Temos aktualumas. Veiklos modelio panaudojimas duomenų gavybos procese leistų sujungti veiklos modelį su duomenų gavybos modeliu. Taip galima siekti geresnių rezultatų duomenų gavybos srityje bei efektyviau valdyti duomenų gavybos procesą. Tai ypač svarbu mažoms įmonėms kurios dar tik pradeda naudoti duomenų gavybos įrankius savo veikloje, nes norint gauti geriausius duomenų gavybos rezultatus duomenų gavyba reikia sklandžiai įtraukti į įmonės veiklos procesus. Problemos esmė. Veiklos modelio pagalba norima pagerinti duomenų gavybos procesą (efektyviau valdyti) siekiant geresnių jos rezultatų. Problemos ištyrimo lygis. Duomenų gavyba nėra nauja veiklos sritis, tačiau ji sparčiai vystosi ir tobulėja. Kiekvienas darbas duomenų gavybos srityje, padedantis didinti duomenų gavybos valdymo efektyvumą yra svarbus ir aktualus. Itin svarbus yra duomenų gavybos procesų modelio atsiradimas, kurio tikslas integruoti duomenų gavybą į verslo aplinką. Jį suformavo trys kompanijos (Daimler Chrysler, SSPS, Teradata). CRISP-DM (angl. Cross-Industry Standard Process for Data Mining) – standartinį duomenų gavybos proceso modelis (The CRISP-DM consorcium, 2003). Kaip galima sujungti duomenų gavybą ir sprendimų priėmimų sistemas siekiant optimalesnių, efektyvesnių bei veiksmingesnių verslo operacijų išsamiai dėstoma „Data Mining and Decision Support for Business Competitiveness: A European Virtual Enterprise“ projekto medžiagoje (Mladenic D., 2003). Darbo objektas. Duomenų gavybos sistema paremta... [toliau žr. visą tekstą] / The main goal of the graduation paper is creation Enterprise Model Based Data Mining System. The main tasks of this work are: 1. Submit business intelligence systems analyses; select the best business intelligence system for small companies. 2. Submit data mining algorithms for analyses. 3. Create data mining process model using enterprise model. 4. Perform detailed analysis of data mining tools for small enterprises; 5. Use real data to verify the adaptation of tools for small businesses; 6. Use experimental data to realize the data mining process for real business. For the graduation paper are used analyses of nonfiction literature, analogy, comparison, modelling and experimental methods. The graduation paper composes of analysis part, proposed solution methodology part and experiment. Results of work: designed data mining activity model for small logistics company. The graduation paper includes 60 sheets, 9 tables and 36 pictures.

The purpose of the final job is to analyze load of the computer network main lines during weekdays in VGTU and to compare it with load of the same type lines. In the job VGTU network history, development and present situation is described. The network typology, main communicative equipment and routing is discussed. The main protocols of the networks and control technologies are described in the job. Possibilities to use them for making network statistics are analyzed. Statistical information receiving and releasing system is realized. Possibility to use it in VGTU computer network is demonstrated. The carried out analysis permits to determine the weak links of the network, load in dynamics of the main equipment and the increase of the network resource usage. This lets predict the expansion of the network and the necessary renovations.

Customer Relationship Management (CRM) is one of the biggest problems for many companies today. By analyzing history records (profiles) of its customers, organization can effectively adapt its business activity to users needs and create better products and services. Proper analysis of customer profiles can help to predict the behaviour of the customers. After grouping customer profiles by similar attributes, company can easier handle its interactions with similar users. Such group profiling can also help to identify needs of new customers on their first interaction with the company. The biggest problem in implementing such systems is the management of a vast array of customer data. Data mining technologies can help to solve this problem and help the ebusinesses to better understand their e-customers. This work reviews data mining methods, such as Nearest Neighbors, Decision Trees and Association Rules, which can be effectively used for customers grouping and profiling. A new conceptual model of Users Recognition System is suggested. The new model uses profiles created from customer history records for identifying new customers. The suggested model has been tested experimentally and results prove the possibility of practical application of this model.

The main idea is an application of data mining technologies in order to increase distributed servers’ efficiency using data mining methods and agent’s technology. The objects of investigation are data from document based model database and its using by allocatable servers. / Disertacijoje nagrinėjamos šiuolaikiškos duomenų gavybos technologijos serverių našumui gerinti, taikant įvairius duomenų gavybos metodus ir agentines technologijas. Pagrindinis tyrimo objektas – dokumentinių duomenų bazių duomenys ir jų naudojimas išskirstytuose serveriuose.

Disertacijoje nagrinėjamos šiuolaikiškos duomenų gavybos technologijos serverių našumui gerinti, taikant įvairius duomenų gavybos metodus ir agentines technologijas. Pagrindinis tyrimo objektas – dokumentinių duomenų bazių duomenys ir jų naudojimas išskirstytuose serveriuose. / The main idea is an application of data mining technologies in order to increase distributed servers’ efficiency using data mining methods and agent’s technology. The objects of investigation are data from document based model database and its using by allocatable servers.

Nuotolinių aplinkų duomenų bazėse kaupiamas didelis kiekis informacijos apie studentus ir jų veiksmus nuotolinėje aplinkoje. Kad būtų paprasčiau analizuoti šiuos duomenis į pagalbą pasitelkiama duomenų gavyba. Darbo tikslas - sudaryti sistemą, skirtą duomenų, gautų iš virtualios nuotolinio mokymo aplinkos Moodle, pirminiam apdorojimui ir duomenų gavybai. Gautus duomenis ištirti pritaikant programinės įrangos paketo StatSoft STATISTICA 7 duomenų gavybos algoritmus besimokančiųjų mokymosi intensyvumo duomenų analizei. Įvertinus gautus rezultatus parengtos rekomendacijos tolimesnei duomenų analizei. Duomenų analizei pritaikyta klasterinė k-vidurkių analizė. / The databases of virtual learning environments store large quantity of information about students and theirs activity. The data mining is usable to easer analysis of these information. The object of work is to make a system for preprocessing and data mining of data, obtained from virtual learning environment Moodle. The historical learning data can be analysed after preprocessing to study learners learning intensity with data mining algorithms by StatSoft STATISTICA 7 software. k-means cluster analysis was applied as example of data mining of learning data. Recommendations to further application of data mining of learning activities are given, too.

Pastaruosius metus mokslinė veikla buvo intensyvi ieškant algoritmų, padedančių spręsti tokias problemas, kaip duomenų sistemų klasterizavimas (angl. dataset clustering). Duomenų analizės metodų kompleksiškumas, duomenų apimties didėjimas, skatino ieškoti būdų, kaip atrasti metodą, kuris padėtų realizuoti esminius duomenų gavimo principus, pritaikant efektyviausius algoritmus, integruojant duomenų apsaugos metodus visose duomenų valdymo ir analizės stadijose. Moksliniu požiūriu tyrimai duomenų gavybos srityje galimai veda į naują informacijos ir duomenų analizės bei klientų valdymo požiūrį. Šiame darbe analizuojamas duomenų gavybos metodas ryšių su klientais sistemose, jo pritaikymas ir efektyvumas, aktualios problemos. Darbe analizuojami metodai yra ne tik moksliniai, tačiau visi darbe atlikti tyrimai veda į praktinį pritaikymą ir galutiniam naudotojui skirtos priemonės sukūrimą – duomenų gavybos metodų rinkinį integruota į ryšiais su klientais valdymo sistemas, skirtas B2B verslo aplinkai. Darbe gauti duomenų gavybos metodų tyrimo rezultatai pateikia naują požiūrį į tiekimo grandinės etapus – tvarkaraščių ir gabenimo laikų valdymą, prekių kiekio kontrolę bei klientų kreditavimo pirkimams skyrimą. / Latest activity in scientific field has been major in research of algorithms that are able to solve problems related to data analysis using tools of dataset clustering and data mining. Principe of data mining cover analysis of various business environment steps and suggests ways of prognosing, analyzing, classifying data. Data mining tools are applicable to customer relationship management systems offering key data analysis, increasing customer knowledge. Scope of thesis is the effective usability of data mining methods for customer relationship management system specifically used by business-to-business companies. Suggested concept leads to new perspective of transactional data analysis through following stages: client credibility valuation, product purchase amount prognosis and product delivery handling. Combined customer orientated data with supply chain inputs gave successful results in real data experiment. In conclusion, data mining tools improve data analysis in customer relationship management in B2B companies’ data analysis routine.

Šiuo metų informacinės technologijos vystosi labai sparčiai, tai ypač pastebima internete. Įmonės stengiasi kuo daugiau informacijos apie save ir savo paslaugas pateikti savo interneto svetainėse, kadangi žmonės informacijos vis dažniau ieško internete. Ne išimtis ir bankai, kurie pateikia visą informaciją apie save, ir savo paslaugas savo interneto svetainėse, tačiau kiekvieno banko interneto svetainės struktūra yra skirtinga, todėl norint sužinoti ir palyginti valiutų kursų duomenis skirtinguose bankuose užima daug laiko. Taip pat bankai neteikia tokios paslaugos kaip valiutos kurso kitimo istorija, kas yra aktualu atliekant valiutos keitimo operaciją. Bakalauro baigiamojo darbo tikslas – sukurti valiutų kursų stebėjimo sistemą, paremta Lietuvos bankų pateikiamais valiutų kursų duomenimis, pateikti vartotojams valiutų kursų duomenis iš skirtingų Lietuvos bankų vienoje vietoje, bei suteikti jiems įrankius, kurių dėka jie galėtų palyginti duomenis tarp skirtingų bankų. Pasinaudodami kuriama sistema vartotojai sutaupytų daug laiko, ne tik dėl to kad visi duomenys pateikiami vienoje vietoje, bet ir dėl to kad kiekvieno banko duomenys bus pateikiami vienoda forma, todėl juos bus lengva suprasti ir analizuoti. / Nowadays everybody use internet to either find or spread information. Banks do the same, in fact clients no longer need to visit bank, because everything can be done online, which means that banks provide a lot of information to it’s customers. Aim of the project is to create a system, which would provide users with Exchange rates data from Lithuanian banks in an unified, easy to understand format. System must monitor and collect Exchange rates fluctuation data supplied by Lithuanian banks automatically. System requirements and architecture were determined after carrying out an analysis of similar systems. Main requirements for the system are that the data collection should be performed automatically, so that the system can operate with minimum maintenance required. Users must be able to view daily Exchange rates data as well as have the ability to view historic graphs for a specific currency in a specific bank, perform currency Exchange calculations in a specific bank or compare the results between selected banks. Based on system requirements specification and architectural specification system testing was conducted in order to find and fix system errors and also check system compatibility with different server-side and user-side software. User manual is also available for both, system administrators and end-users.

Duomenų gavybos sistemos apibūdinamos kaip žinios, kurios pasinaudojant įvairiais statistiniais, matematiniais, modelių atpažinimo metodais yra apibendrinamos ir tinkamai apdorojamos. Pasinaudojant duomenų gavybos technologijomis ieškoma naujų priklausomybių, prasmingų dėsningumų tarp organizacijos duomenų, tendencijų tarp verslo procesų, duomenų atvaizdavimo modelių, naujos ir nežinomos informacijos apie verslo procesus. Duomenų gavybos sistemų analizavimas yra svarbus ne tik organizacijoms. Norint prisitaikyti prie rinkos pokyčių, svarbu laiku ir tinkamai pateikti informaciją studentams, paskaitų metu supažindinti su aktualiausia informacija, priartinti studijų programas prie rinkos pokyčių. Pagrindinis darbo tikslas yra ištirti ir palyginti duomenų gavybos sistemas, remiantis gautais rezultatais, sudaryti duomenų gavybos metodiką ir suprojektuoti laboratorinius darbus, kurie padėtų atskleisti duomenų gavybos reikšmę mokymosi procese bei šiuolaikinėje įmonėje. Magistrinio darbo tikslui pasiekti iškelti tokie uždaviniai: • Atliktų tyrimų apžvalga, literatūros analizė; • Duomenų gavybos technologijų ir algoritmų analizė; • Programinės įrangos analizė; • Duomenų gavybos proceso modelio projektavimas; • Laboratorinių darbų projektavimas. Sukurtuose laboratoriniuose darbuose pademonstruotos duomenų gavybos technologijos, algoritmų veikimo principai, programinės įrangos įrankių galimybės, kuriant duomenų gavybos modelius. Duomenų gavybos modeliai sukurti MS SQL server 2005... [toliau žr. visą tekstą] / Systems of data mining are defined as knowledge, which using various statistic, mathematical, models for patterns recognition methods, is generalized and properly processed. Applying technologies of data mining it is being searched for new subordinations, meaningful consistent patterns between an organization’s data, tendencies among business processes, reflective model-based data, new and unfamiliar information about business processes. Analysis of data mining systems is relevant not only for organizations. In order to adjust to alterations of market, it is important to provide information to students on time and properly, during sessions students should get acquainted with current information, studies programs should be approach towards alterations of market. The main aim of the work is to explore and compare systems of data mining with reference to received results, to make methodology of data mining and to project laboratory works which could help to reveal the importance of data mining in a process of learning and in a modern enterprise. These goals have been set in order to achieve the aim of master’s work: • Survey of accomplished research, analysis of literature; • Analysis of data mining technologies and algorithms; • Analysis of software; • Projection of process model of data mining; • Projection of laboratory works. Technologies of data mining, working principles of algorithms, possibilities of software equipments, creating models of data mining, are demonstrated... [to full text]

Objektų klasterizavimas – tai viena iš duomenų gavybos (angl. data mining) sričių. Šių algoritmų pagrindinis privalumas – gebėjimas atpažinti grupavimo struktūrą be jokios išankstinės informacijos. Magistriniame darbe yra pristatomas vaizdų klasterizavimo algoritmas, naudojantis savaime susitvarkančius neuroninius tinklus (angl. Self-Organizing Map). Darbe analizuojami vaizdų apdorojimo, ypatingųjų taškų radimo bei palyginimo metodai. Nustatyta, kad SIFT (angl. Scale Invariant Feature Transform) ypatingųjų taškų radimas bei aprašymas veikia patikimiausiai, todėl būtent SIFT taškiniai požymiai yra naudojami klasterizavime. Darbe taip pat analizuojamas atstumo tarp paveikslėlių radimo algoritmas, tiriami skirtingi jo parametrai. Algoritmų palyginimui yra naudojamos ROC (angl. Receiver Operating Characteristic) kreivės ir EER (angl. Equal Error Rate) rodiklis. Vaizdų klasterizavimui yra naudojamas ESOM (Emergent Self-Organizing Map) neuroninis tinklas, jis vizualizuojamas U-Matrix (angl. Unified distance Matrix) pagalba ir tinklo neuronai skirstomi į klasterius vandenskyros algoritmu su skirtingu aukščio parinkimu. Magistriniame darbe demonstruojami klasterizavimo rezultatai su pavyzdinėmis paveikslėlių duomenų bazėmis bei realiais gyvenimiškais vaizdais. / Clustering algorithms – a field of data mining – aims at finding a grouping structure in the input data without any a-priori information. The master thesis is dedicated for image processing and clustering algorithms. There are point-feature detection, description and comparison methods analyzed in this paper. The SIFT (Scale Invariant Feature Transform) by D. Lowe has been shown to behave better than the other ones; hence it has been used for image to image distance calculation and undirectly in clustering phase. Finding distances between images is not a trivial task and it also has been analysed in this thesis. Several methods have been compared using ROC (Receiver Operating Curve) and EER measurements. Image clustering process is described as: (1) training of ESOM (Emergent Self-Organizing Map), (2) its visualization in U-Matrix, (3) neuron clustering using waterflood algorithm, and (4) image grouping according to their best-matching unit neurons. The paper demonstrates the image clustering algorithm on public object image databases and real life images from the Internet as well.