Hledání prostorových asociačních pravidel v prostorových databázích. Discovery of Spatial Association Rules in Geographic Information Databases
|
|
- Hynek Čech
- před 5 lety
- Počet zobrazení:
Transkript
1 Hledání prostorových asociačních pravidel v prostorových databázích Lukáš Janák Zdroj: Discovery of Spatial Association Rules in Geographic Information Databases Krzysztof Koperski, Jiawei Han Simon Fraser University Burnaby. B.C., Canada V5A S6 {koperski,han}@cs.sfu.ca
2 Obsah prezentace Základní pojmy GIS Data mining Asociační pravidla Víceúrovňová asociační pravidla Prostorová asociační pravidla Příklad (+ aproximační algoritmy) Asociace v praxi GRASS a asociace Závěr
3 Základní pojmy I GIS soubor nástrojů pro sběr, ukládání, vyhledávání, transformaci a zobrazování prostorových dat z reálného světa pro jednotlivé účely Prostorová data data, která se vztahují k určitým místům v prostoru, a pro která jsou na potřebné úrovni rozlišení známé lokalizace těchto míst Geografická data druh prostorových dat. Známá geografická poloha místa na Zemi, ke kterému se data vztahují Prostorová databáze (v širším smyslu) Databáze s prostorovými daty
4 Základní pojmy II Geoprvek základní prostorová entita popisovaná prostorovými daty Např. řeka, důl, studna Odkazujeme se jedinečným identifikátorem adresa, kód. Popis geoprvku 5 složek: Geometrická - poloha + geometrické vlastnosti Popisná negeometrické vlastnosti (atributy) Časová Vztahová... Funkční... Jak to implementovat?
5 Základní pojmy III Vektorový datový model (zjednodušeně) Pro geoprvky je odděleně vedena geometrická (prostorová databáze) a popisná složka (relační databáze) Spojeno přes jedinečný identifikátor Geoprvky znázorněny pomocí geometrických prvků: bod, linie, plocha Příklad: Bod (id_bod, x, y) Plocha (id_plocha, id_linie:multi) Linie (id_linie, id_plocha_p, id_ plocha_l, id_bod:multi) Parcela (id_parcela, id_majitel, rozloha, id_plocha) Rybník (id_rybník, id_majitel, rozloha, id_plocha)
6 Data Minig I Data Minig Integrovaný obor matematiky, ekonomie a informatiky Česky : dolování znalostí z dat Obor vznikl jako reakce na myšlenku využít dlouhodobě ukládaná data (do archivů ) nejen ke svému původnímu účelu, ale i k získání dalších poznatků Využití: Podpora strategické rozhodování ve firmě Nové poznatky socilogie, politologie, biologie Definice: Dolováním znalostí nazýváme proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné informace z dat
7 Data Minig II Metody dolování: statistických charakteristiky, korelační a regresní analýza, multidimenzionální statistické metody, diskriminační a faktorovou analýzu, hledání asociací, shlukovou analýzu, konstrukce rozhodovacích stromů, a mnoho dalších (fantazii se meze nekladou) SQL pouze jako pomocný prostředek
8 Asociace I Asociace Hledání vztahů mezi některými podmnožinami atributů Pro atributy A a B mohl být vztah například typu: jestliže A=, pak B=5 (implikace) A= právě tehdy, když B=5 (asociace) hodnoty A korelují s B (korelace) Pojmy: Výraz typu A = y nazveme formule (predikát), označíme F Např.: F = věk (30-40), F = plat ( ) Složená formule: F, F F, F F,. Sentence (pravidlo): Př.: F F antecedent sukcedent věk (30-40) plat ( )
9 Asociace II Pojmy: s... spolehlivost určuje sílu implikace p... podpora určuje významnost implikace Příklad kompletního pravidla věk (30-40) plat ( ) s(66,7%) p(33,3%) kouření infarkt rakovina_plic s(80,0%) p(5,0%) Spolehlivost pravidla F F je pravděpodobnost toho, že jeden objekt vyhovuje predikátům z antecedentu a zároveň sukcedentu. Podpora pravidla F F, je podíl počtu objektů, které vyhovují formuli antecedentu i sukcedentu ku celkovému počtu objektů. V praxi máme zdanou dolní mez pro s i pro p a hledáme pouze silná pravidla
10 Asociace III Hledání asociací Triviální algoritmus Postupné generování všechny možné kombinace predikátů na levé i pravé straně pravidla a testovat v datech, je-li výsledkem silné asociační pravidlo. Exponenciální časová složitostí. Apriori algoritmus Nejprve jsou vyhledány kombinace antecedentu, které dosahují minimální stanovené hodnoty podpory a z nich jsou generovány silné asociace (takové, které navíc dosahují i minimální spolehlivosti).
11 Asociace - Příklad Vstup Úprava DB (kategorizace) Věk Plat Typ Datum Věk: A C 30 A 60 CDI A C E 40 CDI A 60 CDI Plat(tis.): E 40 CDI SL 600 A C A 60 CDI A 50 C Typ: A50, A 60 C30, E E 40 CDI A 60 CDI E 40 CDI SL600 3 Datum: kvartály SL
12 Asociace - Příklad Upravený vstup Datum Typ Plat Věk Ptáme se: Jaký je vztah mezi věkem a platem? Jaký je vztah mezi platem a typem? Jaký je vztah mezi věkem a typem? Jaký je vztah mezi datem a typem? Vztah věk a plat: Věk / plat
13 Asociace - Příklad Vztah věk a plat (pokr.): Věk /plat věk (30-40) plat ( ) s(67%) p(33%) Další: plat ( ) typ (A 50, A 60) s(80%) p(44%) plat ( ) typ (C 30, E 40) s(00%) p(8%) plat nad typ (SL 600) s(67%) p(%) datum ( ) typ (C 30, E 40) s(60%) p(7%) věk (30-40) typ (A50, A60) s(44%) p(%) věk (30-40) a plat ( ) typ (A 50, A 60) s(67%) p (%) 0 0
14 Asociace IV Víceúrovňová asociační pravidla Pracuje se na různých konceptuálních úrovních Různý způsob kategorizace: Typ: A50, A60 C30, E40 SL600 3 Důsledek jiná pravidla: Typ: A50, A 60 C30, E40, SL600 plat nad typ (C 30, E 40) s(33%) p(%) plat nad typ (SL 600) s(67%) p(%) plat nad typ (C 30, E 40, SL 600) s(00%) p(%)
15 Asociace IV Víceúrovňová asociační pravidla (pokr.) Kategorie lze uspořádat hiearchycky Typ A50, A 60 Levnější C30, E40, SL600 Dražší A50, A 60 Levný C30, E40 Středně d. 3 SL600 Drahý (Typ (Levnější (A50,A60), (Dražší (Středně d. (C30,E40),Drahý(SL600)))))
16 Prostorová asociační pravidla Co chceme najít? Pravidla typu: Neboli: 9% měst v Britské Kolumbii na břehu vodní plochy je blízko USA Odkud? Prostorová databáze Jak? Postup založený na využití poznatků z postupů dolování různých typů asociačních pravidel (víceúrovňová pravidla ) u jiných typů dat a prostorové analýze
17 Prostorová asociační pravidla Definice: Prostorové asociační pravidlo je asociační pravidlo, které obsahuje alespoň jeden prostorový predikát Prostorový predikát protíná, je_uvnitř, je_vně, sousedí, pokrývá, je_pokryt severně-, jižně-, západně-, východně položeno je_blízko, je_daleko Příklad je (X, dům) a je_blízko (X, pláž) je_drahý (X) 3 typy predikátů!!!
18 Příklad zadání úkolu Zdroj dat Geografická databáze s údaji o Britské Kolumbii (CAN) se strukturou: město (název, typ, počet_obyvatel, geo, ) komunikace (název, typ, geo, ) voda (název, typ, geo, ) důl (název, typ, geo, ) hranice (název, typ, administrativní_oblast_, administrativní_oblast_, geo, ). GeoMiner
19 Příklad konceptuální hierarchie Nutné pro získávání více-úrovňových asociačních pravidel Konceptuální hierarchie pro voda (3 úrovně): (voda (moře (průliv(georgia_strait, ), záliv ( ), ), řeka (velká_řeka (Fraser_River, ), ), jezero (velké_jezero(okanagan_lake, ), ), ), ) Podobně lze organizovat i prostorové predikáty (topologické vztahy). Např. predikát je_poblíž pokrývá množinu predikátů protíná, sousedí, obsahuje a je_blízko. A také popisné predikáty
20 Příklad zadání úkolu Cíle analýzy Předpokládejme, že uživatel má zájem nalézt na mapě Britské Kolumbie silné prostorové vztahy mezi velkými městy a blízkými objekty doly, hranicemi států, vodními plochami a významnými komunikacemi. Dotaz pro GeoMiner discover spatial association rules inside British Columbia from komunikace K, voda V, důl D, hranice H in relevance to město M where je_poblíž (M.geo, X.geo) and X in {K,V,D,H} and M.typ= velkoměsto and K.typ in {dálnice} and V.typ in {moře, oceán, velké jezero, velká řeka} and H.administrativní_oblast_ in B.C. and H.administrativní_oblast_ in U.S.A.
21 Příklad zpracování dotazu. Vyhledání objektů relevantních k dotazu. velkoměsta (v B.C. splňuje 40 měst). dálnice 3. moře, oceány, velká jezera a velké řeky 4. doly 5. hranice B.C. a USA komunikace (název, typ, geo, ). Nalezení objektů z množin 5, které jsou vůči nalezeným velkoměstům v množině ve vztahu je_poblíž.
22 Příklad zpracování dotazu. Nalezení objektů (pokr.) Nutno implementovat efektivně vzhledem k počtu objektů ale zároveň stačí aproximace Možná řešení: MBR, plane sweeping, R*-stromy. MBR (MOO) Aproximace geoprvku obdélníku. Plane sweeping (metoda pohyblivé přímky) Preparata & Shamos, 985 obecná metoda používaná při řešení rovinných problémů posunování vertikální přímky, kterou horizontálně po rovině přímka postupně zasahuje jeden po druhém objekty v rovině když dojde k takovéto události, je vyřešen dílčí problém na přímce použití: Vyhledávání průsečíků přímek (O(n log n + k)) Vyhledání průsečíku hran polygonů -> průnik polygonů Vyhledávaní průniků obdélníků (MBR,MOO)
23 Příklad zpracování dotazu. Plane sweeping - příklad
24 Příklad zpracování dotazu 3. R*- stromy DS pro zachycení prostorových vztahů Varianta R-stromů Vnitřní uzly obsahují záznamy tvaru (I, ukazatel), ukazatel ukazuje na podstrom v R-stromu I pokrývá všechny MBR, které se vyskytují v podstromě List obsahuje ukazatel na prostorový objekt Problém: MBR se mohou překrývat -> složité vyhledávání Řešení: optimalizace při konstrukci R-stromu R-stromy: minimalizovat objem odpovídající oblasti I R*-stromy: optimalizace velikosti ohraničujícího prostoru velikosti okraje I velikosti překrytí těchto prostorů
25 Příklad zpracování dotazu 3. R*- stromy příklad Aplikace R*-stromů na zjišťování průniků p. objektů Aproximace objektu lichoběžníky -> vybudování R*-stromu pro objekt
26 Příklad zpracování dotazu 3. R*- stromy vyhledávaní průniků Hledám lichoběžníky v průniku Pokud nemají průnik MMO, tak nemohou mít ani žádné jimi pokryté lichoběžníky Nutno projít R*-stromy v čase O(n + n)
27 Příklad zpracování dotazu Velkoměsto Voda Komunikace Hranice Důl Victoria Saanich Juan_de_Fuca_Strait Juan_de_Fuca_Strait highway_, highway_7 highway_, highway_7 US US Prince_George highway_97 Pentincton Okanagan_Lake highway_97 US Alalla je (X, velkoměsto) je_poblíž (X, voda) (80%) (nejvyšší konceptuální úroveň dat a predikátů)
28
29
30 Příklad zpracování dotazu 3. Upřesňující výpočet pro predikáty. Každý predikát je_poblíž je nahrazen konkrétním predikátem (protíná, sousedí, obsahuje a je_blízko) Juan_de_Fuca_Strait <sousedí, J.Fuca_Strait> Velkoměsto Voda Komunikace Hranice Victoria <sousedí, J.Fuca_Strait> <protíná, highway_> <protíná, highway_7> <je_blízko, US> Saanich <sousedí, J.Fuca_Strait> <protíná, highway_> <protíná, highway_7> <je_blízko, US> Prince_George <protíná, highway_97> Pentincton <sousedí,okanagan_lake> <protíná, highway_97> <je_blízko, US>
31 Příklad zpracování dotazu Z předchozí tabulky získáme: k 3 Frekventované množiny k-predikátů <sousedí, voda> <protíná, dálnice> <je_blízko, dálnice> <je_blízko, us_hranice> <sousedí, voda>, <protíná, dálnice> <sousedí, voda>, <je_blízko, us_hranice> <je_blízko, us_hranice>, <protíná, dálnice> <sousedí, voda>, <je_blízko, us_hranice>, <protíná, dálnice> Počet je (X, velkoměsto) je_blízko (X, dálnice) (73%) je (X, velkoměsto) protíná (X, dálnice) sousedí (X,voda) (86%) (nejvyšší konceptuální úroveň dat a zpřesnění predikátů)
32
33 Příklad zpracování dotazu 4. Upřesňující výpočet pro data dle konceptuální hierarchie. a) Druhá úroveň k 3 Frekventované množiny k-predikátů <sousedí, moře> <sousedí, řeka> <je_blízko, us_hranice> <protíná, provincial_highway> < je_blízko, provincial_highway> <sousedí, moře>, <je_blízko, us_hranice> <je_blízko, us_hranice>, <protíná, provincial_highway> <sousedí, moře>, < je_blízko, provincial_highway> <je_blízko, us_hranice>, < je_blízko, provincial_highway> <sousedí, voda>, <je_blízko, us_hranice>, <protíná, dálnice> Počet
34 Příklad zpracování dotazu b) Třetí úroveň k Frekventované množiny k-predikátů <sousedí, georgia_strait> <sousedí, fraser_river> <je_blízko, us_hranice> <sousedí, georgia_strait>, <je_blízko, us_hranice> Počet je (X, velkoměsto) sousedí (X, moře) (53%) (. konceptuální úroveň dat a zpřesnění predikátů) je (X, velk.) sousedí (X, georgia_st) je_blízko (X, us) (78%) (3. konceptuální úroveň dat a zpřesnění predikátů)
35
36 Algoritmus Vstup. Prostorová databáze s popisnou složkou a množina konceptuálních hierarchií. Dotaz nad bází dat 3. Dva numerické parametry pro každou konceptuální úroveň: minimální podpora minimální spolehlivost Výstup Silná víceúrovňová prostorová asociační pravidla pro množinu relevantních objektů a vztahů. Popis algoritmu Raději ne
37 Asociace v praxi Projekt GeoMiner pravděpodobně zastaven, nebo alespoň přerušen??? (záhada č.) Projekt SPIN! zaměřený na nové možnosti pro analýzu prostorových dat implementaci platformy pro data mining prostorových dat subsystém SPADA Existuje software (komerční i free), které s funkcemi, které lze zařadit do metod DM: shlukování statistické analýzy (modelování, korelace, regrese) v podstatě jde o aplikaci DM metod nad popisnou složkou GIS + rozšíření o možnosti vizualizace výsledků
38 GRASS a asociace GRASS lze rozšířit o rozhraní pro statistickou analýzu dat a grafickou prezentaci výsledku R Systém R poskytuje širokou škálu statistických technik a algoritmů strojového učení, např. klasifikace, shlukováni, lineární a nelineární modelováni, asociační pravidla apod. Tomáš Buk, Petr Kuba, Luboš Popelinský : GRR (záhada č.) je systém pro dolování v geografickém informačním systému GRASS grafické uživatelské rozhraní rozhraní pro komunikaci se systémem R rozhraní pro komunikaci s vlastním geografickým informačním systémem. nsky.htm
39 Závěr Možnosti využití Geografie Biologie Energetika Ochrana životního prostředí jiné oblasti (záleží na fantazii )
40 Bonus
41 Děkuji za pozornost
GRR. získávání znalostí v geografických datech Autoři. Knowledge Discovery Group Faculty of Informatics Masaryk Univerzity Brno, Czech Republic
GRR získávání znalostí v geografických datech Autoři Knowledge Discovery Group Faculty of Informatics Masaryk Univerzity Brno, Czech Republic GRR cílet 2 GRR - Popis systému - cíle systém pro dolování
VíceDolování asociačních pravidel
Dolování asociačních pravidel Miloš Trávníček UIFS FIT VUT v Brně Obsah přednášky 1. Proces získávání znalostí 2. Asociační pravidla 3. Dolování asociačních pravidel 4. Algoritmy pro dolování asociačních
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceÚvod do GIS. SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 3.ročník
Úvod do GIS SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 3.ročník Základní pojmy REALITA Téměř vše, co se děje, probíhá na určitém místě - na zemském povrchu a v blízkém prostoru nad i pod ním
VíceIng. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
VíceGeografické informační systémy
Geografické informační systémy ArcGIS Břuska Filip 2.4.2009 Osnova 1. Úvod 2. Architektura 3. ArcGIS Desktop 4. ArcMap 5. ShapeFile 6. Coverage 7. Rozšíření ArcGIS ArcGIS - Úvod ArcGIS je integrovaný,
VíceZÍSKÁVÁNÍ 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
VíceZÍSKÁVÁNÍ 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
VíceKMA/PDB. Karel Janečka. Tvorba materiálů byla podpořena z prostředků projektu FRVŠ č. F0584/2011/F1d
KMA/PDB Prostorové databáze Karel Janečka Tvorba materiálů byla podpořena z prostředků projektu FRVŠ č. F0584/2011/F1d Sylabus předmětu KMA/PDB Úvodní přednáška Základní terminologie Motivace rozdíl klasické
Více7. Geografické informační systémy.
7. Geografické informační systémy. 154GEY2 Geodézie 2 7.1 Definice 7.2 Komponenty GIS 7.3 Možnosti GIS 7.4 Datové modely GIS 7.5 Přístup k prostorovým datům 7.6 Topologie 7.7 Vektorové datové modely 7.8
VíceStromové struktury v relační databázi
Stromové struktury v relační databázi Stromové struktury a relační databáze Zboží Procesory Intel Pentium IV Celeron Paměti AMD Duron DDR DIMM Athlon http://interval.cz/clanky/metody-ukladani-stromovych-dat-v-relacnich-databazich/
VícePostGIS. Luboš Hejduk, Petr Sedlář 2007
PostGIS Luboš Hejduk, Petr Sedlář 2007 Obsah Co je PostGIS Využití prostorových dat Způsob instalace PostgreSQL/PostGIS Správa databáze postgresql/postgis Práce s daty v PostgreSQL/PostGIS Import dat do
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu geoprvků. Geometrická
VíceZískávání znalostí z databází. Alois Kužela
Získávání znalostí z databází Alois Kužela Obsah související pojmy datové sklady, získávání znalostí asocianí pravidla 2/37 Úvod získávání znalostí z dat, dolování (z) dat, data mining proces netriviálního
VíceAlgoritmizace prostorových úloh
Algoritmizace prostorových úloh Vektorová data Daniela Szturcová Prostorová data Geoobjekt entita definovaná v prostoru. Znalost jeho identifikace, lokalizace umístění v prostoru, vlastností vlastních
VíceDOBÝVÁNÍ ZNALOSTÍ Z DATABÁZÍ
DOBÝVÁNÍ ZNALOSTÍ Z DATABÁZÍ Úvod a oblasti aplikací Martin Plchút plchut@e-globals.net DEFINICE A POJMY Netriviální extrakce implicitních, ch, dříve d neznámých a potenciáln lně užitečných informací z
VíceÚLOHY S POLYGONEM. Polygon řetězec úseček, poslední bod je totožný s prvním. 6 bodů: X1, Y1 až X6,Y6 Y1=X6, Y1=Y6 STANOVENÍ PLOCHY JEDNOHO POLYGONU
ÚLOHY S POLYGONEM Polygon řetězec úseček, poslední bod je totožný s prvním 6 bodů: X1, Y1 až X6,Y6 Y1=X6, Y1=Y6 STANOVENÍ PLOCHY JEDNOHO POLYGONU 3 úsečky (segmenty) v horní části 2 úsečky ve spodní části
VíceZískávání dat z databází 1 DMINA 2010
Získávání dat z databází 1 DMINA 2010 Získávání dat z databází Motto Kde je moudrost? Ztracena ve znalostech. Kde jsou znalosti? Ztraceny v informacích. Kde jsou informace? Ztraceny v datech. Kde jsou
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceGeoinformační technologie
Geoinformační technologie Geografické informační systémy (GIS) Výukový materiál l pro gymnázia a ostatní středn ední školy Gymnázium, Praha 6, Nad Alejí 1952 Vytvořeno v rámci projektu SIPVZ 1357P2006
VíceAsociační pravidla (metoda GUHA)
Vysoká škola báňská Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra informatiky Asociační pravidla (metoda GUHA) Ing. Michal Burda () Získávání znalostí z dat Brno, 27. ledna
Více3. přednáška z předmětu GIS1 atributové a prostorové dotazy
3. přednáška z předmětu GIS1 atributové a prostorové dotazy Vyučující: Ing. Jan Pacina, Ph.D. e-mail: jan.pacina@ujep.cz Pro přednášku byly použity texty a obrázky z www.gis.zcu.cz Předmět KMA/UGI, autor
VíceRastrová reprezentace
Rastrová reprezentace Zaměřuje se na lokalitu jako na celek Používá se pro reprezentaci jevů, které plošně pokrývají celou oblast, případně se i spojitě mění. Používá se i pro rasterizované vektorové vrstvy,
VíceInformační systémy pro podporu rozhodování
Informační systémy pro rozhodování Informační systémy pro podporu rozhodování 5 Jan Žižka, Naděžda Chalupová Ústav informatiky PEF Mendelova universita v Brně Asociační pravidla Asociační pravidla (sdružovací
VíceLekce 10 Analýzy prostorových dat
Lekce 10 Analýzy prostorových dat 1. Cíle lekce... 1 2. Základní funkce analýza prostorových dat... 1 3. Organizace geografických dat pro analýzy... 2 4. Údržba a analýza prostorových dat... 2 5. Údržba
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
VíceINVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.0141 Báze vektorových prostorů, transformace souřadnic Michal Botur Přednáška
VíceDolování v objektových datech. Ivana Rudolfová
Dolování v objektových datech Ivana Rudolfová Relační databáze - nevýhody První normální forma neumožňuje vyjádřit vztahy A je podtypem B nebo vytvořit struktury typu pole nebo množiny SQL omezení omezený
VíceGeografické informační systémy GIS
Geografické informační systémy GIS Prohloubení nabídky dalšího vzdělávání v oblasti zeměměřictví a katastru nemovitostí ve Středočeském kraji CZ.1.07/3.2.11/03.0115 Projekt je finančně podpořen Evropským
Více2. přednáška z předmětu GIS1 Data a datové modely
2. přednáška z předmětu GIS1 Data a datové modely Vyučující: Ing. Jan Pacina, Ph.D. e-mail: jan.pacina@ujep.cz Pro přednášku byly použity texty a obrázky z www.gis.zcu.cz Předmět KMA/UGI, autor Ing. K.
VíceRastrová reprezentace geoprvků model polí Porovnání rastrové a vektorové reprezentace geoprvků Digitální model terénu GIS 1 153GS01 / 153GIS1
GIS 1 153GS01 / 153GIS1 Martin Landa Katedra geomatiky ČVUT v Praze, Fakulta stavební 14.11.2013 Copyright c 2013 Martin Landa Permission is granted to copy, distribute and/or modify this document under
VíceObsah. Kapitola 1. Kapitola 2. Kapitola 3. Úvod 9
Obsah Úvod 9 Kapitola 1 Business Intelligence, datové sklady 11 Přechod od transakčních databází k analytickým..................... 13 Kvalita údajů pro analýzy................................................
VíceOSOBNÍ ANGAŽOVANOST SOCIÁLNÍHO PRACOVNÍKA
OSOBNÍ ANGAŽOVANOST SOCIÁLNÍHO PRACOVNÍKA Tomáš Kocyan OBSAH PREZENTACE Představení výzkumu Popis analyzovaných dat Analýza Asociace Fundovaná implikace Interpretace výsledků Rozhodovací stromy Výběr atributů
VíceKIG/1GIS2. Geografické informační systémy. rozsah: 2 hod přednáška, 2 hod cvičení způsob ukončení: zápočet + zkouška
Geografické informační systémy KIG/1GIS2 rozsah: 2 hod přednáška, 2 hod cvičení způsob ukončení: zápočet + zkouška vyučující: e-mail: Ing. Jitka Elznicová, Ph.D. jitka.elznicova@ujep.cz Konzultační hodiny:
VíceMETODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1
METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ
VíceMáte již dobře vyzbrojeného firemního SYNTETIKA?
Máte již dobře vyzbrojeného firemního SYNTETIKA? Konference IDG Data jako motor vašeho byznysu Praha 6.12.2017 Tomáš Vejlupek TOVEK spol. s r.o. CO VÁM CHCI ŘÍCI Data se mohou stát palivem byznysu jen
VíceÚvod do GIS. Prostorová data I. část. Pouze podkladová prezentace k přednáškám, nejedná se o studijní materiál pro samostatné studium.
Úvod do GIS Prostorová data I. část Pouze podkladová prezentace k přednáškám, nejedná se o studijní materiál pro samostatné studium. Karel Jedlička Prostorová data Analogová prostorová data Digitální prostorová
VíceGEOGRAFICKÉ INFORMAČNÍ SYSTÉMY 10
UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ FAKULTA APLIKOVANÉ INFORMATIKY GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY 10 Lubomír Vašek Zlín 2013 Tento studijní materiál vznikl za finanční podpory Evropského sociálního fondu (ESF)
VíceDatové struktury pro prostorové vyhledávání
Datové struktury pro prostorové vyhledávání 1998-2011 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ SpatialData 2011 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca 1
VíceGeografické informační systémy p. 1
Geografické informační systémy Slajdy pro předmět GIS Martin Hrubý hrubym @ fit.vutbr.cz Vysoké učení technické v Brně Fakulta informačních technologií, Božetěchova 2, 61266 Brno akademický rok 2004/05
VícePROSTOROVÉ DOTAZOVACÍ JAZYKY. (Maroš Kasinec, Jakub Kúdela)
PROSTOROVÉ DOTAZOVACÍ JAZYKY (Maroš Kasinec, Jakub Kúdela) ÚVOD dotazovací jazyk hlavní prostředek interakce s databází klíčoví požadavek SŘBD (DBMS) SQL populární, komerční dotazovací jazyk pro relační
VíceÚvod do databázových systémů 6. cvičení
Vysoká škola báňská Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Úvod do databázových systémů 6. cvičení Ing. Petr Lukáš petr.lukas@nativa.cz Ostrava, 2012 Modelování databází [1]
VíceUživatelská 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,
VíceVyužití metod strojového učení v bioinformatice David Hoksza
Využití metod strojového učení v bioinformatice David Hoksza SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze Bioinformatika Biologické inspirace
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
VíceNumerické metody a programování. Lekce 8
Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:
VíceObsah. Co je to Field-Map? Field-Map software Popis technologie Field-Map Zdroje
Michal Zigo, ZIG012 Obsah Co je to Field-Map? Field-Map software Zdroje Co je to Field-Map? Field-Map je technologie, která vzniká spojením jedinečného software s vhodným hardwarem, takže umožňuje terénní
VíceKatedra kybernetiky, FEL, ČVUT v Praze.
Strojové učení a dolování dat přehled Jiří Kléma Katedra kybernetiky, FEL, ČVUT v Praze http://ida.felk.cvut.cz posnova přednášek Přednáška Učitel Obsah 1. J. Kléma Úvod do předmětu, učení s a bez učitele.
VíceModely datové. Další úrovní je logická úroveň Databázové modely Relační, Síťový, Hierarchický. Na fyzické úrovni se jedná o množinu souborů.
Modely datové Existují různé úrovně pohledu na data. Nejvyšší úroveň je úroveň, která zachycuje pouze vztahy a struktury dat samotných. Konceptuální model - E-R model. Další úrovní je logická úroveň Databázové
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
Více1 Obsah přípravné fáze projektu Poohří
1 Obsah přípravné fáze projektu Poohří V rámci projektu Poohří budou pro účely zatápění povrchových hnědouhelných dolů modelovány a predikovány pohyby nadzemních i podzemních vod a jejich předpokládané
VíceZobrazování těles. problematika geometrického modelování. základní typy modelů. datové reprezentace modelů základní metody geometrického modelování
problematika geometrického modelování manifold, Eulerova rovnost základní typy modelů hranový model stěnový model objemový model datové reprezentace modelů základní metody geometrického modelování těleso
VíceKVALITA DAT POUŽITÁ APLIKACE. Správnost výsledku použití GIS ovlivňuje:
KVALITA DAT Správnost výsledku použití GIS ovlivňuje: POUŽITÁ APLIKACE Kvalita dat v databázi Kvalita modelu, tj. teoretického popisu krajinných objektů a jevů Způsob použití funkcí GIS při přepisu modelu
VíceDatová věda (Data Science) akademický navazující magisterský program
Datová věda () akademický navazující magisterský program Reaguje na potřebu, kterou vyvolala rychle rostoucí produkce komplexních, obvykle rozsáhlých dat ve vědě, v průmyslu a obecně v hospodářských činnostech.
VícePočítačová geometrie I
0 I RNDr., Ph.D. Katedra didaktiky matematiky Univerzita Karlova v Praze Matematicko-fyzikální fakulta petra.surynkova@mff.cuni.cz http://surynkova.info Osnova předmětu Pojem výpočetní geometrie, oblasti
VíceÚvod do dobývání. znalostí z databází
POROZUMĚNÍ 4iz260 Úvod do DZD Úvod do dobývání DOMÉNOVÉ OBLASTI znalostí z databází VYUŽITÍ VÝSLEDKŮ POROZUMĚNÍ DATŮM DATA VYHODNO- CENÍ VÝSLEDKŮ MODELOVÁNÍ (ANALYTICKÉ PROCEDURY) PŘÍPRAVA DAT Ukázka slidů
VíceGeografické informační systémy ArcGIS Pavel Juška (jus011) 4. března 2010, Ostrava
Geografické informační systémy ArcGIS Pavel Juška (jus011) 4. března 2010, Ostrava Charakterisitka ArcGIS Geografický informační systém. Integruje mnoho součástí v jednom systému. Integrované sady aplikací
VíceSystémy 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
VíceÚvodem 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
VícePROBLEMATICKÉ ASPEKTY GEOREFERENCOVÁNÍ MAP
Digitální technologie v geoinformatice, kartografii a DPZ PROBLEMATICKÉ ASPEKTY GEOREFERENCOVÁNÍ MAP Katedra geomatiky Fakulta stavební České vysoké učení technické v Praze Jakub Havlíček, 22.10.2013,
VíceDETEKCE ANOMÁLNÍHO CHOVÁNÍ UŽIVATELŮ KATASTRÁLNÍCH MAPOVÝCH SLUŽEB
DETEKCE ANOMÁLNÍHO CHOVÁNÍ UŽIVATELŮ KATASTRÁLNÍCH MAPOVÝCH SLUŽEB VYSOKÁ ŠKOLA BÁŇSKÁ - TECHNICKÁ UNIVERZITA OSTRAVA Hornicko-geologická fakulta Institut geoinformatiky Ostrava 2014 Autorka: Bc. Radka
VíceXML databáze. Přednáška pro kurz PB138 Moderní značkovací jazyky Ing. Petr Adámek
XML databáze Přednáška pro kurz PB138 Moderní značkovací jazyky 22. 4. 2003 Ing. Petr Adámek xadamek2@fi.muni.cz http://www.bilysklep.cz/petr/ XML databáze Proč XML databáze Efektivní ukládání a vyhledávání
VíceZobrazte si svazy a uspořádané množiny! Jan Outrata
LatVis Zobrazte si svazy a uspořádané množiny! Jan Outrata Motivace potřeba visualizovat matematické (algebraické) struktury rychle, přehledně a automaticky počítačovými prostředky ruční kreslení je zdlouhavé
Více9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
Víceautorovu srdci... Petr Hliněný, FI MU Brno 1 FI: MA010: Průnikové grafy
9 Krátké povídání o průnikových grafech Od této lekce teorie grafů se zaměříme lehce na několik vybraných partíı teorie grafů bĺızkých autorovu srdci... Naším prvním výběrem jsou průnikové grafy, což jsou
VíceEXTRAKT z mezinárodní normy
EXTRAKT z mezinárodní normy Extrakt nenahrazuje samotnou technickou normu, je pouze informativním materiálem o normě ICS 03.220.01;35.240.60 Inteligentní dopravní systémy (ITS) Rozšíření specifikací mapové
Více4EK201 Matematické modelování. 2. Lineární programování
4EK201 Matematické modelování 2. Lineární programování 2.1 Podstata operačního výzkumu Operační výzkum (výzkum operací) Operational research, operations research, management science Soubor disciplín zaměřených
VíceStatistické metody v ekonomii. Ing. Michael Rost, Ph.D.
Statistické metody v ekonomii Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Cíle kurzu: seznámit posluchače s vybranými statistickými metodami, které jsou aplikovatelné v ekonomických
VíceDolování z textu. Martin Vítek
Dolování z textu Martin Vítek Proč dolovat z textu Obrovské množství materiálu v nestrukturované textové podobě knihy časopisy vědeckéčlánky sborníky konferencí internetové diskuse Proč dolovat z textu
VíceTvorba nových dat. Vektor. Geodatabáze. Prezentace prostorových dat. Základní geometrické objekty Bod Linie Polygon. Vektorová
Tvorba nových dat Vektor Rastr Geodatabáze Prezentace prostorových dat Vektorová Základní geometrické objekty Bod Linie Polygon Uložení atributů v tabulce Příklad vektorových dat Výhody/nevýhody použití
Více2. Modelovací jazyk UML 2.1 Struktura UML 2.1.1 Diagram tříd 2.1.1.1 Asociace 2.1.2 OCL. 3. Smalltalk 3.1 Jazyk 3.1.1 Pojmenování
1. Teoretické základy modelování na počítačích 1.1 Lambda-kalkul 1.1.1 Formální zápis, beta-redukce, alfa-konverze 1.1.2 Lambda-výraz jako data 1.1.3 Příklad alfa-konverze 1.1.4 Eta-redukce 1.2 Základy
VíceGeoinformatika. IX GIS modelování
Geoinformatika IX GIS modelování jaro 2017 Petr Kubíček kubicek@geogr.muni.cz Laboratory on Geoinformatics and Cartography (LGC) Institute of Geography Masaryk University Czech Republic Geoinformatika
VíceAutomatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011
Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe
VíceGeoinformatika. I Geoinformatika a historie GIS
I a historie GIS jaro 2014 Petr Kubíček kubicek@geogr.muni.cz Laboratory on Geoinformatics and Cartography (LGC) Institute of Geography Masaryk University Czech Republic Motivace Proč chodit na přednášky?
Více<Insert Picture Here> Na co se můžete s Oracle BI těšit
Na co se můžete s Oracle BI těšit Tomáš Pospíšil, Oracle Czech Olomouc, 6.3.2014 Oracle BI Ukázka Oracle BI Možnosti platformy Oracle Business
VíceAsociační pravidla. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p
Asociační pravidla Informační a komunikační technologie ve zdravotnictví Definice pojmů Stavový prostor S je množina uzlů(stavů), kde cílem je najít stav splňující danou podmínku g. Formálně je problém
VíceGlobální matice konstrukce
Globální matice konstrukce Z matic tuhosti a hmotnosti jednotlivých prvků lze sestavit globální matici tuhosti a globální matici hmotnosti konstrukce, které se využijí v řešení základní rovnice MKP: [m]{
VíceProfitabilita klienta v kontextu Performance management
IBM Technical specialist team Pre Sale 26/10/2010 Profitabilita klienta v kontextu Performance management Co všechno řadíme do PM? Automatická data Běžný reporting Pokročilé statistické modely Včera What
VíceDatové struktury 2: Rozptylovací tabulky
Datové struktury 2: Rozptylovací tabulky prof. Ing. Pavel Tvrdík CSc. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze c Pavel Tvrdík, 2010 Efektivní algoritmy
VíceMichal Krátký. Tvorba informačních systémů, 2008/2009. Katedra informatiky VŠB Technická univerzita Ostrava. Tvorba informačních systémů
Tvorba informačních systémů 1/18 Tvorba informačních systémů Michal Krátký Katedra informatiky VŠB Technická univerzita Ostrava Tvorba informačních systémů, 2008/2009 Tvorba informačních systémů 2/18 Úvod
VícePřehled vhodných metod georeferencování starých map
Přehled vhodných metod georeferencování starých map ČVUT v Praze, katedra geomatiky 12. 3. 2015 Praha Georeferencování historická mapa vs. stará mapa georeferencování umístění obrazu mapy do referenčního
VíceMarketingová komunikace. 2. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph)
Marketingová komunikace Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph) 2. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Minulé soustředění úvod
VíceMichal Krátký, Miroslav Beneš
Databázové a informační systémy Michal Krátký, Miroslav Beneš Katedra informatiky VŠB Technická univerzita Ostrava 5.12.2005 2005 Michal Krátký, Miroslav Beneš Databázové a informační systémy 1/24 Obsah
VíceMapový server Marushka. Technický profil
Technický profil Úvodní informace Mapový aplikační server Marushka představuje novou generaci prostředků pro publikaci a využívání dat GIS v prostředí Internetu a intranetu. Je postaven na komponentové
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz LITERATURA Holčík, J.: přednáškové prezentace Holčík, J.: Analýza a klasifikace signálů.
VíceAlgoritmy pro shlukování prostorových dat
Algoritmy pro shlukování prostorových dat Marta Žambochová Katedra matematiky a informatiky Fakulta sociálně ekonomická Univerzita J. E. Purkyně v Ústí nad Labem ROBUST 21. 26. leden 2018 Rybník - Hostouň
VíceVektorové dlaždice. a jejich využití pro vizualizaci dat katastru nemovitostí. Filip Zavadil, Cleerio s.r.o
Vektorové dlaždice a jejich využití pro vizualizaci dat katastru nemovitostí Filip Zavadil, Cleerio s.r.o Online správa a evidence majetku Cloudové řešení - data a informace na jednom místě, dostupné odkudkoliv
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceTvorba informačních systémů
Tvorba informačních systémů Michal Krátký Katedra informatiky VŠB Technická univerzita Ostrava Tvorba informačních systémů, 2006/2007 c 2006 2008 Michal Krátký Tvorba informačních systémů 1/17 Úvod XML
VíceINFORMAČNÍ SYSTÉMY PRO KRIZOVÉ ŘÍZENÍ GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY A JEJICH VYUŽITÍ V KRIZOVÉM ŘÍZENÍ ING. JIŘÍ BARTA, RNDR. ING.
INFORMAČNÍ SYSTÉMY PRO KRIZOVÉ ŘÍZENÍ GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY A JEJICH VYUŽITÍ V KRIZOVÉM ŘÍZENÍ ING. JIŘÍ BARTA, RNDR. ING. TOMÁŠ LUDÍK Operační program Vzdělávání pro konkurenceschopnost Projekt:
VíceDATABÁZOVÉ 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
VíceDatabázové systémy. Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz
Databázové systémy Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz Vývoj databázových systémů Ukládání dat Aktualizace dat Vyhledávání dat Třídění dat Výpočty a agregace 60.-70. léta Program Komunikace Výpočty
Více8.2 Používání a tvorba databází
8.2 Používání a tvorba databází Slide 1 8.2.1 Základní pojmy z oblasti relačních databází Slide 2 Databáze ~ Evidence lidí peněz věcí... výběry, výpisy, početní úkony Slide 3 Pojmy tabulka, pole, záznam
VíceBusiness 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
VíceDatabáze v MS ACCESS
1 z 14 19.1.2014 18:43 Databáze v MS ACCESS Úvod do databází, návrh databáze, formuláře, dotazy, relace 1. Pojem databáze Informací se data a vztahy mezi nimi stávají vhodnou interpretací pro uživatele,
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceUŽIVATELSKÁ PŘÍRUČKA K INTERNETOVÉ VERZI REGISTRU SČÍTACÍCH OBVODŮ A BUDOV (irso 4.x) VERZE 1.0
UŽIVATELSKÁ PŘÍRUČKA K INTERNETOVÉ VERZI REGISTRU SČÍTACÍCH OBVODŮ A BUDOV (irso 4.x) VERZE 1.0 OBSAH 1 ÚVOD... 3 1.1 HOME STRÁNKA... 3 1.2 INFORMACE O GENEROVANÉ STRÁNCE... 4 2 VYHLEDÁVÁNÍ V ÚZEMÍ...
VíceDesktopový GIS a Grafický editor. Technický profil
Desktopový GIS a Grafický editor Technický profil Úvodní informace GeoStore V6 je moderní GIS systém vyvinutý v technologii Microsoft.NET. Spojuje v sobě nejdůležitější funkce pro tvorbu, aktualizaci a
VíceMarketingová komunikace. 2. a 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3aph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3aph) 2. a 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Co nás čeká: 2. soustředění 16.1.2009
Více