LINKÖPINGS UNIVERSITET. Rekommendationssystem
|
|
- Mikael Eliasson
- för 8 år sedan
- Visningar:
Transkript
1 LINKÖPINGS UNIVERSITET Rekommendationssystem, julho G11 Artificiell Intelligens II Linköpings universitet HT 2010
2
3 Innehållsförteckning Introduktion Vad är ett rekommendationssystem?... 1 Överskådlig användning olika system... 2 Innehållsbaserade system (content-based)... 2 Demografiska system (demographic)... 2 Nyttobaserade system (utility based) och Kunskapsbaserade system (knowledge based)3 Collaborative filtering... 3 Fördjupning inom collaborative filtering... 4 Minnesbaserade system... 4 Modellbaserade system... 6 Sammanfattning av collaborative filterings för- och nackdelar En genväg hybrida system... 9 Diskussion Referenser... 11
4 Introduktion Vad är ett rekommendationssystem? Rekommendationssystem har utformats med syftet att hjälpa användare att välja bland ett stort antal domänobjekt. Det är intelligenta agenter som hanterar och bearbetar data. Rekommendationssystem används främst av företag i syfte att lättare hantera och sälja produkter online. Det kan ibland vara svårt att hitta produkter som passar användaren med hjälp av bland annat sökning på hemsidorna, och då ska rekommendationerna vara där till hjälp. Det kan hanteras på ett flertal olika sätt, med ett flertal olika rekommendationssystem som jag ska beskriva i den här uppsatsen. Domänobjekten ingår i hanteringen av en stor mängd användardata, som sedan hanteras med målet att individanpassas till varje enskild användares smak. För att bara nämna några av de största företagen som använder rekommendationssystem, så är Amazon.com och CDNow (Pazzani, 1999) bra exempel. Det är också vanligt att olika typer av rekommendationssystem kombineras till en så kallat hybrid rekommendation för att resultatet ska bli så bra som möjligt (Burke, 2002). Detta för att alla system har olika styrkor och svagheter, som måste hanteras på olika sätt. För att på ett enkelt sätt sammanfatta hur ett rekommendationssystem hanterar sina processer, och vad som är nödvändigt för en bra rekommendation så kan man beskriva det i tre delar (Burke, 2002): Den första delen är bakgrundsinformationen. Alla system har lagrad data innan processerna sätter igång. Den andra delen är viktig input, som kommer från användaren till systemet. Den tredje delen är algoritmerna som använder både de data som fanns från början med den input som användaren get. Detta för att bygga upp en bra rekommendation till användaren. I den här uppsatsen så kommer jag först ytligt beskriva de olika systemen som används idag. Sedan kommer jag enbart att fokusera på ett av dem; collaborative filtering. Och sedan ge en tydligare bild av hur just det systemet fungerar. 1
5 Överskådlig användning olika system Innehållsbaserade system (content-based) Ett innehållsbaserat system jämför beskrivningen av en produkt, med beskrivningen av en annan, för att ge rekommendationer som är relevanta. För att jämföra beskrivningar behövs fungerande algoritmer, som tar hänsyn till olika problem. Man mäter en så kallad item-toitem korrelation, istället för att som i andra typer av system, jämföra item-to-user, produkten till användaren. Det gäller då att hitta likheterna produkterna emellan, och även ta hänsyn till användarnas betygssättning av produkterna. Om både likheterna och betygssättningen är hög, så kan man rekommendera produkten. Ett av problemen som uppstår är att rekommendationerna alltid blir av samma kategori, eftersom det är innehållet man analyserar. Som exempel skulle en sida med musik inte rekommendera musik av en annan genre, utan fortsätta rekommendera pop om det var det som användaren köpte. Ett innehållsbaserat system har också problem med ramp-up, det vill säga nya användare som inte ännu betygssatt eller köpt några produkter. Systemet bygger upp en kunskapsbas som förbättras över tid. Demografiska system (demographic) I ett demografiskt rekommendationssystem gäller det att organisera användarna i kluster, eller klasser. Det är sedan stereotyper som avgör vilken typ av rekommendation användaren får. Systemet kan till exempel kategorisera efter vilken ålder en person har, vilket kön, vilka intressen, osv. Ett sådant system förutsätter att personer som satts ihop i samma demografiska grupp då också tycker om liknande saker, vilket kan vara ett problem för det här systemet. Det är också ett problem att systemet måste samla på sig en stor mängd demografisk information för att fungera. En fördel är dock att systemet inte är beroende av användarnas betygssättningar för att ge ett bra resultat. Andra system behöver en startperiod, där data samlas in från användaren, och det behöver inte det demografiska systemet. Användarna är i fokus, och inte innehållet i produkten. Rekommendationerna förbättras över tid, och det krävs ingen domänkunskap för att systemet ska fungera. Eftersom ett demografiskt system rekommenderar efter förutbestämda stereotyper, så kräver det att mycket information 2
6 samlas innan systemet kan fungera väl. Det är dock positivt att de rekommendationer som sedan ges kommer att vara oberoende av genrer. Nyttobaserade system (utility based) och Kunskapsbaserade system (knowledge based) Utility-based, eller nyttobaserade rekommendationer använder constraint satisfaction, som sökmetod i sin planering av rekommendationerna. Systemet gör inte som t.ex. ett innehållsbaserat system och lagrar insamlad data av användaren och gör generaliseringar på längre tid, utan det här systemet räknar istället ut användarens nytta av en viss produkt. För att göra det behöver ett nyttobaserat system använda sig av köparens profil, för att väga olika nyttor mot varandra. Som exempel att leveranstiden på en viss produkt är längre eller priset högre än vad köparen föredrar. Kunskapsbaserade system samlar funktionell kunskap om hur produkter används och vilka behov de uppfyller hos användaren. Det krävs då en kunskapsdatabas där agenten kan hämta sin information, vilket är en nackdel då det kräver minne och mycket förberedelse. Fördelar med både nyttobaserade och kunskapsbaserade system är att de båda undviker problemet med de nya användarna, att det är en startperiod innan systemet kan fungera bra (kallas ramp-up). En annan fördel är att systemen är känsliga för förändring i användarnas beteenden, vilket till exempel ett demografisk och innehållsbaserat system inte kan hantera. Collaborative filtering Det troligtvis vanligaste förekommande rekommendationssystemet är collaborative filtering. I korthet sammanställer systemet betygssättningen på produkterna, observerar produkter som är fått högst betyg bland användare, för att sedan komma med nya rekommendationer baserade på andra användares betygssättning. Det kan vara en binär skala (gilla/ogilla) eller en skala från till exempel 1-5. Det finns också två typer av collaborative filtering. Dels minnesbaserad, som direkt jämför användarnas korrelation, samt modellbaserad, som istället använder tidigare betyg för att komma med bättre förslag. Dessa två kommer jag att gå djupare in på i nästa kapitel. Det bästa med collaborative filtering är att den är helt oberoende av produkterna i sig, och istället helt inriktad på användarna. Med andra ord så fungerar den metoden bra på produkter som film och musik, som är mer komplexa och svårare att kategorisera med andra metoder. 3
7 Figur 1: För och nackdelar med systemen (Burke, 2002) System Fördelar Nackdelar Collaborate filtering A) Kan göra rekommendationer oberoende av genrer B) Ingen domänkunskap behövs C) Anpassningsbar: Kvalitén förbättras över tid D) Implicit feedback tillräcklig I) Ramp-up-problemet för nya användare J) Ramp-u-problemet för nya produkter K) Gray-sheep problem L) Kvalitén beroende av mycket datahistorik M) stability vs plasticity problem Innehållsbaserad B, C, D I, L, M Demografisk A, B C I,K,L,M N) Demografisk information måste samlas Utilitets-baserat Kunskaps-baserat E) Inget ramp-up-problem F) Känslig för ändringar i användares åsikter G) Kan inkludera egenskaper för icke-produkter E, F, G H) Kan analysera användares behov till produkterna O) Användaren måste själv skriva i utilitetsfuktionen P) Kan inte lära sig, utan är statisk P Q) Kräver att man bygger upp kunskapen Fördjupning inom collaborative filtering Som tidigare nämnt så söker collaborative filtering efter korrelationer mellan användare, för att kunna förutspå (räkna ut) hur en användare skulle betygssätta en ny produkt. Med en ny produkt menar man en produkt som användaren i fråga inte tidigare tittat på, men som andra användare tyckt om. Minnesbaserade system För att på ett enkelt sätt förklara hur ett traditionellt minndesbaserat collaborative filteringsystem fungerar och hur man räknar ut vilka rekommendationer som ska ges till vem, så har jag valt att göra om exemplet från (Pazzani, 1999). I mitt exempel nedan (figur 2), så har fem 4
8 tjejer rankat vad som är bra respektive dåligt att äta på en tjejmiddag. Det är en binär skala där ett - betyder att personen inte tyckte om förslaget på måltid och + betyder att förslaget var positivt. Figur 2: Tabell över betygssättning Vad som fungerar att äta på en tjejmiddag Penny Emma Martina Petronella Karin Pannkakor Pizza Lax Risotto Kycklingfilé ? För att räkna ut vad Karin skulle tycka om att kycklingfilén till tjejmiddagen så behöver man jämföra henne med de andra personerna. Man måste se till dem vars andra förslag liknar Karins mest. Som ni ser i tabellen så är Karins åsikter i övrigt identiska med Martinas, och man skulle då kunna anta att Karin skulle tycka om kycklingfilén, för att Martina gjorde det. Det är dock inte ett speciellt säkert sätt att ta reda på vad Karin skulle tycka om, och istället så gör man en generellare beräkning, först med Pearsons r och sedan en beräkning med det viktade medelvärdet. För att räkna ut hur de olika åsikterna förhåller sig till varandra så använder man sig Pearsons korrelationskoefficient. Figur 3: Pearsons r, (Pazzani, 1999) I figur 2 räknas korrelationen mellan användare x och y ut, i mitt exempel blir Karin x och Martina y. Resultatet blir då en siffra mellan 1 respektive -1, där -1 ger en starkt negativ korrelation, och 1 ger en stark korrelation och noll ger en svag korrelation. För att räkna ut Pearsons r behövs alla produkter räknas med. R x,d är Karins betygssättning på produkten d,- Rx är det medelvärde som räknas ut av alla Karins produktrankingar, liksom -R y är alla Martinas produktrakningars medelvärde. 5
9 Figur 4: Viktat medelvärde ( För att sedan gå vidare i processen ska man räkna ut det viktade medelvärdet (formeln i figur 3). Ett viktat medelvärde beräknas med summan av den så kallade vikten, vilket är antal observationer av r(x,y) i korrelationen multiplicerat med alla andra personers värden dividerat med summan av vikterna. För att återgå till exemplet ovan, så skulle w i figur 1 vara summan av alla r(karin, y) (det vill säga alla andra användare i tabellen) och X skulle vara alla andra personers värden på kycklingfilén. Sedan skulle detta divideras med summan av r(karin, y). Modellbaserade system Den traditionella minnesbaserade collaborative filtering-metoden är inte speciellt pålitlig, eftersom betygssättningen i stora databaser sällan täcker alla produkter (Linden, Smith, York, 2003). Även om collaborative filtering-systemet klustrar ihop användare för att lättare hitta korrelationer så är det svårt att hitta bra korrelationer och därför bra rekommendationer. Collaborative filtering har därför kritiserats och setts som väldigt ineffektiv, också för att den gör att databehandling online. Modellbaserade system är en annan typ som ska fungera på ett mer effektivt sätt. Amazon.com beskriver i sin artikel om hur de använder collaborative filtering, (Linden, Smith, York, 2003) hur de ändrat produktrankingen, från en användarbaserad produktranking beskriven i minnesbaserad metod, till en så kallad item-to-item-algoritm. 6
10 Figur 5: Modellbaserad algoritm (Amazon.com) For each item in product catalog, I1 For each customer C who purchased I1 For each item I2 purchased by customer C Record that a customer purchased I1 and I2 For each item I2 Compute the similarity between I1 and I2 Algoritmen ovan bygger en lista med liknande produkter, genom att räkna ut likheten mellan en produkt och alla andra relaterade produkter. Den här typen av databehandling används av Amazon.com och är väldigt intensiv och tidskrävande. Amazon.com bygger en liknande-produkter-lista, en vektor, där rekommendationerna väljs efter den specifika produktens grannar. Amazon.com har 29 miljoner användare vilket kräver mycket intensiv behandling av data. För att lyckas med den kollaborativa metoden måste listorna med produkter byggas offline. Algoritmen har en online-agent som kollar upp relevant data, oberoende av antal produkter som finns på hemsidan, istället beroende av hur många produkter användaren har handlat och rankat. Figur 6: Rekommendationer från Amazon.com 7
11 Sammanfattning av collaborative filterings för- och nackdelar. Fördelar är att collaborative filtering kan ge rekommendationer oberoende av kategorier, och anpassat till en användares betygssättning, kan rekommendationer av t.ex. en annan genre ges. En annan fördel är att det inte behövs någon kunskap om domänen. En tredje är att systemet förbättras över tid. Desto fler gånger man rankar en produkt, och ju fler som gör det, desto bättre blir systemet på att ge invidanpassade rekommendationer. Nackdelar med collaborative filtering är dels att nya användare behöver betygsätta flera olika produkter för att rekommendationssystemet ska börja fungera ordentligt. Som tidigare nämnt så kallas det för ramp up -problemet, och är ett stort problem för nästan alla rekommendationssystem (med undantag för demografiska system). Problem uppstår på samma sätt när det tillkommer nya produkter. Innan produkten hunnit bli rankad av användarna, så kan den inte heller rekommenderas på ett bra sätt. Systemet är också beroende av en stor historik i databasen. För att göra bra rekommendationer behöver många produkter rankats av många personer, och detta behöver lagras och tas fram för att räkna ut en ny rekommendation. Ett annat problem som kan uppstå för både kollaborativa system och demografiska är det som kallas gray sheep. Där hamnar vissa typer av användare i kläm eftersom collaborative filtering klustrar ihop data efter korrelationer. Det uppstår då en grå zoon där vissa typer av användare får felaktiga rekommendationer, eftersom deras smak inte faller i samma kluster som andra användare, och korrelationerna är svåra att hitta. Ännu ett problem är det så kallade stability-problemet (Burke, 2002), vilket uppstår när en användares profil är registrerad och använd. Det är svårt för användare att få nya rekommendationer anpassade till nya preferenser. Till exempel, en användare som tidigare rankat matprodukter med kött, som nyligen blivit vegetarian, kommer fortsätta få kötträtter i rekommendationerna. Det problemet är svårt att lösa, men vissa system väljer att värdera betygssättningar som gjorts längre tillbaka i tiden mindre än nya betygssättningar, vilket kan vara bra på vissa sätt men dåliga på andra. Det kan försämra en användares genuina intressen och öka värdet av de intressen som är temporära. Nyhetssidor, som exempel, skulle behöva vikta sina nyheter lika, eftersom man under en viss period är intresserad av det som ligger i tiden, säg orkaner i USA, och en månad senare skulle man vilja återgå till att läsa om börsmarknaden. 8
12 En genväg hybrida system För att undvika de problem som uppstår i de olika rekommendationssystemen så är ett alternativ som många hemsidor tillämpar att kombinera olika metoder till det som kallas hybrida system. De mest populära systemen att kombinera är innehållsbaserat system med collaborative filtering (Burke, 2002). Då minskas ramp-up-problemet, genom att de olika systemen kompletterar varandra. Ramp-up-problemet kan också lösas genom att man samtidigt an vänder sig av ett demografiskt system, som inte påverkas av nya användare eller produkter. Det finns olika typer av hybrida system. En viktat (weighted) hybrid fungerar så att betygssättningen av en rekommenderad produkt är uträknad från resultatet av alla andra möjliga rekommendationstekniker som finns i systemet. Som exempel då det kollaborativa systemet och det innehållsbaserade systemet. Men ett viktat system undviker inte de problem som tidigare beskrivits, att systemet är beroende av att många personer betygsatt produkterna. Ett annat system är en växlande (switching) hybrid. Då kombineras inte systemen vid uträkningen, utan rekommendationerna i sig kommer från olika system. Som exempel: En film ska rekommenderas i en filmdatabas, vilket inte gick i den innehållsbaserade uträkningen. Då kompletterar systemet med en kollaborativ rekommendation istället. Detta kombinerar fördelarna med alla rekommendationssystem som används. Det hindrar dock inte nackdelarna som systemen har gemensamt, säg som exempel ramp-up om kombinationen är collaborative och innehållsbaserat. Ett tredje exempel är en mixad hybrid som i de vanligaste fallen kombinerar collaborative filtering och innehållsbaserat system. Fördelen är att de undviker problemet med nya produkter och att dessa är svåra att rekommendera. En mixad hybrid använder båda systemen samtidigt, och innehållsbaserade system kan relatera produkter emellan och hitta en rekommendation oavsett om den är betygsatt eller inte. Det finns fler olika typer av hybrida system, men det är ingenting som jag kommer att ta upp i den här uppsatsen. För vidare läsning, se (Burke, 2002). 9
13 Diskussion Rekommendationssystem är en smidig genväg, ett bra sätt att hantera stora mängder data. Trots de brister som finns i systemen, så fortsätter de också att utvecklas. Som beskrivet i Wärnestålss bok om konversationsbaserade rekommendationssystem, så håller jag med om att det inte bara är tekniken bakom som spelar roll, utan också interaktionsdesignen. I framtiden så tycker jag att man borde fokusera mer på att göra hemsidor lätthanterliga, liksom kategoriseringar av produkter tydliga. Det kommer också behövas rekommendationssystem för att användare lätt ska kunna ta sig igenom djungeln av produkter, och det gäller att hitta en balans mellan rekommendationerna som ger till användarna, samt lättillgängligheten. Jag anser att rekommendationssystem är något att räkna med för kundens liksom säljarens fördel. Liksom kunden lättare hittar något som kan vara av intresse, så lyckas säljaren bli den som håller kvar kunden, och som kan rikta kunden mot de guldkorn som de vill sälja. Jag tror också att det finns stora möjligheter inom rekommendationssystem för den omedvetna rekommendationen. Till exempel att anpassa reklamannonser efter användarens beteende. Då kan man locka kunder på ett sätt som inte heller blir lika uppenbart. Att anpassa rekommendationer efter kundens beteende kombinerat med demografiska stereotyper tror jag är ett väldigt effektivt sätt för reklambranschen i framtiden. 10
14 Referenser Tryckta källor: Burke, Robin (2002). Hybrid Recommender Systems: Survey and Experiments. User Modeling and User-Adapted Interaction, Pazzani, M. (2000). A Framework for Collaborative, Content-Based and Demographic Filtering. Artificial Intelligence Review, Linden, Greg; Smith, Brent; York, Jeremy (2003). Amazon.com Recommendations: Item-to-Item Collaborative Filtering. IEEE Internet Computing, Januari-februari, Sarabjot, Singh; Bamshad, Mobasher (2005). Intelligent Techniques for Web Personalization. Springer-Verlag Berlin Heidelberg., Wärnestål, Pontus. (2007) Dialogue Behavior Management in Conversational Recommender Systems. Linköping Studies in Science and Technology. Internetkällor: Breese, John S; Heckerman, David; Kadie, Carl (1998) Empirical Analysis of Predictive Algorithms for Collaborative Filtering. Technical Report MSR-R-98-12, Microsoft Research. Hämtad: från Senast uppdaterad: Ej angivet 11
Rekommendationssystem. med fördjupning på collaborative filtering
Rekommendationssystem med fördjupning på collaborative filtering, majsc331 870325-1929 729G11 Artificiell Intelligens II Linköpings Universitet HT 2009 Innehållsförteckning Inledning... 1 Bakgrund...
Läs merColloborative filtering ett rekommendationssystem
Colloborative filtering ett rekommendationssystem 1 Innehållsförteckning 2 1. Inledning Dagens samhälle är idag uppbyggt till stor del av internet. Vi kan i princip sköta det mesta av våra liv via nätet.
Läs merRekommendationer på nätet
Linköpings universitet Rekommendationer på nätet Kollaborativa rekommendationssystem Cornelia Böhm 2017-01-12 Abstrakt Rekommendationssystem är algoritmer som används för att filtrera ut de produkter som
Läs merTiVo ett rekommendationssystem. TiVo ett rekommendationssystem
Sammanfattning I dagens informationssamhälle kan det ibland vara svårt att sortera ut relevant information från mängden. Vi får då förlita oss till rekommendationer och omdömen från andra i allt från vilken
Läs merAdaptiva system Metoder och processer
Adaptiva system Metoder och processer Erik Wallin erikw@kth.se erik@adaptlogic.com Agenda 1. Introduktion 2. Process för informationsanpassning 3. Metoder för återkoppling 4. Metoder för informationsanpassning
Läs merVILKET REKOMMENDATIONSSYTEM SKA EN INTERAKTIV MEDIETJÄNST VÄLJA?
VILKET REKOMMENDATIONSSYTEM SKA EN INTERAKTIV MEDIETJÄNST VÄLJA? Med Spotify som praktiskt fall.se 12 januari 2017 729G43 Kognitionsvetenskapliga programmet, LiU. Sammanfattning Rekommendationssystem är
Läs merSÅ BLIR DIN NETFLIX- UPPLEVELSE BÄTTRE. En litteraturstudie om Netflixs rekommendationssystem
SÅ BLIR DIN NETFLIX- UPPLEVELSE BÄTTRE En litteraturstudie om Netflixs rekommendationssystem Sammanfattning Studien fokuserar på Latent Factor Model som var ett stort genomslag under Netflix Prize tävlingen
Läs merHandledare: Mikael Goldmann
2012-02- 23 Jacob Rydh Robert Hedin Sudoku Solver Projektspecifikation Handledare: Mikael Goldmann Introduktion Vi ska studera och utforma olika algoritmer för att lösa Sudoku puzzel. Vi kommer testa olika
Läs merEn praktisk implementation av ett rekommendationssystem
Konsten att välja En praktisk implementation av ett rekommendationssystem Projektarbete Artificiell intelligens Patricia Lindblad 729G43 729G43 patli010!1 1. Introduktion 3 1.1. Vad är ett rekommendationssystem?
Läs merInstitutionen för datavetenskap Department of Computer and Information Science
Institutionen för datavetenskap Department of Computer and Information Science Examensarbete Smarta receptförslag algoritmutvärdering och implementationsförslag av Bernhard Hahn LIU-IDA/LITH-EX-G--12/032--SE
Läs merOntologier. Cassandra Svensson 2014-01-09
Ontologier Cassandra Svensson 2014-01-09 Sammanfattning Jag har läst Annika Flycht-Ericssons avhandling Design and Use of Ontoligies in information-providing Dialogue Systems. Med Annikas text som utgångspunkt
Läs merPersonifierad Netflix
Linköpings universitet Personifierad Netflix Lisa Rönnqvist 2016-08-24 Sammanfattning INNEHÅLLSFÖRTECKNING 1. Inledning... 1 1.1 Bakgrund... 1 1.2 Syfte... 2 2. Netflix... Fel! Bokmärket är inte definierat.
Läs merDryck till maten. - ett nyttobaserat rekommendationssystem. Sarah Albertsson
Dryck till maten - ett nyttobaserat rekommendationssystem 861220-447 saral853@student.liu.se 2014-01-08 Inledning Systembolaget lanserade under år 2013 en tjänst för att matcha dryck ur deras provade sortiment,
Läs merAnvisningar till rapporter i psykologi på B-nivå
Anvisningar till rapporter i psykologi på B-nivå En rapport i psykologi är det enklaste formatet för att rapportera en vetenskaplig undersökning inom psykologins forskningsfält. Något som kännetecknar
Läs merLab6: Social Navigering på Amazon.com. Inledning. Vad är Social navigering?
Lab6: Social Navigering på Amazon.com William Sporrong 780210-0292 d99-vsp willy@kth.se Inledning Den här rapporten ingår som en laboration i kursen Datorstöd för Samarbete på Nada, KTH. Syftet med laborationen
Läs merAUTOMATISKA REKOMMENDATIONER I BUTIK. Examensarbete Systemarkitekturutbildningen. Kristoffer Johansson Tobias Savinainen VT 2015:KSAI01
AUTOMATISKA REKOMMENDATIONER I BUTIK Examensarbete Systemarkitekturutbildningen Kristoffer Johansson Tobias Savinainen VT 2015:KSAI01 Systemarkitekturutbildningen är en kandidatutbildning med fokus på
Läs merLi#eratur och empiriska studier kap 12, Rienecker & Jørgensson kap 8-9, 11-12, Robson STEFAN HRASTINSKI STEFANHR@KTH.SE
Li#eratur och empiriska studier kap 12, Rienecker & Jørgensson kap 8-9, 11-12, Robson STEFAN HRASTINSKI STEFANHR@KTH.SE Innehåll Vad är en bra uppsats? Söka, använda och refera till litteratur Insamling
Läs merKristian Almgren Artificiell Intelligens Linköpings Universitet 2011. Talstyrning
Talstyrning Abstrakt Talstyrning är en teknik som gör det möjligt för oss människor att mer eller mindre verbalt kommunicera med en dator eller ett system. Det här är ett tillvägagångssätt inom AI och
Läs merSå gör du din kund nöjd och lojal - och får högre lönsamhet. Tobias Thalbäck Om mätbara effekter av kundnöjdhet
Så gör du din kund nöjd och lojal - och får högre lönsamhet Tobias Thalbäck Om mätbara effekter av kundnöjdhet Hög kundnöjdhet ger högre avkastning Företag med hög kundnöjdhet genererar högre avkastning
Läs merKällkritisk tänkande i den digitala världen. Ulf Jämterud
Källkritisk tänkande i den digitala världen Ulf Jämterud 1 Källkritik blir allt viktigare Medaljens baksida Ytinlärning och brist på källkritik 2 (Från Emanuel Karlstens Facebook) Källkritik i skolan 3
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 merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs merAtt designa en vetenskaplig studie
Att designa en vetenskaplig studie B-uppsats i hållbar utveckling Jakob Grandin våren 2015 @ CEMUS www.cemusstudent.se Vetenskap (lågtyska wetenskap, egentligen kännedom, kunskap ), organiserad kunskap;
Läs merCase-based resoning. och dess användning inom sjukvården. Linköpings universitet Artificiell intelligens II 729G11 HT 2011
Linköpings universitet Artificiell intelligens II HT 2011 Case-based resoning och dess användning inom sjukvården Sammanfattning Det här arbetet handlar om vad case-based resoning är, hur den funkar, vilka
Läs merInteraktionsdesign 2 Kommersiell design. Jonas Jönsson & Rafel Saad
Interaktionsdesign 2 Kommersiell design Jonas Jönsson & Rafel Saad Bakgrund och motivering Clubber är en mobilapplikation för ios och Android som samlar information om nattklubbar. Applikationen baseras
Läs merEffekten av varierande datamängd vid filmbetygsprediktion
EXAMENSARBETE INOM TEKNIK, GRUNDNIVÅ, 15 HP STOCKHOLM, SVERIGE 2016 Effekten av varierande datamängd vid filmbetygsprediktion En studie med en egenkonstruerad rekommendationsalgoritm ERIK LINDBOM ADAM
Läs merRegisterforskning Oktober 2018, Stockholm City Conference Centre. Möjligheter med Artificiell Intelligens inom registerforskningen
Registerforskning 2018 17 Oktober 2018, Stockholm City Conference Centre Möjligheter med Artificiell Intelligens inom registerforskningen Peter Funk Mälardalens Högskola Vem är Peter Funk? Artificiell
Läs merStina Nyman 2012-09-16
LINKOPINGS UNIVERSITET, IDA SmartKom Hur systemet fungerar Stina Nyman 2012-09-16 stiny786 Artificiell intelligens II Sammanfattning Detta projekt kommer handla om SmartKom som är ett multimodalt dialogsystem
Läs merStatistiska analyser C2 Bivariat analys. Wieland Wermke
+ Statistiska analyser C2 Bivariat analys Wieland Wermke + Bivariat analys n Mål: Vi vill veta något om ett samband mellan två fenomen n à inom kvantitativa strategier kan man undersöka detta genom att
Läs merGränsvärdesberäkningar i praktiken
Gränsvärdesberäkningar i praktiken - ett komplement till kapitel i analsboken Jonas Månsson När man beräknar gränsvärden använder man sig av en rad olika strategier beroende på det givna problemet. Avsikten
Läs merVerktyg för samarbete mellan lärare. Digitalt mediearkiv Lektionsmixer Personlig mapp
Verktyg för samarbete mellan lärare Digitalt mediearkiv Lektionsmixer Personlig mapp Digitalt mediearkiv Tusentals läroobjekt video, audio, bilder, grafik, animationer Taggarna forklarar objektet och dess
Läs merBör man legalisera nerladdning av musik?
Bör man legalisera nerladdning av musik? Sammanfattning I denna artikel framförs argument för att legalisera gratis nerladdning av musik via internet. Detta bör tillåtas eftersom musik till stor grad är
Läs merThinking in systems - Donella H. Meadows
Thinking in systems - Donella H. Meadows Förklaring av system Definition: Ett system är en mängd sammankopplade element som är organiserade på ett sådant sätt att något uppnås. Ett system måste alltså
Läs merSteget efter CAD Data Management. Per Ekholm
Steget efter CAD Data Management Per Ekholm Agenda Vilka processer/discipliner stöds i PDMLink Dokument management Configuration Management Change Management Project Management Hur utvärderar jag behovet?
Läs merResultat och reektioner kring mailkategorisering av användares mail till Uppsala läns landsting kring åtkomst av journaler via nätet
Resultat och reektioner kring mailkategorisering av användares mail till Uppsala läns landsting kring åtkomst av journaler via nätet Nanna Kjellin Lagerqvist 11 mars 2015 Abstract På uppdrag av Benny Eklund,
Läs merSharePoint 2010 licensiering Wictor Wilén
SharePoint 2010 licensiering Wictor Wilén Sweden SharePoint User Group 26:e maj 2010 Vem är jag? Inte för rutinuppdrag. Wictor Wilén SharePoint Arkitekt Connecta AB SharePoint MVP Microsoft Certified Trainer,
Läs merAnalys av kompetensutvecklingen
Analys av kompetensutvecklingen inom landsbygdsprogrammet - Fördjupning av rapport 1:3 Efter rådgivning menar cirka procent att de har förändrat sitt arbetssätt oberoende av om det var en konsult eller
Läs merGrundläggande datavetenskap 4p
Grundläggande datavetenskap 4p Stefan.Pettersson@mh.se http://www.itm.mh.se/~stepet Kursinformation Planering Läsanvisningar Föreläsningsbilder Övningsuppgifter Laborationer 2004-11-04 IT och Medier 1
Läs merMAJ 2015 TRÄNINGS BAROMETERN EN MÄTNING AV MEDLEMMARNAS NÖJDHET OCH LOJALITET. Anläggningens namn
MAJ 2015 TRÄNINGS BAROMETERN EN MÄTNING AV MEDLEMMARNAS NÖJDHET OCH LOJALITET Anläggningens namn INNEHÅLL INNEHÅLL SAMMANFATTNING 2 INTRODUKTION Bakgrund Syfte och mål Urval och insamling Frågestruktur
Läs merLoggbok C-uppsats Studentexempel 1
Loggbok C-uppsats 2012 Studentexempel 1 Loggbok 18/1: Planering tillsammans med xxx. Diskussion och förslag på intervjufrågor. 19/1: Skrivit på inledning tillsammans med xxx 23/1: Fortsatt arbete med inledning
Läs merMedicinsk Informatik VT 2005
Medicinsk Informatik VT 2005 Introduktion till Medicinsk Informatik Informationsteknologi Teknikgrad Information technology Datavetenskap Computer science Systemvetenskap System analysis and design Informatik
Läs merhttp://www.sm.luth.se/~andreas/info/howtosearch/index.html
& ' ( ( ) * +, ', -. / ' 0! 1 " 2 # 3 / /! 1 $ 4, % 5 # 3, http://www.sm.luth.se/~andreas/info/howtosearch/index.html Andreas Tips och trix till sökningar i Cyberrymnden Här försöker jag att gå igenom
Läs merDel 18 Autocalls fördjupning
Del 18 Autocalls fördjupning Innehåll Autocalls... 3 Autocallens beståndsdelar... 3 Priset på en autocall... 4 Känslighet för olika parameterar... 5 Avkastning och risk... 5 del 8 handlade om autocalls.
Läs merSökfavoriter. Unifaun Online 2015-06-01
Sökfavoriter Unifaun Online 2015-06-01 2 Innehåll 1 Sökfavoriter... 3 1.1 Begrepp... 3 1.2 Symboler och knappar... 3 1.3 Skapa sökfavorit... 4 1.4 Använda sökfavorit... 7 1.5 Ta bort sökfavorit... 8 1.6
Läs merUppföljning av studerande på yrkesvux inom GR 2010
Uppföljning av studerande på yrkesvux inom GR 2010 Mars 2011 Undersökningen är genomförd av Splitvision Research på uppdrag av Göteborgsregionens kommunalförbund Uppföljning av studerande på yrkesvux 2010
Läs merMedicinsk statistik II
Medicinsk statistik II Läkarprogrammet termin 5 VT 2013 Susanna Lövdahl, Msc, doktorand Klinisk koagulationsforskning, Lunds universitet E-post: susanna.lovdahl@med.lu.se Dagens föreläsning Fördjupning
Läs merIngen avkoppling. utan uppkoppling. en undersökning om bredband och det viktiga med internet. Februari 2012
Ingen avkoppling utan uppkoppling en undersökning om bredband och det viktiga med internet Februari 2012 Ingen avkoppling utan uppkoppling Internet tillgodoser allt fler av våra behov, oavsett om det handlar
Läs merUpplevelser i den fysiska butiken: En jämförelse mellan detaljhandlares och konsumenters perspektiv
Upplevelser i den fysiska butiken: En jämförelse mellan detaljhandlares och konsumenters perspektiv 2006-2016 HUI Research 2017 Vad skapar positiva upplevelser för kunden i den fysiska butiken? Våra utgångspunkter»
Läs merDel 6 Valutor. Strukturakademin
Del 6 Valutor Strukturakademin Innehåll 1. Strukturerade produkter och valutor 2. Hur påverkar valutor? 3. Metoder att hantera valutor 4. Quanto Valutaskyddad 5. Composite Icke valutaskyddad 6. Lokal Icke
Läs merConcept Selection Chaper 7
Akademin för Innovation, Design och Teknik Concept Selection Chaper 7 KPP306 Produkt och processutveckling Grupp 2 Johannes Carlem Daniel Nordin Tommie Olsson 2012 02 28 Handledare: Rolf Lövgren Inledning
Läs merMetod1. Intervjuer och observationer. Ex post facto, laboratorie -, fältexperiment samt fältstudier. forskningsetik
Metod1 Intervjuer och observationer Ex post facto, laboratorie -, fältexperiment samt fältstudier forskningsetik 1 variabelbegreppet oberoende variabel beroende variabel kontroll variabel validitet Centrala
Läs merRapport (1,5 HP) Lunds Universitet HT15
Rapport (1,5 HP) Lunds Universitet HT15 Cache-koherens protokoll i Intel Core i7 En rapport om cache-koherens och protokollet som används i Intel Core i7 processorer för att hålla minnet koherent Författare:
Läs merKapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN
Kapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN Spridningsdiagrammen nedan representerar samma korrelationskoefficient, r = 0,8. 80 80 60 60 40 40 20 20 0 0 20 40 0 0 20 40 Det finns dock två
Läs merAnvända Outlook 2003 mot Exchange
Använda Outlook 2003 mot Exchange Jens Granlund 6.4.2006 Exchange kalendern kan användas via webben (Outlook Web Access) på adressen https://exchange.vasa.abo.fi/exchange eller om du har en mobiltelefon
Läs merBeräkna standardavvikelser för ledtider
Handbok i materialstyrning - Del B Parametrar och variabler B 4 Beräkna standardavvikelser för ledtider De formler som traditionellt används för beräkning av standardavvikelser för efterfrågevariationer
Läs merVem lånar e-böcker från bibliotekens hemsidor? Sammanställning av elibs webbenkät på bibliotekens hemsidor.
Vem lånar e-böcker från bibliotekens hemsidor? Sammanställning av elibs webbenkät på bibliotekens hemsidor. Bakgrund elib, producent och distributör av e-böcker och leverantör av system för e-boksutlåning,
Läs merRekommendationssystem för livestreamingtjänster
EXAMENSARBETE INOM DATATEKNIK, GRUNDNIVÅ, 15 HP STOCKHOLM, SVERIGE 2016 Rekommendationssystem för livestreamingtjänster HENRIK SUNMARK KTH SKOLAN FÖR INFORMATIONS- OCH KOMMUNIKATIONSTEKNIK Handledare:
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merAssessing GIS effects on professionals collaboration processes in an emergency response task
Assessing GIS effects on professionals collaboration processes in an emergency response task Nils Dahlbäck, Linköping, Sweden Rego Granlund, Sweden Helena Granlund, Sweden Swedish Defence Research Agency,
Läs merPresentationsgränssnitt för statistik och historik
Datavetenskap Opponent(er): Christer Oscarsson, Jonas Larsson Respondent(er): Malin Brand, Niklas Johansson Presentationsgränssnitt för statistik och historik Oppositionsrapport, C-nivå 2010:xx 1 Sammanfattat
Läs merAmerikanerna och evolutionen
KREATIONISM Amerikanerna och evolutionen Jesper Jerkert refererar några nya enkäter om amerikanernas inställning till kreationism och evolution. DÅ OCH DÅ publiceras resultaten från enkäter som undersökt
Läs merBESTÄLLARSKOLAN #4: VEM SKA GÖRA MIN FILM?
Sida 1/5 BESTÄLLARSKOLAN #4: VEM SKA GÖRA MIN FILM? I detta avsnitt kommer du upptäcka bland annat: Hur du bäst väljer produktionsbolag Hur du bedömer ett bolags kompetens Hur du undviker att bli lurad
Läs merCOLLABORATIVE FILTERING
COLLABORATIVE FILTERING FÖR ATT VÄLJA SPELNIVÅER Examensarbete Systemarkitekturutbildningen Fredrik Dahlberg Mathias Söderqvist HT 2013:KSAI03 Systemarkitekturutbildningen är en kandidatutbildning med
Läs merMicrosoft Operations Manager 2005
Microsoft Operations Manager 2005 Grundläggande begrepp Syfte med artikel När jag började arbeta med MOM2K5 upplevde jag det som svårt att få en överblick över alla komponenter och hur dessa hängde ihop.
Läs merStatistiska undersökningar - ett litet dokument
Statistiska undersökningar - ett litet dokument Olle the Greatest Donnergymnasiet, Sverige 28 december 2003 Innehåll 1 Olika moment 2 1.1 Förundersökning........................... 2 1.2 Datainsamling............................
Läs merQR-KODER. En kort guide till hur du bör tänka när du använder QR-koder i dina kampanjer.
QR-KODER En kort guide till hur du bör tänka när du använder QR-koder i dina kampanjer. Vad är QR-koder? QR-koder, (Quick Response-koder), har blivit oerhört populära på senare tid. Varför? QR-koden har
Läs merAffärsmodeller och samarbete på framtidens Internet
Världshandelsdagen 2008 "Bortom Web 2.0" Affärsmodeller och samarbete på framtidens Internet Olle Olsson Swedish Institute of Computer Science (SICS) World Wide Web Consortium (W3C) 28 augusti 2008 1 Internet
Läs merVad du ska tänka på innan jag köper hemsida?
Vad du ska tänka på innan jag köper hemsida? Vi går igenom allt du bör tänka på innan köp. Råd som du tjänar på längre fram. sförteckning et i denna bok ser du till höger. Vill du gå direkt till något
Läs merEffekter av införande av agila metoder. Daniel Sundmark Mälardalens högskola
Effekter av införande av agila metoder Daniel Sundmark Mälardalens högskola Agila metoder Agila metoder Values T. ex., working software over comprehensive documentation (Agile manifesto) Agila metoder
Läs merBeskriv, resonera och reflektera kring ovanstående fråga med hänsyn taget till social bakgrund, etnicitet och kön.
Möjligheter Uppgiften Har alla människor i Sverige likvärdiga möjligheter att skaffa sig en utbildning, välja bostad, få ett jobb samt att lyckas inom de områden i livet som är viktiga? Beskriv, resonera
Läs mer>>HANDLEDNINGSMATERIAL DET DÄR MAN INTE PRATAR OM HELA HAVET STORMAR
>>HANDLEDNINGSMATERIAL DET DÄR MAN INTE PRATAR OM HELA HAVET STORMAR Den här föreställningen är skapad av vår ungdomsensemble. Gruppen består av ungdomar i åldern 15-20 år varav en del aldrig spelat teater
Läs merPsykologi som vetenskap
Psykologi som vetenskap Begrepp och metoder Forskningsetik Av Jenny Wikström, KI till Psykologprogrammet HT10 Kurslitteratur: Myers Psychology, Kap.1 Kurs: Introduktion till psykologi 7,5 hp Psykologi
Läs merInstitutionen för datavetenskap vid Helsingfors universitet
Institutionen för datavetenskap vid Helsingfors universitet PB 68 Gustaf Hällströms gata 2b Helsingfors universitet www.cs.helsinki.fi www.cs.helsinki.fi/index.sv.html Datavetenskap Datavetenskapen försöker
Läs merSkriva en sammanfattning 10 steg till framgång
Skriva en sammanfattning 10 steg till framgång SAMMANFATTA: i en enhetlig (i sht kortfattad o. översiktlig) framställning redogöra för (vissa företeelser, åsikter, intryck o dyl.) och det väsentliga av
Läs merVisa vägen genom bedömning
Visa vägen genom bedömning För att du alltid ska veta var du befinner dig i din utveckling, har vi tagit fram Sveaskolans mål i olika ämnen och olika skolår. Dessa mål när du och läraren samtalar om vad
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 merAnvisningar för skriftlig rapport av fältstudien Hälsans villkor i HEL-kursen
Anvisningar för skriftlig rapport av fältstudien Hälsans villkor i HEL-kursen Kursen Hälsa, Etik och Lärande 1-8p, T1, Vt 2006 Hälsouniversitetet i Linköping 0 Fältstudien om hälsans villkor i ett avgränsat
Läs merUtvärdering. Att göra spel bättre
Utvärdering Att göra spel bättre Om speltest och utvärdering av datorspel En kort övning/uppgift att lösa Varför utvärdera? Förstå en produkt Se vilka faktorer som gör att människor gillar/inte gillar
Läs merMångdubbla din försäljning med målsökande marknadsföring
Mångdubbla din försäljning med målsökande marknadsföring Av alla besökare i en webbutik är det statistiskt sett bara en liten andel som handlar något. Tänk om du kunde återengagera den stora andelen potentiella
Läs merHur du tacklar intervjusituationen!
Hur du tacklar intervjusituationen! Denna artikel är skriven av Linda U Johansson, KarriärCoachen Informationen får ej spridas eller kopieras utan författarens medgivande www.karriarcoachen.nu Inledning
Läs merFramsida På framsidan finns:
Framsida På framsidan finns: Rubriken på hela arbetet Namnet på den eller de som gjort arbetet Klass Någon form av datering, t.ex. datum för inlämning eller vilken termin och vilket år det är: HT 2010
Läs merInnehåll. Material Ordförandeguide Uppdaterad: 2015-02- 18 Sida 2 av 7
Sida 2 av 7 Innehåll... 1 Ordförandeposten... 3 Presidiet... 3 Styrelsen... 3 Styrelsemötet... 4 Ledarskapet... 4 Vad är ledarskap?... 4 Ledarskap i projekt... 5 Att utveckla sitt ledarskap... 6 Kommunikation...
Läs merAtt skriva rapporten för examensarbetet & sammanfattning av IMRAD. Ville Jalkanen TFE, UmU
Att skriva rapporten för examensarbetet & sammanfattning av IMRAD Ville Jalkanen TFE, UmU 2017-04-20 1 Att skriva och presentera rapporter http://www.teknat.umu.se/digitalassets/50/50357_att_skriva_rapport_umth_klar.pdf
Läs merBibliometrisk samarbetsstudie av Bert Bolin Centre for Climate Research, åren 2010 och 2013
Bibliometrisk samarbetsstudie av Bert Bolin Centre for Climate Research, åren 2010 och 2013 Inledning Per Ahlgren, Stockholms universitetsbibliotek Vid Bert Bolin Centre for Climate Research (BBCC) bedrivs
Läs merSåväl lodräta algoritmer som talsortsvisa beräkningar har visat sig vara ineffektiva
Kerstin Larsson Mer om beräkningar i subtraktion och addition I artikeln Subtraktionsberäkningar i Nämnaren nr 1, 2012 beskrivs fem övergripande kategorier av beräkningsstrategier för subtraktion. I denna
Läs merL0009B. Moment. Introduktion till geografiska databaser: G:\L0009B\Allmänt\IntroGeoDB.pdf (F)
L0009B Moment FL 1: Kursintroduktion. Kursinformation: G:\L0009B\Allmänt\KursInformationL0009B.pdf (F) Kursplan: Se https://portal.student.ltu.se/stuka/kurs.php?kurs=l0009b&lang=swe (F) Allt som markerats
Läs merBedömning för lärande. Andreia Balan 2012
Bedömning för lärande Andreia Balan 2012 Dagens föreläsning 1. Faktorer som har störst effekt på elevernas prestationer 2. Bedömning för lärande 3. En fallstudie i matematik Hur kan så mycket forskning
Läs merFastställa mål. Daniel Bosk. goals.tex :33:45Z danbos
1 Fastställa mål Daniel Bosk Avdelningen för informations- och kommunikationssytem (IKS), Mittuniversitetet, Sundsvall. goals.tex 1914 2014-08-26 13:33:45Z danbos 2 Litteratur Du ska inför denna övning
Läs merKursintroduktion. B-uppsats i hållbar utveckling vårterminen 2017
Kursintroduktion B-uppsats i hållbar utveckling vårterminen 2017 People build up a thick layer of fact but cannot apply it to the real world. They forget that science is about huge, burning questions crying
Läs mer2. Test av hypotes rörande medianen i en population.
Stat. teori gk, ht 006, JW F0 ICKE-PARAMETRISKA TEST (NCT 15.1, 15.3-15.4) Ordlista till NCT Nonparametric Sign test Rank Icke-parametrisk Teckentest Rang Teckentest Teckentestet är formellt ingenting
Läs merSöka, värdera, referera
KTH ROYAL INSTITUTE OF TECHNOLOGY Söka, värdera, referera Ika Jorum, jorum@kth.se Definiera Vad behöver jag veta? Kommunicera Citera och argumentera korrekt Hitta Var och hur kan jag hitta information?
Läs merMedicinsk Informatik VT 2004
Informatik VT 2004 Introduktion till Informatik Informationsteknologi Information technology Datavetenskap Computer science Informatik Teknikgrad Systemvetenskap System analysis and design Informatics
Läs merEn typisk medianmorot
Karin Landtblom En typisk medianmorot I artikeln Läget? Tja det beror på variablerna! i Nämnaren 1:1 beskrivs en del av problematiken kring lägesmått och variabler med några vanliga missförstånd som lätt
Läs merNadia Bednarek 2013-03-06 Politices Kandidat programmet 19920118-9280 LIU. Metod PM
Metod PM Problem Om man tittar historiskt sätt så kan man se att Socialdemokraterna varit väldigt stora i Sverige under 1900 talet. På senare år har partiet fått minskade antal röster och det Moderata
Läs merLinjär regressionsanalys. Wieland Wermke
+ Linjär regressionsanalys Wieland Wermke + Regressionsanalys n Analys av samband mellan variabler (x,y) n Ökad kunskap om x (oberoende variabel) leder till ökad kunskap om y (beroende variabel) n Utifrån
Läs merKundfokus för ökad användning av kommunala e-tjänster. Esmail Salehi-Sangari, LTU & KTH Maria Ek Styvén, LTU Anne Engström, LTU Åsa Wallström, LTU
Kundfokus för ökad användning av kommunala e-tjänster Esmail Salehi-Sangari, LTU & KTH Maria Ek Styvén, LTU Anne Engström, LTU Åsa Wallström, LTU Syfte Att bidra till en ökad användning av kommunala e-tjänster
Läs merINTRODUKTION AV RCI WEEKS FÖRBÄTTRINGAR
INTRODUKTION AV RCI WEEKS FÖRBÄTTRINGAR För mer än 35 år sedan uppfann RCI semesterbytet. I dag ÅTERUPPFINNER RCI det genom att bygga upp och utöka dina förmåner som RCI-medlem och vi ger dig det du har
Läs merTypvärde. Mest frekventa värdet Används framförallt vid nominalskala Ex: typvärdet. Kemi 250. Ekon 570. Psyk 120. Mate 195.
Lägesmått Det kan ibland räcka med ett lägesmått för att beskriva datamaterial Lägesmåttet kan vara bra att använda då olika datamaterial skall jämföras Vilket lägesmått som skall användas: Typvärde Median
Läs merFörslag till ändrade riktlinjer och avgifter för bygglov för
Förvaltning Anna Mattsson Martin Lindahl Diarienummer 2014-05-28 Miljö- och samhällsbyggnadsnämnden solenergianläggningar Ärendebeskrivning solenergianläggningar har arbetats fram utifrån att det via telefonsamtal
Läs merTranås kommun Medarbetarundersökning 2015
Tranås kommun Medarbetarundersökning 2015 Genomförd av CMA Research AB April 2015 Innehållsförteckning Fakta om undersökningen, syfte och metod 2 Fakta om undersökningen, svarsfrekvens 3 Stöd för tolkning
Läs mer