SlideShare a Scribd company logo

IT1 1.5 Analiza podataka

•
•
Milan Zdravković
Milan Zdravković

Online kurs: Informacione tehnologije 1. Mašinski fakultet Univerziteta u Nišu. Nedelja 1, resurs 5: Analiza podataka. Realizacija: Milan Zdravković http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+IT1+2020-21_S1/about

Education
1 of 22
Download to read offline
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Isključite mikrofon tokom predavanja Vaš mikrofon može prenositi šum i zvuke koji smanjuju kvalitet zvuka predavanja Isključite kameru tokom predavanja Prenos signala može otežati prijem zvuka zbog opterećenja mreže Instrukcije za učešće na online predavanju Predavanje će početi u zakazano vreme, prema rasporedu časova Ukoliko imate pitanje, postavite ga kada god želite (tokom predavanja ili nakon njega) u chat prozoru. Na pitanja će biti odgovoreno nakon završenog predavanja.
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta sve možete da uradite sa podacima o poslovanju svog preduzeća? Analiza podataka Milan Zdravković
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Teme predavanja • Podatak, informacija i znanje • Skladištenje podataka: baze podataka • Analiza podataka • Mašinsko učenje • Poslovno predviđanje • Računarska vizija
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je podatak? • Podatak je simbol ili znak, koji reprezentuje nekakav stimulus (koji uočavamo čulima) ili signal. Podaci su nekorisni, jer nemaju značenje, po sebi. • 00110, 45, 185cm, 22A, 53km/h, true, false, operation, d^&5D*&%asd99
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je informacija? • Informacija je prosti ili složeni iskaz koji nastaje dodeljivanjem značenja jednom podatku (npr. postavljanjem pitanja ko, šta, gde, koliko, kada..). • Informacija su podaci kojima je pridodato značenje i svrha - kontekst. • Dragan je visok 185cm (Hdcm=185); Moje sedište je 22A (s=’22A’); Brzina kretanja automobila je 53 km/h (Vakmh=53) • Informacija može biti tačna ili netačna.
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je znanje? • Postoji veliki broj različitih tipova znanja i različitih definicija • Usvojena definicija • Dva niza iskaza od kojih se jedan može rasuditi na osnovu drugog • Drugi niz iskaza se rasuđuje od prvog, na osnovu iskustva ili zakonitosti slika= => objekat_na_slici=‘Jabuka’ boja_objekta_na_slici=‘Crna’ brzina_auta=80km/h tip_podloge=‘asfalt’ model_auta=‘Citroen C3’ => duzina_zaustavnog_puta=17m Niz iskaza A Niz iskaza B broj_reci>500 domen_posilj=‘gmail.com’ broj_reci_today>20 => verovatnoca_spam=88% verovatnoca_nijespam=12% spam=True
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je baza podataka? • Baza podataka je organizovani skup podataka, čije sredstvo za organizaciju podataka je tabela. • Jednu bazu podataka čini jedna ili više tabela u kojima se nalaze podaci, ali i sredstva za manipulaciju i kreiranje ovih podataka, odnosno upiti, izveštaji, pogledi, trigeri, transakcije i drugi objekti. • Jedna tabela opisuje pojam (tako što definiše njegove atribute) i skladišti podatke o pojavljivanjima ovog pojma
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je relaciona baza podataka? • Relaciona baza podataka je baza podataka, čije su tabele povezane relacijama. • Tako, zapis o jednom pojmu iz jedne tabele se može povezati sa jednim ili više zapisa o drugom pojmu iz druge tabele. • Manipulacija podacima u jednoj tabeli može biti ograničena, ukoliko je ona povezana relacijom sa drugom tabelom. Na primer: • Može biti nemoguće da se u tabelu sa tweetovima unese tweet korisnika koji ne postoji u tabeli sa korisnicima. • Može biti nemoguće brisanje podataka o korisniku, pre nego što se obrišu svi njegovi tweetovi.
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je sistem za upravljanje relacionim bazama podataka? • Relational Database Management System (RDBMS) • Softver koji omogućava komunikaciju korisnika (ljudi i drugog softvera) sa bazom podataka (prema principima klijent/server komunikacije)
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Kako se upravlja podacima u RDBMS? • Instrukcije za rad sa podacima • Izvlačenje podataka • Umetanje podataka • Ažuriranje podataka • Brisanje podataka • Program ili softver koji radi sa podacima šalje instrukcije RDBMS-u u obliku SQL komandi • Structured Query Language (SQL) je jezik za upravljanje podacima u relacionim bazama podataka Primer sintakse instrukcije za izvlačenje podataka Primer sintakse instrukcije za ažuriranje podataka
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Analiza podataka
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je analiza podataka? • Proces modeliranja, istraživanja, tumačenja, vizuelizacije, čišćenja i transformacije podataka sa ciljem otkrivanja korisnih informacija, radi podrške donošenju važnih zaključaka i odluka • Čovek ne može da tumači veliki broj podataka Tabela sa podacima o Covid-19 infekcijama u RS Vizuelizacija podataka
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Primeri analize podataka • U jednoj koloni se nalaze podaci koji imaju isto značenje – pripadaju nekoj veličini • Primena neke agregatne funkcije nad svim podacima jedne veličine • Uvođenje i računanje vrednosti izvedene veličine koja se kreira na osnovu vrednosti drugih veličina
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Često korišćene funkcije za analizu podataka (Excel) • SUM(). Suma svih vrednosti u izabranom skupu ćelija • AVERAGE(). Prosečna vrednost svih vrednosti u izabranom skupu ćelija • COUNT(). Broj ćelija u izabranom skupu ćelija koje sadrže numeričku vrednost • MAX(), MIN(). Maksimalna i minimalna vrednost svih vrednosti u izabranom skupu ćelija
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Model za analizu podataka • Model čini izbor relevantnih veličina (izmerenih ili proračunatih) • Osnovnih i izvedenih veličina na osnovu čijih vrednosti je moguće donositi relevantne zaključke
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Vrste analize podataka • Grupisanje podataka • Sažimanje podataka – grupisanje po vrednostima podataka određene veličine. Na primer, grupisanje po polu: prosečne plate svih muškaraca i žena; grupisanje po godinama starosti: prosečne plate starosnih kategorija 20-29, 30-39, 40-49, 50-59, >=60 • Analiza osnovnih statističkih veličina svih ili grupa podataka • Prosečna vrednost, maksimalna vrednost, minimalna vrednost, standardna devijacija, itd. • Analiza raspodele podataka • Analiza broja podataka koji pripadaju određenim, unapred definisanim intervalima • Analiza korelacije podataka • Utvrđivanje zavisnosti jedne veličine od drugih Prodaja kategorija lekova grupisana po satu u toku dana Normalna raspodela podataka
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je mašinsko učenje? • Skup metoda i pristupa zahvaljujući kojima sistemi stiču sposobnost da uče automatski da na osnovu podataka vrše neki zadatak, a da nisu eksplicitno programirani za to • Podsećanje na definiciju znanja • Dva niza iskaza od kojih se jedan može rasuditi na osnovu drugog • Drugi niz iskaza se rasuđuje od prvog, na osnovu iskustva ili zakonitosti
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Ulazni podaci Izlazni Primer: Cilj je da naučimo softver da na osnovu karakteristika stana predvidi njegovu cenu na tržištu Postojeći istorijski podaci o prodaji stanova IF(B==3 and P==2000 and N=‘n’) SP=250000 ELSE IF(B==2 and P==800 and N=‘h’) SP=300000 ELSE IF(B==2 and P==850 and N=‘n’) SP=150000 ELSE IF(B==1 and P==550 and N=‘n’) SP=78000 ELSE IF(B==4 and P==2000 and N=‘s’) SP=150000 Eksplicitno programiramo softver da predviđa Kod će omogućiti potpuno preslikavanje, ali diskretno - neće raditi sa novopristiglim podacima koji se razlikuju od podataka iz poznatog skupa. cena=k1*povrsina+k2*broj_soba+k3*komsiluk+k4 Mašinsko učenje je zapravo određivanje vrednosti koeficijenata k1, k2, k3 i k4 sa kojima se ostvaruje minimalna prosečna greška za svaki postojeći istorijski podatak. Metod mašinskog učenja kojim se to ostvaruje se naziva linearna regresija. Zakonitost možemo da definišemo i u višedimenzionalnom prostoru: cena=k1*povrsina+k2 cena=k3*broj_soba+k4 Možemo da pretpostavimo da je zavisnost linearna
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. U praksi, što je aproksimacija jednostavnija, to je greška predviđanja veća Ali ne uvek!! Ovo predviđa funkcija Da li je ovo bolje predviđanje?
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Poslovno predviđanje • Veoma je pouzdano u analizama kod kojih postoje pravilni trendovi promena vrednosti veličina koje se koriste, npr. • Sezonalnost, rast/pad, korelacija sa drugom veličinom • Primena mašinskog učenja za predviđanje vrednosti nekih veličina vezanih za poslovanje u nekom periodu u budućnosti, npr. • Predviđanje tražnje za nekim proizvodom u narednih mesec dana • Predviđanje cene određene akcije na berzi • Predviđanje potrošnje toplotne energije • Izrada šta-ako analiza – analiza uticaja nekih poslovnih odluka, odnosno vrednosti nekih veličina koje te odluke podrazumevaju na vrednosti nekih veličina vezanih za poslovanje u nekom periodu u budućnosti • Kolika bi bila vrednost naše akcije na berzi da nam je u prethodnom mesecu prodaja bila veća 20%
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Računarska vizija • Klasifikacija slika. Prepoznavanje objekta na slici • Detekcija objekata na slici. Lokalizacija svakog objekta na slici i njegovo prepoznavanje • Segmentacija objekata na slici. Uočavanje konture oko objekta https://cloud.google.com/vision/docs/drag-and-drop
Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Hvala na pažnji Analiza podataka

Recommended

Electronic health records and machine learning
Electronic health records and machine learningElectronic health records and machine learning
Electronic health records and machine learningEman Abdelrazik
 
Unified Medical Language System & MetaMap
Unified Medical Language System & MetaMapUnified Medical Language System & MetaMap
Unified Medical Language System & MetaMapOsama Jomaa
 
Chapter - 5 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
Chapter - 5 Data Mining Concepts and Techniques 2nd Ed slides Han & KamberChapter - 5 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
Chapter - 5 Data Mining Concepts and Techniques 2nd Ed slides Han & Kambererror007
 
Data mining (lecture 1 & 2) conecpts and techniques
Data mining (lecture 1 & 2) conecpts and techniquesData mining (lecture 1 & 2) conecpts and techniques
Data mining (lecture 1 & 2) conecpts and techniquesSaif Ullah
 
data mining
data miningdata mining
data mininguoitc
 
Data Preprocessing
Data PreprocessingData Preprocessing
Data PreprocessingObject-Frontier Software Pvt. Ltd
 
Understanding Association Rule Mining
Understanding Association Rule MiningUnderstanding Association Rule Mining
Understanding Association Rule MiningMohit Rajput
 
Feature Engineering
Feature Engineering Feature Engineering
Feature Engineering odsc
 

Recommended

Electronic health records and machine learning
Electronic health records and machine learningElectronic health records and machine learning
Electronic health records and machine learningEman Abdelrazik
 
Unified Medical Language System & MetaMap
Unified Medical Language System & MetaMapUnified Medical Language System & MetaMap
Unified Medical Language System & MetaMapOsama Jomaa
 
Chapter - 5 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
Chapter - 5 Data Mining Concepts and Techniques 2nd Ed slides Han & KamberChapter - 5 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
Chapter - 5 Data Mining Concepts and Techniques 2nd Ed slides Han & Kambererror007
 
Data mining (lecture 1 & 2) conecpts and techniques
Data mining (lecture 1 & 2) conecpts and techniquesData mining (lecture 1 & 2) conecpts and techniques
Data mining (lecture 1 & 2) conecpts and techniquesSaif Ullah
 
data mining
data miningdata mining
data mininguoitc
 
Data Preprocessing
Data PreprocessingData Preprocessing
Data PreprocessingObject-Frontier Software Pvt. Ltd
 
Understanding Association Rule Mining
Understanding Association Rule MiningUnderstanding Association Rule Mining
Understanding Association Rule MiningMohit Rajput
 
Feature Engineering
Feature Engineering Feature Engineering
Feature Engineering odsc
 
Page rank
Page rankPage rank
Page rankluyen91
 
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling傾向スコア解析とUplift Modelling
傾向スコア解析とUplift ModellingYohei Sato
 
Iris data analysis example in R
Iris data analysis example in RIris data analysis example in R
Iris data analysis example in RDuyen Do
 
Data mining introduction
Data mining introductionData mining introduction
Data mining introductionBasma Gamal
 
Big data
Big dataBig data
Big dataSamira Riki
 
Data warehouse logical design
Data warehouse logical designData warehouse logical design
Data warehouse logical designEr. Nawaraj Bhandari
 
Chapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
Chapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & KamberChapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
Chapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & Kambererror007
 
Chapter 08 Data Mining Techniques
Chapter 08 Data Mining Techniques Chapter 08 Data Mining Techniques
Chapter 08 Data Mining Techniques Houw Liong The
 
Explainability and bias in AI
Explainability and bias in AIExplainability and bias in AI
Explainability and bias in AIBill Liu
 
Artificial Intelligence, Machine Learning and Deep Learning
Artificial Intelligence, Machine Learning and Deep LearningArtificial Intelligence, Machine Learning and Deep Learning
Artificial Intelligence, Machine Learning and Deep LearningSujit Pal
 
قاعد البيانات الشيئية الموجهة نحو الهدف Object
قاعد البيانات الشيئية الموجهة نحو الهدف Objectقاعد البيانات الشيئية الموجهة نحو الهدف Object
قاعد البيانات الشيئية الموجهة نحو الهدف ObjectMimi Albadri
 
グラフ理論入門 1
グラフ理論入門 1グラフ理論入門 1
グラフ理論入門 1butsurizuki
 
Decision tree
Decision treeDecision tree
Decision treeSEMINARGROOT
 
Classification Techniques
Classification TechniquesClassification Techniques
Classification TechniquesKiran Bhowmick
 
Data Mining and Data Warehouse
Data Mining and Data WarehouseData Mining and Data Warehouse
Data Mining and Data WarehouseAnupam Sharma
 
Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5
Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5 Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5
Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5 Salah Amean
 
Feature Engineering
Feature EngineeringFeature Engineering
Feature EngineeringSri Ambati
 
Feature Engineering - Getting most out of data for predictive models
Feature Engineering - Getting most out of data for predictive modelsFeature Engineering - Getting most out of data for predictive models
Feature Engineering - Getting most out of data for predictive modelsGabriel Moreira
 
Text data mining1
Text data mining1Text data mining1
Text data mining1KU Leuven
 
Big Data & Hadoop Introduction
Big Data & Hadoop IntroductionBig Data & Hadoop Introduction
Big Data & Hadoop IntroductionJayant Mukherjee
 
IT1 1.1 Opis i metodologija kursa
IT1 1.1 Opis i metodologija kursaIT1 1.1 Opis i metodologija kursa
IT1 1.1 Opis i metodologija kursaMilan Zdravković
 
IT1 1.3 Internet pod haubom
IT1 1.3 Internet pod haubomIT1 1.3 Internet pod haubom
IT1 1.3 Internet pod haubomMilan Zdravković
 

More Related Content

What's hot

Page rank
Page rankPage rank
Page rankluyen91
 
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling傾向スコア解析とUplift Modelling
傾向スコア解析とUplift ModellingYohei Sato
 
Iris data analysis example in R
Iris data analysis example in RIris data analysis example in R
Iris data analysis example in RDuyen Do
 
Data mining introduction
Data mining introductionData mining introduction
Data mining introductionBasma Gamal
 
Chapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
Chapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & KamberChapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
Chapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & Kambererror007
 
Chapter 08 Data Mining Techniques
Chapter 08 Data Mining Techniques Chapter 08 Data Mining Techniques
Chapter 08 Data Mining Techniques Houw Liong The
 
Explainability and bias in AI
Explainability and bias in AIExplainability and bias in AI
Explainability and bias in AIBill Liu
 
Artificial Intelligence, Machine Learning and Deep Learning
Artificial Intelligence, Machine Learning and Deep LearningArtificial Intelligence, Machine Learning and Deep Learning
Artificial Intelligence, Machine Learning and Deep LearningSujit Pal
 
قاعد البيانات الشيئية الموجهة نحو الهدف Object
قاعد البيانات الشيئية الموجهة نحو الهدف Objectقاعد البيانات الشيئية الموجهة نحو الهدف Object
قاعد البيانات الشيئية الموجهة نحو الهدف ObjectMimi Albadri
 
グラフ理論入門 1
グラフ理論入門 1グラフ理論入門 1
グラフ理論入門 1butsurizuki
 
Classification Techniques
Classification TechniquesClassification Techniques
Classification TechniquesKiran Bhowmick
 
Data Mining and Data Warehouse
Data Mining and Data WarehouseData Mining and Data Warehouse
Data Mining and Data WarehouseAnupam Sharma
 
Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5
Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5 Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5
Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5 Salah Amean
 
Feature Engineering
Feature EngineeringFeature Engineering
Feature EngineeringSri Ambati
 
Feature Engineering - Getting most out of data for predictive models
Feature Engineering - Getting most out of data for predictive modelsFeature Engineering - Getting most out of data for predictive models
Feature Engineering - Getting most out of data for predictive modelsGabriel Moreira
 
Text data mining1
Text data mining1Text data mining1
Text data mining1KU Leuven
 
Big Data & Hadoop Introduction
Big Data & Hadoop IntroductionBig Data & Hadoop Introduction
Big Data & Hadoop IntroductionJayant Mukherjee
 

What's hot (20)

Page rank
Page rankPage rank
Page rank
 
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
 
Iris data analysis example in R
Iris data analysis example in RIris data analysis example in R
Iris data analysis example in R
 
Data mining introduction
Data mining introductionData mining introduction
Data mining introduction
 
Big data
Big dataBig data
Big data
 
Data warehouse logical design
Data warehouse logical designData warehouse logical design
Data warehouse logical design
 
Chapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
Chapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & KamberChapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
Chapter - 6 Data Mining Concepts and Techniques 2nd Ed slides Han & Kamber
 
Chapter 08 Data Mining Techniques
Chapter 08 Data Mining Techniques Chapter 08 Data Mining Techniques
Chapter 08 Data Mining Techniques
 
Explainability and bias in AI
Explainability and bias in AIExplainability and bias in AI
Explainability and bias in AI
 
Artificial Intelligence, Machine Learning and Deep Learning
Artificial Intelligence, Machine Learning and Deep LearningArtificial Intelligence, Machine Learning and Deep Learning
Artificial Intelligence, Machine Learning and Deep Learning
 
قاعد البيانات الشيئية الموجهة نحو الهدف Object
قاعد البيانات الشيئية الموجهة نحو الهدف Objectقاعد البيانات الشيئية الموجهة نحو الهدف Object
قاعد البيانات الشيئية الموجهة نحو الهدف Object
 
グラフ理論入門 1
グラフ理論入門 1グラフ理論入門 1
グラフ理論入門 1
 
Decision tree
Decision treeDecision tree
Decision tree
 
Classification Techniques
Classification TechniquesClassification Techniques
Classification Techniques
 
Data Mining and Data Warehouse
Data Mining and Data WarehouseData Mining and Data Warehouse
Data Mining and Data Warehouse
 
Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5
Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5 Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5
Data Mining: Concepts and Techniques (3rd ed.) — Chapter 5
 
Feature Engineering
Feature EngineeringFeature Engineering
Feature Engineering
 
Feature Engineering - Getting most out of data for predictive models
Feature Engineering - Getting most out of data for predictive modelsFeature Engineering - Getting most out of data for predictive models
Feature Engineering - Getting most out of data for predictive models
 
Text data mining1
Text data mining1Text data mining1
Text data mining1
 
Big Data & Hadoop Introduction
Big Data & Hadoop IntroductionBig Data & Hadoop Introduction
Big Data & Hadoop Introduction
 

Similar to IT1 1.5 Analiza podataka

IT1 1.1 Opis i metodologija kursa
IT1 1.1 Opis i metodologija kursaIT1 1.1 Opis i metodologija kursa
IT1 1.1 Opis i metodologija kursaMilan Zdravković
 
MEZN00 - Uvod u upravljanje znanjem
MEZN00 - Uvod u upravljanje znanjemMEZN00 - Uvod u upravljanje znanjem
MEZN00 - Uvod u upravljanje znanjemMilan Zdravković
 
Prezentacija kursa: Analiza podataka u poslovnoj i inženjerskoj praksi
Prezentacija kursa: Analiza podataka u poslovnoj i inženjerskoj praksiPrezentacija kursa: Analiza podataka u poslovnoj i inženjerskoj praksi
Prezentacija kursa: Analiza podataka u poslovnoj i inženjerskoj praksiMilan Zdravković
 
Osnove racunarske tehnike sistematizacija
Osnove racunarske tehnike sistematizacijaOsnove racunarske tehnike sistematizacija
Osnove racunarske tehnike sistematizacijaSiniša Ćulafić
 
Uvod u sisteme.pdf
Uvod u sisteme.pdfUvod u sisteme.pdf
Uvod u sisteme.pdfVlada Nedic
 
Entitet, organizacija, baza i access
Entitet, organizacija, baza i accessEntitet, organizacija, baza i access
Entitet, organizacija, baza i accessSanja Jovanovic
 
Informatika
InformatikaInformatika
Informatikabobantos
 
UPRO - BPMN – Notacija za modeliranje poslovnih procesa
UPRO - BPMN – Notacija za modeliranje poslovnih procesaUPRO - BPMN – Notacija za modeliranje poslovnih procesa
UPRO - BPMN – Notacija za modeliranje poslovnih procesaMilan Zdravković
 
Baze podataka 2
Baze podataka 2Baze podataka 2
Baze podataka 2grujam
 
Razvoj i implementacija bezbednosnog modula i njegov uticaj na kvalitet e-obr...
Razvoj i implementacija bezbednosnog modula i njegov uticaj na kvalitet e-obr...Razvoj i implementacija bezbednosnog modula i njegov uticaj na kvalitet e-obr...
Razvoj i implementacija bezbednosnog modula i njegov uticaj na kvalitet e-obr...Marjan Milošević
 
Model podataka.pdf
Model podataka.pdfModel podataka.pdf
Model podataka.pdfVlada Nedic
 
Baze podataka
Baze podatakaBaze podataka
Baze podatakagrujam
 
Medijsko planiranje 2013 istrazivanje
Medijsko planiranje 2013 istrazivanjeMedijsko planiranje 2013 istrazivanje
Medijsko planiranje 2013 istrazivanjeZdravko Jankovic
 
Business Intelligence Strategies and its role in corporate development
Business Intelligence Strategies and its role in corporate developmentBusiness Intelligence Strategies and its role in corporate development
Business Intelligence Strategies and its role in corporate developmentAngelina Njegus
 

Similar to IT1 1.5 Analiza podataka (20)

IT1 1.1 Opis i metodologija kursa
IT1 1.1 Opis i metodologija kursaIT1 1.1 Opis i metodologija kursa
IT1 1.1 Opis i metodologija kursa
 
IT1 1.3 Internet pod haubom
IT1 1.3 Internet pod haubomIT1 1.3 Internet pod haubom
IT1 1.3 Internet pod haubom
 
MEZN00 - Uvod u upravljanje znanjem
MEZN00 - Uvod u upravljanje znanjemMEZN00 - Uvod u upravljanje znanjem
MEZN00 - Uvod u upravljanje znanjem
 
Prezentacija kursa: Analiza podataka u poslovnoj i inženjerskoj praksi
Prezentacija kursa: Analiza podataka u poslovnoj i inženjerskoj praksiPrezentacija kursa: Analiza podataka u poslovnoj i inženjerskoj praksi
Prezentacija kursa: Analiza podataka u poslovnoj i inženjerskoj praksi
 
Osnove racunarske tehnike sistematizacija
Osnove racunarske tehnike sistematizacijaOsnove racunarske tehnike sistematizacija
Osnove racunarske tehnike sistematizacija
 
Uvod u sisteme.pdf
Uvod u sisteme.pdfUvod u sisteme.pdf
Uvod u sisteme.pdf
 
Entitet, organizacija, baza i access
Entitet, organizacija, baza i accessEntitet, organizacija, baza i access
Entitet, organizacija, baza i access
 
Informatika
InformatikaInformatika
Informatika
 
UPRO - BPMN – Notacija za modeliranje poslovnih procesa
UPRO - BPMN – Notacija za modeliranje poslovnih procesaUPRO - BPMN – Notacija za modeliranje poslovnih procesa
UPRO - BPMN – Notacija za modeliranje poslovnih procesa
 
Baze podataka 2
Baze podataka 2Baze podataka 2
Baze podataka 2
 
Razvoj i implementacija bezbednosnog modula i njegov uticaj na kvalitet e-obr...
Razvoj i implementacija bezbednosnog modula i njegov uticaj na kvalitet e-obr...Razvoj i implementacija bezbednosnog modula i njegov uticaj na kvalitet e-obr...
Razvoj i implementacija bezbednosnog modula i njegov uticaj na kvalitet e-obr...
 
Model podataka.pdf
Model podataka.pdfModel podataka.pdf
Model podataka.pdf
 
IT trendovi u 2017-oj
IT trendovi u 2017-ojIT trendovi u 2017-oj
IT trendovi u 2017-oj
 
Baze podataka
Baze podatakaBaze podataka
Baze podataka
 
Informatika i informacije
Informatika i informacijeInformatika i informacije
Informatika i informacije
 
Uvod u statistiku
Uvod u statistikuUvod u statistiku
Uvod u statistiku
 
Metodologija 4.pdf
Metodologija 4.pdfMetodologija 4.pdf
Metodologija 4.pdf
 
Medijsko planiranje 2013 istrazivanje
Medijsko planiranje 2013 istrazivanjeMedijsko planiranje 2013 istrazivanje
Medijsko planiranje 2013 istrazivanje
 
IKT NPP 150124 15 - Gimnazije - Dragan Ilić (PPS)
IKT NPP 150124 15 - Gimnazije - Dragan Ilić (PPS)IKT NPP 150124 15 - Gimnazije - Dragan Ilić (PPS)
IKT NPP 150124 15 - Gimnazije - Dragan Ilić (PPS)
 
Business Intelligence Strategies and its role in corporate development
Business Intelligence Strategies and its role in corporate developmentBusiness Intelligence Strategies and its role in corporate development
Business Intelligence Strategies and its role in corporate development
 

More from Milan Zdravković

Investing in scientific startups - Perspective from both sides
Investing in scientific startups - Perspective from both sidesInvesting in scientific startups - Perspective from both sides
Investing in scientific startups - Perspective from both sidesMilan Zdravković
 
Discovery and validation with scientific method - the Lean Startup approach
Discovery and validation with scientific method - the Lean Startup approachDiscovery and validation with scientific method - the Lean Startup approach
Discovery and validation with scientific method - the Lean Startup approachMilan Zdravković
 
Key EURAXESS online platform functionalities and selected Extranet tools
Key EURAXESS online platform functionalities and selected Extranet toolsKey EURAXESS online platform functionalities and selected Extranet tools
Key EURAXESS online platform functionalities and selected Extranet toolsMilan Zdravković
 
Funding & Grants in Horizon Europe
Funding & Grants in Horizon EuropeFunding & Grants in Horizon Europe
Funding & Grants in Horizon EuropeMilan Zdravković
 
Open Science in HORIZON Grant Agreement
Open Science in HORIZON Grant AgreementOpen Science in HORIZON Grant Agreement
Open Science in HORIZON Grant AgreementMilan Zdravković
 
EURAXESS Online Tools To Support Researcher Career Development
EURAXESS Online Tools To Support Researcher Career DevelopmentEURAXESS Online Tools To Support Researcher Career Development
EURAXESS Online Tools To Support Researcher Career DevelopmentMilan Zdravković
 
UPRO05 - Automatizacija procesa
UPRO05 - Automatizacija procesaUPRO05 - Automatizacija procesa
UPRO05 - Automatizacija procesaMilan Zdravković
 
UPRO05 - Automatizacija procesa
UPRO05 - Automatizacija procesaUPRO05 - Automatizacija procesa
UPRO05 - Automatizacija procesaMilan Zdravković
 
UPRO01 - Modeliranje poslovnih procesa i BPMN
UPRO01 - Modeliranje poslovnih procesa i BPMNUPRO01 - Modeliranje poslovnih procesa i BPMN
UPRO01 - Modeliranje poslovnih procesa i BPMNMilan Zdravković
 
UPRO01 - Modeliranje poslovnih procesa
UPRO01 - Modeliranje poslovnih procesaUPRO01 - Modeliranje poslovnih procesa
UPRO01 - Modeliranje poslovnih procesaMilan Zdravković
 
PA Training Nov 5-6 Day 2 - Talk 2. Content Management Best Practices
PA Training Nov 5-6 Day 2 - Talk 2. Content Management Best PracticesPA Training Nov 5-6 Day 2 - Talk 2. Content Management Best Practices
PA Training Nov 5-6 Day 2 - Talk 2. Content Management Best PracticesMilan Zdravković
 
PA Training Nov 5-6 Day 2 - Talk 1. Web Visibility, SEO elements in content c...
PA Training Nov 5-6 Day 2 - Talk 1. Web Visibility, SEO elements in content c...PA Training Nov 5-6 Day 2 - Talk 1. Web Visibility, SEO elements in content c...
PA Training Nov 5-6 Day 2 - Talk 1. Web Visibility, SEO elements in content c...Milan Zdravković
 
PA Training Nov 5-6 Day 1 - Talk 1. EURAXESS Portal updates
PA Training Nov 5-6 Day 1 - Talk 1. EURAXESS Portal updatesPA Training Nov 5-6 Day 1 - Talk 1. EURAXESS Portal updates
PA Training Nov 5-6 Day 1 - Talk 1. EURAXESS Portal updatesMilan Zdravković
 
PA Training Nov 5-6 Day 1 - Talk 4. Compliance issues
PA Training Nov 5-6 Day 1 - Talk 4. Compliance issuesPA Training Nov 5-6 Day 1 - Talk 4. Compliance issues
PA Training Nov 5-6 Day 1 - Talk 4. Compliance issuesMilan Zdravković
 
PA Training Nov 5-6 Day 2 - Talk 3. Accessibility Checker
PA Training Nov 5-6 Day 2 - Talk 3. Accessibility CheckerPA Training Nov 5-6 Day 2 - Talk 3. Accessibility Checker
PA Training Nov 5-6 Day 2 - Talk 3. Accessibility CheckerMilan Zdravković
 
Online content management tips and tricks
Online content management tips and tricksOnline content management tips and tricks
Online content management tips and tricksMilan Zdravković
 
MEZN05 - Jezici za reprezentaciju znanja na Webu – OWL
MEZN05 - Jezici za reprezentaciju znanja na Webu – OWLMEZN05 - Jezici za reprezentaciju znanja na Webu – OWL
MEZN05 - Jezici za reprezentaciju znanja na Webu – OWLMilan Zdravković
 
MEZN04 - Softver za kreiranje ontologija - Protege
MEZN04 - Softver za kreiranje ontologija - ProtegeMEZN04 - Softver za kreiranje ontologija - Protege
MEZN04 - Softver za kreiranje ontologija - ProtegeMilan Zdravković
 

More from Milan Zdravković (20)

Investing in scientific startups - Perspective from both sides
Investing in scientific startups - Perspective from both sidesInvesting in scientific startups - Perspective from both sides
Investing in scientific startups - Perspective from both sides
 
Discovery and validation with scientific method - the Lean Startup approach
Discovery and validation with scientific method - the Lean Startup approachDiscovery and validation with scientific method - the Lean Startup approach
Discovery and validation with scientific method - the Lean Startup approach
 
Key EURAXESS online platform functionalities and selected Extranet tools
Key EURAXESS online platform functionalities and selected Extranet toolsKey EURAXESS online platform functionalities and selected Extranet tools
Key EURAXESS online platform functionalities and selected Extranet tools
 
Funding & Grants in Horizon Europe
Funding & Grants in Horizon EuropeFunding & Grants in Horizon Europe
Funding & Grants in Horizon Europe
 
Open Science in HORIZON Grant Agreement
Open Science in HORIZON Grant AgreementOpen Science in HORIZON Grant Agreement
Open Science in HORIZON Grant Agreement
 
EURAXESS Online Tools To Support Researcher Career Development
EURAXESS Online Tools To Support Researcher Career DevelopmentEURAXESS Online Tools To Support Researcher Career Development
EURAXESS Online Tools To Support Researcher Career Development
 
UPRO05 - Automatizacija procesa
UPRO05 - Automatizacija procesaUPRO05 - Automatizacija procesa
UPRO05 - Automatizacija procesa
 
UPRO05 - Automatizacija procesa
UPRO05 - Automatizacija procesaUPRO05 - Automatizacija procesa
UPRO05 - Automatizacija procesa
 
Social media promotion
Social media promotionSocial media promotion
Social media promotion
 
UPRO01 - Modeliranje poslovnih procesa i BPMN
UPRO01 - Modeliranje poslovnih procesa i BPMNUPRO01 - Modeliranje poslovnih procesa i BPMN
UPRO01 - Modeliranje poslovnih procesa i BPMN
 
UPRO01 - Modeliranje poslovnih procesa
UPRO01 - Modeliranje poslovnih procesaUPRO01 - Modeliranje poslovnih procesa
UPRO01 - Modeliranje poslovnih procesa
 
UPRO00 - Uvod u BPM
UPRO00 - Uvod u BPMUPRO00 - Uvod u BPM
UPRO00 - Uvod u BPM
 
PA Training Nov 5-6 Day 2 - Talk 2. Content Management Best Practices
PA Training Nov 5-6 Day 2 - Talk 2. Content Management Best PracticesPA Training Nov 5-6 Day 2 - Talk 2. Content Management Best Practices
PA Training Nov 5-6 Day 2 - Talk 2. Content Management Best Practices
 
PA Training Nov 5-6 Day 2 - Talk 1. Web Visibility, SEO elements in content c...
PA Training Nov 5-6 Day 2 - Talk 1. Web Visibility, SEO elements in content c...PA Training Nov 5-6 Day 2 - Talk 1. Web Visibility, SEO elements in content c...
PA Training Nov 5-6 Day 2 - Talk 1. Web Visibility, SEO elements in content c...
 
PA Training Nov 5-6 Day 1 - Talk 1. EURAXESS Portal updates
PA Training Nov 5-6 Day 1 - Talk 1. EURAXESS Portal updatesPA Training Nov 5-6 Day 1 - Talk 1. EURAXESS Portal updates
PA Training Nov 5-6 Day 1 - Talk 1. EURAXESS Portal updates
 
PA Training Nov 5-6 Day 1 - Talk 4. Compliance issues
PA Training Nov 5-6 Day 1 - Talk 4. Compliance issuesPA Training Nov 5-6 Day 1 - Talk 4. Compliance issues
PA Training Nov 5-6 Day 1 - Talk 4. Compliance issues
 
PA Training Nov 5-6 Day 2 - Talk 3. Accessibility Checker
PA Training Nov 5-6 Day 2 - Talk 3. Accessibility CheckerPA Training Nov 5-6 Day 2 - Talk 3. Accessibility Checker
PA Training Nov 5-6 Day 2 - Talk 3. Accessibility Checker
 
Online content management tips and tricks
Online content management tips and tricksOnline content management tips and tricks
Online content management tips and tricks
 
MEZN05 - Jezici za reprezentaciju znanja na Webu – OWL
MEZN05 - Jezici za reprezentaciju znanja na Webu – OWLMEZN05 - Jezici za reprezentaciju znanja na Webu – OWL
MEZN05 - Jezici za reprezentaciju znanja na Webu – OWL
 
MEZN04 - Softver za kreiranje ontologija - Protege
MEZN04 - Softver za kreiranje ontologija - ProtegeMEZN04 - Softver za kreiranje ontologija - Protege
MEZN04 - Softver za kreiranje ontologija - Protege
 

Recently uploaded

Istorija kljuc za okruzno takmicenje za 6. razred 2022
Istorija kljuc za okruzno takmicenje za 6. razred 2022Istorija kljuc za okruzno takmicenje za 6. razred 2022
Istorija kljuc za okruzno takmicenje za 6. razred 2022pauknatasa
 
Istorija okruzno takmicenje za 6. razred_20242024.pdf
Istorija okruzno takmicenje za 6. razred_20242024.pdfIstorija okruzno takmicenje za 6. razred_20242024.pdf
Istorija okruzno takmicenje za 6. razred_20242024.pdfpauknatasa
 
Razvoj samopouzdanja kod skolskog deteta
Razvoj samopouzdanja kod skolskog detetaRazvoj samopouzdanja kod skolskog deteta
Razvoj samopouzdanja kod skolskog detetaNerkoJVG
 
Istorija ključ za okruzno takmicenje za 6. razred_2024
Istorija ključ za okruzno takmicenje za 6. razred_2024Istorija ključ za okruzno takmicenje za 6. razred_2024
Istorija ključ za okruzno takmicenje za 6. razred_2024pauknatasa
 
Istorija opstinsko takmicenje za 6. razred - test_2024.pdf
Istorija opstinsko takmicenje za 6. razred - test_2024.pdfIstorija opstinsko takmicenje za 6. razred - test_2024.pdf
Istorija opstinsko takmicenje za 6. razred - test_2024.pdfpauknatasa
 
Istorija okruzno takmicenje za 6. razred 2022. godine.pdf
Istorija okruzno takmicenje za 6. razred 2022. godine.pdfIstorija okruzno takmicenje za 6. razred 2022. godine.pdf
Istorija okruzno takmicenje za 6. razred 2022. godine.pdfpauknatasa
 
Profesionalna_orijentacija / Srednja Škola Hipokrat
Profesionalna_orijentacija / Srednja Škola HipokratProfesionalna_orijentacija / Srednja Škola Hipokrat
Profesionalna_orijentacija / Srednja Škola HipokratNerkoJVG
 
Istorija 6. razred opstinsko takmicenje 2022.pdf
Istorija 6. razred opstinsko takmicenje 2022.pdfIstorija 6. razred opstinsko takmicenje 2022.pdf
Istorija 6. razred opstinsko takmicenje 2022.pdfpauknatasa
 
Istorija 6. razred okruzno takmicenje 2023 test.pdf
Istorija 6. razred okruzno takmicenje 2023 test.pdfIstorija 6. razred okruzno takmicenje 2023 test.pdf
Istorija 6. razred okruzno takmicenje 2023 test.pdfpauknatasa
 
Птице које можемо да пронађемо у Београду
Птице које можемо да пронађемо у БеоградуПтице које можемо да пронађемо у Београду
Птице које можемо да пронађемо у БеоградуИвана Ћуковић
 
Istorija kljuc za okruzno takmicenje za 7. razred 2022. godine.doc
Istorija kljuc za okruzno takmicenje za 7. razred 2022. godine.docIstorija kljuc za okruzno takmicenje za 7. razred 2022. godine.doc
Istorija kljuc za okruzno takmicenje za 7. razred 2022. godine.docpauknatasa
 

Recently uploaded (14)

Istorija kljuc za okruzno takmicenje za 6. razred 2022
Istorija kljuc za okruzno takmicenje za 6. razred 2022Istorija kljuc za okruzno takmicenje za 6. razred 2022
Istorija kljuc za okruzno takmicenje za 6. razred 2022
 
OIR-V10.pptx
OIR-V10.pptxOIR-V10.pptx
OIR-V10.pptx
 
Istorija okruzno takmicenje za 6. razred_20242024.pdf
Istorija okruzno takmicenje za 6. razred_20242024.pdfIstorija okruzno takmicenje za 6. razred_20242024.pdf
Istorija okruzno takmicenje za 6. razred_20242024.pdf
 
Razvoj samopouzdanja kod skolskog deteta
Razvoj samopouzdanja kod skolskog detetaRazvoj samopouzdanja kod skolskog deteta
Razvoj samopouzdanja kod skolskog deteta
 
OIR12-L1.pptx
OIR12-L1.pptxOIR12-L1.pptx
OIR12-L1.pptx
 
Istorija ključ za okruzno takmicenje za 6. razred_2024
Istorija ključ za okruzno takmicenje za 6. razred_2024Istorija ključ za okruzno takmicenje za 6. razred_2024
Istorija ključ za okruzno takmicenje za 6. razred_2024
 
Istorija opstinsko takmicenje za 6. razred - test_2024.pdf
Istorija opstinsko takmicenje za 6. razred - test_2024.pdfIstorija opstinsko takmicenje za 6. razred - test_2024.pdf
Istorija opstinsko takmicenje za 6. razred - test_2024.pdf
 
Istorija okruzno takmicenje za 6. razred 2022. godine.pdf
Istorija okruzno takmicenje za 6. razred 2022. godine.pdfIstorija okruzno takmicenje za 6. razred 2022. godine.pdf
Istorija okruzno takmicenje za 6. razred 2022. godine.pdf
 
Profesionalna_orijentacija / Srednja Škola Hipokrat
Profesionalna_orijentacija / Srednja Škola HipokratProfesionalna_orijentacija / Srednja Škola Hipokrat
Profesionalna_orijentacija / Srednja Škola Hipokrat
 
Istorija 6. razred opstinsko takmicenje 2022.pdf
Istorija 6. razred opstinsko takmicenje 2022.pdfIstorija 6. razred opstinsko takmicenje 2022.pdf
Istorija 6. razred opstinsko takmicenje 2022.pdf
 
Istorija 6. razred okruzno takmicenje 2023 test.pdf
Istorija 6. razred okruzno takmicenje 2023 test.pdfIstorija 6. razred okruzno takmicenje 2023 test.pdf
Istorija 6. razred okruzno takmicenje 2023 test.pdf
 
Птице које можемо да пронађемо у Београду
Птице које можемо да пронађемо у БеоградуПтице које можемо да пронађемо у Београду
Птице које можемо да пронађемо у Београду
 
Istorija kljuc za okruzno takmicenje za 7. razred 2022. godine.doc
Istorija kljuc za okruzno takmicenje za 7. razred 2022. godine.docIstorija kljuc za okruzno takmicenje za 7. razred 2022. godine.doc
Istorija kljuc za okruzno takmicenje za 7. razred 2022. godine.doc
 
OIR12-L2.pptx
OIR12-L2.pptxOIR12-L2.pptx
OIR12-L2.pptx
 

IT1 1.5 Analiza podataka

  • 1. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Isključite mikrofon tokom predavanja Vaš mikrofon može prenositi šum i zvuke koji smanjuju kvalitet zvuka predavanja Isključite kameru tokom predavanja Prenos signala može otežati prijem zvuka zbog opterećenja mreže Instrukcije za učešće na online predavanju Predavanje će početi u zakazano vreme, prema rasporedu časova Ukoliko imate pitanje, postavite ga kada god želite (tokom predavanja ili nakon njega) u chat prozoru. Na pitanja će biti odgovoreno nakon završenog predavanja.
  • 2. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta sve možete da uradite sa podacima o poslovanju svog preduzeća? Analiza podataka Milan Zdravković
  • 3. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Teme predavanja • Podatak, informacija i znanje • Skladištenje podataka: baze podataka • Analiza podataka • Mašinsko učenje • Poslovno predviđanje • Računarska vizija
  • 4. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je podatak? • Podatak je simbol ili znak, koji reprezentuje nekakav stimulus (koji uočavamo čulima) ili signal. Podaci su nekorisni, jer nemaju značenje, po sebi. • 00110, 45, 185cm, 22A, 53km/h, true, false, operation, d^&5D*&%asd99
  • 5. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je informacija? • Informacija je prosti ili složeni iskaz koji nastaje dodeljivanjem značenja jednom podatku (npr. postavljanjem pitanja ko, šta, gde, koliko, kada..). • Informacija su podaci kojima je pridodato značenje i svrha - kontekst. • Dragan je visok 185cm (Hdcm=185); Moje sedište je 22A (s=’22A’); Brzina kretanja automobila je 53 km/h (Vakmh=53) • Informacija može biti tačna ili netačna.
  • 6. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je znanje? • Postoji veliki broj različitih tipova znanja i različitih definicija • Usvojena definicija • Dva niza iskaza od kojih se jedan može rasuditi na osnovu drugog • Drugi niz iskaza se rasuđuje od prvog, na osnovu iskustva ili zakonitosti slika= => objekat_na_slici=‘Jabuka’ boja_objekta_na_slici=‘Crna’ brzina_auta=80km/h tip_podloge=‘asfalt’ model_auta=‘Citroen C3’ => duzina_zaustavnog_puta=17m Niz iskaza A Niz iskaza B broj_reci>500 domen_posilj=‘gmail.com’ broj_reci_today>20 => verovatnoca_spam=88% verovatnoca_nijespam=12% spam=True
  • 7. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je baza podataka? • Baza podataka je organizovani skup podataka, čije sredstvo za organizaciju podataka je tabela. • Jednu bazu podataka čini jedna ili više tabela u kojima se nalaze podaci, ali i sredstva za manipulaciju i kreiranje ovih podataka, odnosno upiti, izveštaji, pogledi, trigeri, transakcije i drugi objekti. • Jedna tabela opisuje pojam (tako što definiše njegove atribute) i skladišti podatke o pojavljivanjima ovog pojma
  • 8. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je relaciona baza podataka? • Relaciona baza podataka je baza podataka, čije su tabele povezane relacijama. • Tako, zapis o jednom pojmu iz jedne tabele se može povezati sa jednim ili više zapisa o drugom pojmu iz druge tabele. • Manipulacija podacima u jednoj tabeli može biti ograničena, ukoliko je ona povezana relacijom sa drugom tabelom. Na primer: • Može biti nemoguće da se u tabelu sa tweetovima unese tweet korisnika koji ne postoji u tabeli sa korisnicima. • Može biti nemoguće brisanje podataka o korisniku, pre nego što se obrišu svi njegovi tweetovi.
  • 9. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je sistem za upravljanje relacionim bazama podataka? • Relational Database Management System (RDBMS) • Softver koji omogućava komunikaciju korisnika (ljudi i drugog softvera) sa bazom podataka (prema principima klijent/server komunikacije)
  • 10. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Kako se upravlja podacima u RDBMS? • Instrukcije za rad sa podacima • Izvlačenje podataka • Umetanje podataka • Ažuriranje podataka • Brisanje podataka • Program ili softver koji radi sa podacima šalje instrukcije RDBMS-u u obliku SQL komandi • Structured Query Language (SQL) je jezik za upravljanje podacima u relacionim bazama podataka Primer sintakse instrukcije za izvlačenje podataka Primer sintakse instrukcije za ažuriranje podataka
  • 11. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Analiza podataka
  • 12. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je analiza podataka? • Proces modeliranja, istraživanja, tumačenja, vizuelizacije, čišćenja i transformacije podataka sa ciljem otkrivanja korisnih informacija, radi podrške donošenju važnih zaključaka i odluka • Čovek ne može da tumači veliki broj podataka Tabela sa podacima o Covid-19 infekcijama u RS Vizuelizacija podataka
  • 13. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Primeri analize podataka • U jednoj koloni se nalaze podaci koji imaju isto značenje – pripadaju nekoj veličini • Primena neke agregatne funkcije nad svim podacima jedne veličine • Uvođenje i računanje vrednosti izvedene veličine koja se kreira na osnovu vrednosti drugih veličina
  • 14. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Često korišćene funkcije za analizu podataka (Excel) • SUM(). Suma svih vrednosti u izabranom skupu ćelija • AVERAGE(). Prosečna vrednost svih vrednosti u izabranom skupu ćelija • COUNT(). Broj ćelija u izabranom skupu ćelija koje sadrže numeričku vrednost • MAX(), MIN(). Maksimalna i minimalna vrednost svih vrednosti u izabranom skupu ćelija
  • 15. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Model za analizu podataka • Model čini izbor relevantnih veličina (izmerenih ili proračunatih) • Osnovnih i izvedenih veličina na osnovu čijih vrednosti je moguće donositi relevantne zaključke
  • 16. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Vrste analize podataka • Grupisanje podataka • Sažimanje podataka – grupisanje po vrednostima podataka određene veličine. Na primer, grupisanje po polu: prosečne plate svih muškaraca i žena; grupisanje po godinama starosti: prosečne plate starosnih kategorija 20-29, 30-39, 40-49, 50-59, >=60 • Analiza osnovnih statističkih veličina svih ili grupa podataka • Prosečna vrednost, maksimalna vrednost, minimalna vrednost, standardna devijacija, itd. • Analiza raspodele podataka • Analiza broja podataka koji pripadaju određenim, unapred definisanim intervalima • Analiza korelacije podataka • Utvrđivanje zavisnosti jedne veličine od drugih Prodaja kategorija lekova grupisana po satu u toku dana Normalna raspodela podataka
  • 17. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Šta je mašinsko učenje? • Skup metoda i pristupa zahvaljujući kojima sistemi stiču sposobnost da uče automatski da na osnovu podataka vrše neki zadatak, a da nisu eksplicitno programirani za to • Podsećanje na definiciju znanja • Dva niza iskaza od kojih se jedan može rasuditi na osnovu drugog • Drugi niz iskaza se rasuđuje od prvog, na osnovu iskustva ili zakonitosti
  • 18. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Ulazni podaci Izlazni Primer: Cilj je da naučimo softver da na osnovu karakteristika stana predvidi njegovu cenu na tržištu Postojeći istorijski podaci o prodaji stanova IF(B==3 and P==2000 and N=‘n’) SP=250000 ELSE IF(B==2 and P==800 and N=‘h’) SP=300000 ELSE IF(B==2 and P==850 and N=‘n’) SP=150000 ELSE IF(B==1 and P==550 and N=‘n’) SP=78000 ELSE IF(B==4 and P==2000 and N=‘s’) SP=150000 Eksplicitno programiramo softver da predviđa Kod će omogućiti potpuno preslikavanje, ali diskretno - neće raditi sa novopristiglim podacima koji se razlikuju od podataka iz poznatog skupa. cena=k1*povrsina+k2*broj_soba+k3*komsiluk+k4 Mašinsko učenje je zapravo određivanje vrednosti koeficijenata k1, k2, k3 i k4 sa kojima se ostvaruje minimalna prosečna greška za svaki postojeći istorijski podatak. Metod mašinskog učenja kojim se to ostvaruje se naziva linearna regresija. Zakonitost možemo da definišemo i u višedimenzionalnom prostoru: cena=k1*povrsina+k2 cena=k3*broj_soba+k4 Možemo da pretpostavimo da je zavisnost linearna
  • 19. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. U praksi, što je aproksimacija jednostavnija, to je greška predviđanja veća Ali ne uvek!! Ovo predviđa funkcija Da li je ovo bolje predviđanje?
  • 20. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Poslovno predviđanje • Veoma je pouzdano u analizama kod kojih postoje pravilni trendovi promena vrednosti veličina koje se koriste, npr. • Sezonalnost, rast/pad, korelacija sa drugom veličinom • Primena mašinskog učenja za predviđanje vrednosti nekih veličina vezanih za poslovanje u nekom periodu u budućnosti, npr. • Predviđanje tražnje za nekim proizvodom u narednih mesec dana • Predviđanje cene određene akcije na berzi • Predviđanje potrošnje toplotne energije • Izrada šta-ako analiza – analiza uticaja nekih poslovnih odluka, odnosno vrednosti nekih veličina koje te odluke podrazumevaju na vrednosti nekih veličina vezanih za poslovanje u nekom periodu u budućnosti • Kolika bi bila vrednost naše akcije na berzi da nam je u prethodnom mesecu prodaja bila veća 20%
  • 21. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Računarska vizija • Klasifikacija slika. Prepoznavanje objekta na slici • Detekcija objekata na slici. Lokalizacija svakog objekta na slici i njegovo prepoznavanje • Segmentacija objekata na slici. Uočavanje konture oko objekta https://cloud.google.com/vision/docs/drag-and-drop
  • 22. Kurs: Informacione Tehnologije 1 | Nastavnik: dr Milan Zdravković, doc. Hvala na pažnji Analiza podataka