Beslutstödssystem. Beslutstödssystem. DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
|
|
- Sven Isaksson
- för 7 år sedan
- Visningar:
Transkript
1 Beslutstödssystem DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
2 Data Warehouse Beslutstödssystem Ett Data Warehouse är en integrerad samling data avsedd att användas som stöd för beslutsfattande Typiska egenskaper för Data Warehouse (OLAP = On-Line Analytical Processing) Uppdateras sällan Växer hela tiden Innehåller data från många olika källor Stor Avsedd för komplicerade frågor Transaktioner som använder en stor del av DB eller t.o.m. flera DB I kontrast till produktionsdatabaser (OLTP = On-Line Transaction Processing) som är små, som uppdateras ofta, som är avsedda för jämförelsevis enkla frågor och transaktioner som använder en liten del av DB DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
3 OLTP OLAP OLTP OLAP OLAP OLTP OLAP OLTP OLAP Vad har L Andersson i lön? Hur ändrades lönerna i maj jämfört med maj förra året? Visa statistik över hur Andersson spenderat sina pengar förra året Hur stor var försäljningen på sportavd idag? Hur stor var ökningen/minskningen på sportavd i år jämfört med förra året? Förprogrammerade frågor eller ad-hoc-frågor från personer utan teknisk kunskap Förprogrammerade frågor som körs frekvent (med jämna mellanrum) dagligen, veckovis, månadsvis... DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
4 A :et i OLAP Analys av data Analyser som ska utföras kan vara t.ex. hurdan mix av produktion för nästa period för att troligen kunna maximera försäljning och minimera lagerhållningen Metodanalys: hur tillhandahåller vi tillräcklig mängd data för effektivaste möjliga analys? DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
5 Integrerad samling data problem: Ofta olika gränssnitt till olika ingående databaser Olika datarepresentation Redundans och inkonsistens (dubbellagring med fel i) Stora informationsmängder, typsikt fördubblas datamängden i en organisation vart femte år DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
6 OLAP Mål En organisations data är ofta vertikalt fragmenterad Försäljningsavd Leverantörshantering Lagerhållning Löneavd Dataintegrationen gör att man samlar data från många olika källor och kombinerar informationen Det ger en integrerad vy och ett uniformt gränssnitt Man kan ställa frågor som använder organisationens hela datamängd och man kan utföra analyser som omfattar hela datamängden DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
7 Så... vad är ett Data Warehouse? En databas med speciell inriktning Subjektorienterad (man länkar ihop data som relaterar till samma händelse) Samlar på sig data (data hämtas regelbundet, periodiskt) Insamlade data uppdateras inte, skriv inte över och raderas sällan Används som hjälp för att fatta beslut Optimeras annorlunda jämfört med en transaktionsdatabas Mycket stora datamängder Är inte up to date Används huvudsakligen för läsning Aggregering är vanlig och aggregeringsresultaten lagras ofta i databasen för att snabba upp sökning Innehåller redundans och tvättade data DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
8 OLTP Beslutstödssystem Traditionella relationsdatabassystem Effektiva för databaser där man utför ett stort antal relativt enkla transaktioner Svar på frågor som vem?, vilka?... men ett Data Warehouse innehåller verktyg för väsentligt mer avancerade (komplexa) frågor DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
9 OLAP Frågorna innehåller typiskt mycket aggregeringar (beräkningar över hela tabeller eller tabellkolumner) SELECT SUM(volume) FROM sales; SELECT department, SUM(volume) FROM sales GROUP BY department; Av effektivitetsskäl beräknas vissa aggregat redan vid insamling av data och värdena lagras i databasen Dataanalys kan betraktas som en mängd fakta om händelser av intresse Fakta kan associeras med ett eller flera mått som också kan aggregeras t.ex.: försäljningsvolym, pris, lagerhållning... DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
10 OLAP... Beslutstödssystem Hjälper användaren att få djupare förståelse och kunskap om gemensamma data med många möjliga sätt att betrakta dessa data OLAP-applikationer: Finansiering: budgetering, budgetutfall, riskanalys Försäljning: försäljningsanalys, prognos Marknadsföring: kundanalys, marknadsanalys, reklamanalys Produktion: planering, felsatsanalys Huvudfunktioner: Multidimensionella vyer av data Stöd för komplexa beräkningar Tidsintelligens DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
11 OLAP... multidimesionella vyer Man talar om dimensioner med avseende på antal parametrar man tar hänsyn till Man samlar de data som är intressanta i speciella tabeller som man får fram genom omfattande enkla sökningar och aggregeringar över tabeller i databasen Tabellerna kallas multidimensionella vyer och är typiskt onormaliserade de normala betingelserna för normalisering är överkörda normalisering innebär uppdelning efter beroenden och tar tid söktiderna ökar när tabellerna delats upp ingen optimering behövs eftersom man oftast aggregerar över hela tabeller DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
12 OLAP... tidsintelligens Man har behov av smart hantering av tid för olika betingelser Om man aggregerar över försäljningsvolymer / tidsenhet skall volymerna summeras för att få fram en totalsumma Månad summa januari 37 februari 42 mars 35 kvartal Om man aggregerar över personaltillgång sett över samma tid skall man snarare ta medeltalet Månad antal januari 37 februari 42 mars 35 kvartal 1 38 DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
13 Representation av multidimensionella data Traditionellt RDBMS (Relationsdatabashanteringssystem) Läser 1000-tals rader per sekund Data är tvådimensionellt representerad OLAP-databasserver Multidimensionell representation av data Läser tals rader per sekund Räknar ut summor i förväg i alla dimensioner Klarar av alla statistiska och analytiska operationer Tid Kund Produkt DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
14 ROLAP Relational OLAP Metodik Fördelar Nackdelar Översätt klientens fråga till en eller flera SQL-frågor Låt RDBMS utföra frågorna Konvertera svaret till en mångdimensionell datakub Ingen speciell lagringsstruktur Traditionellt tillvägagångssätt Använder data från OLTP-server Ingen integration Konvertering från flata relationer till datakub blir långsam och komplex Låg prestanda om man måste hämta stora mängder data från RDBMS DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
15 MOLAP Multidimensionell OLAP Metodik I runtime Fördelar Nackdelar Extrahera data från många källor Lagra i Data Warehouse Access till datakuber via speciella mångdimensionella indexstrukturer Utför analys med speciellt analysapplikationsprogram Bra prestanda Med Data Warehouse erhålls integration och tvätt av data Inflexibelt, varje mångdimensionell indexstruktur fungerar bra bara för en applikation Kräver mjukvara och personal för underhåll av stora Data warehouse DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
16 Använda Data Warehouse Klienter Klienter Verktygslåda Rapportverktyg Databrytning Frågeverktyg Data Warehouse Integrationssystem Fråga Jämföra Databrytning (Data Mining) Rapportera Presentera Extraktor Extraktor Extraktor DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
17 Använda Data Warehouse Vi kan presentera endimensionella data som ett värde, tvådimensionella som en tabell och tredimensionella som en kub men har svårt att föreställa oss en presentation av högre dimensioner. Det är inte lätt att hitta en fungerande metafor för högre diensioner men alla sätt att räkna på två- och tredimensionella data fungerar även för högre dimensioner storlek färg typ DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
18 Databrytning (Data Mining) Plocka fram information ur stora datamängder snabbt och automatiskt Hitta mönster, variationer, grupperingar, associationer... Användning av statistiska metoder och visualisering Prediktion: Gissa utgående från tidigare existerande data Klassifikation: givet en ny vara, vilken typ av vara är det? Association: relaterade objekt (t.ex. vilka varor brukar köpas ihop?) Gruppering (Clustering): Hitta grupper av data som hör ihop (t.ex. bilder med liknande egenskaper) DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
19 Statistiska metoder dokument (texter) I enstaka dokument: hitta en enstaka term räkna antalet förekomster av en term reducera dokumentet till relevanta termer och rangordna dem lokalisera en term och gör urval av termer baserat på den sökta termens position Ett dokument kommer att representeras av en termvektor som lagras som metadata Splittra dokumentet i hanterbara delar Ta bort oväsentliga ord hitta fraser (ordkombinationer som alltid förekommer tillsammans) Räkna förekomster Då en fråga i tillräcklig grad omfattar en eller flera av termerna i en vektor så väljs det dokument som vektorn beskriver För en samling av dokument behövs en termmatris och ett likhetsmått DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
20 Typiska mönsterslag Beslutstödssystem Beslutsträd: Klassifikation efter egenskaper Gruppering: Klassifikation efter likhet i egenskaper Statistiska modeller: Bayes, Markov,... Ex.: Clustering (av dokument): Vi kan bygga en matris med termer och antal träffar för termen per dokument samtidigt som vi bygger ett index. För båda hoppar vi över s.k. stoppord forts... dok\ord data base retrieval deletion dok dok dok dok dok DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
21 Clustering... forts... Beroende på dels storleken på registret för ett dokument och vilka av orden som ingår placerar vi ut varje dokument som en punkt i ett n-dimensionellt gitter (punktvis definierad n-dimensionell rymd, en dimension per sökbegrepp) Sedan manipulerar vi punkterna efter dokumentens närhet till varandra och vi har fått ett antal cluster Med statistik kan man rensa i träffrymden och med speciella tekniker (signaturer) avfärda en stor del av sökträffarna En signatur är en binär sträng (ettor och nollor) där varje sökbegrepp ges ett visst unikt och slumpmässigt mönster (med samma längd på signaturen för varje sökbegrepp). Ex (också dokument) I exemplet används 4-bits-mönster i 12-bits-signaturer vilket är lite i ett reellt fall. Man överlagrar alltså en extra kod på texten (i princip). Låt sedan M betyda matchar och X betyda matchar inte. DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
22 Clustering... Begrepp Signatur data base retrieval signatur data ger M MM M retrieval M X M X Man väljer signaturlängden så att signaturen är halvfull med ettor och man får ett litet antal falska alarm, men det är en briljant idé för att rensa bort ett stort antal irrelevanta objekt. Träff betyder alltså kanske medan nej ju faktiskt betyder nej. DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
23 Exempel på användning av OLAP Undersök vad folk köper tillsammans. Hitta mönster Vilka par av varor registreras ofta tillsammans i varuhusets kassa? Öl och chips,... Vilka böcker köps av samma kund vid ett och samma köptillfälle? Vilken typ av webbplatser besöker en viss person ofta? Användning: Kunskapsinsamling Reklam Varuplacering DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
24 Teoriområden Databaser: fokus på snabb hantering av datamängder som inte får rum i primärminnet AI: fokus på komplexa metoder applicerade på förhållandevis små datamängder Statistik: fokus på att finna modeller Databrytning: alla tre ovan nämnda applicerade på stora datamängder För datafolk: Kraftfull form av analytisk bearbetning av stora datamängder. Resultatet är data som besvarar en frågeställning. För statistiker: Hitta en modell. Resultatet är modellens parametrar. DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
25 Teoriområden, förenklat exempel Givet tal: En person med databasinriktning kan tänkas vilja beräkna medelvärdet En statistiker kanske vill anpassa en gausskurva till punkterna och avläsa eller beräkna medelvärde och standardavvikelse En person som sysslar med datorgrafik kan vilja visualisera punkterna i ett rymdgitter och låta användaren se data ur olika synvinklar och med olika grupperingar DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
26 Svarens signifikans En stor risk då man letar efter mönster i data är att man hittar nonsensmönster Statistiker kallar det Bonferronis princip: Om man söker efter mönster utanför vad som stöds av insamlade data så hittar man skräp Rhines paradox: det finns personer med ESP (extra-sensory-perception) Vid experiment med röda och blåa kort hade en på 1000 alla rätt och ansågs ha ESP Vid upprepat försök hade ingen det Slutsats: Alla förlorar sin ESP då de får veta att de besitter ESP Vid statistisk analys av löneutveckling korrelerat med brottsutveckling visade det sig att den procentuella löneökningen för präster alltid var högre då antalet bilstölder var högt under löneförhandlingstiden. Slutsats? Präster stjäl bilar under löneförhandlingarna för att få högre lön? DD1370 (Föreläsning 8) Databasteknik och informationssystem 7,5 hp Hösten / 26
Beslutstödssystem. Data Warehouse OLTP OLAP. A :et i OLAP Analys av data
Data Warehouse Ett Data Warehouse är en integrerad samling data avsedd att användas som stöd för beslutsfattande Typiska egenskaper för Data Warehouse ( = On-Line Analytical Processing) Uppdateras sällan
Läs merDatalager och datautvinning
Datalager och datautvinning 1 Datalager och datautvinning! Databaser kan innehålla stora mängder information om ett företags eller en organisations verksamhet" Data kan också användas för att analysera
Läs merIntroduktion till frågespråket SQL (v0.91)
DD1370: Databaser och Informationssystem Hösten 2014 Petter Ögren Introduktion till frågespråket SQL (v0.91) 13:e November Disclaimer: Dessa anteckningar har producerats under viss tidspress, och kan därför
Läs merIdag. Databaskvalitet(??) Databaskvalitet... Databaskvalitet...
Idag Databaskvalitet(??) Hur vet vi att vår databas är tillräckligt bra? Vad är ett beroende? Vad gör man om det blivit fel? Vad är en normalform? Hur når man de olika normalformerna? Det finns metoder
Läs merIntroduktion till databaskursen. Välkomna. till kursen. Databasteknik och informationssystem. DD1370 (kursomgång dbtinf12)
Välkomna Introduktion till databaskursen Välkomna till kursen Databasteknik och informationssystem DD1370 (kursomgång dbtinf12) En kurs om grunderna i databasteknik DD1370 (Föreläsning 1) Databasteknik
Läs merVarför ska man lära sig sånt? Välkomna. Vad är databaser bra till? Kursansvarig. till kursen. Databasteknik och informationssystem
till databaskursen Varför ska man lära sig sånt? till databaskursen till kursen Databasteknik och informationssystem Nästan alla större system idag innehåller eller använder data lagrad i en databas Så
Läs merTentamen för DD1370 Databasteknik och informationssystem
Tentamen för DD1370 Databasteknik och informationssystem 13 Mars 2014 Hjälpmedel: Inga hjälpmedel utom papper och penna Tänk på: Skriv högst en uppgift på varje blad. Använd endast framsidan på varje blad.
Läs merVarför ska man lära sig sånt? Välkomna. Vad är databaser bra till? Kursansvarig. till kursen. Databasteknik och informationssystem
till databaskursen Varför ska man lära sig sånt? till databaskursen till kursen Databasteknik och informationssystem Nästan alla större system idag innehåller eller använder data lagrad i en databas Så
Läs merTentamen för DD1370 Databasteknik och informationssystem
Tentamen för DD1370 Databasteknik och informationssystem 16 Januari 2015 Hjälpmedel: Inga hjälpmedel utom papper och penna Tänk på: Skriv högst en uppgift på varje blad. Använd endast framsidan på varje
Läs mer08/12/14. Databasteknik och informationssystem DD1370. Behövs Föreläsning 8? Kursens (återstående) mål Dagens föreläsning
08/12/14 Behövs Föreläsning 8? Databasteknik och informationssystem DD1370 Idag F7 - (sista nyheterna & repetition) F8 (?) - (repetition, repetition, repetition ) Föreläsning 7 Svara med knapptryckning
Läs merVinjett 1: Relationsdatabas för effektivaste vägen
Vinjetter Inledning I denna kurs kommer vi att utgå från transporter som tema för vinjetterna. Fokus för kursen blir vilken information som behöver vara tillgänglig och hur denna skulle kunna lagras. Man
Läs merDatabasföreläsning. Del 2 lagrade procedurer, vyer och transaktioner
Databasföreläsning Del 2 lagrade procedurer, vyer och transaktioner Lagrade procedurer (Stored procedures) En stored procedure är en procedur (funktion) lagrad i en databas, och exekveras direkt på databasservern
Läs merIdag. Varför modellera? Modellering. Modelleringsverktygets egenskaper. Modelleringsverktyget
Idag Varför modellera? Varför modellera? Konceptuell modell sverktyg Objektklasser Sambandsklasser Knepiga attribut sprocessen I all ingenjörsverksamhet där man hanterar komplicerade system behöver man
Läs merDatabashantering och Beslutsstöd
Högskolan i Halmstad Sektionen för ekonomi och teknik Affärssystemprogrammet Databashantering och beslutsstöd, 7,5 hp Examinator Jesper Hakeröd 2011-02-25 Databashantering och Beslutsstöd Namn Innehållsförteckning
Läs merTentamen för DD1370 Databasteknik och informationssystem
Tentamen för DD1370 Databasteknik och informationssystem 24 Augusti 2015 Hjälpmedel: Inga hjälpmedel utom papper och penna Tänk på: Skriv högst en uppgift på varje blad. Använd endast framsidan på varje
Läs merTvå innebörder av begreppet statistik. Grundläggande tankegångar i statistik. Vad är ett stickprov? Stickprov och urval
Två innebörder av begreppet statistik Grundläggande tankegångar i statistik Matematik och statistik för biologer, 10 hp Informationshantering. Insamling, ordningsskapande, presentation och grundläggande
Läs merIdag. Modellering. Varför modellera? Konceptuell modell Modelleringsverktyg Objektklasser Sambandsklasser Knepiga attribut Modelleringsprocessen
Idag Modellering Varför modellera? Konceptuell modell Modelleringsverktyg Objektklasser Sambandsklasser Knepiga attribut Modelleringsprocessen DD1370 (Föreläsning 3) Databasteknik och informationssystem
Läs merSQLs delar. Idag. Att utplåna en databas. Skapa en databas
Idag SQLs delar Hur skapar vi och underhåller en databas? Hur skapar man tabeller? Hur får man in data i tabellerna? Hur ändrar man innehållet i en tabell? Index? Vad är det och varför behövs de? Behöver
Läs merInlämningsuppgift : Finn. 2D1418 Språkteknologi. Christoffer Sabel E-post: csabel@kth.se 1
Inlämningsuppgift : Finn 2D1418 Språkteknologi Christoffer Sabel E-post: csabel@kth.se 1 1. Inledning...3 2. Teori...3 2.1 Termdokumentmatrisen...3 2.2 Finn...4 3. Implementation...4 3.1 Databasen...4
Läs merIdag. 1. Från modell till databasstruktur. 2. Prata med databaser (frågepsråket SQL)
Idag 1. Från modell till databasstruktur 2. Prata med databaser (frågepsråket SQL) DD1370 (Föreläsning 3) Databasteknik och informationssystem 7,5 hp Hösten 2008 1 / 22 Från verklighet via modell till
Läs merFrån verklighet via modell till databas. Idag. Testa reglerna på varuhusmodellen. Från verklighet via modell till databas
Idag 1. Från modell till databasstruktur Från verklighet via modell till databas När vi analyserat den värld vi vill representera i en databas har vi tagit med alla möjliga kopplingar och beskrivit dem
Läs mer1 Mätdata och statistik
Matematikcentrum Matematik NF Mätdata och statistik Betrakta frågeställningen Hur mycket väger en nyfödd bebis?. Frågan verkar naturlig, men samtidigt mycket svår att besvara. För att ge ett fullständigt
Läs merIntroduktion Schenker-BTL AB, Stab IT Beskrivning över informationsintegreringmed Schenker, metodbeskrivning version 1.
Schenker har interna system som handhar information som är av intresse för våra kunder/partners. Idag finns ett flertal av dem tillgängliga via Internet, sk Online-tjänster. Dessa erbjuder inte bara hämtning
Läs merIdag. Varför modellera? Modellering. Modelleringsverktygets egenskaper. Modelleringsverktyget
Idag Varför modellera? Varför modellera? Konceptuell modell sverktyg Objektklasser Sambandsklasser Knepiga attribut sprocessen I all ingenjörsverksamhet där man hanterar komplicerade system behöver man
Läs merNy skalbar och öppen OLAP-teknologi, SAS OLAP server
Ny skalbar och öppen OLAP-teknologi, SAS OLAP server Frida Säfström Seniorkonsult Copyright 2003, SAS Institute Inc. All rights reserved. Agenda Arkitekturen Lagring Skalbarhet Säkerhet Olika typer av
Läs merLEANanalyser En helt ny generations analys- och visualiseringsverktyg
LEANanalyser En helt ny generations analys- och visualiseringsverktyg 2018-10-23 Din uppgift är att ta fram en analys som ska baseras på data från ett antal olika källor. Ska du fortsätta med Excel eller
Läs merBeslutsfattande och kunskapshantering. Erik Perjons DSV, SU/KTH
Beslutsfattande och kunskapshantering Erik Perjons DSV, SU/KTH perjons@dsv.su.se Agenda Del 1: Beslutsprocessen (Alter: Kap 3, s 121-125) Del 2: Beslutsstödssystem (Alter: Kap 5, s 205-215) Del 3: Datawarehousing
Läs merData, hot eller möjlighet i din verksamhet. Diala Jomaa Högskolan Dalarna
Data, hot eller möjlighet i din verksamhet Diala Jomaa Högskolan Dalarna (BIG) Data Big data är en av de hetaste fraserna som används idag Big data erbjuder ett nytt perspektiv på realitet, och kommer
Läs merIdag. Modellering. Varför modellera? Konceptuell modell Modelleringsverktyg Objektklasser Sambandsklasser Knepiga attribut Modelleringsprocessen
Idag Modellering Varför modellera? Konceptuell modell Modelleringsverktyg Objektklasser Sambandsklasser Knepiga attribut Modelleringsprocessen DD1370 (Föreläsning 3) Databasteknik och informationssystem
Läs merSäsongrensning i tidsserier.
Senast ändrad 200-03-23. Säsongrensning i tidsserier. Kompletterande text till kapitel.5 i Tamhane och Dunlop. Inledning. Syftet med säsongrensning är att dela upp en tidsserie i en trend u t, en säsongkomponent
Läs merTentamen i Databasteknik
Tentamen i Onsdagen den 7 mars 2007 Tillåtna hjälpmedel: Allt skrivet material Använd bara framsidan på varje blad. Skriv max en uppgift per blad. Motivera allt, dokumentera egna antaganden. Oläslig/obegriplig
Läs merIdag. Hur skapar vi och underhåller en databas? DD1370 (Föreläsning 4) Databasteknik och informationssystem 7,5 hp Hösten / 20
Idag Hur skapar vi och underhåller en databas? DD1370 (Föreläsning 4) Databasteknik och informationssystem 7,5 hp Hösten 2009 1 / 20 Idag Hur skapar vi och underhåller en databas? Hur skapar man tabeller?
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://w3.msi.vxu.se/users/pa/vektorgeometri/gymnasiet.html Institutionen för datavetenskap, fysik och matematik Linnéuniversitetet Vektorer i planet
Läs merTentamen DATABASTEKNIK - 1DL116
Uppsala universitet Institutionen för informationsteknologi Kjell Orsborn Tentamen 2003-05-20 DATABASTEKNIK - 1DL116 Datum...Tisdagen den 20 Maj, 2003 Tid...12:00-17:00 Jourhavande lärare...kjell Orsborn,
Läs merVilka trender och tendenser påverkar ditt val av beslutssystem
Vilka trender och tendenser påverkar ditt val av beslutssystem Konsult vid IT plan www.itplan.se Peter.soderstrom@itplan.se Sammanfattning 1. Alla användare kan inte ha samma gränssnitt 2. Företaget bör
Läs merStatistisk mönsterigenkänning
Statistisk mönsterigenkänning Jonas Sandström Artificiell intelligens II Linköpings universitet HT 2011 Innehållsförteckning 1. Innehållsförteckning sid 2 2. Inledning sid 3 3. Statistisk mönsterigenkänning
Läs merVad är en databas? Databaser. Relationsdatabas. Vad är en databashanterare? Vad du ska lära dig: Ordlista
Databaser Vad är en databas? Vad du ska lära dig: Använda UML för att modellera ett system Förstå hur modellen kan översättas till en relationsdatabas Använda SQL för att ställa frågor till databasen Använda
Läs mer04/11/14. Välkomna till kursen: Databasteknik och informationssystem DD1370. Kursanvarig. Dagens föreläsning. Vad är en Databas?
Kursanvarig Välkomna till kursen: Databasteknik och informationssystem DD1370 Petter Ögren Petter Ögren petter@kth.se Kontor: Teknikringen 14 Kontakt: - Kurswebben (något många vill veta) - Email (något
Läs mer2 Dataanalys och beskrivande statistik
2 Dataanalys och beskrivande statistik Vad är data, och vad är statistik? Data är en samling fakta ur vilken man kan erhålla information. Statistik är vetenskapen (vissa skulle kalla det konst) om att
Läs merTDDD52 Databas. Databas. Databas 1/3/13
/3/3 Varje gång jag vill lägga 5ll en film så måste jag ändra i min PHP kod och ladda upp 5ll servern Mina kollegor vill också kunna lägga 5ll filmer, men jag vill inte ge de access 5ll min FTP eller PHP
Läs merPrestandapåverkan på databashanterare av flertrådiga processorer. Jesper Dahlgren
Prestandapåverkan på databashanterare av flertrådiga processorer av Sammanfattning Behandling av information bli vanligare i dagens samhälle och för att klara denna uppgiften används ofta en databashanterare
Läs mer732G16: Databaser - Design och programmering
732G16: Databaser - Design och programmering Eva L. Ragnemalm, IDA (eva.ragnemalm@liu.se) Johan Falkenjack, IDA (johan.falkenjack@liu.se) Fö 1 Introduktion 2 Kursöversikt Teori och praktik Kursbok, lektionshäfte,
Läs merDagens föreläsning. KTH & SU, CSC Databasteknik Föreläsning 10 sid 1
Dagens föreläsning Vad du skall komma ihåg från tidigare föreläsningar Optimering av frågor Algebraisk omformulering Kostnadsberäkningar Evaluering av frågor Algoritmer för relationsoperatorer Beräkning
Läs merVad du skall komma ihåg från tidigare föreläsningar. Dagens föreläsning. Evaluering av frågor. Data dictionary
Dagens föreläsning Vad du skall komma ihåg från tidigare föreläsningar Vad du skall komma ihåg från tidigare föreläsningar Optimering av frågor Algebraisk omformulering Kostnadsberäkningar Evaluering av
Läs mer2D vs 3D? Nya gränssnitt för processindustrins kontrollrum En pilotstudie
2D vs 3D? Nya gränssnitt för processindustrins kontrollrum En pilotstudie Produkt- och produktionsutveckling Chalmers tekniska högskola MariAnne Karlsson 1 2 3 4 Bakgrund Processindustrins kontrollrum
Läs merSystemrekommendation. Artvise Contact Center
Systemrekommendation Artvise Contact Center 2017-01-10 Sida 2/6 Innehållsförteckning 1 Inledning... 3 1.1 System... 3 2 Artvise Contact CenterDatabas... 4 2.1 Systemrekommendationer för databasserver...
Läs merVad är molnet?... 2. Vad är NAV i molnet?... 3. Vem passar NAV i molnet för?... 4. Fördelar med NAV i molnet... 5. Kom igång snabbt...
Produktblad för NAV i molnet Innehåll Vad är molnet?... 2 Vad är NAV i molnet?... 3 Vem passar NAV i molnet för?... 4 Fördelar med NAV i molnet... 5 Kom igång snabbt... 5 Bli kostnadseffektiv... 5 Enkelt
Läs merLMA522: Statistisk kvalitetsstyrning
Föreläsning 5 Föregående föreläsningar Acceptanskontroll: Konsten att kontrollera producerade enheter så att man kan garantera kvalitet samtidigt som kontrollen inte blir för kostsam att genomföra Dagens
Läs merSäktest á la ET. Dennis Haglund Konsultchef Test Omegapoint AB
Säktest á la ET Dennis Haglund Konsultchef Test Omegapoint AB Omegapoint AB Säkerställer framtagande och införande av affärsdrivna, högkvalitativa och säkra IT-lösningar. Omegapoint AB Medarbetarägt Ca
Läs merSEB. Four foils. SEB IT Lars-Göran Karlsson
SEB Four foils SEB IT Lars-Göran Karlsson SEB IT Nu ett IT bolag inom SEB koncernen Tidigare uppdelat på två bolag SEB IT Partner för utveckling SEB IT Service för drift Nu två enheter inom SEB IT SEB
Läs merRangordning av internetsidor - ett egenvärdesproblem för positiva matriser
Rangordning av internetsidor - ett egenvärdesproblem för positiva matriser Ett litet nätverk med 8 noder och ett antal länkar mellan noderna: 8 1 2 7 3 6 5 4 Hur kan vi rangordna noder? Vilken är viktigast?
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs mer! Teori och praktik. ! Ändringar från förra året. ! Examination (tenta, projekt) LiU. ! Varför ni? ! Varför överhuvudtaget? LiU
Databaser Design och programmering, IDA Kursen, diverse praktiskt Varför databaser? Vad är en databas? Andra viktiga begrepp Kursöversikt Teori och praktik Fö och bok lektioner, labbar i projekt (3,5hp=100h)
Läs mer732G71 Statistik B. Föreläsning 8. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23
732G71 Statistik B Föreläsning 8 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23 Klassisk komponentuppdelning Klassisk komponentuppdelning bygger på en intuitiv
Läs merDatastrukturer och algoritmer. Föreläsning 15 Inför tentamen
Datastrukturer och algoritmer Föreläsning 15 Inför tentamen 1 Innehåll Kursvärdering Vi behöver granskare! Repetition Genomgång av gammal tenta 2 Första föreläsningen: målsättningar Alla ska höja sig ett
Läs merVad är en databas? Databaser. Relationsdatabas. Vad är en databashanterare? Vad du ska lära dig: Ordlista
Databaser Vad är en databas? Vad du ska lära dig: Använda UML för att modellera ett system Förstå hur modellen kan översättas till en relationsdatabas Använda SQL för att ställa frågor till databasen Använda
Läs merSystemkrav. Artvise Kundtjänst
Systemkrav Artvise Kundtjänst Sida 2/6 Innehållsförteckning 1 Inledning... 3 1.1 System... 3 2 Artvise Kundtjänst Databas... 3 2.1 Systemkrav för databasserver... 3 2.2 System... 3 2.3 Programvara... 4
Läs merekorren e-tjänst Teknisk målbild
e-tjänst Teknisk målbild Innehåll 1. OM DOKUMENTET... 3 1.1 BAKGRUND... 3 2. UTGÅNGSPUNKTER... 3 3. MÅLBILD... 3 3.1 SKALBARHET... 3 4. ARKITEKTUR... 5 4.1 DATALAGRING... 5 4.2 ÖVERSIKTSBILD FÖR ARKITEKTUR...
Läs merElisabet Stöök Konsult SAS Institute AB Copyright 2003, SAS Institute Inc. All rights reserved.
Administrera din SAS miljö med SAS Metadata Server och SAS Management Console. Elisabet Stöök Konsult SAS Institute AB Copyright 2003, SAS Institute Inc. All rights reserved. SAS Intelligence Value Chain
Läs merDatabaser - Design och programmering
Databaser - Design och programmering Eva L. Ragnemalm, IDA (eva.ragnemalm@liu.se) Fö 1; introduktion Kursen, diverse praktiskt Varför databaser? Vad är en databas? Andra viktiga begrepp 2 Kursöversikt
Läs merVinjetter TDDC91 Datastrukturer och algoritmer
Vinjetter TDDC91 Datastrukturer och algoritmer 17 augusti 2015 2 Scenario 1 Man har inom Posten Logistik AB skrivit programvara för sortering av kundinformation och vill standardisera användningen av sorteringsalgoritmer.
Läs merKundhandledning för EBIS. E-space Business Intelligence System. Version
Kundhandledning för EBIS E-space Business Intelligence System Version 1 10-10-06 E-space Communication AB 2010 Innehåll 1. Introduktion 3 2. Filerna har olika egenskaper 4 2.1. Analys i kundzonen. 4 2.2.
Läs merGIS i molnet. GISS After Work, 13 oktober 2011 Roger Hamrén Cartesia GIS AB. -En del av AddNode
GIS i molnet GISS After Work, 13 oktober 2011 Roger Hamrén Cartesia GIS AB Agenda Så vad menar vi med molnet?» Jo för oss är molnet egentligen en samling servrar som kan nås över Internet eller över ett
Läs merOptimering och simulering: Hur fungerar det och vad är skillnaden?
Optimering och simulering: Hur fungerar det och vad är skillnaden? Anders Peterson, Linköpings universitet Andreas Tapani, VTI med inspel från Sara Gestrelius, RIS-SIS n titt i KAJTs verktygslåda Agenda
Läs merInfra En RqlServer-applikation hos Coop Sverige
Infra En RqlServer-applikation hos Coop Sverige Infra heter RqlServer-applikationen hos Coop Sverige. Infra har funnits sedan 1998 och är en av de stora applikationerna på Coop. Idag har Infra ca 600 användare
Läs merGeodatatjänster från databas till medborgare. Digpro GISS 2010 Peter Axelsson
Geodatatjänster från databas till medborgare Digpro GISS 2010 Peter Axelsson Frågeställning: Vad bör göras för att underlätta utbytet av geografiska data i länet? Exempel från Stockholms stad Vilka krav
Läs merSAMTALET OM RESULTAT I SKOLAN
1 SAMTALET OM Det pratas mycket om skola och utbildning idag. Det sker i många olika sammanhang. Bland annat sammanställer flera företag och organisationer statistik för att ta temperaturen på Skolsverige.
Läs merDIGITAL SÄLJSTART SYSTEMET SAMLAR DATA I VARJE STEG - DATAN LIGGER TILL GRUND FÖR ANALYSER AV KÖPARE OCH BOSTÄDER
DIGITAL SÄLJSTART DIGITAL SÄLJSTART I GRUNDEN EN HEMSIDA SOM ÖPPNAR ETT VISST DATUM EN VISS TID - SÄLJSTARTEN MAN KÖPER DE DELAR MAN TYCKER PASSAR ENS PROCESS - MAN ABONNERAR PÅ KÖP SYSTEMET SAMLAR DATA
Läs merMål med lektionen! Repetera och befästa kunskaperna.
Entity Framework Mål med lektionen! Repetera och befästa kunskaperna. Vad lektionen omfattar Repetera och gå igenom kursen lite snabbt. Vilka problem vill vi lösa? Vi arbetar med Webbapplikationer Vi kommer
Läs mer07/11/14. Databasteknik och informationssystem DD1370 F2. Allmänna frågor. Är Lab0 svårbegriplig? Nu: Clickers. Är Kurswebben svårbegriplig?
Allmänna frågor Databasteknik och informationssystem DD1370 F2 Petter Ögren Är Kurswebben svårbegriplig? Är lab0 svårbegriplig? Är bonus-poängen tydliga? Har ni lyckats installera Open Office? Fungerar
Läs merTentamen i. Databasteknik
Tentamen i Databasteknik Torsdagen den 10/3 2005 14.00-19.00 Tillåtna hjälpmedel: Allt tänkbart material Använd bara framsidan på varje blad Skriv max en uppgift per blad. Skriv tydligt. Motivera allt.
Läs merKvantitativ forskning C2. Viktiga begrepp och univariat analys
+ Kvantitativ forskning C2 Viktiga begrepp och univariat analys + Delkursen mål n Ni har grundläggande kunskaper över statistiska analyser (univariat, bivariat) n Ni kan använda olika programvaror för
Läs merDatabaser - Design och programmering. Kursöversikt. Exempel: telefonbok. Varför databaser?
Databaser Design och programmering! Diverse praktiskt! Varför databaser?! Vad är en databas?! Andra viktiga begrepp Kursöversikt! Teori och praktik! Samläsning! Olika projekt! Examination (tenta, labb
Läs merTentamen. i Databasteknik. lördagen den 13 mars 2004. Tillåtna hjälpmedel: Allt upptänkligt material
Tentamen i lördagen den 13 mars 2004 Tillåtna hjälpmedel: Allt upptänkligt material Använd bara framsidan på varje blad. Skriv max en uppgift per blad. Motivera allt, dokumentera egna antaganden. Oläslig/obegriplig
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs merFöreläsning 1. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 1 Statistik; teori och tillämpning i biologi 1 Kursens uppbyggnad 9 föreläsningar Föreläsningsunderlag läggs ut på kurshemsidan 5 lektioner Uppgifter från kursboken enligt planering 5 laborationer
Läs merDI Studio 4.3 - nyheter
DI Studio 4.3 - nyheter Sofie Eidensten och Patric Hamilton Copyright 2010 SAS Institute Inc. All rights reserved. 2 Varför DI Studio Snabbare utveckling Enklare underhåll Gör det överskådligt 3 Nyheter
Läs merNKRR. Regelskrivning i praktiken
Sida: 1 (13) NKRR Regelskrivning i praktiken Innehåll Sida: 2 (13) 1 Inledning... 3 1.1 Förkortningar och begrepp... 3 2 Ändringshistorik för dokumentet... 4 3 Bakgrund... 5 3.1 Regler i NKRR... 5 3.2
Läs merKodning av ansiktstextur med oberoende komponenter
Kodning av ansiktstextur med oberoende komponenter Jörgen Ahlberg Report no. LiTH-ISY-R-2297 ISSN 1400-3902 Avdelning, Institution Division, department Datum Date Image Coding Group 2000-10-02 Department
Läs merStatistikens grunder. Mattias Nilsson Benfatto, Ph.D
Statistikens grunder Mattias Nilsson Benfatto, Ph.D Vad är statistik? Statistik är en gren inom tillämpad matematik som sysslar med insamling, utvärdering, analys och presentation av data eller information.
Läs merpå julhandeln 2014 2014-11-28
PostNord tar tempen på julhandeln 2014 2014-11-28 PostNord tar tempen på julhandeln METOD Denna rapport bygger på en undersökning med 2007 respondenter genomförd den 23-25 november 2014 med ett riksrepresentativt
Läs merApplikationsexempel Databaser och Räknare
Applikationsexempel Databaser och Räknare Document title Applikationsexempel Databaser och Räknare Document Identity 4655-011-01 Valid for IMSE WebMaster Pro Firmare version 1.07 Date 2005-04-25 Webpages
Läs merIndex. Vektorer och Elementvisa operationer. Summor och Medelvärden. Grafik i två eller tre dimensioner. Ytor. 20 januari 2016 Sida 1 / 26
TAIU07 Föreläsning 2 Index. Vektorer och Elementvisa operationer. Summor och Medelvärden. Grafik i två eller tre dimensioner. Ytor. 20 januari 2016 Sida 1 / 26 Matriselement och Index För att manipulera
Läs merOBS! Vi har nya rutiner.
KOD: Kurskod: PM2315 Kursnamn: Psykologprogrammet, kurs 15, Metoder för psykologisk forskning (15 hp) Ansvarig lärare: Jan Johansson Hanse Tentamensdatum: 2 november 2011 Tillåtna hjälpmedel: miniräknare
Läs merElektronisk patientjournal
Elektronisk patientjournal Hippokrates Typer Tidsorienterad, problemorienterad samt källorienterad Varför? Stödja vården, legala skäl, forskning, utbildning. Data måste vara otvetydiga, strukturerade,
Läs merAnsiktsigenkänning med MATLAB
Ansiktsigenkänning med MATLAB Avancerad bildbehandling Christoffer Dahl, Johannes Dahlgren, Semone Kallin Clarke, Michaela Ulvhammar 12/2/2012 Sammanfattning Uppgiften som gavs var att skapa ett system
Läs merOm så önskas kan givetvis ramverket kompletteras med funktionalitet och anpassas helt efter kundens önskemål.
NSI Ramverk Beskrivning WEBfactory är tredje generationens SCADA-system och är det första helt baserad på standardiserad webb-teknik. Fördelen med denna teknik är många, förutom att Internet Explorer är
Läs merArbeta med databas. Översikt. Lektion 1: Arbeta med Entity Data Models. Arbeta med Entity Data Models. LINQ (Language Integrated Query).
Arbeta med databas Översikt Arbeta med Entity Data Models. LINQ (Language Integrated Query). Lektion 1: Arbeta med Entity Data Models Introduktion till ADO.NET Entity Framework. Stöd i ADO.NET Entity Framework.
Läs merLEANalyser för användare
2018-03-12 LEANalyser för användare Vikten av att kunna hantera Big Data har blivit allt mer uppenbar i takt med att större och mer varierade datamängder genereras via Internet, sensorer, appar och IT-system.
Läs mer16/12/14. Databasteknik och informationssystem DD1370. Dagens föreläsning (den sista!) Motivera med kokbok! Idag: Inga knappar L. Dagens föreläsning
Dagens föreläsning (den sista!) Databasteknik och informationssystem DD1370 Allmän information Information om tentan Repetition - Från text till SQL-fråga Föreläsning 8 (info om tentan och repetition)
Läs merFormel/Funktion Hur Används till
Lathund Excel I detta dokument sammanställs de formler, funktioner, kortkommando och liknande som är särskilt viktiga för att kunna arbeta enkelt, effektivt och tydligt i Excel. Kortkommando och effektivitet
Läs merData på individ/hushålls/företags/organisationsnivå. Idag större datamänger än tidigare
MIKROEKONOMETRI Data på individ/hushålls/företags/organisationsnivå Tvärsnittsdata och/eller longitudinella data o paneldata Idag större datamänger än tidigare Tekniska framsteg erbjuder möjligheter till
Läs merArkitektur och Regelverk Definition av kodverk och klassifikation. Version 1.0
Arkitektur och Regelverk Definition av kodverk och klassifikation Version 1.0 Innehållsförteckning 1. Inledning... 3 2. Definitioner... 3 Referenser och underlag... 5 Revisionshistorik Version, datum Författare
Läs merArbeta i Qlikview. Grundkurs i Qlikview- enkel Exempel och beskrivning av grundläggande funktioner
Arbeta i Qlikview Grundkurs i Qlikview- enkel Exempel och beskrivning av grundläggande funktioner Ekonomi- och planeringsavdelningen/ Qlikview Systemförvaltning Innehåll 1 Sammanfattning... 3 2 Lär känna
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 4 Statistiska metoder 1 Dagens föreläsning o Sannolikhet Vad är sannolikhet? o Slumpvariabel o Sannolikhetsfördelningar Binomialfördelning Normalfördelning o Stickprov och population o Centrala
Läs merFöreläsning 2. Kapitel 3, sid Sannolikhetsteori
Föreläsning 2 Kapitel 3, sid 47-78 Sannolikhetsteori 2 Agenda Mängdlära Kombinatorik Sannolikhetslära 3 Mängdlära Används för att hantera sannolikheter Viktig byggsten inom matematik och logik Utfallsrummet,
Läs merDen välkända dikten av Sten Selander
BERNT HERNELL Kul kulkombinatorik Med utgångspunkt i kulspel på 0-talet undersöker författaren sambandet mellan, pyramider, målade golfbollar och Pascals triangel. Den välkända dikten av Sten Selander
Läs mer