Získávání znalostí z databází. Alois Kužela

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Získávání znalostí z databází. Alois Kužela"

Transkript

1 Získávání znalostí z databází Alois Kužela

2 Obsah související pojmy datové sklady, získávání znalostí asocianí pravidla 2/37

3 Úvod získávání znalostí z dat, dolování (z) dat, data mining proces netriviálního objevování implicitních, dopedu neznámých a potenciáln použitelných znalostí v datech související pojmy: Datové sklady, datové trhy Topíme se v datech, ale trpíme nedostatkem znalosti. OLAP 3/37

4 Pro data mining? roste objem dat uložený v databázích vznikají rychlejší, levnjší a pokroilejší databázové technologie neustále generujeme nová data obchodní a bankovní transakce výzkum, astronomie, biologie, z rozsáhlých dat se obtížn vyvozují závry dát uloženým datm význam 4/37

5 Data, informace, znalosti? data (údaje) surové hodnoty, fakta 25, erná informace data, která mají smysl a pínos prmrný plat zákazník v tisících, nejprodávanjší barva telefonu znalosti (poznatky) informace + objevování, analýzy, zákazník si pravdpodobn koupí i notebook 5/37

6 Definice informace (Oracle) máme údaje víme, že máme údaje víme, kde tyto údaje máme máme k nim pístup zdroji údaj mžeme dvovat 6/37

7 Vztah údaje informace znalosti Moudrost znalosti informace údaje Business Inteligence proces transformace údaj na informace a pevod informací na poznatky prostednictvím objevování. 7/37

8 Data Mining a Business Intelligence 8/37 Rostoucí potenciál podpory rozhodování Rozhodování Prezentace dat Vizualizaní techniky Dolování dat Objevování informace Zkoumání dat analýza, dotazování, sestavy Datové sklady / datová tržišt OLAP techniky Datové zdroje Papír, soubory, databázové systémy, OLTP systémy Koncový uživatel Obchodní analytik Datový analytik DBA

9 Co je získávání znalostí z databází? extrakce zajímavých model dat a vzor z velkých objem dat hledané modely jsou: netriviální skryté díve neznámé platné potenciáln užitené 9/37

10 Píklady aplikací prmysl (diagnostika poruch, predikce spoteby, ) obchod (marketing, bankovnictví) vda (charakterizace karcinogenních látek, hypotézy, ) medicína (mapování lidského genomu) 10/37

11 Proces získávání znalostí z dat Stanovení cíl Jaký typ znalosti chceme nalézt? Nad jakými daty budeme proces získávání znalostí provádt? Je problém ešitelný? Budou získané výsledky užitené v praxi? V jakém tvaru a form chceme výsledky získávání znalostí zobrazit? Výbr zdroj dat 11/37

12 Proces získávání znalostí z dat 1) ištní dat 2) integrace dat 3) výbr dat 4) transformace dat 5) dolování dat 6) hodnocení model a vzor 7) prezentace znalostí pedzpracování dat 12/37

13 Pedzpracování dat Je tato fáze nezbytná? Objemné databáze je poteba vybrat relevantní data Nesprávná, nekonzistentní data, chybjící hodnoty Zvýší efektivitu a usnadní proces získávání znalostí nejpracnjšíást celého procesu asto se provádí opakovan 13/37

14 Pedzpracování dat píprava dat selekce atribut výbr relevantních atribut ištní dat získávání odvozených atribut pevod typ dat transformace dat do jedné velké tabulky formátování pro jednotlivé modelovací techniky 14/37

15 Dolování dat Aplikace zvoleného algoritmu na pedzpracovaná data, dle typu znalosti a dat Typy znalostí Asocianí pravidla - hledání vazeb mezi objekty Shlukování - seskupování podobných objekt Klasifikace - piazení tídy objektu Predikce - pedpov chování objektu v ase 15/37

16 Vyhodnocení zhodnocení dosažených výsledk zhodnocení výsledk z pohledu zadání asto návrat zpt na zaátek celého procesu a stanovení nových cíl (úprava zadaní) vizualizace 16/37

17 Typy dolovacích úloh prediktivní: regrese klasifikace deskriptivní: shlukování / sdružování podobností asocianí pravidla a jejich varianty detekce odchylek 17/37

18 Asocianí pravidla hledání zajímavých asociacíi korelací ve velkém množství dat pvodn pro transakní data obchodní transakce analýza nákupního košíku podpora rozhodování 18/37

19 Základní pojmy pravidla tvaru T, A!! " 19/37

20 Dležité metriky udávají významnost nalezených pravidel #$% #% $ spolehlivost c (confidence) kolik % ze všech transakcí tvaru A & " 20/37

21 Metriky Zápis s využitím pravdpodobnosti s(a %'# % c(a%'#(% 21/37

22 Píklad analýzy košíku získané pravidlo o nákupu položek poíta )*+,-$./$ význam: 8 % všech nákup obsahovalo ob položky pi koupi poítae se kupoval v 60 % také OS závry 60 % poctivých uživatel OS Windows návrh akcí, katalog na základ tchto informací 22/37

23 Další pojmy silné asocianí pravidlo má podporu a spolehlivost vyšší než uživatelem zadaná hodnota frekventovaná množina množina položek, která má podporu vyšší než minimální hodnota 23/37

24 Hledání asocianích pravidel výpoet frekventovaných množin na základ minimální podpory asov náronjší krok generování silných asocianích pravidel z frekventovaných množin na základ minimální spolehlivosti 24/37

25 Apriori Transakní databáze 0 " princip postupného generování kandidát na frekventované množiny zaíná se u množin velikosti 1 spojovací fáze: spojení dvou stejn velkých množin, které se liší pouze v jednom prvku vyluovací fáze: odstranní množin, jejichž libovolná podmnožina není frekventovaná 25/37

26 Píklad s min = 22 % (2 výskyty) TID T100 T200 T300 T400 T500 T600 T700 T800 T900 Položky I1, I2, I5 I2, I4 I2, I3 I1, I2, I4 I1, I3 I2, I3 I1, I3 I1, I2, I3, I5 I1, I2, I3 26/37

27 Píklad 1. iterace C i Poet L 1 Poet {I1} 6 {I1} 6 {I2} 7 {I2} 7 {I3} 6 {I3} 6 {I4} 2 {I4} 2 {I5} 2 {I5} 2 zjistíme všechny kandidáty porovnáme s min. podporou 27/37

28 Píklad 2. iterace C 2 Poet L 2 Poet {I1, I2} 4 {I1, I2} 4 {I1, I3} 4 {I1, I3} 4 {I1, I4} 1 {I1, I5} 2 {I1, I5} 2 {I2, I3} 4 {I2, I3} 4 {I2, I4} 2 {I2, I4} 2 {I2, I5} 2 28/37 generujeme kandidáty C 1 + výpoet podpory porovnáme s min. podporou

29 Píklad 3. iterace C 3 Poet L 3 Poet {I1, I2, I3} {I1, I2, I5} {I1, I3, I5} {I2, I3, I4} {I2, I3, I5} {I2, I4, I5} {I1, I2, i3} {I1, I2, i5} 2 2 generujeme kandidáty C 3 + výpoet podpory porovnáme s min. podporou 29/37

30 Píklad 4. iterace C 4 Poet L 4 Poet {I1, I2, i3, I5} 1 generujeme kandidáty C 4 + výpoet podpory porovnáme s min. podporou 30/37

31 Generování asocianích pravidel spolehlivo st( A B) = P( B A) = podpora ( A B) podpora ( A) pro každou frekventovanou množinu l, generuj všechny její neprázdné podmnožiny pro každou podmnožinu x, generuj pravidlo x# 1%2 3! 31/37

32 Píklad 32/37 Frekventovaná množina {I1, I2, I5} Neprázdné podmnožiny: {I1, I2}, {I1, I5}, {I2, I5}, {I1}, {I2}, {I5} T100 I1, I2, I5 Vygenerovaná pravidla: T200 I2, I4 I1 I2 I5; c = 2/4 = 50 % T300 I2, I3 I2 I5I1; c = 2/2 = 100 % T400 I1, I2, I4 I2I1 I5; c = 2/7 = 29 % T500 I1, I3 I1 I5I2; c = 2/2 = 100 % T600 I2, I3 I1 I2 I5; c = 2/6 = 33 % I5I1 I2; c = 2/2 = 100 % T700 I1, I3 T800 T900 I1, I2, I3, I5 I1, I2, I3

33 Zvýšení efektivity algoritmu hašování redukce transakcí vzorkování odstranit generování kandidát metoda vzrstu generovaných množin 33/37

34 Další algoritmy hledání víceúrovových asocianích pravidel multidimenzionální asocianí pravidla asocianí pravidla založená na omezeních 34/37

35 Další využití data miningu sekvenní vzory podobné asociaím pravidlm, závisí ale na ase klasifikace rozdlení dat do koneného potu tíd na základ vlastností predikce pedpovídání hodnoty dat na základ znalostí získaných z již známých dat 35/37

36 Existujícíešení MS SQL Server Oracle SAS Bee Bizgres 36/37

37 Využití data miningu Analýza nákupního košíku Nalezení závislostí mezi rzným zbožím, které si zákazník koupí lenní (segmentace) zákazník Cíl: porozumt zákazníkovi a jeho chování Management rizik Odhalení rizikových zákazník (nap. u pojišoven) Detekce podvod Nap. hledání extrémních útrat na kreditní kart Odhalování zloinnosti Odhalení potenciálních neplati pjek Predikce požadavk Pedpov zájmu zákazník o rzné zboží 37/37

Dobývání a vizualizace znalostí

Dobývání a vizualizace znalostí Dobývání a vizualizace znalostí Olga Štěpánková et al. 1 Osnova předmětu 1. Dobývání znalostí - popis a metodika procesu a objasnění základních pojmů 2. Nástroje pro modelování klasifikovaných dat a jejich

Více

Základy business intelligence. Jaroslav Šmarda

Základy business intelligence. Jaroslav Šmarda Základy business intelligence Jaroslav Šmarda Základy business intelligence Business intelligence Datový sklad On-line Analytical Processing (OLAP) Kontingenční tabulky v MS Excelu jako příklad OLAP Dolování

Více

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných

Více

Trendy v IS/ICT přístupy k návrhu multidimenzionální modelování

Trendy v IS/ICT přístupy k návrhu multidimenzionální modelování Trendy v IS/ICT přístupy k návrhu multidimenzionální modelování Aplikace IS/ICT BI SCM e-business ERP ERP CRM II e-business Aplikace pro podporu základních řídících a administrativních operací 1 Informační

Více

Uživatelská podpora v prostředí WWW

Uživatelská podpora v prostředí WWW Uživatelská podpora v prostředí WWW Jiří Jelínek Katedra managementu informací Fakulta managementu Jindřichův Hradec Vysoká škola ekonomická Praha Úvod WWW obsáhlost obsahová i formátová pestrost dokumenty,

Více

Metodický materiál Ma

Metodický materiál Ma Metodický materiál Ma Metodický materiál Ma... 1 Úvod... 2 Možnosti použití v hodin... 2 Podmínky... 2 Vhodná témata... 3 Nevhodná témata... 3 Vybrané téma: Funkce... 3 Úvod... 3 Použití v tématu funkce...

Více

ORACLE DISCRETE MANUFACTURING ORACLE DISKRÉTNÍ VÝROBA

ORACLE DISCRETE MANUFACTURING ORACLE DISKRÉTNÍ VÝROBA ORACLE DISCRETE MANUFACTURING ORACLE DISKRÉTNÍ VÝROBA KLÍOVÉ FUNKCE ORACLE DISCRETE MANUFACTURING Definice výrobních píkaz Definice výrobních rozvrh ízení zakázkové výroby ízení sériové výroby ízení hromadné

Více

Business Intelligence

Business Intelligence Business Intelligence Josef Mlnařík ISSS Hradec Králové 7.4.2008 Obsah Co je Oracle Business Intelligence? Definice, Od dat k informacím, Nástroj pro operativní řízení, Integrace informací, Jednotná platforma

Více

Databáze Bc. Veronika Tomsová

Databáze Bc. Veronika Tomsová Databáze Bc. Veronika Tomsová Databázové schéma Mapování konceptuálního modelu do (relačního) databázového schématu. 2/21 Fyzické ik schéma databáze Určuje č jakým způsobem ů jsou data v databázi ukládána

Více

Internetový mapový server Karlovarského kraje

Internetový mapový server Karlovarského kraje Internetový mapový server Karlovarského kraje Ing.Jií Heliks Karlovarský kraj Závodní 353/88 Karlovy Vary tel.: 353 502 365 e-mail: jiri.heliks@kr-karlovarsky.cz 1. Úvod Vývojem informa,ních systém. a

Více

Novinky SQL Serveru 2005 v oblasti Business Intelligence

Novinky SQL Serveru 2005 v oblasti Business Intelligence Novinky SQL Serveru 2005 v oblasti Business Intelligence Seminární práce na předmět Business Intelligence (4IT435) Vypracoval Borek Bernard, leden 2006 1 Abstrakt Microsoft SQL Server 2005 je po mnoha

Více

4IT218 Databáze. 4IT218 Databáze

4IT218 Databáze. 4IT218 Databáze 4IT218 Databáze Osmá přednáška Dušan Chlapek (katedra informačních technologií, VŠE Praha) 4IT218 Databáze Osmá přednáška Normalizace dat - dokončení Transakce v databázovém zpracování Program přednášek

Více

NÁSTROJE BUSINESS INTELLIGENCE

NÁSTROJE BUSINESS INTELLIGENCE NÁSTROJE BUSINESS INTELLIGENCE Milena Tvrdíková VŠB Technická univerzita Ostrava, Ekonomická fakulta, Katedra informatiky v ekonomice, Sokolská 33, 701021 Ostrava1, ČR, milena.tvrdikova@vsb.cz Abstrakt

Více

Stručný obsah. K2118.indd 3 19.6.2013 9:15:27

Stručný obsah. K2118.indd 3 19.6.2013 9:15:27 Stručný obsah 1. Stručný obsah 3 2. Úvod 11 3. Seznamy a databáze v Excelu 13 4. Excel a externí data 45 5. Vytvoření kontingenční tabulky 65 6. Využití kontingenčních tabulek 81 7. Kontingenční grafy

Více

Základní informace o co se jedná a k čemu to slouží

Základní informace o co se jedná a k čemu to slouží Základní informace o co se jedná a k čemu to slouží založené na relačních databází transakční systémy, které jsou určeny pro pořizování a ukládání dat v reálném čase (ERP, účetní, ekonomické a další podnikové

Více

Aplikovaná informatika Možnosti analýzy validity a prezentace získaných dat z informačních databází. ZEMÁNEK, Z. - PLUSKAL, D. - ŠUBRT, Z.

Aplikovaná informatika Možnosti analýzy validity a prezentace získaných dat z informačních databází. ZEMÁNEK, Z. - PLUSKAL, D. - ŠUBRT, Z. Aplikovaná informatika Možnosti analýzy validity a prezentace získaných dat z informačních databází. ZEMÁNEK, Z. - PLUSKAL, D. - ŠUBRT, Z. Operační program Vzdělávání pro konkurenceschopnost Název projektu:

Více

Business Intelligence 2015. Hlavní témata, která budou v roce 2015 určovat vývoj business intelligence řešení a služeb.

Business Intelligence 2015. Hlavní témata, která budou v roce 2015 určovat vývoj business intelligence řešení a služeb. Business Intelligence 2015 Hlavní témata, která budou v roce 2015 určovat vývoj business intelligence řešení a služeb. Leden 2015 Téma č. 1: Cloudové služby budou využívat lokální data V roce 2015 se zvýší

Více

Zdroje informací v organizaci IS/ICT BI v rámci IS/ICT historie architektura OLTP x DW ukládání dat

Zdroje informací v organizaci IS/ICT BI v rámci IS/ICT historie architektura OLTP x DW ukládání dat Zdroje informací v organizaci IS/ICT BI v rámci IS/ICT historie architektura OLTP x DW ukládání dat Vladimíra Zádová BI CRM ERP SCM Aplikace pro podporu základních řídících a administrativních operací

Více

Obsah...1 1. Úvod...2 Slovníek pojm...2 2. Popis instalace...3 Nároky na hardware a software...3 Instalace a spouštní...3 Vstupní soubory...3 3.

Obsah...1 1. Úvod...2 Slovníek pojm...2 2. Popis instalace...3 Nároky na hardware a software...3 Instalace a spouštní...3 Vstupní soubory...3 3. Obsah...1 1. Úvod...2 Slovníek pojm...2 2. Popis instalace...3 Nároky na hardware a software...3 Instalace a spouštní...3 Vstupní soubory...3 3. Popis prostedí...4 3.1 Hlavní okno...4 3.1.1 Adresáový strom...4

Více

Základy databází. O autorech 17 PRVNÍ ČÁST. KAPITOLA 1 Začínáme 19

Základy databází. O autorech 17 PRVNÍ ČÁST. KAPITOLA 1 Začínáme 19 3 Obsah Novinky v tomto vydání 10 Význam základních principů 11 Výuka principů nezávisle na databázových produktech 12 Klíčové pojmy, kontrolní otázky, cvičení, případové studie a projekty 12 Software,

Více

PÍRUKA A NÁVODY PRO ÚELY: - RUTINNÍ PRÁCE S DATY

PÍRUKA A NÁVODY PRO ÚELY: - RUTINNÍ PRÁCE S DATY PÍRUKA A NÁVODY PRO ÚELY: - RUTINNÍ PRÁCE S DATY YAMACO SOFTWARE 2006 1. ÚVODEM Nové verze produkt spolenosti YAMACO Software pinášejí mimo jiné ujednocený pístup k použití urité množiny funkcí, která

Více

Úvodní studie (pokraov

Úvodní studie (pokraov Úvodní studie (pokraov ování) Model jednání a kontext Model jednání (use case model) slouží pro evidenci aktér a služeb systému. Kontextový diagram slouží pro evidenci aktér a datových tok. Oba modely

Více

HR reporting aneb kouzla s daty. 24.3.2015 Jan Pavelka

HR reporting aneb kouzla s daty. 24.3.2015 Jan Pavelka HR reporting aneb kouzla s daty 24.3.2015 Jan Pavelka HR snídaně vážně i s humorem 2 Agenda 1. Historie 2. Metody 3. Projekt 4. Nástroje 3 Hodnota pro business Analýza HR dat 4. Prediktivní analýza 2.

Více

Obsah. Úvod do problematiky. Datový sklad. Proces ETL. Analýza OLAP

Obsah. Úvod do problematiky. Datový sklad. Proces ETL. Analýza OLAP Petr Jaša Obsah Úvod do problematiky Data vs. informace Operační vs. analytická databáze Relační vs. multidimenzionální model Datový sklad Důvody pro budování datových skladů Definice, znaky Schéma vazeb

Více

Zhodnocení architektury podniku. Jiří Mach 28. 8. 2014

Zhodnocení architektury podniku. Jiří Mach 28. 8. 2014 Zhodnocení architektury podniku Jiří Mach 28. 8. 2014 Obsah Zhodnocení architektury podniku Zahájení projektu Metodika/framework Harmonogram projektu 1. fáze: vytvoření popisu AS-IS stavu 2. fáze: analýza

Více

PowerOPTI Řízení účinnosti tepelného cyklu

PowerOPTI Řízení účinnosti tepelného cyklu PowerOPTI Řízení účinnosti tepelného cyklu VIZE Zvýšit konkurenceschopnost provozovatelů elektráren a tepláren. Základní funkce: Spolehlivé hodnocení a řízení účinnosti tepelného cyklu, včasná diagnostika

Více

FINANCOVÁNÍ DLOUHODOBÝMI INSTRUMENTY

FINANCOVÁNÍ DLOUHODOBÝMI INSTRUMENTY FINANCOVÁNÍ DLOUHODOBÝMI INSTRUMENTY Zpsob financování spolenosti hraje dležitou roli v rozhodovacím procesu. V této souvislosti hovoíme o kapitálové struktue firmy. Kapitálová struktura je složení dlouhodobých

Více

O spole nosti OSAM TRADE s.r.o.

O spole nosti OSAM TRADE s.r.o. O spolenosti OSAM TRADE s.r.o. Kontakty OSAM TRADE s.r.o. U Jeslí 619 370 01 eské Budjovice +420 602 428 817 Velkoobchod: +420 728 815 256 Technická podpora: +420 774 774 209 www.osamtrade.cz info@osamtrade.cz

Více

Pednáška mikro 07 : Teorie chování spotebitele 2

Pednáška mikro 07 : Teorie chování spotebitele 2 Pednáška mikro 07 : Teorie chování spotebitele 2 1. ngelova kivka x poptávka po statku, M- dchod x luxusní komodita ( w >1) standardní komodita (0< w 1) podadná komodita ( w < 0) 2. Dchodový a substituní

Více

Informaní systém. 1. Základní charakteristiky systému

Informaní systém. 1. Základní charakteristiky systému Informaní systém HoC 1. Základní charakteristiky systému HoC je moderní integrovaný systém pro ízení výrobních i obchodních organizací. Obsahuje moduly, pokrývající innosti od ízení výroby až po prodej.

Více

StatSoft Úvod do data miningu

StatSoft Úvod do data miningu StatSoft Úvod do data miningu Tento článek je úvodním povídáním o data miningu, jeho vzniku, účelu a využití. Historie data miningu Rozvoj počítačů, výpočetní techniky a zavedení elektronického sběru dat

Více

GIS a Business Intelligence

GIS a Business Intelligence GIS pre územnú samosprávu GIS a Business Intelligence (pohled ze strany GIS) Rudolf Richter, BERIT services s.r.o. 1 Východiska pro rozhodování Data existují, ale jsou fragmentována v různorodých produkčních

Více

kapitola 2 Datové sklady, OLAP

kapitola 2 Datové sklady, OLAP Tomáš Burger, burger@fit.vutbr.cz kapitola 2 Datové sklady, OLAP Získávání znalostí z databází IT-DR-3 / ZZD Co je to datový sklad A data warehouse is a subjectoriented, integrated, time-variant and nonvolatile

Více

Úvod do informačních a řídicích systémů. lení

Úvod do informačních a řídicích systémů. lení Úvod do informačních a řídicích systémů Základní pojmy a rozdělen lení Informace Pojem vysoce abstraktní Skutečné informace musí být pravdivé, včasné, jednoznačné a relevantní (atributy informace) Základní

Více

Otázky k státní závrené zkoušce v bakaláském studijním programu. Druhý okruh (VOŠIS)

Otázky k státní závrené zkoušce v bakaláském studijním programu. Druhý okruh (VOŠIS) Otázky k státní závrené zkoušce v bakaláském studijním programu Druhý okruh (VOŠIS) 01. Systémový pístup Systémová teorie. Definice systému. Atributy systému - struktura, funkce. Typologie systém. Aplikace

Více

IBM SPSS Modeler Professional

IBM SPSS Modeler Professional IBM SPSS Modeler Professional 16 IBM SPSS Software IBM SPSS Modeler Professional Včasné rozhodnutí díky přesným informacím Metodami data miningu získáte detailní přehled o svém současném stavu i jasnější

Více

Základní škola Ddina Žukovského 580 Praha 6 Liboc 161 00, www.zsdedina.cz tel.: 2 35 35 92 29 fax.: 2 35 35 51 85, dundera@zsdedina.

Základní škola Ddina Žukovského 580 Praha 6 Liboc 161 00, www.zsdedina.cz tel.: 2 35 35 92 29 fax.: 2 35 35 51 85, dundera@zsdedina. Základní škola Ddina Žukovského 580 Praha 6 Liboc 161 00, www.zsdedina.cz tel.: 2 35 35 92 29 fax.: 2 35 35 51 85, dundera@zsdedina.cz ICT plán (školní rok 2008/09 a 2009/10) 1) Souhrnný stav v záí 2008

Více

GIS jako důležitá součást BI. Jan Broulík, Petr Panec ARCDATA PRAHA, s.r.o.

GIS jako důležitá součást BI. Jan Broulík, Petr Panec ARCDATA PRAHA, s.r.o. GIS jako důležitá součást BI Jan Broulík, Petr Panec ARCDATA PRAHA, s.r.o. ARCDATA PRAHA, s.r.o. THE GEOGRAPHIC ADVANTAGE Motto Sladit operační taktiku s organizační strategií Strategie bez taktiky je

Více

NÁVRH A REALIZACE TRADING STRATEGIÍ NA BÁZI STROJOVÉHO UČENÍ S POMOCÍ MATLABU

NÁVRH A REALIZACE TRADING STRATEGIÍ NA BÁZI STROJOVÉHO UČENÍ S POMOCÍ MATLABU NÁVRH A REALIZACE TRADING STRATEGIÍ NA BÁZI STROJOVÉHO UČENÍ S POMOCÍ MATLABU RNDr. Miroslav Pavelka, PhD m.pavelka@sh.cvut.cz Ing. Jan Hovad jan@hovad.cz OBSAH Obchodování a strojové učení Specifika prediktivního

Více

Jak získat nové a čerstvé adresy? Ing. Miroslav Červenka, Schober Information Group CZ a.s.

Jak získat nové a čerstvé adresy? Ing. Miroslav Červenka, Schober Information Group CZ a.s. Jak získat nové a čerstvé adresy? Ing. Miroslav Červenka, Schober Information Group CZ a.s. Obsah 1 Nové technologie pro získávání adres 2 Listbroking 3 Výběr cílové skupiny - příklad Seite 2 Nové technologie

Více

Neuronové časové řady (ANN-TS)

Neuronové časové řady (ANN-TS) Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci

Více

Spolen a kvalitn na ZŠ Tyršova

Spolen a kvalitn na ZŠ Tyršova Spolen a kvalitn na ZŠ Tyršova Spolen a kvalitn r.. CZ.1.07/1.4.00/21.1559 to je název projektu, který zaíná realizovat od 1. bezna 2011 ZŠ Tyršova 913 ve Frenštát pod Radhoštm. Projekt byl schválen v

Více

Zkušenosti s využitím informa ních systém p i provozu a optimalizaci rafinérií

Zkušenosti s využitím informa ních systém p i provozu a optimalizaci rafinérií 153 Zkušenosti s využitím informaních systém pi provozu a optimalizaci rafinérií Ing. Milan Vitvar eská rafinérská a.s., 436 70 Litvínov milan.vitvar@crc.cz, tel. 476 164 477 http://www.crc.cz Souhrn Je

Více

Podílový fond PLUS. komplexní zabezpeení na penzi

Podílový fond PLUS. komplexní zabezpeení na penzi Podílový fond PLUS komplexní zabezpeení na penzi Aleš Poklop, generálníeditel Penzijního fondu eské spoitelny Martin Burda, generálníeditel Investiní spolenosti eské spoitelny Praha 29. ervna 2010 R potebuje

Více

Podpora výroby energie v zaízeních na energetické využití odpad

Podpora výroby energie v zaízeních na energetické využití odpad Podpora výroby energie v zaízeních na energetické využití odpad Tomáš Ferdan, Martin Pavlas Vysoké uení technické v Brn, Fakulta strojního inženýrství, Ústav procesního a ekologického inženýrství, Technická

Více

DUM. Databáze - úvod

DUM. Databáze - úvod DUM Název projektu íslo projektu íslo a název šablony klíové aktivity Tematická oblast - téma Oznaení materiálu (pílohy) Inovace ŠVP na OA a JŠ Tebí CZ.1.07/1.5.00/34.0143 III/2 Inovace a zkvalitnní výuky

Více

Moderní metody automatizace a hodnocení marketingových kampaní

Moderní metody automatizace a hodnocení marketingových kampaní Moderní metody automatizace a hodnocení marketingových kampaní SAS CI Roadshow 2014 24/09/2014 Vít Stinka Agenda Představení společnosti Unicorn Systems Aliance Unicorn Systems a SAS Celkový koncept Customer

Více

Příprava dat v softwaru Statistica

Příprava dat v softwaru Statistica Příprava dat v softwaru Statistica Software Statistica obsahuje pokročilé nástroje pro přípravu dat a tvorbu nových proměnných. Tyto funkcionality přinášejí značnou úsporu času při přípravě datového souboru,

Více

DATABÁZOVÉ SYSTÉMY. Metodický list č. 1

DATABÁZOVÉ SYSTÉMY. Metodický list č. 1 Metodický list č. 1 Cíl: Cílem předmětu je získat přehled o možnostech a principech databázového zpracování, získat v tomto směru znalosti potřebné pro informačního manažera. Databázové systémy, databázové

Více

2. roník 2 hodiny týdn, celkem 68 hodin

2. roník 2 hodiny týdn, celkem 68 hodin Ministerstvo školství a tlovýchovy eské republiky Tématický plán Obor: Informaní technologie Pedmt: Ekonomika Vyuující: Ing. Danuše Savková 2. roník 2 hodiny týdn, celkem 68 hodin Téma tématický celek

Více

ESKÝ JAZYK ESKÝ JAZYK

ESKÝ JAZYK ESKÝ JAZYK PRACOVNÍ MATERIÁLY PRACOVNÍ MATERIÁLY ESKÝ JAZYK ESKÝ JAZYK Struktura vyuovací hodiny Plán Struktura vyuovací vyuovací hodiny hodiny Plán Metodický vyuovací list aplikace hodiny Záznamový Metodický list

Více

ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ

ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ Podle toho, zda informační systém funguje na operativní, taktické nebo strategické řídicí úrovni, můžeme systémy rozdělit do skupin. Tuto pyramidu

Více

27. asové, kmitotové a kódové dlení (TDM, FDM, CDM). Funkce a poslání úzkopásmových a širokopásmových sítí.

27. asové, kmitotové a kódové dlení (TDM, FDM, CDM). Funkce a poslání úzkopásmových a širokopásmových sítí. Petr Martínek martip2@fel.cvut.cz, ICQ: 303-942-073 27. asové, kmitotové a kódové dlení (TDM, FDM, CDM). Funkce a poslání úzkopásmových a širokopásmových sítí. Multiplexování (sdružování) - jedná se o

Více

Systémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování

Systémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování 1 Systémy pro podporu rozhodování 2. Úvod do problematiky systémů pro podporu rozhodování 2 Připomenutí obsahu minulé přednášky Rozhodování a jeho počítačová podpora Manažeři a rozhodování K čemu počítačová

Více

Transformace dílčích datových zdrojů na jednotnou datovou platformu kontaminovaných míst, analýza potřeb uživatelů a vývoj aplikací

Transformace dílčích datových zdrojů na jednotnou datovou platformu kontaminovaných míst, analýza potřeb uživatelů a vývoj aplikací Transformace dílčích datových zdrojů na jednotnou datovou platformu kontaminovaných míst, analýza potřeb uživatelů a vývoj aplikací Jiří Šíma, AQUATEST a.s. Zpracovatelé a součinnost AQUATEST a.s. ARCDATA

Více

Big Data od velkých očekávání k praktickému využití. DSW, Praha, 23.9.2014

Big Data od velkých očekávání k praktickému využití. DSW, Praha, 23.9.2014 Big Data od velkých očekávání k praktickému využití DSW, Praha, 23.9.2014 Gartner: Hype Cycle for Emerging Technologies Zdroj: Gartner 3D scanners? NFC předběhlo cloud compu3ng? Internet of things zrychlil

Více

www.pwc.com/cz DETEKCE INTERNÍCH PODVODŮ V BANKÁCH A NÁSLEDNÁ REAKCE ČIA 3. setkání interních auditorů z finanční oblasti 27. 11.

www.pwc.com/cz DETEKCE INTERNÍCH PODVODŮ V BANKÁCH A NÁSLEDNÁ REAKCE ČIA 3. setkání interních auditorů z finanční oblasti 27. 11. www.pwc.com/cz DETEKCE INTERNÍCH PODVODŮ V BANKÁCH A NÁSLEDNÁ REAKCE ČIA 3. setkání interních auditorů z finanční oblasti 27. 11. 2012 Agenda 1. Detekce podvodů vs interní audit 2. Interní vs. externí

Více

Párování. Nápovdu k ostatním modulm naleznete v "Pehledu nápovd pro Apollo".

Párování. Nápovdu k ostatním modulm naleznete v Pehledu nápovd pro Apollo. Párování Modul Párování poskytuje pehled o došlých i vrácených platbách provedených bankovním pevodem i formou poštovní poukázky. Jedná se napíklad o platby za e-pihlášky, prkazy ISIC nebo poplatky za

Více

Problémové domény a jejich charakteristiky

Problémové domény a jejich charakteristiky Milan Mišovič (ČVUT FIT) Pokročilé informační systémy MI-PIS, 2011, Přednáška 02 1/16 Problémové domény a jejich charakteristiky Prof. RNDr. Milan Mišovič, CSc. Katedra softwarového inženýrství Fakulta

Více

Big Data a oficiální statistika. Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc.

Big Data a oficiální statistika. Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc. Big Data a oficiální statistika Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc. Obsah příspěvku Charakteristiky Big Data Výzvy a úskalí z perspektivy statistiky Výzvy z perspektivy computing

Více

METODY OCEOVÁNÍ PODNIKU DEFINICE PODNIKU. Obchodní zákoník 5:

METODY OCEOVÁNÍ PODNIKU DEFINICE PODNIKU. Obchodní zákoník 5: METODY OCEOVÁNÍ PODNIKU DEFINICE PODNIKU Obchodní zákoník 5: soubor hmotných, jakož i osobních a nehmotných složek podnikání. K podniku náleží vci, práva a jiné majetkové hodnoty, které patí podnikateli

Více

Dobývání znalostí z webu web mining

Dobývání znalostí z webu web mining Dobývání znalostí z webu web mining Web Mining is is the application of data mining techniques to discover patterns from the Web (Wikipedia) Tři oblasti: Web content mining (web jako kolekce dokumentů)

Více

DISKRÉTNÍ FOURIEROVA TRANSFORMACE P I NELINEÁRNÍ ULTRAZVUKOVÉ SPEKTROSKOPII

DISKRÉTNÍ FOURIEROVA TRANSFORMACE P I NELINEÁRNÍ ULTRAZVUKOVÉ SPEKTROSKOPII DISKRÉTNÍ FOURIEROVA TRANSFORMACE PI NELINEÁRNÍ ULTRAZVUKOVÉ SPEKTROSKOPII Luboš PAZDERA *, Jaroslav SMUTNÝ **, Marta KOENSKÁ *, Libor TOPOLÁ *, Jan MARTÍNEK *, Miroslav LUÁK *, Ivo KUSÁK * Vysoké uení

Více

GTL GENERATOR NÁSTROJ PRO GENEROVÁNÍ OBJEKTŮ OBJEKTY PRO INFORMATICA POWERCENTER. váš partner na cestě od dat k informacím

GTL GENERATOR NÁSTROJ PRO GENEROVÁNÍ OBJEKTŮ OBJEKTY PRO INFORMATICA POWERCENTER. váš partner na cestě od dat k informacím GTL GENERATOR NÁSTROJ PRO GENEROVÁNÍ OBJEKTŮ OBJEKTY PRO INFORMATICA POWERCENTER váš partner na cestě od dat k informacím globtech spol. s r.o. karlovo náměstí 17 c, praha 2 tel.: +420 221 986 390 info@globtech.cz

Více

Mgr. Jan Folbrecht Senior softwarový inženýr, softwarový architekt, manažer

Mgr. Jan Folbrecht Senior softwarový inženýr, softwarový architekt, manažer Mgr. Jan Folbrecht Senior softwarový inženýr, softwarový architekt, manažer SPECIALIZACE Konzultace a školení v oblastech softwarového inženýrství Zavádění vývojových metodik do projektů a vývojových týmů

Více

Customer Provider Relationship Monitoring by Association Analyse Means

Customer Provider Relationship Monitoring by Association Analyse Means Sledování vztahu zákazníka a poskytovatele prostředky asociační analýzy Customer Provider Relationship Monitoring by Association Analyse Means Naděžda Chalupová, Arnošt Motyčka Mendelova zemědělská a lesnická

Více

ADVANTA / Dokumentace: Přehled funkčních modulů

ADVANTA / Dokumentace: Přehled funkčních modulů ADVANTA / Dokumentace: Přehled funkčních modulů Primárním účelem nástroje ADVANTA je pokrýt aktuální potřeby správy projektového portfolia. Jak postupně roste úroveň akceptace a integrace do prostředí

Více

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN? NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem Dříve les než stromy 3 Operace s maticemi Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

Uživatelské preference v prostředí webových obchodů. Ladislav Peška, MFF UK

Uživatelské preference v prostředí webových obchodů. Ladislav Peška, MFF UK Uživatelské preference v prostředí webových obchodů Ladislav Peška, MFF UK Disclaimer Obsah Uživatelské preference Získávání UP Využití UP Doporučování na webových obchodech Proč doporučovat? Jak doporučovat?

Více

SEMINÁŘ MANAŢERSKÉ SYSTÉMY

SEMINÁŘ MANAŢERSKÉ SYSTÉMY 22.10.2008 SEMINÁŘ MANAŢERSKÉ SYSTÉMY S PŘÍVLASKEM Prezentace zajímavých projektů BUSINESS INTELLIGENCE 16.10.2008 Ing. Jan Klimeš, ORTEX 1 & Hyman K*A*P*L*A*N Mapa semináře (aneb co Vám chci říci ) Obsah

Více

Vytvoení programu celoživotního interdisciplinárního uení v ochran dtí

Vytvoení programu celoživotního interdisciplinárního uení v ochran dtí Vytvoení programu celoživotního interdisciplinárního uení v ochran dtí Projekt je spolufinancován Evropským sociálním fondem, státním rozpotem R a rozpotem hlavního msta Prahy Dti z uprchlických rodin

Více

VYUŽITÍ PROGRAMU DATA MINING V ANALÝZE NÁKUPNÍHO CHOVÁNÍ

VYUŽITÍ PROGRAMU DATA MINING V ANALÝZE NÁKUPNÍHO CHOVÁNÍ VYUŽITÍ PROGRAMU DATA MINING V ANALÝZE NÁKUPNÍHO CHOVÁNÍ Petra Hloušková Stanislava Grosová Definice funkčních potravin: Funkční potraviny jsou potraviny, které se podobají běžným konvenčním potravinám

Více

Využití strojového učení k identifikaci protein-ligand aktivních míst

Využití strojového učení k identifikaci protein-ligand aktivních míst Využití strojového učení k identifikaci protein-ligand aktivních míst David Hoksza, Radoslav Krivák SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita

Více

Jiří Mašek BIVŠ V Pra r ha 20 2 08

Jiří Mašek BIVŠ V Pra r ha 20 2 08 Jiří Mašek BIVŠ Praha 2008 Procesvývoje IS Unifiedprocess(UP) Iterace vývoje Rysy CASE nástrojů Podpora metodických přístupů modelování Integrační mechanismy propojení modelů Podpora etap vývoje Generování

Více

Pídavný modul rozvaha lze vyvolat z hlavní nabídky po stisku tlaítka Výkazy / pídavné moduly.

Pídavný modul rozvaha lze vyvolat z hlavní nabídky po stisku tlaítka Výkazy / pídavné moduly. Výkaz rozvaha Pídavný modul rozvaha lze vyvolat z hlavní nabídky po stisku tlaítka Výkazy / pídavné moduly. Po spuštní modulu se zobrazí základní okno výkazu: V tabulce se zobrazují sloupce výkazu. Ve

Více

SEGMENTACE ZÁKAZNÍKŮ PRO E-COMMERCE. Jan Matoušek

SEGMENTACE ZÁKAZNÍKŮ PRO E-COMMERCE. Jan Matoušek SEGMENTACE ZÁKAZNÍKŮ PRO E-COMMERCE Jan Matoušek Zaměření prezentace Téma: Proč některé segmentace fungují a jiné ne Žadné ohromující manažerské schéma Praxe a zkušenosti z 9-ti let tvorby segmentací Telco

Více

Přizpůsobení Layoutu aplikace. Základní moduly a funkčnost aplikace

Přizpůsobení Layoutu aplikace. Základní moduly a funkčnost aplikace Přizpůsobení Layoutu aplikace Grafickému návrhu na přání klienta Redesign šablon : barevnost, hlavička, logo, grafické prvky stránky M A C S Základní moduly a funkčnost aplikace Vyhledávání podrobné s

Více

v praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání

v praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání Podpora rozhodování v praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání HanušRais Business DevelopmentManager SAS Institute ČR s.r.o. Agenda Úvod - Profil SAS Institute Pojem Business

Více

Vyhodnocování úspšnosti

Vyhodnocování úspšnosti Poítaové zpracování pirozeného jazyka Vyhodnocování úspšnosti Daniel Zeman http://ckl.mff.cuni.cz/~zeman/ Úspšnost zpracování PJ Jak ovit, že program funguje správn? 2 ásti: programátorská (nepadá to)

Více

Modelování a návrh datových skladů

Modelování a návrh datových skladů Modelování a návrh datových skladů Doc. Ing. B. Miniberger, CSc. BIVŠ Obsah 1. Přednáška I. Základy modelování datových skladů (DW) 2. Přednáška II. ETL procesy III. Data Mining IV. Kvalita dat a BI Literatura

Více

Smlouva mandátní. uzav ená ve smyslu 566 a násl. obchodního zákoníku mezi t mito smluvními stranami: M sto Kop ivnice

Smlouva mandátní. uzav ená ve smyslu 566 a násl. obchodního zákoníku mezi t mito smluvními stranami: M sto Kop ivnice Smlouva mandátní uzavená ve smyslu 566 a násl. obchodního zákoníku mezi tmito smluvními stranami: Mandantem: Msto Kopivnice povený zástupce: Ing. Ivan Viskupi, vedoucí ORM Se sídlem: Štefánikova 1163,

Více

Postup pi importu. Zdroje: ElkoValenta, HP tronic. A. export vytvoených kategorií

Postup pi importu. Zdroje: ElkoValenta, HP tronic. A. export vytvoených kategorií Postup pi importu Zoner InShop Multiimport je aplikace, která Vám umožní snadno a rychle pevzít katalogy, ceníky a zboží od vašeho dodavatele. Minimalizuje tak práci, kterou musíte vynaložit pi runím vkládání

Více

Efektivní informační služby NTK pro veřejnost a státní správu. 25. dubna 2012

Efektivní informační služby NTK pro veřejnost a státní správu. 25. dubna 2012 Efektivní informační služby NTK pro veřejnost a státní správu 25. dubna 2012 1 Agenda prezentace 1. Cíle projektu; 2. Realizované činnosti v projektu; 3. Příklady výstupů z projektu; 4. Harmonogram projektu;

Více

Statistika. Semestrální projekt

Statistika. Semestrální projekt Statistika Semestrální projekt 18.5.2013 Tomáš Jędrzejek, JED0008 Obsah Úvod 3 Analyzovaná data 4 Analýza dat 6 Statistická indukce 12 Závěr 15 1. Úvod Cílem této semestrální práce je aplikovat získané

Více

Aditivní barevný model RGB pidává na erné stínítko svtla 3 barev a tak skládá veškeré barvy. Pi použití všech svtel souasn tak vytvoí bílou.

Aditivní barevný model RGB pidává na erné stínítko svtla 3 barev a tak skládá veškeré barvy. Pi použití všech svtel souasn tak vytvoí bílou. Model CMYK V praxi se nejastji používají 4 barvy inkoust a sice CMYK (Cyan Azurová, Magenta Purpurová, Yellow - Žlutá a Black - erná). ist teoreticky by staily inkousty ti (Cyan, Magenta a Yellow) ale

Více

Analýza a návrh datového skladu pro telekomunikační společnost. Bc. Josef Jurák

Analýza a návrh datového skladu pro telekomunikační společnost. Bc. Josef Jurák Analýza a návrh datového skladu pro telekomunikační společnost Bc. Josef Jurák Diplomová práce 2006 ABSTRAKT Business Intelligence a Data warehouse jsou základní prostředky pro podporu rozhodování, které

Více

Dotazovací jazyky I. Datová krychle. Soběslav Benda

Dotazovací jazyky I. Datová krychle. Soběslav Benda Dotazovací jazyky I Datová krychle Soběslav Benda Obsah Úvod do problematiky Varianty přístupu uživatelů ke zdrojům dat OLTP vs. OLAP Datová analýza Motivace Vytvoření křížové tabulky Datová krychle Teorie

Více

ENTERPRISE INFORMATION PORTALS

ENTERPRISE INFORMATION PORTALS ENTERPRISE INFORMATION PORTALS Jan Kotek Sybase ČR s.r.o., Tychonova 2, 160 00 Praha 6, ČR Abstrakt Příspěvek pojednává o novém směru vývoje informačních systémů zaměřených na elektronickou komerci tzv.

Více

Základní pojmy klasického sudoku hlavolamu. Techniky odkrývání bunk. Technika Naked Single. Technika Hidden Single

Základní pojmy klasického sudoku hlavolamu. Techniky odkrývání bunk. Technika Naked Single. Technika Hidden Single Základní pojmy klasického sudoku hlavolamu Sudoku hlavolam (puzzle) obsahuje celkem 81 bunk (cells), devt vodorovných ádk (rows), devt svislých sloupc (columns) a devt skupin po 3 3 bukách nazývaných bloky

Více

EXPORT DAT TABULEK V MÍŽKÁCH HROMADNÉHO PROHLÍŽENÍ

EXPORT DAT TABULEK V MÍŽKÁCH HROMADNÉHO PROHLÍŽENÍ EXPORT DAT TABULEK V MÍŽKÁCH HROMADNÉHO PROHLÍŽENÍ V PRODUKTECH YAMACO SOFTWARE PÍRUKA A NÁVODY PRO ÚELY: - EXPORTU DAT DO EXTERNÍCH FORMÁT YAMACO SOFTWARE 2005 1. ÚVODEM Všechny produkty spolenosti YAMACO

Více

Srovnání SQL serverů. Škálovatelnost a výkon. Express Workgroup Standard Enterprise Poznámky. Počet CPU 1 2 4 bez limitu Obsahuje podporu

Srovnání SQL serverů. Škálovatelnost a výkon. Express Workgroup Standard Enterprise Poznámky. Počet CPU 1 2 4 bez limitu Obsahuje podporu Srovnání SQL serverů Škálovatelnost a výkon Počet CPU 1 2 4 bez limitu Obsahuje podporu RAM 1 GB 3 GB bez limitu bez limitu vícejádrových (multicore) procesorů 64-bit podpora Windows on Windows (WOW) WOW

Více

Trendy v (mobilní) Business Inteligence v ČR dotazníkové šetření

Trendy v (mobilní) Business Inteligence v ČR dotazníkové šetření Trendy v (mobilní) Business Inteligence v ČR dotazníkové šetření Vytvořil: Distribuce dokumentu: Česká asociace pro finanční řízení Controller Institut elektronicky na finanční a controllingové specialisty

Více

Pro klasifikaci daní se používají mnohá kritéria s více i mén praktickým využitím. Základními kritérii jsou:

Pro klasifikaci daní se používají mnohá kritéria s více i mén praktickým využitím. Základními kritérii jsou: 2 Pro klasifikaci daní se používají mnohá kritéria s více i mén praktickým využitím. Základními kritérii jsou: dopad dan, vztah plátce a poplatníka, subjekt dan, objekt dan, šíe zachycení objektu dan,

Více

VYUŽITÍ MODULU EXCELENT PRO MANAŽERSKÉ ANALÝZY V APLIKACÍCH VEMA

VYUŽITÍ MODULU EXCELENT PRO MANAŽERSKÉ ANALÝZY V APLIKACÍCH VEMA VYUŽITÍ MODULU EXCELENT PRO MANAŽERSKÉ ANALÝZY V APLIKACÍCH VEMA Ing. Bc. Jaroslav Šmarda Vema, a. s. smarda@vema.cz Abstrakt Ze zkušenosti víme, že nasazení speciálního manažerského informaního systému

Více

Marketingový informační systém

Marketingový informační systém Marketingový informační systém Vazba mezi MIS a marketingovým výzkumem. Algoritmus MV. Ing. Lucie Vokáčov ová, vokacova@pef.czu.cz Marketingový informační systém MIS zahrnuje pracovníky, zařízení a informační

Více

asté otázky a odpov di k zákonu. 406/2000 Sb.

asté otázky a odpov di k zákonu. 406/2000 Sb. MPO Energetická úinnost asté otázky a odpovdi k zákonu. 406/2000 Sb. Stránka. 1 z 6 Ministerstvo prmyslu a obchodu asté otázky a odpovdi k zákonu. 406/2000 Sb. Publikováno: 23.2.2009 Autor: odbor 05200

Více

Žákovský (roníkový projekt)

Žákovský (roníkový projekt) Žákovský (roníkový projekt) Ko(08) Roník: 3 Zaazení: ODBORNÝ VÝCVIK (PROFILOVÝ ODBORNÝ PEDMT) Vzdlávací program: Mechanik opravá 23-66-H/001 Elektriká 26-51-H/001 Truhlá 33-56-H/001 Operátor skladování

Více

STATISTICA 10. Nové funkce a vylepšení. Obsah

STATISTICA 10. Nové funkce a vylepšení. Obsah STATISTICA 10 Nové funkce a vylepšení Obsah STATISTICA 10...1 VÝKONNOST...1 KONEKTIVITA A INTEGRACE...1 SHAREPOINT...1 OFFICE 2010...1 OLAP...2 STATISTICA PI CONNECTOR...3 VIZUALIZACE DAT...3 PŘEHLED...3

Více