Datastrukturer. Kevin Thon. 25 april 2017
|
|
- Børre Thoresen
- 6 år siden
- Visninger:
Transkript
1 Datastrukturer Kevin Thon 25 april 2017
2 Innledning De fleste som er involvert med registerdata på et eller annet plan vil et et tidspunkt måtte forholde seg til hvordan dataen er strukturert. Dette gjelder f.eks. ved: Utvikling/design av register Eksport/import av registerdata Analyse av registerdata Validering av registerdata
3 Avgrensing Denne forelesningen vil i stor grad ha fokus på data ut og kun i liten grad berøre temaer som omhandler databaser og effektiv datalagring.
4 Avgrensing Denne forelesningen vil i stor grad ha fokus på data ut og kun i liten grad berøre temaer som omhandler databaser og effektiv datalagring. Det betyr fokus på et bredere tema nemlig vasking/rydding av data for å etablere analyseklare datasett. Praktiske eksempler vil benytte statistikkprogrammet R men fokus vil være på underliggende konsepter.
5 Avgrensing Denne forelesningen vil i stor grad ha fokus på data ut og kun i liten grad berøre temaer som omhandler databaser og effektiv datalagring. Det betyr fokus på et bredere tema nemlig vasking/rydding av data for å etablere analyseklare datasett. Praktiske eksempler vil benytte statistikkprogrammet R men fokus vil være på underliggende konsepter. Disclaimer: Innholdet er sterkt inspirert av Hadley Wickham sin artikkel Tidy Data og eksemplene er hentet direkte derfra.
6 Definisjoner De fleste statistiske datasett er rektangulære tabeller bestående av rader og kolonner. Table 1: En tabell med behandlingsresultatet av to metoder i et fiktivt eksperiment treatmenta treatmentb John Smith - 8 Jane Doe Mary Johnson 17 12
7 Definisjoner forts. Et datasett er en samling verdier, typisk numeriske eller tekstlige. Hver verdi tilhører en variabel og en observasjon.
8 Definisjoner forts. Et datasett er en samling verdier, typisk numeriske eller tekstlige. Hver verdi tilhører en variabel og en observasjon. En variabel inneholder alle verdier som måler samme underliggende atributt på tvers av enheter. Eksempler: Høyde, blodtrykk, O 2 -opptak.
9 Definisjoner forts. Et datasett er en samling verdier, typisk numeriske eller tekstlige. Hver verdi tilhører en variabel og en observasjon. En variabel inneholder alle verdier som måler samme underliggende atributt på tvers av enheter. Eksempler: Høyde, blodtrykk, O 2 -opptak. En observasjon inneholder alle verdier målt på samme enhet (f.eks person, operasjon, dag) på tvers av atributter.
10 Oppgave treatmenta treatmentb John Smith - 8 Jane Doe Mary Johnson Oppgave: Hva er variablene i dette datasettet?
11 Oppgave treatmenta treatmentb John Smith - 8 Jane Doe Mary Johnson Oppgave: Hva er variablene i datasettet? Løsningsforslag: 1. person med verdiene John Smith, Mary Johnson, and Jane Doe 2. behandling med verdiene a og b 3. resultat med verdiene 8, 15 14, 17, 12 (og én missing)
12 Hva er god datastruktur? Avhengig av formålet
13 Hva er god datastruktur? Avhengig av formålet God struktur for lagring er ikke nødvendigvis god struktur for analyse
14 Hva er god datastruktur? Avhengig av formålet God struktur for lagring er ikke nødvendigvis god struktur for analyse Forskjellige typer analyse kan forusette forskjellig struktur
15 Hva er god datastruktur? Avhengig av formålet God struktur for lagring er ikke nødvendigvis god struktur for analyse Forskjellige typer analyse kan forusette forskjellig struktur Forskjellig programvare kan forutsette ulik struktur for samme analyser...
16 Ryddig (tidy) data Et datasett er ryddig når: 1. Hver variabel utgjør en kolonne 2. Hver observasjon utgjør en rad (noe forenklet... )
17 Ryddig versjon av Tabell 1. name trt result John Smith a - Jane Doe a 15 Mary Johnson a 17 John Smith b 8 Jane Doe b 14 Mary Johnson b 12
18 Rotete data Datasett man treffer på i villmarken vil ofte bryte med prinsippene for ryddige datasett, og det på alle mulige måter. F.eks.: Kolonnenavn kan være verdier (ikke variabelnavn)
19 Rotete data Datasett man treffer på i villmarken vil ofte bryte med prinsippene for ryddige datasett, og det på alle mulige måter. F.eks.: Kolonnenavn kan være verdier (ikke variabelnavn) Flere variabler kan være lagret i én kolonne
20 Rotete data Datasett man treffer på i villmarken vil ofte bryte med prinsippene for ryddige datasett, og det på alle mulige måter. F.eks.: Kolonnenavn kan være verdier (ikke variabelnavn) Flere variabler kan være lagret i én kolonne Variabler kan være lagret i både rader og kolonner
21 Kolonnenavn kan være verdier religion <$10k $10-20k $20-30k $30-40k Agnostic Atheist Buddhist Catholic Don t know/refused Evangelical Prot Hindu Historically Black Prot Jehovah s Witness Jewish
22 Ryddig form religion income freq Agnostic <$10k 27 Agnostic $10-20k 34 Agnostic $20-30k 60 Agnostic $30-40k 81 Agnostic $40-50k 76 Agnostic $50-75k 137 Agnostic $75-100k 122 Agnostic $ k 109 Agnostic >150k 84 Agnostic Don t know/refused 96 Atheist <$10k 12 Atheist $10-20k 27 Atheist $20-30k 37 Atheist $30-40k 52
23 Flere variabler kan være lagret i én kolonne country year m014 m1524 m2534 m3544 m AD AE AF AG AL AM AN AO AR AS
24 Opprydding country year column cases AD 2000 m014 0 AD 2000 m AD 2000 m AD 2000 m AD 2000 m AD 2000 m AD 2000 m65 0 AE 2000 m014 2 AE 2000 m AE 2000 m AE 2000 m AE 2000 m AE 2000 m AE 2000 m65 10 AE 2000 f014 3
25 Opprydding country year sex age cases AD 2000 m AD 2000 m AD 2000 m AD 2000 m AD 2000 m AD 2000 m AD 2000 m AE 2000 m AE 2000 m AE 2000 m AE 2000 m AE 2000 m AE 2000 m AE 2000 m AE 2000 f
26 Variabler kan være lagret i både rader og kolonner id year month element d1 d2 d3 d4 d5 MX tmax MX tmin MX tmax MX tmin MX tmax MX tmin MX tmax MX tmin MX tmax MX tmin
27 Opprydding id date element value MX tmax 27.8 MX tmin 14.5 MX tmax 27.3 MX tmin 14.4 MX tmax 24.1 MX tmin 14.4 MX tmax 29.7 MX tmin 13.4 MX tmax 29.9 MX tmin 10.7
28 Opprydding id date tmax tmin MX MX MX MX MX MX MX MX MX MX
29 Ryddige data - hva så? Ryddige verktøy: Ryddig input -> ryddig output Forenkler en sammensatt analyse siden output fra ett verktøy kan gis som input til et annet
30 Ryddige data - hva så? Ryddige verktøy: Ryddig input -> ryddig output Forenkler en sammensatt analyse siden output fra ett verktøy kan gis som input til et annet Kan potensielt forenkle de vanligste operasjoner på data: Manipulering (filtrering, transformering, aggregering, sortering) Plotting/visualisering (ggplot2) Modellering (f.eks regresjonsanalyse)
31 Oppsummering Vær bevisst hva du ønsker å bruke dataen til
32 Oppsummering Vær bevisst hva du ønsker å bruke dataen til Ingen fasit, bli kjent med mulighetene i ditt foretrukne verktøy
33 Oppsummering Vær bevisst hva du ønsker å bruke dataen til Ingen fasit, bli kjent med mulighetene i ditt foretrukne verktøy En konsistent måte å tenke dataorganisering og struktur gjør at man slipper å begynne fra scratch for hvert datasett
34 Oppsummering Vær bevisst hva du ønsker å bruke dataen til Ingen fasit, bli kjent med mulighetene i ditt foretrukne verktøy En konsistent måte å tenke dataorganisering og struktur gjør at man slipper å begynne fra scratch for hvert datasett Struktur bare én av mange utfordringer Takk for meg!
Datastrukturer. Kevin Thon. 25 april 2017
Datastrukturer Kevin Thon 25 april 2017 Innledning De fleste som er involvert med registerdata på et eller annet plan vil et et tidspunkt måtte forholde seg til hvordan dataen er strukturert. Dette gjelder
DetaljerDatavask - klargjøring av data for analyse. Kevin Thon
Datavask - klargjøring av data for analyse Kevin Thon Hva er datavask Begrepet datavask har ingen entydig definisjon Typisk: Sett av valideringsregler i en datainnhentingskjede Denne forelesningen tar
DetaljerKom i gang med Stata for Windows på UiO - hurtigstart for begynnere
Kom i gang med Stata for Windows på UiO - hurtigstart for begynnere Hensikten med denne introduksjonen er å lære hvordan man kommer raskt i gang med grunnleggende funksjoner i Stata. Teksten er tilpasset
DetaljerMål. Pensum. TDT4110 Informasjonsteknologi grunnkurs: Tema: Et større case. Terje Rydland - IDI/NTNU. Lære å lage større og sammensatte programmer
1 Kunnskap for en bedre verden TDT4110 Informasjonsteknologi grunnkurs: Tema: Et større case Terje Rydland - IDI/NTNU 2 Læringsmål og pensum Mål Lære å lage større og sammensatte programmer Pensum Kapitlene
DetaljerKvalitetssikre og analysere egne data - Nødvendig kunnskap
Kvalitetssikre og analysere egne data - Nødvendig kunnskap Lena Ringstad Olsen 29. januar 2019 Oversikt Tallknuserhjelp fra Servicemiljøet; tilbud og krav Tallbehandling: verktøy, metoder Minimumshjelp
Detaljerting å gjøre å prøve å oppsummere informasjonen i Hva som er hensiktsmessig måter å beskrive dataene på en hensiktsmessig måte.
Kapittel : Beskrivende statistikk Etter at vi har samlet inn data er en naturlig første ting å gjøre å prøve å oppsummere informasjonen i dataene på en hensiktsmessig måte. Hva som er hensiktsmessig måter
DetaljerHva kan vi forvente og kreve?
Risikovurdering som grunnlag for valg av Tekniske løsninger Sikkerhetstiltak Hva kan vi forvente og kreve? Sjefingeniør - Jostein Ween Grav Avdeling for forebygging og elsikkerhet Enhet for elektriske
DetaljerTirsdag 21/11. Onsdag 24/11. Tirsdag 12/12. TDT4110 Informasjonsteknologi grunnkurs: Tema: Et større case
1 Kunnskap for en bedre verden TDT4110 Informasjonsteknologi grunnkurs: Tema: Et større case Terje Rydland - IDI/NTNU 2 Fram mot eksamen Tirsdag 21/11 Repetisjon. Send inn behov/ønsker til : terjery@idi.ntnu.no
DetaljerDATAUTFORSKNING I EG, EG 7.1 OG EGENDEFINERTE FUNKSJONER SAS FANS I STAVANGER 4. MARS 2014, MARIT FISKAAEN
DATAUTFORSKNING I EG, EG 7.1 OG EGENDEFINERTE FUNKSJONER SAS FANS I STAVANGER 4. MARS 2014, MARIT FISKAAEN 2 INNLEDNING TEMA I SAS Enterprise Guide versjon 5.1 (februar 2012) kom det et nytt datautforskingsverktøy,
DetaljerTDT4110 Informasjonsteknologi grunnkurs: Programmering: En større case. Professor Alf Inge Wang
1 TDT4110 Informasjonsteknologi grunnkurs: Programmering: En større case Professor Alf Inge Wang 2 Læringsmål og pensum Mål Lære å lage større og sammensatte programmer Pensum Kapitlene 1-9 og 12. 3 Sette
DetaljerLæringsmål og pensum. En større case. Mål Lære å lage større og sammensatte programmer Pensum Kapitlene 1-9 og 12.
1 TDT4110 Informasjonsteknologi grunnkurs: Programmering: En større case Professor Alf Inge Wang 2 Læringsmål og pensum Mål Lære å lage større og sammensatte programmer Pensum Kapitlene 1-9 og 12. 3 Sette
DetaljerParallelle og distribuerte databaser del III
UNIVERSITETET I OSLO Parallelle og distribuerte databaser del III NoSQL og alternative datamodeller Institutt for Informatikk INF3100 20.4.2015 Ellen Munthe-Kaas 1 NoSQL NoSQL er et paraplybegrep som omfatter
DetaljerVerdier, variabler og forms
[Kurssidene] [ ABI - fagsider bibin ] Verdier, variabler og forms Michael Preminger (michaelp@hio.no) 16/01-14 Utvikling av dynamiske nettsteder med PHP og databaser, våren 2014 Litt om forrige times øvelsesoppgaver
DetaljerOPPGAVESETTET BESTÅR AV 3 OPPGAVER PÅ 6 SIDER MERKNADER: Alle deloppgaver vektlegges likt.
EKSAMEN I: MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 08. mai 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk (Tapir forlag) OPPGAVESETTET
DetaljerBEGYNNERKURS I SPSS. Anne Schad Bergsaker 17. november 2017
BEGYNNERKURS I SPSS Anne Schad Bergsaker 17. november 2017 FØR VI BEGYNNER... LÆRINGSMÅL 1. Kjenne til og kunne navigere mellom de ulike delene/ vinduene i SPSS, og vite forskjellen på dem 2. Kunne skrive
DetaljerEksport /Import person
Innhold Eksport /Import person... 2 Fri eksport av personopplysninger... 2 Definisjon av utplukk... 2 Definisjon av layout... 3 Fri import av personopplysninger... 7 Hodeinformasjon... 7 Valg av felt...
DetaljerGJENNOMGANG UKESOPPGAVER 9 TESTING
GJENNOMGANG UKESOPPGAVER 9 TESTING INF1050 V16 KRISTIN BRÆNDEN 1 A) Testing viser feil som du oppdager under kjøring av testen. Forklar hvorfor testing ikke kan vise at det ikke er flere gjenstående feil.
DetaljerDeskriptiv statistikk., Introduksjon til dataanalyse
Introduksjon til dataanalyse Deskriptiv statistikk 2 Kapittel 1 Denne timen og delvis forrige time er inspirert av Kapittel 1, men vi kommer ikke til å gå igjennom alt fra dette kapittelet i forelesning.
DetaljerTom Røise 2/28/2007. IMT2243 : Systemutvikling 1. Forelesning IMT2243 1. mars 2007. Tema : Litteratur : Strukturert analyse. Strukturert analyse
Forelesning IMT2243 1. mars 2007 Tema : Litteratur : Art.saml. Punkt 9 : Kap. 9. SASD - modellen, E. Andersen Metoden går ut på å anvende et sett teknikker i arbeidet med å lage gode systemmodeller /beskrivelser
DetaljerDeskriptiv statistikk., Introduksjon til dataanalyse
Introduksjon til dataanalyse Deskriptiv statistikk 2 Kapittel 1 Denne timen og delvis forrige time er inspirert av Kapittel 1, men vi kommer ikke til å gå igjennom alt fra dette kapittelet i forelesning.
DetaljerKategoriske data, del I: Kategoriske data - del 2 (Rosner, ) Kategoriske data, del II: 2x2 tabell, parede data (Mc Nemar s test)
Kategoriske data, del I: Kategoriske data - del (Rosner, 10.3-10.7) 1 januar 009 Stian Lydersen To behandlinger og to utfall. (generelt: variable, verdier). x tabell. Uavhengige observasjoner Sammenheng
DetaljerI dag UML. Domenemodell visualisering av konsepter. Eksempel. Hvordan finne domeneklasser?
UML Use case drevet analyse og design 31.01.2005 Kirsten Ribu I dag Domenemodell (forløper til klassediagram) Interaksjonsdiagrammer Sekvensdiagram Kollaborasjonsdiagram 1 2 Domenemodell visualisering
DetaljerMaps og Hashing. INF Algoritmer og datastrukturer. Map - ADT. Map vs Array
Maps og Hashing INF0 - Algoritmer og datastrukturer HØSTEN 00 Institutt for informatikk, Universitetet i Oslo INF0, forelesning : Maps og Hashing Map - Abstrakt Data Type (kapittel.) Hash-funksjoner (kapittel..)
DetaljerVerktøy for boligkartlegging
Verktøy for boligkartlegging Rapporter Versjon 3.0 Opprettet 15.05.2005 av Pål Guddal Sist endret 23.01.2007 av André Teig Bli kjent med Bokart- Rapporter Side 2 Hva er filter, og hva brukes de til? Filter
DetaljerInnhold uke 10. Objektorientert programmering i Python. Oblig 7 og 8. IN1000 Seminar! IN1000 Høst 2018 uke 10 Siri Moe Jensen
Innhold uke 10 Hva bruker vi klasser til? Objektorientert programmering i Python IN1000 Høst 2018 uke 10 Siri Moe Jensen Noen sentrale datastrukturer for programmering lenkede lister trær grafer Eksempler:
DetaljerVerktøy for boligkartlegging
Verktøy for boligkartlegging Rapporter. Versjon 2 Helse og Velferd - Norge Stasjonsgata 37, NO-1820 Spydeberg - Tlf: + 47 90 12 45 50, Faks: + 47 69 83 87 10 - www.tietoenator.com Bli kjent med Bokart-
DetaljerSPSS Statistics-kurs 2014
SPSS Statistics-kurs 2014 Kurskalender 2014-1. halvår Dager Pris Jan Feb Mars April Mai Juni 6.-7. 5.-6. 3.-4. 6.-7. 5.-6. 22.-23. 27.-28. 19.-20. 22.-23. 26.-27. Anvendt statistikk 2 8 300 16.-17. 13.-14.
DetaljerPython: Intro til funksjoner. TDT4110 IT Grunnkurs Professor Guttorm Sindre
Python: Intro til funksjoner TDT4110 IT Grunnkurs Professor Guttorm Sindre Snart referansegruppemøte Viktig mulighet for å gi tilbakemelding på emnet Pensumbøker Forelesninger Øvingsforelesninger Veiledning
DetaljerINF Algoritmer og datastrukturer
INF2220 - Algoritmer og datastrukturer HØSTEN 2009 Institutt for informatikk, Universitetet i Oslo INF2220, forelesning 3: Maps og Hashing Bjarne Holen (Ifi, UiO) INF2220 H2009, forelesning 3 1 / 25 Maps
DetaljerBEGYNNERKURS I SPSS. Anne Schad Bergsaker 12. februar 2019
BEGYNNERKURS I SPSS Anne Schad Bergsaker 12. februar 2019 FØR VI BEGYNNER... LÆRINGSMÅL 1. Kjenne til og kunne navigere mellom de ulike delene/ vinduene i SPSS, og vite forskjellen på dem 2. Kunne skrive
DetaljerTilkobling og Triggere
Tilkobling og Triggere Lars Vidar Magnusson October 12, 2011 Lars Vidar Magnusson () Forelesning i DAS 11.10.2011 October 12, 2011 1 / 25 Tilkobling med PHP PHP bruker databasespesifike moduler til å koble
DetaljerMaps og Hashing. INF Algoritmer og datastrukturer. Map - ADT. Map vs Array
Maps og Hashing INF0 - Algoritmer og datastrukturer HØSTEN 00 Institutt for informatikk, Universitetet i Oslo INF0, forelesning : Maps og Hashing Map - Abstrakt Data Type Hash-funksjoner hashcode Kollisjonshåndtering
DetaljerUtvidet brukerveiledning
Utvidet brukerveiledning for Akershus fylkeskommunes statistikkverktøy http://statistikk.akershus-fk.no Utarbeidet av Cathrine Bergjordet, analysestaben, AFK Sist oppdatert 14/3 2014 Viktige begreper og
DetaljerSikkerhet i Pindena Påmeldingssystem
Sikkerhet i Pindena Påmeldingssystem Versjon: 1.6.9 Oppdatert: 26.11.2014 Sikkerhet i Pindena Påmeldingssystem 2 Innhold OM DOKUMENTET... 3 SIKKERHET PÅ KLIENTSIDEN... 3 SIKKERHETSTILTAK... 3 ROLLESIKKERHET...
DetaljerØvingsforelesning TDT4105
Øvingsforelesning TDT4105 Gjennomgang øving 9, intro øving 10. Eksamensoppgaver. Benjamin A. Bjørnseth 10. november 2015 2 Oversikt Praktisk Gjennomgang øving 9 Introduksjon sudoku Oppgave 4 Kont-eksamen
DetaljerVeiledning for utarbeidelsen av økonomiske analyser som fremlegges for Konkurransetilsynet
Rev.dato: 16.12.2009 Utarbeidet av: Konkurransetilsynet Side: 1 av 5 Innhold 1 BAKGRUNN OG FORMÅL... 2 2 GENERELLE PRINSIPPER... 2 2.1 KLARHET OG TRANSPARENS... 2 2.2 KOMPLETTHET... 2 2.3 ETTERPRØVING
DetaljerØVINGER 2017 Løsninger til oppgaver. Øving 1
ØVINGER 017 Løsninger til oppgaver Øving 1.1. Frekvenstabell For å lage en frekvenstabell må vi telle antall observasjoner av hvert antall henvendelser. Siden antall henvendelser på en gitt dag alltid
DetaljerSTK Oppsummering
STK1100 - Oppsummering Geir Storvik 6. Mai 2014 STK1100 Tre temaer Deskriptiv/beskrivende statistikk Sannsynlighetsteori Statistisk inferens Sannsynlighetsregning Hva Matematisk verktøy for å studere tilfeldigheter
DetaljerBEGYNNERKURS I SPSS. Anne Schad Bergsaker 26. april 2018
BEGYNNERKURS I SPSS Anne Schad Bergsaker 26. april 2018 FØR VI BEGYNNER... LÆRINGSMÅL 1. Kjenne til og kunne navigere mellom de ulike delene/ vinduene i SPSS, og vite forskjellen på dem 2. Kunne skrive
DetaljerGrandView. Et dataprogram for samle, organisere og analysere mengder av ulike typer informasjon. Brukermanual
GrandView Et dataprogram for samle, organisere og analysere mengder av ulike typer informasjon Brukermanual Forskningsprogrammet Concept, NTNU November 2017 1 «Forløperen til dette programmet var en enkel
DetaljerLage større programmer (Python, relatert til teoridelen om Software Engineering ) TDT 4110 IT Grunnkurs Professor Guttorm Sindre
Lage større programmer (Python, relatert til teoridelen om Software Engineering ) TDT 4110 IT Grunnkurs Professor Guttorm Sindre Læringsmål og pensum Mål Lære å lage større og sammensatte programmer Kunne
DetaljerSTYRINGSSYSTEMER OG VERDISKAPING; HVOR STÅR BUDSJETTET I NORSKE VIRKSOMHETER?
STYRINGSSYSTEMER OG VERDISKAPING; HVOR STÅR BUDSJETTET I NORSKE VIRKSOMHETER? Beyond Budgeting Workshop NHH-symposiet 18. Mars 2015 Trond Bjørnenak Norges Handelshøyskole Funn fra studier i norske virksomheter
DetaljerTDT4110 Informasjonsteknologi grunnkurs: Uke 43: Datastrukturer (kap. 8)
1 TDT4110 Informasjonsteknologi grunnkurs: Uke 43: Datastrukturer (kap. 8) Anders Christensen anders@idi.ntnu.no Rune Sætre satre@idi.ntnu.no 2 Læringsmål og pensum Læringsmål Datastrukturer: Cell Arrays
Detaljerhttps://goo.gl/susrr5 GRUPPE 5, UKE 11 EVALUERING IN1050
GRUPPE 5, UKE 11 EVALUERING IN1050 1 Planen for i dag Gruppetimene videre Repetisjon fra forelesning Begynne med oblig Tankekart 2 Datainnsamling Design Evaluering IDENTIFISERE ETABLERE DESIGNUTFORMING
DetaljerLøsningsforslag for Obligatorisk Oppgave 3. Algoritmer og Datastrukturer ITF20006
Løsningsforslag for Obligatorisk Oppgave 3 Algoritmer og Datastrukturer ITF20006 Lars Vidar Magnusson Frist 28.03.14 Den tredje obligatoriske oppgaven tar for seg forelesning 9 til 13, som dreier seg om
DetaljerLast ned Å finne sted - Jonathan Z. Smith. Last ned
Last ned Å finne sted - Jonathan Z. Smith Last ned Forfatter: Jonathan Z. Smith ISBN: 9788253020006 Antall sider: 151 Format: PDF Filstørrelse:38.44 Mb Forfatteren påpeker hvordan rommet representerer
DetaljerTDT4110 Informasjonsteknologi grunnkurs: Kapittel 7 Filer og unntak ( exceptions ) Professor Alf Inge Wang Stipendiat Lars Bungum
1 TDT4110 Informasjonsteknologi grunnkurs: Kapittel 7 Filer og unntak ( exceptions ) Professor Alf Inge Wang Stipendiat Lars Bungum 2 Læringsmål Mål Introduksjon til filer (som inndata og utdata) Å bruke
DetaljerValg av variabler og design
Valg av variabler og design Lena Ringstad Olsen, Nasjonalt Servicemiljø/SKDE Hild Fjærtoft, Norsk Hjerneslagregister Helse og kvalitetsregisterkonferansen 2014 Innhold Viktigheten av design og valg av
DetaljerTDT4300 Datavarehus og datagruvedri3, Våren 2014
TDT4300 Datavarehus og datagruvedri3, Våren 2014 23/1 2014 Trond Aalberg 1 Dagens tema MulAdimensjonale data Dimensjoner og hierarkier revisited Fra modellering Al OLAP implementasjon Vi ser på eksempler
DetaljerEksamen i SLI 5 høsten 1993
1 Eksamen i SLI 5 høsten 1993 Tid: Mandag 29.november 1993 kl. 9-15 (6 timer). Det er ikke tillatt med trykte eller skrevne hjelpemidler. Som siste ark i dette eksamenssettet er det lagt ved en liste over
DetaljerBakgrunn. Viktig del av kvalitetsstrategien Et viktig helsepolitisk mål HOD med styringssignaler til RHF
Disposisjon Bakgrunn og definisjon Hva gjøres sentralt? Hva ønsker vi med Helseregister.no? Topologi og kommunikasjon Innrapportering av data Tilgang til egne data Brukerhåndtering og tilgangsstyring Utfordringer
DetaljerSimulerings-eksperiment - Fysikk/Matematikk
Simulerings-eksperiment - Fysikk/Matematikk Tidligere dette semesteret er det gjennomført et såkalt Tracker-eksperiment i fysikk ved UiA. Her sammenlignes data fra et kast-eksperiment med data fra en tilhørende
DetaljerTDT4105 Informasjonsteknologi grunnkurs: Uke 43: Datastrukturer (kap. 8)
1 TDT4105 Informasjonsteknologi grunnkurs: Uke 43: Datastrukturer (kap. 8) Anders Christensen anders@ntnu.no Rune Sætre satre@ntnu.no 2 Læringsmål og pensum Læringsmål Datastrukturer: Cell Arrays Structures
DetaljerPROGRAMUTVIKLINGSPLAN. Big Data and Machine Learning
PROGRAMUTVIKLINGSPLAN Big Data and Machine Learning Innholdsfortegnelse Produkt beskrivelse... 1 Team beskrivelse... 2 Prosjektets kunnskapskrav... 2 Medlemmer og roller... 2 Program prosessmodell beskrivelse...
DetaljerForskningsmetoder. INF1050: Gjennomgang, uke 13
Forskningsmetoder INF1050: Gjennomgang, uke 13 Kompetansemål Forskningsmetoder Hva? Hvorfor? Empiriske forskningsmetoder Eksperiment Case-studier Etnografi Aksjonsforskning Spørreskjema Systematisk litteraturstudie
DetaljerGauss-Jordan eliminasjon; redusert echelonform. Forelesning, TMA4110 Fredag 18/9. Reduserte echelonmatriser. Reduserte echelonmatriser (forts.
Gauss-Jordan eliminasjon; redusert echelonform Forelesning, TMA4110 Fredag 18/9 Martin Wanvik, IMF MartinWanvik@mathntnuno En matrise vil normalt være radekvivalent med flere echelonmatriser; med andre
DetaljerVeiledning Tittel: Veiledning for utarbeiding av økonomiske analyser Dok.nr: RL065
Veiledning Tittel: Dok.nr: RL065 Rev.nr: 02 Utarbeidet av: Konkurransetilsynet Side: 1 av 5 INNHOLD 1 Bakgrunn og formål... 2 2 Generelle prinsipper... 2 2.1 Klarhet og transparens... 2 2.2 Kompletthet...
DetaljerMangelen på Internett adresser.
1. Av 2 Introduksjon og forord Internett er som kjent bygd opp i adresser, akkurat som husstander, byer og land, dette er fordi Internett er bygd opp mye likt post systemet, du kan sammenligne en maskin
DetaljerAlgoritmeanalyse. (og litt om datastrukturer)
Algoritmeanalyse (og litt om datastrukturer) Datastrukturer definisjon En datastruktur er den måten en samling data er organisert på. Datastrukturen kan være ordnet (sortert på en eller annen måte) eller
DetaljerNRFs administrasjon TLF 22 43 76 60 post@vvsnrf.no. Norske Rørgrossisters Forening. Effektiv informasjonslogistikk. Terje Røising Daglig leder
NRFs administrasjon TLF 22 43 76 60 post@vvsnrf.no Terje Røising Daglig leder Morten Svensen Teknisk sjef Effektiv informasjonslogistikk Iren Bjerklund Databaseoperatør NRF Excel Ark. Gjennomgang av NRF
DetaljerINF1020 Algoritmer og datastrukturer
Dagens plan Hashing Hashtabeller Hash-funksjoner Kollisjonshåndtering Åpen hashing (kap. 5.3) Lukket hashing (kap. 5.4) Rehashing (kap. 5.5) Sortering ut fra en hashing-ide (side 66-68) Bøttesortering
DetaljerINF 3430/4430. Simuleringsmetodikk
INF 3430/4430 Simuleringsmetodikk Innhold Event driven simulation Simulering av VHDL-modeller Selvtestende testbenker Fil-operasjoner Eksempel på SRAM modell og simulering av lesing fra denne INF3430 Side
DetaljerINF 3430/4431. Simuleringsmetodikk
INF 3430/4431 Simuleringsmetodikk Innhold Event driven simulation Simulering av VHDL-modeller Selvtestende testbenker Fil-operasjoner Eksempel på SRAM modell og simulering av lesing fra denne INF3430/4431
DetaljerIntroduksjon til EndNote
Introduksjon til EndNote Herregud hvorfor har ingen vist meg dette programmet før? (kvinne, 48 år, nettopp ferdig med phd-avhandlingen og en kort innføring i EndNote) Hva er EndNote? EndNote er et dataprogram
DetaljerFÅ KONTROLL PÅ DE USTRUKTURERTE DATAENE
FÅ KONTROLL PÅ DE USTRUKTURERTE DATAENE Start din reise mot å etterleve de nye personvernreglene INTRODUKSJON I mai 2018 innføres ny personvernlovgivning i Norge. Disse har vært mye omtalt, både som de
DetaljerStatistikk for språk- og musikkvitere 2
Statistikk for språk- og musikkvitere 2 Spørsmål etter siste gang: 1 Hva betyr paired/unpaired skillet mht tester? Sist så vi på to måleserier og brukte en test for to uavhengige samples. Hvis oppsettet
DetaljerStatisk testing. Testing uten datamaskin, men med vår egen evne til å vurdere og analysere
Statisk testing Testing uten datamaskin, men med vår egen evne til å vurdere og analysere Hva er statisk testing Analyser som utføres på skrevne dokumenter Hensikten er å finne avvik fra spesifikasjonene
DetaljerST0103 Brukerkurs i statistikk Høst 2014
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag ST0103 Brukerkurs i statistikk Høst 2014 Løsningsforslag Øving 1 2.1 Frekvenstabell For å lage en frekvenstabell må vi telle
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Plenumsregning 4: Ukeoppgaver Mathias Barra Matematisk institutt, Universitetet i Oslo 6. februar 2009 (Sist oppdatert: 2009-02-10 11:20) Plenumsregning 4 MAT1030 Diskret Matematikk
DetaljerBrukerveiledning. Enkelt søk i Naturbase. Versjon 23. februar 2015
Brukerveiledning Enkelt søk i Naturbase Versjon 23. februar 2015 1. Innledning Denne veiledningen beskriver bruken av funksjonen Enkelt søk i Naturbase. Enkelt søk gir en enkel tilgang til data i Naturbase.
DetaljerSikkerhet i Pindena Påmeldingssystem
Sikkerhet i Pindena Påmeldingssystem Versjon: 4.2.0 Oppdatert: 30.08.2017 Sikkerhet i Pindena Påmeldingssystem 2 Innhold Om dokumentet 3 Sikkerhet på klientsiden 3 Sikkerhetstiltak i koden 3 Rollesikkerhet
DetaljerNr. 37/148 EØS-tillegget til Den europeiske unions tidende. KOMMISJONSFORORDNING (EU) nr. 275/2010. av 30. mars 2010
Nr. 37/148 EØS-tillegget til Den europeiske unions tidende 25.6.2015 KOMMISJONSFORORDNING (EU) nr. 275/2010 2015/EØS/37/16 av 30. mars 2010 om gjennomføring av europaparlaments- og rådsforordning (EF)
DetaljerIN uke 1. Komme i gang med programmering
IN1000 - uke 1 Komme i gang med programmering Plan for forelesingen Hva er programmering? Skrive og kjøre våre første program Variabler Feilmeldinger Innlesing fra tastatur Beslutninger (if) Plan for forelesingen
DetaljerAnatomien til en kompilator - I
Anatomien til en kompilator - I 5/22/2006 1 Framgangsmåte for automatisk å lage en scanner Beskriv de forskjellige token-klassene som regulære uttrykk Eller litt mer fleksibelt, som regulære definisjoner
DetaljerLærebok Robert Johnson og Patricia Kuby: Elementary Statistics, 10. utgave. Pensumoversikt. Forelesninger og øvinger
2 Lærebok Robert Johnson og Patricia Kuby: Elementary Statistics, 10. utgave ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 3 4 Pensumoversikt Forelesninger og øvinger
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Mål på beliggenhet (2.6) Kvartiler: Deler de ordnede dataene inn i fire like store deler: 1. kvartil Q 1 : 25% av dataene
DetaljerST0202 Statistikk for samfunnsvitere. Bo Lindqvist Institutt for matematiske fag
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Lærebok Robert Johnson og Patricia Kuby: Elementary Statistics, 10. utgave 3 Pensumoversikt Kap. 2 Beskrivende statistikk,
DetaljerOPPGAVEHEFTE I STK1000 TIL KAPITTEL Regneoppgaver til kapittel 7. X 1,i, X 2 = 1 n 2. D = X 1 X 2. På onsdagsforelesningen påstod jeg at da må
OPPGAVEHEFTE I STK000 TIL KAPITTEL 7 Regneoppgaver til kapittel 7 Oppgave Anta at man har resultatet av et randomisert forsøk med to grupper, og observerer fra gruppe, mens man observerer X,, X,2,, X,n
DetaljerOversikt. Beskrivelse Bash. 1 UNIX shell. 2 Kommandolinje som brukergrensesnitt. 3 Input og output. 4 Bash builtins. 5 Linux utilities.
Oversikt UNIX shell 1 UNIX shell Beskrivelse Bash 2 Kommandolinje som brukergrensesnitt 3 Input og output 4 Bash builtins 5 Linux utilities Lars Vidar Magnusson () Forelesning i Operativsystemer 30.08.2011
DetaljerKap. 8 del 1 kodegenerering INF5110 Vår2007
Kap. 8 del 1 kodegenerering INF5110 Vår2007 Stein Krogdahl, Ifi UiO Forelesninger framover: Tirsdag 8. mai: Vanlig forelesning Torsdag 10. mai: Ikke forelesning Tirsdag 15. mai: Vanlig forelesning (siste?)
DetaljerST0202 Statistikk for samfunnsvitere. Bo Lindqvist Institutt for matematiske fag
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Lærebok Robert Johnson og Patricia Kuby: Elementary Statistics, 10. utgave 3 Pensumoversikt Kap. 2 Beskrivende statistikk,
DetaljerRomlig datamanipulering
Romlig datamanipulering Gunnar Tenge, 18.04.08 Romlige manipuleringsteknikker brukes i GIS-analyser. I denne artikkelen forklares alle manipuleringsteknikker som man kan forvente å finne i et GIS-program.
DetaljerForelesning 6: Punktestimering, usikkerhet i estimering. Jo Thori Lind
Forelesning 6: Punktestimering, usikkerhet i estimering Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Trekke utvalg 2. Estimatorer og observatorer som stokastiske variable 3. Egenskapene til en estimator
DetaljerKapittel 5: Mengdelære
MAT1030 Diskret Matematikk Forelesning 9: Mengdelære Roger Antonsen Institutt for informatikk, Universitetet i Oslo Kapittel 5: Mengdelære 17. februar 2009 (Sist oppdatert: 2009-02-17 15:56) MAT1030 Diskret
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2 Maskinlæring og statistiske metoder for prediksjon og klassifikasjon Eksamensdag: Torsdag 4. juni 28. Tid for eksamen: 4.3
DetaljerDIN DIGITALE PARTNER
DIN DIGITALE PARTNER GDPR General Data Protection Regulation eprivacy Regulation Forordning fra EU som trer i kraft 25. mai Påvirker alle virksomheter i Norge GDPR Hva gjør CoreTrek med GDPR? GDPR «treffer»
DetaljerForelesning 13 Analyser av gjennomsnittsverdier. Er inntektsfordelingen for kvinner og menn i EU-undersøkelsen lik?
2 verdier Forelesning 13 Analyser av gjennomsnittsverdier Valg av type statistisk generalisering i bivariat analyse er avhengig av hvilke variabler vi har Avhengig variabel kategorivariabel kontinuerlig
DetaljerVeileder til levering og godkjenning av rapporteringsdata til DBH-F
07.06.2012 Veileder til levering og godkjenning av rapporteringsdata til DBH-F Innhold Punkt I Hvordan fungerer dette? Hva må jeg vite før jeg går i gang?... 2 Punkt II Laste opp filer... 9 Punkt III Vis
DetaljerKort innføring i SPSS
Kort innføring i SPSS Oppstart og datasett Gjør følgende for å starte opp SPSS og få fram European Social Survey: Finn Min datamaskin Finn SV-info på Luna Velg ISS Velg SOS1002. Dobbeltklikk deretter på
DetaljerUtvidet brukerveiledning
Utvidet brukerveiledning for Akershus fylkeskommunes statistikkverktøy http://statistikk.akershus-fk.no Utarbeidet av Cathrine Bergjordet, analysestaben, AFK Sist oppdatert 31/8 2012 Denne brukerveiledningen
DetaljerStatus IFC4 og sertifisering
Status IFC4 og sertifisering Ole Kristian Kvarsvik Forretnings- og teknologileder Hva er sertifisering? En sertifisering gir et sertifikat som beviser at du kan noe Hva det er du må kunne for å få et slikt
DetaljerINF1000: Forelesning 7. Konstruktører Static
INF1000: Forelesning 7 Klasser og objekter del 2 Konstruktører Static UML REPETISJON 2 Repetisjon Verden består av objekter av ulike typer (klasser). Ofte er det mange objekter av en bestemt type. Objekter
DetaljerTeam2 Requirements & Design Document Værsystem
Requirements & Design Document Høgskolen i Sørøst-Norge Fakultet for teknologi, naturvitenskap og maritime fag Institutt for elektro, IT og kybernetikk SRD 22/01/2018 Systemutvikling og dokumentasjon/ia4412
DetaljerBEGYNNERKURS I SPSS. Anne Schad Bergsaker 24. november 2017
BEGYNNERKURS I SPSS Anne Schad Bergsaker 24. november 2017 FORRIGE UKE Blitt kjent med de ulike vinduene i SPSS Skrive inn data Import av datafiler Sette samme og dele opp filer og datasett Velge/velge
DetaljerTDT4110 Informasjonsteknologi grunnkurs: Eksempler. Mangekanter
1 TDT4110 Informasjonsteknologi grunnkurs: Eksempler Kunnskap for en bedre verden Amanuensis Terje Rydland Kontor: ITV-021 i IT-bygget vest (Gløshaugen) Epost: terjery@idi.ntnu.no Tlf: 735 91845 TDT4105
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Kapittel 3: Beskrivende analyse og presentasjon av data for to variabler (bivariate data) Bo Lindqvist Institutt for matematiske fag 2 Presentasjon av bivariate data
DetaljerFra boka: 10.32, 10.33, 10.34, 10.35, 10.3 og (alle er basert på samme datasett).
Fra boka: 10.32, 10.33, 10.34, 10.35, 10.3 og 10.37 (alle er basert på samme datasett). ############ OPPGAVE 10.32 # Vannkvalitet. n=49 målinger i ulike områder. # Forutsetter at datasettene til boka (i
DetaljerINF Algoritmer og datastrukturer. Hva er INF2220? Algoritmer og datastrukturer
Praktiske opplysninger INF2220 - Algoritmer og datastrukturer HØSTEN 2007 Institutt for informatikk, Universitetet i Oslo Tid og sted: Mandag kl. 12:15-14:00 Store auditorium, Informatikkbygningen Kursansvarlige
DetaljerOppsummering Assemblerkode Hopp Multiplikasjon Kode og data Array Oppsummering
Uke 34 Uke 35 Uke 36 Uke 37 Uke 38 Uke 39 Uke 40 Uke 41 Uke 42 Uke 43 Uke 44 Uke 45 Uke 46 Uke 47 sikkerhet datanett programvare digitale kretser Prosessoren II Kort oppsummering Løkker og tester Mer om
Detaljer