Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Csepeli György: Társadalmi meteorológia

702 views

Published on

  • Be the first to comment

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

×