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

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

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

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

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. 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: 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

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

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

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

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

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

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

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

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

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

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

- 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Opinion Mining. Johan Stortelder s Onderzoeksplan masterscriptie. Mei 2006

Opinion Mining. Johan Stortelder s Onderzoeksplan masterscriptie. Mei 2006 Onderzoeksplan masterscriptie Mei 2006 Johan Stortelder s0355593 johanstortelder@student.ru.nl Probleemstelling Inleiding is een methode waarmee automatisch meningen (opinies) uit teksten kunnen worden

Nadere informatie

Wie verstuurt er namens jouw domein ?

Wie verstuurt er namens jouw domein  ? Wie verstuurt er namens jouw domein e-mail? Creëer inzicht in e-mail en ga met DMARC de strijd tegen phishing mails aan Your data-driven solution that helps to secure your e-mail Wie verstuurt er namens

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

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

Elementary Data Structures 3

Elementary Data Structures 3 Elementary Data Structures 3 Ferd van Odenhoven Fontys Hogeschool voor Techniek en Logistiek Venlo Software Engineering 29 september 2014 ODE/FHTBM Elementary Data Structures 3 29 september 2014 1/14 Meer

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

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

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

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

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

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

4orange Connect. 4orange, 2015. Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl

4orange Connect. 4orange, 2015. Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 4orange Connect 4orange, 2015 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 Inhoud Inhoud... 2 1. Achtergrond... 3 2) Browsen... 4 3) Scheduler... 4 4) Frequenties en kruistabellen... 4 5)

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

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

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

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

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

Toegepaste data-analyse: oefensessie 2

Toegepaste data-analyse: oefensessie 2 Toegepaste data-analyse: oefensessie 2 Depressie 1. Beschrijf de clustering van de dataset en geef aan op welk niveau de verschillende variabelen behoren Je moet weten hoe de data geclusterd zijn om uit

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

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

Handleiding B3P GIS Suite verbeelding maken met Quantum GIS

Handleiding B3P GIS Suite verbeelding maken met Quantum GIS Handleiding B3P GIS Suite verbeelding maken met Quantum GIS Gewijzigd: 10 april 2012 Inhoudsopgave 1. Inleiding...2 1.1 Nog niet ondersteunde verbeeldingen...2 1.2 B3P GIS Suite...2 1.3 Installatie van

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

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

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

De volgende opgave gaat over de B-bomen van het college, waar sleutels zowel in de bladeren als ook in de interne knopen opgeslagen worden.

De volgende opgave gaat over de B-bomen van het college, waar sleutels zowel in de bladeren als ook in de interne knopen opgeslagen worden. . a) Een Fibonacci boom (niet te verwarren met een Fibonacci queue) van hoogte h is een AVL-boom van hoogte h met zo weinig mogelijk knopen. i. Geefvoorh =,,,,eenfibonacciboomvanhoogteh(eenboombestaande

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

Workflow Verrijkte Documenten

Workflow Verrijkte Documenten Workflow Verrijkte Documenten Boudewijn Rempt Opgericht in 2007 in Duitsland Internationaal bedrijf met experts in Nederland, Duitsland, Denemarken, Zweden en het Verenigd Koninkrijk OpenDocument: actief

Nadere informatie

Kansrekening en Statistiek

Kansrekening en Statistiek Kansrekening en Statistiek College 9 Woensdag 7 Oktober 1 / 51 Kansrekening en Statistiek? Bevordert luieren de fantasie? Psychologie 2 / 51 Kansrekening en Statistiek? Bevordert luieren de fantasie? Psychologie

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

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

Over binaire beslissingsdiagrammen naar Donald E. Knuth s The Art of Computer Programming, Volume 4

Over binaire beslissingsdiagrammen naar Donald E. Knuth s The Art of Computer Programming, Volume 4 Over binaire beslissingsdiagrammen naar Donald E. Knuth s The Art of Computer Programming, Volume 4 Jonathan K. Vis 1 Inleiding (blz. 70 72) In dit essay behandelen we bladzijden 70 75 van Donald E. Knuth

Nadere informatie

Analyse van een Customer Journey bij een Interimkantoor

Analyse van een Customer Journey bij een Interimkantoor Analyse van een Customer Journey bij een Interimkantoor Inschrijvingsproces via de website Ellen Van Molle Consultant Bram Vanschoenwinkel SoluGon Architect BI & AnalyGcs Principal Consultant ae nv/sa

Nadere informatie

INSTRUCTIE ABC-ANALYSE. April 2016 v2. paul durlinger INSTRUCTIE ABC-ANALYSE April 2016 v2

INSTRUCTIE ABC-ANALYSE. April 2016 v2. paul durlinger  INSTRUCTIE ABC-ANALYSE April 2016 v2 0 INSTRUCTIE ABC-ANALYSE April 2016 v2 paul durlinger www.durlinger.nl 1 Instructies voor het maken van een ABC analyse 0 Inleiding In dit paper zetten we het maken van de ABC-analyse zoals behandeld tijdens

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

Dan is de afstand A B = lengte van lijnstuk [A B]: AB = x x )² + ( y ²

Dan is de afstand A B = lengte van lijnstuk [A B]: AB = x x )² + ( y ² 1 Herhaling 1.1 Het vlak, punten, afstand, midden Opdracht: Teken in het vlak de punten: A ( 1, 2) B(3,6) C( 5,7) Bepaal de coördinaat van het midden van (lijnstuk) [A B]: M [B C ]: N Bepaal de afstand

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

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

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 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

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

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

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

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