Kritérium Orange Weka KEEL KNIME TANAGRA AlphaMiner RA, RS, RP, S, AP, DS, NS, BM, MNS, GA, + TXT, XLS, CSV, C45, ARF, + CSV, XLS, ARF, + BMP, PNG, +
|
|
- Pavla Pokorná
- před 5 lety
- Počet zobrazení:
Transkript
1 4 Srovnání sad Následující kapitola shrnuje ohodnocení všech kritérií dle jednotlivých pohledů. Hodnocení vychází ze slovního popisu z předchozí kapitoly. První tři pohledy jsou pro přehlednost uspořádány do tabulky, pod kterou je uvedena legenda s vysvětlením přítomných zkratek. U hodnocení z pohledu nasazení na praktických datech je rovněž uvedena stručná charakteristika datového souboru a také celý proces získávání znalostí, který vedl k dosažení uvedených charakteristik (tj. fáze transformace dat, modelování a vyhodnocení výsledků). Kritérium Orange Weka KEEL KNIME TANAGRA AlphaMiner DED, SEG, DED, SEG, DED, SEG, DED, SEG, DED, SEG, DED, SEG, Typy úloh DEK, KLA, DEK, KLA, DEK, KLA, DEK, KLA, DEK, KLA, DEK, KLA, PRD, ANZ, PRD, ANZ, PRD, ANZ, PRD, ANZ, PRD, ANZ, PRD, ANZ, EDA EDA EDA EDA EDA EDA Metody dobývání Metody spojování klasifikátorů Formát vstupních dat Přístup k vzdálené databázi RA, RS, RP, S, AP, DS, BM, MNS, BG, BO, TXT, TAB, C45, DAT, ARF, RA, RS, RP, S, AP, DS, NS, BM, MNS, GA, BG, BO, ST, CSV, C45, DAT, ARF, RA, RS, RP, S, AP, DS, NS, BM, MNS, GA, RA, RS, S, AP, DS, NS, BM, MNS, RA, RS, RP, S, AP, DS, NS, BM, MNS, BO n BG, BO, n TXT, XLS, CSV, C45, ARF, TXT, TAB, CSV, ARF, TXT, XLS, ARF N A A A N A RA, RS, RP, S, AP TXT, XLS, CSV, ARF, Typy dat TAB, IS TAB, IS, TS TAB TAB, IS TAB, IS TAB, IS Typy atributů NS, ND, K NS, ND, K NS, ND, K NS, ND, K NS, ND, K NS, ND, K Škálovatelnost systému S-N V-N S-A M-N M-N M-A Parametrizace Import modelů n PMML, n PMML, n n Opětovná použitelnost modelu Souhrnné výstupní reporty n Export dat CSV, TXT, CSV, XLS, CSV, TAB, C45, DAT, TXT, C45, CSV, ARF, TXT, XLS, TXT, C45, ARF, JPG, DAT, ARF, PNG, ARF, ARF, BMP, PNG, XLS, JPG Export modelů Ukládání projektů PNG, GIF, BMP, TXT, CSV, TAB, PMML, n PNG, PMML, Hodnocení kritérií dle sad jako nástrojů k řešení reálných úloh dobývání JPG, TXT, XLS, PMML
2 Legenda k tabulce 4.1: Typy úloh: DED deskripce dat, SEG segmentace, DEK deskripce konceptů, KLA klasifikace, PRD predikce, ANZ analýza závislostí, EDA explorační analýza dat Metody dobývání: RA regresní analýza, RS rozhodovací stromy, RP rozhodovací pravidla, S shlukování, AP asociační pravidla, DS deskriptivní statistika, NS neuronové sítě, BM bayesovské metody, MNS metoda nejbližšího souseda, GA genetické algoritmy Metody spojování klasifikátorů: BG bagging, BO boosting, ST stacking Přístup k vzdálené databázi: A ano, N ne Typy dat: TAB jedna tabulka, IS skupiny položek (itemsety), TS časové řady Typy atributů: NS numerické spojité, NK numerické diskrétní, K kategoriální Škálovatelnost systému: kombinace dvou hodnot maximálního počtu zpracovatelných záznamů (M do , S mezi a , V nad ) a přítomnosti paměťového limitu (A existuje, N žádný není) ohodnocení značí přítomnost další hodnoty kritéria Kritérium Orange Weka KEEL KNIME TANAGRA AlphaMiner Elementární A A A A A A analýza dat SAM, RED, SAM, RED, SAM, RED, SAM, RED, SAM, RED, Transformace IMP, DIS, IMP, DIS, SAM, RED, IMP, DIS, IMP, DIS, IMP, DIS, dat KON, AGR, AGR, CRE, DIS, CRE, CRE, CRE, CRE, Vizualizace Způsoby testování Způsoby vyhodnocování testů H, DR, LP, KG, PO, TRD, TED, RAN, CRV, LOO CA, TPR, TNR, PPV, REC, AUC, ROC, LC, CC, COM, H, DR, H, DR, TRD, TED, RAN, CRV, CA, TPR, TNR, PPV, REC, AUC, ROC, COM, RAN, TED, CRV, CA, COM, H, KD, DR, KG, PO, TRD, TED, RAN, CRV, CA, ROC, LC, COM, H, DR H, DR TRD, TED, RAN, CRV, LOO, BTS, CA, PPV, REC, ROC, LC, COM, TRD, TED, RAN, CA, TPR, TNR, PPV, LC, COM, Tabulka Hodnocení kritérií dle sad jako nástrojů podporujících metodiku CRISP-DM Legenda k tabulce 4.2: Elementární analýza dat: A ano, N ne Transformace dat: SAM samplování, RED redukce počtu atributů, IMP ošetřování chybějících hodnot, DIS diskretizace, KON kontinualizace, AGR agregace hodnot z více tabulek, CRE vytváření nových atributů Vizualizace: H histogram, KD kruhový diagram, DR diagram rozptylu, LP lineární projekce, KG krabicový graf, PO paralelní osy Způsoby testování: TRD testování na celých trénovacích datech, TED testování na testovacích datech, RAN náhodné rozdělení na trénovací a testovací část, CRV křížová validace, LOO leave-one-out, BTS bootstrap
3 Způsoby vyhodnocování testů: CA přesnost klasifikace, TPR sensitivita, TNR specificita, PPV přesnost, REC úplnost, AUC plocha pod ROC křivkou, ROC ROC křivka, LC křivka zvýšení, CC kalibrační křivka, COM matice záměn Kritérium Orange Weka KEEL KNIME TANAGRA AlphaMiner Podporované WIN, L, WIN, L, WIN, L, platformy MAC MAC MAC WIN, L WIN, L WIN, L Grafické rozhraní Ovladatelnost Tutoriál n Ukázková data Uživatelská příručka n 1 1 n n 4 Nápověda 1 n Technická podpora Metody dotazování Přizpůsobitelnost prostředí VP, SJ SU, VP, CL VP, CL VP, CL VP, SU VP 1 n Tabulka Hodnocení kritérií dle sad jako softwarových systémů Legenda k tabulce 4.3: Podporované platformy: WIN MS Windows (všechny verze), L Linux, MAC MAC OS Metody dotazování: VP vizuální programování, SJ skriptovací jazyk, SU správce úloh, CL příkazová řádka Praktické nasazení na datech K praktickému nasazení na konkrétních datech byl využit datový soubor s údaji o pacientech trpících meningoencefalitidou. Jedná se o data z jedné japonské nemocnice, která byla použita k reálné úloze dobývání v rámci projektu JSAI KDD Challenge V datech se nachází záznamy o 140 pacientech, kteří jsou charakterizováni 38 atributy 18 kategorickými, 19 numerickými a jedním třídícím (diagnóza pacienta). Dva z kategorických atributů (diagnóza pacienta a klinický průběh) obsahují hodnoty seskupené z jiných atributů. U jednoho atributu (počet buněk CSF tři dny po léčení) se vyskytují chybějící hodnoty. Zadaným úkolem dobývání bylo najít faktory ovlivňující pacientovu diagnózu. Srovnání sad však bylo prováděno s upraveným datovým souborem, který byl vytvořen při řešení této úlohy analytiky Petrem Berkou a Tomášem Kočkou z Laboratoře inteligentních systémů Praha (LISp). Autoři provedly tři následující transformace odstranění chybějících hodnot (vynecháním celého atributu), diskretizaci numerických atributů a vytvoření sedmi zcela nových atributů z atributů stávajících. Výsledkem provedené transformace byly dva nové datové soubory, jeden s diskretizovanými hodnotami, jeden s hodnotami atributů ponechanými ve spojité podobě. Existuje hned několik důvodů, proč jsem datové transformace neprovedl v jednotlivých systémech sám. Původní datový soubor odpovídající formátu.txt
4 Přílohy Příloha č. 1 Úloha dobývání v systému Orange Příloha č. 2 Rozhraní Explorer systému Weka
5 Příloha č. 3 Úloha dobývání v aplikaci KEEL Příloha č. 4 Procesní tok v systému KNIME
6 Příloha č. 5 Úloha dobývání v sadě TANAGRA
7 Příloha č. 6 Programové okno aplikace AlphaMiner
8 Tabulka 1: Přehled základních vlastností testovaných systémů ENTERPRISE MINER LISP-MINER PASW MODELER RAPIDMINER DED SEG KLA PRE ANZ RA SA RS RP AP NS MA Podporované typy úloh DED SEG DEK KLA DED KLA ANZ PRE ANZ Podporované data miningové metody RP AP RA SA RS RP AP NS BM MA Možnosti parametrizace modelů DED SEG DEK KLA PRE ANZ RA SA RS RP AP NS BM MA Možnosti kombinování modelů BG BO N BO BG BO ST Opakovatelná použitelnost modelů TXT XLS MDB CSV Podporované forrnáty vstupních dat TXT XLS MDB CSV TXT XLS MDB CSV Podporované typy atributů XLS MDB CSV S D K S D K S D K S D K Deklarovaná schopnost práce s velkými daty V S V V Přístup ke vzdálené databázi N A A A Možnost importu modelů N N PMML TXT XLS MDB CSV Možnosti exportu dat TXT XLS MDB CSV TXT Možnosti exportu modelů XLS MDB CSV CSV PMML XML PMML XML XML Výstupní reporty Možnosti ukládání projektů P-I
9 Tabulka 2: Hodnocení testovaných systémů podle metodiky CRISP-DM Enterprise Miner LISp-Miner PASW Modeler Rapid Miner Porozumění datům A A A A CRE RED DIS SAM Příprava dat CRE RED DIS SAM RED DIS SAM AGR Práce s chybějícími hodnotami CRE RED DIS KON AGR SAM MIS MIS OPT SEC MIS MIS Data pro testování TRD TED RAN CRV TRD TED CRV TRD TED CRV CA ROC COM Vyhodnocení výsledků CA TPR PPV REC CA AUC LC COM Možnosti vizualizace TRD TED CRV LOO BTS CA PPV REC ROC COM HI KD KG HI KD HI KD HI KD P-II
10 Tabulka 3: Hodnocení testovaných systémů z hlediska uživatelské přívětivosti Enterprise Miner LISp-Miner PASW Modeler Rapid Miner Podporované platformy WIN LIN WIN WIN LIN WIN LIN MAC Grafické rozhraní Ovladatelnost Přizpůsobitelnost prostředí Tutoriál Uživatelská příručka Nápověda Technická podpora Ukázková data Způsob zadávání a úpravy úloh VP SU PJ SU VP SU CL VP SU PJ P-III
11 Systém RapidMiner Obr. P1: Parametry logistické regrese P-IV
12 Obr. P2: Shluková analýza tabulkové zobrazení Obr. P3: Shluková analýza grafické zobrazení P-V
13 Obr. P4: Struktura rozhodovacího stromu Obr. P5: Přesnost rozhodovacího stromu P-VI
14 Obr. P6: Schéma neuronové sítě Obr. P7: Přesnost neuronové sítě P-VII
15 6. Srovnání systémů V oblasti počátečního průzkumu dat je mírným favoritem systém SAS Enterprise Miner poskytující propracovanější množnosti náhledu dat a větší počet technik identifikujících chybějící a extrémní hodnoty atributů. Uživatelé systému IBM SPSS Modeler naopak disponují většími možnostmi úpravy zkoumaných dat. V rámci transformace záznamů mají k dispozici i operace typické pro databázové systémy. Při transformaci zkoumaných atributů mohou zase využít řadu specifických aktivit. Vyšší počet funkcí a operátorů a možnost kontroly uživatelem zadaných výrazů odkazují na lepší manipulaci s daty a podtrhují propracovanější úpravu dat v systému IBM SPSS Modeler. Jediným odlišujícím znakem srovnávaných systémů v oblasti podporovaných typů úloh DZD je omezená podpora hledání asociací a analýzy časových řad ze strany systému SAS EM. V malé nevýhodě je tento systém rovněž v oblasti uvažovaných základních metod DZD a algoritmů Top 10. Chybějící podpora bayesovských metod a tedy i naivního bayesovského klasifikátoru odlišuje tento systém od systému IBM SPSS Modeler, který se může pochlubit i implementací novějšího algoritmu C5.0. Rozdíly mezi srovnávanými systémy naznačují i podporované algoritmy a techniky DZD. Zatímco SAS Enterprise Miner disponuje nižším počtem uzlů obsahujících vysoce parametrizovatelné metody, u systému IBM SPSS Modeler je situace opačná. Větší počet uzlů dostupných v tomto systému je důsledkem zpřístupnění jednotlivých algoritmů často v samostatných uzlech. Oba systémy disponují rozsáhlou základnou propracovaných analytických metod a umožňují zvýšit kvalitu nalezených modelů prostřednictvím všech uvažovaných metod skupinového učení. Z hlediska hloubky metod DZD je favoritem systém SAS EM nabízející opravdu široké možnosti jejich parametrizace. Již v úvodu této kapitoly věnovaném úpravě dat byla nastíněna cesta, kterou se vydal konkurenční systém. Větší počet uzlů či výběr a uspořádání parametrů s ohledem na jejich srozumitelnost pro uživatele jsou důkazem snahy zjednodušit práci se systémem. Důkazem této snahy jsou i nabízené možnosti automatizace. Uživatelé systému IBM SPSS Modeler mohou využít řadu automatizovaných funkcí jak ve fázi úpravy dat, tak ve fázi modelování. Chybějící možnost hromadného vytvoření velkého počtu modelů pro danou úlohu aplikací různých algoritmů znevýhodňuje systém SAS Enterprise Miner. Otázkou zůstává, na kolik je tato automatizované funkce využitelná v praxi. Hlavní výhodou této operace je urychlené nalezení kvalitních modelů. Zřejmou nevýhodou takto definované funkce jsou omezené možnosti parametrizace aplikovaných metod. Jednotlivé metody mají přirozeně svá specifika a jejich hromadné spuštění spojené s využitím defaultního nastavení může uživatele připravit o možnost nezbytné parametrizace. Chybějící podporu uvedené automatizace systém kompenzuje rozšířenými možnostmi nastavení podporovaných operací, metod a technik. I zde si lze položit otázku, z jak velké části jsou široké možnosti parametrizace nabízené systémem SAS Enterprise Miner využívány v praxi. Jejich přítomnost ocení zejména zkušení uživatelé. Velké množství dostupných kombinací nastavení jednotlivých metod naopak může působit složitě na méně zkušené uživatele. Systém IBM SPSS Modeler zaostává i v oblasti interaktivních datových úprav předcházejících modelování. Interaktivita v následujících fázích DZD je srovnatelná s možnostmi konkurenčního systému. Oba systémy umožňují rozšíření své standardní funkcionality. Za výhodu systému SAS Enterprise Miner lze označit možnost vložení rozšiřujícího SAS kódu do datového toku a s tím související zjednodušení jeho testování. Srovnatelné výstupy analyzovaných systémů lze shrnout následujícím způsobem. Z hlediska množství generovaných výstupů je jasným favoritem systém SAS Enterprise Miner. Výstupy konkurenčního systému lze naopak označit za uživatelsky přívětivější. Důvodem není až tak jejich interaktivita, kterou mimochodem disponují i výstupy systému SAS EM, ale spíše jejich vizuální stránka. Menší počet vizuálně propracovanějších výstupů systému IBM SPSS Modeler působí na uživatele srozumitelněji než velký počet výstupů 62
16 konkurenčního systému. Podporu projektů Za srovnatelnou lze rovněž označit podporů projektů. Chybějící možnost zapouzdření několika uzlů ze strany systému SAS Enterprise Miner je kompenzována možností zobrazení navigační mapy diagramu či několikanásobného zmenšení na něm zobrazovaných uzlů. Přiblížené zhodnocení funkcionality srovnávaných systémů je shrnuto v níže uvedené tabulce. Oblast ID Kritérium IBM SPSS Modeler 14 SAS Enterprise Miner Průzkum dat Transformace záznamů 3 Transformace atributů SEL;SAM;FILL;BAL;AGG; MER;APP;DIS;RFM META;FILT;DER;REC;BIN; PART;FLAG;TIME;HIS RES;ANON;TRAN SAM;FILL;MER;APP META;FILT;DER;REC; BIN;PART;FLAG;TIME 4 Manipulace s daty Typy úloh DES;ASO;KLA;PRE; SEG;ANO;ČAS DES;ASO;KLA;PRE; SEG;ANO;ČAS 5 F U N K C I O N A L I T A 6 Základní metody AP;RS;RP;SHLU;BM;UNS;RA AP;RS;RP;SHLU;UNS;RA 7 Algoritmy Top 10 8 Algoritmy a techniky APRI;C5.0;CART;KM; KNN;NB;SVM;BOOS CHAID;MLP;RBF;KOH; LIN;LOG;PCA;FA;GEN; QUE;CAR;STEP; EXPO;ARI;DIS;COX; RFMA;SLRM;LIST APRI;C4.5;CART;KM; KNN;SVM;BOOS CHAID;MLP;RBF;KOH; LIN;LOG;PCA;FA;GEN; RBFN;VQ;AVE; CEN;TWO;SA;AT; KA;SD;LAR;LAS 9 Kombinování modelů BOOS;BAGG;KŘÍŽ BOOS;BAGG;KŘÍŽ 10 Automatizace Parametrizace Interaktivita Rozšiřitelnost Výstupy Podpora projektů 5 5 Tab. 5: Funkcionalita srovnávaných systémů Instalace srovnávaných systémů svým způsobem uvedla jejich použitelnost. Zatímco instalace systému SAS Enterprise Miner je problematická, relativně náročná a zdlouhavá, instalace konkurenčního systému je jednoduchá a rychlá. Důvodem je jednak několikanásobně větší objem instalačních souborů, jednak nutnost nastavení relativně velkého množství parametrů. Úspěšnost 5 Analýzu časových řad a hledání asociací lze řešit pouze s transakčními daty. 63
17 instalace systému je navíc podmíněna přítomností systémem podporované verze Java prostředí. V nevýhodě je tento systém rovněž při hodnocení grafického uživatelského rozhraní. Nedostačená velikost ikon a absence funkcí poskytujících kontrolu nad posloupností provedených akcí pouze umocňují dojem, který jsem nabyl při prvním spuštění srovnávaných systémů. Grafické uživatelské rozhraní systému IBM SPSS Modeler působí již na první pohled uživatelsky přívětivěji. V roli mírného favorita je tento systém i při customizaci GUI. Vedle možnosti změny velikosti uzlů zobrazovaných na pracovním plátně si uživatel může přizpůsobit obsah záložky s oblíbenými uzly. Ovladatelnost srovnávaných systémů lze označit za srovnatelnou. Relativně pomalé zobrazování uzlů na pracovním plátně u systému SAS Enterprise Miner je kompenzováno snadnou úpravou jejich parametrů či jednoduchým způsobem jejich spojování. Výhodou konkurenčního systému je naopak automatické napojování uzlů při jejich vkládání. V oblasti podpory omezeného přístupu je mírným favoritem systém IBM SPSS Modeler. Od své konkurence se odlišuje větší velikostí zobrazovaných ikon a podporou zvukových upozornění. Oba systémy lze ovládat s využitím klávesových zkratek či integrovat se známým odečítačem obrazovky JAWS for Windows. Z porovnání tutoriálů zkoumaných systémů vyšel jako jasný vítěz systém IBM SPSS Modeler. Jeho tutoriál lze označit za propracovaný a obsáhlý. Několik desítek názorných příkladů s velkým množstvím obrázků umožňuje uživateli seznámit se s podstatnou částí funkcionality systému. Slabinou jinak propracovaného tutoriálu konkurenčního systému je jeho rozsah. Jeden ucelený příklad uživatele jen stěží seznámí s funkcionalitou tohoto poměrně složitého systému. Podobná situace nastává i v případě poskytnutých ukázkových dat. Zatímco systém SAS Enterprise Miner nabízí svým uživatelům zhruba 10 souborů s ukázkovými daty včetně jednoho již hotového datového toku, tvůrci konkurenčního systému pro své budoucí uživatele připravili desítky datových souborů a srovnatelný počet již hotových datových toků. Systém IBM SPSS Modeler disponuje jak propracovanější uživatelskou příručkou, tak nápovědou systému. Nižší ohodnocení uživatelské příručky konkurenčního systému je dáno skutečností, že systém postrádá dokumentaci s názvem uživatelská příručka. Její funkci plnící nápověda systému a příručka pro rozšiřování standardní funkcionality systému kvalitativně odpovídají konkurenční uživatelské příručce. Hlavní výhodou nápovědy systému IBM SPSS Modeler je podpora kontextové nápovědy. Absence této užitečné funkce usnadňující práci se systémem staví konkurenční systém do nevýhody. Úroveň technické podpory poskytované ke srovnávaným systémům lze označit za vysokou a srovnatelnou. Oblast ID Kritérium IBM SPSS Modeler 14 SAS Enterprise Miner 6.1 P O U Ž I T E L N O S T 16 Instalace GUI Přizpůsobitelnost GUI Ovladatelnost Omezený přístup Tutoriál Ukázková data Uživatelská příručka Nápověda Technická podpora 5 5 Tab. 6: Použitelnost srovnávaných systémů 64
18 Z porovnání možností importu dat vyšel jako mírný favorit systém SAS Enterprise Miner. Důvodem je podpora dodatečných datových formátů používaných v systémech Lotus a Stata. Systém IBM SPSS Modeler je v malé nevýhodě také v oblasti exportu dat. Větší počet výstupních datových formátů je totiž znevýhodněn jeho málo propracovanými možnostmi exportu vizualizací modelů. Za srovnatelné lze považovat propojení analyzovaných systémů na jiné aplikace a platformy, na kterých lze tyto systémy využívat. Chybějící podpora platformy Linux u systému IBM SPSS Modeler je kompenzována omezenou podporou platforem MS Windows Vista a 7 ze strany systému SAS EM. Oblast ID Kritérium IBM SPSS Modeler 14 SAS Enterprise Miner 6.1 O T E V Ř E N O S T 26 Import dat 27 Export dat DB;VAR;SAS;SAV;XLS;XML; EV;COL;FIX TXT;TAB;CSV;JPEG;PNG; BMP;PMML;HTML;DOC; XLS;PPT;VIZML DB;VAR;SAS;SAV;XLS;XML; DBF;WK;DTA;JMP CSV;PNG;BMP;PMML; SVG;SAS;GIF;PDF 28 Propojení na aplikace Podporované platformy WIN XP,VISTA,7 Tab. 7: Otevřenost srovnávaných systémů WIN XP,VISTA,7;LINUX 65
19 Příloha 1: IBM SPSS Modeler výstupy algoritmu CHAID 74
20 Příloha 2: IBM SPSS Modeler výstupy vícevrstvého perceptronu 75
21 Příloha 3: IBM SPSS Modeler výstupy metody k-středů Příloha 4: IBM SPSS Modeler GUI 76
22 Příloha 5: SAS Enterprise Miner výstupy algoritmu CHAID 77
23 Příloha 6: SAS Enterprise Miner výstupy vícevrstvého perceptronu 78
24 Příloha 7: SAS Enterprise Miner výstupy metody k-středů Příloha 8: SAS Enterprise Miner GUI 79
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
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 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
VíceAnalýza dat pomocí systému Weka, Rapid miner a Enterprise miner
Vysoká škola ekonomická v Praze Analýza dat pomocí systému Weka, Rapid miner a Enterprise miner Dobývání znalostí z databází 4IZ450 XXXXXXXXXXX Přidělená data a jejich popis Data určená pro zpracování
VíceGRR. 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
VícePříprava 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,
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
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................................................
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
VíceMBI - technologická realizace modelu
MBI - technologická realizace modelu 22.1.2015 MBI, Management byznys informatiky Snímek 1 Agenda Technická realizace portálu MBI. Cíle a principy technického řešení. 1.Obsah portálu - objekty v hierarchiích,
VíceVytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek, M. Cvanová. 5. Statistica
Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek, M. Cvanová 5. Statistica StatSoft, Inc., http://www.statsoft.com, http://www.statsoft.cz. Verze pro Mac i PC, dostupná
VícePředmluva 11 Typografická konvence použitá v knize 12. 1 Úvod do Excelu 2003 13
Předmluva 11 Typografická konvence použitá v knize 12 1 Úvod do Excelu 2003 13 Spuštění a ukončení Excelu 14 Spuštění Excelu 14 Ukončení práce s Excelem 15 Přepínání mezi otevřenými sešity 16 Oprava aplikace
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
VíceTypy souborů ve STATISTICA. Tento článek poslouží jako přehled hlavních typů souborů v programu
StatSoft Typy souborů ve STATISTICA Tento článek poslouží jako přehled hlavních typů souborů v programu STATISTICA, ukáže Vám jejich možnosti a tím Vám dovolí využívat program efektivněji. Jistě jste již
VíceObsah. Předmluva 13. O autorovi 15. Poděkování 16. O odborných korektorech 17. Úvod 19
Předmluva 13 O autorovi 15 Poděkování 16 O odborných korektorech 17 Úvod 19 Co kniha popisuje 19 Co budete potřebovat 20 Komu je kniha určena 20 Styly 21 Zpětná vazba od čtenářů 22 Errata 22 KAPITOLA 1
VíceAnalýza a prezentace dat
2015 Analýza a prezentace dat rozsah: 2 dny (10 hodin) Mgr. Jiří Číhař www.dataspectrum.cz Analýza a prezentace dat Formátování buněk Nastavení vhodného formátu čísla Vytváření vlastních formátovacích
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
Více6. Statistica (pokračování) Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek, M. Cvanová
6. Statistica (pokračování) Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek, M. Cvanová Tvorba maker Seznam maker Nahrání makra s kódem analýzy ve Visual Basicu Nahrání
VíceDobývání znalostí z databází
Dobývání znalostí z databází (Knowledge Discovery in Databases, Data Mining,..., Knowledge Destilery,...) Non-trivial process of identifying valid, novel, potentially useful and ultimately understandable
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
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:
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
VíceObsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou
Úvod.................................................................. 11 Kapitola 1 Než začneme.................................................................. 17 1.1 Logika kvantitativního výzkumu...........................................
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VícePRODUKTY. Tovek Tools
jsou desktopovou aplikací určenou k vyhledávání informací, tvorbě různých typů analýz a vytváření přehledů a rešerší. Jsou vhodné pro práci i s velkým objemem textových dat z různorodých informačních zdrojů.
VíceIBM 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
VíceCASE nástroje. Jaroslav Žáček
CASE nástroje Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Co znamená CASE? A CASE tool is a computer-based product aimed at supporting one or more software engineering activities within
VíceMST - sběr dat pomocí mobilních terminálů on-line/off-line
MST - sběr dat pomocí mobilních terminálů on-line/off-line Stručný přehled název: MST, software pro sběr dat mobilními terminály ve skladu (příjem, výdej, inventura) autor aplikace: FASK, spol. s r.o.,
VíceÚvod do RapidMineru. Praha & EU: Investujeme do vaší budoucnosti. 1 / 23 Úvod do RapidMineru
Vytěžování dat, cvičení 2: Úvod do RapidMineru Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Fakulta elektrotechnická, ČVUT 1 / 23 Úvod do RapidMineru Dnes vám ukážeme jeden z mnoha
VíceOkruhy ke státní závěrečné zkoušce z vedlejší specializace Informatika v řízení podniku
Okruhy ke státní závěrečné zkoušce z vedlejší specializace Informatika v řízení podniku Aplikace auditních postupů Vyberte si jeden typ auditu (útvaru, projektu, aplikace, procesu, ) a na něm demonstrujte
VíceAnalýza staročeské morfologie v Excelu
Analýza staročeské morfologie v Excelu B O R I S L E H E Č K A, B O R I S @ D A L I B O R I S. C Z O D D Ě L E N Í V Ý V O J E J A Z Y K A Ú S T A V P R O J A Z Y K Č E S K Ý A V Č R L I N G V I S T I
VíceMicrosoft Access tvorba databáze jednoduše
Microsoft Access tvorba databáze jednoduše Časový rozsah: 2 dny (9:00-16:00) Cena: 3300 Kč + DPH Úvod do relačních databází. Funkce databázových objektů Microsoft Access. Návrh tabulek, definice základních
VíceMyšlenkové mapy v Linuxu
Myšlenkové mapy v Linuxu Michal Černý LinuxAlt 2011 Abstrakt Myšlenkové mapy se staly nezpochybnitelným fenoménem. Používají se k rozvoji kreativního myšlení, ke studiu, kooperaci na projektech nebo jako
VíceNastavení provozního prostředí webového prohlížeče pro aplikaci
Nastavení provozního prostředí webového prohlížeče pro aplikaci IS o ISVS - Informační systém o informačních systémech veřejné správy verze 2.03.00 pro uživatele vypracovala společnost ASD Software, s.r.o.
VíceRadioBase 3 Databázový subsystém pro správu dat vysílačů plošného pokrytí
Databázový subsystém pro správu dat vysílačů plošného pokrytí RadioBase je datový subsystém pro ukládání a správu dat vysílačů plošného pokrytí zejména pro služby analogové a digitální televize a rozhlasu.
VíceOPERAČNÍ SYSTÉM. Informační a komunikační technologie
OPERAČNÍ SYSTÉM Informační a komunikační technologie Operační systém počítače Definice - charakteristika Je soubor programů, které zajišťují základní činnosti počítače (vstup a výstup dat, zpracování uživatelského
Vícexrays optimalizační nástroj
xrays optimalizační nástroj Optimalizační nástroj xoptimizer je součástí webového spedičního systému a využívá mnoho z jeho stavebních bloků. xoptimizer lze nicméně provozovat i samostatně. Cílem tohoto
VíceJádrem systému je modul GSFrameWork, který je poskytovatelem zejména těchto služeb:
Technologie Marushka Základním konceptem technologie Marushka je použití jádra, které poskytuje přístup a jednotnou grafickou prezentaci geografických dat. Jádro je vyvíjeno na komponentním objektovém
VíceObsah. 1 Úvod do Visia 2003 15. 2 Práce se soubory 47. Předmluva 11 Typografická konvence použitá v knize 13
Předmluva 11 Typografická konvence použitá v knize 13 1 Úvod do Visia 2003 15 Visio se představuje 16 Výchozí podmínky 16 Spuštění a ukončení Visia 18 Způsoby spuštění Visia 18 Ukončení práce s Visiem
VíceTovek Tools. Tovek Tools jsou standardně dodávány ve dvou variantách: Tovek Tools Search Pack Tovek Tools Analyst Pack. Připojené informační zdroje
jsou souborem klientských desktopových aplikací určených k indexování dat, vyhledávání informací, tvorbě různých typů analýz a vytváření přehledů a rešerší. Jsou vhodné pro práci s velkým objemem textových
VíceMaturitní témata Školní rok: 2015/2016
Maturitní témata Školní rok: 2015/2016 Ředitel školy: Předmětová komise: Předseda předmětové komise: Předmět: PhDr. Karel Goš Informatika a výpočetní technika Mgr. Ivan Studnička Informatika a výpočetní
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceZadání semestrální práce IKTZ 2 letní semestr 2009/2010
Zadání semestrální práce IKTZ 2 letní semestr 2009/2010 Obecné zadání Dle zadání zpracujte data ze studie STULONG (soubory Entry a Contr). Práce je rozdělena do tří částí, které se řeší odděleně. Výstupem
VíceObsah. Seznam obrázků. Seznam tabulek. Petr Berka, 2011
Petr Berka, 2011 Obsah... 1... 1 1 Obsah 1... 1 Dobývání znalostí z databází 1 Dobývání znalostí z databází O dobývání znalostí z databází (Knowledge Discovery in Databases, KDD) se začíná ve vědeckých
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
VíceCASE. Jaroslav Žáček
CASE Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Co znamená CASE? Definice dle SEI A CASE tool is a computer-based product aimed at supporting one or more software engineering activities
VíceMarketingová komunikace. 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3bph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3bph) 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Zdroje Studijní materiály Heleny Palovské
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
VíceStrojové učení Marta Vomlelová
Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer
VíceJak používat statistiky položkové v systému WinShop Std.
Jak používat statistiky položkové v systému WinShop Std. Systém WinShop Std. využívá k zápisům jednotlivých realizovaných pohybů (příjem zboží, dodací listy, výdejky, převodky, prodej zboží na pokladně..)
Více1 Webový server, instalace PHP a MySQL 13
Úvod 11 1 Webový server, instalace PHP a MySQL 13 Princip funkce webové aplikace 13 PHP 14 Principy tvorby a správy webového serveru a vývojářského počítače 14 Co je nezbytné k instalaci místního vývojářského
VíceSpecifikace předmětu plnění Datová tržiště
Příloha 1 Specifikace předmětu plnění Datová tržiště Etapa 1 Analýza statistické domény produkčních statistik 1 Obsah ETAPA 1 ANALÝZA STATISTICKÉ DOMÉNY PRODUKČNÍCH STATISTIK... 3 1.1. Koncepční shrnutí...
VíceObsahy kurzů MS Office
Obsahy kurzů MS Office V současné době probíhají kurzy MS Office 2010 s následující osnovou: 1. Základy práce na PC, MS Office - praktické užití Kurz je určen pro všechny, kteří mají s prací na PC minimální
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
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
VíceVytěžování znalostí z dat
Pavel Kordík, Jan Motl (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 1 1/29 Vytěžování znalostí z dat Pavel Kordík, Jan Motl Department of Computer Systems Faculty of Information Technology
VícePŘÍLOHA C Požadavky na Dokumentaci
PŘÍLOHA C Požadavky na Dokumentaci Příloha C Požadavky na Dokumentaci Stránka 1 z 5 1. Obecné požadavky Dodavatel dokumentaci zpracuje a bude dokumentaci v celém rozsahu průběžně aktualizovat při každé
VíceSegmentace bankovních zákazníků algoritmem k- means
Segmentace bankovních zákazníků algoritmem k- means LS 2014/2015 Michal Heřmanský xherm22 Obsah 1 Úvod... 3 1.1 CRISP- DM... 3 2 Porozumění problematice a datům... 4 3 Příprava dat... 5 4 Modelování...
VíceUkázka knihy z internetového knihkupectví www.kosmas.cz
Ukázka knihy z internetového knihkupectví www.kosmas.cz U k á z k a k n i h y z i n t e r n e t o v é h o k n i h k u p e c t v í w w w. k o s m a s. c z, U I D : K O S 1 8 1 1 2 8 U k á z k a k n i h
VíceAplikace pro srovna ní cen povinne ho ruc ení
Aplikace pro srovna ní cen povinne ho ruc ení Ukázkový přiklad mikroaplikace systému Formcrates 2010 Naucrates s.r.o. Veškerá práva vyhrazena. Vyskočilova 741/3, 140 00 Praha 4 Czech Republic tel.: +420
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
VíceStředoškolská technika SCI-Lab
Středoškolská technika 2016 Setkání a prezentace prací středoškolských studentů na ČVUT SCI-Lab Kamil Mudruňka Gymnázium Dašická 1083 Dašická 1083, Pardubice O projektu SCI-Lab je program napsaný v jazyce
VíceInformace k e-learningu
Informace k e-learningu Příprava na testy bude probíhat samostatně formou e-learningových školení přístupných způsobem popsaným níže. Zkušební testy, pomocí kterých se budete připravovat na závěrečný test,
VíceZačínáme s Tovek Tools
NAJÍT POCHOPIT VYUŽÍT Úvodní seznámení s produktem Tovek Tools JAK SI TOVEK TOOLS NAINSTALUJI?... 2 JAK SI PŘIPOJÍM INFORMAČNÍ ZDROJE, VE KTERÝCH CHCI VYHLEDÁVAT?... 2 JAK MOHU VYHLEDÁVAT V INFORMAČNÍCH
Více1. Webový server, instalace PHP a MySQL 13
Úvod 11 1. Webový server, instalace PHP a MySQL 13 Princip funkce webové aplikace 13 PHP 14 Principy tvorby a správy webového serveru a vývojářského počítače 14 Co je nezbytné k instalaci místního vývojářského
VíceZískávání znalostí z dat
Získávání znalostí z dat Informační a komunikační technologie ve zdravotnictví Získávání znalostí z dat Definice: proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné informace
VíceEvidence a správa kanalizace v GIS Kompas 3.2
IČ: 25472593 MK Consult, v.o.s. Drážďanská 493/40, 40007 Ústí nad Labem tel.,fax 47550500408, e-mail info@mkconsult.cz Evidence a správa kanalizace v GIS Kompas 3.2 Základní popis programu Kompas 3.2 Systém
VíceSRSW4IT Inventarizační SW. Prezentace aplikace. Vedoucí DP: ing. Lukáš Macura Autor: Bc. Petr Mrůzek
Prezentace aplikace Vedoucí DP: ing. Lukáš Macura Autor: Bc. Petr Mrůzek Osnova Úvod Programovací jazyk - PHP Etapy vývoje Funkce aplikace Co SW umí Na čem se pracuje Vize do budoucna Úvod Úvod Inspirováno
VíceDobývání a vizualizace znalostí. Olga Štěpánková et al.
Dobývání a vizualizace znalostí Olga Štěpánková et al. 1 Osnova předmětu Dobývání znalostí - popis a metodika procesu CRISP a objasnění základních pojmů Nástroje pro modelování klasifikovaných dat a jejich
VíceCYCLOPE PRINT MANAGEMENT SOFTWARE- UŽIVATELSKÁ PŘÍRUČKA
CYCLOPE PRINT MANAGEMENT SOFTWARE- UŽIVATELSKÁ PŘÍRUČKA Obsah Cyclope Print Management Software- uživatelská příručka... 1 1. Přehled produktu... 2 2. Stručný popis produtku CPMS... 2 2.1. Stažení CPMS...
VíceKlinický informační systém Porodní kniha - případová studie -
Klinický informační systém Porodní kniha - případová studie - Ing. Michal Huptych Ing. Miroslav Burša Ing. Václav Chudáček, Ph.D. Ing. Jiří Spilka Doc. Ing. Lenka Lhotská Csc. MUDr. Lukáš Hruban MUDr.
VíceIBM SPSS Decision Trees
IBM Software IBM SPSS Decision Trees Jednoduše identifikujte skupiny a predikujte Stromově uspořádané postupné štěpení dat na homogenní podmnožiny je technika vhodná pro exploraci vztahů i pro tvorbu rozhodovacích
VíceStudie webů automobilek
Studie webů automobilek červen 2006 [manažerské shrnutí] Obsah Obsah... 1 Manažerské shrnutí... 2 Kvalita obsahu a použitelnost webu... 3 Základní nedostatky negativně ovlivňují použitelnost většiny webů...
Více2 PŘÍKLAD IMPORTU ZATÍŽENÍ Z XML
ROZHRANÍ ESA XML Ing. Richard Vondráček SCIA CZ, s. r. o., Thákurova 3, 160 00 Praha 6 www.scia.cz 1 OTEVŘENÝ FORMÁT Jednou z mnoha užitečných vlastností programu ESA PT je podpora otevřeného rozhraní
VíceVzdělávací obsah vyučovacího předmětu
V.9.3. Vzdělávací obsah vyučovacího předmětu Vzdělávací oblast: Inormatika a informační a komunikační technologie Vyučovací předmět: Informatika Ročník: 1. ročník + kvinta chápe a používá základní termíny
VícePro označení disku se používají písmena velké abecedy, za nimiž následuje dvojtečka.
1 Disky, adresáře (složky) a soubory Disky Pro označení disku se používají písmena velké abecedy, za nimiž následuje dvojtečka. A:, B: C:, D:, E:, F: až Z: - označení disketových mechanik - ostatní disky
VíceObsah. Začínáme programovat v Ruby on Rails 9. Úvod 11. 1. Vítejte v Ruby 15. O autorovi 9 Poděkování 9
Začínáme programovat v Ruby on Rails 9 O autorovi 9 Poděkování 9 Úvod 11 Komu je kniha určena 11 Jak je kniha uspořádána 11 Co ke knize potřebujete 12 Konvence 12 Zdrojový kód 13 Poznámka redakce českého
VíceKOMPONENTY APLIKACE TreeINFO. Petr Štos ECM Business Consultant
KOMPONENTY APLIKACE TreeINFO Petr Štos ECM Business Consultant CO JE TO APLIKACE TreeINFO Sada komponent Komponenty rozšiřující sloupce Komponenty rozšiřující pohledy na data Aplikační části Využití jednotlivě
VíceIBM SPSS Modeler. Hlavní přínosy. Intuitivní ovládání IBM
IBM SPSS Software IBM SPSS Modeler Objevte vzory v historických datech, které budou sloužit k predikci budoucích událostí, dělejte lepší rozhodnutí a dosáhněte lepších výsledků. IBM SPSS Modeler je komlpexní
VíceMěření teploty, tlaku a vlhkosti vzduchu s přenosem dat přes internet a zobrazování na WEB stránce
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická Katedra mikroelektroniky Měření teploty, tlaku a vlhkosti vzduchu s přenosem dat přes internet a zobrazování na WEB stránce Zadání Stávající
VíceEvidence městského mobiliáře v GIS Kompas 3.2
MK Consult, v.o.s. IČ 254 72 593 Drážďanská 493/40, 400 07 Ústí nad Labem tel.:475500408, 603145698; info@mkconsult.cz, www.mkconsult.cz Evidence městského mobiliáře v GIS Kompas 3.2 Základní popis programu
Více3. Software Bakaláři Kompletní školení
1. Software Bakaláři Aplikace spisová služba a Kniha úrazů 1. Jak nainstalovat aplikace 2. Spisová služba Legislativní východiska (zákon o archivnictví a příslušné vyhlášky) Karta spisové služby popis
VíceWORD. (zobecněno pro verzi 2007)
WORD (zobecněno pro verzi 2007) Program MS Word patří softwarově do skupiny uživatelských aplikací, které se nazývají textové editory. Slouží především k editacím či-li úpravám textů vč. vkládání grafických
VíceOtevřená data ČSSZ: Přehledné informace dostupné všem, snadno a zdarma. Ing. Jiří Šunka Ing. Michaela Hendrychová. ISSS Hradec Králové, 5. 4.
Otevřená data ČSSZ: Přehledné informace dostupné všem, snadno a zdarma ISSS Hradec Králové, 5. 4. 2016 Ing. Jiří Šunka Ing. Michaela Hendrychová Obsah 1. Představení ČSSZ 2. Proces publikace otevřených
VíceAsociační i jiná. Pravidla. (Ch )
Asociační i jiná Pravidla (Ch. 14 +...) Učení bez učitele Nemáme cílovou třídu Y, G; máme N pozorování což jsou p-dimenzionální vektory se sdruženou pravděpodobností chceme odvozovat vlastnosti. Pro málo
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
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
VíceÚvod 13. Seznámení s PowerPointem 15. K čemu slouží PowerPoint a prezentace 16 Obvyklé využití prezentací 17 Možnosti publikování prezentací.
Obsah Úvod 13 1 Seznámení s PowerPointem 15 K čemu slouží PowerPoint a prezentace 16 Obvyklé využití prezentací 17 Možnosti publikování prezentací. 19 Spuštění a ukončení programu 20 Spuštění PowerPointu
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
VíceAnalýza dat na PC I.
Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Základy programu STATISTICA IBA výuka 2008/2009 StatSoft, Inc., http://www.statsoft.com/, http://www.statsoft.cz Verze pro
VíceŠABLONA A PRACOVNÍ PROSTŘEDÍ - PŘÍPRAVA - PŘENOS - TIPY A TRIKY
ŠABLONA A PRACOVNÍ PROSTŘEDÍ - PŘÍPRAVA - PŘENOS - TIPY A TRIKY - 1 - OBSAH ŠABLONY - ATRIBUTY - NASTAVENÍ NÁSTROJŮ - MAPA PROJEKTU - MAPA ZOBRAZENÍ - VÝKRESOVÁ SLOŽKA - PUBLIKACE - KNIHOVNY - PŘEDVOLBY
VícePříloha 1 Specifikace předmětu plnění
Příloha 1 Specifikace předmětu plnění Centrální zpracování Etapa V Tvorba kontrolních výstupů 1 Obsah ETAPA V - TVORBA KONTROLNÍCH VÝSTUPŮ PRO VPO... 3 1.1. Koncepční shrnutí... 3 1.2. Obsahová náplň etapy
VíceArchivace relačních databází
Archivace relačních databází Možnosti, formát SIARD, nástroje, tvorba, prohlížení, datové výstupy Martin Rechtorik 30.11.2018 Archivace relačních databází 1. Možnosti archivace relačních databází 2. Formát
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
VíceOBSAH. Word. První spuštění a hlavní obrazovka Wordu 3 Základní nastavení Wordu 6 Kontrola pravopisu a mluvnice 8 Nastavení ukládání dokumentu 12
OBSAH Word Uživatelské prostředí Wordu...................3 První spuštění a hlavní obrazovka Wordu 3 Základní nastavení Wordu 6 Kontrola pravopisu a mluvnice 8 Nastavení ukládání dokumentu 12 Vytvoření
VícePokročilé neparametrické metody. Klára Kubošová
Pokročilé neparametrické metody Klára Kubošová Pokročilé neparametrické metody Výuka 13 přednášek doplněných o praktické cvičení v SW Úvod do neparametrických metod + princip rozhodovacích stromů Klasifikační
VícePRVNÍ ELASTICKÝ INFORMAČNÍ SYSTÉM : QI
PRVNÍ ELASTICKÝ INFORMAČNÍ SYSTÉM : QI Cyril Klimeš a) Jan Melzer b) a) Ostravská univerzita, katedra informatiky a počítačů, 30. dubna 22, 701 03 Ostrava, ČR E-mail: cyril.klimes@osu.cz b) DC Concept
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
Více