Csepeli György: Társadalmi meteorológia

483 views
458 views

Published on

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
483
On SlideShare
0
From Embeds
0
Number of Embeds
296
Actions
Shares
0
Downloads
2
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Csepeli György: Társadalmi meteorológia

  1. 1. Társadalmi meteorológia Csepeli György
  2. 2. Az ember és az idő • “A lét eleve csak az időre való tekintettel ragadható meg” (Heidegger) • Nyelv és idő (igeragozás) • Halál és elmúlás • Küzdelem az idővel • Narratívák (a múlt ellenőrzése) • Damnatio memoriae
  3. 3. A jövő • • • • • • A próféta A jós Asztrológia Az illúzió A szorongás Az előre látás
  4. 4. Nostradamus jóslata Petőfiről • Alacsony sorból jött ifjú legény, kinek Isten nem sok évet enged, de senki sem tesz túl a szellemén, legnagyobb poéta lesz, kit Pannónia termett. Vándorol sokat, és gyorsan él, egész világra szól minden sora, csontjait őrzi délen csatatér, nyugvóhelyét nem lelik soha.
  5. 5. A jövő változatai • Szükségszerű • Lehetetlen • Lehetséges Valószínű Meglepő és váratlan Csoda
  6. 6. Az intelligencia • • • • • Megértés és magyarázat Kiszámítás Modellezés Előre látás Események és előfordulásuk együttes előre látása • Racionalitás (ellenállás az érzelmeknek, az illúzióknak) • Ellenállás a Kasszandra hatásnak
  7. 7. Az adat • Az információ hordozója • Bizonytalanság redukció • Az adat válfajai nominális (0-1) ordinális (mérték) intervallum (mennyivel nagyobb vagy kisebb) arány skála (abszolút pontosság)
  8. 8. Adatbázisok • • • • • Valós idejű, valós adatok Sokdimenziós adatszolgáltatás Aggregálás, fúzionálás Kereskedelem, szolgáltatás Közszolgálat (iskola, egészségügy, közbiztonság, forgal om) • Digitális archívum
  9. 9. Új analitika • Ex post, nem valós adatok helyett jelen idejű, valós adatok, folyamatosan, a múlt adatainak tárolása • Adatbányászat (rejtett kapcsolatok megkeresése) • Biztonság • Adatvédelem
  10. 10. Adattárházak •Adat, szöveg, hang, kép •Online Analytical Processing •Monitoring •Mutató számok •Jelentéskészítés •Tervező alkalmazások •Vizualizáció
  11. 11. Asszociációs elemzés • Összefüggések keresése bizonyos attributumok között • Asszociációs szabályok (véletlenszerűségek kiszűrése) • Oksági előfeltevések • Háttér tudás
  12. 12. Kluszter képzés • Ismert attribútumok alapján a hasonlók megkülönböztetése a nem hasonlóktól • A csoportok jellemzése az attribútumok értékeivel • Kluszter szám meghatározása • Churn elemzés (kik maradnak, kik távoznak egy populációból)
  13. 13. Rendellenesség keresés • • • • Véletlen Mérési hiba A rendszer hibás működése Rejtett szabályszerűség
  14. 14. Előrejelzés • Ismeretlen attributum meghatározása az ismert attributumok alapján • Tanító adatbázis • “Éles környezetben” történő elemzés • Neurális hálók, döntési fák (magyíarázó véltozók fontossági sorrendje)
  15. 15. Nanocélzás • Mikroszegmensek azonosítása (élménytársadalom, média fogyasztás) • Politikai preferenciák ismerete • Közvetett célzás • Testreszabás (Facebook reklámok)
  16. 16. Trendelemzés • Mennyire világosak azok a tényezők, amelyek az adott esemény bekövetkezésében szerepet játszanak? • Mennyi adat áll rendelkezésre? • Szimulációs modellek • Önmagát beteljesítő jóslat • Google Trends
  17. 17. Krizis megelőzés • • • • • • • • • Korai megelőző rendszerek Meglévő adatok Megfigyelőktől származó adatok Folyamatosan keletkező adatok Adatfúzió Szimuláció Korai reagáló egységek Beavatkozás Monitoring

×