IT, BI, DWH, DM, AI

Kampány hatékonyság tölcsér: Sankey : Sankey kampány tölcsér: Szűrések és diagramok (excelben) A táblázat adatait sorba rendezhetjük és szűrhetjük is. A szűrés funkció a mezőnevek mellett lévő legördítő nyilakkal érhető el, ugyanitt található a Rendezés menüpontja is. Ha olyan adatmező értékei szerint szereznénk sorba rendezést végezni, ahol a fejlécben nem található nyíl, akkor az adatmezőt kijelölve alkalmazzuk a menüsoron található  A kimutatásból készíthetünk diagramot is. Az adatokat grafikusan ábrázolva jól láthatók az adatok egymáshoz viszonyított nagysága vagy a változások trendje. A kimutatás egy cellájába kattintva, majd a Beszúrás fülön belül a Diagramok csoport egyik lehetőségét kiválasztva rögtön megkaphatjuk a kívánt diagramot.  Ez a diagram a hagyományos diagramokkal azonos módon kapcsolódik a kimutatáshoz mint adattáblához, azonban itt a kapcsolat kétirányú. A kimutatás diagram szűrőablakában beállított szűrések a kiinduló kimutatá...

R alap funkcionalitását csomagba (package) szervezett programokkal, beépített függvényekkel és objektumokkal bővíthetjük tovább. Ilyen csomagokból több ezer létezik, amellyel nagyon megkönnyebbítjük a munkánkat. A kibővített funkciókat a csomag telepítésével és betöltésével tehetünk elérhetővé. R csomagok telepítése R studioban: Tools -> Install packages Minta diagramok: ---1 x <- margin.table(HairEyeColor, c(1, 2)) assocplot(x, main = "Relation between hair and eye color") ---2  tN <- table(Ni <- rpois(100, lambda = 5))  barplot(tN, col = "gray") ---3  boxplot(count ~ spray, data = InsectSprays, col = "lightgray") ---4  x <- 10 * 1:nrow(volcano)  y <- 10 * 1:ncol(volcano)  filled.contour(x, y, volcano, color = terrain.colors) ---5  z <- 2 * volcano  x <- 10 * (1:nrow(z))  y <- 10 * (1:ncol(z))  persp(x, y, z, theta...

Az adatbányászat fő feladatai Feltehetjük, hogy az adatbázis valamilyen objektumok (ügyfelek, betegségek, vásárlók, telekommunikációs események stb.) különböző tulajdonságait írja le. A tulajdonság helyett gyakran használjuk majd az attribútum szót. Az adatbányászat feladata a rejtett összefüggések, kapcsolatok felderítése. Az összefüggések típusa szerint a következő adatbányászati alapproblémákról beszélhetünk: 1. Osztályozás (classification). Ennek a módszernek a lényege, hogy a bemeneti adatokat az általunk definiált osztályokba sorolja, azaz egy kitüntetett attribútum értékét kell megjósolnunk a többi attribútum értéke alapján. Az osztályok az adatbázis attribútumai által határozhatók meg. Ezt egy modell felépítésével tehetjük meg, amelyhez felhasználjuk a tanuló-adathalmazt, amelyben minden sor - más néven megfigyelés vagy mintaelem - már osztályba van sorolva. A modell gyakran egy döntési fa, de lehet if-then szabályok sorozata, valamilyen matematikai formula, vagy akár egy...

Lexikális elemek:   delimeterek, azonosítók (köztük a foglalt szavak), literálok, commentek Delimiterek:   egyszerű és összetett szimbólumok pl. “+” illetve “>=” … stb. Azonosítók:   betűvel kezdődik, kötőjel, slash, szóköz tilos, de lehet úgynevezett idézőjeles azonosító pl. ”A + B ” ilyenkor a kisbetű/nagybetű nem ugyanaz. Literálok:   numerikus, karakter, karakterlánc, dátum, timestamp, logikai (TRUE és FALSE lehet) Megjegyzések:   Lehet egysoros (– után) és több soros /* … */ között Adattípusok:  BINARY_INTEGER fontos lesz a PL/SQL tábláknál (vannak altípusai is pl. NATURAL) NUMBER (vannak altípusai pl. REAL) CHAR, RAW, VARCHAR2, … és altípusaik DATE BOOLEAN Altípusok:  ugyanazok a műveletek alkalmazhatók rájuk mint az alaptípusra, az értelmezési tartományuk kisebb. SUBTYPE altípus_neve IS alaptípus; nem adható meg megszorítás az alaptípusra pl. SUBTYPE v1 IS VARCHAR2(10)  rossz Adatkonverzió:...