Datakon
datakon|@|datakon.cz
M.: +420-605240291
Zpráva pro Org. výbor
Historie
2007
Fotografie
2006
Fotografie
2005
Fotografie
2004
Fotografie
2003
  
2002
Fotografie
2001
Fotografie

Tutoriály:

Každý tutoriál je 1/2-denní akcí, neděle 19.10.2008.

UML, alea iacta est
Miroslav Benešovský, Karel Richta, BenSoft, s.r.o, MFF UK Praha

Dobývání znalostí v kostce
Petr Berka, VŠE Praha

Service Systems - Modeling, Execution, Education
Zdenko Staníček, FI MU Brno

Teorie a praxe podobnostního hledání v metrických prostorech
Pavel Zezula, Vlastislav Dohnal, Michal Batko, FI MU Brno


Tutoriály, abstrakty

UML, alea iacta est
Miroslav Benešovský, Karel Richta, BenSoft, s.r.o, MFF UK Praha

Z hlediska současného stavu v oblasti vývoje SW se zdá, že kostky UML byly již vrženy.
Tutoriál se zabyvá rozborem, kam dopadly a kolik je výsledný součet.
Obsahuje dvě části:
  • teoretický rozbor aktuálního stavu UML
  • rozbor praktického využití UML.
Problematika bude ilustrovaná zejména na příkladech. zpět

Dobývání znalostí v kostce
Petr Berka, VŠE Praha

Tutoriál uvede základní pojmy z dobývání znalostí z databází, podá přehled používaných metod z oblasti strojového učení a pak na vybraných příkladech z bankovnictví, medicíny a e-commerce ukáže širokou škálu možných úloh formulovaných a řešených nad týmiž daty. Budou rovněž zmíněny klíčové faktory pro úspěšné nasazení metod dobývání znalostí v praxi. Součástí tutoriálu bude i představení systémů Weka (nejpoužívanější volně dostupný systém) a LISp-Miner (systém vyvíjený na VŠE).

Část 1

  • Dobývání znalostí z databází: základní pojmy a východiska, metodiky dobývání znalostí.
  • Obecné principy dobývání znalostí: učení na základě podobnosti, učení jako prohledávání, učení jako aproximace
  • Algoritmy strojového učení: rozhodovací stromy, rozhodovací pravidla, asociační pravidla, případové usuzování, neuronové sítě, bayesovská klasifikace, genetické algoritmy.
  • Interpretace nalezených znalostí: vyhodnocení, testování, kombinování modelů.
  • Metody předzpracování: transformace dat do jedné datové matice, redukce počtu příkladů a či počtu atributů, diskretizace, seskupování hodnot.
  • Předpoklady úspěšné aplikace metod dobývání znalostí.

Část 2

  • Příklady reálných úloh: dobývání znalostí z bankovních, medicínských a internetových dat.
  • Seznámení se systémy Weka a LISp-Miner
zpět

Service Systems - Modeling, Execution, Education
Zdenko Staníček, FI MU Brno

Service Science - co je to věda o službách, proč se to objevilo a kdo za tím stojí
Co se skrývá pod heslem SSME = Service Science, Management, and Engineering State-of-art v oblasti SSME. Co se děje ve světě byznysu, jak se to odráží v akademické sféře.. Stav na řadě světových universit. Evropské iniciativy: project DELLIIS = DEigning Lifelong Learning for Innovation in Information Services. Iniciativy firmy IBM. Knihy, konference.

Definice servisního systému a její důsledky
Sociálně-politické a ekonomické aspekty. Servisní ekonomika versus ekonomika směny zboží. Aspekty vlastnictví versus kooperace na spoluvytváření přidané hodnoty mezi poskytovatelem a klientem služby. Organizační model servisního systému a model jeho inteligentního chování. Vztah servisních systémů a projektového managementu.

Modely vykonávání služeb servisním systémem
Výkon služeb a framework užitečnosti. Verifikace a validace - problematika správnosti chování servisního systému. Jak správnost chování rozpoznat a hodnotit. Imunitní systém servisních systémů. Projekt, program, portfolio management jako možné paradigma provozování servisních systémů.

Vzdělávání a výchova v kontextu servisních systémů
Filosofické pozadí. Výchova profesionálů pro servisní ekonomiku a pro začlenění do servisního systému. Aspekt učení se a výchovy samotného servisního systému. Use-case výchovy servisního systému. Příprava pro profesi "engineer in information services innovation". Stav ve světě a u nás.

Ukázka výkonů konkrétního servisního systému
"Dalekohledy do kyberprostoru". Zrcadlení života organizace v počítačové síti a co se s tím dá dělat. Živá ukázka spolupráce s implementovaným servisním systémem. zpět

Teorie a praxe podobnostního hledání v metrických prostorech
Pavel Zezula, Vlastislav Dohnal, Michal Batko, FI MU Brno

Cílem tohoto tutoriálu je seznámit účastníky s univerzálním přístupem k podobnostnímu hledání pomocí metrických prostorů a poskytnout jim přehled lavních technik jak v centralizovaném tak i v distribuovaném prostředí. Vlastnosti metrického hledání budou předvedeny na 50 milionové databázi obrázků indexovaných pomocí strukturované peer-to-peer sítě. Účastníci budou mít možnost si samostatně vyzkoušet vyhledávání v této databázi a zhodnotit kvalitu odpovědi a rychlost odezvy.
  • Úvod a motivační příklad
  • Základy metrického vyhledávání
    definice problému, vzdálenostní funkce, podobnostní dotazy, základní principy dělení dat, strategie vyhodnocování podobnostních dotazů, metody pro snížení množství vzdáleností
  • Přehled indexačních struktur
    techniky založené na M-stromech, hašovací techniky, aproximované podobnostní hledání a jejich porovnání
  • Škálovatelné distribuované indexační struktury
    cíle a omezení, nativní metrické struktury (GHT*, VPT*), techniky založené na transformaci (M-CAN, M-Chord)
  • Praktická ukázka
    MPEG-7 popisovače obrázků, soubor dat a výpočetní infrastruktura, vyzkoušení systému na osobních počítačích účastníků
  • Budoucí směry vývoje - vyhledávací sítě založené na principech známých ze sociologie a biologie
zpět