (εργασία, κεφάλαιο, γνώση,

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

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

Ποσοτικές ερευνητικές προσεγγίσεις

Ποσοτικές ερευνητικές προσεγγίσεις ΓΕΝΙΚΟ ΛΥΚΕΙΟ ΕΡΕΥΝΗΤΙΚΗ ΕΡΓΑΣΙΑ (PROJECT) Ποσοτικές ερευνητικές προσεγγίσεις (Quantitative Approaches to Research) Δρ ΚΟΡΡΕΣ ΚΩΝΣΤΑΝΤΙΝΟΣ ΑΘΗΝΑ 2013 Ποσοτικές ερευνητικές προσεγγίσεις (Quantitative Research

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

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

ΑΛΓΟΡΙΘΜΟΙ. Τι είναι αλγόριθμος

ΑΛΓΟΡΙΘΜΟΙ. Τι είναι αλγόριθμος ΑΛΓΟΡΙΘΜΟΙ Στο σηµείωµα αυτό αρχικά εξηγείται η έννοια αλγόριθµος και παραθέτονται τα σπουδαιότερα κριτήρια που πρέπει να πληρεί κάθε αλγόριθµος. Στη συνέχεια, η σπουδαιότητα των αλγορίθµων συνδυάζεται

Διαβάστε περισσότερα

Πως μπορούν να χρησιμοποιηθούν ιστορικά δεδομένα για την κατασκευή

Πως μπορούν να χρησιμοποιηθούν ιστορικά δεδομένα για την κατασκευή ΜΕΡΟΣ Α ΕΙΣΑΓΩΓΗ ΚΕΦΑΛΑΙΟ 1 Εξόρυξη Δεδομένων 22 Η επανάσταση του ΚΡΙΟΥ 1.1 Εισαγωγή Το Data Mining αποτελεί μια νέα ερευνητική περιοχή, ραγδαία εξελισσόμενη, που είναι η τομή πολλών θεωριών και επιστημών,

Διαβάστε περισσότερα

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

ΔΙΟΙΚΗΣΗΣ 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 περισσότερα

2 ΟΥ και 7 ΟΥ ΚΕΦΑΛΑΙΟΥ

2 ΟΥ και 7 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 2 ΟΥ και 7 ΟΥ ΚΕΦΑΛΑΙΟΥ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΑΛΓΟΡΙΘΜΩΝ και ΔΟΜΗ ΑΚΟΛΟΥΘΙΑΣ 2.1 Να δοθεί ο ορισμός

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

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ

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

Διαβάστε περισσότερα

ΠΡΟΒΛΗΜΑΤΑ ΜΕΤΑΦΟΡΑΣ

ΠΡΟΒΛΗΜΑΤΑ ΜΕΤΑΦΟΡΑΣ (Transportation Problems) Βασίλης Κώστογλου E-mail: vkostogl@it.teithe.gr URL: www.it.teithe.gr/~vkostogl Περιγραφή Ένα πρόβλημα μεταφοράς ασχολείται με το πρόβλημα του προσδιορισμού του καλύτερου δυνατού

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

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

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

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ. Βασικές έννοιες

ΕΙΣΑΓΩΓΗ. Βασικές έννοιες ΕΙΣΑΓΩΓΗ Βασικές έννοιες Σε ένα ερωτηματολόγιο έχουμε ένα σύνολο ερωτήσεων. Μπορούμε να πούμε ότι σε κάθε ερώτηση αντιστοιχεί μία μεταβλητή. Αν θεωρήσουμε μια ερώτηση, τα άτομα δίνουν κάποιες απαντήσεις

Διαβάστε περισσότερα

Στατιστική. Βασικές έννοιες

Στατιστική. Βασικές έννοιες Στατιστική Βασικές έννοιες Τι είναι Στατιστική; ή μήπως είναι: Στατιστική είναι ο κλάδος των εφαρμοσμένων επιστημών, η οποία βασίζεται σ ένα σύνολο αρχών και μεθοδολογιών που έχουν σκοπό: Το σχεδιασμό

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 6. Πιθανότητες

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 6. Πιθανότητες ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

ΕΞΟΡΥΞΗ ΓΝΩΣΗΣ ΜΕ ΕΞΑΓΩΓΗ ΚΑΝΟΝΩΝ ΣΕ ΚΑΡΔΙΑΓΓΕΙΑΚΕΣ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ

ΕΞΟΡΥΞΗ ΓΝΩΣΗΣ ΜΕ ΕΞΑΓΩΓΗ ΚΑΝΟΝΩΝ ΣΕ ΚΑΡΔΙΑΓΓΕΙΑΚΕΣ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ 1 ΕΞΟΡΥΞΗ ΓΝΩΣΗΣ ΜΕ ΕΞΑΓΩΓΗ ΚΑΝΟΝΩΝ ΣΕ ΚΑΡΔΙΑΓΓΕΙΑΚΕΣ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Μηνάς Καραολής Πανεπιστήμιο Κύπρου, 2010 Εκτιμήσεις του παγκόσμιου οργανισμού υγείας δείχνουν ότι οι καρδιακές παθήσεις είναι και

Διαβάστε περισσότερα

ΛΟΓΙΣΜΙΚΟ ΜΕΛΕΤΩΝ ΗΛΕΚΤΡΙΚΩΝ ΕΓΚΑΤΑΣΤΑΣΕΩΝ ΚΑΙ ΥΠΟΣΤΑΘΜΩΝ ΜΕΣΗΣ ΤΑΣΗΣ

ΛΟΓΙΣΜΙΚΟ ΜΕΛΕΤΩΝ ΗΛΕΚΤΡΙΚΩΝ ΕΓΚΑΤΑΣΤΑΣΕΩΝ ΚΑΙ ΥΠΟΣΤΑΘΜΩΝ ΜΕΣΗΣ ΤΑΣΗΣ ΛΟΓΙΣΜΙΚΟ ΜΕΛΕΤΩΝ ΗΛΕΚΤΡΙΚΩΝ ΕΓΚΑΤΑΣΤΑΣΕΩΝ ΚΑΙ ΥΠΟΣΤΑΘΜΩΝ ΜΕΣΗΣ ΤΑΣΗΣ Βασίλης Τσέτογλου, Ηλεκτρολόγος Μηχ/κός ΑΠΘ (Φρυγίας 30 Καβάλα, τηλ. 2510-241735, e-mail:vatset@panafonet.gr) ΠΕΡΙΛΗΨΗ Η συνεχής και

Διαβάστε περισσότερα

ΑΠΟΤΕΛΕΣΜΑΤΑ ΔΙΑΒΟΥΛΕΥΣΗΣ

ΑΠΟΤΕΛΕΣΜΑΤΑ ΔΙΑΒΟΥΛΕΥΣΗΣ ΑΠΟΤΕΛΕΣΜΑΤΑ ΔΙΑΒΟΥΛΕΥΣΗΣ (Το έντυπο αποστέλλεται στην ΕΥΔ ΕΠ ΨΣ) Κωδ ΟΠΣ (MIS) 302037 Πράξη «Υψηλής Προστιθέμενης Αξίας Αγροτικές Ψηφιακές Υπηρεσίες (e-υπαατ)» Υποέργο «Ανάπτυξη Ευφυούς Συστήματος Λήψης

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

Τι είναι ένας Δορυφόρος Λογαριασμός Τουρισμού (Δ.Λ.Τ.) ;

Τι είναι ένας Δορυφόρος Λογαριασμός Τουρισμού (Δ.Λ.Τ.) ; Τι είναι ένας Δορυφόρος Λογαριασμός Τουρισμού (Δ.Λ.Τ.) ; Ένας δορυφόρος λογαριασμός (Δ.Λ.) είναι ένα εργαλείο για την οργάνωση όλης της ποσοτικής πληροφόρησης που σχετίζεται και απορρέει από ένα συγκεκριμένο

Διαβάστε περισσότερα

Μοντέλο πρόβλεψης αγοραίων αξιών ακινήτων βάσει των μεθόδων OLS και GWR με χρήση GIS Η περίπτωση του Δήμου Θεσσαλονίκης

Μοντέλο πρόβλεψης αγοραίων αξιών ακινήτων βάσει των μεθόδων OLS και GWR με χρήση GIS Η περίπτωση του Δήμου Θεσσαλονίκης ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΓΙΑ ΣΤΕΛΕΧΗ (EMBA) Διατριβή μεταπτυχιακού Μοντέλο πρόβλεψης αγοραίων αξιών ακινήτων

Διαβάστε περισσότερα

ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ

ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ Μ. Γρηγοριάδου Ρ. Γόγουλου Ενότητα: Η Διδασκαλία του Προγραμματισμού Περιεχόμενα Παρουσίασης

Διαβάστε περισσότερα

ΕΥΡΕΙΑ ΠΕΡΙΛΗΨΗ. 1. Εισαγωγή

ΕΥΡΕΙΑ ΠΕΡΙΛΗΨΗ. 1. Εισαγωγή Ευρεία Περίληψη 1 ΕΥΡΕΙΑ ΠΕΡΙΛΗΨΗ 1. Εισαγωγή Το κίνητρο αυτής της διατριβής ήταν η ανάγκη των τηλεοπτικών σταθμών και των διαφημιστικών εταιριών για την πρόβλεψη της τηλεθέασης των εκπομπών και των διαφημιστικών

Διαβάστε περισσότερα

Υπερπροσαρμογή (Overfitting) (1)

Υπερπροσαρμογή (Overfitting) (1) Αλγόριθμος C4.5 Αποφυγή υπερπροσαρμογής (overfitting) Reduced error pruning Rule post-pruning Χειρισμός χαρακτηριστικών συνεχών τιμών Επιλογή κατάλληλης μετρικής για την επιλογή των χαρακτηριστικών διάσπασης

Διαβάστε περισσότερα

2.2 Οργάνωση και ιοίκηση (Μάνατζµεντ -Management) 2.2.1. Βασικές έννοιες 2.2.2 Ιστορική εξέλιξη τον µάνατζµεντ.

2.2 Οργάνωση και ιοίκηση (Μάνατζµεντ -Management) 2.2.1. Βασικές έννοιες 2.2.2 Ιστορική εξέλιξη τον µάνατζµεντ. 2.2 Οργάνωση και ιοίκηση (Μάνατζµεντ -Management) 2.2.1. Βασικές έννοιες Έχει παρατηρηθεί ότι δεν υπάρχει σαφής αντίληψη της σηµασίας του όρου "διοίκηση ή management επιχειρήσεων", ακόµη κι από άτοµα που

Διαβάστε περισσότερα

ΑΣΦΑΛΕΙΑ ΔΕΔΟΜΕΝΩΝ ΣΤΗΝ ΚΟΙΝΩΝΙΑ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Μηχανισμοί Ελέγχου Προσπέλασης)

ΑΣΦΑΛΕΙΑ ΔΕΔΟΜΕΝΩΝ ΣΤΗΝ ΚΟΙΝΩΝΙΑ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Μηχανισμοί Ελέγχου Προσπέλασης) ΑΣΦΑΛΕΙΑ ΔΕΔΟΜΕΝΩΝ ΣΤΗΝ ΚΟΙΝΩΝΙΑ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Μηχανισμοί Ελέγχου Προσπέλασης) Καλλονιάτης Χρήστος Επίκουρος Καθηγητής Τμήμα Πολιτισμικής Τεχνολογίας και Επικοινωνίας, Πανεπιστήμιο Αιγαίου http://www.ct.aegean.gr/people/kalloniatis

Διαβάστε περισσότερα

CRM. Σηµειώσεις για το σεµινάριο Αθανάσιος Ν. Σταµούλης. Customer Relationship Management

CRM. Σηµειώσεις για το σεµινάριο Αθανάσιος Ν. Σταµούλης. Customer Relationship Management CRM Σηµειώσεις για το σεµινάριο Αθανάσιος Ν. Σταµούλης Customer Relationship Management Το Customer Relationship Management ή Marketing είναι µια συνολική πελατοκεντρική προσέγγιση που επιτρέπει τον εντοπισµό,

Διαβάστε περισσότερα

Στοχαστικότητα: μελέτη, μοντελοποίηση και πρόβλεψη φυσικών φαινομένων

Στοχαστικότητα: μελέτη, μοντελοποίηση και πρόβλεψη φυσικών φαινομένων Στοχαστικότητα: μελέτη, μοντελοποίηση και πρόβλεψη φυσικών φαινομένων Δρ. Τακβόρ Σουκισιάν Κύριος Ερευνητής ΕΛΚΕΘΕ Forecasting is very dangerous, especially about the future --- Samuel Goldwyn 1 ΠΕΡΙΕΧΟΜΕΝΑ

Διαβάστε περισσότερα

ΔΕΙΓΜΑ ΠΡΙΝ ΤΙΣ ΔΙΟΡΘΩΣΕΙΣ

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

Διαβάστε περισσότερα

Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ. Βήματα προς τη δημιουργία εκτελέσιμου κώδικα

Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ. Βήματα προς τη δημιουργία εκτελέσιμου κώδικα Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ Βήματα προς τη δημιουργία εκτελέσιμου κώδικα Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Βήματα προς τη δημιουργία εκτελέσιμου κώδικα

Διαβάστε περισσότερα

Παρουσίαση: Στέλλα Κωστοπούλου Επίκουρη Καθηγήτρια

Παρουσίαση: Στέλλα Κωστοπούλου Επίκουρη Καθηγήτρια Παρουσίαση: Στέλλα Κωστοπούλου Επίκουρη Καθηγήτρια ΙΣΤΟΡΙΚΟ ΤΜΗΜΑΤΟΣ Το Τμήμα Οικονομικών και Πολιτικών Επιστημών (Ο.Π.Ε.) ιδρύθηκε το 1927, ένα από τα 5 ιδρυτικά τμήματα του Α.Π.Θ. Το 1973 εξειδικεύτηκε

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ. 1.1. Υλικό και Λογισμικό.. 1 1.2 Αρχιτεκτονική Υπολογιστών.. 3 1.3 Δομή, Οργάνωση και Λειτουργία Υπολογιστών 6

ΠΕΡΙΕΧΟΜΕΝΑ. 1.1. Υλικό και Λογισμικό.. 1 1.2 Αρχιτεκτονική Υπολογιστών.. 3 1.3 Δομή, Οργάνωση και Λειτουργία Υπολογιστών 6 ΠΕΡΙΕΧΟΜΕΝΑ 1. Εισαγωγή στην Δομή, Οργάνωση, Λειτουργία και Αξιολόγηση Υπολογιστών 1.1. Υλικό και Λογισμικό.. 1 1.2 Αρχιτεκτονική Υπολογιστών.. 3 1.3 Δομή, Οργάνωση και Λειτουργία Υπολογιστών 6 1.3.1 Δομή

Διαβάστε περισσότερα

Λίγα λόγια από το συγγραφέα... 7. 91 Βάσεις δεδομένων και Microsoft Access... 9. 92 Microsoft Access... 22

Λίγα λόγια από το συγγραφέα... 7. 91 Βάσεις δεδομένων και Microsoft Access... 9. 92 Microsoft Access... 22 ΕΝΟΤΗΤΑ 5 Περιεχόμενα Λίγα λόγια από το συγγραφέα... 7 91 Βάσεις δεδομένων και Microsoft Access... 9 92 Microsoft Access... 22 93 Το σύστημα Βοήθειας του Microsoft Office... 32 94 Σχεδιασμός βάσης δεδομένων

Διαβάστε περισσότερα

Εκπαιδευτική Μονάδα 1.1: Τεχνικές δεξιότητες και προσόντα

Εκπαιδευτική Μονάδα 1.1: Τεχνικές δεξιότητες και προσόντα Εκπαιδευτική Μονάδα 1.1: Τεχνικές δεξιότητες και προσόντα Πέρα από την τυπολογία της χρηματοδότησης, των εμπλεκόμενων ομάδων-στόχων και την διάρκεια, κάθε project διακρατικής κινητικότητας αποτελεί μια

Διαβάστε περισσότερα

Θέµατα αξιολόγησης εκπαιδευτικού λογισµικού

Θέµατα αξιολόγησης εκπαιδευτικού λογισµικού Θέµατα αξιολόγησης εκπαιδευτικού λογισµικού Όνοµα: Τάσος Αναστάσιος Επώνυµο: Μικρόπουλος Τίτλος: Αναπληρωτής Καθηγητής, Εργαστήριο Εφαρµογών Εικονικής Πραγµατικότητας στην Εκπαίδευση, Πανεπιστήµιο Ιωαννίνων

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Πτυχιακή διατριβή

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Πτυχιακή διατριβή ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ Πτυχιακή διατριβή 3Δ ΑΠΕΙΚΟΝΙΣΗ ΕΙΚΟΝΩΝ DICOM ΚΑΙ ΕΣΤΙΩΝ ΠΟΛΛΑΠΛΗΣ ΣΚΛΗΡΥΝΣΗΣ ΣΕ ΕΙΚΟΝΕΣ ΕΓΚΕΦΑΛΟΥ ΜΑΓΝΗΤΙΚΗΣ ΤΟΜΟΓΡΑΦΙΑΣ Νικολάου Φοίβια

Διαβάστε περισσότερα

Προσομοίωση ΚΕΦΑΛΑΙΟ 7

Προσομοίωση ΚΕΦΑΛΑΙΟ 7 ΚΕΦΑΛΑΙΟ 7 Προσομοίωση 7.1 Συστήματα και πρότυπα συστημάτων 7.2 Η διαδικασία της προσομοίωσης 7.3 Ανάπτυξη προτύπων διακριτών γεγονότων 7.4 Τυχαίοι αριθμοί 7.5 Δείγματα από τυχαίες μεταβλητές 7.6 Προσομοίωση

Διαβάστε περισσότερα

ΕΦΗΜΕΡΙΣ ΤΗΣ ΚΥΒΕΡΝΗΣΕΩΣ

ΕΦΗΜΕΡΙΣ ΤΗΣ ΚΥΒΕΡΝΗΣΕΩΣ 22559 ΕΦΗΜΕΡΙΣ ΤΗΣ ΚΥΒΕΡΝΗΣΕΩΣ ΤΗΣ ΕΛΛΗΝΙΚΗΣ ΔΗΜΟΚΡΑΤΙΑΣ ΤΕΥΧΟΣ ΔΕΥΤΕΡΟ Αρ. Φύλλου 1561 17 Αυγούστου 2007 ΑΠΟΦΑΣΕΙΣ Αριθμ. 85038/Γ2 Αναλυτικό Πρόγραμμα Σπουδών του Τομέα Οικονομικών και Διοικητικών Υπηρεσιών

Διαβάστε περισσότερα

Εισαγωγή στην έννοια του Αλγορίθμου

Εισαγωγή στην έννοια του Αλγορίθμου Εισαγωγή στην έννοια του Αλγορίθμου ΟΜΑΔΑ ΑΝΑΠΤΥΞΗΣ Νίκος Μιχαηλίδης, Πληροφορικός ΠΕ19 ΣΧΟΛΕΙΟ 2 ο Πρότυπο Πειραματικό Γυμνάσιο Θεσσαλονίκης Θεσσαλονίκη, 24 Φεβρουαρίου 2015 1. Συνοπτική περιγραφή της

Διαβάστε περισσότερα

Η ερευνητική διαδικασία: Προετοιμασία ερευνητικής πρότασης

Η ερευνητική διαδικασία: Προετοιμασία ερευνητικής πρότασης Η ερευνητική διαδικασία: Προετοιμασία ερευνητικής πρότασης και συγγραφή ερευνητικής έκθεσης / διατριβής. Δρ. Ηλίας Μαυροειδής Σ.Ε.Π.,., Ελληνικό Ανοικτό Πανεπιστήμιο Τα στάδια της ερευνητικής διαδικασίας

Διαβάστε περισσότερα

ΔΕΣΜΗ ΠΡΟΓΡΑΜΜΑΤΩΝ ΙΠΕ 2009-2010

ΔΕΣΜΗ ΠΡΟΓΡΑΜΜΑΤΩΝ ΙΠΕ 2009-2010 ΔΕΣΜΗ ΠΡΟΓΡΑΜΜΑΤΩΝ ΙΠΕ 2009-2010 Αριθμός πρωτοκόλλου έργου: ΚΟΙΝΩ/0609/ΒΙΕ/13 Τίτλος έργου: Η ολιστική προσέγγιση του προβλήματος της αναποτελεσματικής αντιμετώπισης του φαινομένου των οδικών ατυχημάτων

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 6 ΟΥ ΚΕΦΑΛΑΙΟΥ ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ 6.1 Τι ονοµάζουµε πρόγραµµα υπολογιστή; Ένα πρόγραµµα

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΕΝΟΤΗΤΕΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ (One-Way Analyss of Varance) Η ανάλυση

Διαβάστε περισσότερα

Κλινικές Μελέτες. Αναπληρώτρια Καθηγήτρια Ιατρικής Σχολής Πανεπιστημίου Αθηνών

Κλινικές Μελέτες. Αναπληρώτρια Καθηγήτρια Ιατρικής Σχολής Πανεπιστημίου Αθηνών Κλινικές Μελέτες Δέσποινα Ν. Περρέα Αναπληρώτρια Καθηγήτρια Ιατρικής Σχολής Πανεπιστημίου Αθηνών Διευθύντρια Εργαστηρίου Πειραματικής Χειρουργικής και Χειρουργικής Ερεύνης «Ν.Σ. Χρηστέας» Κλινικές Μελέτες

Διαβάστε περισσότερα

ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ ΔΕΟ 13 ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ 3 η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ ΣΤΑΤΙΣΤΙΚΗ ΘΕΜΑΤΑ

ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ ΔΕΟ 13 ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ 3 η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ ΣΤΑΤΙΣΤΙΚΗ ΘΕΜΑΤΑ ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ ΔΕΟ 13 ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ 3 η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ ΣΤΑΤΙΣΤΙΚΗ ΘΕΜΑΤΑ ΘΕΜΑ 1 ο Τα δεδομένα της στήλης Grade (Αρχείο Excel, Φύλλο Ask1) αναφέρονται στη βαθμολογία 63 φοιτητών που έλαβαν μέρος σε

Διαβάστε περισσότερα

1. ΑΡΧΕΣ ΛΕΙΤΟΥΡΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ

1. ΑΡΧΕΣ ΛΕΙΤΟΥΡΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 12 Σχεδιασμός Ανάπτυξη Λειτουργία Π.Σ. 1. ΑΡΧΕΣ ΛΕΙΤΟΥΡΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 1.1 Δυνατότητες Λειτουργικών Συστημάτων 1.1.1 Εισαγωγή Ο όρος Λειτουργικό Σύστημα (Operating System), εκφράζει το σύνολο των προγραμμάτων

Διαβάστε περισσότερα

Ελληνική Στατιστική Αρχή 3ο Συνέδριο Χρηστών. Πειραιάς 18.12.2012

Ελληνική Στατιστική Αρχή 3ο Συνέδριο Χρηστών. Πειραιάς 18.12.2012 Ελληνική Στατιστική Αρχή 3ο Συνέδριο Χρηστών Πειραιάς 18.12.2012 Στατιστικές Χρήσης Χρόνου Έλλειψη σχετικών στατιστικών Διενέργεια Έρευνας Χρήσης Χρόνου, σε συνεργασία με τη Γενική Γραμματεία Ισότητας

Διαβάστε περισσότερα

«ΑΝΑΛΥΣΗ ΣΥΣΤΑΔΩΝ ΤΗΣ ΑΞΙΟΛΟΓΗΣΗΣ ΤΩΝ ΜΑΘΗΜΑΤΩΝ ΤΟΥ ΤΜΗΜΑΤΟΣ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ ΑΠΟ ΤΟΥΣ ΦΟΙΤΗΤΕΣ»

«ΑΝΑΛΥΣΗ ΣΥΣΤΑΔΩΝ ΤΗΣ ΑΞΙΟΛΟΓΗΣΗΣ ΤΩΝ ΜΑΘΗΜΑΤΩΝ ΤΟΥ ΤΜΗΜΑΤΟΣ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ ΑΠΟ ΤΟΥΣ ΦΟΙΤΗΤΕΣ» Τ.Ε.Ι. ΚΑΒΑΛΑΣ ΤΜΗΜΑ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ «ΑΝΑΛΥΣΗ ΣΥΣΤΑΔΩΝ ΤΗΣ ΑΞΙΟΛΟΓΗΣΗΣ ΤΩΝ ΜΑΘΗΜΑΤΩΝ ΤΟΥ ΤΜΗΜΑΤΟΣ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ ΑΠΟ ΤΟΥΣ ΦΟΙΤΗΤΕΣ» Της σπουδάστριας ΚΑΤΣΑΡΟΥ ΧΑΡΙΚΛΕΙΑΣ Επιβλέπων Δρ. ΓΕΡΟΝΤΙΔΗΣ

Διαβάστε περισσότερα

Σενάριο 15: Ενεργός Μετεωρολογικός Χάρτης

Σενάριο 15: Ενεργός Μετεωρολογικός Χάρτης Σενάριο 15: Ενεργός Μετεωρολογικός Χάρτης Ταυτότητα Σεναρίου Τίτλος : Ενεργός Μετεωρολογικός Χάρτης Γνωστικό Αντικείμενο: Εφαρμογές Πληροφορικής-Υπολογιστών Διδακτική Ενότητα: Διερευνώ - Δημιουργώ Ανακαλύπτω,

Διαβάστε περισσότερα

ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Σ

ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Σ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Σ υ ν δ υ α σ τ ι κ ή Πειραιάς 2007 1 Μάθημα 3ο Διατάξεις και μεταθέσεις 2 ΔΙΑΤΑΞΕΙΣ-ΜΕΤΑΘΕΣΕΙΣ- ΣΥΝΔΥΑΣΜΟΙ 2.1 Διατάξεις και μεταθέσεις 2.2 Κυκλικές διατάξεις

Διαβάστε περισσότερα

DO Y O Y U S PEAK K F U F TURE R?

DO Y O Y U S PEAK K F U F TURE R? GALAXY είναι Τεχνολογία αιχμής που αξιοποιεί τις πλέον σύγχρονες διεθνείς τάσεις, συνδυάζοντας τo Microsoft.NET Framework 3.5 και τα εξελιγμένα εργαλεία ανάπτυξης εφαρμογών της SingularLogic. Εξασφαλίζει

Διαβάστε περισσότερα

ΟΚΙΜΑΣΙΕΣ χ 2 (CHI-SQUARE)

ΟΚΙΜΑΣΙΕΣ χ 2 (CHI-SQUARE) ΔΟΚΙΜΑΣΙΕΣ χ (CI-SQUARE) ΟΚΙΜΑΣΙΕΣ χ (CI-SQUARE). Εισαγωγή Οι στατιστικές δοκιμασίες που μελετήσαμε μέχρι τώρα ονομάζονται παραμετρικές (paramtrc) διότι χαρακτηρίζονται από υποθέσεις σχετικές είτε για

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 4 ΤΑΞΙΝΟΜΗΣΕΙΣ ΤΩΝ ΟΡΓΑΝΙΣΜΩΝ

ΚΕΦΑΛΑΙΟ 4 ΤΑΞΙΝΟΜΗΣΕΙΣ ΤΩΝ ΟΡΓΑΝΙΣΜΩΝ ΚΕΦΑΛΑΙΟ 4 ΤΑΞΙΝΟΜΗΣΕΙΣ ΤΩΝ ΟΡΓΑΝΙΣΜΩΝ 1. Η ΠΡΟΣΕΓΓΙΣΗ 203. Η προσέγγιση εστιάζει στις χαρακτηριστικές ιδιότητες της καινοτοµικής επιχείρησης και όλα τα χαρακτηριστικά των δραστηριοτήτων καινοτοµίας και

Διαβάστε περισσότερα

Microsoft Dynamics NAV & Verticals

Microsoft Dynamics NAV & Verticals Microsoft Dynamics NAV & Verticals 1 Cosmos Business Systems SA Cosmos Consulting SA Software Solutions Microsoft Dynamics NAV ERP Τι είναι; Το Enterprise Resource Planning (ERP) είναι μια λύση λογισμικού

Διαβάστε περισσότερα

ΤΕΙ ΣΤΕΡΑΣ ΕΛΛΑΔΑΣ. Τμήμα Εμπορίας και Διαφήμισης ΔΙΔΑΚΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ. Μάθημα: Επιχειρησιακή Έρευνα. Ακαδημαϊκό Έτος 2013-2014

ΤΕΙ ΣΤΕΡΑΣ ΕΛΛΑΔΑΣ. Τμήμα Εμπορίας και Διαφήμισης ΔΙΔΑΚΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ. Μάθημα: Επιχειρησιακή Έρευνα. Ακαδημαϊκό Έτος 2013-2014 ΤΕΙ ΣΤΕΡΑΣ ΕΛΛΑΔΑΣ Τμήμα Εμπορίας και Διαφήμισης ΔΙΔΑΚΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ Μάθημα: Επιχειρησιακή Έρευνα Ακαδημαϊκό Έτος 2013-2014 Διδάσκων: Δρ. Χρήστος Γενιτσαρόπουλος Άμφισσα, 2013 Δρ. Χρήστος Γενιτσαρόπουλος

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ και ΟΡΓΑΝΙΣΜΩΝ Θεματική Ενότητα: ΔΕΟ-13 Ποσοτικές Μέθοδοι Ακαδημαϊκό Έτος: 2010-11 Τρίτη Γραπτή Εργασία στη Στατιστική Γενικές οδηγίες

Διαβάστε περισσότερα

Σχεδιαστής Ιστοσελίδων

Σχεδιαστής Ιστοσελίδων Σχεδιαστής Ιστοσελίδων 1. Περιγραφή Ρόλου Τίτλος Προφίλ Σχεδιαστής Ιστοσελίδων Γνωστό και ως Συνοπτική Ένας σχεδιαστής ιστοσελίδων κατασκευάζει και ενημερώνει ιστοσελίδες ως προς τη σχεδίαση και τη διαμόρφωση

Διαβάστε περισσότερα

Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων ΟΔΗΓΟΣ ΧΡΗΣΗΣ System Συμβουλευτική Α.Ε

Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων ΟΔΗΓΟΣ ΧΡΗΣΗΣ System Συμβουλευτική Α.Ε σχετικά με τον έλεγχο της καπνιστικής συνήθειας 1 22 Λογισμικές εφαρμογές καταγραφής και αξιοποίησης πληροφοριών σχετικά με τον έλεγχο της καπνιστικής συνήθειας Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων

Διαβάστε περισσότερα

ΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ

ΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΤΟΜΕΑΣ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΕΠΙΧΕΙΡΗΣΙΑΚΗΣ ΕΡΕΥΝΑΣ ΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ Εισαγωγή στο P.A.S.W. Υποχρεωτικό μάθημα 4 ου εξαμήνου

Διαβάστε περισσότερα

Ηλεκτρονικές Υπηρεσίες στον κλάδο της Ναυτιλίας. Ονοματεπώνυμο: Γεώργιος Μάριος Τσέρτος Σειρά: MSM 10 Eπιβλέπων Καθηγητής: Αδάμ Βρεχόπουλος

Ηλεκτρονικές Υπηρεσίες στον κλάδο της Ναυτιλίας. Ονοματεπώνυμο: Γεώργιος Μάριος Τσέρτος Σειρά: MSM 10 Eπιβλέπων Καθηγητής: Αδάμ Βρεχόπουλος Ηλεκτρονικές Υπηρεσίες στον κλάδο της Ναυτιλίας Ονοματεπώνυμο: Γεώργιος Μάριος Τσέρτος Σειρά: MSM 10 Eπιβλέπων Καθηγητής: Αδάμ Βρεχόπουλος Ιανουάριος 2013 1 Στόχος Έρευνας Κατάδειξη άμεσης σχέσης ανάμεσα

Διαβάστε περισσότερα

329 Στατιστικής Οικονομικού Παν. Αθήνας

329 Στατιστικής Οικονομικού Παν. Αθήνας 329 Στατιστικής Οικονομικού Παν. Αθήνας Σκοπός Το Τμήμα σκοπό έχει να αναδείξει επιστήμονες ικανούς να σχεδιάζουν, να αναλύουν και να επεξεργάζονται στατιστικές καθώς επίσης και να δημιουργούν προγράμματα

Διαβάστε περισσότερα

3.4.2 Ο Συντελεστής Συσχέτισης τ Του Kendall

3.4.2 Ο Συντελεστής Συσχέτισης τ Του Kendall 3..2 Ο Συντελεστής Συσχέτισης τ Του Kendall Ο συντελεστής συχέτισης τ του Kendall μοιάζει με τον συντελεστή ρ του Spearman ως προς το ότι υπολογίζεται με βάση την τάξη μεγέθους των παρατηρήσεων και όχι

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Δομές Δεδομένων (Data Structures)

Δομές Δεδομένων (Data Structures) Δομές Δεδομένων (Data Structures) Ανάλυση - Απόδοση Αλγορίθμων Έλεγχος Αλγορίθμων. Απόδοση Προγραμμάτων. Χωρική/Χρονική Πολυπλοκότητα. Ασυμπτωτικός Συμβολισμός. Παραδείγματα. Αλγόριθμοι: Βασικές Έννοιες

Διαβάστε περισσότερα

Πληροφορική(18 μήνες, Μεταπτυχιακό)

Πληροφορική(18 μήνες, Μεταπτυχιακό) Πληροφορική(18 μήνες, Μεταπτυχιακό) Περιγραφή: Το πρόγραμμα προσφέρει προχωρημένου επιπέδου γνώση σε όλους τους σημαντικούς τομείς της Επιστήμης των Υπολογιστών, όπως σύγχρονα δίκτυα, βάσεις δεδομένων,

Διαβάστε περισσότερα

10. Με πόσους και ποιους τρόπους μπορεί να αναπαρασταθεί ένα πρόβλημα; 11. Περιγράψτε τα τρία στάδια αντιμετώπισης ενός προβλήματος.

10. Με πόσους και ποιους τρόπους μπορεί να αναπαρασταθεί ένα πρόβλημα; 11. Περιγράψτε τα τρία στάδια αντιμετώπισης ενός προβλήματος. 1. Δώστε τον ορισμό του προβλήματος. 2. Σι εννοούμε με τον όρο επίλυση ενός προβλήματος; 3. Σο πρόβλημα του 2000. 4. Σι εννοούμε με τον όρο κατανόηση προβλήματος; 5. Σι ονομάζουμε χώρο προβλήματος; 6.

Διαβάστε περισσότερα

ΑΣΚΗΣΕΙΣ ΠΙΘΑΝΟΤΗΤΩΝ του Παν. Λ. Θεοδωρόπουλου 0

ΑΣΚΗΣΕΙΣ ΠΙΘΑΝΟΤΗΤΩΝ του Παν. Λ. Θεοδωρόπουλου 0 ΑΣΚΗΣΕΙΣ ΠΙΘΑΝΟΤΗΤΩΝ του Παν. Λ. Θεοδωρόπουλου 0 Η Θεωρία Πιθανοτήτων είναι ένας σχετικά νέος κλάδος των Μαθηματικών, ο οποίος παρουσιάζει πολλά ιδιαίτερα χαρακτηριστικά στοιχεία. Επειδή η ιδιαιτερότητα

Διαβάστε περισσότερα

Σχολή Διοίκησης και Οικονομίας. Τμήμα Διοίκησης Ξενοδοχείων και Τουρισμού. - Μάστερ (ΜSc) στη Διεθνή Διοίκηση Τουρισμού και Επιχειρήσεων Φιλοξενίας

Σχολή Διοίκησης και Οικονομίας. Τμήμα Διοίκησης Ξενοδοχείων και Τουρισμού. - Μάστερ (ΜSc) στη Διεθνή Διοίκηση Τουρισμού και Επιχειρήσεων Φιλοξενίας Σχολή Διοίκησης και Οικονομίας Τμήμα Διοίκησης Ξενοδοχείων και Τουρισμού - Μάστερ (ΜSc) στη Διεθνή Διοίκηση Τουρισμού και Επιχειρήσεων Φιλοξενίας 1. Εισαγωγή 2. Στόχοι Μεταπτυχιακού Προγράμματος 3. Διάρκεια

Διαβάστε περισσότερα

«ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΑΠΟ ΤΟΝ ΠΙΣΤΩΤΙΚΟ ΚΙΝΔΥΝΟ ΜΕ ΤΟ ΛΟΓΙΣΜΙΚΟ ΕΞΟΡΥΞΗΣ STATISTICA DATA MINER»

«ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΑΠΟ ΤΟΝ ΠΙΣΤΩΤΙΚΟ ΚΙΝΔΥΝΟ ΜΕ ΤΟ ΛΟΓΙΣΜΙΚΟ ΕΞΟΡΥΞΗΣ STATISTICA DATA MINER» Τ.Ε.Ι ΑΝΑΤΟΛΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ & ΘΡΑΚΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ «ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΑΠΟ ΤΟΝ ΠΙΣΤΩΤΙΚΟ ΚΙΝΔΥΝΟ ΜΕ ΤΟ ΛΟΓΙΣΜΙΚΟ ΕΞΟΡΥΞΗΣ STATISTICA DATA MINER»

Διαβάστε περισσότερα

Τμήμα Μηχανικών Οικονομίας και Διοίκησης (ΤΜΟΔ), Σχολή Επιστημών της Διοίκησης Πανεπιστήμιο Αιγαίου

Τμήμα Μηχανικών Οικονομίας και Διοίκησης (ΤΜΟΔ), Σχολή Επιστημών της Διοίκησης Πανεπιστήμιο Αιγαίου Τμήμα Μηχανικών Οικονομίας και Διοίκησης (ΤΜΟΔ), Σχολή Επιστημών της Διοίκησης Πανεπιστήμιο Αιγαίου Το προφίλ του Τμήματος και των Αποφοίτων σε 10 Ερωτήσεις 1. Τί είδους Μηχανικός είναι ο Μηχανικός Οικονομίας

Διαβάστε περισσότερα

ΑΣΚΗΣΕΙΣ Πρόβλημα απουσιών στ)

ΑΣΚΗΣΕΙΣ Πρόβλημα απουσιών στ) ΑΣΚΗΣΕΙΣ. Ο διευθυντής προσωπικού μιας μεγάλης εταιρείας πιστεύει ότι ίσως υφίσταται κάποια σχέση μεταξύ των ημερών απουσίας και της ηλικίας των εργαζομένων. Με βάση την υπόθεση αυτή ενδιαφέρεται να κατασκευάσει

Διαβάστε περισσότερα

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) Έλεγχος Υποθέσεων για τους Μέσους - Εξαρτημένα Δείγματα (Paired samples t-test) Το κριτήριο Paired samples t-test χρησιμοποιείται όταν θέλουμε να συγκρίνουμε

Διαβάστε περισσότερα

Αναδρομή. Τι γνωρίζετε για τη δυνατότητα «κλήσης» αλγορίθμων; Τι νόημα έχει;

Αναδρομή. Τι γνωρίζετε για τη δυνατότητα «κλήσης» αλγορίθμων; Τι νόημα έχει; ΜΑΘΗΜΑ 7 Κλήση αλγορίθμου από αλγόριθμο Αναδρομή Σ χ ο λ ι κ ο Β ι β λ ι ο ΥΠΟΚΕΦΑΛΑΙΟ 2.2.7: ΕΝΤΟΛΕΣ ΚΑΙ ΔΟΜΕΣ ΑΛΓΟΡΙΘΜΟΥ ΠΑΡΑΓΡΑΦΟI 2.2.7.5: Κλήση αλγορίθμου από αλγόριθμο 2.2.7.6: Αναδρομή εισαγωγη

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ. Μέρος I. Πρόλογος του συγγραφέα... 13. Εσωτερικό περιβάλλον και διαμόρφωση στρατηγικής Περιεχόμενα

ΚΕΦΑΛΑΙΟ. Μέρος I. Πρόλογος του συγγραφέα... 13. Εσωτερικό περιβάλλον και διαμόρφωση στρατηγικής Περιεχόμενα Εσωτερικό περιβάλλον και διαμόρφωση στρατηγικής Ερευνητική αποτελέσματα διαδικασία Περιεχόμενα 9 ΚΕΦΑΛΑΙΟ Πρόλογος του συγγραφέα... 13 Μέρος I Οι αρχές... 17 Κεφάλαιο 1 Διαχείριση πελατειακών σχέσεων CRM...

Διαβάστε περισσότερα

«Παρουσίαση Κατεύθυνσης

«Παρουσίαση Κατεύθυνσης ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ «Παρουσίαση Κατεύθυνσης Επιχειρησιακών Λειτουργιών» Χίος, Δεκέμβριος 2013 Εισαγωγή Η Διοίκηση Λειτουργιών (operations management)

Διαβάστε περισσότερα

Θέματα Ατομικής Διπλωματικής Εργασίας - DRAFT Ακαδημαϊκό Έτος 2015/2016. Γεωργία Καπιτσάκη (Λέκτορας)

Θέματα Ατομικής Διπλωματικής Εργασίας - DRAFT Ακαδημαϊκό Έτος 2015/2016. Γεωργία Καπιτσάκη (Λέκτορας) Θέματα Ατομικής Διπλωματικής Εργασίας - DRAFT Ακαδημαϊκό Έτος 2015/2016 Γεωργία Καπιτσάκη (Λέκτορας) ΠΕΡΙΟΧΗ Α: ΕΦΑΡΜΟΓΕΣ ΜΕ ΑΙΣΘΗΤΗΡΕΣ ΓΙΑ ΕΠΙΓΝΩΣΗ ΣΥΓΚΕΙΜΕΝΟΥ Οι αισθητήρες μας δίνουν τη δυνατότητα συλλογής

Διαβάστε περισσότερα

Οι φορητοί υπολογιστές στην εκπαίδευση: Μελέτη περίπτωσης ως προς τις συνέπειες στη διδασκαλία και το μιντιακό γραμματισμό

Οι φορητοί υπολογιστές στην εκπαίδευση: Μελέτη περίπτωσης ως προς τις συνέπειες στη διδασκαλία και το μιντιακό γραμματισμό Παιδαγωγικά ρεύματα στο Αιγαίο Προσκήνιο 1 Οι φορητοί υπολογιστές στην εκπαίδευση: Μελέτη περίπτωσης ως προς τις συνέπειες στη διδασκαλία και το μιντιακό γραμματισμό Δημήτρης Σπανός 1 dimitris.spanos@gmail.com

Διαβάστε περισσότερα

Ποιοτική και ποσοτική ανάλυση ιατρικών δεδομένων

Ποιοτική και ποσοτική ανάλυση ιατρικών δεδομένων Ποιοτική και ποσοτική ανάλυση ιατρικών δεδομένων Κωνσταντίνος Τζιόμαλος Επίκουρος Καθηγητής Παθολογίας ΑΠΘ Α Προπαιδευτική Παθολογική Κλινική, Νοσοκομείο ΑΧΕΠΑ 1 ο βήμα : καταγραφή δεδομένων Το πιο πρακτικό

Διαβάστε περισσότερα

"Αθηνά" - Ερευνητικό Κέντρο Καινοτομίας στις Τεχνολογίες της Πληροφορίας, των Επικοινωνιών και της Γνώσης

Αθηνά - Ερευνητικό Κέντρο Καινοτομίας στις Τεχνολογίες της Πληροφορίας, των Επικοινωνιών και της Γνώσης "Αθηνά" - Ερευνητικό Κέντρο Καινοτομίας στις Τεχνολογίες της Πληροφορίας, των Επικοινωνιών και της Γνώσης ΙΝΣΤΙΤΟΥΤΟ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Προκήρυξη Υποτροφιών To Ινστιτούτο Πληροφοριακών Συστημάτων

Διαβάστε περισσότερα

Καινοτομία και Ηλεκτρονική Υγεία:Προτάσεις για το όχι τόσο μακρινό μέλλον. ΔΗΜΗΤΡΗΣ ΚΟΥΤΣΟΥΡΗΣ Καθηγητής ΕΜΠ Εργαστήριο Βιοϊατρικής Τεχνολογίας

Καινοτομία και Ηλεκτρονική Υγεία:Προτάσεις για το όχι τόσο μακρινό μέλλον. ΔΗΜΗΤΡΗΣ ΚΟΥΤΣΟΥΡΗΣ Καθηγητής ΕΜΠ Εργαστήριο Βιοϊατρικής Τεχνολογίας Καινοτομία και Ηλεκτρονική Υγεία:Προτάσεις για το όχι τόσο μακρινό μέλλον ΔΗΜΗΤΡΗΣ ΚΟΥΤΣΟΥΡΗΣ Καθηγητής ΕΜΠ Εργαστήριο Βιοϊατρικής Τεχνολογίας Ηλεκτρονική Υγεία Τι είναι; Η πληροφορική Υγείας (healthcare

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ και ΟΡΓΑΝΙΣΜΩΝ Θεματική Ενότητα: ΔΕΟ-13 Ποσοτικές Μέθοδοι Ακαδημαϊκό Έτος: 2006-07 Τρίτη Γραπτή Εργασία στη Στατιστική Γενικές οδηγίες

Διαβάστε περισσότερα

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες

Διαβάστε περισσότερα

ΗΛΕΚΤΡΟΝΙΚΕΣ ΠΡΟΜΗΘΕΙΕΣ ΣΤΟΝ ΧΩΡΟ ΤΗΣ ΥΓΕΙΑΣ

ΗΛΕΚΤΡΟΝΙΚΕΣ ΠΡΟΜΗΘΕΙΕΣ ΣΤΟΝ ΧΩΡΟ ΤΗΣ ΥΓΕΙΑΣ ΗΛΕΚΤΡΟΝΙΚΕΣ ΠΡΟΜΗΘΕΙΕΣ ΣΤΟΝ ΧΩΡΟ ΤΗΣ ΥΓΕΙΑΣ Ηλεκτρονική Διαχείριση Ερευνών Αγοράς και Προσφορών για Διαγωνισμούς αξίας κάτω των 60.000 για τα Νοσοκομεία 2 1 Το επιχειρησιακό θέμα στις Διευθύνσεις Προμηθειών

Διαβάστε περισσότερα

Γεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS)

Γεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS) Γεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS) ρ. ΧΑΛΚΙΑΣ ΧΡΙΣΤΟΣ xalkias@hua.gr Χ. Χαλκιάς - Εισαγωγή στα GIS 1 Ορισµοί ΓΠΣ Ένα γεωγραφικό πληροφοριακό σύστηµα Geographic Information

Διαβάστε περισσότερα

ΔΙΑΓΩΝΙΣΜΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ

ΔΙΑΓΩΝΙΣΜΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΔΙΑΓΩΝΙΣΜΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΘΕΜΑ 1 (Α) Σημειώστε δίπλα σε κάθε πρόταση «Σ» ή «Λ» εφόσον είναι σωστή ή λανθασμένη αντίστοιχα. 1. Τα συντακτικά λάθη ενός προγράμματος

Διαβάστε περισσότερα

Αναλυτική Περιγραφή του προτεινόμενου Προγράμματος Επικαιροποίησης Γνώσεων Αποφοίτων (ΠΕΓΑ) Περιεχόμενο Προγράμματος (μαθήματα, ώρες κλπ):

Αναλυτική Περιγραφή του προτεινόμενου Προγράμματος Επικαιροποίησης Γνώσεων Αποφοίτων (ΠΕΓΑ) Περιεχόμενο Προγράμματος (μαθήματα, ώρες κλπ): Αναλυτική Περιγραφή του προτεινόμενου Προγράμματος Επικαιροποίησης Γνώσεων Αποφοίτων (ΠΕΓΑ) Περιεχόμενο Προγράμματος (μαθήματα, ώρες κλπ): Το πρόγραμμα αποτελείται από 3 βασικές θεματικές ενότητες και

Διαβάστε περισσότερα