Bánsághi Anna Bánsághi Anna 1 of 70

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Bánsághi Anna anna.bansaghi@mamikon.net. Bánsághi Anna 1 of 70"

Átírás

1 SZOFTVERTECHNOLÓGIA Bánsághi Anna 7. ELŐADÁS - RENDSZERTERVEZÉS 3 Bánsághi Anna 1 of 70

2 TEMATIKA I. SZOFTVERTECHNOLÓGIA ALTERÜLETEI II. KÖVETELMÉNY MENEDZSMENT III. RENDSZERMODELLEK IV. RENDSZERARCHITEKTÚRÁK V. RENDSZERTERVEZÉS VI. VALIDÁCIÓ, VERIFIKÁCIÓ VII. MINŐSÉGBIZTOSÍTÁS VIII. TESZTELÉS Bánsághi Anna 2 of 70

3 V. RENDSZERTERVEZÉS 1. Valós idejű rendszerek 2. Objektumorientált tervezés 3. Tervezés újrafelhasználással 4. Adatorientált rendszerek Bánsághi Anna 3 of 70

4 4. ADATBÁNYÁSZAT az adatbázisokban végzett tudásfeltárás, a nagy adathalmazokban rejlő alakzatok feltárására szolgáló módszerek összessége multidiszciplináris tudomány, támaszkodik magára az adatbázis technológiára, de ezen felül a mesterséges intelligencia, a gépi tanulás, a neurális hálók, az alakfelismerés, a nagy teljesítményű számítások és a vizuális adatmegjelenítés területeire Bánsághi Anna 4 of 70

5 ADATBÁNYÁSZATI FELADATOK leíró adatbányászat a tárolt adatok általános jellemzőinek feltárása, tömör és összegző leírása előrejelző adatbányászat meglévő adatokból prognosztizál, az adatok újonnan felfedezett tulajdonságaira épülő új adatmodelleket hoz létre Bánsághi Anna 5 of 70

6 ADATBÁNYÁSZAT MOTIVÁCIÓJA gyorsuló ütemben növekedő adatmennyiség üzleti igény az adatokban rejlő információk kinyerésére definíció döntéstámogatási folyamat, amely érvényes, hasznos, rejtett (korábban nem ismert) információt állít elő nagy mennyiségű jellemzően adatbázisokban tárolt adatból automatizálható folyamat, tehát emberi erőforrás igénye alacsony és gyorsan generálhatók az információk Bánsághi Anna 6 of 70

7 DEFINÍCIÓ ELEMEI folyamat nem dobozos termék, hanem átfogó tudást igényel az alkalmazása is érvényes pontosság, statisztikai szignifikancia, teljesség hasznos adjon új, értékes ismereteket gyakran nehéz az üzleti értéket meghatározni rejtett (előzőleg nem ismert) hipotézis megerősítése vs. új felfedezése előrejelző vs. leíró adatbányászat Bánsághi Anna 7 of 70

8 HONNAN JÖN A SOK ADAT? életünk szinte minden rezdülése adatként le van tárolva valahol személyes vásárlás, internet- és mobilhasználat, egészségi adatok, közlekedés (GPS) szervezeti működés termelő rendszerek, kutatás, fejlesztés, szervezeti Bánsághi Anna 8 of 70

9 HOL TÁROLÓDIK A SOK ADAT? tradicionális relációs adatbázisban már csak az adatok kb. 20%-át tárolják új technológiák jelentek meg NoSQL dokumentum (XML), gráf, kulcs-érték párok tárolása Hadoop elosztott számítású és elosztott tárolású rendszerek Bánsághi Anna 9 of 70

10 MILYEN SZERKEZETŰEK AZ ADATOK? struktúrált struktúráltalan relációs adatbázisbeli adatok szöveg, audio, video Bánsághi Anna 10 of 70

11 ADATTÍPUSOK tranzakciós adatbázisok analitikus adatbázisok térinformatikai adatok idősor és temporális adatok szöveges és multimédia adatok internet Bánsághi Anna 11 of 70

12 ALKALMAZÁSI TERÜLETEK pénzügyi szektor tudomány / egészségügy gyártástechnológia közlekedés jog telekommunikáció energiaipar Bánsághi Anna 12 of 70

13 PÉNZÜGYI SZEKTOR vásárlói kosár elemzés hitelképesség-elemzés bankkártya bűncselekmények ügyfélszegmentáció ügyfélérték számítás lojalitás vizsgálat keresztértékesítés kampánymenedzsment Bánsághi Anna 13 of 70

14 TUDOMÁNY / EGÉSZSÉGÜGY kutatási eredmények kiértékelése képek osztályozása új kapcsolatok keresése tényadatokból korreláció elemzés (hipotézis és tényleges mérések között) gyógyszerforgalmi előrejelzések betegségek és fizikai megfigyelések korrelációvizsgálata kórházi monitorozó rendszerek Bánsághi Anna 14 of 70

15 TELEKOMMUNIKÁCIÓ / ENERGIASZEKTOR lemorzsolódás-előrejelzés ügyfél-szegmentáció és termék targetálás véleményalkotók azonosítása hívási gráf elemzések hálózati hiba előrejelzése túl- és alulszámlázások azonosítása csalás-felderítés Bánsághi Anna 15 of 70

16 FELADATTÍPUSOK LEÍRÓ BÁNYÁSZAT jellemzés és összehasonlítás társításelemzés (asszociáció) ELŐREJELZŐ BÁNYÁSZAT attribútum fontosság osztályozás regresszió klaszterezés (csoportosítás) szélsőérték (anomália) elemzés Bánsághi Anna 16 of 70

17 OSZTÁLYOZÁS cél, hogy az adathalmaz elemeit ismert csoportokba soroljuk a modell megjósolja, hogy az új adatok melyik osztályba tartozhatnak az alapján, amit ismert osztályú adatokról előzőleg tanult PÉLDÁK: hitelbírálás, égitestek besorolása Bánsághi Anna 17 of 70

18 REGRESSZIÓ cél, hogy az adathalmaz elemeihez egyetlen numerikus értéket rendeljünk a modell megjósolja, hogy az új adatokhoz milyen érték tartozhat az alapján, amit ismert értékú adatokról előzőleg tanult, és amelyekre görbét illesztett PÉLDÁK: tőzsde indexek alakulása, ingatlanok várható értéke Bánsághi Anna 18 of 70

19 ATTRIBÚTUM FONTOSSÁG valamely cél attribútummal való kapcsolat erőssége alapján rangsoroljuk a többi attribútumot PÉLDÁK: azon tényezők fontossági sorrendje, melyek befolyásolják egy betegség kialakulását / a vásárlást Bánsághi Anna 19 of 70

20 ANOMÁLIA FELTÁRÁSA cél, hogy valamely jellemzően homogén adathalmazban beazonosítsuk a szokatlan eseteket PÉLDÁK: csalások kiderítésére, hálózati forgalom megsértése Bánsághi Anna 20 of 70

21 KLASZTEREZÉS cél, hogy ismeretlen szerkezetű adatokat rendszerezzünk a modell úgy csoportosítja az adatokat, hogy az egy csoportba tartozó adatok hasonlóak, a különböző csoportba tartozó adatok eltérőek legyenek PÉLDÁK: új fogyasztói szegmens felfedezése Bánsághi Anna 21 of 70

22 TÁRSÍTÁSELEMZÉS cél, hogy az adathalmazban a jellemzően együtt előforduló adatpárokat, adatcsoportokat felfedezzük a modell az együtt előforduló adatok között társítási szabályokat állít fel PÉLDÁK: vásárlóikosár-elemzés: ha valaki vesz A és B terméket, akkor C-t is vesz, gyakori sorozatok (adatszekvenciák) felfedezése Bánsághi Anna 22 of 70

23 LÉNYEGKIEMELÉS cél, hogy az adatokat leíró attribútumok közül kiszűrjük a relevánsakat, akár új jellemzőket hozzunk létre a fontos attribútumok lineáris kombinációjaként PÉLDÁK: mintakeresés, adattömörítés, szemantikus analízis Bánsághi Anna 23 of 70

24 AZ ADATBÁNYÁSZAT MÓDSZERTANA Bánsághi Anna 24 of 70

25 AZ ADATBÁNYÁSZAT FOLYAMATA Bánsághi Anna 25 of 70

26 ÜZLETI PROBLÉMA ÉRTELMEZÉSE üzleti célok megfogalmazása tényezők üzleti háttér, üzleti cél és siker helyzetfelmérés erőforrások, követelmények, források, feltételezések kockázatfelmérés, haszon és költségek szakterületi terminológia adatbányászati célok definiálása kritériumok projektterv elkészítése adatbányászati célok és siker eszközök és technikák értékelése Bánsághi Anna 26 of 70

27 kiindulási adatok gyűjtése adatintegráció rátekintés az adatokra értéktartományok) ADATÉRTELMEZÉS hozzáférés biztosítása, főbb jellemzők (típusok, alap statisztikai jellemzők feltárása lekérdezés, vizualizálás, értelmezés célparaméter eloszlása, főbb dimenziók mentén való szegmentálás adatminőségi vizsgálat feltöltöttség, lefedettség, adathelyesség, konzisztencia minderről beszámoló készül Bánsághi Anna 27 of 70

28 adatkiválasztás adattisztítás ADATOK ELŐKÉSZÍTÉSE a célok eléréséhez mely adatok hasznosak adatkitöltés, inkonzisztencia megszüntetése új paraméterek bevezetése rekordok adatintegráció több forrás esetén adatformátum módosítása származtatott adatok, generált adatbányászati modellhez igazítás Bánsághi Anna 28 of 70

29 MODELLEZÉS modellező technika kiválasztása adatfeltáró elemzés modell tesztelésének meghatározása vizualizálás modellalkotás eszközt találni a célhoz, kiértékelési módszer, paraméterbeállítás, modellek, dokumentálás modell kiértékelése és megjelenítése fontos a jól vizualizálható eredmény beállítások felülvizsgálata Bánsághi Anna 29 of 70

30 ÜZLETI ÉRTÉKELÉS a modell üzleti célú értékelése üzleti elvárásoknak megfelel? éles környezetben tesztelhető a teljes elemzési folyamat felülvizsgálata távú elérhetősége következő lépések bevezetésről pl. adatok hosszú döntés a felhasználhatóságról, üzleti Bánsághi Anna 30 of 70

31 alkalmazás megtervezése ÜZLETI ALKALMAZÁS alkalmazás fenntartás és monitoring ellenőrzések beállítása projekttanulmány elkészítése a projekt felülvizsgálata éles eredmények kiértékelése pozitívumok vs. negatívumok elvárttól való eltérések elemzése beépítés az üzleti folyamatokba tesztesetek, beszámoló, prezentáció Bánsághi Anna 31 of 70

32 ÜZLETI ALKALMAZÁSOK Bánsághi Anna 32 of 70

33 EDP (Electronic Data Processing) egyszerű adatfeldolgozás OLTP (On-Line Transaction Processing) online tranzakció feldolgozás OLAP (On-Line Analytical Processing) online analitikus feldolgozás BI (Business Intelligence) üzleit intelligencia DSS (Decission Support System) döntéstámogató rendszerek EIS (Executive Information System) felsővezetői információs rendszer ERP (Enterprise Resource Planning) vállalati erőforrás-tervezés IEA (Integrated Enterprise Application) integrált vállalati alkalmazások MIS (Management Information System) vezetői információs rendszerek Bánsághi Anna 33 of 70

34 A TUDÁSFELTÁRÁS HELYE Bánsághi Anna 34 of 70

35 OLTP ÉS OLAP ÖSSZEHASONLÍTÁSA domináns műveletek OLTP adatmanipuláló és adatlekérdező OLAP többdimenziós (lefúrás, szeletelés, összegzés) optimumcélkitűzés elfogadható tranzakciófeldolgozási idő elfogadható válaszidő optimális szerkezet minimális redundancia elfogadható válaszidőhöz szükséges mértékre fokozott redundancia modell relációs adatmodell többdimenziós adatmodell Bánsághi Anna 35 of 70

36 TUDÁSFELTÁRÁS FOLYAMATA Bánsághi Anna 36 of 70

37 FACEBOOK PÉLDA adattárház minden információ, amit megosztunk, egy központosított aggregált adattárházba kerül adatbányászat milyen reklámok vagy milyen ajánlások jelenjenek meg egy adott profilon Bánsághi Anna 37 of 70

38 ADATTÁRHÁZ ÉPÍTÉS FOLYAMATA Bánsághi Anna 38 of 70

39 ADATPROFILOZÁS adattárház építésekor forrásrendszerek felmérése, adatminőség elemzése, statisztikák készítése adattráház működtetésekor az új adatok milyen szórást mutatnak a régi adatokhoz képest Bánsághi Anna 39 of 70

40 ADATPROFILOZÁS STATISZTIKÁI kitöltöttség analízis (null értékek száma, eloszlása) adathossz-eloszlás (1, 2, 3,... hosszú adatok) kulcsképesség-elemzés (ami kulcs, az tényleg az-e) minták keresése (telefonszámok, irányítószámok, rendszámok keresése szöveg típusú adat esetén) oszlopstatisztikák (minimum, maximum, átlag) értékeloszlás-analízis (hány azonos érték van egy oszlopban) összefüggés-vizsgálat (hierarchiák keresése táblán belül) részhalmazok keresése (adatkapcsolat táblák között) Bánsághi Anna 40 of 70

41 ADATTÁRHÁZ FELTÖLTÉSE (ETL) extract az összes új vagy az előző áttöltés óta megváltozott forrásadat lehető leggyorsabb áttöltése egy átmeneti (stage) adatbázisba transformation az átmeneti adatbázisban történik minden további adattranszformáció: auditinformáció hozzáadása adattisztítás előfeldolgozás load speciális sémájú adattárház feltöltése az előfeldolgozott adatokkal Bánsághi Anna 41 of 70

42 ADATTRANSZFORMÁCIÓK auditinformáció minden rekord kiegészítése származására vonatkozó információval (forrásrendszer, tábla, betöltés időpontja, betöltő folyamat azonosítója) adattisztítás pontatlan vagy hiányos adatok feltöltése, duplikátumok összefésülése megfelelő szkriptekkel előfeldolgozás a stage adatbázisbeli adatok transzformációja az adattárház formátumának megfelelő alakra egy ún. transform adatbázisba. A transform sémája megegyezik az adattárház sémájával, csupán az adathalmazban van különbség (új adatok vs. összes adat) Bánsághi Anna 42 of 70

43 normalizált csillagséma ADATTÁRHÁZ SÉMÁJA hagyományos relációs adatbázis séma központi ténytábla körüli dimenziótáblák Bánsághi Anna 43 of 70

44 CSILLAGSÉMA Bánsághi Anna 44 of 70

45 TÉNYTÁBLA a csillagséma központi eleme tartalmazza a mutatószámokat körülötte helyezkednek el a dimenziótáblák DIMENZIÓTÁBLA a ténytábla mutatószámainak leírásai a tény és a dimenziótáblák közötti kapcsolatot a mesterséges kulcsok adják, melyek egyben az egyes dimenziótáblabeli sorok egyedi azonosítójaként is funkcionálnak Bánsághi Anna 45 of 70

46 DIMENZIÓTÁBLÁK TÖLTÉSE a transform adatbázisból az éles adattárházba töltés folyamata helyben felülírás ha megváltozik egy dimenzióadat, akkor nem törődve a régebbi információval, felülírjuk az új adattal a régit változáskövetés őrizni akarjuk az összes állapotváltozást, ezért a dimenziótáblákat két új oszloppal egészítjuk ki (érvényesség kezdete és vége), majd az új adatot beszúrjuk a táblába Bánsághi Anna 46 of 70

47 TÉNYTÁBLA TÖLTÉSE a transform adatbázisból az éles adattárházba töltés folyamata a tényadat kulcsainak egyeztetése a dimenziótáblákbeli adatokkal (időbélyegzők, érvényességek alapján) Bánsághi Anna 47 of 70

48 ADATKOCKA Bánsághi Anna 48 of 70

49 ADATBÁNYÁSZATI ALGORITMUSOK felügyelt tanuló algoritmusok a tanulás során a modell sok olyan esetet megvizsgál, ahol a célérték ismert, majd a teszthalmazon megvizsgáljuk, hogy a kapott modell alkalmas-e új, ismeretlen célértékű adatokon való használatra felügyelet nélküli tanuló algoritmusok nincsen függő és független változó, sem pedig korábbi ismeret, a kihívást a helyes paraméterezés megtalálása jelenti Bánsághi Anna 49 of 70

50 FELÜGYELT TANULÓ ALGORITMUSOK döntési fa általánosított lineáris modellek minimális leíró hossz naív Bayes modell támaszvektorok Bánsághi Anna 50 of 70

51 DÖNTÉSI FA az előrejelzési információt szabályok formájában adják meg a szabályok ha-akkor-egyébként kifejezések magyarázzák a döntéseket, melyek az előrejelzéshez vezetnek osztályozás Bánsághi Anna 51 of 70

52 ÁLTALÁNOSÍTOTT LINEÁRIS MODELLEK a tanuló minták osztályozó attribútumaira a legegyszerűbb görbét illesztjük majd egy új adatnál ezen görbe alapján adjuk meg az adat osztályát osztályozás, regresszió Bánsághi Anna 52 of 70

53 MINIMÁLIS LEÍRÓ HOSSZ azt feltételezi, hogy az adatok legegyszerűbb, legtömörebb reprezentációja a legjobb, legvalószínűbb magyarázat attribútum fontosság Bánsághi Anna 53 of 70

54 NAÍV BAYES MODELL egy adott osztályhoz való tartozás valószínűségét becsüli meg az osztályozás a Bayes-tételen alapul X az ismeretlen osztályozási címkéjű minta C X C a hipotézis, mely szerint egy megadott osztályhoz tartozik P(C X) = P(X C)P(C) P(X) osztályozás Bánsághi Anna 54 of 70

55 TÁMASZVEKTOROK a lehető legnagyobb eltéréssel próbálja szeparálni a célosztályokat olyan folytonos függvényt keres, amelyre maximális számú megfigyelés esik a függvény adott szélességű környezetébe osztályozás, regresszió Bánsághi Anna 55 of 70

56 FELÜGYELET NÉLKÜLI TANULÓ ALGORITMUSOK Apriori k-közép nemnegatív mátrixfaktorizáció egyosztályos támaszvektor módszer ortogonális osztályozó klaszterezés Bánsághi Anna 56 of 70

57 APRIORI ALGORTIMUS gyakori elemhalmazokat keres jelöltek előállításával az algoritmus a gyakori elemhalmazok tulajdonságaira vonatkozó előzetes (a priori) ismereteket használ szintenkénti kereséssel iterál társítás Bánsághi Anna 57 of 70

58 K-KÖZÉP távolságalapú klaszterezési eljárás felosztja az adatokat előre meghatározott számú klaszterre minden klaszternek van centroidja (súlypontja), és a centroidhoz közeli megfigyelések tartoznak a klaszterbe klaszterezés Bánsághi Anna 58 of 70

59 NEMNEGATÍV MÁTRIXFAKTORIZÁCIÓ az eredeti attribútumok lineáris kombinációiból új attribútumokat generál a modell leképezi az eredeti adatokat a modell által feltárt új attribútumhalmazra lényegkiemelés Bánsághi Anna 59 of 70

60 EGYOSZTÁLYOS TÁMASZVEKTOR MÓDSZER egyosztályos profilt épít az adatokra megjelöli azokat az eseteket, amelyek valamilyen értelemben eltérnek a profiltól lehetővé teszi az egymáshoz nem feltétlenül kapcsolódó ritka esetek feltárását anomália feltárás Bánsághi Anna 60 of 70

61 ORTOGONÁLIS OSZTÁLYOZÓ KLASZTEREZÉS hierarchikus, grid-alapú klaszterező modellt épít az algoritmus klasztereket hoz létre, amelyek sűrű területeket definiálnak az attribútumtéren érzékenységi paraméter definiálja a viszonyítási alapnak tekintett sűrűséget klaszterezés Bánsághi Anna 61 of 70

62 SPECIÁLIS TERÜLETEK Bánsághi Anna 62 of 70

63 szövegbányászat szöveg alapú struktúráratlan adatbázisok automatikus feldolgozása (szövegek értelmezése és kategorizálása) hang bányászat hanganyagok automatikus feldolgozása (ügyfélszolgálati hanganyagokból érzelem és protokoll információk detektálása) gráfbányászat szociális hálózatok modellezése és információ kinyerése (Interneten közösségi hálózatok illetve linkek elemzése) webbányászat webes tartalmak különféle szempontú elemzése Bánsághi Anna 63 of 70

64 cél jelentéstartalmak felismerése SZÖVEGBÁNYÁSZAT módszer kategorizálás, tömörítés, releváns információ keresése, újdonság detektálása feladat online tartalmak (hírek, blogok, fórumok) figyelése, az ebben található információkból adatok szöveganalitikai feldolgozása, ezek alapján elemzések, trendfigyelés, monitoring Bánsághi Anna 64 of 70

65 STRUKTÚRÁLATLAN VS. STRUKTÚRÁLT a természetes nyelvi szöveg struktúrálatlan információ egy dokumentumhalmaz leképezhető egy táblázatra a táblázat oszlopai a lehetséges szavakkal vannak cimkézve a táblázat egy-egy sora egy-egy dokumentumnak felel meg egy cella értéke 0 vagy 1 aszerint, hogy az adott szó előfordul-e az adott dokumentumban vagy sem ezen a táblázaton már futtathatók a hagyományos adatbányászati funkciók Bánsághi Anna 65 of 70

66 KERESŐMOTOR Bánsághi Anna 66 of 70

67 SPAM SZŰRÉS Bánsághi Anna 67 of 70

68 cél GRÁFBÁNYÁSZAT kapcsolatok, információterjedés felismerése módszer hasonló részgráfok keresése feladatok klaszterek, közösségek az egymással szoros kapcsolatban lévők detektálása véleményvezérek detktálása egy közösségen belül speciális szerepet betöltők azonosítása információterjedés vizsgálata (vagy fertőzés vizsgálat) egy hálózaton belül hogyan terjed az információ Bánsághi Anna 68 of 70

69 GRÁF KLASZTEREZÉS Bánsághi Anna 69 of 70

70 WEBBÁNYÁSZAT webtartalom bányászat web szövegbányászat intelligens keresőügynökök információ-szűrés és kategorizálás web lekérdező rendszerek webstruktúra bányászat látogatási struktúra elemzése klikkelés-sorozatok elemzése web oldalak tervezési stratégiája webhasználat bányászat látogatók szokásainak, magatartásmintáinak tanulmányozása látogatók tevékenységének előrejelzése és ösztönzése webszolgáltatás minőségének javítása, webszerver teljesítményének optimalizálása Bánsághi Anna 70 of 70

Tartalom. Jó hogy jön Jucika, maga biztosan emlékszik még, hányadik oldalon van a Leszállás ködben.

Tartalom. Jó hogy jön Jucika, maga biztosan emlékszik még, hányadik oldalon van a Leszállás ködben. Tartalom Jó hogy jön Jucika, maga biztosan emlékszik még, hányadik oldalon van a Leszállás ködben. Előszó 1. Az adatbányászatról általában 19 1.1. Miért adatbányászat? 21 1.2. Technológia a rejtett információk

Részletesebben

The nontrivial extraction of implicit, previously unknown, and potentially useful information from data.

The nontrivial extraction of implicit, previously unknown, and potentially useful information from data. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó

Részletesebben

Gazdasági informatika alapjai

Gazdasági informatika alapjai PSZK Mesterképzési és Távoktatási Központ / H-1149 Budapest, Buzogány utca 10-12. / 1426 Budapest Pf.:35 II. évfolyam Név: Neptun kód: Kurzus: Tanár neve: HÁZI DOLGOZAT 2. Gazdasági informatika alapjai

Részletesebben

Big Data az adattárházban

Big Data az adattárházban Big Data az adattárházban A párbaj folytatódik? Néhány fontos Big Data projekt Cég Téma Adat Újfajta Mennyiség Saját adat? Típus Google Influenza Google I big I Előjelzés előjelzés Farecast Xoom Chicagoi

Részletesebben

Gépi tanulás a gyakorlatban. Bevezetés

Gépi tanulás a gyakorlatban. Bevezetés Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis

Részletesebben

Vezetői információs rendszerek

Vezetői információs rendszerek Vezetői információs rendszerek Kiadott anyag: Vállalat és információk Elekes Edit, 2015. E-mail: elekes.edit@eng.unideb.hu Anyagok: eng.unideb.hu/userdir/vezetoi_inf_rd 1 A vállalat, mint információs rendszer

Részletesebben

Történet John Little (1970) (Management Science cikk)

Történet John Little (1970) (Management Science cikk) Információ menedzsment Szendrői Etelka Rendszer- és Szoftvertechnológia Tanszék szendroi@witch.pmmf.hu Vezetői információs rendszerek Döntéstámogató rendszerek (Decision Support Systems) Döntések információn

Részletesebben

Tudásalapú információ integráció

Tudásalapú információ integráció Tudásalapú információ integráció (A Szemantikus Web megközelítés és a másik irány) Tanszéki értekezlet, 2008. május 14. 1 Miért van szükségünk ilyesmire? WWW: (Alkalmazások) Keresés a weben (pl. összehasonlítás

Részletesebben

Projektvezetői döntések támogatása webbányászattal

Projektvezetői döntések támogatása webbányászattal NETWORKSHOP 2008 2008. március 17-19. Dunaújváros, Dunaújvárosi Főiskola Projektvezetői döntések támogatása webbányászattal Bóta László Ph.D. hallgató (BME) Eszterházy Károly Főiskola, Eger BI (Business

Részletesebben

Sikerünk kulcsa: az információ De honnan lesz adatunk? Palaczk Péter

Sikerünk kulcsa: az információ De honnan lesz adatunk? Palaczk Péter Sikerünk kulcsa: az információ De honnan lesz adatunk? Palaczk Péter Bevezető az Oracle9i adattárházas újdonságaihoz Elemzési és vezetői információs igények 80:20 az adatgyűjtés javára! Adattárházak kínálta

Részletesebben

Vállalati információs rendszerek I, MIN5B6IN, 5 kredit, K. 4. A meghirdetés ideje (mintatanterv szerint vagy keresztfélében):

Vállalati információs rendszerek I, MIN5B6IN, 5 kredit, K. 4. A meghirdetés ideje (mintatanterv szerint vagy keresztfélében): Követelményrendszer 1. Tantárgynév, kód, kredit, választhatóság: Vállalati információs rendszerek I, MIN5B6IN, 5 kredit, K 2. Felelős tanszék: Informatika Szakcsoport 3. Szak, szakirány, tagozat: Műszaki

Részletesebben

Kvantitatív módszerek

Kvantitatív módszerek Kvantitatív módszerek szimuláció Kovács Zoltán Szervezési és Vezetési Tanszék E-mail: kovacsz@gtk.uni-pannon.hu URL: http://almos/~kovacsz Mennyiségi problémák megoldása analitikus numerikus szimuláció

Részletesebben

SZTE Eötvös Loránd Kollégium. 2. Móra György: Információkinyerés természetes nyelvű szövegekből

SZTE Eötvös Loránd Kollégium. 2. Móra György: Információkinyerés természetes nyelvű szövegekből 2010/2011 tavaszi félév SZTE Eötvös Loránd Kollégium 1. Dombi József: Fuzzy elmélet és alkalmazásai 2011. március 3. 19:00 2. Móra György: Információkinyerés természetes nyelvű szövegekből 2011. március

Részletesebben

Hogyan teremtsünk értéket strukturálatlan adatokból?

Hogyan teremtsünk értéket strukturálatlan adatokból? Hogyan teremtsünk értéket strukturálatlan adatokból? Nemeth.Zoltan@iqpp.hu Strukturálatlan adat A Merill Lynch becslése szerint az összes üzleti információ több mint 85%-a strukturálatlan adatok formájában

Részletesebben

Big Data technológiai megoldások fejlesztése közvetlen mezőgazdasági tevékenységekhez

Big Data technológiai megoldások fejlesztése közvetlen mezőgazdasági tevékenységekhez Big Data technológiai megoldások fejlesztése közvetlen mezőgazdasági tevékenységekhez Szármes Péter doktorandusz hallgató Széchenyi István Egyetem, MMTDI Dr. Élő Gábor egyetemi docens, Széchenyi István

Részletesebben

BIG DATA ELEMZÉSEK LEHETŐSÉGEI

BIG DATA ELEMZÉSEK LEHETŐSÉGEI BIG DATA ELEMZÉSEK LEHETŐSÉGEI A KÖRNYEZETVÉDELMI MODELLEZÉSBEN Dr. Torma A. 2015.11.13. 2015/11/13 Dr. TORMA A. >> Széchenyi István Egyetem 2 Tartalom 1. A Big Data fogalma 2. Pár érdekes adat a Big Data

Részletesebben

{simplecaddy code=1004}

{simplecaddy code=1004} {simplecaddy code=1004} Könyvünk az adatbányászat tevékenységének lépéseit részletesen bemutatva kívánja megismertetni az olvasót, azzal hogy milyen jellegű gazdasági, mérnöki, illetve tudományos problémák

Részletesebben

Statisztikai eljárások a mintafelismerésben és a gépi tanulásban

Statisztikai eljárások a mintafelismerésben és a gépi tanulásban Statisztikai eljárások a mintafelismerésben és a gépi tanulásban Varga Domonkos (I.évf. PhD hallgató) 2014 május A prezentáció felépítése 1) Alapfogalmak 2) A gépi tanulás, mintafelismerés alkalmazási

Részletesebben

DW 9. előadás DW tervezése, DW-projekt

DW 9. előadás DW tervezése, DW-projekt DW 9. előadás DW tervezése, DW-projekt Követelmény felmérés DW séma tervezése Betöltési modul tervezése Fizikai DW tervezése OLAP felület tervezése Hardver kiépítése Implementáció Tesztelés, bevezetés

Részletesebben

Component Soft 1994-2013 és tovább

Component Soft 1994-2013 és tovább Component Soft 1994-2013 és tovább IT szakemberek oktatása, tanácsadás Fő témáink: UNIX/Linux rendszerek, virtualizációs, fürtözési, tároló menedzsment és mentési technológiák Adatbázisok és middleware

Részletesebben

Számítógépes döntéstámogatás. Bevezetés és tematika

Számítógépes döntéstámogatás. Bevezetés és tematika SZDT-01 p. 1/18 Számítógépes döntéstámogatás Bevezetés és tematika Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-01 p. 2/18 SZDT-01

Részletesebben

Informatikai alapismeretek Földtudományi BSC számára

Informatikai alapismeretek Földtudományi BSC számára Informatikai alapismeretek Földtudományi BSC számára 2010-2011 Őszi félév Heizlerné Bakonyi Viktória HBV@ludens.elte.hu Titkosítás,hitelesítés Szimmetrikus DES 56 bites kulcs (kb. 1000 év) felcserél, helyettesít

Részletesebben

Kővári Attila, BI projekt

Kővári Attila, BI projekt Innovatív BI konferencia, 2011-11-22 Kővári Attila, BI projekt Az előadás bemutatja, milyen lehetőségeket és problémákat rejtenek magukban az önkiszolgáló BI rendszerek. Foglalkozik az ilyen rendszereknél

Részletesebben

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31. Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert

Részletesebben

Az információs rendszerek funkcionális változásai a kis és középvállalkozások szemszögéből. DE ATC AVK Gazdasági- és Agrárinformatikai Tanszék

Az információs rendszerek funkcionális változásai a kis és középvállalkozások szemszögéből. DE ATC AVK Gazdasági- és Agrárinformatikai Tanszék MAGISZ Fórum 2004. augusztus 27. Az információs rendszerek funkcionális változásai a kis és középvállalkozások szemszögéből. Dr. Herdon Miklós - Rózsa Tünde DE ATC AVK Gazdasági- és Agrárinformatikai Tanszék

Részletesebben

Intelligens adatelemzés

Intelligens adatelemzés Antal Péter, Antos András, Horváth Gábor, Hullám Gábor, Kocsis Imre, Marx Péter, Millinghoffer András, Pataricza András, Salánki Ágnes Intelligens adatelemzés Szerkesztette: Antal Péter A jegyzetben az

Részletesebben

Az értékelés során következtetést fogalmazhatunk meg a

Az értékelés során következtetést fogalmazhatunk meg a Az értékelés során következtetést fogalmazhatunk meg a a tanuló teljesítményére, a tanulási folyamatra, a célokra és követelményekre a szülők teljesítményére, a tanulási folyamatra, a célokra és követelményekre

Részletesebben

Hálózati elemzések az üzleti életben. Kovács Gyula Sixtep Kft.

Hálózati elemzések az üzleti életben. Kovács Gyula Sixtep Kft. Hálózati elemzések az üzleti életben Kovács Gyula Sixtep Kft. Hálózat kutatás rövid ismertetése Königsbergi hidak problémája Háttér: A probléma története, hogy a poroszországi Königsberg (most Kalinyingrád,

Részletesebben

Innovatív trendek a BI területén

Innovatív trendek a BI területén Innovatív trendek a BI területén 1 Technológiai trendek 3 BI-TREK kutatás Felmérés az üzleti intelligencia hazai alkalmazási trendjeiről Milyen BI szoftvereket használnak a hazai vállalatok? Milyen üzleti

Részletesebben

Microsoft SQL Server telepítése

Microsoft SQL Server telepítése Microsoft SQL Server telepítése Az SQL Server a Microsoft adatbázis kiszolgáló megoldása Windows operációs rendszerekre. Az SQL Server 1.0 verziója 1989-ben jelent meg, amelyet tizenegy további verzió

Részletesebben

30 MB INFORMATIKAI PROJEKTELLENŐR

30 MB INFORMATIKAI PROJEKTELLENŐR INFORMATIKAI PROJEKTELLENŐR 30 MB DOMBORA SÁNDOR BEVEZETÉS (INFORMATIKA, INFORMATIAKI FÜGGŐSÉG, INFORMATIKAI PROJEKTEK, MÉRNÖKI ÉS INFORMATIKAI FELADATOK TALÁKOZÁSA, TECHNOLÓGIÁK) 2016. 09. 17. MMK- Informatikai

Részletesebben

Hogyan lesz adatbányából aranybánya?

Hogyan lesz adatbányából aranybánya? Hogyan lesz adatbányából aranybánya? Szolgáltatások kapacitástervezése a Budapest Banknál Németh Balázs Budapest Bank Fehér Péter - Corvinno Visontai Balázs - KFKI Tartalom 1. Szolgáltatás életciklus 2.

Részletesebben

ADATTÁRHÁZ HATÉKONYSÁGNÖVELÉS, REDUNDANCIA CSÖKKENTÉS Frunza Zsolt ÜZLETI INTELLIGENCIA A JÖVŐ, AHOGY MI LÁTJUK

ADATTÁRHÁZ HATÉKONYSÁGNÖVELÉS, REDUNDANCIA CSÖKKENTÉS Frunza Zsolt ÜZLETI INTELLIGENCIA A JÖVŐ, AHOGY MI LÁTJUK ADATTÁRHÁZ HATÉKONYSÁGNÖVELÉS, REDUNDANCIA CSÖKKENTÉS Frunza Zsolt ÜZLETI INTELLIGENCIA A JÖVŐ, AHOGY MI LÁTJUK TARTALOM 2 1. Miért válik a Redundancia Menedzsment egyre fontosabb kérdéssé? 2. Mit értünk

Részletesebben

Informatika tanterv nyelvi előkészítő osztály heti 2 óra

Informatika tanterv nyelvi előkészítő osztály heti 2 óra Informatika tanterv nyelvi előkészítő osztály heti Számítógép feladata és felépítése Az informatikai eszközök használata Operációs rendszer Bemeneti egységek Kijelző egységek Háttértárak Feldolgozás végző

Részletesebben

- Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban

- Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban I. Intelligens tervezőrendszerek - Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban Adat = struktúrálatlan tények, amelyek tárolhatók,

Részletesebben

CARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens

CARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek 2010-09-02 Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi

Részletesebben

VIR alapfogalmai. Előadásvázlat. dr. Kovács László

VIR alapfogalmai. Előadásvázlat. dr. Kovács László VIR alapfogalmai Előadásvázlat dr. Kovács László Információ szerepe Információ-éhes világban élünk Mi is az információ? - újszerű ismeret - jelentés Hogyan mérhető az információ? - statisztikai - szintaktikai

Részletesebben

Az ellátásilánc-menedzsment, és informatikai háttere. BGF PSZK Közgazdasági Informatikai Intézeti Tanszék Balázs Ildikó, Dr.

Az ellátásilánc-menedzsment, és informatikai háttere. BGF PSZK Közgazdasági Informatikai Intézeti Tanszék Balázs Ildikó, Dr. Az ellátásilánc-menedzsment, és informatikai háttere BGF PSZK Közgazdasági Informatikai Intézeti Tanszék Balázs Ildikó, Dr. Gubán Ákos SCM Hatóság Kiskereskedő Fogyasztó Vevő 2 Logisztikai központ Beszálító

Részletesebben

A Jövő Internet Nemzeti Kutatási Program bemutatása

A Jövő Internet Nemzeti Kutatási Program bemutatása A Jövő Internet Nemzeti Kutatási Program bemutatása Dr. Bakonyi Péter és Dr. Sallai Gyula Jövő Internet Kutatáskoordinációs Központ Budapesti Műszaki és Gazdaságtudományi Egyetem Budapest, 2013. június

Részletesebben

Vezetői információs rendszerek

Vezetői információs rendszerek Adatbányászás I. Adatbányászás Növekvő adatmennyiség egyre nehezebbé válik az adatokból a kívánt információ kinyerése. Új technika szükséges, amely lehetővé teszi, hogy megismerhetővé, kinyerhetővé váljon

Részletesebben

Data Vault adatmodellezés.

Data Vault adatmodellezés. Data Vault adatmodellezés Nemeth.Zoltan@iqpp.hu Új adattárház adatmodellezési módszer Dan Linstedt nevéhez fűződik Ismérvei Részletes, tételes adatok Történetiség kezelése Data Vault Üzleti területek köré

Részletesebben

Intelligens partner rendszer virtuális kórházi osztály megvalósításához

Intelligens partner rendszer virtuális kórházi osztály megvalósításához Intelligens partner rendszer virtuális kórházi osztály megvalósításához 1. Célkitűzések A pályázat célja egy virtuális immunológiai osztály kialakítása, amelynek segítségével a különböző betegségekkel

Részletesebben

1. gyakorlat. Mesterséges Intelligencia 2.

1. gyakorlat. Mesterséges Intelligencia 2. 1. gyakorlat Mesterséges Intelligencia. Elérhetőségek web: www.inf.u-szeged.hu/~gulyasg mail: gulyasg@inf.u-szeged.hu Követelmények (nem teljes) gyakorlat látogatása kötelező ZH írása a gyakorlaton elhangzott

Részletesebben

Téradatokkal kapcsolatos elemzések és fejlesztések a FÖMI Térinformatikai Igazgatóságán

Téradatokkal kapcsolatos elemzések és fejlesztések a FÖMI Térinformatikai Igazgatóságán Téradatokkal kapcsolatos elemzések és fejlesztések a FÖMI Térinformatikai Igazgatóságán Dr. Kristóf Dániel Képes Attila GISOpen 2013 NyME GEO, Székesfehérvár, 2013.03.12-14. Földmérési és Távérzékelési

Részletesebben

Mesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek

Mesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek Mesterséges Intelligencia Elektronikus Almanach Konzorciumi partnerek 1 Konzorcium Budpesti Mőszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Méréstechnika és Információs Rendszerek

Részletesebben

A vállalkozás sikerének tényezi. Termék, szolgáltatás Erforrások Információtechnológia 2005.12.08. 1

A vállalkozás sikerének tényezi. Termék, szolgáltatás Erforrások Információtechnológia 2005.12.08. 1 A vállalkozás sikerének tényezi Termék, szolgáltatás Erforrások Információtechnológia 2005.12.08. 1 A siker két egymást segít eleme az IT-ben ERP rendszerek alkalmazása Outsourcing 2005.12.08. 2 A vállalati

Részletesebben

Dokumentumok Information kezelése? Management Információ - management. Professzionális dokumentumkezelés hiteles másolat készítés. Offisys Kft.

Dokumentumok Information kezelése? Management Információ - management. Professzionális dokumentumkezelés hiteles másolat készítés. Offisys Kft. Dokumentumok Information kezelése? Management Információ - management Professzionális dokumentumkezelés hiteles másolat készítés Offisys Kft. 2014.10.16 Professzionális dokumentum menedzsment Rendszerezetten

Részletesebben

Valós idejű megoldások: Realtime ODS és Database In-Memory tapasztalatok

Valós idejű megoldások: Realtime ODS és Database In-Memory tapasztalatok Valós idejű megoldások: Realtime ODS és Database In-Memory tapasztalatok Pusztai Péter IT fejlesztési senior menedzser Magyar Telekom Sef Dániel Szenior IT tanácsadó T-Systems Magyarország 2016. április

Részletesebben

Gáspár Bencéné Vér Katalin *

Gáspár Bencéné Vér Katalin * 109 Gáspár Bencéné Vér Katalin * ADATBÁNYÁSZAT A GAZDASÁGI ÉLETBEN Az adatbányászat egy döntéstámogatási módszer, olyan üzleti intelligencia megoldás, amely új üzleti lehetõségeket segít megtalálni és

Részletesebben

Az egységes tartalomkezelés üzleti előnyei

Az egységes tartalomkezelés üzleti előnyei CNW Rendszerintegrációs Zrt. Mészáros Tamás értékesítési igazgató Az egységes tartalomkezelés üzleti előnyei NetRegisterX - Webes dokumentumkezelési megoldások A-Z-ig 1 Az éves papírfelhasználás mértéke

Részletesebben

2009.04.29. 2009. április 24. INFO Savaria 2009 2. 2009. április 24. INFO Savaria 2009 4. 2009. április 24. INFO Savaria 2009 3

2009.04.29. 2009. április 24. INFO Savaria 2009 2. 2009. április 24. INFO Savaria 2009 4. 2009. április 24. INFO Savaria 2009 3 Négy adatbázis-kezelı rendszer összehasonlítása webes környezetben Sterbinszky Nóra snorav@gmail.com Áttekintés Növekvı igény hatékony adatbázis- kezelıkre a világhálón Hogyan mérhetı ezek teljesítménye

Részletesebben

Újfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására

Újfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására VÉGZŐS KONFERENCIA 2009 2009. május 20, Budapest Újfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására Hidasi Balázs hidasi@tmit.bme.hu Konzulens: Gáspár-Papanek Csaba Budapesti

Részletesebben

Ellenőrző kérdések. 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t

Ellenőrző kérdések. 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t Ellenőrző kérdések 2. Kis dolgozat kérdései 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t 37. Ha t szintű indexet használunk,

Részletesebben

10. HÉT: ADATTÁRHÁZAK ÉS ÜZLETI INTELLIGENCIA

10. HÉT: ADATTÁRHÁZAK ÉS ÜZLETI INTELLIGENCIA 10. HÉT: ADATTÁRHÁZAK ÉS ÜZLETI INTELLIGENCIA Dr. Danyi Pál Egyetemi docens, BME 2015-16 I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 1 MIS RENDSZEREK: ALKALMAZÁS-TECHNOLÓGIA-ADAT MIS rendszerek: DSS,

Részletesebben

Gyors sikerek adatbányászati módszerekkel

Gyors sikerek adatbányászati módszerekkel Gyors sikerek adatbányászati módszerekkel Kezdő adatbányászati workshop Petrócziné Huczman Zsuzsanna 2015.10.13. Bemutatkozás BME, műszaki informatika szak, adatbányászati szakirány Citibank Data Explorer

Részletesebben

Vizuális adatelemzés - Gyakorlat. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék

Vizuális adatelemzés - Gyakorlat. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Vizuális adatelemzés - Gyakorlat Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Adatelemzés szerepe a rendszermodellezésben Lényeges paraméterek meghatározása

Részletesebben

Adatbázis-kezelés. alapfogalmak

Adatbázis-kezelés. alapfogalmak Adatbázis-kezelés alapfogalmak Témakörök Alapfogalmak Adatmodellek Relációalgebra Normalizálás VÉGE Adatbázis-kezelő rendszer Database Management System - DBMS Integrált programcsomag, melynek funkciói:

Részletesebben

Magas szintű adatmodellek Egyed/kapcsolat modell I.

Magas szintű adatmodellek Egyed/kapcsolat modell I. Magas szintű adatmodellek Egyed/kapcsolat modell I. Ullman-Widom: Adatbázisrendszerek. Alapvetés. 4.fejezet Magas szintű adatmodellek (4.1-4.3.fej.) (köv.héten folyt.köv. 4.4-4.6.fej.) Az adatbázis modellezés

Részletesebben

Geoinformatikai rendszerek

Geoinformatikai rendszerek Geoinformatikai rendszerek Térinfomatika Földrajzi információs rendszerek (F.I.R. G.I.S.) Térinformatika 1. a térinformatika a térbeli információk elméletével és feldolgozásuk gyakorlati kérdéseivel foglalkozó

Részletesebben

Gépi tanulás és Mintafelismerés

Gépi tanulás és Mintafelismerés Gépi tanulás és Mintafelismerés jegyzet Csató Lehel Matematika-Informatika Tanszék BabesBolyai Tudományegyetem, Kolozsvár 2007 Aug. 20 2 1. fejezet Bevezet A mesterséges intelligencia azon módszereit,

Részletesebben

I. RÉSZ. Tartalom. Köszönetnyilvánítás...13 Bevezetés...15

I. RÉSZ. Tartalom. Köszönetnyilvánítás...13 Bevezetés...15 Tartalom 5 Tartalom Köszönetnyilvánítás...13 Bevezetés...15 I. RÉSZ AZ ALAPOK... 17 1. fejezet Egy kis történelem...19 A korai MIS rendszerektől az alapgondolatig...19 Operatív és analitikus rendszerek

Részletesebben

A webanalitika változó világa 4 felvonásban

A webanalitika változó világa 4 felvonásban A webanalitika változó világa 4 felvonásban Arató Bence, BI Consulting Email: arato@bi.hu, Twitter: @aratob Traffic Meetup, 2013.02.06 1 Bemutatkozás 15 éves szakmai tapasztalat az üzleti intelligencia

Részletesebben

INFORMATIKA ÁGAZATI ALKALMAZÁSAI. Az Agrármérnöki MSc szak tananyagfejlesztése TÁMOP-4.1.2-08/1/A-2009-0010

INFORMATIKA ÁGAZATI ALKALMAZÁSAI. Az Agrármérnöki MSc szak tananyagfejlesztése TÁMOP-4.1.2-08/1/A-2009-0010 INFORMATIKA ÁGAZATI ALKALMAZÁSAI Az Agrármérnöki MSc szak tananyagfejlesztése TÁMOP-4.1.2-08/1/A-2009-0010 2. Adatbáziskezelés eszközei Adatbáziskezelés feladata Adatmodell típusai Relációs adatmodell

Részletesebben

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Tanszék

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Tanszék Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Tanszék 2013/14 2. félév 5. Gyakorlat Dr. Kulcsár Gyula egyetemi docens Tartalomjegyzék Klasszikus termelésirányítási

Részletesebben

Multimédiás adatbázisok

Multimédiás adatbázisok Multimédiás adatbázisok Multimédiás adatbázis kezelő Olyan adatbázis kezelő, mely támogatja multimédiás adatok (dokumentum, kép, hang, videó) tárolását, módosítását és visszakeresését Minimális elvárás

Részletesebben

Informatikai rendszerek fejlesztése

Informatikai rendszerek fejlesztése Informatikai rendszerek fejlesztése Dr. Csetényi Arthur Előadás: hétfő 8:00 9:20 Fogadóóra: hétfő 9:30 11:00 (Sóház, fszt. 02) E-mail: csetenyi at uni-corvinus dot hu Informatikai rendszerek fejlesztése

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás

Részletesebben

Osztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton

Osztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton Osztályozás, regresszió Nagyméretű adathalmazok kezelése Tatai Márton Osztályozási algoritmusok Osztályozás Diszkrét értékkészletű, ismeretlen attribútumok értékének meghatározása ismert attribútumok értéke

Részletesebben

Az adatok a vállalat kulcsfontosságú erőforrásai. Az információs rendszer adatai kezelésének két alapvető változata:

Az adatok a vállalat kulcsfontosságú erőforrásai. Az információs rendszer adatai kezelésének két alapvető változata: ADATSZERVEZÉS Az adatok a vállalat kulcsfontosságú erőforrásai. Az információs rendszer adatai kezelésének két alapvető változata: fájlrendszerek (a konvencionális módszer) és adatbázis rendszerek (a haladóbb

Részletesebben

Adatbányászat az Oracle9i-ben. Fekete Zoltán vezető termékmenedzser Zoltan.Fekete@oracle.com

Adatbányászat az Oracle9i-ben. Fekete Zoltán vezető termékmenedzser Zoltan.Fekete@oracle.com Agenda Az Oracle9i adattárház tulajdonságai Adatbányászat az Oracle9i-ben DM, Personalization az Oracle9i-ben, architektúra Integrált adatbányászat az Oracle CRM-ben Szünet Perszonalizációs felhasználási

Részletesebben

Nyilvántartási Rendszer

Nyilvántartási Rendszer Nyilvántartási Rendszer Veszprém Megyei Levéltár 2011.04.14. Készítette: Juszt Miklós Honnan indultunk? Rövid történeti áttekintés 2003 2007 2008-2011 Access alapú raktári topográfia Adatbázis optimalizálás,

Részletesebben

Egy Erlang refaktor lépés: Függvényparaméterek összevonása tuple-ba

Egy Erlang refaktor lépés: Függvényparaméterek összevonása tuple-ba Egy Erlang refaktor lépés: Függvényparaméterek összevonása tuple-ba Témavezető: Horváth Zoltán és Simon Thompson OTDK 2007, Miskolc Egy Erlang refaktor lépés: Függvényparaméterek összevonása tuple-ba OTDK

Részletesebben

Parametrikus tervezés

Parametrikus tervezés 2012.03.31. Statikus modell Dinamikus modell Parametrikus tervezés Módosítások a tervezés folyamán Konstrukciós variánsok (termékcsaládok) Parametrikus Modell Parametrikus tervezés Paraméterek (változók

Részletesebben

Papp Attila. BI - mindenkinek

Papp Attila. BI - mindenkinek Papp Attila BI - mindenkinek 100% 28% 2012 A kiterjesztett BI piac alakulása BAM/CEP 0.23 Other Data 2 Warehouse 10.5 CRM Analytics 1 Data Integration, Data Quality 3 2010 57 mrd USD BI Services 30 2011

Részletesebben

KÖVETKEZŐ GENERÁCIÓS NAGYVÁLLALATI TARTALOMKEZELŐ MEGOLDÁSOK Stratis Kft. / Autonomy üzleti reggeli / 2014.10.16. Mezei Ferenc üzletág-igazgató

KÖVETKEZŐ GENERÁCIÓS NAGYVÁLLALATI TARTALOMKEZELŐ MEGOLDÁSOK Stratis Kft. / Autonomy üzleti reggeli / 2014.10.16. Mezei Ferenc üzletág-igazgató KÖVETKEZŐ GENERÁCIÓS NAGYVÁLLALATI TARTALOMKEZELŐ MEGOLDÁSOK Stratis Kft. / Autonomy üzleti reggeli / 2014.10.16. Mezei Ferenc üzletág-igazgató Hasonló, mégis más Ez se rossz amíg ezt ki nem próbáltad!

Részletesebben

BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA

BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BESZÉDTUDOMÁNY Az emberi kommunikáció egyik leggyakrabban használt eszköze a nyelv. A nyelv hangzó változta, a beszéd a nyelvi kommunikáció

Részletesebben

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Klaszteranalízis Hasonló dolgok csoportosítását jelenti, gyakorlatilag az osztályozás szinonimájaként értelmezhetjük. A klaszteranalízis célja A klaszteranalízis alapvető célja, hogy a megfigyelési egységeket

Részletesebben

Az információ hatalom. adatok. információ

Az információ hatalom. adatok. információ DW 3. előadás Az információ hatalom adatok információ Információs rendszerek Hagyományos adatforrások (legacy system) Virt. vállalati Virtual coop. Információs Informational Döntési (Decisional) Műveleti

Részletesebben

Adatbányászat és Perszonalizáció architektúra

Adatbányászat és Perszonalizáció architektúra Adatbányászat és Perszonalizáció architektúra Oracle9i Teljes e-üzleti intelligencia infrastruktúra Oracle9i Database Integrált üzleti intelligencia szerver Data Warehouse ETL OLAP Data Mining M e t a

Részletesebben

IRÁNYTŰ A SZABÁLYTENGERBEN

IRÁNYTŰ A SZABÁLYTENGERBEN IRÁNYTŰ A SZABÁLYTENGERBEN amikor Bábel tornya felépül BRM konferencia 2008 október 29 BCA Hungary A Csapat Cégalapítás: 2006 Tanácsadói létszám: 20 fő Tapasztalat: Átlagosan 5+ év tanácsadói tapasztalat

Részletesebben

Információ megjelenítés Diagram tervezés

Információ megjelenítés Diagram tervezés Információ megjelenítés Diagram tervezés Statisztikák Háromféle hazugság van: hazugságok, átkozott hazugságok és statisztikák A lakosság 82%-a nem eszik elég rostot. 3-ból 2 gyerek az USA-ban nem nem tudja

Részletesebben

Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén

Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával

Részletesebben

Infor PM10 Üzleti intelligencia megoldás

Infor PM10 Üzleti intelligencia megoldás Infor PM10 Üzleti intelligencia megoldás Infor Üzleti intelligencia (Teljesítmény menedzsment) Web Scorecard & Műszerfal Excel Email riasztás Riportok Irányít Összehangol Ellenőriz Stratégia Stratégia

Részletesebben

Üzleti intelligencia - eszközöktől a megoldásokig

Üzleti intelligencia - eszközöktől a megoldásokig Atlanta Barcelona Berlin Vienna Budapest Bukarest Düsseldorf München Stuttgart Zurich www.ifua.hu Fekete Gábor ügyvezető partner 2007. március 21. Üzleti intelligencia - eszközöktől a megoldásokig IFUA

Részletesebben

ADATBÁZIS-KEZELÉS. Adatbázis-kezelő rendszerek

ADATBÁZIS-KEZELÉS. Adatbázis-kezelő rendszerek ADATBÁZIS-KEZELÉS Adatbázis-kezelő rendszerek Adat (Data) Észlelhető, felfogható ismeret Jelsorozat Tény, közlés Valakinek vagy valaminek a jellemzője Adatbázis (Data Base, DB) Hosszú ideig évekig meglévő

Részletesebben

A helyismereti információszolgáltatás jellemzői és új irányai a könyvtári honlapokon

A helyismereti információszolgáltatás jellemzői és új irányai a könyvtári honlapokon A helyismereti információszolgáltatás jellemzői és új irányai a könyvtári honlapokon Antaliné Hujter Szilvia KKMK, helyismereti szaktájékoztató Győr, 2012. július A témaválasztás indoka Információs társadalom

Részletesebben

Neurális hálózatok bemutató

Neurális hálózatok bemutató Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:

Részletesebben

Adatbányászati technikák (VISZM185) 2015 tavasz

Adatbányászati technikák (VISZM185) 2015 tavasz Adatbányászati technikák (VISZM185) 2015 tavasz Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2015. február 11. Csima Judit Adatbányászati technikák (VISZM185) 2015 tavasz 1 / 27

Részletesebben

Adatbányászat és Perszonalizáció az Oracle9i-ben

Adatbányászat és Perszonalizáció az Oracle9i-ben Adatbányászat és Perszonalizáció az Oracle9i-ben Oracle9i adatbányászat 2000. szeptember 6. Fekete Zoltán Palaczk Péter Agenda Oracle9i Database Teljes e-business Intelligence infrastruktúra Mi is az adatbányászat?

Részletesebben

5. Gyakorlat. 5.1 Hálós adatbázis modell műveleti része. NDQL, hálós lekérdező nyelv:

5. Gyakorlat. 5.1 Hálós adatbázis modell műveleti része. NDQL, hálós lekérdező nyelv: 5. Gyakorlat 5.1 Hálós adatbázis modell műveleti része NDQL, hálós lekérdező nyelv: A lekérdezés navigációs jellegű, vagyis a lekérdezés megfogalmazása során azt kell meghatározni, hogy milyen irányban

Részletesebben

Fejlett kereső és lekérdező eszközök egy elektronikus szakfolyóirathoz (IBVS)

Fejlett kereső és lekérdező eszközök egy elektronikus szakfolyóirathoz (IBVS) Networkshop, 2008 Márc. 17 19., Dunaújváros Holl Erdődi: Fejlett kereső... 1 Fejlett kereső és lekérdező eszközök egy elektronikus szakfolyóirathoz (IBVS) Holl András Erdődi Péter MTA Konkoly Thege Miklós

Részletesebben

A korszerű infokommunikációs technológia (IKT) alkalmazásával csak kis mértékben javíthatjuk az emberi agy információ tároló és feldolgozó képességét.

A korszerű infokommunikációs technológia (IKT) alkalmazásával csak kis mértékben javíthatjuk az emberi agy információ tároló és feldolgozó képességét. 1. Az informatika alapgondolata A korszerű infokommunikációs technológia (IKT) alkalmazásával csak kis mértékben javíthatjuk az emberi agy információ tároló és feldolgozó képességét. 2. Az egészségügyi

Részletesebben

Palaczk Péter A marketing folyamatok adattárház alapú támogatása

Palaczk Péter A marketing folyamatok adattárház alapú támogatása Palaczk Péter A marketing folyamatok adattárház alapú támogatása A hatékony marketingtámogatás alapjai Infrastrukturális feltételek Működő vállalati adattárház Megbízható ügyféladatok Beüzemelt adatbányászati

Részletesebben

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.

Részletesebben

A szürke háttérrel jelölt fejezet/alfejezet szövege a CD-mellékleten található. A CD-melléklet használata. 1. Elméleti áttekintés 1

A szürke háttérrel jelölt fejezet/alfejezet szövege a CD-mellékleten található. A CD-melléklet használata. 1. Elméleti áttekintés 1 A szürke háttérrel jelölt fejezet/alfejezet szövege a CD-mellékleten található meg. A CD-melléklet használata Bevezetés xi xiii 1. Elméleti áttekintés 1 1.1. Adatmodellezés 3 1.2. Táblák, oszlopok és sorok

Részletesebben

Adatszerkezetek 1. előadás

Adatszerkezetek 1. előadás Adatszerkezetek 1. előadás Irodalom: Lipschutz: Adatszerkezetek Morvay, Sebők: Számítógépes adatkezelés Cormen, Leiserson, Rives, Stein: Új algoritmusok http://it.inf.unideb.hu/~halasz http://it.inf.unideb.hu/adatszerk

Részletesebben

Otthontérkép, segít a döntésben! 2012. április 25. 2012.04.25.

Otthontérkép, segít a döntésben! 2012. április 25. 2012.04.25. Otthontérkép, segít a döntésben! 2012. április 25. 1 Az FHB Otthontérkép már most további információkkal bővül! A 2012. április 16-án bemutatott Otthontérkép alkalmazás újabb statisztikai adatokkal került

Részletesebben

Pentaho 4: Mindennapi BI egyszerűen. Fekszi Csaba Ügyvezető 2011. október 6.

Pentaho 4: Mindennapi BI egyszerűen. Fekszi Csaba Ügyvezető 2011. október 6. Pentaho 4: Mindennapi BI egyszerűen Fekszi Csaba Ügyvezető 2011. október 6. 1 2 3 4 5 Bevezetés Pentaho-ról röviden - áttekintő Mindennapi BI egyszerűen a Pentaho 4 újdonságai Pentaho összefoglaló Alkalmazás

Részletesebben

Hasraütés és horoszkóp a beszerzéstervezésben. Korszerű tervezési megoldás a kereslet- és a készlettervezés területén

Hasraütés és horoszkóp a beszerzéstervezésben. Korszerű tervezési megoldás a kereslet- és a készlettervezés területén Hasraütés és horoszkóp a beszerzéstervezésben Korszerű tervezési megoldás a kereslet- és a készlettervezés területén 1 1.Válaszd szét a két folyamatot! 2. Gyűjts adatokat! 3. Alkalmazz tudományos módszertant!

Részletesebben

A Bankok Bázel II megfelelésének informatikai validációja

A Bankok Bázel II megfelelésének informatikai validációja A Bankok Bázel II megfelelésének informatikai validációja 2010. november 30. Informatika felügyeleti főosztály: Gajdosné Sági Katalin Gajdos.Katalin@PSZAF.hu Kofrán László - Kofran.Laszlo@PSZAF.hu Bázel

Részletesebben