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

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Uitwerking Tentamen Datamining (2II15) 26/06/09

Uitwerking Tentamen Datamining (2II15) 26/06/09 Uitwerking Tentamen Datamining (2II15) 26/06/09 1. (3p) (Clustering) Welke van de volgende uitspraken zijn correct? Voor de correcte uitspraken: leg uit, voor de incorrecte: geef een tegenvoorbeeld. (a)

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

Tentamen Data Mining. Algemene Opmerkingen. Opgave L. Korte vragen (L6 punten) Tijd: 14:00-17:00. Datum: 4januai20l6

Tentamen Data Mining. Algemene Opmerkingen. Opgave L. Korte vragen (L6 punten) Tijd: 14:00-17:00. Datum: 4januai20l6 Tentamen Data Mining Datum: 4januai2l6 Tijd: 4: - 7: Algemene Opmerkingen e Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. o Laat bij het uitvoeren van berekeningen zien hoeje

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

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

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: Classificatie

Data Mining: Classificatie Data Mining: lassificatie docent: dr. Toon alders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Vorige les lassificatie: Het groeperen van objecten in voorgedefinieerde

Nadere informatie

Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016:

Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: 11.00-13.00 Algemene aanwijzingen 1. Het is toegestaan een aan beide zijden beschreven A4 met aantekeningen te raadplegen. 2. Het is toegestaan

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

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. 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

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

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 holds various files of this Leiden University dissertation.

Cover Page. The handle  holds various files of this Leiden University dissertation. Cover Page The handle http://hdl.handle.net/1887/29764 holds various files of this Leiden University dissertation. Author: Takes, Frank Willem Title: Algorithms for analyzing and mining real-world graphs

Nadere informatie

Examen Datastructuren en Algoritmen II

Examen Datastructuren en Algoritmen II Tweede bachelor Informatica Academiejaar 2008 2009, eerste zittijd Examen Datastructuren en Algoritmen II Naam :.............................................................................. Lees elke

Nadere informatie

Taxanomie van Bloom en de kunst van het vragen stellen. Anouk Mulder verschil in talent

Taxanomie van Bloom en de kunst van het vragen stellen. Anouk Mulder verschil in talent Onthouden Kunnen ophalen van specifieke informatie, variërend van feiten tot complete theorieën Opslaan en ophalen van informatie (herkennen) Kennis van data, gebeurtenissen, plaatsen Kennis van belangrijkste

Nadere informatie

Taxonomie van Bloom. (taxonomie = wetenschap van het indelen) 6. Creëren. Nieuwe ideeën, producten of gezichtspunten genereren

Taxonomie van Bloom. (taxonomie = wetenschap van het indelen) 6. Creëren. Nieuwe ideeën, producten of gezichtspunten genereren Taxonomie van Bloom (taxonomie = wetenschap van het indelen) 6. Creëren Nieuwe ideeën, producten of gezichtspunten genereren Ontwerpen, maken, plannen, produceren, uitvinden, bouwen 5. Evalueren Motiveren

Nadere informatie

Rijke Lessen. zetten je aan het denken. Handleiding(etje) Minka Dumont 26 november 2009 SLO - Landelijke Plusklasnetwerkdag

Rijke Lessen. zetten je aan het denken. Handleiding(etje) Minka Dumont 26 november 2009 SLO - Landelijke Plusklasnetwerkdag Rijke Lessen zetten je aan het denken Minka Dumont 2009 www.lesmateriaalvoorhoogbegaafden.com Handleiding(etje) Minka Dumont 26 november 2009 SLO - Landelijke Plusklasnetwerkdag Onthouden Kunnen ophalen

Nadere informatie

Het minimale aantal sleutels op niveau h is derhalve

Het minimale aantal sleutels op niveau h is derhalve 1 (a) In een B-boom van orde m bevat de wortel minimaal 1 sleutel en maximaal m 1 sleutels De andere knopen bevatten minimaal m 1 sleutels en maximaal m 1 sleutels (b) In een B-boom van orde 5 bevat elke

Nadere informatie

Examen Datastructuren en Algoritmen II

Examen Datastructuren en Algoritmen II Tweede bachelor Informatica Academiejaar 2008 2009, tweede zittijd Examen Datastructuren en Algoritmen II Naam :.............................................................................. Lees elke

Nadere informatie

Examen Datastructuren en Algoritmen II

Examen Datastructuren en Algoritmen II Tweede bachelor Informatica Academiejaar 2006 2007, tweede zittijd Examen Datastructuren en Algoritmen II Naam :.............................................................................. 1. Verzamelingen:

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

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

Laag Vaardigheden Leerdoelen Formulering van vragen /opdrachten

Laag Vaardigheden Leerdoelen Formulering van vragen /opdrachten Blooms taxonomie Laag Vaardigheden Leerdoelen Formulering van vragen /opdrachten Evalueren Evalueren = de vaardigheid om de waarde van iets (literatuur, onderzoeksrapport, presentatie etc) te kunnen beoordelen

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

Business Analytics bij. Zilveren Kruis. Rob Konijn Data Scientist Kenniscentrum. 12 mei 2016

Business Analytics bij. Zilveren Kruis. Rob Konijn Data Scientist Kenniscentrum. 12 mei 2016 Business Analytics bij Zilveren Kruis Rob Konijn Data Scientist Kenniscentrum Zilveren Kruis 12 mei 2016 Introductie Rob Konijn - Business Analytics (toen nog BWI) 2002-2008 - Phd VU (Wojtek Kowalczyk/Bert

Nadere informatie

Zomercursus Wiskunde. Module 1 Algebraïsch rekenen (versie 22 augustus 2011)

Zomercursus Wiskunde. Module 1 Algebraïsch rekenen (versie 22 augustus 2011) Katholieke Universiteit Leuven September 011 Module 1 Algebraïsch rekenen (versie augustus 011) Inhoudsopgave 1 Rekenen met haakjes 1.1 Uitwerken van haakjes en ontbinden in factoren............. 1. De

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

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

Proeftentamen Digitale technieken

Proeftentamen Digitale technieken Proeftentamen Digitale technieken André Deutz October 17, 2007 De opgaven kunnen uiteraard in willekeurige volgorde gemaakt worden geef heel duidelijk aan op welke opgave een antwoord gegegeven wordt.

Nadere informatie

Examen Datastructuren en Algoritmen II

Examen Datastructuren en Algoritmen II Tweede bachelor Informatica Academiejaar 2009 2010, eerste zittijd Examen Datastructuren en Algoritmen II Naam :.............................................................................. Lees de hele

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

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

Programmeren A. Genetisch Programma voor het Partitie Probleem. begeleiding:

Programmeren A. Genetisch Programma voor het Partitie Probleem. begeleiding: Programmeren A Genetisch Programma voor het Partitie Probleem begeleiding: Inleiding Het Partitie Probleem luidt als volgt: Gegeven een verzameling van n positieve integers, vindt twee disjuncte deelverzamelingen

Nadere informatie

Afstudeerproject Bachelor AI. Nicolaas Heyning en Wouter Suren

Afstudeerproject Bachelor AI. Nicolaas Heyning en Wouter Suren Afstudeerproject Bachelor AI Door : Nicolaas Heyning en Wouter Suren Project begeleider: Maarten van Someren Nicolaas Heyning 1 e Van der Helststraat 57-II 1073 AD, Amsterdam nheyning@gmail.com Wouter

Nadere informatie

- Info per dag van de week - Info per specifieke dag - Info per week

- Info per dag van de week - Info per specifieke dag - Info per week Of je nu een kleine KMO bent die gebruik maakt van AdWords of een multinational, één ding is zeker, het verkrijgen van marketing budgetten is niet eenvoudig. Je kan je verkregen budget dus maar beter maximaal

Nadere informatie

Gestructureerd registreren

Gestructureerd registreren Gestructureerd registreren Workshop Health One Day 2015 Nicolas Delvaux Huisarts Lissewege, Onderzoeker ACHG Wat moet een modern EMD kunnen? Wat is een EMD? p Kern: n Bewaarplaats voor patiëntengegevens

Nadere informatie

Hoofdstuk 2 : Som Hoekgrootten van een veelhoek (boek pag 34)

Hoofdstuk 2 : Som Hoekgrootten van een veelhoek (boek pag 34) - 39- Hoofdstuk 2 : Som Hoekgrootten van een veelhoek (boek pag 34) Som hoekgrootten van een driehoek ( boek pag 35) Stelling: Voor ABC geldt: A ˆ + Bˆ + Cˆ = 180 o Bewijs: Trek door het punt A een rechte

Nadere informatie

Hoofdstuk 1 LIJNEN IN. Klas 5N Wiskunde 6 perioden

Hoofdstuk 1 LIJNEN IN. Klas 5N Wiskunde 6 perioden Hoofdstuk LIJNEN IN Klas N Wiskunde 6 perioden . DE VECTORVOORSTELLING VAN EEN LIJN VOORBEELD. Gegeven zijn de punten P (, ) en Q (, 8 ). Gevraagd: de vectorvoorstelling van de lijn k door P en Q. Methode:

Nadere informatie

Examenvragen Hogere Wiskunde I

Examenvragen Hogere Wiskunde I 1 Examenvragen Hogere Wiskunde I Vraag 1. Zij a R willekeurig. Gegeven is dat voor alle r, s Q geldt dat a r+s = a r a s. Bewijs dat voor alle x, y R geldt dat a x+y = a x a y. Vraag 2. Gegeven 2 functies

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

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

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

Web mining. In het bijzonder web usage mining

Web mining. In het bijzonder web usage mining Web mining In het bijzonder web usage mining Hoofdstuk web mining uit: Data Mining, Introductory and dvanced Topics; Margaret H. Dunham Web mining Web content mining: wat staat er in webpagina s? Web crawlers,

Nadere informatie

Hoofdstuk 6 : Projectie en Stelling van Thales

Hoofdstuk 6 : Projectie en Stelling van Thales Hoofdstuk 6 : Projectie en Stelling van Thales - 127 1. Projectie op een rechte (boek pag 175) x en y zijn twee... rechten. We trekken door het punt A een evenwijdige rechte met de rechte y en noemen het

Nadere informatie

HOEKEN, AFSTANDEN en CIRKELS IN Klas 5N Wiskunde 6 perioden

HOEKEN, AFSTANDEN en CIRKELS IN Klas 5N Wiskunde 6 perioden HOEKEN, AFSTANDEN en CIRKELS IN Klas 5N Wiskunde 6 erioden INHOUD. Het inroduct van vectoren... 3. De normaalvector van een lijn... 3. DE AFSTAND VAN TWEE PUNTEN.... 5. De afstand van een unt tot een lijn...

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

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

Profielproduct-2- -Verantwoording-!

Profielproduct-2- -Verantwoording-! 1 Profielproduct-2- -Verantwoording- Naamauteurs) F.J.Kuiper Vakgebied Aardrijkskunde Onderwerp HetzichtbaarmakenvanhethogereordedenkenindevwoC bovenbouwbijhetvakaardrijkskunde. Opleiding InterfacultaireLerarenopleidingen,UniversiteitvanAmsterdam

Nadere informatie

Data Mining. Arno Siebes

Data Mining. Arno Siebes 1 X Data Mining Arno Siebes U en Databases 1 X Elke Nederlander zit in honderden databases: door uw bonuskaart weet AH precies wat U eet; elke keer dat U pint weet de bank waar U hoeveel geld uitgeeft;

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

Definitie: Een enkelvoudige weddenschap is het eenvoudigste type weddenschap. Je doet als het ware een

Definitie: Een enkelvoudige weddenschap is het eenvoudigste type weddenschap. Je doet als het ware een Wedgids VERSCHILLENDE TYPEN WEDDENSCHAPPEN A) ENKELVOUDIGE WEDDENSCHAPPEN Definitie: Een enkelvoudige weddenschap is het eenvoudigste type weddenschap. Je doet als het ware een voorspelling over één evenement.

Nadere informatie

V = {a, b, c, d, e} Computernetwerken: de knopen zijn machines in het netwerk, de kanten zijn communicatiekanalen.

V = {a, b, c, d, e} Computernetwerken: de knopen zijn machines in het netwerk, de kanten zijn communicatiekanalen. WIS14 1 14 Grafen 14.1 Grafen Gerichte grafen Voor een verzameling V is een binaire relatie op V een verzameling geordende paren van elementen van V. Voorbeeld: een binaire relatie op N is de relatie KleinerDan,

Nadere informatie

Continuous Learning in Computer Vision S.L. Pintea

Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision Natura non facit saltus. Gottfried Leibniz Silvia-Laura Pintea Intelligent Sensory Information Systems University

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

Automaten en Berekenbaarheid 2016 Oplossingen #4

Automaten en Berekenbaarheid 2016 Oplossingen #4 Automaten en Berekenbaarheid 2016 Oplossingen #4 28 oktober 2016 Vraag 1: Toon aan dat de klasse van context vrije talen gesloten is onder concatenatie en ster. Antwoord Meerdere manieren zijn mogelijk:

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

Twaalfde college algoritmiek. 12 mei Branch & Bound

Twaalfde college algoritmiek. 12 mei Branch & Bound Twaalfde college algoritmiek 12 mei 2016 Branch & Bound 1 Branch and bound -1- Branch & bound is alleen toepasbaar op optimalisatieproblemen genereert oplossingen stap voor stap en houdt de tot dusver

Nadere informatie

SBR Filing Rules Mogelijke toekomstige regels

SBR Filing Rules Mogelijke toekomstige regels SBR Filing Rules Mogelijke toekomstige regels Datum: 13 januari 2016 Versie: 0.95 Kenmerk: SBR/NT11/FR-T/0.95 Inhoudsopgave Inhoudsopgave... 2 Versie historie... 3 1 Inleiding... 4 1.1 Doel van dit document...

Nadere informatie

Tentamen optimaal sturen , uur. 4 vraagstukken

Tentamen optimaal sturen , uur. 4 vraagstukken Tentamen optimaal sturen 12-7- 00, 9.00-12.00 uur 4 vraagstukken Vraag 1 a) Beschrijf wiskundig de algemene vorm van een optimaal besturingsprobleem in de discrete tijd. Hierin komen o.a. de symbolen J,

Nadere informatie

De constructie van een raaklijn aan een cirkel is, op basis van deze stelling, niet zo erg moeilijk meer.

De constructie van een raaklijn aan een cirkel is, op basis van deze stelling, niet zo erg moeilijk meer. Cabri-werkblad Raaklijnen Raaklijnen aan een cirkel Definitie Een raaklijn aan een cirkel is een rechte lijn die precies één punt (het raakpunt) met de cirkel gemeenschappelijk heeft. Stelling De raaklijn

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

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

Het warmteverlies van het lichaamsoppervlak aan de wordt gegeven door de volgende formule:

Het warmteverlies van het lichaamsoppervlak aan de wordt gegeven door de volgende formule: Opgave 1. (4 punten) Inleiding: Een vleermuis is een warmbloedig zoogdier. Dat wil zeggen dat hij zijn lichaamstemperatuur op een konstante waarde moet zien te houden. Als de omgeving kouder is dan de

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

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

Starten van de tool De tool wordt opgestart door een web browser te openen (bij voorkeur Google Chrome) en in de adresbalk te typen:

Starten van de tool De tool wordt opgestart door een web browser te openen (bij voorkeur Google Chrome) en in de adresbalk te typen: Gist demo Toelichting op de interface en werking van de tool. v0.1, 20 januari 2016, Erik Boertjes v0.2, 1 februari 2016, Rianne Kaptein v0.3, 9 mei 2016, Rianne Kaptein Doel Met behulp van de tool beschreven

Nadere informatie

Lessen Java: Reeks pag. 1

Lessen Java: Reeks pag. 1 Lessen Java: Reeks 2 1-3-2016 pag. 1 Primitieve types type grootte waardes byte 8 bits 128, 127 short 16 bits 32768, 32767 int 32 bits 2 31, 2 31 1 long 64 bits 2 63, 2 63 1 type grootte waardes float

Nadere informatie

AI Kaleidoscoop. College 6: Deel 1:Expert systemen Deel 2: Onzekerheid in redeneren. Deel II: Redeneren met onzekerheid. Redeneren met onzekerheid

AI Kaleidoscoop. College 6: Deel 1:Expert systemen Deel 2: Onzekerheid in redeneren. Deel II: Redeneren met onzekerheid. Redeneren met onzekerheid AI Kaleidoscoop College 6: Deel 1:Expert systemen Deel 2: Onzekerheid in redeneren Leeswijzer: 8.0-7.1 + 5.2 + 9.2.1 AI6 1 Deel II: Redeneren met onzekerheid Onzekerheid is aanwezig in alle KBS systemen

Nadere informatie

3. Structuren in de taal

3. Structuren in de taal 3. Structuren in de taal In dit hoofdstuk behandelen we de belangrijkst econtrolestructuren die in de algoritmiek gebruikt worden. Dit zijn o.a. de opeenvolging, selectie en lussen (herhaling). Vóór we

Nadere informatie

Kortste Paden. Algoritmiek

Kortste Paden. Algoritmiek Kortste Paden Toepassingen Kevin Bacon getal Six degrees of separation Heeft een netwerk de small-world eigenschap? TomTom / Google Maps 2 Kortste paden Gerichte graaf G=(N,A), en een lengte L(v,w) voor

Nadere informatie

Bijlage 1 bevat een overzicht van het domeinmodel van metadata in de HortiCube. In het model zijn de volgende deelgebieden te onderscheiden:

Bijlage 1 bevat een overzicht van het domeinmodel van metadata in de HortiCube. In het model zijn de volgende deelgebieden te onderscheiden: Domeinmodel van de metadata in de HortiCube Versie 6, 23 juni 2016 Inleiding De HortiCube levert via gestandaardiseerde interfaces gestandaardiseerde data aan applicaties. De functionaliteit van de HortiCube

Nadere informatie

5. Geavanceerde formules

5. Geavanceerde formules 151 5. Geavanceerde formules Excel is in eerste instantie een programma om berekeningen in te maken. Het doet dat uiterst efficiënt met, afhankelijk van de geheugencapaciteit van de computer, een enorm

Nadere informatie

Infosessie Bachelorproef. 18 mei 2016 Luc De Raedt en Dirk Nuyens

Infosessie Bachelorproef. 18 mei 2016 Luc De Raedt en Dirk Nuyens Infosessie Bachelorproef 18 mei 2016 Luc De Raedt en Dirk Nuyens Achtergrond keuze voor Bachelorproef Probleemoplossen en Ontwerpen Wetenschappelijke Vorming Jaarvakken -- 9 STP. Dus veel werk -- 9 x 25

Nadere informatie

Fundamentele Informatica

Fundamentele Informatica Fundamentele Informatica (IN3120 en IN3005 DOI nwe stijl) 20 augustus 2004, 9.00 11.00 uur Het tentamen IN3120 bestaat uit 10 meerkeuzevragen en 2 open vragen. Voor de meerkeuzevragen kunt u maximaal 65

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

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

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

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

Wat zijn de overlevingskansen? Omgaan met gecensureerde data

Wat zijn de overlevingskansen? Omgaan met gecensureerde data Wat zijn de overlevingskansen? Omgaan met gecensureerde data Wiskunde A-lympiade voorronde-opdracht 28 november 2003 De Wiskunde A-lympiade wordt gesponsord door Texas Instruments 1 Werkwijzer bij de voorronde

Nadere informatie

Lessen Java: Reeks 2. David Blinder Beerend Ceulemans

Lessen Java: Reeks 2. David Blinder Beerend Ceulemans Lessen Java: Reeks 2 David Blinder Beerend Ceulemans Primitieve Types type grootte waardes byte 8 bits 128, 127 short 16 bits 32768, 32767 int 32 bits 2 31, 2 31 1 long 64 bits 2 63, 2 63 1 type grootte

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

Examen Methodologie 3. Kwalitatief deel

Examen Methodologie 3. Kwalitatief deel Examen Methodologie 3 Kwalitatief deel 1. Welke techniek wordt toegepast indien de code angst voor slachtofferschap vergeleken wordt met de code onveiligheidsgevoelens? a. flip flop b. far out c. close

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

Voorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal. Toets Kansrekenen I. 28 maart 2014

Voorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal. Toets Kansrekenen I. 28 maart 2014 Voorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal Toets Kansrekenen I 28 maart 2014 Naam : Richting : Lees volgende aanwijzingen alvorens aan het examen te beginnen Wie de

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

De kandidaten: jullie taak is het maken van de opdrachten, opzoeken van theorie en het zoeken naar de mol.

De kandidaten: jullie taak is het maken van de opdrachten, opzoeken van theorie en het zoeken naar de mol. Dossieropdracht 4 Wie is de mol? Opdracht Je gaat het spel Wie is de mol? spelen. Dit doe je in een groep van circa acht personen, die wordt gemaakt door de docent. In je groep moet je acht vragen beantwoorden

Nadere informatie

Naamgeving en Nummering in SmarTeam

Naamgeving en Nummering in SmarTeam Naamgeving en Nummering in SmarTeam Nikhef number: Item number: Date: 6/1/2010 Page: 1 of 7 23001-MT-00003 AA0844 Status: In Work Revision: A.1 Project: Bedrijf Intern Technical Departments Department:

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

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

Prestatie-analyse van zone-picking systemen

Prestatie-analyse van zone-picking systemen Prestatie-analyse van zone-picking systemen Ivo Adan, Jelmer van der Gaast, René de Koster, Jacques Resing Donderdag 11 oktober Zone-picking systemen 2/38 Populair order-picking systeem Magazijn verdeeld

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

Activiteit 9. Modderstad Minimaal Opspannende Bomen. Samenvatting. Kerndoelen. Leeftijd. Vaardigheden. Materialen

Activiteit 9. Modderstad Minimaal Opspannende Bomen. Samenvatting. Kerndoelen. Leeftijd. Vaardigheden. Materialen Activiteit 9 Modderstad Minimaal Opspannende Bomen Samenvatting Onze maatschappij is verbonden middels heel veel netwerken: telefoonnet, elektriciteitsnet, de riolering, computernetwerk, en het wegennet.

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