No description available.

In order to fully examine the application of association analysis to medical data for the purpose of deriving medical diagnoses, we survey classical association analysis and approaches, the current challenges faced by medical association analysis and proposed solutions, and finally culminate this knowledge in a proposition for the application of medical association analysis to the identification of food intolerance. The field of classical association analysis has been well studied since its introduction in the seminal paper on market basket research in the 1990's. While the theory itself is relatively simple, the brute force approach is prohibitively expensive and thus, creative approaches utilizing various data structures and strategies must be explored for efficiency. Medical association analysis is a burgeoning field with various focuses, including diagnosis systems and gene analysis. There are a number of challenges faced in the field, primarily stemming from characteristics of analysis of complex, voluminous and high dimensional medical data. We examine the challenges faced in the pre-processing, analysis and post-processing phases, and corresponding solutions. Additionally, we survey proposed measures for ensuring the results of medical association analysis will hold up to medical diagnosis standards. Finally, we explore how medical association analysis can be utilized to identify food intolerances. The proposed analysis system is based upon a current method of diagnosis used by medical professionals, and seeks to eliminate manual analysis, while more efficiently and intelligently identifying interesting, and less obvious patterns between patients' food consumption and symptoms to propose a food intolerance diagnosis.

In today's competitive marketplace, relationship marketing has become an important factor. Companies want to achieve customer loyalty through sustainable long-term relationships with customers, especially in the service industry. Thus, companies implement loyalty programs, and conduct consumer research to evaluate the success of these programs. The customer satisfaction construct, is often used by companies to measure the level of satisfaction of their customers. However, previous literature argues that this construct conceal negative emotions. Therefore, the authors have chosen to investigate one type of negative emotion, namely frustration, within frequent flyer programs. The purpose of this thesis is to explore and identify what incidents cause frustration for members within the SAS EuroBonus program. The authors’ goal is to tap into customer frustration, as well as different types of sensations and the underlying incidents that create these sensations. This study will further investigate what impact customer frustrations can exert on program members’ behaviour towards the SAS EuroBonus program. The research method chosen for this thesis was of qualitative nature; the primary data were collected using a single case study, with semi structured interviews, conducted with members of the SAS EuroBonus program of Silver level or higher. The findings from this research reveal that even though individuals claim to be satisfied, negative emotions and concealed frustration is evident. The incidents found in this case study concern qualification barriers, inaccessibility, no additional value, additional costs and service. These incidents resulted in both strongly and weakly felt frustration sensations, which in turn led to three categories of frustration behaviours, namely avoidance, protest and passive behaviour.

Mångbesökare är ett begrepp som används för att beskriva patienter som söker vård ofta inom både primärvård och akutsjukvård. Begreppet mångbesökare är ofta negativt laddat på grund av sjukvårdspersonalens och medias förutfattade meningar där mångbesökarna beskrivs som patienter som söker vården i onödan, det vill säga utan medicinskt fog. Ofta redovisas höga kostnader för mångbesökarna och problemet med att gruppen söker många olika vårdgivare. Syftet med studien är att beskriva vad som kännetecknar patienter vilka betraktas som mångbesökare och hur de kan uppleva sin situation. Studien är en litteraturstudie av tre artiklar med kvantitativ ansats, en avhandling med kvantitativ ansats, samt fyra artiklar med kvalitativ ansats. Resultatet visar att mångbesökare kännetecknas av att det är fler kvinnor än män som definieras som mångbesökare, åldersmässigt är mångbesökare i medelåldern, men de kan också vara äldre som är multisjuka och yngre patienter som är i en krissituation. Mångbesökare visar sig ha ett stort vårdbehov, okunskap om den egna hälsan, ha en stor tillit till sin läkare, ha ett stort lidande, att ofta vara svårt sjuka samt att de har flera negativa upplevelser av vården. Flera uttrycker ett lidande och ett utanförskap. Slutsatsen är att mångbesökare är en utsatt patientgrupp med ett stort lidande med både somatisk och psykisk sjukdomsbild som behöver god vård, bra möte med vårdpersonal, kontinuerlig läkarkontakt och god tillgänglighet. En fördel för patientgruppen vore att det fanns multidisciplinära team bestående av läkare, sjuksköterskor, sjukgymnaster, arbetsterapeuter, psykologer och kuratorer som kan identifiera patientgruppens ohälsa och rätt hjälp kan sättas in. / Program: Fristående kurs

<p>Nya bättre transportmedel och sätt att kommunicera gör att världen krymper, konkurrensen hårdnar och detta tvingar företag att fokusera på kunderna. Dagens företag måste veta vad deras kunder värdesätter och det har gett begreppet kundvärd en ny och viktigare betydelse. En bransch där konkurrensen hårdnat de senaste åren, på grund av bland annat avregleringar, är flygbranschen. En viktig pusselbit för att denna bransch skall kunna fungera är flygplatserna. Flygplatser var en gång i tiden enbart platser där människor var ”tvungna” att passera för att ta sig till en ny destination. Dagens flygplatser har utvecklats till något helt annat. I dag är flygplatser kommersiella centrum där människor handlar, tjänster tillhandahålls och måltider avnjuts. Flygplatser har alltså utvecklats till en aktör där kundvärde blivit ett viktigt element att förstå och förbättra för att verksamheten skall kunna nå uppsatta mål.</p><p>För att öka förståelsen för vad kunder värdesätter i dagens tjänsteintensiva samhälle har denna studie som mål att undersöka vad kundvärde är på en medelstor flygplats i Sverige. Syftet är mer specifikt att identifiera vilka element som främst påverkar kundvärdet av Umeå City Airport för resenärer som reser ofta, så kallade frequent flyers. Detta syfte har vi besvarat genom att använda en kvalitativ undersökningsmetod och tagit reda på hur resenärer som reser ofta så kallade frequent flyers uppfattar Umeå City Airport idag. För att få fram detta har vi använt oss av fokusgrupper, där vi på ett mycket intressant sätt fått följa diskussioner kring, uppfattningar och åsikter om, hur flygplatsen uppfattas idag. Det insamlade materialet presenteras i empirin utifrån de diskussionsområden som användes i fokusgrupperna och har sedan analyserats utifrån vår valda teoretiska referensram.</p><p>Den teoretiska referensram som legat till grund för denna studie är teorier ur huvudsakligen tre områden, vilka är: Tjänster, Kundvärde och Servicescape (tjänstelandskapet). Dessa teorier är i huvudsak hämtade ur vetenskapliga artiklar där vi specifikt valt ut ett antal tidigare undersökningar gjorda av erkända forskare. Dessa teorier och tidigare gjorda vetenskapliga studier har givit oss insikt i och förståelse för hur vi skulle angripa detta ämne. Vår valda teoretiska referensram har legat till grund för de analyser vi gjort och de slutsatser vi genererat med denna studie.</p><p>De slutsatser denna studie har genererat är för det första att personalen har stor inverkan på frequent flyers kundvärde på Umeå City Airport. För det andra påverkar även köer och väntan kundvärdet negativt. För det tredje påverkas kundvärdet positivt av att lokalerna är estetiskt tilltalande och välutformad, gärna med en lokal prägel. Slutligen har även det tjänsteutbud som frequent flyers erhåller på Umeå City Airport betydelse för hur mycket tid de väljer att spenderar på flygplatsen.</p>

Nya bättre transportmedel och sätt att kommunicera gör att världen krymper, konkurrensen hårdnar och detta tvingar företag att fokusera på kunderna. Dagens företag måste veta vad deras kunder värdesätter och det har gett begreppet kundvärd en ny och viktigare betydelse. En bransch där konkurrensen hårdnat de senaste åren, på grund av bland annat avregleringar, är flygbranschen. En viktig pusselbit för att denna bransch skall kunna fungera är flygplatserna. Flygplatser var en gång i tiden enbart platser där människor var ”tvungna” att passera för att ta sig till en ny destination. Dagens flygplatser har utvecklats till något helt annat. I dag är flygplatser kommersiella centrum där människor handlar, tjänster tillhandahålls och måltider avnjuts. Flygplatser har alltså utvecklats till en aktör där kundvärde blivit ett viktigt element att förstå och förbättra för att verksamheten skall kunna nå uppsatta mål. För att öka förståelsen för vad kunder värdesätter i dagens tjänsteintensiva samhälle har denna studie som mål att undersöka vad kundvärde är på en medelstor flygplats i Sverige. Syftet är mer specifikt att identifiera vilka element som främst påverkar kundvärdet av Umeå City Airport för resenärer som reser ofta, så kallade frequent flyers. Detta syfte har vi besvarat genom att använda en kvalitativ undersökningsmetod och tagit reda på hur resenärer som reser ofta så kallade frequent flyers uppfattar Umeå City Airport idag. För att få fram detta har vi använt oss av fokusgrupper, där vi på ett mycket intressant sätt fått följa diskussioner kring, uppfattningar och åsikter om, hur flygplatsen uppfattas idag. Det insamlade materialet presenteras i empirin utifrån de diskussionsområden som användes i fokusgrupperna och har sedan analyserats utifrån vår valda teoretiska referensram. Den teoretiska referensram som legat till grund för denna studie är teorier ur huvudsakligen tre områden, vilka är: Tjänster, Kundvärde och Servicescape (tjänstelandskapet). Dessa teorier är i huvudsak hämtade ur vetenskapliga artiklar där vi specifikt valt ut ett antal tidigare undersökningar gjorda av erkända forskare. Dessa teorier och tidigare gjorda vetenskapliga studier har givit oss insikt i och förståelse för hur vi skulle angripa detta ämne. Vår valda teoretiska referensram har legat till grund för de analyser vi gjort och de slutsatser vi genererat med denna studie. De slutsatser denna studie har genererat är för det första att personalen har stor inverkan på frequent flyers kundvärde på Umeå City Airport. För det andra påverkar även köer och väntan kundvärdet negativt. För det tredje påverkas kundvärdet positivt av att lokalerna är estetiskt tilltalande och välutformad, gärna med en lokal prägel. Slutligen har även det tjänsteutbud som frequent flyers erhåller på Umeå City Airport betydelse för hur mycket tid de väljer att spenderar på flygplatsen.

Online mining the maximal frequent itemsets over data streams is an important problem in data mining. The maximal frequent itemset is the itemset which the support is large or equal to the minimal support and the itemset is not the subset or superse of each itemset. Previous algorithms to mine the maximal frequent itemsets in the traditional database are not suitable for data streams. Because data streams have some characteristics: (1) continuous (2) fast (3) no data limit (4) real time (5) searching once, mining data streams have many new challenges. First, they are unrealistic to keep the entire stream in the main memory or even in a secondary storage area, since a data stream comes continuously and the amount of data is unbounded. Second, traditional methods of mining on stored datasets by multiple scans are infeasible, since the streaming data is passed only once. Third, mining streams requires fast, real-time processing in order to keep up with the high data arrival rate and mining results are expected to be available within short response time. In order to solve mining maximal frequent itemsets from data streams using the landmark window model, Mao et. al. propose the INSTANT algorithm. In the landmark window model, knowledge discovery is performed based on the values between the beginning time and the present. The advantage of using the landmark window model is that the results are correct as compared to the other models. The structure of the INSTANT algorithm is simple and it can save many memory space. But it takes long time in mining the maximal frequent itemsets. When the new transactions comes, the number of comparisons between the old transactions of INSATNT algorithm is too much. In this thesis, we propose the Set-Checking algorithm to mine frequent itemsets from data streams using the landmark window model. We use the structure of lattice to store our information. The structure of lattice records the subset relationship between the child node and the father node. For every node, we can record the itemset and the support. When the new transaction comes, we consider five relations: (1) equivalent (2) superset (3) subset (4) intersection (5) empty relations. According to the lattice structure of the five sets , we can add the transaction and the renew support efficiently. From our simulation result, we find that the process time of our Set-Checking algorithm is faster than that of the INSTANT algorithm.

Online mining association rules in data streams is an important field in the data mining. Among them, mining the maximal frequent itemsets is also an important issue. A frequent itemset is called maximal if it is not a subset of any other frequent itemset. The set of all the maximal frequent itemsets is denoted as the maximal frequent itemset. Because data streams are continuous, high speed, unbounded, and real time. As a result, we can only scan once for the data streams. Therefore, the previous algorithms to mine the maximal frequent itemsets in the traditional databases are not suitable for the data streams. Furthermore, many applications are interested in the recent data streams, and the sliding window is the model which deal with the most recent data streams. In the sliding window model, a window size is required. One of the algorithms for mining the maximal frequent itemsets based on the sliding window model is called the MFIoSSW algorithm. The MFIoSSW algorithm uses a compact structure to mine the maximal frequent itemsets. It uses an array-based structure A to store the maximal frequent itemsets and other helpful itemsets. But it takes long time to mine the maximal frequent itemsets. When the new transaction comes, the number of comparison between the new transaction and the old transactions is too much. Therefore, in this project, we propose a sliding window approach, the Subset-Lattice algorithm. We use the lattice structure to store the information of the transactions. The structure of the lattice stores the relationship between the child node and the father node. In each node, we record the itemset and the support. When the new transaction comes, we consider five relations: (1) equivalent, (2) subset, (3) intersection, (4) empty set, (5) superset. With this five relations, we can add the new transactions and update the support efficiently.

No description available.

Η παρούσα εργασία πραγματεύεται το πρόβλημα της εξόρυξης γνώσης μέσα από μεγάλες βάσεις δεδομένων. Πιο συγκεκριμένα αναλύονται τεχνικές εύρεσης συχνών συνόλων αντικειμένων και κανόνων συσχέτισης (association rules). Οι τεχνικές αυτές έχουν μεγάλη εφαρμογή σε τομείς της καθημερινής ζωής. Ένα παράδειγμα είναι το σύνολο των αντικειμένων που μπορεί να αγοράσει κάποιος από ένα πολυκατάστημα (market analysis). Η εύρεση συσχετισμού μεταξύ των αντικειμένων που περιέχει το καλάθι των προϊόντων μπορεί να βοηθήσει σε μεγάλο βαθμό την διεύθυνση της επιχείρησης ώστε να αναδιατάξει τη σειρά με την οποία τοποθετεί τα προϊόντα στα ράφια. Οι πιο δημοφιλείς αλγόριθμοι που επιλύουν το πρόβλημα είναι ο apriori και ο fp-growth, χρησιμοποιούν ένα κατώφλι εμπιστοσύνης πάνω από το οποίο πρέπει να είναι ο αριθμός εμφανίσεων των συνόλων αντικειμένων μέσα στην βάση δεδομένων. Αυτό όμως δεν ανταποκρίνεται στην πραγματικότητα γιατί στην καθημερινότητα υπάρχουν προϊόντα (items) τα οποία εμφανίζονται από τη φύση τους αρκετά σπάνια οπότε το όριο της υποστήριξης τους πρέπει να τεθεί αρκετά χαμηλά ώστε να αποκτήσουν σημασία οι λιγοστές εμφανίσεις τους. Αντίστοιχα τα προϊόντα που εμφανίζονται αρκετά συχνά μπορούν να έχουν όριο υποστήριξης σχετικά μεγάλο. Για το λόγο αυτό αναπτύχθηκαν αλγόριθμοι όπου αντί για ένα ενιαίο κατώφλι υποστήριξης, έχουμε πολλαπλά (multiple minimum support) και κάθε item έχει το δικό του. Έτσι υλοποιήθηκε ο αλγόριθμος apriori ενώ η παρούσα εργασία φιλοδοξεί να εφαρμόσει τον αλγόριθμο fp-growth και μάλιστα με δύο εναλλακτικές τεχνικές σε πολλαπλές υποστηρίξεις. Οι δύο τεχνικές διαφέρουν ως προς τον τρόπο κατασκευής της βασικής δομής δηλαδή του δέντρου fp-tree. Το δέντρο αυτό περιέχει τα υποσύνολα αντικειμένων, τα οποία θα διερευνήσουμε αν εμφανίζονται αρκετά συχνά ώστε να θεωρήσουμε ότι τα αντικείμενα τους συσχετίζονται μεταξύ τους. Στη συνέχεια μελετάμε τις τεχνικές εύρεσης αρνητικών κανόνων συσχέτισης (negative association rules). Οι κανόνες αυτοί είναι χρήσιμοι στην ανάλυση αγορών με στόχο να ανακαλυφθούν τα προϊόντα που ‘συγκρούονται’ μεταξύ τους ή αλληλοσυμπληρώνονται. Η μορφή τους είναι X→⌐Y και υποδηλώνει την απουσία κάποιων αντικειμένων (Υ) ως αποτέλεσμα της παρουσίας των συνόλου αντικειμένων Χ. Και σε αυτό τον τομέα έχει αναπτυχθεί ένας αλγόριθμος που εφαρμόζει apriori για την εύρεση των συνόλων από όπου θα προκύψουν τα Χ και Y και εισάγει μια μετρική συσχέτισης των δύο συνόλων αντικειμένων, που επιλέχθηκε να είναι το correlation coefficient . Αυτό που εμείς υλοποιήσαμε είναι η εφαρμογή του ίδιου αλγορίθμου αλλάζοντας όμως τεχνική χρησιμοποιώντας τον fp-growth αντί για apriori. Τέλος ασχοληθήκαμε με το πρόβλημα της εξόρυξης προτύπων με προαπαιτούμενο τη διατήρηση της σειράς των αντικειμένων (order preserving). Αναπτύχθηκε μια νέα τεχνική εξόρυξης η οποία βασίζεται στον υπάρχοντα αλγόριθμο fp-growth αλλά βασισμένη σε μια εναλλακτική μορφή τον λεγόμενο fp γράφο. Συμπερασματικά σε αυτήν την εργασία θα αναπτυχθούν τα παρακάτω: 1. Αλγόριθμος fp-growth σε πολλαπλές υποστηρίξεις όπου η βασική δομή- το δέντρο FP-tree- έχει στα φύλλα αντικείμενα με τις μεγαλύτερες υποστηρίξεις. 2. Αλγόριθμος fp-growth σε πολλαπλές υποστηρίξεις όπου η βασική δομή- το δέντρο FP-tree- έχει στα φύλλα αντικείμενα με τις μικρότερες υποστηρίξεις. 3. Αλγόριθμος fp-growth για την εύρεση αρνητικών κανόνων συσχέτισης. 4. Αλγόριθμος fp-growth για την εξόρυξη προτύπων με διατήρηση σειράς αντικειμένων όπου η βασική δομή είναι ο fp γράφος / The present work deals with the problem of data mining from databases. More specifically we analyze methods for detection of frequent itemsets and association rules. The most popular case study of data mining is the market analysis. The important here is the detection of relation among buying items. These relation could follow to a new different classification of items inside the super market. The most popular algorithms of data mining – apriori and fp growth – use a single support threshold for the number of appearances of items inside the database. This single threshold is not appropriate because of the different kind of items. This conclude to replacement of single threshold with multiple threshold, one for each concrete item. We implement the algorithm fp growth for multiple minimum supports, using two different methods. These two methods differs in the way we build the fp tree. The fp tree contents the itemsets which we must examine if they are frequent or not. Right after that we study methods for detection positive and negative association rules. Negative association rules have the form X→⌐Y. The symbol ⌐ indicate the absence of itemset Y. Our method also use a statistic method for calculate the relation between X and Y called ‘correlation coefficient’. This method leads to an algorithm fp growth for detection of positive and negative rules. Finally we involve with the data mining problem using a semantic requirement: ‘The order of the items in an itemset cannot change’. We develop an fp growth algorithm for detect frequent itemsets with order preserving. This algorithm use a fp graph instead of fp tree.