ΕΞΟΡΥΞΗ Ε ΟΜΕΝΩΝ. Εισαγωγή
|
|
- Ἀριστείδης Λαμέρας
- 8 χρόνια πριν
- Προβολές:
Transcript
1 ΕΞΟΡΥΞΗ Ε ΟΜΕΝΩΝ Εισαγωγή
2 Εισαγωγή Τεράστιος όγκος διαθέσιμων δεδομένων χρειαζόμαστε μεθόδουςγιανατααναλύσουμε Τι είναι η Εξόρυξη Δεδομένων (με δυο λόγια) Αποδοτικές τεχνικές για να αναλύσουμε πολύ μεγάλες συλλογές από δεδομένα και να εξάγουμε χρήσιμες πληροφορίες από αυτά Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 3 Παραδείγματα Δεδομένων Κυβερνητικά: IRS (εφορία), δημογραφικά δεδομένα, «ΔΙΑΦΑΝΕΙΑ», Αρχεία κειμένου (document data) Web ως συλλογή κειμένων: δισεκατομμύρια σελίδες Wikipedia: 4 εκατομμύρια λήμματα (που συνεχώς αυξάνονται) Online συλλογές επιστημονικών άρθρων Μεγάλες εταιρίες WALMART: 20M συναλλαγές την ημέρα MOBIL: 100 TB γεωλογικά σύνολα δεδομένων AT&T 300 M κλήσεις την ημέρα Εταιρίες πιστωτικών κρατών Εισαγωγή Επιστημονικά NASA, EOS project: 50 GB την ώρα Δεδομένα για το περιβάλλον (για παράδειγμα) monthly/index.php a database of temperature, precipitation and pressure records managed by the National Climatic Data Center, Arizona State University and the Carbon Dioxide Information Analysis Center 6000 temperature stations, 7500 precipitation stations, 2000 pressure stations Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 4
3 Εισαγωγή Παραδείγματα Δεδομένων Παράδειγμα: γονιδιακές ακολουθίες genomic sequences Πλήρης ακολουθία για 1000 άτομα 310^9 nucleotides για κάθε άτομο 310^12 nucleotides Στην πραγματικότητα ακόμα περισσότερα δεδομένα: ιατρικό ιστορικό ατόμων, γονίδια (gene expression data) κλο Παράδειγμα: Διαδικτυακά δεδομένα Web: 50 δισεκατομμύρια σελίδες διασυνδεδεμένες Facebook: 400 εκατομμύρια χρήστες MySpace: 300 εκατομμύρια χρήστες Ιnstant messenger: ~ 1 δισεκατομμύρια χρήστες Blogs: 250 εκατομμύρια blogs Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 5 Τι είναι η Εξόρυξη Δεδομένων Εξόρυξη Δεδομένων (Ορισμός) Πολύ μεγάλα σύνολα δεδομένων (data sets) (1) η διαδικασία ανακάλυψης (discovery) προτύπων (patterns) που πριν δεν ήταν γνωστά, ισχύουν, είναι πιθανών χρήσιμα και είναι κατανοητά (2) η ανάλυση τους για να βρούμε μη αναμενόμενες σχέσεις ανάμεσα στα δεδομένα καθώς και να τα συνοψίσουμε με νέους τρόπους που είναι κατανοητοί και χρήσιμοι στους χρήστες Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 6
4 Εισαγωγή Γιατί Εξόρυξη Δεδομένων (από εμπορική πλευρά) Πολλάδεδομένασυγκεντρώνονταικαι εισάγονται σε αποθήκες δεδομένων ή είναι διαθέσιμα στο διαδίκτυο Αγορές σε πολύ καταστήματα/αλυσίδες Συναλλαγές με τράπεζες/πιστωτικές κάρτες Web, web logs Network traffic Κοινωνικά δίκτυα ( s, συστήματα δικτύωσης) Σχεδιασμός καλύτερων συστημάτων Αποφυγή spam, αποδοτικότητα Μεγάλος ανταγωνισμός Παροχή καλύτερων, προσωπικών υπηρεσιών σε κάποιο πεδίο (fraud detection, target marketing) Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 7 Γιατί Εξόρυξη Δεδομένων (από επιστημονική πλευρά) Τα δεδομένα συλλέγονται και αποθηκεύονται σε τρομερές ταχύτητες (GB/hour) Απομακρυσμένοι αισθητήρες (remote sensors) σε δορυφόρους Τηλεσκόπια στον ουρανό Microarrays που παράγουν γονιδιακά δεδομένα Επιστημονικές προσομοιώσεις που παράγουν terabytes δεδομένων Η εξόρυξη δεδομένων μπορεί να βοηθήσει τους επιστήμονες Στην κατηγοριοποίηση και την τμηματοποίηση των δεδομένων Στη διατύπωση υποθέσεων Ποια γονίδια σχετίζονται με κάποια αρρώστια, ποια είναι η συσχέτιση μεταξύ ακραίων καιρικών συνθηκών και της υπερθέρμανσης του πλανήτη Εισαγωγή Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 8
5 Τι είναι η Εξόρυξη Δεδομένων Είδη/Τεχνικές Εξόρυξης Δεδομένων (συνοπτικά) Ομαδοποίηση (συσταδοποίηση) clustering χωρίζουμε τα δεδομένα σε ομάδες από «όμοια» σύνολα Κανόνες συσχέτισης (Association rule mining) βρίσκουμε συσχετίσεις ανάμεσα στα δεδομένα, πχ ποια δεδομένα εμφανίζονται συχνά μαζί σε συναλλαγές Κατηγοριοποίηση (Classification) κατηγοριοποιούμε τα δεδομένα τοποθετώντας τα σε μια (ή περισσότερες) από έναν αριθμό από δοσμένες κατηγορίες Είδη με βάση τα δεδομένα στα οποία γίνεται η εξόρυξη Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 9 Οι «ρίζες» της Εξόρυξης Δεδομένων Στατιστική Εξόρυξη Δεδομένων Βάσεις Δεδομένων ΤΝ/ Μηχανική Μάθηση Πρέπει να αντιμετωπίσει: Το τεράστιο μέγεθος των δεδομένων Το μεγάλο αριθμό διαστάσεων Την μη ομοιογενή και την κατανεμημένη φύση των δεδομένων Η προσέγγιση στο μάθημα θα είναι σε αλγορίθμους/δομές και μεγάλα σύνολα δεδομένων από την πλευρά των συστημάτων λογισμικού Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 10
6 Φιλοσοφίες Βάσεις δεδομένων: έμφαση σε πολύ μεγάλης κλίμακας (εκτός κύριας μνήμης) δεδομένων ΤΝ (μηχανική μάθηση): έμφαση σε περίπλοκες μεθόδους, λίγα δεδομένα Στατιστική: έμφαση σε μοντέλα Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 11 Μοντέλα vs. Αναλυτική Επεξεργασία Από τη πλευρά των βάσεων δεδομένων, η εξόρυξη δεδομένων είναι μια ακραία μορφή αναλυτικής επεξεργασίας ερωτήσεις (queries) που εξετάζουν πολύ μεγάλο όγκο δεδομένων. Το αποτέλεσμα είναι η απάντηση της ερώτησης. Από τη πλευρά της στατιστικής, η εξόρυξη δεδομένων είναι ηεπαγωγή(inference) ενός μοντέλου. Το αποτέλεσμα είναι οι παράμετροι του μοντέλου. Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 12
7 (Πολύ Απλουστευμένο) Παράδειγμα Δοθέντος ενός δισεκατομμυρίου αριθμών, από τη πλευρά των βάσεων δεδομένων θα υπολογίζαμε πχ τη μέση τιμή και την τυπική απόκλιση. Απότηπλευράτηςστατιστικήςθαπροσπαθούσενα ταιριάξει (fit) ταδισεκατομμύριασημείαστηνκαλύτερη Gaussian κατανομή και να καταγράψει τη μέση τιμή και την τυπική απόκλιση αυτής της κατανομής. Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 13 Ανακάλυψη Γνώσης (Knowledge Discovery) Προ-επεξεργασία Εξόρυξη Δεδομένων Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 14
8 Ανακάλυψη Γνώσης (Knowledge Discovery) ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ Data Cleaning Καθαρισμός εδομένων Data Integration Ενοποίηση εδομένων Data Transformation Μετασχηματισμοί εδομένων ΕΞΟΡΥΞΗ Ε ΟΜΕΝΩΝ ΑΝΑΠΑΡΑΣΤΑΣΗ Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 15 Προ-επεξεργασία δεδομένων - Καθαρισμός Τα δεδομένα στο πραγματικό κόσμο είναι «βρώμικα» Ελλειπή incomplete: μπορεί να λείπουν κάποιες τιμές γνωρισμάτων (να μην καταγράφηκαν, να καταγράφηκαν λανθασμένα λόγω μη συνεννόησης ή λανθασμένης λειτουργίας), να λείπουν κάποια ενδιαφέροντα γνωρίσματα (που να μην θεωρήθηκαν σημαντικά ή να μηνήτανδιαθέσιμα), ή να περιέχουν μόνο συναθροιστικά (aggregate) δεδομένα Συμπλήρωση των γνωρισμάτων και τιμών που λείπουν Με θόρυβο noisy: περιέχουν λάθη ή outliers (περιθωριακές τιμές τιμές που διαφέρουν πολύ από την πλειοψηφία) Εύρεση των περιθωριακών τιμών και απομάκρυνση θορύβου Ασυνεπή inconsistent: περιέχουν ασυνέπειες, διπλότιμα Διόρθωση ασυνεπών τιμών Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 16
9 Προ-επεξεργασία δεδομένων Επιλογή εδομένων και Γνωρισμάτων και εφαρμογή κατάλληλων Μετασχηματισμών Συνάθροιση Aggregation: συνδυασμούς δεδομένων από πολλές πηγές Sampling δειγματοληψία: χρήση αντιπροσωπευτικού δείγματος των δεδομένων για βελτίωση της απόδοσης Dimensionality reduction μείωση διαστάσεων - Κατάρα της διάστασης (curse of dimensionality) Πολλές τεχνικές για την ανάλυση δεδομένων γίνονται δυσκολότερες με την αύξηση της διάστασης των δεδομένων (αυξάνει εκθετικά η πολυπλοκότητα ή τα δεδομένα γίνονται πολύ αραιά) Τεχνικές της γραμμικής άλγεβρας (SVD, PCA) Απεικόνιση σε άλλο χώρο με μικρότερο αριθμό διαστάσεων Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 17 Προ-επεξεργασία δεδομένων Discretization (μετασχηματιμός σε μια διακριτή τιμή) ή binarization (μετασχηματισμός σε δυαδική τιμή) Variable transformation μετασχηματισμοί των τιμών των μεταβλητών Πχ Κανονικοποίηση Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 18
10 Ανακάλυψη Γνώσης (Knowledge Discovery) Προ-επεξεργασία Οπτικοποίηση Παρουσίαση των αποτελεσμάτων Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 19 Δυναμικό για την υποστήριξη επιχειρησιακών αποφάσεων Λήψη Αποφάσεων Τελικός Χρήστης Παρουσίαση Δεδομένων Τεχνικές Οπτικοποίησης Εξόρυξη Δεδομένων Ανακάλυψη Πληροφορίας Business Analyst Data Analyst Data Exploration Στατιστικές περιλήψεις, Ερωτήσεις (OLAP) Προ-επεξεργασία&Ενοποίηση Δεδομένων, Αποθήκες DBA Πηγές Δεδομένων Διαχειριστής ΒΔ Χαρτιά, Αρχεία, Web έγγραφα, Επιστημονικά Πειράματα, Συστήματα Βάσεων Δεδομένων Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 20
11 Διαδικαστικά Ι Ιστοσελίδα Βιβλία (στα Ελληνικά) Μ. Βαζιργιάννης και Μ. Χαλκίδη, Εξόρυξη Γνώσης από Βάσεις Δεδομένων. Τυποθήτω, Νοέμβριος 2003 P. N. Tan, M. Steinbach and V. Kumar, Introduction to Data Mining Addison Wesley, 2006, Β. Βερύκιος και Σ. Σουραβλάς, Εκδόσεις Τζιόλα (2010). M. H. Dunham, Data Mining, Εισαγωγικά και Προηγμένα Θέματα Εξόρυξης Γνώσης από Δεδομένα. Επιμέλεια Ελληνικής Έκδοσης: Β. Βερύκιος και Γ. Θεοδωρίδης. Εκδόσεις Νέων Τεχνολογιών, Ένα νέο βιβλίο διαθέσιμο στο διαδίκτυο: Anand Rajaraman and Jeff Ullman. Mining of Massive Datasets Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 21 2 «κλασικά» βιβλία στα αγγλικά Διαδικαστικά ΙΙ P. N. Tan, M. Steinbach and V. Kumar, Introduction to Data Mining, Addison Wesley, 2006 J. Han and M. Kamber. Data Mining: Concepts and Techniques, Morgan Kaufmann, 2006 Αρκεί το υλικό στις διαφάνειες Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 22
12 Διαδικαστικά ΙΙΙ 3 σύνολα ασκήσεων (κάποιες θεωρητικές και προγραμματιστικές ασκήσεις) 50% ή 100% Τελικό διαγώνισμα (πιθανό) 50% Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 23 Εξόρυξη Δεδομένων Πως χρησιμοποιείται 1. Κατανόηση του προβλήματος 2. Χρήση τεχνικών εξόρυξης δεδομένων για να πάρουμε πληροφορία από τα δεδομένα 3. Χρήση αυτής της πληροφορίας 4. Μέτρηση των αποτελεσμάτων Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 24
13 (συνοπτικά) Είδη/Μέθοδοι για Εξόρυξη Δεδομένων 1. Ταξινόμηση Classification: εκμάθηση μια συνάρτησης κατασκευή ενός μοντέλου που απεικονίζει ένα στοιχείο σε μια από ένα σύνολο από προκαθορισμένες κλάσεις 2. Συσταδοποίηση Clustering: εύρεση ενός συνόλου από ομάδες με όμοια στοιχεία 3. Εύρεση Συχνών Προτύπων, Εξαρτήσεων και Συσχετίσεων Dependencies and associations: εύρεση σημαντικών/συχνών εξαρτήσεων μεταξύ γνωρισμάτων 5. Συνοψίσεις Summarization: εύρεσημιαςσυνοπτικήςπεριγραφήςτου συνόλου δεδομένων ή ενός υποσυνόλου του 6. Αλλα Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 25 Κατηγορίες Εξόρυξης Δεδομένων Descriptive Methods Περιγραφικοί Μέθοδοι Στόχος να βρεθούν κατανοητά πρότυπα που περιγράφουν τα δεδομένα τις ιδιότητες τους Predictive Methods Μέθοδοι πρόβλεψης Χρήση κάποιων μεταβλητών για να προβλέψουν άγνωστες ή μελλοντικές τιμές κάποιων άλλων μεταβλητών Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 26
14 Είδη/Μέθοδοι για Εξόρυξη εδομένων Κατηγοριοποίηση [Predictive] Συσταδοποίηση [Descriptive] Εύρεση Κανόνων Συσχέτισης [Descriptive] Sequential Pattern Discovery [Descriptive] Regression Συνοψίσεις [Predictive] ένα συνοπτικό μοντέλο για τα δεδομένα (πχ μια συνάρτηση) Deviation/Anomaly Detection [Predictive] outlier analysis (στατιστικοί έλεγχοι για σπάνια σημεία), evolution analysis (πχ ανάλυση χρονοσειρών πχ μετοχές) κλπ Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 27 Ορισμός Κατηγοροποίηση Ι Δοθέντος ενός συνόλου από εγγραφές (σύνολο εκπαίδευσης training set ) Κάθε εγγραφή έχει ένα σύνολο από γνωρίσματα, ένα από αυτά είναι η κλάση (ή κατηγορία) Εύρεση ενός μοντέλου για το γνώρισμα της κλάσης ως συνάρτηση της τιμής των άλλων γνωρισμάτων. Στόχος: να αναθέτει σε εγγραφές που δεν έχουμε δει μια κλάση με την μεγαλύτερη δυνατή ακρίβεια Για να χαρακτηρίσουμε την ακρίβεια του μοντέλου χρησιμοποιούμε ένα σύνολο ελέγχου (test set) Συνήθως, το δοθέν σύνολο δεδομένο χωρίζεται σε ένα σύνολο εκπαίδευσης και σε ένα σύνολο ελέγχου το πρώτο χρησιμοποιείται για την κατασκευή του μοντέλου και το δεύτερο για τον έλεγχο του Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 28
15 Κατηγοροποίηση II Γνωρίσματα ΚΛΑΣΗ Παράδειγμα Tid HomeOwner Marital Status Taxable Income Cheat HomeOwner Marital Status Taxable Income Cheat 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes Σύνολο Εκπαίδευσης No Single 75K? Yes Married 50K? No Married 150K? Yes Divorced 90K? No Single 40K? No Married 80K? Εκμάθηση Κατηγοροποίσης Σύνολο Ελέγχου Μοντέλο Πως μοιάζει το μοντέλο; Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 29 Κατηγοροποίηση ΙIΙ Tid Home Owner Marital Status Taxable Income Default ΚΛΑΣΗ Παράδειγμα Μοντέλου: έντρο Απόφασης Decision tree 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes HO Yes No NO MarSt Single, Divorced TaxInc < 80K > 80K NO YES Married NO Σύνολο Εκπαίδευσης Μοντέλο: Δέντρο Απόφασης Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 30
16 10 Κατηγοροποίηση IV Tid Home Owner Marital Status Taxable Income 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No Default 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes ΚΛΑΣΗ Married NO MarSt Yes NO Single, Divorced HO NO No TaxInc < 80K > 80K YES Για τα ίδια δεδομένα μπορεί να υπάρχουν παραπάνω από ένα δέντρα απόφασης (μοντέλα) Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 31 Κατηγοριοποίηση V Regression analysis ανάλυση παλινδρόμισης: στατιστική εκμάθηση μια συνάρτησης που απεικονίζει ένα στοιχείο σε μια πραγματική τιμή, χρήση για αριθμητικές προβλέψεις Ανάλυση σχετικότητας (relevance analysis): ποια γνωρίσματα επηρεάζουν την ταξινόμηση Άλλα είδη μοντέλων πλην των έντρων Απόφασης, νευρωνικά δίκτυα, κ-ποιο κοντινοί γείτονες, support vector machines κλπ Στο μάθημα θα δούμε μόνο τα δέντρα απόφασης (αναλυτικά) + δομές για κοντινότερους γείτονες (πιθανόν) Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 32
17 Direct Marketing Στόχος: Μείωση των ταχυδρομικών εξόδων για την αποστολή διαφημιστικών με τη στοχοποίηση targeting του συνόλου των πελατών που είναι πιο πιθανόν να αγοράσουν ένα κινητό τηλέφωνο Κατηγοροποίηση: Εφαρμογή 1 Προσέγγιση: Χρησιμοποίηση των δεδομένων από ένα παρόμοιο προϊόν που βγήκε στην αγορά πρόσφατα Για αυτό το προϊόν ξέρουμε ποιοι αποφάσισαν να το αγοράσουν και ποιοι όχι -> γνώρισμα της κλάσης {buy, don t buy}. Συλλογή ποικίλων δημογραφικών δεδομένων κλπ για αυτούς τους πελάτες Χρήση αυτής της πληροφορίας ως τα γνωρίσματα για την εκμάθηση ενός μοντέλου ταξινόμησης. Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 33 Κατηγοροποίηση: Εφαρμογή 2 Fraud Detection Αναγνώριση Απάτης σε Πιστωτικές Κάρτες Στόχος: Ναβρούμεποιεςσυναλλαγέςμιαςπιστωτικήςκάρταςδενείναιαπό τον ιδιοκτήτη της Προσέγγιση: Χρησιμοποίηση των δεδομένων από προηγούμενες συναλλαγές με αυτήν την κάρτα και πληροφορίες για τον κάτοχο της (τι αγοράζει, πότε, από πού, πόσο συχνά πληρώνει) Χαρακτηρισμός κάθε προηγούμενης συναλλαγής ως απάτη ή όχι > γνώρισμα της κλάσης {fraud, fair}. Χρήση αυτής της πληροφορίας ως τα γνωρίσματα για την εκμάθηση ενός μοντέλου ταξινόμησης. Χρήση του μοντέλου για τον χαρακτηρισμό μελλοντικών συναλλαγών Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 34
18 Κατηγοροποίηση: Εφαρμογή 3 Customer Attrition Στόχος: Να εκτιμήσουμε να ένας πελάτης θα προτιμήσει μια ανταγωνιστική εταιρεία Προσέγγιση: Χρησιμοποίηση των δεδομένων από παλιές και νέες συναλλαγές πελατών (πόσο συχνά τηλεφωνούν, που πότε, την οικονομική του κατάσταση, την οικογενειακή του κατάσταση κλπ) Χαρακτηρισμός κάθε πελάτη ως πιστού ή όχι -> γνώρισμα της κλάσης {loyal, disloyal}. Χρήση αυτής της πληροφορίας ως τα γνωρίσματα για την εκμάθηση ενός μοντέλου ταξινόμησης. Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 35 Κατηγοροποίηση: Εφαρμογή 4 Ταξινόμηση Γαλαξιών Courtesy: Αρχικό Κλάση: Στάδιο δημιουργίας Ενδιάμεσο Γνωρίσματα: Χαρακτηριστικά της εικόνας, Χαρακτηριστικά του κυμάτων φωτός που ελήφθησαν, κλπ. Προχωρημένο Μέγεθος Δεδομένων: 72 εκατ. άστρα, 20 εκατ. γαλαξίες Object Catalog: 9 GB Image Database: 150 GB Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 36
19 Συσταδοποίηση I Ορισμός Δοθέντων Ενός συνόλου από σημεία που το καθένα έχει κάποια γνωρίσματα Μιας μέτρηση ομοιότητας μεταξύ τους Εύρεση συστάδων (clusters) τέτοιων ώστε: Τα σημεία σε μία συστάδα είναι πιο όμοια μεταξύ τους Τα σημεία σε διαφορετικές συστάδες είναι λιγότερα όμοια μεταξύ τους Σε αντίθεση με την ταξινόμηση, οι συστάδες δεν είναι γνωστές από πριν Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 37 Παράδειγμα Οι Οιαποστάσεις μέσα μέσαστη στησυστάδα ελαχιστοποιούνται Οι Οιαποστάσεις ανάμεσα στις στιςσυστάδες μεγιστοποιούνται 3-διάστατα σημεία, ευκλείδεια απόσταση Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 38
20 Συσταδοποίηση: Εφαρμογή 1 Market Segmentation Στόχος: Χωρισμός των καταναλωτών σε ομάδες έτσι ώστε τα μέλη κάθε ομάδας να είναι ο στόχος για μια συγκεκριμένη πολιτική marketing Προσέγγιση: Συγκέντρωση διαφορετικών γνωρισμάτων για τους καταναλωτές Ορισμός «ομοιότητας» ανάμεσα στους πελάτες Δημιουργία ομάδων με όμοιους πελάτες Μέτρηση της ποιότητας της ομαδοποίησης (πχ παρατηρώντας τις αγοραστικές συνήθειες στην ίδια ομάδα και ανάμεσα σε διαφορετικές ομάδες) Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 39 Συσταδοποίηση: Εφαρμογή 2 Συσταδοποίηση Εγγράφων Στόχος: Εύρεση ομάδων από έγγραφα που είναι όμοια μεταξύ τους με βάση τους σημαντικούς όρους που εμφανίζονται σε αυτά Προσέγγιση: Εύρεση για κάθε έγγραφο των όρων που εμφανίζονται συχνά σε αυτό. Μέτρηση ομοιότητας με βάση τη συχνότητα των διαφορετικών όρων, Χρήση της για τη δημιουργία συστάδων Όφελος: Μέθοδοι Ανάκτησης Πληροφορία (Information Retrieval) μπορεί να χρησιμοποιήσουν τις συστάδες για να συσχετίσουν έναν καινούργιο έγγραφο ή έναν όρο αναζήτησης με τα έγγραφα κάθε συστάδας Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 40
21 Συσταδοποίηση: Εφαρμογή 2 Σημεία: 3204 Άρθρα των Los Angeles Times. Μέτρηση Ομοιότητας: Πόσες κοινές λέξεις έχουν Category Total Correctly Articles Placed Financial Foreign National Metro Sports Entertainment Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 41 Συσταδοποίηση Στο μάθημα Θα δούμε ενδιαφέροντες τρόπους να ορίσουμε ομοιότητα/απόσταση και τους θεμελιώδεις αλγορίθμους συσταδοποίησης Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 42
22 Δοθέντος Ορισμός (συχνών στοιχειοσυνόλων) Κανόνες Συσχέτισης Ενός συνόλου από εγγραφές που η κάθε μία έχει έναν αριθμό από στοιχεία από κάποιο δοσμένο σύνολο Εύρεση κανόνων εξάρτησης που προβλέπουν την παρουσία ενός στοιχείου με βάση την παρουσία άλλων στοιχείων TID Items 1 Bread, Coke, Milk 2 Beer, Bread 3 Beer, Coke, Diaper, Milk 4 Beer, Bread, Diaper, Milk 5 Coke, Diaper, Milk Κανόνες που πουβρέθηκαν: {Milk} --> -->{Coke} {Diaper, Milk} Milk} --> -->{Beer} Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 43 Κανόνες Συσχέτισης: Εφαρμογή 1 Για marketing και προώθηση πωλήσεων: Έστω ότι ο κανόνας που ανακαλύφθηκε είναι ο: {Bagels, } > {Potato Chips} Potato Chips στα δεξιά του κανόνα => Τι πρέπει να γίνει για να αυξηθούν οι πωλήσεις. Bagels στα αριστερά => Μπορεί να χρησιμοποιηθεί για να εκτιμηθεί ποια προϊόντα θα επηρεαστούν αν πχ ένα μαγαζί σταματήσει να τα πουλάει. Bagels στα αριστερά and Potato chips στα δεξιά => Ποια προϊόντα πρέπει να πουληθούν μαζί με Bagels για την προώθηση των Potato chips! Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 44
23 Κανόνες Συσχέτισης: Εφαρμογή 2 Πως θα φτιάξουμε τα ράφια στα super markets! «γνωστός» κανόνας Αν ο καταναλωτής αγοράσει πάνες, πολύ πιθανών να αγοράσει και μπύρα! Στις ΗΠΑ, Πέμπτη και Σάββατο, άντρες που αγοράζουν πάνες αγοράζουν και μπύρα Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 45 Εύρεση Ακολουθιακών Προτύπων Ακολουθιακές εξαρτήσεις: μας ενδιαφέρει η σειρά εμφάνισης των στοιχείων (γεγονότων) Παραδείγματα Ακολουθία από προσπελάσεις σελίδων στο διαδίκτυο Ακολουθία στο δανεισμό βιβλίων από μια βιβλιοθήκη Ακολουθία πακέτων που οδήγησαν σε επίθεση σε κάποιον υπολογιστή Σε χωρικά δεδομένα, πχ δεδομένα από την κίνηση ενός αυτοκινήτου Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 46
24 Κανόνες Συσχέτισης Στο μάθημα Θαμελετήσουμεέναδιάσημοαλγόριθμοτoν a priori Και έναν ενδιαφέρον αλγόριθμο (FPGrowth) βασισμένο σε tries Και πιθανών την εφαρμογή του a priori σε γραφήματα Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 47 Web mining Διάφορες τεχνικές (πχ ομαδοποίηση, ταξινόμηση) και Διαφορετικά δεδομένα Δομή ιστοσελίδων (συνδέσεις) Web logs ανάλυση κοινοτήτων στο web Στο μάθημα θα δούμε κάποια γενικά στοιχεία και δυο διάσημους αλγόριθμους πίσω από τις μηχανές αναζήτησης (PageRank,HITS) Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 48
25 Εκτίμηση σημασίας Ένας μεγάλος κίνδυνος είναι η «εύρεση» προτύπων που δεν έχουν νόημα Στη στατιστική καλείται Bonferroni s principle Αν ψάξεις κάτι πολύ γενικό σε πάρα πολλά δεδομένα θα το βρεις! Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 49 Παραδείγματα της αρχής του Bonferroni s 1. (στο online βιβλίο) αν κοιτάξουμε πολύ ασαφής συνδέσεις θα καταλήξουμε σε λάθος αποτελέσματα ένα παράδειγμα αναζήτησης τρομοκρατών! 2. The Rhine Paradox (το παράδοξο του Rhine) Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 50
26 Rhine Paradox Ι Ο Joseph Rhine ήταν ένας παρα ψυχολόγος στη δεκαετία του 1950 που ανάπτυξε τη θεωρία ότι κάποια άτομα έχουν υπερφυσικές ικανότητες Extra Sensory Perception (ESP). Σχεδίασε ένα είδος πειράματος στο οποίο ζήτησε από τους ανθρώπους που συμμετείχαν σε αυτό να μαντέψουν το χρώμα μιας κρυμμένης κάρτας κόκκινη ή μπλε. Ανακάλυψε ότι περίπου 1 στους 1000 είχαν ESP βρήκαν σωστά τα χρώματα και από τις 10 κάρτες! Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 51 Rhine Paradox ΙΙ Είπε σε αυτούς τους ανθρώπους ότι είχαν ESP και τους κάλεσε για ένα ακόμα ίδιο πείραμα ανακάλυψε ότι όλοι έχασαν το ESP. Ποιο ήταν το συμπέρασμά του; Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 52
27 Rhine Paradox ΙΙΙ Συμπέρανε ότι δεν πρέπει να λες στους ανθρώπους ότι έχουν ESP, γιατί αυτό έχει ως αποτέλεσμα να χάνουν αυτήν την ικανότητα Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 53 Εκτίμηση ενδιαφέροντος Χαρακτηρισμό του «ενδιαφέροντος» ενός προτύπου: (1) Εύκολα κατανοητό (2) Να ισχύει σε δεδομένα ελέγχου ή σε νέα δεδομένα με κάποιο βαθμό βεβαιότητας (3) Πιθανών χρήσιμο (4) Νέα πληροφορία Υπάρχουν υποκειμενικά (αναμενόμενα και μη αναμενόμενα) και αντικειμενικά κριτήρια Κάποιες τιμές κατωφλίου Πληρότητα (όλα τα ενδιαφέροντα πρότυπα) Βελτιστοποίηση (μόνο τα ενδιαφέροντα πρότυπα) Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 54
28 Εκμάθηση του πεδίου εφαρμογής Σχετική προηγούμενη γνώση και τους στόχους της εφαρμογής Δημιουργία του συνόλου δεδομένων: data selection Καθαρισμός και προ επεξεργασία των δεδομένων: (έως και 60% της συνολικής προσπάθειας) Ελάττωση δεδομένων και μετασχηματισμοί Χρήσιμα χαρακτηριστικά, ελάττωση διαστάσεων κλπ Επιλογή λειτουργίας εξόρυξης δεδομένων πχ, συσταδοποίηση, ταξινόμηση, κλπ Επιλογή του αλγορίθμου εξόρυξης δεδομένων Εξόρυξη Δεδομένων: αναζήτηση προτύπων ενδιαφέροντος Εκτίμηση προτύπων και αναπαράσταση γνώσης Η γενική εικόνα οπτικοποίηση, μετασχηματισμοί, απομάκρυνση περιττών προτύπων, κλπ Χρήση της γνώσης Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 55 Εξόρυξη Δεδομένων Οι 10 καλύτεροι αλγόριθμοι ΕΔ (ICDM 2006) #1: C4.5 (61 votes) ταξινόμηση (δέντρο απόφασης) #2: K Means (60 votes) συσταδοποίηση #3: SVM (58 votes) ταξινόμηση (support vector machine) #4: Apriori (52 votes) κανόνες συσχέτισης #5: EM (48 votes) στατιστική, συσταδοποίηση (expectation maximization) #6: PageRank (46 votes) ιστοσελίδες #7: AdaBoost (45 votes) μετα ταξινομητής #7: knn (45 votes) συσταδοποίηση (κοντινότερος γείτονας) #7: Naive Bayes (45 votes) στατιστική, ταξινόμηση #10: CART (34 votes) ταξινόμηση (δέντρο απόφασης) Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 56
29 Εξόρυξη Δεδομένων ΣΥΝΟΨΗ: Τι θα καλύψουμε στο μάθημα Συσταδοποίηση (clustering) Κανόνες Συσχέτισης Κατηγοριοποίηση (δέντρα απόφασης) κοντινότερο γείτονα (ομοιότητα) Παγκόσμιο Ιστό HITS, PageRank MapReduce (πιθανών) Συστήματα Συστάσεων (πιθανών) Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 57 Εξόρυξη Δεδομένων ΜΑΘΗΜΑ ΕΠΟΜΕΝΗΣ ΕΒΔΟΜΑΔΑΣ Συσταδοποίηση Εξόρυξη Δεδομένων: Ακ. Έτος ΕΙΣΑΓΩΓΗ 58
ΕΞΟΡΥΞΗ Ε ΟΜΕΝΩΝ. Εισαγωγή. Εξόρυξη Δεδομένων
ΕΞΟΡΥΞΗ Ε ΟΜΕΝΩΝ Εισαγωγή Εξόρυξη Δεδομένων 2008-2009 1 Εισαγωγή Τι είναι η Εξόρυξη εδομένων (με δυο λόγια) Αποδοτικές τεχνικές για να αναλύσουμε πολύ μεγάλες συλλογές από δεδομένα και να εξάγουμε χρήσιμες
Διαβάστε περισσότεραThe Data Gap. Number of analysts Total new disk (TB) since Εισαγωγή. Εισαγωγή. Γιατί; Τι είναι η Εξόρυξη εδομένων
ΕΞΟΡΥΞΗ Ε ΟΜΕΝΩΝ Τι είναι η Γιατί; Συχνά υπάρχει πληροφορία «κρυμμένη» στα δεδομένα που δεν είναι προφανής Οι ανθρώπινοι αναλυτές μπορεί να χρειάζονται εβδομάδες για να ανακαλύψουν χρήσιμη πληροφορία Πολλά
Διαβάστε περισσότεραΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Εισαγωγή
ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ Εισαγωγή Συστάσεις Ι Ποιός είμαι εγώ: Email: tsap@cs.uoi.gr Γραφείο: Β.3 Προτιμώμενες ώρες γραφείου: 11:00-18:00 Ενδιαφέροντα Web mining, Social networks, User Generated Content Mobile
Διαβάστε περισσότεραΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Διαδικαστικά
ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ Διαδικαστικά Συστάσεις Ι Ποιός είμαι εγώ: Email: tsap@cs.uoi.gr Γραφείο: Β.3 Προτιμώμενες ώρες γραφείου: 11:00-18:00 Ενδιαφέροντα Web mining, Social networks, User Generated Content Mobile
Διαβάστε περισσότεραΕισαγωγή στην εξόρυξη δεδομένων. ή Εισαγωγή στην εξόρυξη γνώσης από δεδομένα
Εισαγωγή στην εξόρυξη δεδομένων ή Εισαγωγή στην εξόρυξη γνώσης από δεδομένα 1 Δεδομένα, δεδομένα, δεδομένα... Παράγονται όλο και περισσότερα δεδομένα: Τραπεζικά, τηλεπικοινωνιακά,... Επιστημονικά δεδομένα:
Διαβάστε περισσότεραΚεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.
Κεφάλαιο 20 Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Τεχνητή Νοηµοσύνη, B' Έκδοση - 1 - Ανακάλυψη Γνώσης σε
Διαβάστε περισσότεραΤεχνικές 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 περισσότεραΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Data Mining - Classification
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Data Mining - Classification Data Mining Ανακάλυψη προτύπων σε μεγάλο όγκο δεδομένων. Σαν πεδίο περιλαμβάνει κλάσεις εργασιών: Anomaly Detection:
Διαβάστε περισσότεραΠροεπεξεργασία Δεδομένων. Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη
Προεπεξεργασία Δεδομένων Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη Η διαδικασίας της ανακάλυψης γνώσης Knowledge Discovery (KDD) Process Εξόρυξη δεδομένων- πυρήνας της διαδικασίας ανακάλυψης
Διαβάστε περισσότεραΕξόρυξη Γνώσης από Βιολογικά εδομένα
Παρουσίαση Διπλωματικής Εργασίας Εξόρυξη Γνώσης από Βιολογικά εδομένα Καρυπίδης Γεώργιος (Μ27/03) Επιβλέπων Καθηγητής: Ιωάννης Βλαχάβας MIS Πανεπιστήμιο Μακεδονίας Φεβρουάριος 2005 Εξόρυξη Γνώσης από Βιολογικά
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 1: Εισαγωγή Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραData Mining: Στοχεύοντας στους σωστούς πελάτες. Αριστομένης Μακρής
Data Mining: Στοχεύοντας στους σωστούς πελάτες To CRM front-office πελατών Οι Προμηθευτές Οι Πελάτες ΟΟργανισμός Τροφοδότηση ενεργειών Μάρκετινγκ ΒΙ Απόταδεδομέναστηγνώση Επιχειρηματική Γνώση Επιχειρηματικοί
Διαβάστε περισσότεραΤαξινόμηση. Εισαγωγή. Ορισμός. Ορισμός. Τεχνικές Ταξινόμησης. Εισαγωγή
0 0 0 Εισαγωγή Ταξινόμηση (classification) Το γενικό πρόβλημα της ανάθεσης ενός αντικειμένου σε μια ή περισσότερες προκαθορισμένες κατηγορίες (κλάσεις) Ταξινόμηση Οι διαφάνειες στηρίζονται στο P.-N. Tan,
Διαβάστε περισσότεραΕξόρυξη Δεδομένων. Βελτιστοποίηση Συστημάτων & Υδροπληροφορική. Χρήστος Μακρόπουλος & Ανδρέας Ευστρατιάδης
Βελτιστοποίηση Συστημάτων & Υδροπληροφορική Εξόρυξη Δεδομένων Χρήστος Μακρόπουλος & Ανδρέας Ευστρατιάδης Τομέας Υδατικών Πόρων και Περιβάλλοντος Εθνικό Μετσόβιο Πολυτεχνείο 1 Γιατί εξόρυξη; Τεχνικές ανάλυσης
Διαβάστε περισσότεραΑποθήκες 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 περισσότεραΗ συνολική εικόνα. Ποιοτική Αναβάθμιση δεδομένων. Λογισμικό Επικοινωνιών DATA WAREHOUSE. Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός
Η συνολική εικόνα Τοπικές Βάσεις Βάσεις Κεντρικών Συστημάτων Βάσεις Τρίτων Ποιοτική Αναβάθμιση δεδομένων Λογισμικό Επικοινωνιών DATA WAREHOUSE Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός Warehouse
Διαβάστε περισσότεραΑνακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα
6ο Πανελλήνιο Συνέδριο των Εκπαιδευτικών για τις ΤΠΕ «Αξιοποίηση των Τεχνολογιών της Πληροφορίας και της Επικοινωνίας στη Διδακτική Πράξη» Σύρος 6-8 Μαϊου 2011 Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά
Διαβάστε περισσότεραΠΜΣ Πληροφορικής Πανεπιστηµίου Πειραιά. Εξόρυξη Γνώσης από εδοµένα (Data Mining) Εισαγωγή. Γιάννης Θεοδωρίδης
ΠΜΣ Πληροφορικής Πανεπιστηµίου Πειραιά Εξόρυξη Γνώσης από εδοµένα (Data Mining) Εισαγωγή Γιάννης Θεοδωρίδης Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιά http://isl.cs.unipi.gr/db/courses/dm πληµµύρα από δεδοµένα
Διαβάστε περισσότεραΔιδάσκοντες: Μαρία Χαλκίδη
Αποθήκες και Εξόρυξη Δεδομένων 6 ο εξάμηνο Τμήμα Ψηφιακών Συστημάτων Παν. Πειραιά Διδάσκοντες: Μαρία Χαλκίδη Μαθήματα σχετικά με Διαχείριση Δεδομένων στο Πρόγραμμα Σπουδών Δομές Δεδομένων (3 ο εξάμηνο)
Διαβάστε περισσότεραΕξόρυξη Γνώσης µε SQL Server 2005 Analysis Services
Εξόρυξη Γνώσης µε SQL Server 2005 Analysis Services Γεράσιµος Μαρκέτος Οµάδα ιαχείρισης εδοµένων, Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιώς (http://isl.cs.unipi.gr/db) οµή παρουσίασης SQL Server 2005 Επιχειρηµατική
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ. 1. Εισαγωγή Συνεχής ποσοτική εξαρτημένη μεταβλητή...66 Ενδεικτική εφαρμογή...68 ΛΙΓΑ ΛΟΓΙΑ ΓΙΑ ΤΟΥΣ ΣΥΓΓΡΑΦΕΙΣ...
ΠΕΡΙΕΧΟΜΕΝΑ ΛΙΓΑ ΛΟΓΙΑ ΓΙΑ ΤΟΥΣ ΣΥΓΓΡΑΦΕΙΣ...................................... 11 ΠΡΟΛΟΓΟΣ..........................................................15 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΝΑΛΥΤΙΚΗ, ΣΤΑ ΠΟΣΟΤΙΚΑ
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων:
Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος Δ http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #01
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #01 Διαδικαστικά μαθήματος Εισαγωγικές έννοιες & Ορισμοί Συστήματα ανάκτησης πληροφορίας 1
Διαβάστε περισσότεραΕισαγωγή 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 περισσότεραΕυφυής 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 περισσότεραΣυσταδοποίηση Ι. Τι είναι συσταδοποίηση. Εφαρμογές. Εφαρμογές. Εισαγωγή Θέματα που θα μας απασχολήσουν σήμερα. Πότε μια συσταδοποίηση είναι καλή;
Τι είναι συσταδοποίηση Εύρεση συστάδων αντικειμένων έτσι ώστε τα αντικείμενα σε κάθε ομάδα να είναι όμοια (ή να σχετίζονται) και διαφορετικά (ή μη σχετιζόμενα) από τα αντικείμενα των άλλων ομάδων Συσταδοποίηση
Διαβάστε περισσότεραΑποθήκες εδομένων και Εξόρυξη εδομένων:
Αποθήκες εδομένων και Εξόρυξη εδομένων: Κατηγοριοποίηση: Μέρος Α http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν
Διαβάστε περισσότεραΑποθήκες 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 περισσότεραΔιπλωματική 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 περισσότεραΠως 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 περισσότεραΠανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής. Εξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση. Γιάννης Θεοδωρίδης
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση Γιάννης Θεοδωρίδης Οµάδα ιαχείρισης εδοµένων Εργαστήριο Πληροφοριακών Συστηµάτων http://isl.cs.unipi.gr/db
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων:
Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος Γ http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων:
Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Κανόνες Συσχέτισης: FP-Growth Ευχαριστίες Xρησιμοποιήθηκε επιπλέον υλικό από τα βιβλία «Εισαγωγή στην Εξόρυξη και τις Αποθήκες Δεδομένων» «Introduction to Data
Διαβάστε περισσότεραΕξόρυξη Δεδομένων Data Mining
Εξόρυξη Δεδομένων Data Mining Η συνολική εικόνα ενός συστήματος BI/BA Επιχειρηματική Γνώση Από τα δεδομένα στη γνώση Επιχειρηματι κοί Κανόνες Μετα- Δεδομένα Δομή Βάσης Δεδομένων Συγκεντρωτικά Δεδομένα
Διαβάστε περισσότεραΖητήματα ηήμ με τα δεδομένα
Ζητήματα ηήμ με τα δεδομένα Ποιότητα Απαλοιφή θορύβου Εντοπισμός ανωμαλιών λώ Ελλιπείς τιμές Μετασχηματισμός Κβάντωση Μείωση μεγέθους Γραμμών: ειγματοληψία Στηλών: Ιδιοδιανύσματα, Επιλογή χαρακτηριστικών
Διαβάστε περισσότεραΕισαγωγικό Μάθημα Βασικές Έννοιες - Ανάλυση Απαιτήσεων
..?????? Εργαστήριο ΒΑΣΕΙΣ????????? ΔΕΔΟΜΕΝΩΝ Βάσεων Δεδομένων?? ΙΙ Εισαγωγικό Μάθημα Βασικές Έννοιες - . Γενικά Τρόπος Διεξαγωγής Ορισμός: Βάση Δεδομένων (ΒΔ) είναι μια συλλογή από σχετιζόμενα αντικείμενα
Διαβάστε περισσότεραΜέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου
Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων Δρ. Ε. Χάρου Πρόγραμμα υπολογιστικής ευφυίας Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ ΔΗΜΟΚΡΙΤΟΣ exarou@iit.demokritos.gr Μηχανική
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων:
Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος B http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν
Διαβάστε περισσότεραΔΕΙΓΜΑΤΟΛΗΨΙΑ ΧΡΟΝΟΣΗΜΑΣΜΕΝΩΝ, ΑΚΟΛΟΥΘΙΑΚΩΝ, ΣΥΝΘΕΤΩΝ ΤΥΠΩΝ ΔΕΔΟΜΕΝΩΝ
ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΧΡΟΝΟΣΗΜΑΣΜΕΝΩΝ, ΑΚΟΛΟΥΘΙΑΚΩΝ, ΣΥΝΘΕΤΩΝ ΤΥΠΩΝ ΔΕΔΟΜΕΝΩΝ Δομή παρουσίασης Εισαγωγή Βασικές Έννοιες Σχετικές μελέτες Εφαρμογή Δεδομένων Συμπεράσματα Εισαγωγή Μελέτη και προσαρμογή των διάφορων
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής. Αποθήκες εδοµένων και Εξόρυξη Γνώσης. (Data Warehousing & Data Mining) Εισαγωγή
Πανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Εισαγωγή Γιάννης Θεοδωρίδης, Νίκος Πελέκης Οµάδα ιαχείρισης εδοµένων Εργαστήριο Πληροφοριακών
Διαβάστε περισσότεραΕξόρυξη γνώμης πολιτών από ελεύθερο κείμενο
Δίκαρος Νίκος Δ/νση Μηχανογράνωσης κ Η.Ε.Σ. Υπουργείο Εσωτερικών. Τελική εργασία Κ Εκπαιδευτικής Σειράς Ε.Σ.Δ.Δ. Επιβλέπων: Ηρακλής Βαρλάμης Εξόρυξη γνώμης πολιτών από ελεύθερο κείμενο Κεντρική ιδέα Προβληματισμοί
Διαβάστε περισσότεραΕξόρυξη Δεδομένων. Εισαγωγή
Εξόρυξη Δεδομένων Εισαγωγή Γενικές Πληροφορίες Διδάσκων Ιωάννης Κωνσταντίνου (ikons@cslab.ece.ntua.gr) Θεωρία Παρασκευή 17:00 20:00 Δικτυακός τόπος μαθήματος http://eclass.uth.gr/eclass/courses/infs181/
Διαβάστε περισσότεραΠληροφοριακό Σύστημα Επιχειρηματικής Ευφυίας για την Oμαδοποίηση Πελατών Λιανικής
Πληροφοριακό Σύστημα Επιχειρηματικής Ευφυίας για την Oμαδοποίηση Πελατών Λιανικής Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ Α Ρ Ι Σ Τ Ο Τ Ε Λ Ε Ι Ο Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Θ Ε Σ Σ Α Λ Ο Ν Ι Κ Η Σ Δομή Παρουσίασης
Διαβάστε περισσότερα«Αναζήτηση Γνώσης σε Νοσοκομειακά Δεδομένα»
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Πρόγραμμα Σπουδών M.I.S. «Αναζήτηση Γνώσης σε Νοσοκομειακά Δεδομένα» Μεταπτυχιακός Φοιτητής: Επιβλέπων Καθηγητής: Εξεταστής Καθηγητής: Τορτοπίδης Γεώργιος Μηχανικός
Διαβάστε περισσότεραΤεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας
Τεχνικές Μείωσης Διαστάσεων Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας 1 Εισαγωγή Το μεγαλύτερο μέρος των δεδομένων που καλούμαστε να επεξεργαστούμε είναι πολυδιάστατα.
Διαβάστε περισσότεραΑλεξάνδρειο ΣΕΙ Θεσσαλονίκης 1. Σμήμα Διοίκησης Επιχειρήσεων 2. Σμήμα Μηχανικών Πληροφορικής
Εξόρυξη γνώσης από σχόλια σε τουριστικές ιστοσελίδες και παραγοντική ανάλυση του αισθήματος ικανοποίησης των πελατών για το ξενοδοχείο τους Γιώργος ταλίδης 1, Παναγιώτης ταλίδης 2, Κώστας Διαμαντάρας 2
Διαβάστε περισσότεραΗ ΕΠΑΝΑΣΤΑΣΗ ΤΟΥ ΚΡΙΟΥ
Βασίλης Γ. Αγγέλης Δρ. Μηχανικός Η/Υ και Πληροφορικής Η ΕΠΑΝΑΣΤΑΣΗ ΤΟΥ ΚΡΙΟΥ Μετατρέψτε τα δεδομένα σας σε κέρδος Αθήνα Κάθε γνήσιο αντίγραφο έχει την υπογραφή του συγγραφέα Έκδοση 1 η, Copyright 2007
Διαβάστε περισσότερα«Τεχνογλωσσία VIII» Εξαγωγή πληροφοριών από κείμενα
«Τεχνογλωσσία VIII» Εξαγωγή πληροφοριών από κείμενα Σεμινάριο 8: Χρήση Μηχανικής Μάθησης στην Εξαγωγή Πληροφορίας Ευάγγελος Καρκαλέτσης, Γεώργιος Πετάσης Εργαστήριο Τεχνολογίας Γνώσεων & Λογισμικού, Ινστιτούτο
Διαβάστε περισσότεραΘεμελιώδεις Αρχές Συστημάτων Βάσεων Δεδομένων
Θεμελιώδεις Αρχές Συστημάτων Βάσεων Δεδομένων Β. Μεγαλοοικονόμου Εισαγωγή στην Εξόρυξη Δεδομένων Γενική Επισκόπηση- Σχεσιακό μοντέλο Σχεσιακό Μοντέλο -SQL Συναρτησιακές εξαρτήσεις & Κανονικοποίηση Φυσικός
Διαβάστε περισσότεραΜηχανική Λογισμικού για Διαδικτυακές & Φορητές Εφαρμογές
Μεταπτυχιακό Δίπλωμα Ειδίκευσης Μηχανική Λογισμικού για Διαδικτυακές & Φορητές Εφαρμογές Δρ. Κακαρόντζας Γεώργιος Επίκουρος Καθηγητής Τμ. Μηχανικών Πληροφορικής Τ.Ε. Μηχανική Λογισμικού για Διαδικτυακές
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΙΟΝΙΩΝ ΝΗΣΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΣΤΗΝ ΟΙΚΟΝΟΜΙΑ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΙΟΝΙΩΝ ΝΗΣΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΣΤΗΝ ΟΙΚΟΝΟΜΙΑ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Θέμα: Ανάπτυξη Μοντέλων για την Πρόβλεψη Πιθανής Αποτυχίας Αποπληρωμής Δανείου
Διαβάστε περισσότεραΥπερπροσαρμογή (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 περισσότεραΕξόρυξη Γνώσης από εδοµένα (data mining)
Εξόρυξη νώσης από εδοµένα (data mining) Ε.Κ.Ε.Φ.Ε. ηµόκριτος Ινστ. Πληροφορικής και Τηλεπικοινωνιών εώργιος Παλιούρας Email: paliourg@iit.demokritos.gr WWW: http://www.iit.demokritos.gr/~paliourg Περιεχόµενα
Διαβάστε περισσότεραΠΡΟΒΛΕΨΗ ΧΡΕΟΚΟΠΙΑΣ ΜΕ ΜΕΘΟΔΟΥΣ ΕΞΟΡΥΞΗΣ ΓΝΩΣΗΣ ΑΠΟ ΔΕΔΟΜΕΝΑ(DATA MINING)
ΤΕΙ ΙΟΝΙΩΝ ΝΗΣΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΤΗΝ ΟΙΚΟΝΟΜΙΑ ΠΡΟΒΛΕΨΗ ΧΡΕΟΚΟΠΙΑΣ ΜΕ ΜΕΘΟΔΟΥΣ ΕΞΟΡΥΞΗΣ ΓΝΩΣΗΣ ΑΠΟ ΔΕΔΟΜΕΝΑ(DATA MINING) Των σπουδαστών Σκλαβενίτης Αργύρης (Α.Μ. 535) Στασινός
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων:
Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Κανόνες Συσχέτισης: Μέρος Β http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές
Διαβάστε περισσότεραΕργαστήριο Βάσεων Δεδομένων. Εισαγωγικό Φροντιστήριο Βασικές Έννοιες - Ανάλυση Απαιτήσεων
Εργαστήριο Βάσεων Δεδομένων Εισαγωγικό Φροντιστήριο Βασικές Έννοιες - Ανάλυση Απαιτήσεων Βάσεις Δεδομένων - Γενικά Ορισμός: Βάση Δεδομένων (ΒΔ) είναι μια συλλογή από σχετιζόμενα αντικείμενα. Τα περιεχόμενα
Διαβάστε περισσότεραΔιδάσκουσα: Χάλκου Χαρά,
Διδάσκουσα: Χάλκου Χαρά, Διπλωματούχος Ηλεκτρολόγος Μηχανικός & Τεχνολογίας Η/Υ, MSc e-mail: chalkou@upatras.gr Επιβλεπόμενοι Μη Επιβλεπόμενοι Ομάδα Κατηγορία Κανονικοποίηση Δεδομένων Συμπλήρωση Ελλιπών
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #02 Ιστορική αναδρομή Σχετικές επιστημονικές περιοχές 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΣτοιχεία επεξεργασίας σημάτων
Στοιχεία επεξεργασίας σημάτων ΕΜΠ - ΣΧΟΛΗ ΑΤΜ Ακ. Έτος 2004-2005 Β.Βεσκούκης, Δ.Παραδείσης, Δ.Αργιαλάς, Δ.Δεληκαράογλου, Β.Καραθανάση, Β.Μασσίνας Γενικά στοιχεία για το μάθημα Εισάγεται στα πλαίσια της
Διαβάστε περισσότεραΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ΔΙΑΛΕΞΗ 1. Εισαγωγή
ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ΔΙΑΛΕΞΗ 1 Εισαγωγή Συστάσεις Ι Ποιός είμαι εγώ: Email: tsap@cs.uoi.gr Γραφείο: Β.3 Προτιμώμενες ώρες γραφείου: απογευματινές/βραδινές. Πράγματα με τα οποία έχω ασχοληθεί στο παρελθόν
Διαβάστε περισσότερα. Εργαστήριο Βάσεων Δεδομένων. Εισαγωγικό Μάθημα Βασικές Έννοιες - Ανάλυση Απαιτήσεων
.. Εργαστήριο Βάσεων Δεδομένων Εισαγωγικό Μάθημα Βασικές Έννοιες - . Ύλη Εργαστηρίου ΒΔ Ύλη - 4 Ενότητες.1 - Σχεδιασμός Βάσης Δεδομένων.2 Δημιουργία Βάσης Δεδομένων Δημιουργία Πινάκων Εισαγωγή/Ανανέωση/Διαγραφή
Διαβάστε περισσότεραΕισαγωγή στα Πληροφοριακά Συστήματα
Εισαγωγή στα Πληροφοριακά Συστήματα Ενότητα 3: Η έννοια της ΠΛΗΡΟΦΟΡΙΑΣ - INFORMATION Κωνσταντίνος Ταραμπάνης Τμήμα Οργάνωσης & Διοίκησης Επιχειρήσεων ΕΙΣΑΓΩΓΗ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Κωνσταντίνος Ταραμπάνης
Διαβάστε περισσότεραΕξαγωγή Μετασχηματισμός Εισαγωγή Δεδομένων στην Αποθήκη Πληροφοριών (ETL) ETL) Αριστομένης Μακρής
Εξαγωγή Μετασχηματισμός Εισαγωγή Δεδομένων στην Αποθήκη Πληροφοριών (ETL) ETL) Τεχνολογίες Υποστήριξης Λήψης Διοικητικών Αποφάσεων OLTP (On Line Transaction Processing) Επιχειρηματικές Εφαρμογές (Σχεσιακές
Διαβάστε περισσότεραΜέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση
Διαβάστε περισσότεραΕργαστήριο Βάσεων Δεδομένων. Εισαγωγικό Φροντιστήριο Βασικές Έννοιες - Ανάλυση Απαιτήσεων
Εργαστήριο Βάσεων Δεδομένων Εισαγωγικό Φροντιστήριο Βασικές Έννοιες - Ανάλυση Απαιτήσεων Τρόπος Διεξαγωγής #1 Ύλη (4 Ενότητες) 1. Ανάλυση Απαιτήσεων -Σχεδιασμός Βάσης Δεδομένων 2. Δημιουργία βάσης a) Create
Διαβάστε περισσότεραΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Εισαγωγή στην Εξόρυξη Δεδομένων Πασχάλης Θρήσκος, PhD Λάρισα
1 ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ Εισαγωγή στην Εξόρυξη Δεδομένων Πασχάλης Θρήσκος, PhD Λάρισα 2016-2017 2 Τα δεδομένα πολλαπλασιάζονται με γεωμετρική πρόοδο Οι χρήστες συσκευών επιθυμούν εξεζητημένη και εκλεπτυσμένη
Διαβάστε περισσότεραΑνάπτυξη συστήματος ερωταποκρίσεων για αρχεία ελληνικών εφημερίδων
Ανάπτυξη συστήματος ερωταποκρίσεων για αρχεία ελληνικών εφημερίδων Οικονομικό Πανεπιστήμιο Αθηνών Πρόγραμμα Μεταπτυχιακών Σπουδών «Επιστήμη των Υπολογιστών» Διπλωματική Εργασία Μαρία-Ελένη Κολλιάρου 2
Διαβάστε περισσότεραΑποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining)
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Εξόρυξη Γνώσης από Χωρικά εδοµένα (spatial data mining) Γιάννης Θεοδωρίδης, Νίκος Πελέκης
Διαβάστε περισσότεραΕργαστήριο Βάσεων Δεδομένων. Εισαγωγικό Φροντιστήριο Βασικές Έννοιες - Ανάλυση Απαιτήσεων
Εργαστήριο Βάσεων Δεδομένων Εισαγωγικό Φροντιστήριο Βασικές Έννοιες - Ανάλυση Απαιτήσεων Τρόπος Διεξαγωγής #1 Ύλη (4 Ενότητες) 1. Ανάλυση Απαιτήσεων - Σχεδιασμός Βάσης Δεδομένων 2. Δημιουργία βάσης a)
Διαβάστε περισσότεραΕΠΙΔΡΩΝΤΕΣ 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 περισσότεραΗΥ562 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 περισσότεραΤεχνητή Νοημοσύνη. 18η διάλεξη ( ) Ίων Ανδρουτσόπουλος.
Τεχνητή Νοημοσύνη 18η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται: στο βιβλίο Machine Learning του T. Mitchell, McGraw- Hill, 1997,
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ Δ.Π.Μ.Σ: «Εφαρμοσμένες Μαθηματικές Επιστήμες» 2008
Διαβάστε περισσότεραΟι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach, V. Kumar, «Introduction to Data Mining», Addison Wesley, 2006
Ταξινόμηση I Οι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach, V. Kumar, «Introduction to Data Mining», Addison Wesley, 2006 Εισαγωγή Ταξινόμηση (classification) Το γενικό πρόβλημα της ανάθεσης ενός
Διαβάστε περισσότεραΚεφάλαιο Ένα Τι είναι η Στατιστική;
Κεφάλαιο Ένα Τι είναι η Στατιστική; Copyright 2009 Cengage Learning 1.1 Τι είναι η Στατιστική; «Στατιστική είναι ένας τρόπος για την αναζήτηση πληροφοριών μέσα σε δεδομένα» Copyright 2009 Cengage Learning
Διαβάστε περισσότεραΠοιοτικοί Δείκτες Υπηρεσιών Βιβλιοθηκών και Διαχείριση Πόρων: Μεθοδολογίες Ανάλυσης και στρατηγικός σχεδιασμός.
15 ο Πανελλήνιο Συνέδριο Ακαδημαϊκών Βιβλιοθηκών (Πάτρα: 1-3 Νοεμβρίου 2006) Ποιοτικοί Δείκτες Υπηρεσιών Βιβλιοθηκών και Διαχείριση Πόρων: Μεθοδολογίες Ανάλυσης και στρατηγικός σχεδιασμός. Αριστείδης Μελετίου
Διαβάστε περισσότεραΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ ΔΟΥΒΛΕΤΗΣ ΧΑΡΑΛΑΜΠΟΣ ΕΠΙΒΛΕΠΟΝΤΕΣ ΚΑΘΗΓΗΤΕΣ Μαργαρίτης Κωνσταντίνος Βακάλη
Διαβάστε περισσότεραΔΙΑΤΜΗΜΑΤΙΚΟ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ
ΔΙΑΤΜΗΜΑΤΙΚΟ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ Ανάλυση Οικονομικών Δεδομένων με Χρήση Τεχνικών Εξόρυξης Μεταπτυχιακός φοιτητής: Ζαβουδάκης
Διαβάστε περισσότεραΟ ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET
Ο ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET Το Μοντέλο της Συμπεριφοράς των Καταναλωτών στο Η.Ε. Τύποι Καταναλωτών ανεξάρτητοι και μεμονωμένοι καταναλωτές, στους οποίους στοχεύουν τα ΜΜΕ οργανισμοί-αγοραστές αγοραστές
Διαβάστε περισσότεραΠληροφοριακά Συστήματα Διοίκησης
Πληροφοριακά Συστήματα Διοίκησης Μεγάλα Δεδομένα ΠΜΣ Λογιστική Χρηματοοικονομική και Διοικητική Επιστήμη ΤΕΙ Ηπείρου @ 2017 Bytes 1KB = 2 10 1MB = 2 20 1GB = 2 30 1TB = 2 40 1PB = 2 50 1EB = 2 60 1ZB =
Διαβάστε περισσότεραΑνάλυση μεγάλων δεδομένων με χρήση εργαλείων εξόρυξης δεδομένων. Η περίπτωση μιας εφαρμογής υποστήριξης αποφάσεων εκλογικής ψήφου.
Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών στα Πληροφοριακά Συστήματα Ανάλυση μεγάλων δεδομένων με χρήση εργαλείων εξόρυξης δεδομένων. Η περίπτωση μιας εφαρμογής υποστήριξης αποφάσεων εκλογικής ψήφου.
Διαβάστε περισσότεραΑνάλυση Συσχέτισης IΙ
Ανάλυση Συσχέτισης IΙ Οι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach, V. Kumar, «Introduction to Data Mining», Addison Wesley, 2006 ΟΑλγόριθμοςFP-Growth Εξόρυξη Δεδομένων: Ακ. Έτος 2010-2011 ΚΑΝΟΝΕΣ
Διαβάστε περισσότεραMBR 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 περισσότεραΤεχνητή Νοημοσύνη. 15η διάλεξη ( ) Ίων Ανδρουτσόπουλος.
Τεχνητή Νοημοσύνη 15η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται σε ύλη του βιβλίου Artificial Intelligence A Modern Approach των
Διαβάστε περισσότεραiii 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 περισσότεραΣυστήματα Επιχειρηματικής Ευφυίας. Εισαγωγικές Έννοιες
Συστήματα Επιχειρηματικής Ευφυίας Εισαγωγικές Έννοιες Περιεχόμενα Επιχειρηματική Ευφυΐα: Παραδείγματα Επιχειρηματική Ευφυΐα: Ορισμοί Χρησιμότητα - Σημασία της Επιχειρηματικής Ευφυΐας Δυνατότητες - Οφέλη
Διαβάστε περισσότεραΣτατιστικές συναρτήσεις Γραφική και πινακοποιημένη αναπαράσταση δεδομένων (ιστόγραμμα) Διαχειριστής Σεναρίων Κινητός Μέσος σε Χρονοσειρές o o o
ΙΩΑΝΝΗΣ Κ. ΔΗΜΗΤΡΙΟΥ Εφαρμογές Ποσοτικές Ανάλυσης με το Excel 141 ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Ανάλυση Δεδομένων Στατιστικές συναρτήσεις Γραφική και πινακοποιημένη αναπαράσταση δεδομένων (ιστόγραμμα) Διαχειριστής
Διαβάστε περισσότεραΟικονομία - Επιχειρήσεις Μάρκετινγκ 1
Οικονομία - Επιχειρήσεις Μάρκετινγκ 1 Επιμέλεια: Γεώργιος Λελεδάκης (Λέκτορας Οικονομικού Πανεπιστημίου Αθηνών) Συγγραφή: Ευθύμιος Ζιγκιρίδης ΠΡΟΛΟΓΟΣ & ΕΠΕΞΕΡΓΑΣΙΑ ΚΕΙΜΕΝΩΝ Άρης Κουμπαρέλης Καθηγητής
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΣτοιχεία εισηγητή Ημερομηνία: 10/10/2017
Θέμα μεταπτυχιακής διατριβής: Λογισμικά μελέτης και σχεδίασης ρομποτικών συστημάτων - συγκρτική μελέτη και εφαρμογές. 1) Μελέτη των δημοφιλών λογισμικών σχεδίασης ρομποτικών συστημάτων VREP και ROS. 2)
Διαβάστε περισσότεραΥΠΟ 1 Ο 9 ΥΠΟ 2 Ο 5 ΥΠΟ 2 Ο 4 ΥΠΟ 3 Ο 4 ΥΠΟ 3 Ο 6 ΕΠΙ 3 Ο 3 ΥΠΟ 4 Ο 5 ΕΠΙ 4 Ο 3 ΥΠΟ 5 Ο 4
ΚΩΔ. ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ Κατηγορία μαθήματος Εξάμηνο Πιστωτικές Μονάδες (ECTS) CEID_NY101 Μαθηματικά Ι ΥΠΟ 1 Ο Βαθμός Εξεταστική περίοδος Αντιστοίχιση βαθμού σε ECTS CEID_NY109 Διακριτά Μαθηματικά ΥΠΟ 1 Ο
Διαβάστε περισσότεραΠΑΡΑΔΕΙΓΜΑΤΑ USE CASE DIAGRAMS CLASS DIAGRAMS
ΠΑΡΑΔΕΙΓΜΑΤΑ USE CASE DIAGRAMS CLASS DIAGRAMS Διάγραμμα Περιπτώσεων χρήσης 2 Να κατασκευάσουμε ένα διάγραμμα περιπτώσεων χρήσης για το παρακάτω σύστημα. Το σύστημα τηρεί αρχεία μαθητών, καθηγητών και μαθημάτων.
Διαβάστε περισσότεραΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ Μ.I.S ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ Μ.I.S ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΘΕΜΑ: Αναζήτηση γνώσης σε Νοσοκομειακά Δεδομένα ΤΟΡΤΟΠΙΔΗΣ ΓΕΩΡΓΙΟΣ Μηχανικός Η/Υ & Πληροφορικής Επιβλέπων: ΒΛΑΧΑΒΑΣ Π. ΙΩΑΝΝΗΣ Καθηγητής Τμ. Πληροφορικής
Διαβάστε περισσότεραΠληροφοριακά Συστήματα Διοίκησης
Πληροφοριακά Συστήματα Διοίκησης Επιχειρηματική ευφυΐα ΠΜΣ Λογιστική Χρηματοοικονομική και Διοικητική Επιστήμη ΤΕΙ Ηπείρου Επιχειρηματική ευφυΐα Η πλειονότητα των ατόμων μιας επιχείρησης έχουν ανάγκη υποστήριξης
Διαβάστε περισσότεραΑλγόριθμοι Εξόρυξης Χωρικών εδομένων
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Αγρονόμων και Τοπογράφων Μηχανικών ιατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ» Αλγόριθμοι Εξόρυξης Χωρικών εδομένων Εφαρμογή σε Αλγόριθμους Συσταδοποίησης
Διαβάστε περισσότεραΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ME TH ΧΡΗΣΗ ΚΑΝΟΝΩΝ ΣΥΣΧΕΤΙΣΕΩΝ ΣΕ ΕΠΙΧΕΙΡΗΣΕΙΣ ΛΙΑΝΙΚΗΣ ΠΩΛΗΣΗΣ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔAΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ME TH ΧΡΗΣΗ ΚΑΝΟΝΩΝ ΣΥΣΧΕΤΙΣΕΩΝ ΣΕ ΕΠΙΧΕΙΡΗΣΕΙΣ ΛΙΑΝΙΚΗΣ ΠΩΛΗΣΗΣ ΟΝΟΜΑΤΕΠΩΝΥΜΟ:
Διαβάστε περισσότερα«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 περισσότεραΑνάλυση 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 περισσότεραΑρχές Μάρκετινγκ. Ενότητα 4: Συστήματα Πληροφοριών Μάρκετινγκ και Μέθοδοι Έρευνας Αγοράς
Αρχές Μάρκετινγκ Ενότητα 4: Συστήματα Πληροφοριών Μάρκετινγκ και Μέθοδοι Έρευνας Αγοράς Δρ. Καταραχιά Ανδρονίκη Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότερα