Reguły asocjacyjne. Żródło: LaroseD.T., Discovering Knowledge in Data. An Introduction to Data Minig, John Wiley& Sons, Hoboken, New Jersey, 2005.
|
|
- Alicja Komorowska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Reguły asocjacyjne Żródło: LaroseD.T., Discovering Knowledge in Data. An Introduction to Data Minig, John Wiley& Sons, Hoboken, New Jersey, 2005.
2 Stragan warzywny -transakcje zakupów Transakcja Produkty 1 brokuły, zielona papryka, kukurydza 2 szparagi, cukinia, kukurydza 3 kukurydza, pomidory, groszek, cukinia 4 zielona papryka, szparagi, brokuły 5 groszek, szparagi, brokuły 6 cukinia, szparagi, groszek, pomidory
3 Dane tabelaryczne o transakcjach Transakcja szparagi groszek brokuły kukurydza Zielona papryka cukinia pomidory
4 Kryteria ( A B) wsparcie = liczba transakcji z sumaryczna liczba produktami transakcji A i B P ufnosc = = ( A B) = P( B / A) ( A B) liczba transakcji z produktami A i B P( A) sumaryczna liczba transakcji z produktem A
5 Odkrywanie reguł asocjacyjnych Analityk może preferować reguły o dużym wsparciu lub o dużej ufności lub też może brać pod uwagę obie miary: wsparcie i ufność
6 Mocne reguły Mocne reguły to reguły o dużym wsparciu i dużej ufności
7 Szukanie reguł asocjacyjnych 1. znajdź częste zbiory zdarzeń=znajdź wszystkie zdarzenia, których częstość występowania Φ 2. Na podstawie częstych zbiorów zdarzeń utwórz reguły asocjacyjne, które spełniają kryterium minimalnej ufności i minimalnego wsparcia.
8 Własność A PRIORI Jeżeli zbiór zdarzeń Z nie jest zbiorem częstym, to dla dowolnego zbioru zdarzeń A: Z UA nie jest zbiorem częstym.
9 przyjmij Φ = 4
10 Możliwe zbiory 1-elementowe (C1) Transakcja szparagi groszek brokuły kukurydza Zielona papryka cukinia pomidory Φ
11 1-elementowe zbiory częste F1={szparagi, groszek, brokuły, kukurydza, zielona papryka, cukinia, pomidory }
12 Tworzenie zbiorów F k Aby utworzyć zbiór F k, algorytm A PRIORI najpierw konstruuje zbiór C k kandydatów k-elementowych poprzez łączenie zbiorów F k-1 Zbiory F k-1 są łączone jeśli mają wspólnych pierwszych k-1 elementów Następnie algorytm przycina zbiór C k za pomocą właściwości A PRIORI. Zbiory zdarzeń, które przetrwały krok przycinania tworzą zbiór F k.
13 Możliwe zbiory 2-elementowe(C2) Zbiór Liczność Zbiór Liczność szparagi, groszek 5 brokuły, kukurydza 2 szparagi, brokuły 1 brokuły, zielona papryka 4 szparagi, kukurydza 2 brokuły, cukinia 1 szparagi, green pappers 0 brokuły, pomidory 2 szparagi, cukinia 5 kukurydza, zielona papryka 3 szparagi, pomidory 1 kukurydza, cukinia 3 groszek, brokuły 3 kukurydza, pomidory 4 groszek, kukurydza 5 zielona papryka, cukinia 1 groszek, zielona papryka 3 zielona papryka, pomidory 3 groszek, cukinia 6 cukinia, pomidory 2 groszek,pomidory 4
14 2-elementowe zbiory częste F2={{szparagi, groszek} {szparagi, cukinia}, {groszek, kukurydza}, {groszek, cukinia}, {groszek, pomidory}, {brokuły, zielona papryka}, {kukurydza, pomidory }}
15 Generowanie reguł asocjacyjnych Krok 1. Utwórz wszystkie zbiory s. Krok 2. Niech ss będzie niepustym podzbiorem s. Rozważ regułę asocjacyjną R: ss => (s-ss), gdzie (s-ss) oznacza zbiór s bez podzbioru ss. Stwórz i zwróć R jeśli R spełnia minimalne wymagania ufności. Wykonaj krok 2 dla każdego podzbioru sszbiorus. Dla prostoty często pożądany jest 1-elementowy następnik.
16 Możliwe reguły asocjacyjne Jeżeli poprzednik, to następnik Wsparcie Ufność Jeżeli kupuje szparagi, to kupuje groszek 5/14=35,7% 5/6=83.3% Jeżeli kupuje szparagi, to kupuje groszek 5/14=35,7% 5/10=50% Jeżeli kupuje szparagi, to kupuje cukinię 5/14=35,7% 5/6=83.3% Jeżeli kupuje cukinię, to kupuje szparagi 5/14=35,7% 5/7=71.4% Jeżeli kupuje groszek, to kupuje kukurydzę 5/14=35,7% 5/10=50% Jeżeli kupuje kukurydzę, to kupuje groszek 5/14=35,7% 5/8=62.5% Jeżeli kupuje groszek, to kupuje cukinię 6/14=42,9% 6/10=60% Jeżeli kupuje cukinię, to kupuje groszek 6/14=42,9% 6/7=85.7% Jeżeli kupuje groszek, to kupuje pomidory 4/14=28,6% 4/10=40% Jeżeli kupuje pomidory, to kupuje groszek 4/14=28,6% 4/6=66.7% Jeżeli kupuje brokuły, to kupuje zieloną paprykę 4/14=28,6% 4/5=80% Jeżeli kupuje zieloną paprykę, to kupuje brokuły 4/14=28,6% 4/5=80% Jeżeli kupuje kukurydzę, to kupuje pomidory 4/14=28,6% 4/8=50% Jeżeli kupuje pomidory, to kupuje kukurydzę 4/14=28,6% 4/6=66.7%
17 Przyjmij minimalną ufność = 80%
18 Reguły asocjacyjne (ufność >=80%) Jeżeli poprzednik, to następnik Wsparcie Ufność Jeżeli kupuje szparagi, to kupuje groszek 5/14=35,7% 5/6=83.3% Jeżeli kupuje szparagi, to kupuje cukinia 5/14=35,7% 5/6=83.3% Jeżeli kupuje cukinia, to kupuje groszek 6/14=42,9% 6/7=85.7% Jeżeli kupuje brokuły, to kupuje zielona papryka 4/14=28,6% 4/5=80% Jeżeli kupuje zielona papryka, to kupuje brokuły 4/14=28,6% 4/5=80%
19 Możliwe zbiory 3-elementowe(C3) Zbiór szparagi, groszek, cukinia groszek, kukurydza, cukinia groszek, kukurydza, pomidory groszek, cukinia, pomidory
20 Możliwe reguły asocjacyjne Jeżeli poprzednik, to następnik Wsparcie Ufność Jeżeli kupuje szparagi and groszek, to kupuje cukinię 4/14=28.6,7% 4/5=80% Jeżeli kupuje szparagi and cukinię, to kupuje groszek 4/14=28.6,7% 4/5=80% Jeżeli kupuje groszek and cukinię, to kupuje szparagi 4/14=28.6,7% 4/6=66.7%
21 Reguły asocjacyjne (ufność >=80%) Jeżeli poprzednik, to następnik Wsparcie Ufność Jeżeli kupuje szparagi, to kupuje groszek 5/14=35,7% 5/6=83.3% Jeżeli kupuje szparagi, to kupuje cukinię 5/14=35,7% 5/6=83.3% Jeżeli kupuje cukinię, to kupuje groszek 6/14=42,9% 6/7=85.7% Jeżeli kupuje brokuły, to kupuje zieloną paprykę 4/14=28,6% 4/5=80% Jeżeli kupuje zieloną paprykę, to kupuje brokuły 4/14=28,6% 4/5=80% Jeżeli kupuje szparagi and groszek, to kupuje cukinia 4/14=28.6,7% 4/5=80% Jeżeli kupuje szparagi and cukinię, to kupuje groszek 4/14=28.6,7% 4/5=80%
22 Reguły asocjacyjne Jeżeli poprzednik, to następnik Wsparcie Ufność Wsparcie x ufność Jeżeli kupuje szparagi, to kupuje groszek 5/14=35,7% 5/6=83.3% 0.37 Jeżeli kupuje szparagi, to kupuje cukinię 5/14=35,7% 5/6=83.3% 0.30 Jeżeli kupuje cukinię, to kupuje groszek 6/14=42,9% 6/7=85.7% 0.30 Jeżeli kupuje brokuły, to kupuje zieloną paprykę 4/14=28,6% 4/5=80% 0.23 Jeżeli kupuje zieloną paprykę, to kupuje brokuły 4/14=28,6% 4/5=80% 0.23 Jeżeli kupuje szparagi i groszek, to kupuje cukinię 4/14=28.6,7% 4/5=80% 0.23 Jeżeli kupuje szparagi i cukinię,to kupuje groszek 4/14=28.6,7% 4/5=80% 0.23
Metody eksploracji danych. Reguły asocjacyjne
Metody eksploracji danych Reguły asocjacyjne Analiza podobieństw i koszyka sklepowego Analiza podobieństw jest badaniem atrybutów lub cech, które są powiązane ze sobą. Metody analizy podobieństw, znane
Bardziej szczegółowoEksploracja danych - wykład VIII
I Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska 2 grudnia 2016 1/31 1 2 2/31 (ang. affinity analysis) polega na badaniu atrybutów lub cech, które są ze sobą powiązane. Metody
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Reguły asocjacyjne
Inżynieria Wiedzy i Systemy Ekspertowe Reguły asocjacyjne Dr inż. Michał Bereta p. 144 / 10, Instytut Modelowania Komputerowego mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl Reguły
Bardziej szczegółowoSystemy Wspomagania Decyzji
Reguły Asocjacyjne Szkoła Główna Służby Pożarniczej Zakład Informatyki i Łączności March 18, 2014 1 Wprowadzenie 2 Definicja 3 Szukanie reguł asocjacyjnych 4 Przykłady użycia 5 Podsumowanie Problem Lista
Bardziej szczegółowoĆwiczenie 5. Metody eksploracji danych
Ćwiczenie 5. Metody eksploracji danych Reguły asocjacyjne (association rules) Badaniem atrybutów lub cech, które są powiązane ze sobą, zajmuje się analiza podobieństw (ang. affinity analysis). Metody analizy
Bardziej szczegółowoINDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH
INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH 1. Czym jest eksploracja danych Eksploracja danych definiowana jest jako zbiór technik odkrywania nietrywialnych zależności i schematów w dużych
Bardziej szczegółowoReguły asocjacyjne w programie RapidMiner Michał Bereta
Reguły asocjacyjne w programie RapidMiner Michał Bereta www.michalbereta.pl 1. Wstęp Reguły asocjacyjne mają na celu odkrycie związków współwystępowania pomiędzy atrybutami. Stosuje się je często do danych
Bardziej szczegółowoZastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2014/2015
Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner rok akademicki 2014/2015 Analiza asocjacji i sekwencji Analiza asocjacji Analiza asocjacji polega na identyfikacji
Bardziej szczegółowoData Mining Wykład 3. Algorytmy odkrywania binarnych reguł asocjacyjnych. Plan wykładu
Data Mining Wykład 3 Algorytmy odkrywania binarnych reguł asocjacyjnych Plan wykładu Algorytm Apriori Funkcja apriori_gen(ck) Generacja zbiorów kandydujących Generacja reguł Efektywności działania Własności
Bardziej szczegółowoOdkrywanie asocjacji
Odkrywanie asocjacji Cel odkrywania asocjacji Znalezienie interesujących zależności lub korelacji, tzw. asocjacji Analiza dużych zbiorów danych Wynik procesu: zbiór reguł asocjacyjnych Witold Andrzejewski,
Bardziej szczegółowoReguły asocjacyjne. 1. Uruchom system weka i wybierz aplikację Knowledge Flow.
Reguły asocjacyjne Niniejsze ćwiczenie demonstruje działanie implementacji algorytmu apriori w systemie WEKA. Ćwiczenie ma na celu zaznajomienie studenta z działaniem systemu WEKA oraz znaczeniem podstawowych
Bardziej szczegółowoWprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Proces odkrywania reguł asocjacyjnych. Data Mining Wykład 2
Data Mining Wykład 2 Odkrywanie asocjacji Plan wykładu Wprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Proces odkrywania reguł asocjacyjnych Geneza problemu Geneza problemu odkrywania reguł
Bardziej szczegółowoAlgorytm DIC. Dynamic Itemset Counting. Magdalena Przygórzewska Karolina Stanisławska Aleksander Wieczorek
Algorytm DIC Dynamic Itemset Counting Magdalena Przygórzewska Karolina Stanisławska Aleksander Wieczorek Spis treści 1 2 3 4 Algorytm DIC jako rozszerzenie apriori DIC Algorytm znajdowania reguł asocjacyjnych
Bardziej szczegółowoEwelina Dziura Krzysztof Maryański
Ewelina Dziura Krzysztof Maryański 1. Wstęp - eksploracja danych 2. Proces Eksploracji danych 3. Reguły asocjacyjne budowa, zastosowanie, pozyskiwanie 4. Algorytm Apriori i jego modyfikacje 5. Przykład
Bardziej szczegółowoAlgorytmy odkrywania binarnych reguł asocjacyjnych
Algorytmy odkrywania binarnych reguł asocjacyjnych A-priori FP-Growth Odkrywanie asocjacji wykład 2 Celem naszego wykładu jest zapoznanie się z dwoma podstawowymi algorytmami odkrywania binarnych reguł
Bardziej szczegółowoInżynieria biomedyczna
Inżynieria biomedyczna Projekt Przygotowanie i realizacja kierunku inżynieria biomedyczna studia międzywydziałowe współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego.
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. EKSPLORACJA DANYCH Ćwiczenia. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING EKSPLORACJA DANYCH Ćwiczenia Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowo1. Odkrywanie asocjacji
1. 2. Odkrywanie asocjacji...1 Algorytmy...1 1. A priori...1 2. Algorytm FP-Growth...2 3. Wykorzystanie narzędzi Oracle Data Miner i Rapid Miner do odkrywania reguł asocjacyjnych...2 3.1. Odkrywanie reguł
Bardziej szczegółowoReguły asocjacyjne, wykł. 11
Reguły asocjacyjne, wykł. 11 Joanna Jędrzejowicz Instytut Informatyki Przykłady reguł Analiza koszyka sklepowego (ang. market basket analysis) - jakie towary kupowane są razem, Jakie towary sprzedają się
Bardziej szczegółowoB jest globalnym pokryciem zbioru {d} wtedy i tylko wtedy, gdy {d} zależy od B i nie istnieje B T takie, że {d} zależy od B ;
Algorytm LEM1 Oznaczenia i definicje: U - uniwersum, tj. zbiór obiektów; A - zbiór atrybutów warunkowych; d - atrybut decyzyjny; IND(B) = {(x, y) U U : a B a(x) = a(y)} - relacja nierozróżnialności, tj.
Bardziej szczegółowoReguły decyzyjne, algorytm AQ i CN2. Reguły asocjacyjne, algorytm Apriori.
Analiza danych Reguły decyzyjne, algorytm AQ i CN2. Reguły asocjacyjne, algorytm Apriori. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ REGUŁY DECYZYJNE Metoda reprezentacji wiedzy (modelowania
Bardziej szczegółowoPlan wykładu. Reguły asocjacyjne. Przykłady asocjacji. Reguły asocjacyjne. Jeli warunki to efekty. warunki efekty
Plan wykładu Reguły asocjacyjne Marcin S. Szczuka Wykład 6 Terminologia dla reguł asocjacyjnych. Ogólny algorytm znajdowania reguł. Wyszukiwanie czstych zbiorów. Konstruowanie reguł - APRIORI. Reguły asocjacyjne
Bardziej szczegółowoOdkrywanie asocjacji. Cel. Geneza problemu analiza koszyka zakupów
Odkrywanie asocjacji Cel Celem procesu odkrywania asocjacji jest znalezienie interesujących zależności lub korelacji (nazywanych ogólnie asocjacjami) pomiędzy danymi w dużych zbiorach danych. Wynikiem
Bardziej szczegółowoSztuczna Inteligencja Projekt
Sztuczna Inteligencja Projekt Temat: Algorytm LEM2 Liczba osób realizujących projekt: 2 1. Zaimplementować algorytm LEM 2. 2. Zaimplementować klasyfikator Classif ier. 3. Za pomocą algorytmu LEM 2 wygenerować
Bardziej szczegółowoAnaliza asocjacji i reguły asocjacyjne w badaniu wyborów zajęć dydaktycznych dokonywanych przez studentów. Zastosowanie algorytmu Apriori
Ekonomia nr 34/2013 Analiza asocjacji i reguły asocjacyjne w badaniu wyborów zajęć dydaktycznych dokonywanych przez studentów. Zastosowanie algorytmu Apriori Mirosława Lasek *, Marek Pęczkowski * Streszczenie
Bardziej szczegółowoSTYCZEŃ marchew, pietruszka korzeniowa, buraki, seler, ziemniaki, por, pasternak, jarmuż, topinambur, brukselka, cykoria, brukiew
GRUDZIEŃ gruszki, jabłka, cytrusy, buraki, brukselki, dynie, marchewki, kapusta, natka pietruszki, ziemniaki, seler korzeniowy oraz jarmuż STYCZEŃ marchew, pietruszka korzeniowa, buraki, seler, ziemniaki,
Bardziej szczegółowoLaboratorium 3. Odkrywanie reguł asocjacyjnych.
Laboratorium 3 Odkrywanie reguł asocjacyjnych. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Tools SQL Worksheet. W górnym oknie wprowadź i wykonaj
Bardziej szczegółowoMichał Kukliński, Małgorzata Śniegocka-Łusiewicz
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 389 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki
Bardziej szczegółowoOdkrywanie asocjacji
Odkrywanie asocjacji Wprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Odkrywanie asocjacji wykład 1 Wykład jest poświęcony wprowadzeniu i zaznajomieniu się z problemem odkrywania reguł asocjacyjnych.
Bardziej szczegółowoń ę ń ę ń ę ń ę ę ę ę ę ź ń ź Ś ę Ł ń ę ę ń ę ń ę ę ę ę ę ę ź ę ę Ż ę ŚĆ ę Ż ń ń ę ń ę ę ę ę ę ź ę ę Ś Ś Ś Ś ź ę ń ę ę Ź ń Ś Ś ę ń ę ę ę ę ę ź ń ŚĆ Ś ń ń ń Ą ń ę ę ŚĆ ę Ż ę ń ę ę ę ę ę ź ń Ś Ś ź Ś Ł ę
Bardziej szczegółowoOdkrywanie reguł asocjacyjnych. Rapid Miner
Odkrywanie reguł asocjacyjnych Rapid Miner Zbiory częste TS ID_KLIENTA Koszyk 12:57 1123 {mleko, pieluszki, piwo} 13:12 1412 {mleko, piwo, bułki, masło, pieluszki} 13:55 1425 {piwo, wódka, wino, paracetamol}
Bardziej szczegółowoSprawozdanie z laboratorium: Hurtownie Danych. Algorytm generowania reguł asocjacyjnych. FP-Growth. 9 czerwca 2011
Sprawozdanie z laboratorium: Hurtownie Danych Algorytm generowania reguł asocjacyjnych 9 czerwca 2011 Prowadzący: dr inż. Izabela Szczęch dr inż. Szymon Wilk Autorzy: Łukasz Idkowiak Tomasz Kamiński Jacek
Bardziej szczegółowoPlan prezentacji 0 Wprowadzenie 0 Zastosowania 0 Przykładowe metody 0 Zagadnienia poboczne 0 Przyszłość 0 Podsumowanie 7 Jak powstaje wiedza? Dane Informacje Wiedza Zrozumienie 8 Przykład Teleskop Hubble
Bardziej szczegółowoWielopoziomowe i wielowymiarowe reguły asocjacyjne
Wielopoziomowe i wielowymiarowe reguły asocjacyjne Wielopoziomowe reguły asocjacyjne Wielowymiarowe reguły asocjacyjne Asocjacje vs korelacja Odkrywanie asocjacji wykład 3 Kontynuując zagadnienia związane
Bardziej szczegółowoKrzysztof Kawa. empolis arvato. e mail: krzysztof.kawa@empolis.com
XI Konferencja PLOUG Kościelisko Październik 2005 Zastosowanie reguł asocjacyjnych, pakietu Oracle Data Mining for Java do analizy koszyka zakupów w aplikacjach e-commerce. Integracja ze środowiskiem Oracle
Bardziej szczegółowoReguły i fakty zapisz za pomocą perceptów. Metodą wnioskowania w tył, sprawdzić czy mój komputer jest wyposażony w procesor PII.
Reguły i fakty zapisz za pomocą perceptów. Metodą wnioskowania w tył, sprawdzić czy mój komputer jest wyposażony w procesor PII. 1. (cena:komputer:x1,drogi) (cecha:komputer:x1,uniwersalny) ) (obudowa:komputer:x1,duża)
Bardziej szczegółowoZagadnienia: 1. Definicje porządku słabego i silnego. 2. Elementy minimalne, maksymalne, kresy, etc.
Zagadnienia: 1. Definicje porządku słabego i silnego. 2. Elementy minimalne, maksymalne, kresy, etc. 3. Porządki liniowe. Porządki gęste, ciągłe i dobre. dradamkolany,mailto:ynalok64@wp.pl,http://kolany.pl,gg:1797933,tel.(+48)602804128...
Bardziej szczegółowoKatalog produktów dla sektora gastronomicznego
Katalog produktów dla sektora gastronomicznego Produkty Oerlemans Foods Wstęp Oerlemans Foods jako koncern międzynarodowy wyspecjalizował się w produkcji wysokiej jakości świeżo mrożonych warzyw i owoców.
Bardziej szczegółowoIndukcja matematyczna, zasada minimum i maksimum. 17 lutego 2017
Indukcja matematyczna, zasada minimum i maksimum 17 lutego 2017 Liczby naturalne - Aksjomatyka Peano (bez zera) Aksjomatyka liczb naturalnych N jest nazwą zbioru liczb naturalnych, 1 jest nazwą elementu
Bardziej szczegółowoKATALOG GASTRONOMIA MROŻONE OWOCE GWARANCJA ŚWIEŻOŚCI I JAKOŚCI OBSZERNY I ZRÓŻNICOWANY ASORTYMENT MNOGOŚĆ WARIANTÓW ZASTOSOWANIA
GWARANCJA ŚWIEŻOŚCI I JAKOŚCI OBSZERNY I ZRÓŻNICOWANY ASORTYMENT MNOGOŚĆ WARIANTÓW ZASTOSOWANIA SOLIDNOŚĆ I RZETELNOŚĆ W KAŻDYM DZIAŁANIU KATALOG GASTRONOMIA 2014 JAKOŚĆ I BEZPIECZEŃSTWO Celem nadrzędnym
Bardziej szczegółowoA C T A UNIVERSITATIS LODZIENSIS FOLIA OECONOMICA 183,2004. Sebastian Szamański, Ryszard Budziński
A C T A UNIVERSITATIS LODZIENSIS FOLIA OECONOMICA 183,2004 Sebastian Szamański, Ryszard Budziński METODY EKSPLORACJI REGUŁ ASOCJACYJNYCH I ICH ZASTOSOWANIE Wprowadzenie Ogromny postęp technologiczny ostatnich
Bardziej szczegółowoDrzewa klasyfikacyjne Lasy losowe. Wprowadzenie
Wprowadzenie Konstrukcja binarnych drzew klasyfikacyjnych polega na sekwencyjnym dzieleniu podzbiorów przestrzeni próby X na dwa rozłączne i dopełniające się podzbiory, rozpoczynając od całego zbioru X.
Bardziej szczegółowoAlgorytmy klasyfikacji
Algorytmy klasyfikacji Konrad Miziński Instytut Informatyki Politechnika Warszawska 6 maja 2015 1 Wnioskowanie 2 Klasyfikacja Zastosowania 3 Drzewa decyzyjne Budowa Ocena jakości Przycinanie 4 Lasy losowe
Bardziej szczegółowoData Mining Kopalnie Wiedzy
Data Mining Kopalnie Wiedzy Janusz z Będzina Instytut Informatyki i Nauki o Materiałach Sosnowiec, 30 listopada 2006 Kopalnie złota XIX Wiek. Odkrycie pokładów złota spowodowało napływ poszukiwaczy. Przeczesywali
Bardziej szczegółowoII Danie: Kotlet schabowy panierowany70g Ziemniaki 150g Surówka warzywna(kapusta biała, marchew, kukurydza, olej rzepakowy) 100g
Poniedziałek 19.02.2018 JADŁOSPIS Sp.118 wytłuszczonym drukiem Zupa z zielonego groszku z ziemniakami 250ml (seler) Spaghetti bologhnese 100ml, Makaron 150g(gluten) Owoc - Jabłko 1 szt. 20.02.2018 Ryżowa
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoOWOCE WARZYWA. TRUSKAWKI Skład: truskawki bez szypułek. MIESZANKA KOMPOTOWA Skład: truskawki, aronia, porzeczki czerwone, śliwki PORZECZKI CZARNE
Uprawiane na przyjaznych naturze terenach południowo-wschodniej Polski owoce i warzywa zostały starannie wybrane i zamrożone w krótkim czasie po zebraniu. Są naturalnym źródłem witamin i mikroelementów,
Bardziej szczegółowoWnioskowanie z wiedzy niepełnej
Politechnika Warszawska Wydział Elektroniki i Technik Informacyjnych Instytut Informatyki Rok akademicki 2011/2012 Praca dyplomowa magisterska Jakub Siudziński Wnioskowanie z wiedzy niepełnej Opiekun pracy:
Bardziej szczegółowoPoznań: Dostawa warzyw i owoców Numer ogłoszenia: ; data zamieszczenia: OGŁOSZENIE O UDZIELENIU ZAMÓWIENIA - Dostawy
Ogłoszenie powiązane: Ogłoszenie nr 416550-2011 z dnia 2011-12-08 r. Ogłoszenie o zamówieniu - Poznań 3.1. Przedmiotem zamówienia jest dostawa warzyw i owoców. 3.2. Zamawiający dopuszcza składanie ofert
Bardziej szczegółowoIndukcja. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Indukcja Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak Charakteryzacja zbioru liczb naturalnych Arytmetyka liczb naturalnych Jedną z najważniejszych teorii matematycznych jest arytmetyka
Bardziej szczegółowoCO MOZ NA WYCISNA C Z SAMOOBSŁUGI CZYLI SPRZEDAZ W KANAŁACH SELF CARE? Bartosz Szkudlarek
CO MOZ NA WYCISNA C Z SAMOOBSŁUGI CZYLI SPRZEDAZ W KANAŁACH SELF CARE? Bartosz Szkudlarek Self Care, Big Data i sprzedaż 2 Czym jest Self Care? Aplikacja Self Care pozwala użytkownikom na obsługę swojego
Bardziej szczegółowo15,00zł 19,00zł 29,00zł 38,00zł 48,00zł 7. CALIFFOser, sos pomidorowy, oregano, szynka, kabanos, papryka, oliwki
MAKARONY 1. LASAGNE Z MIĘSEMmakaron płaty, mięso mielone, pomidor, ser, warzywa, przyprawy 2. LASAGNE SZPINAKOWAmakaron płaty, szpinak, ser, cebula, jajko, pieczarki, przyprawy 3. SPAGHETTI BOLOGNESEmakaron,
Bardziej szczegółowoKlasyfikacja. Obcinanie drzewa Naiwny klasyfikator Bayes a knn Dokładność klasyfikacji. Eksploracja danych. Klasyfikacja wykład 3
Klasyfikacja Obcinanie drzewa Naiwny klasyfikator Bayes a knn Dokładność klasyfikacji Klasyfikacja wykład 3 Kontynuujemy prezentację zagadnień związanych z klasyfikacją. Na początku przedstawimy technikę
Bardziej szczegółowoSztuczna Inteligencja Projekt
Sztuczna Inteligencja Projekt Temat: Algorytm F-LEM1 Liczba osób realizujących projekt: 2 1. Zaimplementować algorytm F LEM 1. 2. Zaimplementować klasyfikator Classif ier. 3. Za pomocą algorytmu F LEM1
Bardziej szczegółowoDania serwujemy naszym Gościom codziennie Od godziny 12:00 do godziny 22:00
Szef kuchni hotelu Werona wyselekcjonował dla Państwa potrawy zniewalające podniebienie najbardziej wymagających smakoszy Kuchni Polskiej wzbogaconej o akcenty Kuchni Włoskiej Dania serwujemy naszym Gościom
Bardziej szczegółowoSztuczna inteligencja
POLITECHNIKA KRAKOWSKA WIEiK KATEDRA AUTOMATYKI I TECHNIK INFORMACYJNYCH Sztuczna inteligencja www.pk.edu.pl/~zk/si_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 10: Zbiory przybliżone
Bardziej szczegółowoReguły asocjacyjne na giełdzie
Hurtownie danych i data mining - Grupa dra Piotra Lipińskiego II UWr 2009/2010 Adam Grycner, Mateusz Łyczek, Marta Ziobro Reguły asocjacyjne na giełdzie 1 Problem 1.1 Opis problemu - intuicyjnie Będziemy
Bardziej szczegółowoAdres strony internetowej, na której Zamawiający udostępnia Specyfikację Istotnych Warunków Zamówienia:
Adres strony internetowej, na której Zamawiający udostępnia Specyfikację Istotnych Warunków Zamówienia: www.zoo.poznan.pl Poznań: Dostawa warzyw, owoców i artykułów przerobu warzyw i owoców Numer ogłoszenia:
Bardziej szczegółowoAdres strony internetowej, na której Zamawiający udostępnia Specyfikację Istotnych Warunków Zamówienia:
Adres strony internetowej, na której Zamawiający udostępnia Specyfikację Istotnych Warunków Zamówienia: www.zoo.poznan.pl Poznań: Dostawa warzyw i owoców Numer ogłoszenia: 416550-2011; data zamieszczenia:
Bardziej szczegółowoOdkrywanie wzorców sekwencji
Odkrywanie wzorców sekwencji Prefix Span Odkrywanie wzorców sekwencji z ograniczeniami Uogólnione wzorce sekwencji Eksploracja wzorców sekwencji wykład 2 Kontynuujemy nasze rozważania dotyczące odkrywania
Bardziej szczegółowoMatematyka dyskretna - wykład - część Podstawowe algorytmy kombinatoryczne
A. Permutacja losowa Matematyka dyskretna - wykład - część 2 9. Podstawowe algorytmy kombinatoryczne Załóżmy, że mamy tablice p złożoną z n liczb (ponumerowanych od 0 do n 1). Aby wygenerować losową permutację
Bardziej szczegółowoOdkrywanie reguł asocjacyjnych
Odkrywanie reguł asocjacyjnych Tomasz Kubik Na podstawie dokumentu: CS583-association-rules.ppt 1 Odkrywanie reguł asocjacyjnych n Autor metody Agrawal et al in 1993. n Analiza asocjacji danych w bazach
Bardziej szczegółowoZAPROSZENIE DO SKŁADANIA OFERT
Mokrzyska, 28.11.2017 r... nazwa OFERENTA... adres OFERENTA ZAPROSZENIE DO SKŁADANIA OFERT Publiczna Szkoła Podstawowa im. T. Kościuszki w Mokrzyskach zaprasza do składania ofert na wykonanie zadania:
Bardziej szczegółowoANALIZA ZACHOWAŃ UŻYTKOWNIKÓW PORTALU ONET.PL W UJĘCIU REGUŁ ASOCJACYJNYCH
PAWEŁ WEICHBROTH POLITECHIKA GDAŃSKA, ASYSTET, ZAKŁAD ZARZĄDZAIA TECHOLOGIAMI IFORMATYCZYMI, POLITECHIKA GDAŃSKA 1 STRESZCZEIE Portale internetowe są obecnie powszechnym źródłem informacji, notując bardzo
Bardziej szczegółowoEKSPLORACJA DANYCH METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING EKSPLORACJA DANYCH Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra
Bardziej szczegółowoNazwa produktu Masa kcal Białko Tłuszcz jednonienasyc wielonienasy Cholesterol Sacharoza Laktoza
kwasy kwasy kwasy tłuszczowe tłuszczowe Cholesterol Sacharoza Masa Energia [kcal] Białko Tłuszcz tłuszczowe Laktoza jednonienasyc wielonienasy [mg] one cone 1. 2. Wieprzowina 100 261 18,0 21,3 7,46 10,74
Bardziej szczegółowoNowe narzędzia zarządzania jakością
Nowe narzędzia zarządzania jakością Agnieszka Michalak 106947 Piotr Michalak 106928 Filip Najdek 106946 Co to jest? Nowe narzędzia jakości - grupa siedmiu nowych narzędzi zarządzania jakością, które mają
Bardziej szczegółowoWYKŁAD 6. Reguły decyzyjne
Wrocław University of Technology WYKŁAD 6 Reguły decyzyjne autor: Maciej Zięba Politechnika Wrocławska Reprezentacje wiedzy Wiedza w postaci reguł decyzyjnych Wiedza reprezentowania jest w postaci reguł
Bardziej szczegółowoEKSPLORACJA DANYCH METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING EKSPLORACJA DANYCH Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra
Bardziej szczegółowoLogika Stosowana. Wykład 10 - Wnioskowanie indukcyjne Część 3 Indukcja reguł i ILP. Marcin Szczuka. Instytut Informatyki UW
Logika Stosowana Wykład 10 - Wnioskowanie indukcyjne Część 3 Indukcja reguł i ILP Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana
Bardziej szczegółowoWstęp do programowania INP001213Wcl rok akademicki 2017/18 semestr zimowy. Wykład 9. Karol Tarnowski A-1 p.
Wstęp do programowania INP001213Wcl rok akademicki 2017/18 semestr zimowy Wykład 9 Karol Tarnowski karol.tarnowski@pwr.edu.pl A-1 p. 411B Plan prezentacji Zasada dziel i zwyciężaj Przykłady znajdowanie
Bardziej szczegółowoLogika. Michał Lipnicki. 15 stycznia Zakład Logiki Stosowanej UAM. Michał Lipnicki () Logika 15 stycznia / 37
Logika Michał Lipnicki Zakład Logiki Stosowanej UAM 15 stycznia 2011 Michał Lipnicki () Logika 15 stycznia 2011 1 / 37 Wstęp Materiały na dzisiejsze zajęcia zostały opracowane na podstawie pomocy naukowych
Bardziej szczegółowo8. Drzewa decyzyjne, bagging, boosting i lasy losowe
Algorytmy rozpoznawania obrazów 8. Drzewa decyzyjne, bagging, boosting i lasy losowe dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Drzewa decyzyjne Drzewa decyzyjne (ang. decision trees), zwane
Bardziej szczegółowoWybrane zadania przygotowujące do egzaminu z ISO- cz. 2. dr Piotr Wąsiewicz
Wybrane zadania przygotowujące do egzaminu z ISO- cz. 2 dr Piotr Wąsiewicz. Ze zbioru treningowego podanego w tabeli poniżej wykreować metodą zstępującej konstrukcji drzewo decyzyjne(jak najmniej rozbudowane-
Bardziej szczegółowoLista zadań - Relacje
MATEMATYKA DYSKRETNA Lista zadań - Relacje Zadania obliczeniowe Zad. 1. Która z poniższych relacji jest funkcją? a) Relacja składająca się ze wszystkich par uporządkowanych, których poprzednikami są studenci,
Bardziej szczegółowoPrzekąski. Przekąski. Party Mix. Raut. Kukurydza. Kapary. Niepowtarzalny śródziemnomorski smak i aromat. Pokusa zamknięta w słoiczku OLE!
oferta handlowa Party Mix Raut Niepowtarzalny śródziemnomorski smak i aromat. Pokusa zamknięta w słoiczku OLE! Intrygujące i kuszące oryginalnym smakiem, pachnące ziołami śródziemnomorskimi, inspirujące
Bardziej szczegółowoMenu dla Zespół Szkół nr 43
15 lat doświadczenia w cateringu Gastro Team- Zdrowe żywienie twoich dzieci email: strumykowa@gastroteam.pl PONIEDZIAŁEK data śniadanie obiad bezmleczna bezglutenowa wegetariański duży mały rosół domowy
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
Bardziej szczegółowo1. Wstęp do logiki. Matematyka jest nauką dedukcyjną. Nowe pojęcia definiujemy za pomocą pojęć pierwotnych lub pojęć uprzednio wprowadzonych.
Elementy logiki i teorii zbiorów. 1. Wstęp do logiki. Matematyka jest nauką dedukcyjną. Nowe pojęcia definiujemy za pomocą pojęć pierwotnych lub pojęć uprzednio wprowadzonych. Pojęcia pierwotne to najprostsze
Bardziej szczegółowoSortowanie topologiczne skierowanych grafów acyklicznych
Sortowanie topologiczne skierowanych grafów acyklicznych Metody boolowskie w informatyce Robert Sulkowski http://robert.brainusers.net 23 stycznia 2010 1 Definicja 1 (Cykl skierowany). Niech C = (V, A)
Bardziej szczegółowoGenerowanie zbioru reguł asocjacyjnych i decyzyjnych ze statystycznie reprezentatywnym wsparciem i anty-wsparciem
Generowanie zbioru reguł asocjacyjnych i decyzyjnych ze statystycznie reprezentatywnym wsparciem i anty-wsparciem Opiekun naukowy: prof. dr hab. inż. Roman Słowiński Poznań, 30 października 2012 Spis treści
Bardziej szczegółowoODKRYWANIE WZORCÓW ZACHOWAŃ KONSUMENTÓW ZA POMOCĄ ANALIZY KOSZYKOWEJ DANYCH TRANSAKCYJNYCH
PRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU nr 207 RESEARCH PAPERS OF WROCŁAW UNIVERSITY OF ECONOMICS nr 327 2014 Taksonomia 22 ISSN 1899-3192 Klasyfikacja i analiza danych teoria i zastosowania
Bardziej szczegółowoA i. i=1. i=1. i=1. i=1. W dalszej części skryptu będziemy mieli najczęściej do czynienia z miarami określonymi na rodzinach, które są σ - algebrami.
M. Beśka, Wstęp do teorii miary, rozdz. 3 25 3 Miara 3.1 Definicja miary i jej podstawowe własności Niech X będzie niepustym zbiorem, a A 2 X niepustą rodziną podzbiorów. Wtedy dowolne odwzorowanie : A
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoOFERTA. Owoce mrożone. Asortyment Opakowanie Cena za 1 kg netto
IceQB IceQB Spółka z ograniczoną odpowiedzialnością 65-419 Zielona Góra ul. Gen.J.Sowińskiego 2/4 NIP: 929 184 63 37, KRS 0000415139 Tel. (68) 422 74 90, tel./fax (68) 422 74 81 tel. kom. 509098755 www.iceqb.pl
Bardziej szczegółowoAdres strony internetowej, na której Zamawiający udostępnia Specyfikację Istotnych Warunków Zamówienia:
Adres strony internetowej, na której Zamawiający udostępnia Specyfikację Istotnych Warunków Zamówienia: www.zoo.poznan.pl Poznań: Dostawa warzyw, owoców i artykułów przerobu warzyw i owoców Numer ogłoszenia:
Bardziej szczegółowoBOGDAN ZARĘBSKI ZASTOSOWANIE ZASADY ABSTRAKCJI DO KONSTRUKCJI LICZB CAŁKOWITYCH
BOGDAN ZARĘBSKI ZASTOSOWANIE ZASADY ABSTRAKCJI DO KONSTRUKCJI LICZB CAŁKOWITYCH WSTĘP Zbiór liczb całkowitych można definiować na różne sposoby. Jednym ze sposobów określania zbioru liczb całkowitych jest
Bardziej szczegółowoZAPYTANIE OFERTOWE. 2. Zamawiający: Specjalny Ośrodek Szkolno-Wychowawczy im. Jerzego Rudlickiego w Olbięcinie, Olbięcin 139, Trzydnik Duży
ZAPYTANIE OFERTOWE ZAŁĄCZNIK NR 1 Olbięcin, 05.06.2012r. Specjalny Ośrodek Szkolno-Wychowawczy im. J. Rudlickiego w Olbięcinie zaprasza do składania ofert na wyłonienie dostawcy materiałów dydaktycznych
Bardziej szczegółowo1 Działania na zbiorach
M. Beśka, Wstęp do teorii miary, rozdz. 1 1 1 Działania na zbiorach W rozdziale tym przypomnimy podstawowe działania na zbiorach koncentrując się na własnościach tych działań, które będą przydatne w dalszej
Bardziej szczegółowoPizzeria Awangarda 73-260 Pełczyce Zapraszamy Codziennie w godz. od 12.00 do 22.00 Tel. 725 616 161
PIZZA Normalna Familijna 1. MARGERITA (sos, ser) 14,00 zł 26,00 zł 2. FUNGI (sos, ser, pieczarki) 15,00 zł 28,00 zł 3. PEPERONI (sos, ser, pieczarki, cebula, salami, tabasco) 20,00 zł 38,00 zł 4. VESURIO
Bardziej szczegółowo9. Praktyczna ocena jakości klasyfikacji
Algorytmy rozpoznawania obrazów 9. Praktyczna ocena jakości klasyfikacji dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Zbiór uczacy i zbiór testowy 1. Zbiór uczacy służy do konstrukcji (treningu)
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /10
Matematyka dyskretna Andrzej Łachwa, UJ, 2018 andrzej.lachwa@uj.edu.pl 10/10 Podziały i liczby Stirlinga Liczba Stirlinga dla cykli (często nazywana liczbą Stirlinga pierwszego rodzaju) to liczba permutacji
Bardziej szczegółowo6. Formularze tabelaryczne, obiekty nawigacji - rozgałęzienia
6. Formularze tabelaryczne, obiekty nawigacji - rozgałęzienia 1. Kolejne zadanie będzie polegało na utworzeniu formularza tabelarycznego prezentującego utwory określonego wykonawcy. Formularz utworzymy
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Bardziej szczegółowoMetody Inżynierii Wiedzy
Metody Inżynierii Wiedzy Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie AGH University of Science and Technology Mateusz Burcon Kraków, czerwiec 2017 Wykorzystane technologie Python 3.4
Bardziej szczegółowoPrzekąski. Doskonałe przekąski oraz dodatek do wielu dań. Cebulka. marynowana srebrna 305, 800 ml. Pieczarkowy Hit:
oferta handlowa Doskonałe przekąski oraz dodatek do wielu dań. Pieczarkowy Hit Cebulka Cebulka marynowana złota Cebulka marynowana srebrna Pieczarkowy Hit: Pieczarki marynowane z marchewką i cebulą 305,
Bardziej szczegółowoGASTROHOUSE NAJLEPSZY KATERING DLA PRZEDSZKOLI
PONIEDZIAŁEK 03/ 12/ 18r. Zupa pomidorowa z ryżem, warzywami i ziel. pietr. 250 kcal Składniki: wywar 78% (woda, korpus z kurczaka, marchew, por, seler, korzeń pietruszki, ziele angielskie, liść laurowy),
Bardziej szczegółowoTechnologie baz danych
Plan wykładu Technologie baz danych Wykład 2: Relacyjny model danych - zależności funkcyjne. SQL - podstawy Definicja zależności funkcyjnych Reguły dotyczące zależności funkcyjnych Domknięcie zbioru atrybutów
Bardziej szczegółowoMenu marzec 2018 r. Filet z piersi kurczaka w sezamie, ziemniaki, marchewka mini, surówka z warzyw mieszanych, kompot
Poniedziałek Piątek Czwartek Menu marzec 2018 r. 01-02.03.2018 01 Zupa II danie II danie wegan Zacierkowa z Filet z piersi kurczaka w sezamie, ziemniaki, marchewka mini, surówka z warzyw mieszanych, Kotlet
Bardziej szczegółowo