OZ-tlac
|
|
- Vendula Uhlířová
- pred 4 rokmi
- Prehliadani:
Prepis
1 Objavovanie znalostí Prečo o vznikla táto t to oblasť výskumu? OBSAH PREDNÁŠKY Proces objavovania znalostí Prečo? Základné pojmy Príklady aplikácií Dátové sklady Predspracovanie dát Asociačné pravidlá Klasifikácia/predikcia KDD Package 1 Trojnásobok informácií vyprodukovaných každým ďalším rokom od roku 2001 v porovnaní s predchádzajúcim rokom Veľmi málo vyprodukovaných informácií niekedy uvidí človek Objavovanie znalostí je nutné aby dáta mohli byť pochopené a užitočne využité 2 Základné definície Súvisiace oblasti výskumu Objavovanie znalostí v databázach (Knowledge Discovery in Databases) je proces semiautomatickej extrakcie znalostí z databáz. Tieto znalosti musia byť: platné (v štatistickom zmysle) doposiaľ neznáme potenciálne užitočné (pre danú aplikáciu) KDD je iteratívny a interaktívny proces iteratívny znamená, že jednotlivé kroky sa často opakujú v rôznych iteráciách interaktívny znamená, že sa nedá realizovať úplne bez asistencie človeka 3 strojové učenie štatistika dolovanie v dátach a objavovanie znalostí vizualizácia databázy 4 Typické aplikačné oblasti KDD (1) Typické aplikačné oblasti KDD (2) Marketing Individuálna reklama Segmentácia trhu identifikácia rôznych skupín zákazníkov Hodnotová (ako často nakupuje, za koľko, kedy naposledy) Behaviorálna (podľa typického správania sa zákazníkov) Cielený marketing Up sell - komu ešte predáme? Máme databázu zákazníkov, chceme ponúknuť nový produkt a môžeme osloviť z nich ktorí to majú byť, aby sme predali čo najviac produktov? Cross sell -čo mu ešte predáme? Máme e-shop a chceme nakupujúcim poskytnúť čo najvyšší komfort pri objednávaní akéďalšie produkty im ponúknuť, ak si kupujú produkt XY? 5 Na základe sledovania osobného správania sa na webe (NewYorkTime grátis po registrácii osobných údajov) Chockstone vernostné zákaznícke ponuky a služby (analyzovaním platieb daného zákazníka v reštauráciách konkrétneho reťazca) Vedecké aplikácie Astronómia: SKICAT rozhodovacie stromy pre automatickú klasifikáciu objektov Bioinformatika napr. analýza dát o génoch a rôznych typoch (dedičných) ochorení 6 1
2 2 Typické aplikačné oblasti KDD (3) Proces objavovania znalostí Manažment rizika Aplikačné modely požičiame mu? Behaviorálne modely požičali sme, vráti? Ponúkame naše pôžičky skoro každému, ale 10% klientov nám ich nespláca a my tak strácame. Možno tomu predísť? Odchod zákazníkov (Churn) Voluntary prejde ku konkurencii? Zruší objednané služby? Každý mesiac nám odíde 5% zákazníkov ku konkurencii. Ak by sme ich poznali vopred, udržíme si ich. Ktorí to budú? Involuntary (Fraud) zneužije naše služby? Poisťujeme autá, avšak máme 2x viac hlásených poistných udalostí, ako je priemer v okolitých krajinách a ich prešetrovanie nás stojí nemalé prostriedky. Nevieme automaticky odlíšiť oprávnené udalosti od špekulatívnych? 7 Dolovanie v dátach (DM z angl. Data Mining) je kľúčovým krokom procesu objavovania znalostí. Dátový sklad 1. Čistenie dát Relevantné dáta 4. Transformácia 2. Integrácia dát 5. Dolovanie v dátach 3. Výber dát Zdroje dát (DB, textové súbory...) 7. Vyhodnotenie vzorov 6. Reprezentácia vzorov 8 Jednotlivé kroky procesu objavovania znalostí 1. Pochopenie aplikácie a doterajších poznatkov Existujúce relevantné znalosti a cieľ procesu KDD 2. Čistenie dát odstránenie zašumených a nekonzistentných dát 3. Integrácia dát z viacerých zdrojov (často heterogénnych) 4. Výber dát relevantných pre daný cieľ (analýza atribútov) 5. Transformácia dát do reprezentácie vhodnej pre daný cieľ procesu KDD (napr. diskretizácia) 6. Dolovanie v dátach aplikácia inteligentných metód pre získanie platných vzorov (najdôležitejšie DM úlohy sú popis, asociačné pravidlá, klasifikácia/predikcia a zhlukovanie) 7. Vyhodnotenie nájdených vzorov aplikácia zvolených mierok zaujímavosti s cieľom identifikovať skutočne zaujímavé vzory 8. Prezentácia vzorov (znalostí) techniky reprezentácie znalostí a ich vizualizácie explicitné znalosti 9. Použitie objavených znalostí v danej aplikácii 9 Dátové sklady (1) Motivačný príklad Predstavte si, že AllElectronics je úspešná medzinárodná obchodná spoločnosť s pobočkami po celom svete. Každá pobočka má svoju vlastnú skupinu databáz. Prezident AllElectronics Vás požiada o vypracovanie analýzy predajov spoločnosti pre jednotlivé položky a jednotlivé pobočky za 3. štvrťrok. Ide o ťažkú úlohu (kontaktovať jednotlivé pobočky, vyžiadať si relevantné údaje a potom ich zosumarizovať). Ak by ale spoločnosť mala dátový sklad, stačil by len správny pohľad do neho. 10 Dátové sklady (2) Cieľ budovania dátových skladov: poskytnúť architektúry a nástroje na systematickú organizáciu, pochopenie a použitie dát pre podporu strategických rozhodnutí Kvôli podpore rozhodovania sú dáta v dátovom sklade organizované okolo hlavných subjektov (napr. položka, pobočka, čas a pod.) Poskytujú historickú perspektívu (napr. posledných 5 10 rokov) Obsahujú sumarizované údaje (namiesto uloženia všetkých jednotlivých transakcií) Dátový sklad je spravidla modelovaný ako multidimenzionálna databázová štruktúra, kde: Dimenzia = atribút (alebo množina atribútov) v schéme Každá bunka obsahuje hodnotu nejakej agregovanej veličiny (napr. počet, alebo súčet a pod.) TV PC video súčet produkt Príklad dátovej d kocky časové obdobie Celkové ročné (napr. štvrťrok) predaje TV v USA súčet USA Kanada Mexiko súčet krajina 11 12
3 3 Dátové sklady (3) Definícia (W.H. Inmon): Dátový sklad je subjektovo orientovaná, integrovaná, jednoznačná kolekcia historických dát pre podporu rozhodovania manažmentu. Subjektovo orientovaná nie na každodenné transakcie, ale modelovanie pre analytické a rozhodovacie účely hlavné subjekty Integrovaná integrácia viacerých heterogénnych dátových zdrojov Historické dáta historická perspektíva, (napr rokov) Jednoznačná nemenná (rovnaký dotaz dá stále rovnaký výsledok) OLAP (On-Line Analytical Processing) sú operácie poskytované nad dátovým skladom za účelom umožnenia prezentovať dáta na rôznych úrovniach abstrakcie (t.j. akési manuálne dolovanie v dátach) Cieľom je analýza dát a rozhodovanie OLTP (On-Line Transaction Processing) Cieľom sú on-line transakcie a spracovanie dotazov 13 Dátové sklady (4) Dátová kocka je multidimenzionálny dátový model, ktorého hlavným motívom je efektívne uloženie generalizovaných dát. Dátová kocka má 2 typy atribútov: Dimenzie = nezávislé atribúty ako napr. výrobok, zákazník, pobočka, časové obdobie, a pod. Veličiny = závislé atribúty, t.j. numerické atribúty ako napr. počet, zisk, a pod. Dimenzie vymedzujú viacrozmerný dátový priestor - pole, v ktorého bunkách sú uložené veličiny pre príslušnú časť priestoru. Každá dimenzia: je reprezentovaná tabuľkou dimenzie je vo všeobecnosti popísaná viacerými atribútmi (napr. tovar môže byť popísaný menom, kódom, typom a dodávateľom) Ak je atribútov v rámci jednej dimenzie viac, tieto sú obvykle organizované do hierarchie Všetky možné hodnoty jednotlivých atribútov danej dimenzie vytvárajú potom stromovú štruktúru, t.j. tzv. hierarchiu konceptov 14 Príklad úplne usporiadanej hierarchie (a zodpovedajúca hierarchia konceptov) všetky všetky kontinent Európa... Severná Amerika krajina Slovensko... Nemecko Kanada... Mexiko mesto Košice... Vancouver... Toronto pobočka St.mesto Terasa L. Chan... M. Wind čas čas_kľúč deň deň_v_týždni mesiac štvrťrok rok pobočka Príklad hviezdicovej schémy pobočka_kľúč pobočka_meno pobočka_typ veličiny Tabuľka faktov Predaje čas_kľúč položka_kľúč pobočka_kľúč sídlo_kľúč predaných_kusov tržba_v_sk priemer_predajov položka položka_kľúč položka_meno druh typ dodávateľ_typ sídlo sídlo_kľúč ulica mesto kraj/oblať krajina Typické operácie OLAP Roll up (drill-up): agregácia na dátovej kocke, a to buď vystupovaním smerom hore v hierarchii konceptov, alebo redukciou dimenzií (odstránenie jednej alebo viac dimenzií) Drill down (roll down): inverzná operácia k roll-up, t.j. buď zostupovaním smerom dole v hierarchii konceptov, alebo pridaním nových dimenzií Slice and dice: Projekcia a výber cez jednu (slice), alebo viac (dice) dimenzií v dátovej kocke. Výsledkom je podmnožina dátovej kocky 17 TV video PC produkt Roll-up mesiac TV video PC produkt USA 4470 Kanada 2940 Mexiko... štvrťrok USA Kanada 2940 Mexiko krajina Drill-Down krajina 18
4 4 Prečo o predspracovanie dát? d Hlavné úlohy predspracovania Dáta z reálneho sveta nie sú dokonalé, ale často: neúplné: chýbajúce hodnoty atribútov, alebo chýbajúce atribúty, ktoré môžu byť zaujímavé, obsahujú šumy: t.j. chyby alebo veľmi odchýlené hodnoty nekonzistentné: nesúlad v názvoch a odkazoch Bez kvalitných dát nemožno dosiahnuť dobré výsledky dolovania (objavovania znalostí) Kvalitné rozhodnutia musia byť založené na kvalitných dátach Dátový sklad si vyžaduje konzistentnú integráciu kvalitných dát Čistenie Vyplniť chýbajúce hodnoty Vyhladiť poruchy identifikovaním vzdialených hodnôt (vyhladzovanie, zhlukovanie, regresia, kombinácia počítača a ľudskej kontroly a pod.) Integrácia Identifikácia tých istých entít v rámci rôznych zdrojov dát Detekcia a odstránenie konfliktov v údajoch spôsobených napr. rozdielnymi veličinami alebo reprezentáciami Transformácia Normalizácia (min-max; na strednú hodnotu; decimálna) Diskretizácia (t.j. prevod numerických na nenumerické atribúty) Generalizácia zovšeobecnenie (využitie hierarchie konceptov) Redukcia (výber) Redukcia dimenzionality výber atribútov Redukcia početnosti dát výber príkladov (vzoriek) Dolovanie v dátachd Dolovanie v dátach (z angl. data mining) je aplikácia inteligentných metód pre získanie platných vzorov Ide o kľúčový krok v procese KDD, aj keďčasovo najnáročnejšie sa ukazuje samotné predspracovanie dát Najdôležitejšie typy úloh dolovania v dátach sú: 1) Popisné dolovanie v dátach: a) Popis konceptov (zovšeobecňovanie) sa snaží poskytnúť stručný a výstižný popis určitej množiny dát (konceptu) b) Asociačné pravidlá c) Zhlukovanie proces zoskupovania fyzických alebo abstraktných objektov do tried podobných objektov 2) Prediktívne dolovanie v dátach: a) Klasifikácia b) Predikcia 21 Asociačné pravidlá Dolovanie asociačných pravidiel znamená Hľadanie frekventovaných a zaujímavých asociácií (korelácií alebo kauzálnych vzťahov) v obrovskom množstve transakčných dát Aplikácie Analýza nákupného košíka pre podporu rozhodovacích procesov v obchode (krížový marketing, návrh katalógov a pod.) Príklady Pravidlá vo forme Telo Hlava [podpora, spoľahlivosť]. kupuje(x, pampersky ) kupuje(x, pivo ) [0.5%, 60%] Podpora (s) a spoľahlivosť (c) pravidla X Y: podpora (s) je pravdepodobnosť že transakcia obsahuje X aj Y spoľahlivosť (c) je podmienená pravdepodobnosť, že transakcia obsahujúca X obsahuje aj Y 22 Asociačné pravidlo (príklad) ID transakcie kúpené položky 2000 A,B,C 1000 A,C 4000 A,D 5000 B,E,F Min. podpora 50% Min. spoľahlivosť 50% Pre pravidlo A C: podpora = podpora({a, C}) = 2 / 4 = 50% spoľahlivosť = podpora({a, C})/podpora({A}) = 2 / 3 = 66.6% Princíp Apriori : Každá podmnožina frekventovanej množiny musí byť frekventovaná frekventované množiny položiek podpora {A} 75% {B} 50% {C} 50% {A,C} 50% 23 Dolovanie frekventovaných množín Ide o kľúčový krok pri dolovaní asociačných pravidiel Frekventovaná množina položiek = množina položiek spĺňajúca stanovený prah minimálnej podpory Každá podmnožina frekventovanej množiny položiek musí byť tiež frekventovaná! t.j., ak {AB} je frekventovaná množina položiek, tak potom aj {A} aj {B} musia byť frekventované množiny položiek Princíp dolovania asociačných pravidiel: 1. Iteratívne nájdi všetky frekventované množiny položiek veľkosti od 1 po k (k-položkové množiny)... algoritmus Apriori 2. Použi frekventované množiny položiek pre generovanie asociačných pravidiel spĺňajúcich danú minimálnu spoľahlivosť 24
5 5 Algoritmus Apriori príklad Klasifikácia a predikcia Databáza D p.množina s L p. množina s TID položky C {1} {1} {2} 3 {2} Prezri D {3} 3 {3} {4} 1 {5} {5} 3 C 2 p. množina s C p. množina 2 L 2 p. množina s {1 2} 1 Prezri D {1 2} {1 3} 2 {1 3} 2 {1 3} {2 3} 2 {1 5} 1 {1 5} {2 5} 3 {2 3} 2 {2 3} {3 5} 2 {2 5} 3 {2 5} {3 5} 2 {3 5} C 3 p. množina {2 3 5} Prezri D L 3 p. množina s {2 3 5} 2 25 Klasifikácia: Predikuje kategorické označenia tried (predikovaný atribút je nominálny) Predikcia: Modeluje funkcie spojitých premenných, t.j. predikuje neznáme alebo chýbajúce hodnoty spojitého atribútu (predikovaný atribút je numerický) V oboch prípadoch ide o dvojkrokový proces: 1. Model sa konštruuje na základe trénovacej množiny, u ktorej máme informácie o predikovanom atribúte 2. Skonštruovaný model potom využíva pre klasifikáciu, resp. predikciu nových príkladov (hodnotu predikovaného atribútu ešte nepoznáme) 26 Malý príklad úlohy na klasifikáciu 27 Príklad trénovacej množiny - klasifikácia Teplota Vlhkosť Počasie Vietor? Trieda [ C] [%] Slnečno Áno Hrá sa Slnečno Áno Nehrá sa Slnečno Nie Nehrá sa Slnečno Nie Nehrá sa Slnečno Nie Hrá sa Zamračené Áno Hrá sa Zamračené Nie Hrá sa Zamračené Áno Hrá sa Zamračené Nie Hrá sa Dážď Áno Nehrá sa Dážď Áno Nehrá sa Dážď Nie Hrá sa Dážď Nie Hrá sa Dážď Nie Hrá sa 28 Príklad skonštruovan truovaného klasifikačného modelu vo forme rozhodovacieho stromu Teplota > Nehrá sa Počasie slnečno zamračené dážď Malý príklad úlohy na predikciu Vlhkosť Hrá sa Vietor 80 > 80 áno nie Hrá sa Nehrá sa Nehrá sa Hrá sa 29 30
6 (Y) 6 Príklad trénovacej množiny predikcia Daná je tabuľka dvojrozmerných hodnôt Nezávislá premenná X označuje počet rokov praxe daného absolventa vysokej školy Predikovaná premenná Y vyjadruje výšku jeho zárobku v tisícoch dolárov ročne Počet rokov praxe Príjem Príklad skonštruovan truovaného predikčného modelu vo forme regresnej priamky Z údajov možno vypočítať lineárny regresný model v tvare: Y = X Použitím tejto rovnice možno napr. predikovať, že absolvent danej vysokej školy s 10-ročnou (t.j. pre X=10) praxou by mal zarábať okolo ,- dolárov ročne (Y=23,6 + 3,5*10) Grafické znázornenie zornenie lineárneho predikčného modelu Postup pri prediktívnej analýze Trénovacie dáta Cieľ predikcie Testovacie dáta Znalosti Model (X) Nové dáta Predikcia Príklad kto nepodá daňov ové priznanie? Dáta o subjektoch za minulý rok Ciele: - urýchliť a zvýšiť výber daní - zistiť kto a prečo nepodáva priznania Dáta o subjektoch za predminulý rok Nové dáta o subjektoch za tento rok Nepodané/nesprávne priznania v minulom roku Výstupy: - poradie auditu podľa hodnoty rizika - informačná kampaň pre rizikové skupiny Nepodávajú: - nové subjekty (15%) - neziskovky (9%) If then... else - stratové firmy (5%) z = a +b*x + c*y + ID P Skupina IČO1 30% Vysoké riziko IČO2 5% Stredné riziko IČO3 1% Nízke riziko Dáta dostupné na: % target v skupine 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% Čo o chceme dosiahnuť prediktívnym modelom? 40% 25% Model vs. bežný výber 14% 8% 4% 3% 2% 2% 1% 1% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% % celkového počtu klientov Náhodný výber pozitívne prípady rovnomerne distribuované Ideálny model všetky pozitívne prípady na jednej strane Reálny model čím viac pozitívnych prípadov na jednej strane 36 model random
7 7 Metodológia vyhodnotenia (1) Metodológia vyhodnotenia (2) A Univerzum klientov C B D Najvyššia šanca Najnižšia šanca A najlepší klienti, oslovená skupina B najlepší klienti, neoslovená (kontrolná) skupina C ostatní klienti, neoslovená skupina D ostatní klienti, oslovená skupina S k ó r e Efekt oslovenia (úspešnosť A / úspešnosť B) vyjadruje prínos dosiahnutý komunikáciou s klientom oproti situácií, kedy klient nebol oslovený žiadnou ponukou. Efekt cielenia (A+B)/(C+D) vyjadruje koľko krát je vyššia úspešnosť vo vybranej skupine oproti úspešnosti medzi ostatnými klientmi Lift cielenia (A+B)/(A+B+C+D) koľko kráť je vyššia úspešnosť vo vybranej skupine oproti priemernej úspešnosti v celej populácií Ako vybrať správnu veľkosť oslovenej skupiny? Závisí od strategických plánov, nákladov na oslovenie a prínosu z pozitívnej reakcie Finančný prínos = (Počet reakcií * Zisk z reakcie) (Počet oslovených * Náklady na oslovenie) Paušálne náklady Príklad z praxe splátkov tková spoločnos nosť Príklad pokračovanie ovanie Predstavme si konkrétny produkt, pôžičku SKK na 2 roky, so splátkou 1199 SKK mesačne Priemerný mesačný predaj: 5000 pôžičiek Priemerná miera nesplácania: 10% z celkového počtu, t.j. 500 pôžičiek mesačne Odhad hrubého zisku na pôžičku: 1199* SKK = 8776 SKK (na jednu splatenú pôžičku) Odhad priemernej straty na pôžičku: SKK Priemerný zisk: 8776 * 5000 * 0.9 = SKK Priemerná strata: * 5000 * 0.1 = SKK 10 mil. straty čo s tým môžu urobiť? 39 Možno použiť prediktívnu analýzu založenú na takýchto dátach: 04/ /2005 Splatí / Nesplatí? 10/2007 Historické dáta Výber Sledované obdobie Dáta o splácaní predošlých úverov Dáta zo žiadosti o pôžičku Dáta o iných kúpených produktoch Štatistiky regiónu Model predikujúci pravdepodobnosť, že dotyčný žiadateľ pôžičku nesplatí P(nesplatí) Usporiadať klientov podľa P(nesplatí) a vytvoriť napr. 100 skupín po 1% klientov a vyhodnotíme: 40 % Pop # good # bad # total Lift Výsledok Úspora 0% n/a Sk 0 Sk 1% Sk Sk 2% Sk Sk 3% Sk Sk 4% Sk Sk 5% Sk Sk 6% Sk Sk 7% Sk Sk 8% Sk Sk 9% Sk Sk 10% Sk Sk 11% Sk Sk 100% Sk Sk 41 Príklad pokračovanie ovanie Lift a finančný efekt skupín v grafickom vyjadrení: Ak zamietneme 2% až 6% žiadostí o pôžičku, ušetríme mesačne vyše 1.5 mil. Sk 42
8 8 KDD Package Ide o integrované pracovné prostredie pre podporu celého procesu KDD Vyvinutý na KKUI, FEI TU Košice v rámci projektu GOAL ( Voľne dostupný na výskum a vzdelávanie ( Systém je otvorený a umožňuje ďalšie rozširovanie Hlavné ciele pri vzniku systému: Rýchle pripojenie na rôzne dátové zdroje (najmä dátové sklady, SQL databázy, textové súbory...) Názorná a flexibilná podpora predspracovania dát, najmä výber a transformácia dát (operácie nad riadkami a stĺpcami) Systém má byť otvorený pre ďalšie možné rozširovanie o nové techniky predspracovania, dolovania v dátach... Podpora pilotných aplikácií projektu GOAL (1. analýza predajov vstupeniek na návštevy kultúrnych pamiatok v južných Čechách, resp. 2. predikcia spotreby pitnej vody) 43 Existujúce DM moduly Na základe spomenutých pilotných aplikácií v projekte GOAL boli vyvinuté 4 moduly podporujúce 2 rôzne DM úlohy 1. Klasifikácia Rozhodovacie zoznamy (algoritmy CN2, RISE a viaceré techniky pre obojsmernú indukciu rozhodovacích pravidiel) Rozhodovacie stromy (algoritmus C4.5) 2. Predikcia Modelové stromy (M5 ) umožňujúce aj generovanie lineárnych regresných modelov a regresných stromov Učenie založené na inštanciách (so zabudovaným evolučným algoritmom pre optimalizáciu váh najbližších susedov... ) 44 Štruktúra ra KDD package Grafické používate vateľské rozhranie DB, Dátový sklad, Textový súbor Prístup k dátam Vizuálne nástroje pre manipuláciu s dátami Klasifikácia/ popis Predikcia Prístup k dátam Dolovanie v dátach Predspracovanie dát Operácie (undo/redo) Konfigurácia (nové DM moduly)... Moduly predspracovania dát Moduly DM Vizualizácia objavených znalostí ` Prístup k dátam d SQL wizard Vizualizácia dát SQL wizard Zoznam existujúcich aliasov Zvolená databáza Zoznam vytvorených pohľadov Rýchly náhľad Zoznam atribútov (stĺpce) Základné štatistiky o atribútoch 47 48
9 9 Výber dátd Detailný pohľad Dolovanie rozhodovacích ch zoznamov Nastavenia algoritmu CN2 Zoznam vytvorených pohľadov Vybrané stĺpce Vybrané riadky Základné informácie Nájdené zoznamy (pravidlá) Vizualizácia presnosti nájdených pravidiel Dolovanie rozhodovacích ch stromov Nastavenia parametrov C4.5 Odvodený rozhodovací strom v grafickej podobe Popis aktuálneho uzla stromu Dolovanie modelových stromov Nastavenia algoritmu M5 Modelový strom Odvodený rozhodovací strom v textovej podobe Distribúcia príkladov v aktuálnom uzle stromu 51 Listový uzol (lineárny model) 52 Predikcia učenu ením založeným na inštanci tanciách ch (1) Predikcia učenu ením založeným na inštanci tanciách ch (2) Váhy atribútov Počet susedov Váhy susedov Pracovný režim Korekčné váhy Parametre evolučného algoritmu Rôzne typy mierok chyby dosiahnutých pre danú množinu príkladov Výsledky predikcie pre jednotlivé prípady 53 54
10 10 Data Echocardiogram 2 Výsledky testov pre rozhodovacie zoznamy TWI-2P Rules CN2 Rules TWI-2P TWI-ID3 CN2 23 [11,12] ,2 ± 5,3 66,9 ± 6,9 68 ± 6,9 0 Glass [8, 17] 26 60,6 ± 6,1 62,8 ± 4,7 56,9 ± 5,2 Hayes-roth [18,3 ] 29 80,3 ± 3,4 81 ± 4,4 80,4 ± 4,6 Heart-desease [24,15] 52 78,7 ± 4,8 79,6 ± 4,3 78,6 ± 2,7 Hepatitis [13,7 ] 56 80,4 ± 4,4 81,3 ± 4,7 78,8 ± 4,3 Iris 20 7 [5, 2 ] 10 89,7 ± 7,4 93,8 ± 4,3 93,6 ± 2,4 Soybean [31,11] 41 85,6 ± 5,2 90,8 ± 2,3 89,7 ± 1,9 Thyroid-desease 2 30 [19,11] ± 1,5 97,8 ± 0,7 98,2 ± 0,8 Voting-records [12,8 ] ,6 ± 3 95,6 ± 2,4 95,4 ± 1,4 Wine 8 [4, 4 ] 11 93,1 ± 4,5 94,1± 3,9 92,9 ± 2,4 Výsledky modulu rozhodovacích ch pre prvú pilotnú aplikáciu Veľké skupiny cudzincov Stredné skupiny cudzincov (20 38) Menšie skupiny cudzincov (12 20) Malé skupiny zahraničných detí (8 12) Výsledky modelových stromov (predikcia výkonnosti procesorov) 1400, , ,00 800,00 600,00 400,00 200,00 0, Priemerná relatívna chyba na testovacej množine bola 29,971%, čo je lepšie ako dosiahli autori článku (34.1%) 57 Výsledky modulu učenia u založen eného na inštanci tanciách ch pre druhú pilotnú aplikáciu Lineárna regresia Regresný strom Modelový strom Vyhladený modelový strom Pruning factor MAE MSE RAE [%] Max. RAE [%] 218, ,403 76, ,47 1,1378E5 14, ,27 1,1445E5 15, , ,894 88,45 1,2 228,34 1,1194E5 14, , ,894 88, , ,268 80, , ,835 84, , ,171 85, Výsledky modulu učenia u založen eného na inštanci tanciách ch pre druhú pilotnú aplikáciu Priemerná relatívna chyba pre daný počet najbližších susedov meraná na testovacej množine (použité atribúty OUTFLOW_2, INFLOW_2, TEMP_15). NN TM1 TM2 Priemer Najlepší 3 12, , , , , , , , , , , , , , , ,85935 Popis: NN počet uvažovaných najbližších susedov TM1 Prvé meranie TM2 Druhé meranie 59
13 ISF
13 Informačný systém podniku 1. Postavenie manažérov v IS firiem Informatizácia proces uplatňovania informačnej techniky Infor. Technika všetky druhy prístrojov a zariadení na zber, prenos, spracovávanie,
PodrobnejšieSnímka 1
Generovanie LOGICKÝCH KONJUNKCIÍ doc. Ing. Kristína Machová, PhD. kristina.machova@tuke.sk http://people.tuke.sk/kristina.machova/ OSNOVA: 1. Prehľadávanie priestoru pojmov 2. Reprezentácia a použitie
PodrobnejšieÚvodná prednáška z RaL
Rozvrhovanie a logistika Základné informácie o predmete Logistika a jej ciele Štruktúra činností výrobnej logistiky Základné skupiny úloh výrobnej logistiky Metódy používané na riešenie úloh výrobnej logistiky
PodrobnejšieMO_pred1
Modelovanie a optimalizácia Ľudmila Jánošíková Katedra dopravných sietí Fakulta riadenia a informatiky Žilinská univerzita, Žilina Ludmila.Janosikova@fri.uniza.sk 041/5134 220 Modelovanie a optimalizácia
PodrobnejšieCvičenie I. Úvodné informácie, Ekonómia, Vedecký prístup
Cvičenie I. Úvodné informácie, Ekonómia, Vedecký prístup Úvodné informácie k štúdiu - cvičenia 2 semestrálne písomky (25 b, v 7. a 11. týždni, cvičebnica) Aktivita (max 10 b za semester, prezentácie, iné)
PodrobnejšieMicrosoft Word - Priloha_1.docx
Obsah 1 Úvod... 1 2 Hlavné menu verejnej časti ITMS2014+... 1 3 Zoznam ŽoNFP na verejnej časti ITMS2014+... 2 3.1 Vyhľadávanie ŽoNFP... 2 3.2 Horná lišta zoznamu ŽoNFP... 2 3.3 Stĺpce zoznamu ŽoNFP...
Podrobnejšieiot business hub whitepaper isdd_em_New.pdf
IoT Business Hub I.S.D.D. plus, s.r.o. Pažítková 5 821 01 Bratislava 27 Slovenská republika 1 IoT Business Hub Univerzálna platforma, pre vaše dáta z akýchkoľvek IoT zariadení prostredníctvom IoT siete
Podrobnejšie8 Cvičenie 1.1 Dokážte, že pre ľubovoľné body X, Y, Z platí X + Y Z = Z + Y X. 1.2 Dokážte, že pre ľubovoľné body A, B, D, E, F, G afinného priestoru
8 Cvičenie 1.1 Dokážte, že pre ľubovoľné body X, Y, Z platí X + Y Z = Z + Y X. 1. Dokážte, že pre ľubovoľné body A, B, D, E, F, G afinného priestoru P platí F B = F A, BD = AE, DG = EG F = G. 1.3 Dokážte
Podrobnejšie6
Komplexný monitorovací systém (systém komplexných výrobných informácií) Organizácia MESA International definuje MES ako: Systém ktorý poskytuje informácie umožňujúce realizovať optimalizáciu výrobných
PodrobnejšieŠtudijný program (Študijný odbor) Školiteľ Forma štúdia Téma Elektronické zbraňové systémy (8.4.3 Výzbroj a technika ozbrojených síl) doc. Ing. Martin
doc. Ing. Martin Marko, CSc. e-mail: martin.marko@aos.sk tel.: 0960 423878 Metódy kódovania a modulácie v konvergentných bojových rádiových sieťach Zameranie: Dizertačná práca sa bude zaoberať modernými
Podrobnejšie1. KOMPLEXNÉ ČÍSLA 1. Nájdite výsledok operácie v tvare x+yi, kde x, y R. a i (5 2i)(4 i) b. i(1 + i)(1 i)(1 + 2i)(1 2i) (1 7i) c. (2+3i) a+bi d
KOMPLEXNÉ ČÍSLA Nájdite výsledok operácie v tvare xyi, kde x, y R 7i (5 i)( i) i( i)( i)( i)( i) ( 7i) (i) abi a bi, a, b R i(i) 5i Nájdite x, y R také, e (x y) i(x y) = i (ix y)(x iy) = i y ix x iy i
PodrobnejšieDigitálne mesto kam smerujú elektronické služby a moderné technológie pre samosprávu Ing. Ľuboš Petrík
Digitálne mesto kam smerujú elektronické služby a moderné technológie pre samosprávu Ing. Ľuboš Petrík Digitálne mesto: témy ü Stručne: aktuálna situácia ü Trendy v oblasti IT ü Blízka alebo vzdialená
PodrobnejšiePrezentácia programu PowerPoint
Kupónový marketing ako významný zdroj získavania zákazníkov Aký je súčasný pohľad na kupónový marketing? Spotrebitelia majú radi šetrenie peňazí, alebo iné formy benefitov Ľudia oceňujú stručné a informatívne
PodrobnejšieMicrosoft PowerPoint - OOP_prednaska_10.pptx
Creational Design Patterns Lecture #10 doc. Ing. Martin Tomášek, PhD. Department of Computers and Informatics Faculty of Electrical Engineering and Informatics Technical University of Košice 2018/2019
PodrobnejšieRiesenie_zasielkovna
Popis príkladu riešenia začlenenia výberu doručovacieho (výdajného ) miesta pre ZÁSIELKOVŇA.SK do e-shopu vytvoreného programom WebSite X5 Obrázky z náhľadu na webovú stránku ZASIELKOVŇA.SK Programové
PodrobnejšieRozdeľovanie IT zákaziek UX Peter Kulich
Rozdeľovanie IT zákaziek UX Peter Kulich Čo to user experience (UX) je? Nejde len o testovanie na používateľoch a návrh fancy webového rozhrania Čo to user experience (UX) je? Obhajuje požiadavky, očakávania
Podrobnejšie7/1/2015 Úvod do databáz, skúškový test, max 25 bodov, 90 min
19/1/2017 Úvod do databáz, skúškový test, max 60 bodov 1. Uvažujte databázu bez duplikátov a null hodnôt: lubipijan, Alkohol, navstivilidn, Pijan, Krcma, vypilidn, Alkohol, Mnozstvo. Platí: Idn Pijan,
PodrobnejšieWP summary
TESTOVANIE PRAVDEPODOBNOSTNÉHO ROZDELENIA PREDIKČNÝCH CHÝB MARIÁN VÁVRA NETECHNICKÉ ZHRNUTIE 3/2018 Národná banka Slovenska www.nbs.sk Imricha Karvaša 1 813 25 Bratislava research@nbs.sk júl 2018 ISSN
PodrobnejšieMicrosoft PowerPoint - Horniaček_Prezentácia_Transferové oceňovanie
Rozšírenie pravidiel transferového oceňovania na vzťahy medzi tuzemskými závislými osobami od 1.1.2015 - základný právny rámec po novele ZDP č. 333/2014 Z. z., príp. 253/2015 Z. z. 1 Transferové oceňovanie
PodrobnejšieSK01-KA O1 Analýza potrieb Zhrnutie BCIME tím Vyhlásenie: "Podpora Európskej komisie pre výrobu tejto publikácie nepredstavuje súhlas
2018-1-SK01-KA203-046318 O1 Analýza potrieb Zhrnutie BCIME tím Vyhlásenie: "Podpora Európskej komisie pre výrobu tejto publikácie nepredstavuje súhlas s obsahom, ktorý odráža iba názory autorov a Európska
PodrobnejšieHospodarska_informatika_2015_2016a
Gestorská katedra: Študijný program 1. stupňa: Garant študijného programu: KAI FHI EU v Bratislave Hospodárska informatika denné štúdium 1. ročník doc. Ing. Gabriela Kristová, PhD. Bakalárske štúdium -
PodrobnejšieMicrosoft Word - Argumentation_presentation.doc
ARGUMENTÁCIA V. Kvasnička Ústav aplikovanej informatiky FIIT STU Seminár UI, dňa 21.11.2008 Priesvitka 1 Úvodné poznámky Argumentácia patrí medzi dôležité aspekty ľudskej inteligencie. Integrálnou súčasťou
PodrobnejšieDobývanie znalostí
Dobývanie znalostí Vranec Maroš, Lučanský Ján Zadanie Predikcia pozície internetových stránok na kľúčové slovo vo vyhľadávači Google* * www.google.cz * site:cz Využitie Pri SEO (Search Engine Optimization)
PodrobnejšieMicrosoft Word - Transparencies03.doc
3. prednáška Teória množín II relácie o operácie nad reláciami o rovnosť o usporiadanosť funkcie o zložená funkcia o inverzná funkcia. Verzia: 20. 3. 2006 Priesvitka: 1 Relácie Definícia. Nech X a Y sú
PodrobnejšieÚrad pre dohľad nad zdravotnou starostlivosťou Žellova 2, Bratislava Dátové rozhranie pre externý subjekt FR SR Strana 1 z 11 Dátové rozhranie
Strana 1 z 11 Dátové rozhranie - dávka 568 Popis dávky: Oznámenie FR SR o a) vymeriavacích základoch fyzických osôb podľa 13 a údajov pre vykonanie ročného zúčtovania poistného podľa 19 zákona č. 580/2004
PodrobnejšiePríloha č. 2 Vyzvania pre finančné nástroje OP KŽP OPKZP-PO4-SC411/421/ FN Zoznam povinných merateľných ukazovateľov Operačný program Prioritn
Príloha č. 2 Vyzvania pre finančné nástroje OP KŽP OPKZP-PO4-SC411/421/431-2016-FN Zoznam povinných merateľných ukazovateľov Operačný program Prioritná os Operačný program Kvalita životného prostredia
PodrobnejšieManažment v Tvorbe Softvéru 2018/2019
(dokonč.) MTS 2018/19 I. M. rozsahu projektu II. M. rozvrhu projektu III. M. nákladov projektu rozsahu rozvrhu Definovanie činností nákladov Získanie požiadaviek Zoradenie činností Odhad trvania činností
PodrobnejšieDidaktické testy
Didaktické testy Didaktický test - Nástroj systematického zisťovania výsledkov výuky - Obsahuje prvky, ktoré je možné využiť aj v pedagogickom výskume Druhy didaktických testov A) Didaktické testy podľa
PodrobnejšieInteligentné rozhodovacie systémy Heuristické prehľadávanie SP Október, 2018 Katedra kybernetiky
Inteligentné rozhodovacie systémy Heuristické prehľadávanie SP Marian.Mach@tuke.sk http://people.tuke.sk/marian.mach Október, 2018 Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach 1 Best-first
PodrobnejšieJednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2011/2012 Jednotkový koreň(unit roo
Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2011/2012 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/18
PodrobnejšieModelovanie nového produktu na trhu: Bassov model Beáta Stehlíková Cvičenia z časových radov, FMFI UK Modelovanie nového produktu na trhu: Bassov mode
Modelovanie nového produktu na trhu: Bassov model Beáta Stehlíková Cvičenia z časových radov, FMFI UK Modelovanie nového produktu na trhu: Bassov model p.1/19 Úvod Frank Bass (1926-2006) - priekopník matematických
PodrobnejšieSAEAUT SNMP OPC Server
SAEAUT SNMP OPC Server Monitoring a riadenie s využitím SNMP protokolu a prepojenie s inými systémami cez OPC. SAE Automation, s.r.o., Nová Dubnica Interoperabilita pre Vaše zariadenia a softvérové aplikácie
PodrobnejšieMicrosoft Word Nextra_ADSLink.doc
Nextra ADSLink Nové služby Nextra ADSLink umožňujú zákazníkom pripojiť sa na internet prostredníctvom technológie ADSL. Technológia ADSL efektívne využíva existujúce telefónne siete, bez dramatických zásahov
PodrobnejšieAplikácia vybraných probačných programov
JA Pezinok, ÚPV Banská Bystrica, KS Košice September október 2018 Samuel BURSÝ Vladimír CEHLÁR Mandát PaMÚ Rola a postavenie PaMÚ v procese probácie Kompetencia, kompetentnosť & probačný program Prevencia
PodrobnejšieSnímek 1
Digitálne mesto v cloude Ing. Ľuboš Petrík DATALAN - Riešenia pre samosprávu Najsilnejší tím na Slovensku s dlhoročnými skúsenosťami a špecializáciou pre potreby miest a obcí Akvizícia Euroaltis - pozícia
PodrobnejšieNSK Karta PDF
Názov kvalifikácie: Architekt informačných systémov Kód kvalifikácie U2511002-01348 Úroveň SKKR 6 Sektorová rada IT a telekomunikácie SK ISCO-08 2511002 / IT architekt, projektant SK NACE Rev.2 J INFORMÁCIE
PodrobnejšieAktion.NEXT Novinky vo verzii 1.9
Aktion.NEXT Novinky vo verzii 1.9 Windows aplikácia Nové moduly a funkcionalita Prídavné moduly rozširujú systém Aktion.NEXT o dodatočné agendy a funkcie. Môže sa jednať o úplne novú funkcionalitu, ktorá
PodrobnejšieMatematický model činnosti sekvenčného obvodu 7 MATEMATICKÝ MODEL ČINNOSTI SEKVENČNÉHO OBVODU Konečný automat predstavuje matematický model sekvenčnéh
7 MTEMTICKÝ MODEL ČINNOSTI SEKVENČNÉHO OBVODU Konečný automat predstavuje matematický model sekvenčného obvodu. Konečný automat je usporiadaná pätica = (X, S, Y, δ, λ,) (7.) kde X je konečná neprázdna
PodrobnejšiePracovný postup pre vypĺňanie údajov elektronického formulára IŠIS pre spravodajskú jednotku 1
Pracovný postup pre vypĺňanie údajov elektronického formulára IŠIS pre spravodajskú jednotku 1 Prihláste sa do aplikácie pomocou prihlasovacích údajov pre spravodajskú jednotku. Link na aplikáciu: http://isis.statistics.sk/
PodrobnejšieSnímka 1
Analýza sentimentu doc. Ing. Kristína Machová, PhD. kristina.machova@tuke.sk http://people.tuke.sk/kristina.machova Osnova: 1. Analýza sentimentu 2. Diskusné skupiny 3. Klasifikácia názorov Analýza sentimentu
PodrobnejšieŠtudijný program (Študijný odbor) Školiteľ Forma štúdia Téma Požiadavky na prijatie Výzbroj a technika ozbrojených síl (8.4.3 Výzbroj a technika ozbro
(8.4.3 ) doc. Ing. Martin Marko, CSc. e mail: martin.marko@aos.sk tel.:0960 423878 Elektromagnetická kompatibilita mobilných platforiem komunikačných systémov. Zameranie: Analýza metód a prostriedkov vedúcich
PodrobnejšiePrezentace aplikace PowerPoint
Ako vytvárať spätnú väzbu v interaktívnom matematickom učebnom prostredí Stanislav Lukáč, Jozef Sekerák Implementácia spätnej väzby Vysvetlenie riešenia problému, podnety pre konkrétne akcie vedúce k riešeniu
PodrobnejšiePortál VŠ a CEP
Portál VŠ a jeho zjednocovacia úloha RNDr. Darina Tothová, PhD. Ing. Ľuboš Magát Ing. Juraj Fabuš, PhD., Ing. Jozef Koricina EUNIS - SK KĽÚČOVÉ SYSTÉMY VYSOKEJ ŠKOLY akademický informačný systém, ekonomický
PodrobnejšiePowerPoint Presentation
@ λ UINF/PAZ1c epizóda 8 framework vs. knižnica Knižnica vs. Framework Knižnica množina tried a ich metód, ktoré vytvoríme/zavoláme a oni pre nás niečo spravia Framework program, ktorému podhodíme
PodrobnejšieÚrad pre dohľad nad zdravotnou starostlivosťou Žellova 2, Bratislava Dátové rozhranie pre externý subjekt MV SR Strana 1 z 10 Dátové rozhranie
Strana 1 z 10 Dátové rozhranie dávka 563 Popis dávky: Oznámenie MV SR o fyzických osobách, u ktorých je platiteľom poistného štát z dôvodu evidencie ako fyzickej osoby, ktorá poberá dôchodok alebo dôchodok
Podrobnejšiefm 2012 a predajňa.doc
WISP Predajňa a FM od 01.01.2012 Od verzie programu 165.2928 a DB 165.1079 sú v programe doplnené a doladené úpravy pre užívateľov WISPu, modulu Predajňa. Potrebné nastavenia modulu Predajňa a Fiškálneho
PodrobnejšiePrezentácia programu PowerPoint
Osobnosť tvoria jedinečné charakteristiky spôsobu myslenia, cítenia, správania spolu s mechanizmami (skrytými alebo nie) za týmito procesmi. Základné prístupy k osobnosti a ich kľúčové témy Základný prístup
PodrobnejšieAGENTÚRA NA PODPORU VÝSKUMU A VÝVOJA Výzva v rámci programu Podpora výskumu a vývoja v malých a stredných podnikoch zameraná na podporu start-up a spi
Výzva v rámci programu Podpora výskumu a vývoja v malých a stredných podnikoch zameraná na podporu start-up a spin-off podnikov VMSP 2009-II Bratislava 22.10.2009 Košice 27.10.2009 Žilina 28.10.2009 Mgr.
PodrobnejšieSLOVENSKÁ INOVAČNÁ A ENERGETICKÁ AGENTÚRA Svetelno-technická štúdia (Odporúčaná štruktúra častí príloh, ktoré sú súčasťou projektov modernizácie verej
Svetelno-technická štúdia (Odporúčaná štruktúra častí príloh, ktoré sú súčasťou projektov modernizácie verejného osvetlenia vo Výzve KaHR-22VS-0801) Základné rozdelenie štúdie 1. Technické zhodnotenie
PodrobnejšiePowerPoint Presentation
KNOW WHERE IT IS Riešenie na evidenciu a inventarizáciu hmotného a nehmotného majetku Facility Management Days 2019 Hotel TATRA 04.06.2019 Ing. Miroslav Blažovský Sales Manager Obsah O spoločnosti Problémy/Riešenie
PodrobnejšieDetekcia akustických udalostí v bezpečnostných aplikáciách
TECHNICKÁ UNIVERZITA V KOŠICIACH FAKULTA ELEKTROTECHNIKY A INFORMATIKY KATEDRA ELEKTRONIKY AMULTIMEDIÁLNYCH TECHNOLÓGIÍ Metódy sledovania objektov vo videosekvenciách na báze geometrických vlastností Študijný
PodrobnejšiePrezentácia programu PowerPoint
media kit 2019 Naše portfólio O nás denník Pravda Pravda magazín Varecha Dobré zdravie Užitočná Pravda iné tematické prílohy... knižné publikácie Daňové zákony Recepty z Varecha.sk Pravda.sk spravodajstvo
PodrobnejšieÚvod do lineárnej algebry Monika Molnárová Prednášky 2006
Úvod do lineárnej algebry Monika Molnárová Prednášky 2006 Prednášky: 1. 3. marca 2006 2. 10. marca 2006 c RNDr. Monika Molnárová, PhD. Obsah 1 Aritmetické vektory a matice 4 1.1 Aritmetické vektory........................
PodrobnejšieDetekcia anomálií
Detekcia anomálií OBSAH PREDNÁŠKY Validácia zhlukov dokončenie minulej prednášky interné a externé kritériá validity Úvod do detekcie anomálií, príklady aplikácií Analýza extrémnych hodnôt (extreme value
PodrobnejšieBez nadpisu
Manažment rizika vo vzťahu k zásobovaniu pitnou vodou od vodného zdroja po vodovodný kohútik Programy monitorovania a úvahy nad rizikovou analýzou v BVS, a.s. Ing. Alena Trančíková Plány bezpečného zásobovania
PodrobnejšieSnímka 1
Moderné vzdelávanie pre vedomostnú spoločnosť/projekt je spolufinancovaný zo zdrojov EÚ Ciele štúdie PISA a jej priebeh na národnej úrovni Finančná a štatistická gramotnosť žiakov v kontexte medzinárodných
PodrobnejšieIAB budicek - Branding Landscape & Research options_FINAL_Gregor.pptx
NES SA BRAND UDUJE V DIGITÁLI Štrukturálna štúdia pre AIMmonitor FOCUS 3,800,000 Internetová populácia SR 12+ 3,757,883 3,743,804 4 mln /2019 3,700,000 3,600,000 3,599,551 Y/Y +3-4% 3,500,000 3,400,000
Podrobnejšiegis5 prifuk
Úrovne implementácie vektorového GIS. Eva Mičietová Univerzita Komenského v Bratislave Prírodovedecká fakulta Katedra kartografie, geoinformatiky a diaľkového prieskumu zeme Email: miciet@fns.uniba.sk
PodrobnejšieStravné - přecenění
Vytvorenie a nastavenie novej kategórie pre Obedy zadarmo pre Materskú školu Platí pre verziu programu Stravné 4.61 a 4.62 POZOR! Postup pre jedálne ZÁKLADNÝCH ŠKÔL, ktoré majú povinnosť sledovať dotácie
Podrobnejšieenum
Objektovo orientované programovanie (enumeračné typy) 8. prednáška (3. časť) Vladislav Novák FEI STU v Bratislave 4.11.2014 (úprava 10.11. na str. 1, 3, 5) Enumeračné typy (Vymenované typy) Enumeračný
PodrobnejšieStyle Sample for C&N Word Style Sheet
Podmienky používania IBM Podmienky pre konkrétnu ponuku služieb SaaS IBM Cloud Adoption and Deployment Services Podmienky používania ( Podmienky používania ) pozostávajú z tohto dokumentu Podmienky používania
PodrobnejšieIT NEWS
Objednávanie cez e-shop pre firmy (B2B) Jún 2019 Vypracoval: RNDr. Andrea Allárová, e-commerce manager Prihlásenie na stránku Pred prvým prihlásením na stránku www.hagard.sk kontaktujte svojho prideleného
PodrobnejšieČo sú pojmové mapy 1 Charakterizácia pojmových máp pojmové mapy sú diagramy, ktoré vyjadrujú podstatné vzťahy medzi pojmami vo forme tvrdení. Tvrdenia
Čo sú pojmové mapy 1 Charakterizácia pojmových máp pojmové mapy sú diagramy, ktoré vyjadrujú podstatné vzťahy medzi pojmami vo forme tvrdení. Tvrdenia sú v nich reprezentované stručne charakterizovanými
PodrobnejšieBUSINESS INTELLIGENCE (BI) MAGIC Štatistiky Obchod a sklady
BUSINESS INTELLIGENCE (BI) MAGIC Štatistiky Obchod a sklady Dobrý deň, Hľadáte spôsob ako účinne a účelne podporovať rozhodovanie vo Vašej spoločnosti? Ing. Vladimír Putyra riaditeľ a konateľ Radi by sme
PodrobnejšiePredchádzame vzniku odpadov Vyhodnotenie dotazníka 1. Pohlavie respondentov muži ženy neuvedené Vek respondentov
Predchádzame vzniku odpadov Vyhodnotenie dotazníka 1. Pohlavie respondentov 2 119 muži ženy neuvedené 2. Vek respondentov 1 1 1 187 26 1 5 4 3 1 5 6-1 11-15 16-24 - 3 31-35 36-45 46-55 56 a viac 3. Už
PodrobnejšieC(2014)5449/F1 - SK
Príloha 7 zo 7 Vzor správy o monitorovaní Správa o monitorovaní programu xxxxxx 2014 / H1 Návrh znenia č. 1 Vydal vykonávací orgán xx/xx/2014 1 Obsah Zoznam skratiek a akronymov Oddiel A Zhrnutie Zhrnutie
PodrobnejšieGIS ako nástroj priestorového rozhodovania
Rastrový GIS ako nástroj priestorového rozhodovania Priestorové rozhodovanie Mapová algebra Priestorové rozhodovanie Rôzne úrovne priestorového riadenia Viac variantov rozhodovania Každý variant sa vyhodnocuje
PodrobnejšieECDL Syllabus V50 SK-V01
SYLLABUS ECDL Modul Computing, M16 (Základy informatického myslenia a programovania) Sylabus, verzia 1.0 ECDL Module Computing Syllabus Version 1.0 Účel Tento dokument uvádza v plnom znení sylabus pre
PodrobnejšieDOTAZNÍK PRE POISTENIE MONTÁŽNYCH PRÁC 1.Názov montážneho diela ( ak montážne dielo pozostáva z viacerých častí, uveďte tie, ktoré majú byť poistené)
DOTAZNÍK PRE POISTENIE MONTÁŽNYCH PRÁC 1.Názov montážneho diela ( ak montážne dielo pozostáva z viacerých častí, uveďte tie, ktoré majú byť poistené) 2. Miesto výkonu montážnych prác Mesto, obec 3. Investor
PodrobnejšieO babirusách
VAN HIELE: ROZVOJ GEOMETRICKÉHO MYSLENIA VYRIEŠTE ÚLOHU Máme danú priamku e. Ktoré body ležia vo vzdialenosti 5cm od tejto priamky? Zoraďte žiacke riešenia v dokumente VanHiele_riesenia.pdf podľa úrovne
PodrobnejšieTeória pravdepodobnosti Zákony velkých císel
10. Zákony veľkých čísel Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 6. apríla 2014 1 Zákony veľkých čísel 2 Centrálna limitná veta Zákony veľkých čísel Motivácia
PodrobnejšieDediĊnosť
Gymnázium, Praha 10, Voděradská 2 Projekt OBZORY Dedičnosť v jazyku C# Praha & EU: Investujeme do vaší budoucnosti Evropský sociální fond OOP rekapitulácia Trieda je základná jednotka objektového programovania
PodrobnejšieEfektívne spôsoby zníženia nákladov na energie a vplyvu na životné prostredie pri prevádzke zimných štadiónov.
KONFERENCIA OBNOVA HOKEJOVEJ INFRAŠTRUKTÚRY 06.06.2018 Šaľa Efektívne spôsoby zníženia nákladov na energie a vplyvu na životné prostredie pri prevádzke zimných štadiónov Vladimír Valach Volt consulting,
PodrobnejšieMicrosoft Word - prechod_euro_prolca.doc
Prechod registračnej pokladne na EURO Čo sa musí vykonať pri prechode na EURO? Fiskálny modul - nastavenie prechodu na EURO. Precenenie predajných cien na kartách tovarov. Precenenie predajných cien na
PodrobnejšieÚrad pre dohľad nad zdravotnou starostlivosťou Žellova 2, Bratislava Dátové rozhranie pre externý subjekt MV SR Strana 1 z 10 Dátové rozhranie
Strana 1 z 10 Dátové rozhranie dávka 563 Popis dávky: Oznámenie MV SR o fyzických osobách, u ktorých je platiteľom poistného štát z dôvodu evidencie ako fyzickej osoby, ktorá poberá dôchodok alebo dôchodok
PodrobnejšieSTRUČNÝ NÁVOD KU IP-COACHU
STRUČNÝ NÁVOD KU COACHU 5 Otvorenie programu a voľba úlohy na meranie Otvorenie programu Program IP- COACH na meranie otvoríme kliknutím na ikonu na obrazovke: Obr.1 Voľba úlohy na meranie Po kliknutí
PodrobnejšiePrincípy tvorby softvéru Modelovanie domény
Princípy tvorby softvéru Robert Luko ka lukotka@dcs.fmph.uniba.sk M-255 Princípy tvorby softvéru ƒo je to doménový model? Doménový model je konceptuálny model (reprezentuje koncepty (entity) a vz ahy medzi
Podrobnejšiebakalarska prezentacia.key
Inteligentné vyhľadávanie v systéme na evidenciu skautských družinových hier Richard Dvorský Základné pojmy Generátor družinoviek Inteligentné vyhľadávanie Ako to funguje Základné pojmy Skautská družina
PodrobnejšieNSK Karta PDF
Názov kvalifikácie: Špecialista bezpečnosti a ochrany zdravia pri práci Kód kvalifikácie U2149008-01016 Úroveň SKKR 5 Sektorová rada Administratíva, ekonomika a manažment SK ISCO-08 2149008 / Špecialista
PodrobnejšieJazykom riadená vizuálna pozornosť - konekcionistický model Igor Farkaš Katedra aplikovanej informatiky / Centrum pre kognitívnu vedu Fakulta matemati
Jazykom riadená vizuálna pozornosť - konekcionistický model Igor Farkaš Katedra aplikovanej informatiky / Centrum pre kognitívnu vedu Fakulta matematiky, fyziky a informatiky Univerzita Komenského v Bratislave
PodrobnejšieMicrosoft Word - o09_Používateľská príručka ku kontrole kupónov na webe_v4.doc
POUŽÍVATEĽSKÁ PRÍRUČKA KU KONTROLE KUPÓNOV LE CHEQUE DEJEUNER s.r.o. NA WEBE OBSAH I. PRIHLÁSENIE... 3 II. OVEROVANIE SKENEROM... 3 III. OVEROVANIE MANUÁLNYM ZADANÍM... 3 IV. CHYBOVÉ HLÁSENIA... 4 1) Opakované
PodrobnejšieDIDKATICKÉ POSTUPY UČITEĽA
DIDAKTICKÉ MYSLENIE A POSTUPY UČITEĽA OBOZNÁMENIE SA SO VŠEOBECNÝMI CIEĽMI VÝUČBY A PREDMETU UJASNENIE TÉMY V RÁMCI TEMATICKÉHO CELKU DIDAKTICKÁ ANALÝZA UČIVA KONKRETIZÁCIA CIEĽOV VO VZŤAHU MOŽNOSTIAM
PodrobnejšieModels of marital status and childbearing
Models of marital status and childbearing Montgomery and Trussell Michaela Potančoková Výskumné demografické centrum http://www.infostat.sk/vdc Obsah Demografické modely Ekonomické modely: Sobášnosti a
PodrobnejšiePrezentácia programu PowerPoint
Praktické skúsenosti s použitím rôznych metód sledovania teploty PharmDr Daniela Jenisová 6.12.2016 Conforum Workshop Monitorovanie teploty Podľa smerníc pre prepravu farmaceutických produktov je nutné
PodrobnejšieFeasibility_Study
Pavol Plesník Feasibility Study ako nástroj n investičného rozhodovania Prednáš áška je spracovaná podľa a predlohy: Labart Hospitality s.r.o. Praha, 2009 Feasibility Study ( š( štúdia uskutočnite niteľnosti
PodrobnejšiePísomný test k predmetu Tvorba informačných systémov, pondelok, 16.januára 2012, čas: 120 minút. Odpovede píšte priamo k otázkam, ak potrebujete viac
Písomný test k predmetu Tvorba informačných systémov, pondelok, 16.januára 2012, čas: 120 minút. Odpovede píšte priamo k otázkam, ak potrebujete viac papiera, zdvihnite ruku. Na každý jeden papier napíšte
PodrobnejšieStravné - přecenění
Vytvorenie a nastavenie novej kategórie pre Obedy zadarmo Platí pre verziu programu Stravné 4.61 POZOR! Postup pre jedálne základných škôl, ktoré majú povinnosť sledovať dotácie od 1. 9. 2019 je uvedený
PodrobnejšieVýhľad Slovenska na najbližšie roky
Výhľad Slovenska na najbližšie roky Martin Šuster Bratislava, konferencia FRP 218 24. 1. 218 Predikcia rastu HDP a cien HDP Inflácia Zdroj: NBS. 2 Strednodobá predikcia P3Q-218 Skutočnosť P3Q-218 217 218
PodrobnejšieMicrosoft PowerPoint - Kovalcik
EKONOMICKÉ VÝSLEDKY LH SR A VPLYV SVETOVEJ FINANČNEJ A HOSPODÁRSKEJ KRÍZY Ing. Miroslav Kovalčík k a kol. Aktuálne otázky ekonomiky LH SR Zvolen 21.10.2009 EKONOMICKÉ VÝSLEDKY LH SR A VPLYV SVETOVEJ FINANČNEJ
PodrobnejšiePočítačové siete DOCSIS
Počítačové siete DOCSIS DOCSIS Data Over Cable Service Interface Specif. používaný na prenos IP paketov cez rozvody káblovej TV využíva koaxiálne / hybridné siete hybridné = kombinácia optických káblov
PodrobnejšieTue Oct 3 22:05:51 CEST Začiatky s jazykom C 2.1 Štruktúra programu Štruktúra programu by sa dala jednoducho popísať nasledovnými časťami, kto
Tue Oct 3 22:05:51 CEST 2006 2. Začiatky s jazykom C 2.1 Štruktúra programu Štruktúra programu by sa dala jednoducho popísať nasledovnými časťami, ktoré si postupne rozoberieme: dátové typy príkazy bloky
PodrobnejšiePhoto Album
MZDY Stravné lístky COMPEKO, 2019 V programe je prepracovaná práca s evidencoiu stravných lístkov. Z hľadiska dátových štruktúr je spracovanie stravných lístkov rozložené do súborov MZSTRLH.dbf a MZSTRLP.dbf,
PodrobnejšieAkreditovaný polročný kurz Riadenie a rozvoj ľudských zdrojov
Akreditovaný polročný kurz Riadenie a rozvoj ľudských zdrojov Kurz pre pracovníkov HR útvarov Kurz Rozvoj a riadenie ľudských zdrojov je Ministerstvom školstva SR akreditovaný intenzívny kvalifikačný kurz
PodrobnejšieMicrosoft Word - Algoritmy a informatika-priesvitky02.doc
3. prednáška Teória množín I množina operácie nad množinami množinová algebra mohutnosť a enumerácia karteziánsky súčin Priesvtika: 1 Definícia množiny Koncepcia množiny patrí medzi základné formálne prostriedky
PodrobnejšieA 1
Matematika A :: Test na skúške (ukážka) :: 05 Daná je funkcia g : y 5 arccos a) Zistite oblasť definície funkcie b) vyjadrite inverznú funkciu g Zistite rovnice asymptot (so smernicou bez smernice) grafu
PodrobnejšieMicrosoft Word - manual_ESS_2010
Manuál projektu ESS 2010 Školiaci materiál k projektu ESS 2010 Čo je Európska sociálna sonda? ESS je medzinárodný výskumný projekt, cieľom ktorého je monitorovať a interpretovať postoje a názory obyvateľov
PodrobnejšieInštitút zamestnanosti Inkluzívne zamestnávanie Michal Páleník
Inštitút zamestnanosti Inkluzívne zamestnávanie Michal Páleník Projekt Verejné politiky zamestnanosti Inkluzívne zamestnávanie Sociálny systém Číslo: AO-1-08 program: Aktívne občianstvo a inklúzia, Program
PodrobnejšiePowerPoint Presentation
Simona Silošová, OMD Business Development BLOCKBUSTERS - KOMUNIKÁCIA KTORÁ BAVÍ 1 V SKRATKE... 1 2 3 4 Čo blockbusters znamenajú Ako vznikajú a aké je ich uplatnenie v reklamnej komunikácii Prečo ľudí
Podrobnejšie1
1. CHARAKTERISTIKA DIGITÁLNEHO SYSTÉMU A. Charakteristika digitálneho systému Digitálny systém je dynamický systém (vo všeobecnosti) so vstupnými, v čase premennými veličinami, výstupnými premennými veličinami
PodrobnejšieSUZA mazagx
PRÍSTUP K IMPLEMENTÁCII MANAŽÉRSTVA KVALITY V ŠTÁTNOM ÚSTAVE PRE KONTROLU LIEČIV JAN MAZAG 7. Národná konferencia o kvalite Bratislava, december 2010, ŠÚKL je podriadenou organizáciou Ministerstva zdravotníctva
Podrobnejšie