2. Geef een voorbeeld van hoe datamining gebruikt kan worden om frauduleuze geldtransacties te identificeren.

Maat: px
Weergave met pagina beginnen:

Download "2. Geef een voorbeeld van hoe datamining gebruikt kan worden om frauduleuze geldtransacties te identificeren."

Transcriptie

1 1. Veronderstel dat je als datamining consultant werkt voor een Internet Search Engine bedrijf. Beschrijf hoe datamining het bedrijf kan helpen door voorbeelden te geven van specifieke toepassingen van clustering, classificatie en associatie regels. 2. Geef een voorbeeld van hoe datamining gebruikt kan worden om frauduleuze geldtransacties te identificeren. 3. Illustreer de verschillende stappen in het knowledge discovery process met een eigen voorbeeld. 4. Welke datamining techniek sluit het best aan bij volgende problemen? Verklaar je antwoord: a. Het gegroepeerd weergeven van zoekresultaten. Bijvoorbeeld: indien er gezocht wordt op jaguar worden twee groepen documenten weergegeven: diegene die met het dier te maken hebben en degene die met het automerk te maken hebben. b. Ontwerpen van een spam-filter voor . c. Het ontdekken van wiki-spam; dit zijn reclame-boodschappen vermomd als wikipedia-paginas. 5. Wat is juist de curse of dimensionality en waarom is dit een probleem? 6. Wat zijn de voor- en nadelen van discretisatie. 7. Veronderstel dat we een dataset hebben met 53 numerieke attributen N 1,..., N 53, 15 binaire attributen B 1,..., B 15 en 3 nominale attributen V 1, V 2, V 3. Ontwerp twee verschillende afstandsmaten om de afstand tussen twee tuples in deze dataset te meten. a. Welke van de twee door jou voorgestelde afstandsmaten geniet jouw voorkeur en waarom? b. Wat is het voordeel van het hebben van een afstandsmaat tussen de tuples in een dataset? 8. Wat is het verschil tussen gesuperviseerde en niet-gesuperviseerde data mining technieken? In welke klasse vallen de technieken association rule mining, clustering, classificatie en outlier detectie? 9. Geef de voor- en nadelen van sampling en beschijf mogelijke oplossingen voor de nadelen.

2 10. Geef een beslissingsboom omvolgende dataset te classificeren. Construeer de boom met de hand. A B Class a. Bereken de GINI-index van de splits A<3, A<5, and B<7 in de root node. Welke split is het meest voordelige om het klasse-attribuut te voorspellen? Leg uit waarom dit een goede keuze is. b. Leg uit wat overfitting is in de context van het leren van classifiers; illustreer. 11. Pas het Apriori-algoritme toe op de voorbeeld dataset gegeven hieronder. Toon in jouw oplossing de verschillende tussenstappen. TID Items 1 Bread, Milk 2 Bread, Diaper, Beer, Eggs 3 Milk, Diaper, Beer, Coke 4 Bread, Milk, Diaper, Beer 5 Bread, Milk, Diaper, Coke a. Leg uit hoe deze itemsets gebruikt kunnen worden om alle associatieregels te vinden met een support van 50% en een confidence van 60%. b. Welke van de frequente itemsets is closed? c. Verklaar de volgende zin: Apriori is een breadth-first algoritme. 12. Zelfde als vraag 10, maar nu met FPGrowth. 13. Beschouw de volgende, alternatieve definitie voor support van een itemset I, de zogenaamde length-dependant support lsup(i): lsup(i) = support(i)/ I Dus, de length-dependant support is de support van de itemset gedeeld door z n lengte. Is deze support-measure anti-monotoon? Waarom is anti-monotoniciteit van support measures belangrijk bij het minen van frequente itemsets?

3 14. Veronderstel dat de volgende verzameling alle closed itemsets met een support van minstens 10% bevat. (X:f betekent X is een itemset met support f) { {c}:100%, {b,c}:80%, {a,b,c}:40% } Wat is de support van de volgende itemsets (antwoord met ofwel een exacte frequentie, ofwel met de set is niet frequent )? a. {a,c} b. {b} c. {a,b} 15. Een van de problemen met het DBSCAN algoritme is dat de gebruiker zelf de parameters MinPts and Eps moet bepalen. De goede werking van het algoritme hangt kritisch af van een goede keuze van waardes voor deze parameters. Leg een methode uit die een gebruiker kan helpen om een goede keuze kan maken voor deze parameters. 16. Leg uit waarom het vinden van goede startpunten voor het k-means algoritme zo belangrijk is. Wat is het probleem van een slechte keuze? 17. Leg het Adaboost algoritme uit. Wat is de motivatie voor het herwegen van de voorbeelden in AdaBoost? 18. Waarom is accuracy niet geschikt als kwaliteitsmaat bij classificatie als de grootte van de verschillende klassen erg verschillend is? Wat zijn hier mogelijke oplossingen? 19. Wat is cost-sensitive classification? Geef een voorbeeld waar cost-sensitive classification nuttig is. 20. Beschouw de classificatie methodes knn, Naive Bayes en die gebaserd op beslissingsbomen. Welke methode wou je gebruiken voor volgende datasets (geef bij knn aan welke afstandsmaat nuttig zou kunnen zijn)? Leg uit waarom. a. Grote trainingset, klein aantal numerieke attributen die afhankelijk van elkaar. b. Alle attributen zijn binair. Er is een groot aantal attributen, en ze zijn afhankelijk. c. Groot aantal attributen, geen afhankelijkheid tussen de attributen. 21. Leg Hunt s algoritme uit. Geef je eigen voorbeeld. Wat wordt er bedoeld met Hunt s algoritms splitst de record gebaseerd op een lokaal criterium

4 22. Page Rank. Werk in het volgende voorbeelden (met spider trap en dead ends) de page-rank uit. (Eens de trend duidelijk is kan je stoppen met rekenen...) a) Zonder constante factor b) Met constante factor, stel α = 0.8 a Dead end b c a Spider trap b c 23. Hubs and Authorities. Voorspel in de onderstaande graaf welke nodes volgens jou hubs en authorities zullen worden. Ga dit vervolgens na door een aantal iteraties uit te werken.

5 24. Geef de FPTree voor volgende database: TID Items 1 A, B, C, D, E 2 B, C, D, F 3 A, C, D, G 4 B, C, F 5 D, E, G, H, I 25. Beschouw de volgende FPTree: {} : 12 A : 6 B : 2 C : 4 B : 4 D : 2 D : 1 F : 1 D : 2 E : 1 C : 2 D : 1 E : 1 E : 1 Geef de originele transactie database. Zoek bovendien de frequentie van de volgende sets in de FPTree: AB, AD, CDE en DE.

Oplossingen Datamining 2II15 Juni 2008

Oplossingen Datamining 2II15 Juni 2008 Oplossingen Datamining II1 Juni 008 1. (Associatieregels) (a) Zijn de volgende beweringen juist of fout? Geef een korte verklaring voor alle juiste beweringen en een tegenvoorbeeld voor alle foute be-weringen:

Nadere informatie

Tentamen Data Mining

Tentamen Data Mining Tentamen Data Mining Algemene Opmerkingen Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. Laat bij het uitvoeren van berekeningen zien hoe je aan een antwoord gekomen bent.

Nadere informatie

Data Mining: Classificatie

Data Mining: Classificatie Data Mining: Classificatie docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Overzicht Wat is classificatie? Leren van een beslissingsboom. Problemen

Nadere informatie

Data Mining: Data kwaliteit, Preprocessing

Data Mining: Data kwaliteit, Preprocessing Data Mining: Data kwaliteit, Preprocessing docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Herhaling: definitie Data Mining is: Extractie van interessante

Nadere informatie

DATA MINING (TI2730-C)

DATA MINING (TI2730-C) Technische Universiteit Delft Elektrotechniek, Wiskunde en Informatica Secties: Pattern Recognition & Bioinformatics & Multimedia Signal Processing DATA MINING (TI2730-C) Schriftelijk (her)tentomen. Dinsdag

Nadere informatie

twee partijen zijn. Aangezien het bij data mining gaat om grote hoeveelheden data is het belangrijk om praktische oplossingen te hebben.

twee partijen zijn. Aangezien het bij data mining gaat om grote hoeveelheden data is het belangrijk om praktische oplossingen te hebben. Samenvatting Deze thesis handelt over privacy preserving data mining. Data mining is een tak van de wetenschap waarin men grote hoeveelheden data onderzoekt met de bedoeling er bepaalde patronen in te

Nadere informatie

Data mining Van boodschappenmandjes tot bio-informatica

Data mining Van boodschappenmandjes tot bio-informatica Data mining Van boodschappenmandjes tot bio-informatica Walter Kosters Informatica, Universiteit Leiden donderdag 6 april 2006 http://www.liacs.nl/home/kosters/ 1 Wat is Data mining? Data mining probeert

Nadere informatie

Data Mining: Opdracht 2

Data Mining: Opdracht 2 Data Mining: Opdracht 2 7 juli 2006 Egbert Kroese (#0134252) Paul Lammertsma (#0305235) Inhoudsopgave 1. De datasets...3 1.1 Iris...3 1.2 Vote...3 1.3 Autos...4 2. De algoritmen...4 2.1 Naive Bayes...4

Nadere informatie

Data Mining. Eindverslag 7 juni 2009

Data Mining. Eindverslag 7 juni 2009 Data Mining Eindverslag 7 juni 2009 Naam: Mathijs de Langen 0611699 Stijn Koopal 0613671 Marvin Raaijmakers 0608141 Giel Oerlemans 0607213 Email: m.a.d.langen@student.tue.nl s.koopal@student.tue.nl m.raaijmakers@student.tue.nl

Nadere informatie

Classification - Prediction

Classification - Prediction Classification - Prediction Tot hiertoe: vooral classification Naive Bayes k-nearest Neighbours... Op basis van predictor variabelen X 1, X 2,..., X p klasse Y (= discreet) proberen te bepalen. Training

Nadere informatie

Data Mining: Inleiding

Data Mining: Inleiding Data Mining: Inleiding docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining 2II15: Data mining en kennissystemen Lessen: maandag 7de en 8ste uur in Auditorium

Nadere informatie

Data Mining: Clustering

Data Mining: Clustering Data Mining: Clustering docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Wat is clustering? Het onderverdelen van de objecten in een database in homogene

Nadere informatie

Cover Page. The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation.

Cover Page. The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation. Cover Page The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation. Author: Witsenburg, Tijn Title: Hybrid similarities : a method to insert relational information

Nadere informatie

Zomercursus Wiskunde. Katholieke Universiteit Leuven Groep Wetenschap & Technologie. September 2008

Zomercursus Wiskunde. Katholieke Universiteit Leuven Groep Wetenschap & Technologie. September 2008 Katholieke Universiteit Leuven September 008 Algebraïsch rekenen (versie 7 juni 008) Inleiding In deze module worden een aantal basisrekentechnieken herhaald. De nadruk ligt vooral op het symbolisch rekenen.

Nadere informatie

November December 2011. Jan Meskens / Onderzoek

November December 2011. Jan Meskens / Onderzoek Jan Meskens / Onderzoek 1 Wat is "Predictive Analytics"? Historische en/of huidige data Voorspellingen over de toekomst 2 Toepassing: fraudebestrijding Opsporen fraude met aanrijdingsformulieren [SAS]

Nadere informatie

Datamining: Graven in gegevens

Datamining: Graven in gegevens Datamining: Graven in gegevens Business Intelligence in de praktijk Jasper Lansink CMG Noord Nederland - Advanced Technology Agenda Business Intelligence Datamining theorie Datamining in de praktijk management

Nadere informatie

Parking Surveillance. foreground/background segmentation - objectherkenning. Examen Beeldverwerking Pieter Vancoillie

Parking Surveillance. foreground/background segmentation - objectherkenning. Examen Beeldverwerking Pieter Vancoillie Parking Surveillance foreground/background segmentation - objectherkenning Examen Beeldverwerking Pieter Vancoillie Doel van het (deel)project Uit beelden van een camera voetgangers, fietsers en auto s

Nadere informatie

ZOEKMACHINE-OPTIMALISATIE,

ZOEKMACHINE-OPTIMALISATIE, ZOEKMACHINE-OPTIMALISATIE, OFWEL SEO: WAT VERANDERT ER IN 2010? AUTEURS: EDUARD BLACQUIÈRE, JOOST DE VALK DATUM: JANUARI 2010 Pagina 1 van 5 SEO: WAT VERANDERT ER IN 2010? Het begin van het nieuwe jaar

Nadere informatie

Voorspellen van webwinkel aankopen met een Random Forest

Voorspellen van webwinkel aankopen met een Random Forest Voorspellen van webwinkel aankopen met een Random Forest Dorenda Slof Erasmus Universiteit Rotterdam Econometrie en Operationele Research 30 juni 2014 Samenvatting In dit empirische onderzoek voorspellen

Nadere informatie

De Taxonomie van Bloom Toelichting

De Taxonomie van Bloom Toelichting De Taxonomie van Bloom Toelichting Een van de meest gebruikte manier om verschillende kennisniveaus in te delen, is op basis van de taxonomie van Bloom. Deze is tussen 1948 en 1956 ontwikkeld door de onderwijspsycholoog

Nadere informatie

Workshop voorbereiden Authentieke instructiemodel

Workshop voorbereiden Authentieke instructiemodel Workshop voorbereiden Authentieke instructiemodel Workshop voorbereiden Uitleg Start De workshop start met een echte, herkenbare en uitdagende situatie. (v.b. het is een probleem, een prestatie, het heeft

Nadere informatie

Kansrekening en Statistiek

Kansrekening en Statistiek Kansrekening en Statistiek College 10 Donderdag 14 Oktober 1 / 71 1 Kansrekening Indeling: Bayesiaans leren 2 / 71 Bayesiaans leren 3 / 71 Bayesiaans leren: spelletje Vb. Twee enveloppen met kralen, waarvan

Nadere informatie

2WO12: Optimalisering in Netwerken

2WO12: Optimalisering in Netwerken 2WO12: Optimalisering in Netwerken Leo van Iersel Technische Universiteit Eindhoven (TU/E) en Centrum Wiskunde & Informatica (CWI) 27 februari 2014 http://homepages.cwi.nl/~iersel/2wo12/ l.j.j.v.iersel@gmail.com

Nadere informatie

Toekomstbestending maken van selectie tool Rekening houdend met strikte privacy wetgeving

Toekomstbestending maken van selectie tool Rekening houdend met strikte privacy wetgeving Toekomstbestending maken van selectie tool Rekening houdend met strikte privacy wetgeving Kurt.Merchiers@colruytgroup.com Functioneel Analist Roel.Van.Assche@sas.com Consultant Agenda Vervanging van de

Nadere informatie

REVEALING SPATIAL AND TEMPORAL PATTERNS FROM FLICKR SANDER VAN DER DRIFT

REVEALING SPATIAL AND TEMPORAL PATTERNS FROM FLICKR SANDER VAN DER DRIFT REVEALING SPATIAL AND TEMPORAL PATTERNS FROM FLICKR SANDER VAN DER DRIFT TOENEMENDE ZORGEN OVER TOERISME EEN SELECTIE VAN RECENTE NIEUWS ARTIKELEN Toeristentrekker Amsterdam bezwijkt onder populariteit

Nadere informatie

Samenvatting (Summary in Dutch)

Samenvatting (Summary in Dutch) Het voornaamste doel van dit proefschrift is nieuwe methoden te ontwikkelen en te valideren om de effectiviteit van customization te kunnen bepalen en hoe dataverzameling kan worden verbeterd. Om deze

Nadere informatie

Hoe accuraat kun je de populariteit van muziek voorspellen met behulp van social media?

Hoe accuraat kun je de populariteit van muziek voorspellen met behulp van social media? Bachelorscriptie informatica Hoe accuraat kun je de populariteit van muziek voorspellen met behulp van social media? 3 april 2015 Auteur: Dion van de Vooren s4256468 Begeleider: Tom Heskes Tweede lezer:

Nadere informatie

case: ocl-expressies

case: ocl-expressies Hoofdstuk 7 case: ocl-expressies In dit hoofdstuk worden de expressies ontwikkeld bij het domein-klassediagram van de case zoals dat in hoofdstuk 5 ontwikkeld is. Daarna worden de resterende stappen uit

Nadere informatie

Hoofdstuk 7 : Gelijkvormige figuren

Hoofdstuk 7 : Gelijkvormige figuren Hoofdstuk 7 : Gelijkvormige figuren 141 Eventjes herhalen : Wat is een homothetie? h (o,k) : Een homothetie met centrum o en factor k Het beeld van een punt Z door de homothetie met centrum O en factor

Nadere informatie

HOOFDSTUK 9 DE ROL VAN CREATIVITEIT

HOOFDSTUK 9 DE ROL VAN CREATIVITEIT HOOFDSTUK 9 DE ROL VAN WAT IS? Creativiteit: het vermogen om perspectieven, paden, oplossingen, mogelijkheden en ideeën te zien die anderen niet kunnen of willen zien. Innovativiteit vereist creativiteit.

Nadere informatie

opgaven formele structuren deterministische eindige automaten

opgaven formele structuren deterministische eindige automaten opgaven formele structuren deterministische eindige automaten Opgave. De taal L over het alfabet {a, b} bestaat uit alle strings die beginnen met aa en eindigen met ab. Geef een reguliere expressie voor

Nadere informatie

Websites & Zoekmachines

Websites & Zoekmachines Zoekmachines, Wat en Hoe... 2 Wat is een Zoekmachine?... 2 Hoe werkt het?... 2 Meldt Je Site Aan... 3 Meta-data... 3 Links naar je site... 3 De grote 3... 3 Hoe aanmelden?... 3 Wachttijd na aanmelding...

Nadere informatie

Data mining (en twee woorden over data warehousing)

Data mining (en twee woorden over data warehousing) Gegevensbanken 2010 Data mining (en twee woorden over data warehousing) Bettina Berendt www.cs.kuleuven.be/~berendt Data mining (en twee woorden over data warehousing): Motivatie & Samenvatting 2 Waar

Nadere informatie

Matrixalgebra (het rekenen met matrices)

Matrixalgebra (het rekenen met matrices) Matrixalgebra (het rek met matrices Definitie A a a n a a n a m a mn is e (m n-matrix Hierbij is m het aantal rij van A n het aantal kolomm (m n noemt m de afmeting( van de matrix A We noter vaak kortweg

Nadere informatie

Inl. Adaptieve Systemen

Inl. Adaptieve Systemen Inl. Adaptieve Systemen Gerard Vreeswijk Leerstoelgroep Intelligente Systemen, Departement Informatica en Informatiekunde, Faculteit Bètawetenschappen, Universiteit Utrecht. Gerard Vreeswijk. Laatst gewijzigd

Nadere informatie

SEO: Waarom SEO op uw agenda moet staan + Betere vindbaarheid in 10 stappen. Ratho Inspiratiemiddag 2015. 2015 - Linda Balk / Purple Curve 1

SEO: Waarom SEO op uw agenda moet staan + Betere vindbaarheid in 10 stappen. Ratho Inspiratiemiddag 2015. 2015 - Linda Balk / Purple Curve 1 SEO: Waarom SEO op uw agenda moet staan + Betere vindbaarheid in 10 stappen Ratho Inspiratiemiddag 2015 2015 - Linda Balk / Purple Curve 1 Op de agenda vandaag: 1. Kennismaking 2. Wat is SEO? 3. Het belang

Nadere informatie

Een combinatorische oplossing voor vraag 10 van de LIMO 2010

Een combinatorische oplossing voor vraag 10 van de LIMO 2010 Een combinatorische oplossing voor vraag 10 van de LIMO 2010 Stijn Vermeeren (University of Leeds) 16 juni 2010 Samenvatting Probleem 10 van de Landelijke Interuniversitaire Mathematische Olympiade 2010vraagt

Nadere informatie

Gaap, ja, nog een keer. In één variabele hebben we deze formule nu al een paar keer gezien:

Gaap, ja, nog een keer. In één variabele hebben we deze formule nu al een paar keer gezien: Van de opgaven met een letter en dus zonder nummer staat het antwoord achterin. De vragen met een nummer behoren tot het huiswerk. Spieken achterin helpt je niets in het beter snappen... 1 Stelling van

Nadere informatie

Voorbeeldopgaven Meetkunde voor B

Voorbeeldopgaven Meetkunde voor B Voorbeeldopgaven Meetkunde voor B Hoofdstuk 2: Opgave 2 1 Gegeven zijn de vlakken U : x + y + z = 0 en V : x y + az = 0 waarbij a een parameter is. a) Bereken de cosinus van de hoek tussen de twee vlakken

Nadere informatie

Het gebruik van sentimentoriëntatie analyse bij het voorspellen van stemmingen in weblogberichten. Vincent Oord

Het gebruik van sentimentoriëntatie analyse bij het voorspellen van stemmingen in weblogberichten. Vincent Oord Het gebruik van sentimentoriëntatie analyse bij het voorspellen van stemmingen in weblogberichten Vincent Oord 25 juni 2006 Samenvatting In dit onderzoek is gekeken naar de invloed van sentimentanalyse

Nadere informatie

We illustreren deze werkwijze opnieuw a.h.v. de steekproef van de geboortegewichten

We illustreren deze werkwijze opnieuw a.h.v. de steekproef van de geboortegewichten Hoofdstuk 8 Betrouwbaarheidsintervallen In het vorige hoofdstuk lieten we zien hoe het mogelijk is om over een ongekende karakteristiek van een populatie hypothesen te formuleren. Een andere manier van

Nadere informatie

Oefening 4.3. Zoek een positief natuurlijk getal zodanig dat de helft een kwadraat is, een derde is een derdemacht en een vijfde is een vijfdemacht.

Oefening 4.3. Zoek een positief natuurlijk getal zodanig dat de helft een kwadraat is, een derde is een derdemacht en een vijfde is een vijfdemacht. 4 Modulair rekenen Oefening 4.1. Merk op dat 2 5 9 2 = 2592. Bestaat er een ander getal van de vorm 25ab dat gelijk is aan 2 5 a b? (Met 25ab bedoelen we een getal waarvan a het cijfer voor de tientallen

Nadere informatie

Risico-Analyse KLIC meldingen

Risico-Analyse KLIC meldingen Risico-Analyse KLIC meldingen Meer grip op de kabelschadepreventie van (graaf)werkzaamheden Stagebedrijf: KPN Afdeling VM&B Stationsstraat 115 Amersfoort Opleidingsinstituut: Vrije Universiteit Faculteit

Nadere informatie

Inhoud eindtoets. Eindtoets. Introductie 2. Opgaven 3. Terugkoppeling 6

Inhoud eindtoets. Eindtoets. Introductie 2. Opgaven 3. Terugkoppeling 6 Inhoud eindtoets Eindtoets Introductie 2 Opgaven 3 Terugkoppeling 6 1 Formele talen en automaten Eindtoets I N T R O D U C T I E Deze eindtoets is bedoeld als voorbereiding op het tentamen van de cursus

Nadere informatie

De Cirkel van Apollonius en Isodynamische Punten

De Cirkel van Apollonius en Isodynamische Punten januari 2008 De Cirkel van Apollonius en Isodynamische Punten Inleiding Eén van de bekendste meetkundige plaatsen is de middelloodlijn van een lijnstuk. Deze lijn bestaat uit alle punten die gelijke afstand

Nadere informatie

Databases (INFODB) 24 januari 2007

Databases (INFODB) 24 januari 2007 Departement Informatica en Informatiekunde, Faculteit Bètawetenschappen, UU. In elektronische vorm beschikbaar gemaakt door de TBC van A Eskwadraat. Het college INFODB werd in 2006/2007 gegeven door Dhr.

Nadere informatie

Data driven. Het plan naar data driven business door advanced analytics Business.

Data driven. Het plan naar data driven business door advanced analytics Business. Data driven. Het plan naar data driven business door advanced analytics Business. Analytics: uw data slim gebruiken en zo uw business optimaliseren! Marijn Uilenbroek BIA Consultant, Sogeti BI & Analytics

Nadere informatie

Samenvatting (in Dutch)

Samenvatting (in Dutch) Samenvatting (in Dutch) Geordende latente klassen modellen voor nonparametrische itemresponstheorie Een geordend latente klassen model kan als een nonparametrisch itemresponstheorie model beschouwd worden.

Nadere informatie

Internet Marketing Termen

Internet Marketing Termen Internet Marketing Termen Als beginnend Internet Marketeer ga je veel termen tegen komen, die je in verwarring zullen brengen. Hieronder heb ik een lijst met termen voor je samengesteld om jouw leven als

Nadere informatie

SQL Aantekeningen 3. Maarten de Rijke mdr@science.uva.nl. 22 mei 2003

SQL Aantekeningen 3. Maarten de Rijke mdr@science.uva.nl. 22 mei 2003 SQL Aantekeningen 3 Maarten de Rijke mdr@science.uva.nl 22 mei 2003 Samenvatting In deze aflevering: het selecteren van tuples, operaties op strings, en aggregatie functies. Verder kijken we naar iets

Nadere informatie

ONTWERP VAN GEDISTRIBUEERDE SOFTWARE ACADEMIEJAAR 2009-2010 1 STE EXAMENPERIODE, 15 JANUARI 2010, 14U 17U30 VRAAG 1: INLEIDENDE BEGRIPPEN[20 MIN]

ONTWERP VAN GEDISTRIBUEERDE SOFTWARE ACADEMIEJAAR 2009-2010 1 STE EXAMENPERIODE, 15 JANUARI 2010, 14U 17U30 VRAAG 1: INLEIDENDE BEGRIPPEN[20 MIN] ONTWERP VAN GEDISTRIBUEERDE SOFTWARE ACADEMIEJAAR 2009-2010 1 STE EXAMENPERIODE, 15 JANUARI 2010, 14U 17U30 Naam :.. Richting :.. Opmerkingen vooraf : - werk verzorgd en duidelijk, zodat er geen dubbelzinnigheden

Nadere informatie

In de 4som-puzzel kun je de gegeven sommen variëren. Nog zo eentje.

In de 4som-puzzel kun je de gegeven sommen variëren. Nog zo eentje. 4som kaart a In een 4som-puzzel moeten in vier hokjes getallen worden geschreven. Van de (horizontale) rijen en van de (verticale) kolommen is de som gegeven en ook van de diagonalen. Welke getallen moeten

Nadere informatie

HOOFDSTUK VII REGRESSIE ANALYSE

HOOFDSTUK VII REGRESSIE ANALYSE HOOFDSTUK VII REGRESSIE ANALYSE 1 DOEL VAN REGRESSIE ANALYSE De relatie te bestuderen tussen een response variabele en een verzameling verklarende variabelen 1. LINEAIRE REGRESSIE Veronderstel dat gegevens

Nadere informatie

VOICE OF THE CUSTOMER

VOICE OF THE CUSTOMER 4/20/ E-BOOK VOICE OF THE CUSTOMER Gratis e-book leansixsigmatools.nl Introductie Bij Six Sigma staat het denken vanuit de behoeften van de klant centraal. Juist de vertaling van de stem(men) van de klant(en)

Nadere informatie

Chapter 7 Samenvatting

Chapter 7 Samenvatting Chapter 7 Samenvatting Het zit in de menselijke natuur om patronen te ontdekken in data. Mensen en dieren leren van de omgeving en bouwen zo kennis en intelligentie op. Methoden om theorie uit data af

Nadere informatie

Online Presence. Panthera BV. Leon Kok

Online Presence. Panthera BV. Leon Kok Online Presence Panthera BV Leon Kok 16-02-2011 Er was eens een meisje Esmee Denters 2006 Wij begeleiden organisaties met het ontwikkelen van doeltreffende online uitingen en het realiseren van een adequaat

Nadere informatie

Oefening 1. Welke van de volgende functies is injectief? (E) f : N N N : (n, m) 7 2m+n. m n. Oefening 2

Oefening 1. Welke van de volgende functies is injectief? (E) f : N N N : (n, m) 7 2m+n. m n. Oefening 2 IJkingstoets 30 juni 04 - reeks - p. /5 Oefening Een functie f : A B : 7 f () van verzameling A naar verzameling B is injectief als voor alle, A geldt: als 6=, dan is f () 6= f (). Welke van de volgende

Nadere informatie

Lekker snel XML met SQL (.nl)

Lekker snel XML met SQL (.nl) Lekker snel met SQL (.nl In steeds meer opdrachten kom je als requirement tegen. Omdat het lekker makkelijk is of omdat de interface die je moet aanspreken het vereist. Dit is zeker het geval wanneer je

Nadere informatie

Whitepaper. Personal Targeting Platform. De juiste content Op het juiste moment Aan de juiste persoon

Whitepaper. Personal Targeting Platform. De juiste content Op het juiste moment Aan de juiste persoon Whitepaper Personal Targeting Platform De juiste content Op het juiste moment Aan de juiste persoon Introductie 2 Geïntegreerde personalisering 2 Het opbouwen van een profiel 2 Segmenteren en personaliseren

Nadere informatie

Aanvullende tabellen op de algemene federale feedback MVG 2006

Aanvullende tabellen op de algemene federale feedback MVG 2006 1 FOD Volksgezondheid, Veiligheid Voedselketen en Leefmilieu DG1 Organisatie Gezondheidszorgvoorzieningen Dienst Datamanagement Aanvullende tabellen op de algemene federale feedback MVG 2006 Annelies Ghesquiere,

Nadere informatie

2. Waar of vals: Als een rechte a evenwijdig is met een vlak α en dat vlak staat loodrecht op een vlak β dan staat a loodrecht op β.

2. Waar of vals: Als een rechte a evenwijdig is met een vlak α en dat vlak staat loodrecht op een vlak β dan staat a loodrecht op β. 1 Synthetische RM 1. (a) Geef de definitie van de loodrechte stand van twee vlakken. (b) Geen stellingen die voorwaarden uitdrukken opdat twee vlakken orthogonaal zijn. (c) Steun op 1a of 1b om te bewijzen

Nadere informatie

Normering en schaallengte

Normering en schaallengte Bron: www.citogroep.nl Welk cijfer krijg ik met mijn score? Als je weet welke score je ongeveer hebt gehaald, weet je nog niet welk cijfer je hebt. Voor het merendeel van de scores wordt het cijfer bepaald

Nadere informatie

Inhoud Methode Materiaal Timing V: Eigenschap: De som van de hoeken in een driehoek is gelijk aan 180.

Inhoud Methode Materiaal Timing V: Eigenschap: De som van de hoeken in een driehoek is gelijk aan 180. V: De som van de hoeken in een driehoek is gelijk aan 180. Neem dan eens allemaal een blad papier en teken daarop een driehoek. In elke hoek zet je een letter (A, B en C) of geef je een kleurtje. Knip

Nadere informatie

Plan van Aanpak. Plan van Aanpak. November 2003. Student Naam: David Fremeijer Studentnr: 0249432 E-mail: david@fremeijer.net

Plan van Aanpak. Plan van Aanpak. November 2003. Student Naam: David Fremeijer Studentnr: 0249432 E-mail: david@fremeijer.net Plan van Aanpak Plan van Aanpak November 2003 Student Naam: David Fremeijer Studentnr: 0249432 E-mail: david@fremeijer.net Universiteit Nijmegen Begeleider: Theo van der Weide Referent: Gert Veldhuijzen

Nadere informatie

Running Lean. Op zoek naar een ondernemingsmodel dat werkt. Innovatiecentrum Vlaams Brabant 28/02/2014 peter.rutten@innovatiecentrum.

Running Lean. Op zoek naar een ondernemingsmodel dat werkt. Innovatiecentrum Vlaams Brabant 28/02/2014 peter.rutten@innovatiecentrum. Running Lean Op zoek naar een ondernemingsmodel dat werkt Innovatiecentrum Vlaams Brabant 28/02/2014 peter.rutten@innovatiecentrum.be Intro Running Lean Wanneer zijn starters succesvol? Klanten zijn geïnteresseerd

Nadere informatie

1.1 Rekenen met letters [1]

1.1 Rekenen met letters [1] 1.1 Rekenen met letters [1] Voorbeeld 1: Een kaars heeft een lengte van 30 centimeter. Per uur brand er 6 centimeter van de kaars op. Hieruit volgt de volgende woordformule: Lengte in cm = -6 aantal branduren

Nadere informatie

Tlnt S.F.F. (Bas) van Odenhoven BSc. Jr. Engineer F-16 Avionica

Tlnt S.F.F. (Bas) van Odenhoven BSc. Jr. Engineer F-16 Avionica Tlnt S.F.F. (Bas) van Odenhoven BSc. Jr. Engineer F-16 Avionica Hedendaagse Command & Control (C2) systemen dragen zorg voor het ontvangen, verwerken en weergeven van sensordata. Op basis van de projectie

Nadere informatie

VIA PUZZELS GOOGLE LEREN

VIA PUZZELS GOOGLE LEREN GOOZZLES VIA PUZZELS GOOGLE LEREN Goozzles: Puzzles teaching you Google este bezoeker van Lowlands, Welkom in de wiskundetent, en in het bijzonder bij de UvA-workshop over de PageRank van Google. Met behulp

Nadere informatie

1 In deze opgave wordt vijftien maal telkens drie beweringen gedaan waarvan er één juist is. Kruis de juiste bewering aan. (2pt. per juist antwoord).

1 In deze opgave wordt vijftien maal telkens drie beweringen gedaan waarvan er één juist is. Kruis de juiste bewering aan. (2pt. per juist antwoord). Tentamen Optimalisering (IN2805-I) Datum: 3 april 2008, 14.00 17.00. Docent: Dr. J.B.M. Melissen Naam: Studienummer: 1 In deze opgave wordt vijftien maal telkens drie beweringen gedaan waarvan er één juist

Nadere informatie

waarin de op dit moment relevante bron data als ook de analyse technieken worden geintegreerd.

waarin de op dit moment relevante bron data als ook de analyse technieken worden geintegreerd. 129 Samenvatting Bioinformatica is een interdisciplinair onderzoeksveld waarbij methoden uit de computer wetenschappen, wiskunde en statistiek worden gebruikt met het specifieke doel betekenis te geven

Nadere informatie

Gebruik van classificatie om gebruikspieken van een elektronische leeromgeving te voorspellen.

Gebruik van classificatie om gebruikspieken van een elektronische leeromgeving te voorspellen. owered by TCPDF (www.tcpdf.org) Academiejaar 2013 2014 Faculteit Ingenieurswetenschappen en Architectuur Valentin Vaerwyckweg 1 9000 Gent Gebruik van classificatie om gebruikspieken van een elektronische

Nadere informatie

Process Mining: Wat gebeurt er nu echt? en hoe kan het beter?

Process Mining: Wat gebeurt er nu echt? en hoe kan het beter? Process Mining: Wat gebeurt er nu echt? en hoe kan het beter? Organisaties registreren steeds meer gegevens die gebruikt kunnen worden om processen te analyseren. Helaas schieten traditionele data mining

Nadere informatie

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Beknopte uitwerking Examen Neurale Netwerken (2L490) d.d. 11-8-2004.

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Beknopte uitwerking Examen Neurale Netwerken (2L490) d.d. 11-8-2004. TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Beknopte uitwerking Eamen Neurale Netwerken (2L490) d.d. 11-8-2004. 1. Beschouw de volgende configuratie in het platte vlak. l 1 l 2

Nadere informatie

Een bekende eigenschap van de middens van de zijden van een driehoek is de volgende.

Een bekende eigenschap van de middens van de zijden van een driehoek is de volgende. Cabri-werkblad Rond het zwaartepunt van een driehoek Een bekende eigenschap van de middens van de zijden van een driehoek is de volgende. Stelling De verbindingslijn van de middens van twee zijden van

Nadere informatie

Tree traversal. Bomen zijn overal. Ferd van Odenhoven. 15 november 2011

Tree traversal. Bomen zijn overal. Ferd van Odenhoven. 15 november 2011 15 november 2011 Tree traversal Ferd van Odenhoven Fontys Hogeschool voor Techniek en Logistiek Venlo Software Engineering 15 november 2011 ODE/FHTBM Tree traversal 15 november 2011 1/22 1 ODE/FHTBM Tree

Nadere informatie

Hoofdstuk 3: De stelling van Pythagoras

Hoofdstuk 3: De stelling van Pythagoras Hoofdstuk 3: De stelling van Pythagoras Benamingen afspraken ( boek pag 53) - 49 We spreken van een rechthoekige driehoek als... We zeggen dat in de rechthoekige ABC de grootte van de hoek A 90 o is We

Nadere informatie

j (11,51) k (11,-41) l (11,-1011)

j (11,51) k (11,-41) l (11,-1011) H0 COÖRDINATEN 0.1 INTRO 1 a A3, C1, C3 b 3 A3, C1 a d6 of h10 0. DE WERELD IN KAART 3 B 4 a d Zie assenstelsel opgave 6. e b Zie bovenstaande wereldbol. Zie bovenstaande wereldbol. d 90 NB 5 a 7 b b Zie

Nadere informatie

2WO12: Optimalisering in Netwerken

2WO12: Optimalisering in Netwerken 2WO12: Optimalisering in Netwerken Leo van Iersel Technische Universiteit Eindhoven (TU/E) en Centrum Wiskunde & Informatica (CWI) 10 en 13 februari 2014 http://homepages.cwi.nl/~iersel/2wo12/ l.j.j.v.iersel@gmail.com

Nadere informatie

One Gate (CSSR) XML File Upload Protocol

One Gate (CSSR) XML File Upload Protocol One Gate (CSSR) XML File Upload Protocol S03CCR Januari 2010 Versie 1.0 Pagina 2 Nationale Bank van België, Brussel Alle rechten voorbehouden. Kopiëren van dit document of van delen er van is toegestaan

Nadere informatie

Recommender Systems voor het realtime aanbieden van nieuwssecties. Thomas Janssen

Recommender Systems voor het realtime aanbieden van nieuwssecties. Thomas Janssen Recommender Systems voor het realtime aanbieden van nieuwssecties Thomas Janssen 23 januari 2007 1 Voorwoord Deze scriptie is geschreven ter afsluiting van mijn Bachelor voor de studie Informatica aan

Nadere informatie

Antwoordmodel - Vlakke figuren

Antwoordmodel - Vlakke figuren Antwoordmodel - Vlakke figuren Vraag 1 Verbind de termen met de juiste definities. Middelloodlijn Gaat door het midden van een lijnstuk en staat er loodrecht op. Bissectrice Deelt een hoek middendoor.

Nadere informatie

Oefeningen voor de oefeningenles. Oefening 1

Oefeningen voor de oefeningenles. Oefening 1 Oefeningen voor de oefeningenles Oefening 1 Gegeven een arbitraire binaire zoekboom T met n toppen en een (andere of gelijke) binaire zoekboom T die ook n sleutels bevat. Beschrijf een algoritme dat in

Nadere informatie

Tentamen Object Georiënteerd Programmeren TI1200 30 januari 2013, 9.00-12.00 Afdeling SCT, Faculteit EWI, TU Delft

Tentamen Object Georiënteerd Programmeren TI1200 30 januari 2013, 9.00-12.00 Afdeling SCT, Faculteit EWI, TU Delft Tentamen Object Georiënteerd Programmeren TI1200 30 januari 2013, 9.00-12.00 Afdeling SCT, Faculteit EWI, TU Delft Bij dit tentamen mag je geen gebruik maken van hulpmiddelen zoals boek of slides. Dit

Nadere informatie

Voorbereiding toelatingsexamen arts/tandarts. Wiskunde: goniometrie en meetkunde. 22 juli 2015. dr. Brenda Casteleyn

Voorbereiding toelatingsexamen arts/tandarts. Wiskunde: goniometrie en meetkunde. 22 juli 2015. dr. Brenda Casteleyn Voorbereiding toelatingsexamen arts/tandarts Wiskunde: goniometrie en meetkunde 22 juli 2015 dr. Brenda Casteleyn Met dank aan: Atheneum van Veurne (http://www.natuurdigitaal.be/geneeskunde/fysica/wiskunde/wiskunde.htm),

Nadere informatie

Datalogging. Introductie

Datalogging. Introductie Introductie Datalogging omvat het verzamelen, opslaan en analyseren van data. Datalogging systemen zullen gewoonlijk gedurende een bepaald tijdsbestek een gebeurtenis of proces bewaken met behulp van sensors

Nadere informatie

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Numerieke Methoden voor Werktuigbouwkunde (2N46) op maandag 23 Deel 1: Van 14 uur tot uiterlijk 153 uur Het gebruik van het

Nadere informatie

LiLa Portal Docentenhandleiding

LiLa Portal Docentenhandleiding Library of Labs Lecturer s Guide LiLa Portal Docentenhandleiding Er wordt van de docenten verwacht dat zij het leren van de studenten organiseren en dat zij een keuze maken uit de beschikbare hoeveelheid

Nadere informatie

Flying Sensor Rapport

Flying Sensor Rapport Flying Sensor Rapport Locatie: Dintelse Gorzen Noord-Brabant Nederland Vluchtdatum: 21-mei-2014 Flying Sensor: Pelican Client: Natuurmonumenten HiView Costerweg 1V 6702AA Wageningen www.hiview.nl info@hiview.nl

Nadere informatie

Wiskunde Opdrachten Pythagoras

Wiskunde Opdrachten Pythagoras Wiskunde Opdrachten Pythagoras Opdracht 1. Teken een assenstelsel met daarin de punten A(2,5), B(5,2) en C(9,6). A. Bereken AB, BC en AC. B. Laat door middel van berekening zien dat hoek B van driehoek

Nadere informatie

2 Recurrente betrekkingen

2 Recurrente betrekkingen WIS2 1 2 Recurrente betrekkingen 2.1 Fibonacci De getallen van Fibonacci Fibonacci (= Leonardo van Pisa), 1202: Bereken het aantal paren konijnen na één jaar, als 1. er na 1 maand 1 paar pasgeboren konijnen

Nadere informatie

Machten, exponenten en logaritmen

Machten, exponenten en logaritmen Machten, eponenten en logaritmen Machten, eponenten en logaritmen Macht, eponent en grondtal Eponenten en logaritmen hebben alles met machtsverheffen te maken. Een macht als 4 is niets anders dan de herhaalde

Nadere informatie

Branch-and-Bound en Cutting Planes

Branch-and-Bound en Cutting Planes Branch-and-Bound en Cutting Planes Vandaag: Er is nog geen algoritme om ILP s in polynomiale tijd op te lossen. Twee opties: 1 Exponentiëel algoritme dat optimale oplossing geeft 2 Polynomiaal algoritme

Nadere informatie

: van Reactief naar Proactief

: van Reactief naar Proactief Mensenlevens Redden met Wiskunde: van reactieve naar proactieve planning van ambulanceritten Prof.dr. Rob van der Mei Centrum Wiskunde & Informatica (CWI) Vrije Universiteit Amsterdam Amsterdam Centre

Nadere informatie

Twaalfde college complexiteit. 11 mei 2012. Overzicht, MST

Twaalfde college complexiteit. 11 mei 2012. Overzicht, MST College 12 Twaalfde college complexiteit 11 mei 2012 Overzicht, MST 1 Agenda voor vandaag Minimum Opspannende Boom (minimum spanning tree) als voorbeeld van greedy algoritmen Overzicht: wat voor technieken

Nadere informatie

Het oplossen van vergelijkingen Voor het benaderen van oplossingen van vergelijkingen van de vorm F(x)=0 bespreken we een aantal methoden:

Het oplossen van vergelijkingen Voor het benaderen van oplossingen van vergelijkingen van de vorm F(x)=0 bespreken we een aantal methoden: Hoofdstuk 4 Programmeren met de GR Toevoegen: een inleiding op het programmeren met de GR Hoofdstuk 5 - Numerieke methoden Numerieke wiskunde is een deelgebied van de wiskunde waarin algoritmes voor problemen

Nadere informatie

WISKUNDE B -DAG 2002 1+ 1 = 2. maar en hoe nu verder? 29 november 2002

WISKUNDE B -DAG 2002 1+ 1 = 2. maar en hoe nu verder? 29 november 2002 - 0 - WISKUNDE B -DAG 2002 1+ 1 = 2 maar en hoe nu verder? 29 november 2002 De Wiskunde B-dag wordt gesponsord door Texas Instruments - 1 - Inleiding Snel machtverheffen Stel je voor dat je 7 25 moet uitrekenen.

Nadere informatie

Ken je een woord niet? In de SEO-encyclopedie op pagina 17 kun je alle blauwgedrukte woorden terugvinden! DEEL DIT E-BOOK!

Ken je een woord niet? In de SEO-encyclopedie op pagina 17 kun je alle blauwgedrukte woorden terugvinden! DEEL DIT E-BOOK! 1 2 SEO staat voor Search Engine Optimization, en verwijst naar de technieken om hoger in de organische zoekresultaten van een zoekmachine te komen wanneer op bepaalde trefwoorden of keywords wordt gezocht.

Nadere informatie

Het gebruik van datamining als predictive analytic voor dienstverleners

Het gebruik van datamining als predictive analytic voor dienstverleners Het gebruik van datamining als predictive analytic voor dienstverleners Juni 2014 Bachelor scriptie Informatiekunde Faculteit der Natuurkunde, Wiskunde en Informatica Universiteit van Amsterdam J.R. Tromp

Nadere informatie

a. De hoogte van een toren bepalen met behulp van een stok

a. De hoogte van een toren bepalen met behulp van een stok Gelijkvormigheid in de 17 de - en 18 de -eeuwse landmeetkunde Heb jij enig idee hoe hoog dat gebouw of die boom is die je uit het raam van je klaslokaal ziet? Misschien kun je de hoogte goed schatten,

Nadere informatie