arvostelija Assosiaatiosäännöt sekvensseissä Jarmo Hakala Vantaa HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos
|
|
- Katriina Pakarinen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 hyväksymispäivä arvosana arvostelija Assosiaatiosäännöt sekvensseissä Jarmo Hakala Vantaa HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos
2 Tiivistelmä Assosiaatiosäännöt sekvensseissä on Jarmo Hakalan Vantaalla syksyllä 2005 laatima kaksitoistasivuinen tutkielma, joka tarkastelee toistuvien sekvenssihahmojen löytämisongelmaa ja analysoi kahdentyyppisiä algoritmeja ongelman ratkaisemiseksi. Tutkielma kuuluu luokkaan H.3.3 Tiedonhaku ja jäljitys (Information Search and Retrieval ACM:n tietojenkäsittelytieteen luokitusjärjestelmässä ACM Computing Classication System (1998). Tutkielmassa vertailtavista algoritmeista SPADE-algoritmi päihittää Apriori-algoritmin johdokset etenkin siksi, että se pystyy löytämään kaikki pitkätkin sekvenssihahmot, kun taas Apriorialgoritmin johdokset soveltuvat ainoastaan lyhyiden hahmojen etsimiseen.
3 i Sisältö 1 Johdanto 1 2 Toistuvat sekvenssihahmot Määrälliset assosiaatiosäännöt Sekvenssihahmosääntöjen määritelmä Mihin sekvenssihahmoja tarvitaan? Hahmojen tunnistus Apriori-algoritmi SPADE-algoritmi Arviointia Yhteenveto 10
4 1 Johdanto Sekvenssihahmojen löytäminen suurista sekvenssitietokannoista on tärkeä tiedon löytämisen ja louhinnan ongelma. Monia eri toimialoja, kuten esimerkiksi vähittäiskauppaa ja telekommunikaatiosektoria, hyödyttävät sovellukset käyttävät toistuvia sekvenssihahmoja tiedon louhintaan. Kun esimerkiksi asiakkaan ostoskoritietoja sisältävissä tietokannoissa jokainen tietosekvenssi (sekvenssi = jono peräkkäisiä tapahtumia) vastaa asiakkaan tekemiä ostoksia, ovat sekvenssihahmot käyttökelpoisia tulevien asiakkaiden ostokäyttäytymisten ennustamisessa. Web-palvelimet generoivat suuria määriä lokitietoa päivittäin hankkimalla sivukäyntisekvenssejä jopa miljoonilta käyttäjiltä. Kun toistuvia sekvenssihahmoja pystytään löytämään Web-lokeista, on esimerkiksi mahdollista luoda paremmin hyperlinkitetty rakenne korreloivien sivujen välillä [GRS99]. Tämän tutkielman toisessa luvussa perehdytäänkin assosiaatiosääntöjen määritelmän kautta sekvenssihahmojen määritelmään ja edelleen sekvenssihahmojen käytön hyödyllisyyteen. Tutkielman kolmannessa luvussa tutustutaan kahteen erilaiseen algoritmiin, Apriori-algoritmiin sekä SPADE-algoritmiin. Sekvenssihahmoja pyrittiin löytämään vuoteen 1997 asti pääasiallisesti Apriori-algoritmiin perustuvilla algoritmijohdoksilla, kunnes Mohammed J. Zaki esitteli SPADE-algoritmin [Zak97]. SPADE-algoritmilla pystytään löytämään kaikki pitkätkin toistuvat hahmot - ja vielä hyvin tehokkaasti, mihin taas Apriori-algoritmin johdoksilla ei ole kyetty. 1
5 2 Toistuvat sekvenssihahmot Tässä luvussa paneudutaan toistuvien sekvenssihahmojen (frequent sequence patterns) maailmaan. Ensimmäisessä aliluvussa Määrälliset assosiaatiosäännöt annetaan määrällisen assosiaatiosäännön määritelmä sekä määritellään ongelma lyhyesti. Seuraavassa aliluvussa Sekvenssihahmosääntöjen määritelmä annetaan kattavat esimerkit sekvenssihahmosäännöistä, matemaattinen määritelmä sekä määritellään ongelma lyhyesti. Kolmas aliluku Mihin sekvenssihahmoja tarvitaan? perustelee sekvenssihahmojen tarpeen. 2.1 Määrälliset assosiaatiosäännöt Esimerkki määrällisestä assosiaatiosäännöstä (quantitative association rule): 30 % olutta sisältävistä ostoksista sisältää myös vaippoja, ja 2 % kaikista ostoksista sisältää näitä molempia artikkeleita. Esimerkki säännön tuesta (support): '2 leipää, 3 olutta, 1 pkt vaippoja' tukee alijoukkoa '1-3 leipää, 1-5 olutta'. Olkoon I = {i 1, i 2,, i m } attribuuttien joukko. Tarkoittakoon P positiivisten kokonaislukujen joukkoa ja I V joukkoa I P. Pari x, v I V tarkoittaa attribuuttia x, jolla on assosiaatioarvo (associated value) v. Olkoon I R joukko { x, l, u I P P l u, jos x on määrällinen attribuutti; l = u, jos x on luokitteleva attribuutti }. Kolmikko x, l, u I R tarkoittaa siis joko määrällistä attribuuttia x, jolla on intervallissa [l, u] arvo tai luokittelevaa attribuuttia x, jolla on arvo l. Kolmikkoa (triple) x, l, u I R kutsutaan yksiköksi (item). Millä tahansa X I R, attribuutit(x) tarkoittavat joukkoa {x x, l, u X}. [AgS96b] Olkoon D tietokantataulu, missä jokainen tietue R on attribuuttien arvo- 2
6 joukko siten, että R I V. Jokainen tietue sisältää kunkin attribuutin vain kerran. Tällöin tietue R tukee X I R, jos x, l, u X( x, q R siten, että l q u). Määrällinen assosiaatiosääntö on ilmaus X Y, missä X I R, Y I R, ja attribuutit(x) attribuutit(y )=. Sääntö X Y pitää tietuejoukossa D luottamuksella (condence) c jos c% tietueista joukossa D, jotka tukevat joukkoa X tukevat myös joukkoa Y. Säännöllä X Y on tuki s tietokantataulussa D, jos s% D:n tietueista tukee X Y. [AgS96b] Määrällisten assosiaatiosääntöjen louhintaongelma on löytää kaikki ne määrälliset assosiaatiosäännöt, joilla on tuki ja luottamus suurempi kuin käyttäjän määrittelemä minimituki (minsup) ja minimiluottamus (minconf ). 2.2 Sekvenssihahmosääntöjen määritelmä Esimerkkinä sekvenssihahmosta voidaan ajatella seuraavaa: 5 % asiakkaista osti vuoden sisään ensin kirjan 'Sormuksen ritarit', sitten kirjan 'Kaksi tornia' ja sitten kirjan 'Kuninkaan paluu'. Vaikka joku asiakas ostaisi muitakin kirjoja näiden kirjojen välissä, sisältää sen asiakkaan tietosekvenssi myös edellä mainitun sekvenssihahmon. Sekvenssihahmojen elementit saavat myös olla yksiköiden joukkoja, esimerkiksi Kirjaostotapahtumaa 'Sormuksen ritarit' ja 'Kaksi tornia' seurasi kirjaostotapahtuma 'Kuninkaan paluu' ja 'Hobitit'. Kuitenkin sekvenssihahmoelementin kaikkien yksiköiden on löydyttävä tietosekvenssin transaktioista, jotta hahmoa voidaan tukea [AgS96a]. Olkoon I = {i 1, i 2,, i m } eri attribuuttien joukko, jota myös kutsutaan yksiköksi. Yksikköjoukko (itemset) on epätyhjä järjestämätön yksiköiden kokoelma. Sekvenssi on kasvavassa järjestyksessä oleva lista yksikköjoukkoja. Yksikköjoukko i on {i 1, i 2,, i k }, missä i j on yksikkö. Yksikköjoukko, jossa on k yksikköä on k-yksikköjoukko. Sekvenssillä α tarkoitetaan jonoa (α 1 α 2 3
7 α n ), missä sekvenssielementti α j on yksikköjoukko. Sekvenssiä, jossa on k yksikköä (k = j α j ), kutsutaan k-sekvenssiksi. Esimerkiksi (B AC) on 3-sekvenssi. Yksikkö voi esiintyä ainoastaan kerran kussakin yksikköjoukossa, mutta se voi esiintyä useita kertoja sekvenssin eri yksikköjoukoissa [Zak97]. Sekvenssi α 1 = (α 1 α 2 α n ) on toisen sekvenssin β = (β 1 β 2 β m ) alisekvenssi (merkitään α β), jos kaikille x N (N = 1,..., n)on olemassa indeksi j x M siten, että a x b j x ja mille tahansa x, y N, jos x < y, niin j x < j y. Esimerkiksi sekvenssi (B AC D) on sekvenssin (AB E ACE BE DE) alisekvenssi, koska sekvenssielementit B AB, AC ACD ja D DE. Toisaalta sekvenssi (AB E) ei ole sekvenssin (ABE) alisekvenssi eikä päinvastoin [Zak97]. Oletetaan, että asiakkaalla C ei ole enempää kuin yksi transaktio (esimerkiksi ostotapahtuma), jolla on sama aikaleima. Tällöin transaktioaikaa voidaan käyttää transaktion tunnuksena. Oletetaan myös, että lista asiakastransaktioita lajitellaan transaktioajan mukaan. Täten asiakkaan transaktiolista on itsessään sekvenssi, ns. asiakassekvenssi. Tietokanta D koostuu useasta sellaisesta asiakassekvenssistä. Asiakassekvenssin C sanotaan sisältävän sekvenssin α, jos α on asiakassekvenssin C alisekvenssi. Sekvenssin α tuki (toistuvuus) on kaikkien niiden asiakkaiden osuus, jotka sisältävät tämän sekvenssin (Kaava 1). Sekvenssi on toistuva, jos fr(α, D) minsup. Toistuvien k-sekvenssien joukko merkitään F k1 [Zak97]. ja kaikkien toistuvien sekvenssien joukko F = k F k fr(α, D) = {C D C contains α} D Kaava 1. Sekvenssin toistuvuus [Zak97]. 4
8 Ajatellaan tietokantaa (Taulukko 1), jossa on kahdeksan yksikköä, yksiköstä A yksikköön H, neljä asiakasta ja kaiken kaikkiaan 10 transaktiota. Kahdella asiakkaalla eli 50 %:n minimituella saadaan seuraavat toistuvat sekvenssit (jokaisen sekvenssin tuki on hakasulkeissa): F 1 = {(A)[4], (B)[4], (D)[2], (F )[4]} F 2 = {(AB)[3], (AF )[3], (B A)[2], (BF )[4], (D A)[2], (D B)[2], (D F )[2], (F A)[2]} F 3 = {(ABF )[3], (BF A)[2], (D BF )[2], (D B A)[2], (D F A)[2]} F 4 = {(D BF A)[2]} Löydettyjä sekvenssejä voidaan käyttää sääntöjen löytämiseen ja eri sekvenssiyksiköiden suhteiden kuvaamiseen. Esimerkiksi sekvenssi (BF ) löytyy neljältä asiakkaalta, kun taas (ABF ) kolmelta asiakkaalta. Eli jos BF löytyy yhdessä, on 75 %:n todennäköisyys, että myös A löytyy. Tällöin säännöllä (BF ) (BF A) on 75 %:n luottamus. Yksinkertaisella algoritmilla (Algoritmi 1) voidaan luoda kaikki ne säännöt, kunhan tiedetään ne sekvenssit, joilla on tietty minimiluottamus [Zak97]. Asiakastunnus Transaktioaika Yksikot 1 10 CD 1 15 ABC 1 20 ABF 1 25 ACDF 2 15 ABF 2 20 E 3 10 ABF 4 10 DGH 4 20 BF 4 25 AGH Taulukko 1. Tietokantataulu [Zak97]. 5
9 1)RuleGen(F, minconf ): 2) for all frequent sequences β F do 3) for all subsequences α β do 4) conf = fr(β)/fr(α); 5) if (conf minconf ) then 6) output the rule α β, and conf Algoritmi 1. Algoritmi sääntöjen luomiseen [Zak97]. Kun tavalliset assosiaatiosäännöt kuvaavat pelkästään transaktion sisäisiä hahmoja (yksikköjoukkoja), sekvenssihahmojen kohdalla assosiaatiosäännöt merkitsevät myös transaktioiden välisten hahmojen eli sekvenssien löytämistä. Tällöin kaikkien toistuvien sekvenssien joukko on kaikkien toistuvien yksikköjoukkojen ylijoukko [Zak97]. Sekvenssihahmojen louhintaongelmana on löytää kaikki sekvenssihahmot, joilla on käyttäjän määrittelemä minimituki. Hahmon tuki on hahmon sisältävien tietosekvenssien prosenttiosuus tietokannassa [AgS96a]. 2.3 Mihin sekvenssihahmoja tarvitaan? Vähittäiskaupan asiakkaan tiettynä ajanjaksona tekemistä ostoksista voidaan muodostaa tietosekvenssi. Tietosekvenssistä saa irti mm. sen, minkä tuotteen B asiakkaat tyypillisesti ostavat ostettuaan ensin tuotteen A. Tällöin sekvenssihahmot ovat käyttökelpoisia tulevien asiakkaiden ostokäyttäytymisten ennustamisessa. Web-palvelimet generoivat suuria määriä lokitietoa päivittäin hankkimalla sivukäyntisekvenssejä jopa miljoonilta käyttäjiltä. Kun toistuvia sekvenssihahmoja pystytään löytämään Web-lokeista, on esimerkik- 6
10 si mahdollista luoda paremmin hyperlinkitetty rakenne korreloivien sivujen välillä [GRS99]. Sekvenssihahmosovellukset ovat hyödyllisiä myös muilla toimialoilla, kuten telekommunikaatiosektorilla (esimerkiksi hälytysdiagnoosi) ja lääketiedesektorilla (esimerkiksi sairautta edeltävien oireiden tunnistaminen) [Zak97]. 3 Hahmojen tunnistus Tässä luvussa esitellään kaksi algoritmia, joita on vuosien saatossa käytetty hahmojen louhintaan. Ensimmäisessä aliluvussa Apriori-algoritmi annetaan pseudokoodi Apriori-algoritmille, josta on tehty useita muunnelmia erilaisten hahmojen louhintaongelmien ratkaisemiseksi. Toisessa aliluvussa SPADEalgoritmi esitellään algoritmi, joka pystyy tekemään tehokkaan sekvenssihaun ja lisäksi löytämään kaikki pitkätkin hahmot - toisin kuin Apriorialgoritmin johdokset. Viimeisessä aliluvussa Arviointia tutkielman tekijä pohtii ja vertailee esiteltyjä algoritmeja. 3.1 Apriori-algoritmi Monet hahmonlouhinta-algoritmit ovat Apriori-algoritmin (Algoritmi 2.) muunnoksia. Apriori-algoritmi löytää hahmot etsimällä toistuvia yksikköjoukkoja. Toistuva yksikköjoukko on niiden yksikköjen joukko, jotka löytyvät jostain tietokannan tietueesta ja jotka täyttävät tietyt käyttäjän määrittelemät ehdot. Apriori-algoritmi suorittaa alhaalta ylös etenevän haun, jossa jokainen yksittäinen toistuva yksikköjoukko luetellaan [AgS94]. 7
11 1) L={large 1-itemsets}: 2) for (k = 2; L k 1 ; k + +) do begin 3) C k = apriori-gen (L k 1 ); // New candidates 4) forall transactions t D do begin 5) C t = subset (C k, l); //Candidates contained in l 6) forall candidates c C t do 7) c.count++; 8) end 9) L k = (c C k c.count minsup) 10) end 11) Answer = k L k; Algoritmi 2. Apriori-algoritmi (määrällisten hahmojen löytämiseen) [AgS94]. Apriori-algoritmista on sen esittelyn jälkeen tehty useita eri muunnelmia. Aprioriin perustuvat hahmonlouhinta-algoritmit on suurimmaksi osaksi luotu toimimaan tietokannoissa, joissa pisimmät hahmot ovat kuitenkin suhteellisen lyhyitä. Pitkiä hahmoja voivat olla esimerkiksi eri kyselyjen tulokset, kanta-asiakkaan pitkän aikavälin ostoksia kuvaavat myyntitapahtumat sekä DNA:n ja proteiinianalyysin biologiset tiedot. Monilla luokitelluilla tietojoukoilla saattaa olla pitkiä hahmoja, koska ne sisältävät useita toistuvia yksiköitä, ja tietueiden pituudet ovat keskiarvoiltaan suuria. Koska tutkimukset ovat osoittaneet, että Aprioriin perustuvat algoritmit ovat riittämättömiä pitkien hahmojen tietojoukoille [Bay98], on niille alettu kehittää parempia algoritmeja. Apriori-algoritmi perustuu siihen, että toistuvien yksikköjoukkojen kaikki alijoukot ovat myös toistuvia. Eli jos halutaan tuottaa toistuva yksikköjouk- 8
12 ko, jonka pituus on l, pitää myös tuottaa kaikki 2 l alijoukkoa. Tällainen eksponentiaalinen monimutkaisuus rajoittaa Apriori-tyyppisten algoritmien käytön ainoastaa lyhyisiin hahmoihin [Bay98]. 3.2 SPADE-algoritmi SPADE-algoritmissa (Sequential Pattern Discovery using Equivalence classes) käytetään tietokantaformaattina vertikaalista listaa. Siinä jokaiseen sekvenssiin liitetään lista objekteista sekä aikaleimoista. Kaikki toistuvat sekvenssit pystytään luettelemaan yksinkertaisilla tilapäisillä listojen liitoksilla (tai leikkauksilla). Verkkotietorakennetta käytetään alkuperäisen hakutilan (verkon) hajottamiseksi pienempiin palasiin (aliverkkoihin). Aliverkot voidaan prosessoida itsenäisesti keskusmuistissa. Tällainen lähestymistapa vaatii tavallisesti vain kolme tietokannan läpikäyntiä; tai vain yhden läpikäynnin, jos informaatiota on esiprosessoitu (tämä minimoi I/O-kustannuksia). Jokaisen aliverkon toistuvien sekvenssien luettelemiseksi on olemassa kaksi erilaista hakustrategiaa, leveyssuuntainen (breadth-rst) tai syvyyssuuntainen haku (depth-rst) [Zak01]. SPADE-algoritmi on melko monimutkainen, joten tässä tutkimuksessa sivuutetaan sen perusteellisempi esittely. Tarkemmat vaiheet on selvitetty M.J. Zakin artikkelissa [Zak01]. SPADE-algoritmilla löydetään kaikki toistuvat sekvenssit tavallisesti vain kolmella tietokannan läpikäymisellä. Lisäksi SPADE-algoritmilla on erinomaiset skaalautuvuusominaisuudet suhteessa asiakkaiden määriin, transaktioiden määriin per asiakas, transaktion kokoon ja mahdollisiin maksimaalisen kokoisiin toistuviin sekvensseihin [Zak97]. SPADE ei ainoastaan minimoi I/O-kustannuksia vähentämällä tietokannan läpikäyntejä, vaan myös mini- 9
13 moi laskentakustannuksia käyttämällä tehokasta hakukaavaa [Zak01]. Tutkimusten mukaan SPADE-algoritmi löi ilmestyessään edellä mainittujen ominaisuuksiensa ansiosta kaikki siihen mennessä ilmestyneet Apriori-algoritmiin perustuneet algoritmit [Zak97]. 3.3 Arviointia Apriori-algoritmiin perustuvat hahmonlouhinta-algoritmit, kuten esimerkiksi Agrawalin ja Srikantin kehittämä GSP-algoritmi, ovat käyttökelpoisia silloin, kun tietokannan hahmot ovat lyhyitä eikä algoritmin tehokkuus näyttele tärkeää roolia louhintatyössä. Nykyisin kuitenkin tarvitaan tehokkaita algoritmeja laajojen tietokantojen läpikäyntiin sekä sitä, että algoritmin pitää pystyä luomaan analysoitavat tietosekvenssit pitkistäkin hahmoista, esimerkiksi biotekniikan alueella. Näihin vaatimuksiin ei Apriori-algoritmin johdoksilla ole kyetty vastaamaan, mutta kylläkin SPADE-algoritmilla. SPADEalgoritmilla pystytään käymään läpi suuria tietokantoja hyvin tehokkaasti ja lisäksi se kykenee käsittelemään kaikenkokoiset hahmot. 4 Yhteenveto Esimerkki sekvenssihahmosta on: 0.5 % Akateemisen kirjakaupan asiakkaista osti vuosina ensin kirjan 'Sormuksen ritarit', sitten sekä kirjan 'Kaksi tornia' että 'Kuninkaan paluu'. Tällaisen sekvenssihahmon löytäminen edesauttaa kirjakaupan markkinointikampanjoita ja on apuna myös tilausten suunnittelussa. Kun sekvenssihahmojen pituudet muodostuvat pitkiksi, ei niitä pystytä löytämään Apriori-algoritmin avulla. SPADE-algoritmilla pystytään kaikki tois- 10
14 tuvat tietosekvenssit löytämään tavallisesti kolmella tietokannan läpikäymisellä. Tässä suhteessa se on ylivoimainen Apriori-algoritmin johdoksiin verrattuna. Tulevaisuuteen jää sen asian tutkiminen, löytyisikö SPADE-algoritmiin tehokkaita muunnelmia, joilla toistuvien tietosekvenssien löytämiseen vaadittaisiin vain kaksi tietokannan läpikäyntiä. 11
15 Viitteet [AgS94] Agrawal, R., Srikant, R., Fast Algorithms for Mining Association Rules. Proceedings of the twentieth International Conference on Very Large Data Bases (VLDB) [AgS96a] Agrawal, R., Srikant, R., Mining Sequential Patterns: Generalizations and Performance Improvements. Proceedings of the fth International Conference on Extending Database Technology: Advances in Database Technology table of contents [AgS96b] Agrawal, R., Srikant, R., Mining Quantitative Association Rules in Large Relational Tables. SIGMOD '96 6/96, Montreal, Canada. [Bay98] Bayardo Jr., R.,.Eciently Mining Long Patterns from Database. Proceedings of the 1998 ACM-SIGMOD International Conference on Management of Data, [GRS99] Garofalakis, M., Rastogi, R., Shim, K., SPIRIT: Sequential Pattern Mining with Regular Expression Constraints. Conference on Information and Knowledge Management. Proceedings of the eleventh international conference on Information and knowledge management [Zak97] Zaki, M., Fast Mining of Sequential Patterns in Very Large Databases. Techical Report 668. The University of Rochester, New York, November [Zak01] Zaki, M., SPADE: An Ecient Algorithm for Mining Frequent Sequences. Machine Learning vol 42, 31-60,
Tietokannan eheysrajoitteet ja niiden määrittäminen SQL-kielellä
hyväksymispäivä arvosana arvostelija Tietokannan eheysrajoitteet ja niiden määrittäminen SQL-kielellä Tuomas Husu Helsinki 20.2.2010 HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Sisältö i 1 Johdanto
LisätiedotTutorial on Assignment 3 in Data Mining 2008 Association Rule Mining. Gyozo Gidofalvi Uppsala Database Laboratory
Tutorial on Assignment 3 in Data Mining 2008 Association Rule Mining Gyozo Gidofalvi Uppsala Database Laboratory Announcements Monday the 15 th of December, has been added as a possible date for examination
LisätiedotAssosiaatiosäännöt ja niiden etsintä datasta
Assosiaatiosäännöt ja niiden etsintä datasta Wilhelmiina Hämäläinen 6. helmikuuta 2007 1 Mitä on tiedon louhinta? Tiedonlouhinnan (Data mining) tavoitteena on löytää kiinnostavia hahmoja datasta. hahmo=osittaismalli
LisätiedotAssosiaatiosääntöjen louhinnan tehostaminen
hyväksymispäivä arvosana arvostelija Assosiaatiosääntöjen louhinnan tehostaminen Tuomas Tanner Helsinki 27.03.2008 Tiedon louhinnan seminaari, kevät 2008 HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos
LisätiedotDepartment of Mathematics, Hypermedia Laboratory Tampere University of Technology. Roolit Verkostoissa: HITS. Idea.
Roolit Tommi Perälä Department of Mathematics, Hypermedia Laboratory Tampere University of Technology 25.3.2011 J. Kleinberg kehitti -algoritmin (Hypertext Induced Topic Search) hakukoneen osaksi. n taustalla
LisätiedotSQL-perusteet, SELECT-, INSERT-, CREATE-lauseet
SQL-perusteet, SELECT-, INSERT-, CREATE-lauseet A271117, Tietokannat Teemu Saarelainen teemu.saarelainen@kyamk.fi Lähteet: Leon Atkinson: core MySQL Ari Hovi: SQL-opas TTY:n tietokantojen perusteet-kurssin
LisätiedotEsimerkkejä vaativuusluokista
Esimerkkejä vaativuusluokista Seuraaville kalvoille on poimittu joitain esimerkkejä havainnollistamaan algoritmien aikavaativuusluokkia. Esimerkit on valittu melko mielivaltaisesti laitoksella tehtävään
LisätiedotECDL Tietokannat. Copyright 2015 ECDL Foundation ECDL Tietokannat Sivu 1 / 7
ECDL Tietokannat Copyright 2015 ECDL Foundation ECDL Tietokannat Sivu 1 / 7 Tavoite Tässä esitellään tutkintovaatimukset moduulille ECDL Tietokannat, joka määrittelee tarvittavat tiedot ja taidot näyttökokeen
LisätiedotA ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
LisätiedotData Mining - The Diary
Data Mining - The Diary Rodion rodde Efremov March 31, 2015 Introduction This document is my learning diary written on behalf of Data Mining course led at spring term 2015 at University of Helsinki. 1
LisätiedotTiedonlouhinta rakenteisista dokumenteista (seminaarityö)
Tiedonlouhinta rakenteisista dokumenteista (seminaarityö) Miika Nurminen (minurmin@jyu.fi) Jyväskylän yliopisto Tietotekniikan laitos Kalvot ja seminaarityö verkossa: http://users.jyu.fi/~minurmin/gradusem/
LisätiedotFYYSINEN SUUNNITTELU
IIO30120 DATABASE DESIGN / TIETOKANTOJEN SUUNNITTELU JA IIO30220 DATABASE MANAGEMENT / TIETOKANNAN HALLINTA FYYSINEN SUUNNITTELU KIRJAN HOVI, HUOTARI, LAHDENMÄKI: TIETOKANTOJEN SUUNNITTELU & INDEKSOINTI,
LisätiedotMonihaku ja sähköiset aineistot tutuksi. Jyväskylän kaupunginkirjaston tiedonhaun koulutus
Monihaku ja sähköiset aineistot tutuksi Jyväskylän kaupunginkirjaston tiedonhaun koulutus Miksi monihaku? Sähköistä aineistoa valtavat määrät Laadukasta ja ei-niin-laadukasta Ilmaista ja maksullista Monihakuun
LisätiedotTIETOKANTOJEN PERUSTEET MARKKU SUNI
TIETOKANTOJEN PERUSTEET MARKKU SUNI OSIO 01 Peruskäsitteitä Kurssin tavoite: antaa osallistujille valmiudet ymmärtää tietokantojen periaatteet ymmärtää tietokantojen suunnittelunäkökohtia osallistua tietokantojen
LisätiedotAction Request System
Action Request System Manu Karjalainen Ohjelmistotuotantovälineet seminaari HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos 25.10.2000 Action Request System (ARS) Manu Karjalainen Ohjelmistotuotantovälineet
LisätiedotCantorin joukon suoristuvuus tasossa
Cantorin joukon suoristuvuus tasossa LuK-tutkielma Miika Savolainen 2380207 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 2016 Sisältö Johdanto 2 1 Cantorin joukon esittely 2 2 Suoristuvuus ja
LisätiedotDynaaminen ohjelmointi ja vaikutuskaaviot
Dynaaminen ohjelmointi ja vaikutuskaaviot. Taustaa 2. Vaikutuskaaviot ja superarvosolmut 3. Vaikutuskaavion ratkaiseminen 4. Vaikutuskaavio ja dynaaminen ohjelmointi: 5. Yhteenveto Esitelmän sisältö Optimointiopin
Lisätiedot33. pohjoismainen matematiikkakilpailu 2019 Ratkaisut
33. pohjoismainen matematiikkakilpailu 2019 Ratkaisut 1. Kutsutaan (eri) positiivisten kokonaislukujen joukkoa merkitykselliseksi, jos sen jokaisen äärellisen epätyhjän osajoukon aritmeettinen ja geometrinen
Lisätiedotarvostelija OSDA ja UDDI palveluhakemistoina.
Hyväksymispäivä Arvosana arvostelija OSDA ja UDDI palveluhakemistoina. HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty/Section Laitos Institution
Lisätiedot10. Painotetut graafit
10. Painotetut graafit Esiintyy monesti sovelluksia, joita on kätevä esittää graafeina. Tällaisia ovat esim. tietoverkko tai maantieverkko. Näihin liittyy erinäisiä tekijöitä. Tietoverkkoja käytettäessä
LisätiedotLiitosesimerkki Tietokannan hallinta, kevät 2006, J.Li 1
Liitosesimerkki 16.02.06 Tietokannan hallinta, kevät 2006, J.Li 1 Esim R1 R2 yhteinen attribuutti C T(R1) = 10,000 riviä T(R2) = 5,000 riviä S(R1) = S(R2) = 1/10 lohkoa Puskuritilaa = 101 lohkoa 16.02.06
Lisätiedotmonitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi Ohjaaja: Prof. Kai Virtanen Valvoja: Prof.
Epätäydellisen preferenssiinformaation hyödyntäminen monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi 15.1.2018 Ohjaaja: Prof. Kai Virtanen Valvoja: Prof. Kai Virtanen Tausta Päätöspuu
LisätiedotTutki ja kirjoita -kurssi, s-2005
Teoreettisen tutkimuksen raportoinnista Tutki ja kirjoita -kurssi, s-2005 Pekka Kilpeläinen Kuopion yliopisto Tietojenkäsittelytieteen laitos Teoreettisen tutkimuksen raportoinnista p.1/14 Sisältö Algoritmisten
LisätiedotFinFamily PostgreSQL installation ( ) FinFamily PostgreSQL
FinFamily PostgreSQL 1 Sisällys / Contents FinFamily PostgreSQL... 1 1. Asenna PostgreSQL tietokanta / Install PostgreSQL database... 3 1.1. PostgreSQL tietokannasta / About the PostgreSQL database...
LisätiedotKirjoja vai kirjallisuutta etsimässä? Kaunokirjallisuuden haku Melindasta käyttäjän näkökulma
Jarmo Saarti Kaunokirjallisuuden sisällönkuvailupäivä 22.5.2013 Helsinki Kirjoja vai kirjallisuutta etsimässä? Kaunokirjallisuuden haku Melindasta käyttäjän näkökulma Sisältö Kirjallisuuden hakustrategiat
LisätiedotRelevanttien sivujen etsintä verkosta: satunnaiskulut verkossa Linkkikeskukset ja auktoriteetit (hubs and authorities) -algoritmi
Kurssin loppuosa Diskreettejä menetelmiä laajojen 0-1 datajoukkojen analyysiin Kattavat joukot ja niiden etsintä tasoittaisella algoritmilla Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa
LisätiedotPaikkatieto ja assosiaatiosäännöt
Paikkatieto ja assosiaatiosäännöt voisiko assosiaatiosääntöjä soveltaa myös paikkatietoon? kömpelö tapa: jaetaan maantieteellinen alue ruutuihin, tehdään attribuuttien arvoista ruudussa rivi ja etsitään
LisätiedotPaikkatieto ja assosiaatiosäännöt. Referenssipiirre. Spatiaaliset assosiaatiosäännöt
Paikkatieto ja assosiaatiosäännöt Spatiaaliset assosiaatiosäännöt voisiko assosiaatiosääntöjä soveltaa myös paikkatietoon? kömpelö tapa: jaetaan maantieteellinen alue ruutuihin, tehdään attribuuttien arvoista
LisätiedotSekvenssihahmojen louhinta XML-dokumenteista
Sekvenssihahmojen louhinta XML-dokumenteista Harri Härkönen 25.05.2008 Joensuun yliopisto Tietojenkäsittelytiede Pro gradu -tutkielma TIIVISTELMÄ Tiedonlouhintamenetelmillä pyritään löytämään a priori
Lisätiedotv 8 v 9 v 5 C v 3 v 4
Verkot Verkko on (äärellinen) matemaattinen malli, joka koostuu pisteistä ja pisteitä toisiinsa yhdistävistä viivoista. Jokainen viiva yhdistää kaksi pistettä, jotka ovat viivan päätepisteitä. Esimerkiksi
Lisätiedota b c d + + + + + + + + +
28. 10. 2010!"$#&%(')'+*(#-,.*/1032/465$*784 /(9:*;9."$ *;5> *@9 a b c d 1. + + + 2. 3. 4. 5. 6. + + + + + + + + + + P1. Valitaan kannaksi sivu, jonka pituus on 4. Koska toinen jäljelle jäävistä sivuista
LisätiedotSuunnittelumallien käyttö ja web-navimallit
Käyttöliittymät II Luento 7 Suunnittelumallien käyttö ja web-navimallit Harjoitus 1: Asuntohaku-sovellus Harjoitus 2: Groups and Items Esimerkkejä muista kälisuunnittelumalleista Web-navigoinnin suunnittelumallit
LisätiedotAlgoritmit 1. Luento 9 Ti Timo Männikkö
Algoritmit 1 Luento 9 Ti 7.2.2017 Timo Männikkö Luento 9 Graafit ja verkot Kaaritaulukko, bittimatriisi, pituusmatriisi Verkon lyhimmät polut Floydin menetelmä Lähtevien ja tulevien kaarien listat Forward
LisätiedotOhjelmoinnin peruskurssi Y1
Ohjelmoinnin peruskurssi Y1 CSE-A1111 30.9.2015 CSE-A1111 Ohjelmoinnin peruskurssi Y1 30.9.2015 1 / 27 Mahdollisuus antaa luentopalautetta Goblinissa vasemmassa reunassa olevassa valikossa on valinta Luentopalaute.
LisätiedotXML-tutkimus Jyväskylän yliopistossa
XML-tutkimus Jyväskylän yliopistossa Airi Salminen Jyväskylän yliopisto Tietojenkäsittelytieteiden laitos airi.salminen@jyu.fi http://www.cs.jyu.fi/~airi/ Airi Salminen, XML-tutkimus Jyväskylän yliopistossa
LisätiedotAlgoritmit 1. Luento 10 Ke 11.2.2015. Timo Männikkö
Algoritmit 1 Luento 10 Ke 11.2.2015 Timo Männikkö Luento 10 Algoritminen ongelman ratkaisu Suunnittelumenetelmät Raaka voima Järjestäminen eli lajittelu Kuplalajittelu Väliinsijoituslajittelu Valintalajittelu
LisätiedotPohjoismaisen geenipankin informaatiojärjestelmä on nimeltään SESTO (=Seed store) ja se sisältää tietoja lähes kaikista geenipankin omista
Pohjoismaisen geenipankin informaatiojärjestelmä on nimeltään SESTO (=Seed store) ja se sisältää tietoja lähes kaikista geenipankin omista siemennäytteistä ja jossain tapauksissa myös suvullisesti lisättävien
LisätiedotRelaatiomalli ja -tietokanta
Relaatiomalli ja -tietokanta > Edgar. F. (Ted) Codd, IBM, 1969 < A Relational Model of Data for Large Shared Data Banks Communications of the ACM, Vol. 13, No. 6, June 1970, pp. 377-387. > 70-luvun lopulla
LisätiedotTehtävä 2: Säännölliset lausekkeet
Tehtävä 2: Säännölliset lausekkeet Kun tietokoneohjelmalla luetaan käyttäjän syötettä, olisi syöte aina syytä tarkistaa. Syötteessä voi olla vääriä merkkejä tai merkkejä väärillä paikoilla (syntaktinen
LisätiedotPeräkkäishahmojen tunnistaminen webin käytön louhinnassa
Peräkkäishahmojen tunnistaminen webin käytön louhinnassa Sami Yläkäs Helsinki 7.4.2008 Tiedon louhinnan seminaari, kevät 2008 Seminaaritutkielma HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos HELSINGIN
LisätiedotAssosiaatiosääntöjen johtaminen epäyhtenäisellä minimituella
Assosiaatiosääntöjen johtaminen epäyhtenäisellä minimituella Tina Willner 19.12.2003 Joensuun yliopisto Tietojenkäsittelytiede Pro gradu -tutkielma TIIVISTELMÄ Tietämyksen etsimisellä tarkoitetaan monivaiheista
LisätiedotKäsiteanalyysi prosessina ja tarveanalyysi
Informaatioteknologian instituutti IIO30100 Tietokantojen suunnittelu Käsiteanalyysi prosessina ja tarveanalyysi kirjan Hovi, Huotari, Lahdenmäki: Tietokantojen suunnittelu & indeksointi, Docendo (2003,
Lisätiedot2. Käsiteanalyysi ja relaatiomalli
2. Käsiteanalyysi ja relaatiomalli lehtori Pasi Ranne Metropolia ammattikorkeakoulu E-mail: pasi.ranne@metropolia.fi sivu 1 Tietokannan suunnitteluprosessin osat sivu 2 Käsiteanalyysi ER-mallinnus, tietomallinnus
LisätiedotKielitieteellisten aineistojen käsittely
Kielitieteellisten aineistojen käsittely 1 Johdanto...1 2 Aineistojen kommentointi, metadatan tyypit...1 3 Aineistojen käsittely...2 3.1 Rakenteisten kieliaineistojen kyselykielet...2 3.2 Tiedonlouhinta
LisätiedotKÄSITEANALYYSI PROSESSINA JA TARVEANALYYSI
TIETOJEN MALLINNUS KÄSITEANALYYSI PROSESSINA JA TARVEANALYYSI HOVI, HUOTARI, LAHDENMÄKI: TIETOKANTOJEN SUUNNITTELU & INDEKSOINTI DOCENDO (2003, 2005) LUKU 3 S. 68 73 JA LUKU 4 (S. 79 84) JOUNI HUOTARI
LisätiedotLiitosesimerkki. Esim R1 R2 yhteinen attribuutti C. Vaihtoehdot
Esim yhteinen attribuutti C Liitosesimerkki T() = 10,000 riviä T() = 5,000 riviä S() = S() = 1/10 lohkoa Puskuritilaa = 101 lohkoa 1 2 Vaihtoehdot Sisäkkäiset silmukat Liitosjärjestys:, Liitosalgoritmit:
LisätiedotAlgoritmit 1. Luento 13 Ti 23.2.2016. Timo Männikkö
Algoritmit 1 Luento 13 Ti 23.2.2016 Timo Männikkö Luento 13 Suunnittelumenetelmät Taulukointi Kapsäkkiongelma Ahne menetelmä Verkon lyhimmät polut Dijkstran menetelmä Verkon lyhin virittävä puu Kruskalin
LisätiedotFiction searching from an enriched library web service
Fiction searching from an enriched library web service Anna Mikkonen, Tohtoriopiskelija, Tampereen yliopisto Memornetin syysseminaari 10. 11.10.2013/Tampere Esityksen sisältö Väitöstutkimuksen tausta ja
Lisätiedot13.11. Tulosten arviointi. tulosten arviointi. voimmeko luottaa saamiimme tuloksiin?
13.11. tulosten arviointi Tulosten arviointi voimmeko luottaa saamiimme tuloksiin? onko osa saaduista tuloksista sattumanvaraisia? mitkä OSAT puusta ovat luotettavimpia? 1 KONSENSUSDIAGRAMMI Useita yhtä
LisätiedotFUNKTIONAALIANALYYSIN PERUSKURSSI 1. 0. Johdanto
FUNKTIONAALIANALYYSIN PERUSKURSSI 1. Johdanto Funktionaalianalyysissa tutkitaan muun muassa ääretönulotteisten vektoriavaruuksien, ja erityisesti täydellisten normiavaruuksien eli Banach avaruuksien ominaisuuksia.
LisätiedotAlgoritmi on periaatteellisella tasolla seuraava:
Algoritmi on periaatteellisella tasolla seuraava: Dijkstra(V, E, l, v 0 ): S := { v 0 } D[v 0 ] := 0 for v V S do D[v] := l(v 0, v) end for while S V do valitse v V S jolle D[v] on minimaalinen S := S
LisätiedotMäärittelydokumentti
Määrittelydokumentti Aineopintojen harjoitustyö: Tietorakenteet ja algoritmit (alkukesä) Sami Korhonen 014021868 sami.korhonen@helsinki. Tietojenkäsittelytieteen laitos Helsingin yliopisto 23. kesäkuuta
LisätiedotGraafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria
Graafit ja verkot Suuntamaton graafi: eli haaroja Joukko solmuja ja joukko järjestämättömiä solmupareja Suunnattu graafi: Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Haaran päätesolmut:
LisätiedotTietotekniikka ei riitä palvelujen tuottavuus ratkaisee. Olli Martikainen 19.3.2013
Tietotekniikka ei riitä palvelujen tuottavuus ratkaisee Olli Martikainen 19.3.2013 Miten tuottavuus syntyy? 1. Miten tuottavuus syntyy? Tuotanto voidaan kuvata työhön vaadittavien investointien ja itse
LisätiedotLuku 3. Listankäsittelyä. 3.1 Listat
Luku 3 Listankäsittelyä Funktio-ohjelmoinnin tärkein yksittäinen tietorakenne on lista. Listankäsittely on paitsi käytännöllisesti oleellinen aihe, se myös valaisee funktio-ohjelmoinnin ideaa. 3.1 Listat
LisätiedotDatatähti 2019 alku. task type time limit memory limit. A Kolikot standard 1.00 s 512 MB. B Leimasin standard 1.00 s 512 MB
Datatähti 2019 alku task type time limit memory limit A Kolikot standard 1.00 s 512 MB B Leimasin standard 1.00 s 512 MB C Taulukko standard 1.00 s 512 MB D Ruudukko standard 1.00 s 512 MB E Sanalista
LisätiedotProQuest Dissertations & Thesis: The Humanities and Social Sciences Collection
Kuukauden tietokanta tammikuu 2013 ProQuest databases ARTBibliographies Modern (ABM) Modern and contemporary art journal articles and books British Humanities Index (BHI) Humanities - journals, weekly
LisätiedotA* Reitinhaku Aloittelijoille
A* Reitinhaku Aloittelijoille Alkuperäisen artikkelin kirjoittanut Patrick Lester, suomentanut Antti Veräjänkorva. Suom. huom. Tätä kääntäessäni olen pyrkinyt pitämään saman alkuperäisen tyylin ja kerronnan.
LisätiedotOhjelmoinnin perusteet Y Python
Ohjelmoinnin perusteet Y Python T-106.1208 15.3.2010 T-106.1208 Ohjelmoinnin perusteet Y 15.3.2010 1 / 56 Tiedostoista: tietojen tallentaminen ohjelman suorituskertojen välillä Monissa sovelluksissa ohjelman
LisätiedotProjektisuunnitelma. Projektin tavoitteet
Projektisuunnitelma Projektin tavoitteet Projektin tarkoituksena on tunnistaa erilaisia esineitä Kinect-kameran avulla. Kinect-kamera on kytkettynä tietokoneeseen, johon projektissa tehdään tunnistuksen
LisätiedotLuonnolliset vs. muodolliset kielet
Luonnolliset vs. muodolliset kielet Luonnollisia kieliä ovat esim. 1. englanti, 2. suomi, 3. ranska. Muodollisia kieliä ovat esim. 1. lauselogiikan kieli (ilmaisut p, p q jne.), 2. C++, FORTRAN, 3. bittijonokokoelma
LisätiedotReiluus. Maxmin-reiluus. Tärkeä näkökohta best effort -tyyppisissä palveluissa. Reiluuden maxmin-määritelmä
J. Virtamo 38.3141 Teleliikenneteoria / Reiluus 1 Reiluus Maxmin-reiluus Tärkeä näkökohta best effort -tyyppisissä palveluissa kenellekään ei anneta kvantitatiivisia QoS-takuita kaikkien pitää saada palvelua
LisätiedotCOCHRANE LIBRARY tietokannat. Merja Jauhiainen Työterveyslaitos Tietopalvelukeskus
COCHRANE LIBRARY tietokannat Merja Jauhiainen Työterveyslaitos Tietopalvelukeskus The Cochrane Collaboration - Cochrane yhteistyö Archie Cochrane, skotlantilainen epidemiologi 1972 "Effectiveness and Epidemiology:
LisätiedotMohrin-Mascheronin lause kolmiulotteisessa harppi-viivaingeometriassa
Mohrin-Mascheronin lause kolmiulotteisessa harppi-viivaingeometriassa Matematiikka Sakke Suomalainen Helsingin matematiikkalukio Ohjaaja: Ville Tilvis 29. marraskuuta 2010 Tiivistelmä Harppi ja viivain
LisätiedotStabiloivat synkronoijat ja nimeäminen
Stabiloivat synkronoijat ja nimeäminen Mikko Ajoviita 2.11.2007 Synkronoija Synkronoija on algoritmi, joka muuntaa synkronoidun algoritmin siten, että se voidaan suorittaa synkronoimattomassa järjestelmässä.
LisätiedotOntologiakirjasto ONKI-Paikka
Ontologiakirjasto ONKI-Paikka Tomi Kauppinen, Robin Lindroos, Riikka Henriksson, Eero Hyvönen Semantic Computing Research Group (SeCo) and University of Helsinki and Helsinki University of Technology (TKK)
LisätiedotAlgoritmit 1. Luento 10 Ke Timo Männikkö
Algoritmit 1 Luento 10 Ke 14.2.2018 Timo Männikkö Luento 10 Algoritminen ongelmanratkaisu Suunnittelumenetelmät Raaka voima Järjestäminen eli lajittelu Kuplalajittelu Lisäyslajittelu Valintalajittelu Permutaatiot
LisätiedotPN-puu. Helsinki Seminaari: Tietokannat nyt HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos
PN-puu Erno Härkönen Helsinki 24.10.2006 Seminaari: Tietokannat nyt HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto
LisätiedotKirjoita kuhunkin erilliseen vastauspaperiin kurssin nimi, tentin päiväys, oma nimesi, syntymäaikasi ja nimikirjoituksesi.
Helsingin yliopisto, Tietojenkäsittelytieteen laitos Tietokantojen perusteet, kurssikoe 4.3.2015, H. Laine Tehtävien mukana jaetaan sql-syntaksin tiivistelmä. Kirjoita kuhunkin erilliseen vastauspaperiin
Lisätiedoteage maisterivalinnan hakukohteen akateemisen arvioijan koulutus
eage maisterivalinnan hakukohteen akateemisen arvioijan koulutus Page 1 Mari Riihiaho 16.3.2011 Kirjautuminen ja käyttöoikeudet Järjestelmään kirjaudutaan Aalto tunnuksella (käyttäjätunnus ja salasana)
Lisätiedot811312A Tietorakenteet ja algoritmit Kertausta kurssin alkuosasta
811312A Tietorakenteet ja algoritmit 2017-2018 Kertausta kurssin alkuosasta II Perustietorakenteet Pino, jono ja listat tunnettava Osattava soveltaa rakenteita algoritmeissa Osattava päätellä operaatioiden
LisätiedotHarjoitustehtävät, syys lokakuu 2010. Helpommat
Harjoitustehtävät, syys lokakuu 010. Helpommat Ratkaisuja 1. Kellon minuutti- ja tuntiosoittimet ovat tasan suorassa kulmassa kello 9.00. Milloin ne ovat seuraavan kerran tasan suorassa kulmassa? Ratkaisu.
LisätiedotKonsensusongelma hajautetuissa järjestelmissä. Niko Välimäki Hajautetut algoritmit -seminaari
Konsensusongelma hajautetuissa järjestelmissä Niko Välimäki 30.11.2007 Hajautetut algoritmit -seminaari Konsensusongelma Päätöksen muodostaminen hajautetussa järjestelmässä Prosessien välinen viestintä
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 5 OP PERIODI 3: 18.1.2016-6.3.2016 (7 VIIKKOA+KOE) LUENNOT (CK112): MA 14-16, TI 14-16 LASKUHARJOITUKSET: RYHMÄ
LisätiedotFETAL FIBROBLASTS, PASSAGE 10
Double-stranded methylation patterns of a 104-bp L1 promoter in DNAs from fetal fibroblast passages 10, 14, 17, and 22 using barcoded hairpinbisulfite PCR. Fifteen L1 sequences were analyzed for passages
LisätiedotAlgoritmit 2. Luento 8 To Timo Männikkö
Algoritmit 2 Luento 8 To 4.4.2019 Timo Männikkö Luento 8 Algoritmien analysointi Algoritmien suunnittelu Rekursio Osittaminen Rekursioyhtälöt Rekursioyhtälön ratkaiseminen Master-lause Algoritmit 2 Kevät
LisätiedotHankintaesityksen tekeminen EBSCOhost Collection Managerissa
Hankintaesityksen tekeminen EBSCOhost Collection Managerissa Päivitetty 7.4.2016 Kaarina Meriläinen EBSCOn e-kirjanhankintaohjelmassa (ECM) on yliopiston henkilökunnan jäsenten mahdollista tehdä hankintaesityksiä,
LisätiedotYleistä. Nyt käsitellään vain taulukko (array), joka on saman tyyppisten muuttujien eli alkioiden (element) kokoelma.
2. Taulukot 2.1 Sisältö Yleistä. Esittely ja luominen. Alkioiden käsittely. Kaksiulotteinen taulukko. Taulukko operaation parametrina. Taulukko ja HelloWorld-ohjelma. Taulukko paluuarvona. 2.2 Yleistä
LisätiedotSamanaikaisuuden hallinta Snapshot Isolationin avulla
hyväksymispäivä arvosana arvostelija Samanaikaisuuden hallinta Snapshot Isolationin avulla Olli Korhonen Helsinki 4.3.2009 Seminaarityö HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos HELSINGIN YLIOPISTO
LisätiedotWritten by Administrator Monday, 05 September 2011 15:14 - Last Updated Thursday, 23 February 2012 13:36
!!!!! Relaatiotietokannat ovat vallanneet markkinat tietokantojen osalta. Flat file on jäänyt siinä kehityksessä jalkoihin. Mutta sillä on kuitenkin tiettyjä etuja, joten ei se ole täysin kuollut. Flat
Lisätiedot203 Asetetaan neliöt tasoon niin, että niiden keskipisteet yhtyvät ja eräiden sivujen välille muodostuu 45 kulma.
Pyramidi 3 Geometria tehtävien ratkaisut sivu 1 201 202 Saadaan tapaukset 1) Tason suorat l ja m voivat olla yhdensuuntaiset, mutta eri suorat, jolloin niillä ei ole yhteisiä pisteitä. l a) A B C A B C
LisätiedotAlgoritmit 1. Luento 5 Ti Timo Männikkö
Algoritmit 1 Luento 5 Ti 24.1.2017 Timo Männikkö Luento 5 Järjestetty lista Järjestetyn listan operaatiot Listan toteutus taulukolla Binäärihaku Binäärihaun vaativuus Algoritmit 1 Kevät 2017 Luento 5 Ti
LisätiedotGraafin 3-värittyvyyden tutkinta T Graafiteoria, projektityö (eksakti algoritmi), kevät 2005
Graafin 3-värittyvyyden tutkinta T-79.165 Graafiteoria, projektityö (eksakti algoritmi), kevät 2005 Mikko Malinen, 36474R 29. maaliskuuta, 2005 Tiivistelmä Artikkelissa käydään läpi teoriaa, jonka avulla
LisätiedotHelsingin seitsemäsluokkalaisten matematiikkakilpailu 7.2.2013 Ratkaisuita
Helsingin seitsemäsluokkalaisten matematiikkakilpailu..013 Ratkaisuita 1. Eräs kirjakauppa myy pokkareita yhdeksällä eurolla kappale, ja siellä on meneillään mainoskampanja, jossa seitsemän sellaista ostettuaan
Lisätiedot1.3Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 81122P (4 ov.) 30.5.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
LisätiedotA-osio. Ilman laskinta. MAOL-taulukkokirja saa olla käytössä. Maksimissaan tunti aikaa. Laske kaikki tehtävät:
MAA3 Geometria Koe 5.2.2016 Jussi Tyni Lue ohjeet ja tee tehtävät huolellisesti! Tee tarvittavat välivaiheet, vaikka laskimesta voikin ottaa tuloksia. Välivaiheet perustelevat vastauksesi. Tee pisteytysruudukko
LisätiedotMetatieto mihin ja miten? Juha Hakala Helsingin yliopiston kirjasto juha.hakala@helsinki.fi
Metatieto mihin ja miten? Juha Hakala Helsingin yliopiston kirjasto juha.hakala@helsinki.fi Sisältö Metatiedon määrittely Metatiedon käytöstä Metatietoformaatit MARC, Dublin Core, IEEE LOM Elektronisten
LisätiedotTähtitieteen käytännön menetelmiä Kevät 2009 Luento 4: Ohjelmointi, skriptaus ja Python
Tähtitieteen käytännön menetelmiä Kevät 2009 Luento 4: Ohjelmointi, skriptaus ja Python 31. tammikuuta 2009 Ohjelmointi Perusteet Pythonin alkeet Esittely Esimerkkejä Muuttujat Peruskäsitteitä Käsittely
Lisätiedot0. 10. 017 a b c d 1. + +. + +. + + 4. + + + 5. + 6. + P1. Lehtipuiden lukumäärä olkoon aluksi n, jolloin havupuiden määrä on 1,4n. Hakkuiden jälkeen lehtipuiden määrä putoaa lukuun n 0,1n = 0,88n ja havupuiden
LisätiedotEU-rikollisia koskevien tietojen laadun parantaminen
EU-rikollisia koskevien tietojen laadun parantaminen VIITETYÖKALUN KÄYTTÖOPAS ERIC (European Request Information Capture) on viitetyökalu, joka on suunniteltu koko Euroopan lainvalvonnan avuksi ja tueksi.
LisätiedotJohdatus rakenteisiin dokumentteihin
-RKGDWXVUDNHQWHLVLLQGRNXPHQWWHLKLQ 5DNHQWHLQHQGRNXPHQWWL= rakenteellinen dokumentti dokumentti, jossa erotetaan toisistaan dokumentin 1)VLVlOW, 2) UDNHQQHja 3) XONRDVX(tai esitystapa) jotakin systemaattista
LisätiedotLuento 2: Tiedostot ja tiedon varastointi
HELIA 1 (19) Luento 2: Tiedostot ja tiedon varastointi Muistit... 2 Päämuisti (Primary storage)... 2 Apumuisti (Secondary storage)... 2 Tiedon tallennuksen yksiköitä... 3 Looginen taso... 3 Fyysinen taso...
LisätiedotHieman linkkejä: http://cs.stadia.fi/~kuivanen/linux/kom.php, lyhyt ohje komentoriviohjelmointiin.
Linux-harjoitus 9 Linuxin mukana tulevat komentotulkit (mm. bash, tcsh, ksh, jne ) sisältävät ohjelmointikielen, joka on varsin tehokas ja ilmaisuvoimainen. Tähän yhdistettynä unix-maailmasta tutut tehokkaat
LisätiedotAvoimen lähdekoodin kaksitasokielioppikääntäjä
Avoimen lähdekoodin kaksitasokielioppikääntäjä Miikka Silfverberg miikka piste silfverberg at helsinki piste fi Kieliteknologia Helsingin yliopisto Avoimen lähdekoodin kaksitasokielioppikääntäjä p.1/23
Lisätiedot110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3
4 Matriisit ja vektorit 4 Matriisin käsite 42 Matriisialgebra 0 2 2 0, B = 2 2 4 6 2 Laske A + B, 2 A + B, AB ja BA A + B = 2 4 6 5, 2 A + B = 5 9 6 5 4 9, 4 7 6 AB = 0 0 0 6 0 0 0, B 22 2 2 0 0 0 6 5
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 1. Algoritmeista 1.1 Algoritmin käsite Algoritmi keskeinen laskennassa Määrittelee prosessin, joka suorittaa annetun tehtävän Esimerkiksi Nimien järjestäminen aakkosjärjestykseen
LisätiedotLuento 7. June 3, 2014
June 3, 2014 Peli, jossa on kaksi Nash-tasapainoa. Yksi tasapaino on (1; 2) ja toinen (2; 1); P1:n valinta on ilmoitettu ensin. Ensimmäinen tasapaino ei vaikuta hyvältä; se perustuu epäuskottavaan uhkaukseen.
Lisätiedotproc glm data = ex61; Title2 "Aliasing Structure of the 2_IV^(5-1) design"; model y = A B C D E /Aliasing; run; quit;
Title "Exercises 6"; Data ex61; input A B C D E y @@; Label A = "Furnance Temperature" B = "Heating Time" C = "Transfer Time" D = "Hold Down Time" E = "Quench of Oil Temperature" y = "Free Height of Leaf
Lisätiedot8 Joukoista. 8.1 Määritelmiä
1 8 Joukoista Joukko on alkoidensa kokoelma. Valitsemalla sopivat alkiot joudutaan tämän määritelmän kanssa vaikeuksiin, jotka voidaan välttää rakentamalla joukkooppi aksiomaattisesti. Näin ei tässä tehdä
Lisätiedot1. a) Laadi suoraviivaisesti kyselyä vastaava optimoimaton kyselypuu.
Helsingin yliopisto, Tietojenkäsittelytieteen laitos Kyselykielet, s 2006, Harjoitus 5 (7.12.2006) Tietokannassa on tietoa tavaroista ja niiden toimittajista: Supplier(sid,sname,city,address,phone,etc);
Lisätiedot