2. Cím: Nézettségmérés új módszerei avagy Audience measurement Kulcsszavak: IPTV, felhasználói viselkedés, média, ajánlórendszerek
|
|
- Zsófia Vassné
- 8 évvel ezelőtt
- Látták:
Átírás
1 ImpressTV Zrt. kutatási témák 1. Cím: Média tartalmak automatikus címkézése és adatbővítése Kulcsszavak: adatbányászat, statisztika, metaadat, felhasználói viselkedés, ajánlórendszerek Probléma: A média tartalmak (elsősorban filmek) ajánlására fejlesztett rendszerek esetében azzal szembesülünk, hogy nem minden tartalomra rendelkezünk megfelelő mennyiségű, a filmes tartalmakra vonatkozó metaadattal, illetve azzal, hogy a rendelkezésre álló metaadat minősége erősen ingadozik. Ez a televíziós szolgáltatók (IPTV és kábeltelevíziós szolgáltatók, Over the Top szolgáltatók) számára azért jelent problémát, mert az általuk megvásárolt és on-demand szolgáltatások keretében ajánlott tartalmak esetén fontos az, hogy a felhasználó rendkívül gyorsan megtalálja a neki tetsző tartalmakat, illetve hogy egy tartalom a lehető leggyorsabban ajánlható legyen (item cold start probléma). Feladat: A feladat egy olyan rendszer kialakítása, amely segítségével a felhasználói eseményekből (eventek) vonunk le a tartalmakra vonatkozó következtetéseket, illetve amelynek segítségével képesek leszünk arra, hogy a média tartalmakat automatikusan a rájuk vonatkozó címkékkel (tagekkel) lássuk el, elősegítve ezzel a tartalmak gyorsabb besorolását, a tartalom és metaadat alapú ajánló algoritmusok sebességének növelését, illetve az érthetőbb ajánlás magyarázatokat. Opcionális irány olyan módszerek kidolgozása, melyek külső forrásból további információkat szereznek (metaadat szolgáltatók, wikipedia, műsorok feliratainak feldolgozása, kommentek értelmezése) és beleépítik a meglévő adatok közé. Előfeltétel: programozói tudás, gépi tanulás, statisztikai ismeretek 2. Cím: Nézettségmérés új módszerei avagy Audience measurement Kulcsszavak: IPTV, felhasználói viselkedés, média, ajánlórendszerek Probléma: Annak ellenére, hogy az IPTV szolgáltatók és a kábeltelevíziós szolgáltatók elvben minden Set Top Boxról származó információt képesek loggolni, mérnöki szempontból mind a mai napig rendkívül kezdetleges megoldásokat használnak a szolgáltatók a televíziós tartalomfogyasztás pontos mérésére. A probléma sok esetben annyi, hogy a szolgáltatók hiába képesek 20 másodpercenként információt gyűjteni a felhasználói szokásokról, nem tudják az összegyűjtött nagy mennyiségű adatot kezelni. Feladat: A feladat főbb megoldandó kérdései a következők: hogyan tudjuk a nézettséget értelmezni (mi az, amit mérnünk kell, és mely adatok a fontosak) és vizualizálni (mit és hogyan tudunk megjeleníteni, illetve értelmezni), illetve hogyan nyerjük ki azt a preferenciát, hogy a felhasználó egy adott csatornát néz vagy pedig egy az adott csatorna programján belül egy adott tartalom (item) érdekli, valamint a szerkesztők milyen hatékonyan pozícionálják a műsorujságot az egyes csatornákon. A feladatot a hallgatók akár egyénileg, akár több hallgató csoportosan is választhatja, a feladat pedig több féléven át is folytatható. Előfeltétel: programozói tudás, statisztikai és adatvizualizációs eszközök, klaszterezési módszerek ismerete 1
2 3. Kereszt domén (cross domain) ajánlások Kulcsszavak: ajánlórendszerek, felhasználói viselkedés, IPTV Probléma: A Netflixhez hasonló videós tartalomszolgáltatók elterjedésével együtt jelentős probléma az európai IPTV és kábeltelevíziós szolgáltatók számára az, hogy az on-demand tartalomfogyasztás (VOD fogyasztás, PayTV fogyasztás) alacsony, a felhasználók az esetek 90%-ában elő televíziós tartalmakat fogyasztanak. Az üzleti cél tehát az, hogy a felhasználó számára releváns fizetős tartalmakat ajánljunk, ehhez azonban olyan ajánló algoritmusok kifejlesztésére van szükség, amelyek képesek arra, hogy az élő adásokon megismert felhasználói / tartalomfogyasztási szokások alapján on-demand (VOD vagy PayTV) tartalmakat ajánljanak. Feladat: A megoldandó ajánlási probléma az, hogy nem minden élő tartalomfogyasztási eseménynek (eventnek) van reális tartalma a számunkra, illetve nem minden felhasználónak van on-demand kölcsönzési eseménye, emiatt a lineáris tartalomfogyasztásból ki kell emelni azokat a faktorokat, amelyekből következtethetünk a VOD fogyasztásra (pl: míg az esti blockbuster film megnézése relevás ebből a szempontból, az esti hírek már kevésbé). A cél tehát az, hogy meg kell találni a két domain közötti összefüggést. A feladat első lépése az, hogy meg kell vizsgálni, hogy a tudományos világban más területeken milyen kutatások vannak hasonló cross-domain ajánlásokra, és a más tudományterületeken levő módszereket kell adaptálni a televíziós világra. A feladat megoldásához igény esetén az ImpressTV Zrt. a saját fejlesztésű adatbányászati keretrendszerét biztosítja, amihez Java programozói ismeret szükséges. A feladatot a hallgatók akár egyénileg, akár több hallgató csoportosan is választhatja, a feladat pedig több féléven át is folytatható. Előfeltétel: gépi tanulási és programozási ismeretek, illetve az ajánlórendszerben alkalmazott algoritmusok 4. Hibrid filtering média tartalmakra Kulcsszavak: adatbányászat, statisztika, felhasználói viselkedés, metaadatok, ajánlórendszerek Probléma: Az ajánlórendszerek fejlesztése során egyre inkább látszik az, hogy szükség van metaadat alapú rendszerek (Content-based filtering) és a felhasználói viselkedés alapú rendszerek (collaborative filtering) egyesítésére. Az általunk fejlesztett, a világ egyik legnagyobb tube oldalán, a Dailymotion.com-on futó ajánlórendszernél például azzal a problémával kerültünk szembe, hogy egy videóhoz sok címke (tag) tartozik, de ténylegesen csak a címkék kis része releváns. A hibrid szűrés egyik előnye pontosan az lenne, hogy a fogyasztási szokások elemzésével következtethetnénk arra, hogy mely tagek relevánsak, és melyek nem. Másik előnye a két megközelítés előnyének ötvözése (pl: újonnan bevezetett tartalmak ajánlása a meglévő fogyasztási szokások alapján) Feladat: A feladat során a hallgató egy modellt építene arra vonatkozóan hogy melyik metaadat releváns, és melyik nem. A feladat során első lépésben a kollaboratív szűréssel elősegítjük a metaadat szignifikancia feltárását, második lépésben pedig kombinálnánk a két eltérő algoritmus családot és kialakítanánk egy olyan rendszer prototípusát, amely az ajánlás generálás során a már ismert tartalmakra felhasználói viselkedést elemző algoritmusokat használ, az új tartalmakra pedig metaadat alapú szűrést. A feladat megoldásához igény esetén az ImpressTV Zrt. a saját fejlesztésű adatbányászati keretrendszerét biztosítja, amihez Java programozói ismeret szükséges. A feladatot a hallgatók akár egyénileg, akár több hallgató csoportosan is választhatja, a feladat pedig több féléven át is folytatható. Előfeltétel: programozás (Java), kollaborative és tartalom alapú szűrés, ajánlórendszer algoritmusok ismerete 2
3 5. Ajánlási stratégiák, avagy «the Winner Takes it all» Kulcsszavak: felhasználói viselkedés, metaadatok, ajánlórendszerek Probléma: Az ajánlórendszerek televíziós szolgáltatóknál történő telepítése során többször szembesülünk azzal a problémával, hogy a felhasználónak többféle tartalomfogyasztási preferenciája van: pld az esetek 75%-ában komédiákat néz, 25%-ban pedig horrorfilmeket. A collaborative filtering algoritmusok esetén jellemző megfigyelés a The Winner Takes it all jelenség, mely szerint a user alapú modellezés során a legjellemzőbb preferencia érvényesül. Emiatt az ajánlások egysíkúvá válhatnak (elsősorban a mátrix faktorizációs módszereknél). Feladat: A feladat tehát az, hogy úgy ajánljuk az egyes videós és televíziós tartalmakat, hogy azok egyrészt illeszkedjenek a felhasználói preferenciákhoz, másrészt lehessen jól külön vehető preferenciákat kialakítani, illetve az ajánlási listában a preferenciák elosztását megfelelően kialakítani. Másik feladat annak a problémának a megoldása, hogyan lehet olyan ajánló algoritmust kialakítani, amely megfelelően diverz ajánlásokat szolgáltat, ugyanakkor megmarad az ajánlások pontossága is. A feladat megoldásához igény esetén az ImpressTV Zrt. a saját fejlesztésű adatbányászati keretrendszerét biztosítja, amihez Java programozói ismeret szükséges. A feladat több féléven át is folytatható. Előfeltétel: programozás (Java), algoritmuselmélet, statisztika 6. Tartalomajánló algoritmusok inkrementális tanulása Kulcsszavak: ajánlórendszer modellek, gépi tanulás Probléma: Az ajánlórendszerek ipari alkalmazásánál jelentős probléma a felhasználói és tartalom modellek frissen tartása és adaptív modellezése. Ennek az egyik legelterjedtebb megközelítése a teljes modellbázis időszakos újratanítása (pl: teljes mátrix faktorizációs algoritmus futtatása az összes felhasználóra és termékre), azonban ebben az esetben a tanítási idő (függően az ügyfél domain méretétől) nagyon hosszú is lehet. A megoldandó probléma ilyenkor az, hogy lehet megoldani a modellek frissitését anélkül hogy teljesen ujratanitsuk a modellt. Feladat: A feladat annak vizsgálata, hogyan lehet ezt mérni, és milyen tanítási stratégiát kell alkalmazni: pl Δt-ben érkező információt milyen matematikai formulával építsuk be a meglévő modellekbe, hogy az az elméleti modellhez konvergáljon. A feladat része emellett a meglevő, az adatbányászatban már ismeri algoritmusok(ials Implicit Alternating Least Squares, SGD Stochastic Gradient Descent vagy szomszéd módszer) kipróbálása, illetve annak kutatása, hogy az általunk preferált rendszerekhez van-e inkrementális módszer. A feladat több féléven át is folytatható: az első félév során a cél irodalmazás alapján a preferált módszer kiválasztása, második félében a kiválasztott módszerek implementálása. A feladathoz az ImpressTV Zrt. a saját fejlesztésű adatbányászati keretrendszerét biztosítja. Előfeltétel: programozói tudás (Java), analízis, gépi tanulás 3
4 7. Magas rendelkezésre állású, elosztott rendszerű taralomajánló módszerek Kulcsszavak: elosztott rendszerek, ajánlórendszer modellek, gépi tanulás Probléma: A big data elterjedésével egyre komolyabb probléma az, hogy egy adott felhasználónak egyre nagyobb halmazból kell ajánlanunk. A probléma minden esetben az, hogyan lehet predikciós időben elosztottá tenni az egyes kiértékeléseket úgy, hogy a szolgáltatási szerződésben (SLA-ban) meghatározott időn belül ( millisecumdum) választ adjunk. A megoldás érdekében elengedhetetlen az, hogy bizonyos számításokat párhuzamosítsunk. Feladat: A feladat a rendelkezésre álló elosztott rendszerek feltérképezése, illetve a feladatra leginkább alkalmas elosztott rendszer (pld Hadoop alváltozatai) felmérése és kiválasztása, majd következő félében a kiválasztott rendszer alapszintű implementálása. Meg kell találni azt a rendszert, amely a leginkább alkalmas az általunk használt ajánló algoritmusok futtatására, illetve ezen algoritmusok párhuzamosítására. A feladatot a hallgatók akár egyénileg, akár több hallgató csoportosan is választhatja, a feladat pedig több féléven át is folytatható. Előfeltétel: programozási tapasztalat, elosztott rendeszerek ismerete 8. Tartalomajánló algoritmusok elosztott rendszerű tanítása Kulcsszavak: elosztott rendszerek, adatbázisok, ajánlórendszer modellek, gépi tanulás Probléma: A big data elterjedésével egyre komolyabb probléma az, hogy az adatokon futatott gépi tanulás egy szerveren mind memória kapacítási korlátok miatt, mind a futási idő szignifikáns növekedése miatt az ajánlórendszer szolgáltatóknak egyre nehezebben kivitelezhető. Fontos szempont, hogy az algoritmusok tanulási ideje egy korláton belül maradjon ezzel fenntartva a modellfrissítés megfelelő gyakoriságát, illetve hogy a rendszertelepítések során rendelkezésre álló időben (change window) el tudják végezni mind a beállítási műveleteket, mind a gépi tanulás és élesítés folyamatát. A megoldás a standard modell építési módszerek (pl: mátrix faktorizáció, szomszéd módszerek) párhuzamosítása, illetve az elosztott környezet implementálása. Feladat: A feladat első lépése az ajánlórendszerek területén alkalmazott adatbányászati algoritmusok megismerése, illetve irodalomkutatás, hogy milyen párhuzamosított megodások születtek ezen módszerekre, opcionálisan a meglévő módszerek továbbfejlesztése. Következő lépés a rendelkezésre álló elosztott rendszerek feltérképezése (adatbázis, ill processzek futtatása), illetve a feladatra leginkább alkalmas megoldások felmérése és kiválasztása. A feladat több féléven át is folytatható: az első félév során a cél irodalmazás alapján a preferált módszer kiválasztása, második félében a kiválasztott módszerek implementálása. A feladatot a hallgatók akár egyénileg, akár több hallgató csoportosan is választhatja, a feladat pedig több féléven át is folytatható. Előfeltétel: programozási tapasztalat, elosztott rendszerek és adatbázisok ismerete Az ImpressTV-ről Az ImpressTV öt kontinensen jelen lévő, ajánlórendszer-szolgáltatást nyújtó vállalat, amely a Netflix Prize fináléjába jutott, magyar Gravity R&D Zrt. televíziós portfóliójának felvásárlásával jött létre 2014-ben. A céget brit, telekommunikációs területen tapasztalt befektetők vezetik, budapesti technológiai központjában pedig összeszokott, magyar fejlesztői csapat tevékenykedik. A vállalat főbb szolgáltatásai: személyre szabott ajánlások nyújtása, hirdetések targetálása, adatelemzés, prediktív elemzés és felhasználói adatbázissal kapcsolatos mérések, jellemzően nemzetközi telekommunikációs vállalatok és egyéb tartalomszolgáltatók számára. 4
5 Az ImpressTV ügyfelei között tudhatja többek közt a Magyar Telekomot, az Ivi.ru-t, Oroszország vezető video streaming szolgáltatóját, valamint a CenturyLink-et, az USA egyik legnagyobb telekommunikációs vállalatát is. Az ImpressTV 21 algoritmus optimális kombinációját használja a lehető legpontosabb, valós idejű ajánlások megtalálásához. A metaadatok felhasználása mellett a cég élen jár az ajánlások fogyasztói viselkedés és fogyasztási körülmények (eszköz, hely, idő, stb.) alapján történő kialakításában. Az ImpressTV a végfelhasználót helyezi a működése középpontjába: a legfontosabb cél nem a filmes tartalmak katalogizálása, hanem a tévénézők ízlésének mélyebb megismerése és kiszolgálása. 5
1 2 3 4 5 Meta adat: bármilyen adat, ami a tartalomhoz kapcsolódik. Pl. filmek esetén a rendező, a főszereplő, a műfaj. Tranzakciós adat: felhasználó és az elemek közötti interakció során keletkező adat.
RészletesebbenGépi 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
RészletesebbenThe 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
RészletesebbenBeszerzési és elosztási logisztika. Előadó: Telek Péter egy. adj. 2008/09. tanév I. félév GT5SZV
Beszerzési és elosztási logisztika Előadó: Telek Péter egy. adj. 2008/09. tanév I. félév GT5SZV 3. Előadás A beszerzési logisztikai folyamat Design tervezés Szükséglet meghatározás Termelés tervezés Beszerzés
RészletesebbenBitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján. Hegedűs István
BitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján Hegedűs István Ajánló rendszerek Napjainkban egyre népszerűbb az ajánló rendszerek alkalmazása A cégeket is hasznos információval
RészletesebbenBARANGOLÁS AZ E-KÖNYVEK BIRODALMÁBAN Milyen legyen az elektonikus könyv?
BARANGOLÁS AZ E-KÖNYVEK BIRODALMÁBAN Milyen legyen az elektonikus könyv? Készítették: Névery Tibor és Széll Ildikó PPKE I. évf. kiadói szerkesztő hallgatók, közösen 1 BEVEZETŐ Az elektronikus könyv valamilyen
RészletesebbenPerszonalizált tartalomajánló szolgáltatás IPTV és OTT rendszerek számára
MEDIANET 2015 Perszonalizált tartalomajánló szolgáltatás IPTV és OTT rendszerek számára ZIBRICZKY DÁVID ImpressTV david.zibriczky@impresstv.com Kulcsszavak: ajánlórendszer, IPTV, OTT, adatbányászat, gépi
RészletesebbenRapidAnalytics Enterprise Edition bevezetés a Telenor Magyarországnál. Szakács Balázs - Telenor Magyarország Szücs Imre United Consult
RapidAnalytics Enterprise Edition bevezetés a Telenor Magyarországnál Szakács Balázs - Telenor Magyarország Szücs Imre United Consult Miről lesz szó? Telenor bemutatása Eszközválasztás háttere Igények
RészletesebbenDr. habil. Maróti György
infokommunikációs technológiák III.8. MÓDSZER KIDOLGOZÁSA ALGORITMUSOK ÁTÜLTETÉSÉRE KIS SZÁMÍTÁSI TELJESÍTMÉNYŰ ESZKÖZÖKBŐL ÁLLÓ NÉPES HETEROGÉN INFRASTRUKTÚRA Dr. habil. Maróti György maroti@dcs.uni-pannon.hu
RészletesebbenA szak specializációi
A szak specializációi Specializációk A specializációválasztás során a hallgatónak preferenciasorrendet kell megjelölnie, legalább két specializáció megadásával. A specializációkra történő besorolás a hallgatók
RészletesebbenTakács Gábor mérnök informatikus, okl. mérnöktanár
Takács Gábor mérnök informatikus, okl. mérnöktanár takacsg@sze.hu http://rs1.sze.hu/~takacsg/ Big Data Definition Big Data is data that can t be stored or analyzed using traditional tools. Információ tartalom,
RészletesebbenWebanalitika a mindennapokban
Webanalitika a mindennapokban NEEK konferencia 2015.02.19. www.gemius.hu Rólunk A Gemius világszerte Piaci igények széleskörű ismerete Nemzetközi háttér, folyamatos fejlesztés Innovatív üzleti megoldások
RészletesebbenTudományos célú videoportál
Tudományos célú videoportál Kovács András NIIF Intézet Videoportál workshop 2009. október 27. Tartalom Bevezető Nemzetközi példák Előzmények Projekt részletek Célok Funkcionalitás, alkalmazások
RészletesebbenTartalom. 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
RészletesebbenHatékony műszaki megoldások lineáris és lekérhető médiaszolgáltatások esetén Ajánlástervezet ismertetése
Hatékony műszaki megoldások lineáris és lekérhető médiaszolgáltatások esetén Ajánlástervezet ismertetése Tarcsai Zoltán Szabályozási szakértő Nemzeti Média- és Hírközlési Hatóság Infomédia szabályozási
RészletesebbenEnabling and Capitalising of Urban Technologies
PILOT TEVÉKENYSÉG Pilot tevékenység neve Laborok megvalósítása a Pinkafeld Campuson Projektirányító / Projekt partner Burgenland GmbH Főiskola Motiváció és Célok / Célcsoport A legjelentősebb villamos
RészletesebbenTV MÉG MINDIG CSÚCSFORMÁBAN
TV MÉG MINDIG CSÚCSFORMÁBAN BIG PICTURE (MEME) Vörös Csilla 2014. November 12. TARTALOM Változások kora - Helyzetkép Időeltolásos tévénézés TV+ Kitekintés Jövőkép 2 VÁLTOZÁSOK KORA HELYZETKÉP 2014. OKTÓBER:
RészletesebbenKontrollcsoport-generálási lehetőségek retrospektív egészségügyi vizsgálatokhoz
Kontrollcsoport-generálási lehetőségek retrospektív egészségügyi vizsgálatokhoz Szekér Szabolcs 1, Dr. Fogarassyné dr. Vathy Ágnes 2 1 Pannon Egyetem Rendszer- és Számítástudományi Tanszék, szekersz@gmail.com
RészletesebbenÜzleti modellen alapuló webes tudásprezentáció
Üzleti modellen alapuló webes tudásprezentáció Pataki Máté, Micsik András Bevezetés Számos projekt küzd azzal a problémával, hogy a projekt menete során felhalmozott nagy mennyiségű, hasznos információ,
RészletesebbenTévénézési trendek Magyarországon és innovatív megoldások
Tévénézési trendek Magyarországon és innovatív megoldások Nielsen Ügyfélkonferencia 2011. május 11. Előadó: Vörös Csilla Copyright 2011The Nielsen Company Tartalom Eszközellátottság és -használat Növekvő
RészletesebbenBig 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
RészletesebbenTÉVÉNÉZÉS AZ INTERNETEN 2015
TÉVÉNÉZÉS AZ INTERNETEN 2015 NIELSEN KÖZÖNSÉGMÉRÉS 2015. AUGUSZTUS 6. INTERNETES ESZKÖZELLÁTOTTSÁG TV+ Survey 2015, TV-s 4+ személyek Van a háztartásban INTERNET 74% ASZTALI SZÁMÍTÓGÉP LAPTOP OKOSTELEFON*
RészletesebbenMagic xpi 4.0 vadonatúj Architektúrája Gigaspaces alapokon
Magic xpi 4.0 vadonatúj Architektúrája Gigaspaces alapokon Mi az IMDG? Nem memóriában futó relációs adatbázis NoSQL hagyományos relációs adatbázis Más fajta adat tárolás Az összes adat RAM-ban van, osztott
RészletesebbenTeljesen elosztott adatbányászat pletyka algoritmusokkal. Jelasity Márk Ormándi Róbert, Hegedűs István
Teljesen elosztott adatbányászat pletyka algoritmusokkal Jelasity Márk Ormándi Róbert, Hegedűs István Motiváció Nagyméretű hálózatos elosztott alkalmazások az Interneten egyre fontosabbak Fájlcserélő rendszerek
RészletesebbenTudásalapú 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
RészletesebbenTeljesen elosztott adatbányászat alprojekt
Teljesen elosztott adatbányászat alprojekt Hegedűs István, Ormándi Róbert, Jelasity Márk Big Data jelenség Big Data jelenség Exponenciális növekedés a(z): okos eszközök használatában, és a szenzor- és
RészletesebbenPIAC_ Nemzetközi Határozatkereső rendszer fejlesztése. Szakmai fórum február 29.
PIAC_13-1-2013-0117 Nemzetközi Határozatkereső rendszer fejlesztése Szakmai fórum 2016. február 29. A LEXPERT Nemzetközi Határozatkereső projekt célja Egy olyan új alkalmazás létrehozása, amely - naprakészen
RészletesebbenMTA Cloud Use cases MTA Cloud workshop. Hernáth Szabolcs MTA WIGNER FK
MTA Cloud Use cases MTA Cloud workshop Hernáth Szabolcs MTA WIGNER FK IT felhasználás dimenziói Felhasználók száma / jellege Kapacitás mérete / jellege Számítási feladat / szoftverkörnyezet Adatok mérete
RészletesebbenSSADM Dokumentáció Adatbázis Alapú Rendszerek
SSADM Dokumentáció Adatbázis Alapú Rendszerek Videó-megosztó oldal Szeged, 2012. 1. Csapattagok Sipos Norbert (SINRABT.SZE) Szűcs Dávid (SZDQACT.SZE) Várkonyi Zoltán (VAZSACT.SZE) 1.1. A projekt bemutatása
RészletesebbenAZ ÚJGENERÁCIÓS TANKÖNYVEK FEJLESZTÉSE
AZ ÚJGENERÁCIÓS TANKÖNYVEK FEJLESZTÉSE A projekt célja Tanulásra és alkotásra ösztönző tanításitanulási környezet kialakítása A tanítás és tanulás hatékonyságát elősegítő módszertani újdonságok beépítése
RészletesebbenInnovatív 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
RészletesebbenKépzés hatékonyságának növelése. felnőttképzést kiegészítő tevékenység. Tematikai vázlat - 16 óra
Képzés hatékonyságának növelése felnőttképzést kiegészítő tevékenység Tematikai vázlat - 16 óra A felnőttképzést kiegészítő tevékenység célja:a közfoglalkoztatásból való kivezetés támogatása, a képzés
RészletesebbenA NÉZŐI VÁLASZTÁS SZABADSÁGA. Vörös Csilla március 19.
A NÉZŐI VÁLASZTÁS SZABADSÁGA Vörös Csilla 2014. március 19. Copyright 2013 The Nielsen Company. Confidential and proprietary. VÁLASZTÁSI LEHETŐSÉGEK CSATORNA VÉTELI MÓD INFOKOMMUNIKÁCIÓS ESZKÖZ ÉS HASZNÁLATA
RészletesebbenFIGYELEMFELKELTŐ HIRDETÉS BANNERES KAMPÁNY TÖBB REKLÁMHÁLÓZATBAN
FIGYELEMFELKELTŐ HIRDETÉS BANNERES KAMPÁNY TÖBB REKLÁMHÁLÓZATBAN A sikeres kampányok tervezésében az internet a médiamix mára már kihagyhatatlan elemévé vált. A jóváhagyott költésgvetések tervezéséhez
RészletesebbenFelhasználói Segédlet. A Set Top Box beállítása, a távirányító használata, TV nézés
Felhasználói Segédlet A Set Top Box beállítása, a távirányító használata, TV nézés v2 Set Top Box A Set Top Box az alábbi csatlakozókkal rendelkezik: USB LAN HDMI SPDIF AV (PAL) Tápegység Távirányító A
RészletesebbenKollektív tanulás milliós hálózatokban. Jelasity Márk
Kollektív tanulás milliós hálózatokban Jelasity Márk 2 3 Motiváció Okostelefon platform robbanásszerű terjedése és Szenzorok és gazdag kontextus jelenléte, ami Kollaboratív adatbányászati alkalmazások
RészletesebbenMire jók az ajánlórendszerek? Tikk Domonkos
Mire jók az ajánlórendszerek? Tikk Domonkos 10 February 2009 MI FÁN TEREM AZ AJÁNLÓRENDSZER? Speciális információszűrők, amelyek felhasználói és termékprofilokat építenek tanuló algoritmusok segítésével.
RészletesebbenTémaválasztás, kutatási kérdések, kutatásmódszertan
Témaválasztás, kutatási kérdések, kutatásmódszertan Dr. Dernóczy-Polyák Adrienn PhD egyetemi adjunktus, MMT dernoczy@sze.hu A projekt címe: Széchenyi István Egyetem minőségi kutatói utánpótlás nevelésének
RészletesebbenÖn a megfelelő mennyiségű és minőségű információk alapján hozza meg döntéseit? Stratis Kft. / Autonomy üzleti reggeli / 2014.10.16.
Ön a megfelelő mennyiségű és minőségű információk alapján hozza meg döntéseit? Stratis Kft. / Autonomy üzleti reggeli / 2014.10.16. Tracsek Ferenc igazgató Alapvető változások kora Az IT iparágban alapvető
RészletesebbenVáltozások előtt hol áll a banki (adat)elemzés? Nándorfi György
Változások előtt hol áll a banki (adat)elemzés? Nándorfi György Budapest Bank 1987-ben jött létre az egyik legelső hazai kereskedelmi bankként A 8 hazai nagybank egyike Tulajdonosi háttér: 1995-től 2015-ig
RészletesebbenFekete Csaba Csongor Üzleti intelligencia vezető Citibank ZRt.
Fekete Csaba Csongor Üzleti intelligencia vezető Citibank ZRt. Tartalom BI mérföld kövek Kezdeti architektúra és kontextus Lokális Adattárház Kialakítása CRM Evolúció Üzleti Intelligencia kiaknázó eszközök
RészletesebbenSmart Strategic Planner
Smart Strategic Planner STRATÉGIAI FTTX HÁLÓZAT TERVEZŐ ÉS KÖLTSÉG ELEMZŐ ESZKÖZ távközlési hálózatok informatikai hálózatok kutatás és fejlesztés gazdaságos üzemeltetés Smart Strategic Planner Térinformatikai
RészletesebbenMultimédia anyagok szerkesztése kurzus hatékonyságnövelése web alapú projekt módszer alkalmazásával
Multimédia anyagok szerkesztése kurzus hatékonyságnövelése web alapú projekt módszer alkalmazásával Béres Ilona Heller Farkas Főiskola Turcsányi-Szabó Márta ELTE-IK Média és Oktatásinformatika Tanszék
RészletesebbenMéréselmélet MI BSc 1
Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok
RészletesebbenK+F a Hálózattervezés területén
K+F a Hálózattervezés területén Sipos Attila Fejlesztési igazgatóhelyettes Magyar Telekom PKI Távközlésfejlesztési Igazgatóság 2007.09.25, 1 oldal Tartalomjegyzék K+F együttműködés a hálózattervezés területén
RészletesebbenA SEPA megvalósítását támogató szabályozói háttér
A SEPA megvalósítását támogató szabályozói háttér dr. Kotulyák Éva jogtanácsos MKB Bank Zrt. MSE Jogi Munkacsoport 2013. május 09. TÉMAKÖRÖK 1. Aktuális szabályozás módszer és tartalom 2. Aktuális gyakorlati
RészletesebbenS atisztika 1. előadás
Statisztika 1. előadás A kutatás hatlépcsős folyamata 1. lépés: Problémameghatározás 2. lépés: A probléma megközelítésének kidolgozása 3. lépés: A kutatási terv meghatározása 4. lépés: Terepmunka vagy
RészletesebbenCopyright 2012, Oracle and/or its affiliates. All rights reserved.
1 Oracle Felhő Alkalmazások: Gyorsabb eredmények alacsonyabb kockázattal Biber Attila Igazgató Alkalmazások Divízió 2 M I L L I Á RD 4 1 PERC MINDEN 5 PERCBŐL 5 6 Ember használ mobilt 7 FELHŐ SZOLGÁLTATÁS
RészletesebbenAdaptív menetrendezés ADP algoritmus alkalmazásával
Adaptív menetrendezés ADP algoritmus alkalmazásával Alcím III. Mechwart András Ifjúsági Találkozó Mátraháza, 2013. szeptember 10. Divényi Dániel Villamos Energetika Tanszék Villamos Művek és Környezet
RészletesebbenAlkalmazásokban. Dezsényi Csaba Ovitas Magyarország kft.
Tudásmodellezés Kereskedelmi Alkalmazásokban Dezsényi Csaba Ovitas Magyarország kft. Tudásmenedzsment Adat -> Információ -> Tudás Intézményi tudásvagyon hatékony kezelése az üzleti célok megvalósításának
RészletesebbenMISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR MATEMATIKAI INTÉZET SZAKDOLGOZATI TÉMÁK
SZAKDOLGOZATI TÉMÁK 2018 Fedélzeti kamera alapú helymeghatározó, navigációs algoritmusok vizsgálata és implementálása Témavezető: Dr. Árvai-Homolya Szilvia A drónok mind szélesebb körű elterjedésével,
RészletesebbenTANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS
TANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS 1 ALAPADATOK 1.1 Tantárgy neve TÉRINFORMATIKAI ELEMZÉSEK 1.2 Azonosító (tantárgykód) BMEEOFTA-J1 1.3 A tantárgy jellege kontaktórás tanegység 1.4 Óraszámok típus előadás
RészletesebbenOPEN SPACE FÓRUM TÉMA JEGYZET
OPEN SPACE FÓRUM TÉMA JEGYZET Téma neve/címe: Integrált ügyfélszolgálat kialakítása Téma gazdája: Lakatos András Jegyzetkészítő: Lakatos András További résztvevők: Csiba András Kovács István Lackó Péter
RészletesebbenPLATFORMOK, KÉPERNYŐK ÉS NÉZŐK
PLATFORMOK, KÉPERNYŐK ÉS NÉZŐK HTE 2013 Vörös Csilla 2013. október 4. TARTALOM Digitális Mérés Technológiája Analóg Földi Lekapcsolás és Mérés Platformváltók Platformok és Nézettség Képernyő Tények Kitekintés
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
RészletesebbenA FÖLDFELSZÍNI PLATFORM SIKERE ÉS KIHÍVÁSAI. Dóbé Sándor
A FÖLDFELSZÍNI PLATFORM SIKERE ÉS KIHÍVÁSAI Dóbé Sándor TARTALOM A fölfelszíni TV műsorszórás alapjai MÚLT A fölfelszíni TV műsorszórás sikerei és haszna JELEN Kihívások: frekvencia Kihívások: fogyasztói
RészletesebbenA Java EE 5 plattform
A Java EE 5 platform Ficsor Lajos Általános Informatikai Tanszék Miskolci Egyetem Utolsó módosítás: 2007. 11. 13. A Java EE 5 platform A Java EE 5 plattform A J2EE 1.4 után következő verzió. Alapvető továbbfejlesztési
RészletesebbenVÁLTOZÓ VIDEÓ VILÁG: MILYEN KÉPERNYŐN NÉZNEK? ELŐADÓ: VÖRÖS CSILLA. Digitalia szeptember 10.
VÁLTOZÓ VIDEÓ VILÁG: MILYEN KÉPERNYŐN NÉZNEK? ELŐADÓ: VÖRÖS CSILLA Digitalia 2013. szeptember 10. TARTALOM TV tények (eszközök, nézési idő, nézést növelő faktorok) Multiplatform (eszközök, külföldi adatok,
RészletesebbenÖnkiszolgáló BI Az üzleti proaktivítás eszköze. Budapest,
Önkiszolgáló BI Az üzleti proaktivítás eszköze Budapest, 2016.10.27 Tartalom 1. Kihívások Való Világ 2. Hogyan segít az Önkiszolgáló BI? confidential 10/26/2016 2 Riportokkal szembeni igények alakulása
RészletesebbenHely- és kontextusfüggő alkalmazások fejlesztését támogató keretrendszer mobil környezetben
Department of Distributed Systems Hely- és kontextusfüggő alkalmazások fejlesztését támogató keretrendszer mobil környezetben MTA SZTAKI Elosztott Rendszerek Osztály - Mátételki Péter matetelki@sztaki.hu
RészletesebbenOutput menedzsment felmérés. Tartalomjegyzék
Összefoglaló Output menedzsment felmérés 2009.11.12. Alerant Zrt. Tartalomjegyzék 1. A kutatásról... 3 2. A célcsoport meghatározása... 3 2.1 Célszervezetek... 3 2.2 Célszemélyek... 3 3. Eredmények...
RészletesebbenAz adatelemző felelőssége tapasztalatok a biztosítási analitikában
Az adatelemző felelőssége tapasztalatok a biztosítási analitikában Szabó Dániel Advanced Analytics team vezető Budapest, 2018. június 14. Segítünk az embereknek anyagi biztonságot teremteni egy életen
RészletesebbenMultimédia mintarendszerek a Sulinet + hálózatban
Multimédia mintarendszerek a Sulinet + hálózatban 2014. január 9. Sulinet + nyílt nap Budapest Ilyés Gábor osztályvezető Multimédia szolgáltatások NIIF Intézet NIIF Kollaborációs infrastruktúra Több mint
RészletesebbenTÉVÉNÉZÉS AZ INTERNETEN
TÉVÉNÉZÉS AZ INTERNETEN 2014. MÁJUS NIELSEN KÖZÖNSÉGMÉRÉS 2014. OKTÓBER 9. A MAGYAR NÉPESSÉG MEGOSZLÁSA ÉS ESZKÖZELLÁTOTTSÁGA 9,4 M Összes személy Van a háztartásban A tévés háztartásban élő 4 éven felüli
RészletesebbenPalaczk 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
RészletesebbenA BETEGBIZTONSÁG FEJLESZTÉSI LEHETŐSÉGEI. 40. Betegbiztonsági Fórum június 8.
A BETEGBIZTONSÁG FEJLESZTÉSI LEHETŐSÉGEI 40. Betegbiztonsági Fórum 2017. június 8. A TÉMAKÖR SZAKMAI HÁTTERE az egészségügyi ellátás veszélyes tevékenység az előforduló beteg károsodások nemkívánatos események
RészletesebbenVállalati 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
RészletesebbenAz Invitel Távközlési Zrt.
Az Invitel Távközlési Zrt. által egyéni előfizetők számára nyújtott elektronikus hírközlési és médiaszolgáltatások Általános Szerződési Feltételei 1. számú melléklete Szolgáltatások leírása Hatályba lépés
Részletesebben1 Mit értünk cookie, böngésző helyi tárolás ("cookie és hasonló technológia") alatt?
Cookie-szabályzat Hatályos: 2018. május 25. Utoljára frissítve: 2018. március 23. A GfK Hungária askgfk.hu Online Access Panel teljesítése céljából a jelen Cookie-szabályzat alapján cookie-kat és hasonló
RészletesebbenFeladataink, kötelességeink, önkéntes és szabadidős tevékenységeink elvégzése, a közösségi életformák gyakorlása döntések sorozatából tevődik össze.
INFORMATIKA Az informatika tantárgy ismeretkörei, fejlesztési területei hozzájárulnak ahhoz, hogy a tanuló az információs társadalom aktív tagjává válhasson. Az informatikai eszközök használata olyan eszköztudást
RészletesebbenAZ ORSZÁGOS KOMPETENCIAMÉRÉS EREDMÉNYEI 2016/2017-ES TANÉV
Iskolánkban a hagyományos alapképzés mellett emelt óraszámú képzést folytatunk angolból. Idegen nyelvet és informatikát első osztálytól oktatunk. Elnyertük a Digitális iskola címet. Évek óta Ökoiskola
RészletesebbenGyors 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
RészletesebbenVizuális 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
RészletesebbenCÍM. Hybrid Broadcast Broadband TV
CÍM Hybrid Broadcast Broadband TV Bevezetés Az IPTV piacot a mai napig zárt rendszerű egyedi fejlesztésű rendszerek uralják. Az új szabványosítási folyamatnak ( Connected TV, HbbTV ) eredményeképpen ez
RészletesebbenTV mindenhol. Vantsa László Magyarországért, Csehországért és Szlovákiáért felelős kereskedelmi és terjesztési igazgató Discovery Networks CEEMEA
TV mindenhol Vantsa László Magyarországért, Csehországért és Szlovákiáért felelős kereskedelmi és terjesztési igazgató Discovery Networks CEEMEA A DISCOVERY NETWORKS KÜLDETÉSÜNK A KÍVÁNCSISÁG KIELÉGÍTÉSE
RészletesebbenPentaho 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
RészletesebbenÚj módszerek és eszközök infokommunikációs hálózatok forgalmának vizsgálatához
I. előadás, 2014. április 30. Új módszerek és eszközök infokommunikációs hálózatok forgalmának vizsgálatához Dr. Orosz Péter ATMA kutatócsoport A kutatócsoport ATMA (Advanced Traffic Monitoring and Analysis)
RészletesebbenElektronikus oktatástámogató rendszer bevezetésének tapasztalatai. Jókai Erika Vig Zoltán
Elektronikus oktatástámogató rendszer bevezetésének tapasztalatai Jókai Erika Vig Zoltán Előadásvázlat Előkészítési, tervezési szakasz Bevezetési szakasz Kutatási területek Moodle Eredményeink Terveink
RészletesebbenIonogram releváns területeinek meghatározása és elemzésének automatikus megvalósítása
Ionogram releváns területeinek meghatározása és elemzésének automatikus megvalósítása Előadó: Pieler Gergely, MSc hallgató, Nyugat-magyarországi Egyetem Konzulens: Bencsik Gergely, PhD hallgató, Nyugat-magyarországi
RészletesebbenVideóportálok a felsőoktatásban
Kovács András NIIF Intézet NetworkShop 2009, Szeged 2009. április 15. Mire jó egy Nemzeti videóportál? Információs Infrastruktúra Fejlesztési Intézet Multimédia repozitórium-ok: Felsőoktatás-kutatás:
RészletesebbenTERC V.I.P. hardverkulcs regisztráció
TERC V.I.P. hardverkulcs regisztráció 2014. második félévétől kezdődően a TERC V.I.P. költségvetés-készítő program hardverkulcsát regisztrálniuk kell a felhasználóknak azon a számítógépen, melyeken futtatni
RészletesebbenTPM egy kicsit másképp Szollár Lajos, TPM Koordinátor
TPM egy kicsit másképp Szollár Lajos, TPM Koordinátor 2013.06.18 A TPM A TPM a Total Productive Maintenance kifejezés rövidítése, azaz a teljes, a gyártásba integrált karbantartást jelenti. A TPM egy állandó
RészletesebbenIII.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ
infokommunikációs technológiák III.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ KECSKEMÉTI ANNA KUN JEROMOS KÜRT Zrt. KUTATÁSI
RészletesebbenSZTE 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
RészletesebbenBevezetés a kvantum informatikába és kommunikációba Féléves házi feladat (2013/2014. tavasz)
Bevezetés a kvantum informatikába és kommunikációba Féléves házi feladat (2013/2014. tavasz) A házi feladatokkal kapcsolatos követelményekről Kapcsolódó határidők: választás: 6. oktatási hét csütörtöki
RészletesebbenCafeteria szolgáltatások
Cafeteria szolgáltatások Teljes körű cafeteria rendszer építés, tanácsadás. Nyilvántartó rendszer A Quick.Cafe elsősorban a munkavállalók cafeteria választásának megkön nyítését szolgáló szoftver. Interneten,
RészletesebbenAdatbányászat 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
RészletesebbenCOMPANY PROFILE SZOFI ALGORITHMIC RESEARCH KFT
COMPANY PROFILE SZOFI ALGORITHMIC RESEARCH KFT WWW.SZOFIUSA.COM CÉGTÖRTÉNET 1990 Alapítás 1990 Informatikai fejlesztések kezdete 1992 Felsőfokú informatikai képzési rendszer kidolgozása a kormányzat részére
RészletesebbenCloud Akkreditációs Szolgáltatás indítása CLAKK projekt. Kozlovszky Miklós, Németh Zsolt, Lovas Róbert 9. LPDS MTA SZTAKI Tudományos nap
Cloud Akkreditációs Szolgáltatás indítása CLAKK projekt Kozlovszky Miklós, Németh Zsolt, Lovas Róbert 9. LPDS MTA SZTAKI Tudományos nap Projekt alapadatok Projekt név: Cloud akkreditációs szolgáltatás
RészletesebbenBIG DATA ÉS GÉPI TANULÁS KÖRNYEZET AZ MTA CLOUD-ON KACSUK PÉTER, NAGY ENIKŐ, PINTYE ISTVÁN, HAJNAL ÁKOS, LOVAS RÓBERT
BIG DATA ÉS GÉPI TANULÁS KÖRNYEZET AZ MTA CLOUD-ON KACSUK PÉTER, NAGY ENIKŐ, PINTYE ISTVÁN, HAJNAL ÁKOS, LOVAS RÓBERT TARTALOM MTA Cloud Big Data és gépi tanulást támogató szoftver eszközök Apache Spark
RészletesebbenKÖVETKEZŐ 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!
RészletesebbenAlternatív zártláncú tartalomtovábbítás értékesítőhelyek számára
Alternatív zártláncú tartalomtovábbítás értékesítőhelyek számára António Felizardo Hungaro DigiTel Kft. 2015. okt. 8. Igény Kapacitás - Adatforgalom Alkalmazások Felhasználó Hálózat Egyik a másikat gerjeszti,
RészletesebbenSorsz. Feladat Időtart. Ütemezés Új arculattal jelenjen meg a portál: főoldalhoz 1.1
1. sz. Melléklet Szakmai ajánlat Sorsz. Feladat Időtart. Ütemezés Új arculattal jelenjen meg a portál: főoldalhoz 1.1 (nyitólap) és al/főmenükhöz új design és a hozzájuk 1 hónap tartozó színvilág (template)
Részletesebbenaz MTA SZTAKI elearning osztályának adaptív tartalom megoldása Fazekas László Dr. Simonics István Wagner Balázs
elibrary ALMS az MTA SZTAKI elearning osztályának adaptív tartalom megoldása Fazekas László Dr. Simonics István Wagner Balázs Miért van szüks kség elearningre Élethosszig tartó tanulás A dolgozó ember
RészletesebbenLukovich Gábor Logisztikai rendszerfejlesztő
Lukovich Gábor Logisztikai rendszerfejlesztő Intra-logisztikai rendszerek Lay-out tervezése/fejlesztése Logisztikai informatikai rendszerek tervezése Egymással kölcsönhatásban lévő részfeladatok rendszere
RészletesebbenProgramozási módszertan. Mohó algoritmusok
PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás
RészletesebbenENELFA záró konferencia 2014. január. 21. századi oktatási trendek, e-learning - Cesim OnService pilot tréningek
ENELFA záró konferencia 2014. január 21. századi oktatási trendek, e-learning - Cesim OnService pilot tréningek Children must be taught how to think, not what to think. Margaret Mead A jelenlegi felsőoktatási
RészletesebbenHőmennyiségmérők elektronikus leolvasásának
Hőmennyiségmérők elektronikus leolvasásának egy működő referenciája Az elmúlt időszakban a Kamstrup több mint 2 millió hőmennyiségmérőt telepített szerte a világban. A telepített mérők mérési adatainak
RészletesebbenTDK tájékoztató Gazdaságinformatika Intézeti Tanszék szeptember
TDK tájékoztató Gazdaságinformatika Intézeti Tanszék 2017. szeptember TDK témakörök és tanszéki kutatások, tájékoztató Tisztelt Hallgató, Tájékoztatjuk, hogy a meghirdetett témakörök csak tájékoztató jellegűek,
RészletesebbenVan-e ingyen-ebéd? Avagy mire elég a nyílt forráskodú Pentaho? Fekszi Csaba Ügyvezető 2012. október 4.
Van-e ingyen-ebéd? Avagy mire elég a nyílt forráskodú Pentaho? Fekszi Csaba Ügyvezető 2012. október 4. Omnit Solutions 2007 óta a piacon BI & adattárház tanácsadás 20 fős csapat Oracle, IBM és Pentaho
Részletesebben