dr.sc. Goran Klepac - osobne stranice
Home
Data mining
REFII model
DM software i linkovi
Tekstovi
Vaša pitanja i odgovori
Konzultantske usluge RC
CV - dr. sc. Goran Klepac
CV - dr. sc. Leo Mršić
... i s najjeftinijom busolom lakše je ploviti nego po zvijezdama, pogotovo kad je oblačno pak nema zvijezda...

Miroslav Krleža
Vijesti REFII model
01.07.2017.




Novo poglavlje u knjizi !!!

A New Paradigm in Fraud Detection Modeling Using Predictive Models,Fuzzy Expert Systems, Social Network Analysis and Unstructured Data u Computational Intelligence Applications in Business Intelligence and Big Data Analytics, editors: Vijayan Sugumaran, Arun Kumar Sangaiah, Arunkumar Thangavelu CRC Press, Taylor & Francis Group , Goran Klepac, Leo Mršić, Robert Kopal
Link ..

25.06.2017.

Goran Klepac, predavač na konferenciji: Data Science, Monetization and Economy, 28.06.2017.

How to extend analytical views in early warning systems by using data from virtual spaces (with illustrative example from Croatia)

Do we really create efficient early warning systems when we are using internally collected data from our databases? Which secrets, useful for decision making are hidden deep in virtual spaces and how it can be revealed by usage of data science methodology?
How to extend analytical views in early warning systems by using data from virtual spaces (with illustrative example from Croatia). How to squeeze juice of knowledge from ordinary data which are stored in social networks? How Social Network Analysis in combination with text mining and other data science methods can help to dig golden patterns of knowledge giving better binoculars to early warning systems making them more efficient.
This presentation will give answers on enumerated questions with illustrative and currently actual case study from Croatian market.
Link ..

19.04.2017.

Goran Klepac, član programskog odbora konferencije: ARTIFICIAL INTELLIGENCE AND NATURAL LANGUAGE CONFERENCE, ST. PETERSBURG, RUSSIA, 20-23 SEPTEMBER 2017
Link ..

17.03.2017.




Novo poglavlje u knjizi !!!

Intelligent Decision Support Systems for Sustainable Computing, Editors: Arun Kumar Sangaiah, Ajith Abraham, Patrick Siarry, Michael Sheng (Eds.), Springer International Publishing, 2017, Leo Mršić, Robert Kopal Goran Klepac : Analyzing Slavic Textual Sentiment Using Deep Convolutional Neural Networks
Link ..

03.12.2016.

Prezentacija : Kako razvijati fraud detection modele pomoću data science tehnika : Link(PDF) ...

25.11.2016.

Data science i razvoj modela za otkrivanje prijevara, ili kako zajahati valove statističkih paradoksa

Što učiniti kada planirate razviti sustav za detekciju prijevara ili prepoznati sumnjivu aktivnost, a jedino što imate je more atributa unutar baze podataka ili nestrukturiranih izvora podataka bez jasne ideje u kom smjeru krenuti? Ima li rješenja? Dođite na naš sljedeći meetup u suradnji s Visokim Učilištem Algebra i saznajte kako!

Predavač: Dr.sc. Goran Klepac

Očekujemo Vas na Visokom Učilištu Algebra 30. studenog u 18 sati u dvorani Faust Vrančić!
Link za prijavu ..

19.11.2016.




Nova knjiga !!!

Hybrid Soft Computing for Image Segmentation: Bhattacharyya, S., Dutta, P., De, S., Klepac, G. (Eds.), Springer International Publishing, 2016, Goran Klepac je ujedno i autor poglavlja: REFII Model and Fuzzy Logic as a Tool for Image Classification Based on Image Example Link ..

30.10.2016.

Dr.sc. Goran Klepac će od 03.11.2016. - 04.11.2016. održati radionicu : "Razvoj fraud detection modela (modeli za detekciju prijevara) u bankarstvu pomoću data science metodologije". Radionica će se održati u Beču u organizaciji RBI-a za potrebe regionalnih članica (europskih članica grupe). Obuhvatit će razvoj preventivnih i eksplorativnih modela, kao i tehnike forenzike u svrhu otkrivanja obrazaca prijevara sa interaktivnim radom polaznika radionice na demonstracijskim skupovima podataka.

19.09.2016.




Članak u časopisu !!!

Klepac, G. (2016). Particle Swarm Optimization Algorithm as a Tool for Profile Optimization. International Journal of Natural Computing Research (IJNCR), 5(4), 1-23. doi:10.4018/IJNCR.2015100101
Link ..


19.07.2016.


Link na predavanje !!!

Kakvi se sve potencijali kriju u obradi slika i multimedijskih sadržaja u službi razvoja sustava preporuka, segmentaciijskih i cross selling modela ? Kako povezati različite vrste podataka sa multimedijskim sadržajima u svrhu kreiranja efikasnijih sustava preporuka, segmentaciijskih i cross selling modela. Predavanje daje odgovor kakve sve informacije možemo dodatno ekstrahirati analizirajući aktivnosti preferencija pregleda slikovnih sadržaja, te kako prepoznati profile korisnika analizirajući te sadržaje.
U okviru predavanja pokazano je kako slikovne sadražaje povezati sa izvorima podataka poput strukturiranih podataka, teksta, te kako primjeniti različite analitičke koncepte u svrhu dobivanja novih vrijednosti temeljem slikovnih sadržaja.
Integralni dio predavanja je i primjer koji ilustrira predloženi koncept.
Link ...

14.06.2016.




Nova knjiga u pripremi !!!

Dr.sc. Goran Klepac, author je poglavlja: Schrodinger equation as an inspiration for client portfolio simulation hybrid system based on dynamic Bayesian networks and REFII model u knjizi: Quantum Inspired Computational Intelligence, Research and Applications, Elsevier (MKP)




Članak u časopisu !!!

Dr.sc. Goran Klepac, author je članka: Customer Profiling in Complex Analytical Environments Using Swarm Intelligence Algorithms, u međunarodnom časopisu: International Journal of Swarm Intelligence Research(IJSIR)

10.05.2016.

Prijavite se na konferenciju : Od digitalnog marketinga do marketinga digitalne ere na kojoj ćete između ostalog moći vidjeti i predavanje : Kada digitalne marketinške kampanje “progledaju”, ili kako računalni vid širi horizonte analitičkim sustavima

Kakvi se sve potencijali kriju u obradi slika i multimedijskih sadržaja u službi razvoja sustava preporuka, segmentaciijskih i cross selling modela ? Kako povezati različite vrste podataka sa multimedijskim sadržajima u svrhu kreiranja efikasnijih sustava preporuka, segmentaciijskih i cross selling modela. Predavanje će dati odgovor kakve sve informacije možemo dodatno ekstrahirati analizirajući aktivnosti preferencija pregleda slikovnih sadržaja, te kako prepoznati profile korisnika analizirajući te sadržaje.
U okviru predavanja pokazat će se kako slikovne sadražaje povezati sa izvorima podataka poput strukturiranih podataka, teksta, te kako primjeniti različite analitičke koncepte u svrhu dobivanja novih vrijednosti temeljem slikovnih sadržaja.
Integralni dio predavanja bit će i primjer koji ilustrira predloženi koncept.
Više na ...

14.04.2016.

Prijavite se na predavanje: Data science u poslovnoj praksi, 21.04.2016. u 17:00 sati Ekonomski fakultet, Zagreb.

Predavanje će dati odgovore na pitanja kako data science može pomoći u svakodnevnom poslovanju. Kako pomoću data science metoda izgraditi sustave za predikciju prekida ugovornih odnosa, detekciju prijevara, segentaciju, procjenu rizičnosti i kako razumjeti uzroke tih pojava.
Predavanje će vas odvesti u svijet gdje podaci pričaju priče i šapću vam kako rješiti probleme, a na to ih potičete tehikama data science-a.
Uronit ćemo u svijet gdje vladaju relacijske baze, kako i virtualne prostore osluškujući šaptanja na društvenim mrežama, a sve u cilju boljeg razumijevanja kupca.
U sklopu predavanja bit će prikazano nekoliko poslovnih slučajeva iz poslovne prakse predavača iz domene osiguranja, telekomunikacija, trgovine i financijskog sektora gdje su se primjenom data science tehnika i metoda uspješno rješili problemi iz poslovne prakse.
Više na ...

21.03.2016.

Dr.sc. Goran Klepac jedan je od predavača na Data Science Monetization konferenciji. Predavanje naslova : Kada ekstremi propjevaju, ili kako izgraditi sustav za detekciju prijevara, dati će odgovore na pitanja: Zašto je izgradnja prediktivnih modela za detekciju prijevara kompleksniji zadatak od izgradnje prediktivnih modela za neke druge problemske prostore ? Kako data science može pomoći u situacijama kada ne postoje statistički relevantni uzorci koji bi ukazivali na devijantna ponašanja u portfelju, uslijed činjenice kako prijevare nisu masovna pojava ? Koja je uloga ekstrema unutar podataka u tom procesu i kako ih prepoznajemo ? Kako objediniti ekspertne sustave, SNA, tradicionalnu prediktivnu analitiku, text mining u svrhu izgradnje sustava za detekciju prijevara ?
Kroz predavanje će biti predstavljeni poslovni slučajevi iz poslovne prakse predavača, iz domene osiguranja, gdje će se na ilustrativan način pokazati sinergijski efekt hibridnih sustava u vidu objedinjenih ekspertnih sustava, SNA, tradicionalne prediktivne analitike i text mininga u službi detekcije prijevara.
Više na ...

15.03.2016.




Nova knjiga u pripremi !!!

Dr.sc. Goran Klepac, author poglavlja i urednik u novoj knjizi : Bhattacharyya, S., Bhaumik, H., De, S., & Klepac, G. (2017). Intelligent Analysis of Multimedia Information (pp. 1-484). Hershey, PA: IGI Global. doi:10.4018/978-1-5225-0498-6

10.03.2016.





Dr.sc. Goran Klepac autor je predgovora u knjizi: Handbook of Research on Modern Optimization Algorithms and Applications in Engineering and Economics

07.02.2016.




Nova knjiga !!!

Dr.sc. Goran Klepac, author ju poglavlja u novoj knjizi: Business Intelligence: Concepts, Methodologies, Tools, and Applications

07.11.2015.




Nova knjiga u pripremi !!!

Dr.sc. Goran Klepac, dr.sc. Leo Mršić i dr.sc. Robert Kopal authori su poglavlja: "Efficient Risk Profiling Using Bayesian Networks and Particle Swarm Optimization Algorithm", u novoj knjizi : Analyzing Risk through Probabilistic Modeling in Operations Research

13.10.2015.




Nova knjiga u pripremi !!!

Dr.sc. Goran Klepac autor je poglavlja: "Discovering behavioural patterns within customer population by using temporal data subsets", u novoj knjizi : Handbook of Research on Advanced Hybrid Intelligent Techniques and Applications.

21.09.2015.




Dr.sc. Goran Klepac dobio je status prepoznatog recenzenta, u izdavačkoj kući : Elsevier.

20.09.2015.

Poziv za poglavlja u knjizi : "Hybrid Soft Computing for Image Segmentation", u izdanju izdvačke kuće : Springer, gdje je dr.sc. Goran Klepac jedan od urednika.
Više na ...

14.09.2015.

Dr.sc. Goran Klepac, predavač na međunarodnoj konferenciji " SCIENCE AND BUSINESS", koja će se održati: "02.10.2015, u Sloveniji",
Više o konferenciji ...

01.09.2015.

Dr.sc. Goran Klepac će na Fraud konferenciji u Beču u organizaciji RBI-a 03.09.2015., održati dvosatnu radionicu naslova: "Developing fraud detection models –
best practices with case studies", koja će obuhvatiti razvoj modela za detakciju prevara.
Radionica će obuhvatiti razvoj preditivnih modela, ekspertnih modela, modela baziranih na mrežnoj analitici, modela baziranih na procesiranju prirodnog jezika nad podacima prikupljenih sa intenetskih izvora. Na radionici će uz prijedlog holističkog rješenja biti prikazani i poslovni slučajevi iz spomenutog područja gdje je dr.sc. Goran Klepac bio autor analitičkih rješenja za detekciju prevara u različitim granama gospodarstva.


25.08.2015.




Dr.sc. Goran Klepac, dr.sc. Leo Mršić i dr.sc. Robert Kopal, autori su poglavlja: "REFII Model as a Base for Data Mining Techniques Hybridization with Purpose of Time Series Pattern Recognition", u knjizi: "Hybrid Soft Computing Approaches", izdavač: Springer
Više o knjizi ...

07.07.2015.





Nova knjiga u pripremi !!!

Dr.sc. Goran Klepac i dr.sc. Marko Velić, autori su poglavlja: "Natural Language Processing as Feature Extraction Method for Building Better Predictive Models", u knjizi: "Modern Computational Models of Semantic Discovery in Natural Language", koja izlazi u trećem kvartalu 2015. godine .
Više o knjizi ...

06.07.2015.





U knjizi: "Transportation Systems and Engineering: Concepts, Methodologies, Tools, and Applications ", objavljeno je poglavlje dr.sc. Gorana Klepca: "Risk Evaluation in the Insurance Company Using REFII Model" Uredništvo: Information Resources Management Association (USA)
Više o knjizi ...

23.05.2015.





U knjizi: "Research Methods: Concepts, Methodologies, Tools, and Applications ", objavljeno je poglavlje dr.sc. Gorana Klepca: "Data Mining Models as a Tool for Churn Reduction and Custom Product Development in Telecommunication Industries" Uredništvo: Information Resources Management Association (USA)
Više o knjizi ...

08.04.2015.





Nova knjiga u pripremi !!!

Dr.sc. Goran Klepac, autor je poglavlja: "Particle swarm optimization algorithm as a tool for profiling from predictive data mining models ", u knjizi: "Handbook of Research on Swarm Intelligence in Engineering", koja izlazi u trećem kvartalu 2015. godine u izdanju američke izdavačke kuće IGI global.
Više o knjizi ...

25.03.2015.

Call for Chapters: Intelligent Analysis of Multimedia Information

Editors:
Dr. Siddhartha Bhattacharyya, (RCC Institute of Information Technology, India)
Mr. Hrishikesh Bhaumik, (RCC Institute of Information Technology, India)
Mr. Biswanath Chakraborty, (RCC Institute of Information Technology, India)
Dr. Goran Klepac, (Raiffeisen Bank, Croatia)
Više na linku ...

21.03.2015.

Link na predavanja sa konferencije : "Od digitalnog marketinga do marketinga digitalne ere" na YouTube-u.
Na ovome linku možete vidjeti nadahnuto predstavljanje knjige "Developing Churn Models Using Data Mining Techniques and Social Network Analysis", koju je predstavio prof.dr.sc. Velimir Srića, a koju su napisali Klepac, Kopal i Mršić. Link sadrži interesantna predavanja dr.sc. Roberta Kopala i dr.sc. Lea Mršića, kao i dva predavanja dr.sc. Gorana Klepca.

14.03.2015.

Prijavite se na konferenciju: "Od digitalnog marketinga do marketinga digitalne ere" , u organizaciji Visokog učilišta Algebra.

27.02.2015.



Nova knjiga u pripremi !!!
Dr.sc. Goran Klepac, autor je poglavlja: "Proposal of analytical model for business problems solving in big data environment ", u knjizi: "Strategic Data-Based Wisdom in the Big Data Era", koja izlazi u drugom kvartalu 2015. godine u izdanju američke izdavačke kuće IGI global.
Više o knjizi ...

24.02.2015.

Dr.sc. Goran Klepac, izabran je za voditelja katedre za informacijske sustave na Visokom učilištu Algebra.

27.11.2014.


Dr.sc. Goran Klepac, član je programskog odbora na (ACIIDS 2015) 7th Asian Conference of Intelligent Information and Database Systems, Bali, Indonesia.


10.11.2014.

Dr.sc. Goran Klepac, član je Technichal Program Committee na International Conference on Computational Intelligence and Communication Networks (ICCICN 2014), Kolkata, Indija.


07.11.2014.

09.11.2014, na HRT4 u 16:30, u emisiji "Kod budućnosti", dr.sc. Goran Klepac će pričati o fenomenu evolutivnog računarstva, odnosno kako nam uzori u prirodi mogu biti inspiracija za inteligentne algoritme. Kao ilustracija bit će riječi o genetičkim algoritmima, genetičkom programiranju, algoritmu optimizacije mravlje kolonije, inteligenciji jata i PSO algoritmu, te ulozi fraktala u inteligentim algoritmima.

09.10.2014.

Prezentaciju rada: "Credit Risk Early Warning System using Fuzzy Expert Systems", predstavljenog na konferenciji: CECiiS, možete vidjeti ovdje:
Credit Risk Early Warning Systems using Fuzzy Expert Systems

09.09.2014.

Igor Kaluđer i Goran Klepac, autori su znanstvenog rada: "Credit Risk Early Warning System using Fuzzy Expert Systems", koji će biti prezentiran na konferenciji: CECiiS: Central European Conference on Information and Intelligent Systems, u organizaciji Fakulteta Organizacije i Informatike iz Varaždina.

08.09.2014.


Dr.sc. Goran Klepac, član je International Editorial Review Board , u znanstvenom časopisu International Journal of Ambient Computing and Intelligence (IJACI)


29.08.2014.

Dvije nove knjige u pripremi !!!
Dr.sc. Goran Klepac, autor je poglavlja "Particle swarm optimization algorithm as a tool for profiling from predictive data mining models", u knjizi: "Handbook of Research on Swarm Intelligence in Engineering", te je autor poglavlja "Proposal of analytical model for business problems solving in big data environment", u knjizi: "Strategic Data-Based Wisdom in the Big Data Era", koje izlaze 2015. godine u izdanju američke izdavačke kuće IGI global.

22.07.2014.

Dr.sc. Goran Klepac izabran je u uredništvo međunarodnog znanstvenog časopisa: Global Journal of Technology and Optimization.


12.07.2014.

Dr.sc. Goran Klepac je tijekom srpnja 2014. godine za Raiffeisen BANK dd Bosna i Hercegovina, odradio konzultantske usluge u domeni upravljanja odnosima sa klijentima (CRM) u bankarstvu, što je uključivalo razvoj prediktivnih churn/retention, cross sell, up sell i segmentacijskih modela.


04.04.2014.



U zadnjem kvartalu 2014. godine izlazi knjiga na engleskom jeziku, naslova: "Developing Churn Models Using Data Mining Techniques and Social Network Analysis", u izdanju američke izdavačke kuće
IGI global.
Autori knjige su dr.sc. Goran Klepac, dr.sc. Robert Kopal i dr.sc. Leo Mršić. Ovo je prva knjiga u svijetu koja se bavi isključivo problematikom modeliranja prekida ugovornih odnosa primjenom data mining metoda i SNA analitike. Knjiga daje sveobuhvatna i opsežna rješenja kako dizajnirati prediktivne analitičke modele za predviđanje prekida ugovornih odnosa u različitim granama gospodarstva.
Više o knjizi ...


03.04.2014.

Dr.sc. Goran Klepac, dr.sc. Robert Kopal i dr.sc. Leo Mršić autori poglavlja: "Early warning system framework proposal, based on structured analytical techniques, SNA and fuzzy expert system for different industries" u knjizi: "Artificial Intelligent Algorithms and Techniques for Handling Uncertainties: Theory and Practice", koja izlazi krajem 2014. godine u izdanju američke izdavačke kuće IGI global.


02.04.2014.

Dr.sc. Goran Klepac, jedan od urednika u časopisu CIT. Journal of Computing and Information Technology, University of Zagreb University Computing Centre - SRCE

10.12.2013.

Dr.sc. Goran Klepac izabran je u uredništvo međunarodnog znanstvenog časopisa:
INTERNATIONAL JOURNAL OF
COMPUTING AND OPTIMIZATION


16.07.2013.

U proteklom kvartalu dr.sc. Goran Klepac odradio je niz projekata vezanih uz telekomunikacije i trgovinu (prediktivni i segmentacijski modeli).
Na site-u možete naći dva nova teksta :
Što je to SNA analitika? i Kada intuicija zatreba pomoć.

12.03.2013.

Dr. sc. Goran Klepac- jedan od predavača na petoj hrvatskoj konferenciji o kontrolingu. Više o konferenciji i prijave na konferenciju ...

31.07.2012.

Dr. sc. Goran Klepac autor je poglavlja: "Risk Evaluation on Insurance Company Clients Using REFII Model" u knjizi: "Intelligent Techniques in Recommendation Systems: Contextual Advancements and New Methods" koja uskoro izlazi u izdanju američke izdavačke kuće IGI global. Više o cijelom projektu ...


24.05.2012.

Dr. sc. Robert Kopal i dr. sc. Goran Klepac održat će 30. svibnja 2012. seminar: "Upravljanje profitabilnošću portfelja primjenom naprednih analitičkih metoda - primjer profitabilnosti retaila -", u organizaciji Hrvatskog instituta za bankarstvo i osiguranje. Sadržaj seminara i prijavnicu možete pronaći ovdje.


11.03.2012.

Dr. sc. Robert Kopal i dr. sc. Goran Klepac održat će 23. ožujka 2012. seminar: "Primjena napredne analitike u osiguranju", u organizaciji Hrvatskog ureda za osiguranje. Sadržaj seminara i prijavnicu možete pronaći ovdje.


16.02.2012.

Dr. sc. Goran Klepac održat će u ožujku predavanja na dvije konferencije: konferenciji o kontrolingu i konferenciji o korporativnoj sigurnosti.


09.02.2012.

dr. sc. Goran Klepac kao pozvani predavač i savjetnik na konferenciji
Financial data managemet forum, koja će se održati u Amsterdamu (Nizozemska) 22-23.05.2012, zajedno sa dr. sc. Robertom Kopalom održat će trosatni workshop: "Portfolio management in financial institutions, using advanced intelligent methods".


16.01.2012.

U izdanju poznate američke izdavačke kuće koja izdaje knjige iz područja informacijskih znanosti (computer science) IGI global, krajem lipnja 2012. izlazi knjiga: "Intelligent Techniques in Recommendation Systems: Contextual Advancements and New Methods ", Editors: Dr. Satchidananda Dehuri,Dr. Manas Ranjan Patra, Dr. Bijan Bihari Misra,Dr. Alok Kumar Jagadev , gdje je dr.sc. Goran Klepac autora poglavlja "Risk Evaluation in The Insurance Company Using REFII model".

11.12.2011.

Nova knjiga dr. sc. Gorana Klepca, : "SUSTAVI POTPORE ODLUČIVANJU" (priručnik). Izdavač: Algebra d.o.o., 2011. Priručnik će se koristiti za potrebe nastavnog plana i programa na Visokoj školi za primijenjeno računarsto, predmet : Sustavi potpore odlučivanju.

27.09.2011.

U časopisu "Poslovni savjetnik", za 10. mjesec, pročitajte tekst dr sc. Gorana Klepca, o značenju poslovne inteligencije u poslovanju, kao i o trendovima kretanja analitike u poslovnoj inteligenciji.

22.09.2011.

Dr. sc. Goran Klepac, suradnik u knjizi: "KOMPETITIVNA ANALIZA – poslovne i ekspertne kvantitativne analitičke tehnike". Autori dr. sc. Robert Kopal i Darija Korkut, zajedno sa svojim suradnicima dr.sc. G. Klepcom, mr.sc. I. Kaluđerom i S. Krnjašićem, pripremili su dvije nove knjige na temu kompetitivne analize koje će uskoro biti dostupne u maloprodaji.

03.09.2011.

Konferencija "Primjena business intelligence procesa" u organizaciji Cominusa i Lidera, odražat će se 10. studenoga 2011. dr.sc. Goran Klepac, će na konferenciji održati predavanje: "Upravljanje profitabilnošću u retailu" a mr.sc. Leo Mršić predavanje "Planiranje u retailu: Kako kraj ciklusa pretvoriti u novi početak?". Više o konferenciji pogledajte na ovoj adresi.

25.05.2011.

Dr. sc. Goran Klepac je na 4. međunarodnoj konferenciju „ Dani kriznog upravljanja “ predstavio rad "Sustavi ranog upozorenja temeljeni na metodama poslovne inteligencije", kao koautor .

25.04.2011.

Tekst koji objašnjava zašto kupovina softvera ne smije biti jedina preokupacija vezana uz BI projekt, tekst dr. Klepca objavljen u business.hr možete pročitati ovdje.

21.02.2011.

Tekst koji se dotiče problematike umjetne inteligencije i trendova u istoj, objavljen u siječanjskom broju časopisa "Vidi", možete pročitati ovdje.

29.01.2011.

Tekst koji objašnjava zašto poslovnu analitiku ne treba promatrati isključivo kao sustav reporta i OLAP rješenja, nadahnut interviewom sa dr. Klepcom za business.hr možete pročitati ovdje.

14.12.2010.

Tekst dr.sc. Gorana Klepca o trendovima u web miningu, objavljenog u časopisu "Vidi" za mjesec listopad,
možete pročitati ovdje (PDF)

30.10.2010.

Link na članak o predavanju na konferenciji "Primjena Business intelligence procesa", dr.sc. Gorana Klepca i mr.sc. Lea Mršića


08.09.2010.

Prijavite se na konferenciju: "Primjena Business intelligence procesa", gdje su predavači i dr.sc. Goran Klepac i mr.sc. Leo Mršić, u organizaciji Comminusa i LIDER press-a.


12.07.2010.

Prijavite se na radionicu: "Inteligentno upravljanje portfeljem korisnika", koju će održati dr.sc. Goran Klepac, u organizaciji poduzeća "Comminus".


18.05.2010.

Sadržaj knjige: "Data Mining in Public and Private Sectors: Organizational and Government Applications".
Više o poglavlju u knjizi kojem je autor dr.sc. Goran Klepac: "Preparing for New Competition in the Retail Industry".


17.03.2010.

U izdanju poznate američke izdavačke kuće koja se bavi izdavanjem knjiga iz područja informacijskih znanosti (computer science) IGI global, krajem travnja 2010. izlazi knjiga: "Data Mining in Public and Private Sectors: Organizational and Government Applications", Antti Syvajarvi (Editor), Jari Stenvall (Editor), gdje je dr.sc. Goran Klepac jedan od koautora u knjizi.
Knjigu možete naručiti na www.amazon.com

06.09.2009.

Dr.sc. Goran Klepac će 11.09.2009. i 12.09.2009. održati predavanja na poslijediplomskom doktorskom studiju (FOI) iz predmeta Metode razvoja i istraživanje sustava poslovne inteligencije.


12.08.2009.

Na site je dodan tekst sa
praktičnim savjetim za razvoj ekspertnih sustava (PDF)

24.07.2009.

U zadnjem kvartalu 2009. godine izlazi knjiga na engleskom jeziku, radnog naslova: "Handbook of Research on Data Mining in Public and Private Sectors: Organizational and Government Applications", u izdanju izdavačke kuće
IGI global.
Jedan od koautora u knjizi je i dr.sc. Goran Klepac.


13.06.2009.

Na stranici DM software i linkovi (pod kategorijom "softver") možete pronaći novi link na softver za samoorganizirajuće mape, koji u demo verziji može biti koristan za razumijevanje ove vrste neuronskih mreža.
Uskoro će na ovome site-u biti objavljen tekst sa praktičnim savjetima za uspješan razvoj i implementaciju fuzzy ekspertnih sustava.

24.03.2009.

Na BI or not BI: Business survival kit seminaru (Zagreb, 25. ožujka 2009.), u organizaciji poduzeća CRMT, dr.sc. Goran Klepac održati će predavaje pod naslovom:" Inteligentno upravljanje portfeljem pomoću metoda data mininga".
Predavanje će se osvrnuti na ulogu metoda data mininga u svakodnevnom poslovanju, kao i promjenu karaktera metoda data mininga u uvjetima recesije. Na predavanju će biti prikazan ilustrativan primjer upravljanja trgovačkim portfeljem pomoću metoda data mininga u uvjetima recesije. Predavanje će posebnu pažnju posvetiti kreiranju sustava ranog upozorenja i sustava monitoriranja portfelja u službi potpore poslovnom odlučivanju.


09.03.2009.

Na 2. Međunarodnoj konferenciji o korporativnoj sigurnosti (Zagreb, 2. travnja 2009.) dr.sc. Goran Klepac će održati predavaje pod naslovom "Upravljanje portfeljem u uvjetima krize".
Predavanje će se osvrnuti na vrste portfelja s obzirom na različite grane gospodarstva te njihove specifičnosti u upravljanju s obzirom na tržišne uvjete poput recesije i konkurentske tržišne utakmice.
Predavanje će dati odgovor na pitanje što karakterizira upravljanje portfeljem u uvjetima krize, i kako nam u tome mogu pomoći metode data mininga.
Prezentirat će se metodologija primjene scenario analiza pomoću metoda data mininga, koja bi trebala biti podrška strateškom poslovnom odlučivanju.
Prikazat će se metodologija segmentacije pomoću tehnika data mininga prema kriteriju rizičnosti, i objasniti porast njenog značaja u uvjetima tržišne krize.
Na predavanju će također biti prikazan model cjelovitog sustava koji se temelji na tehnikama data mininga a koji služi kao potpora poslovnom odlučivanju u uvjetima tržišne krize.


27.02.2009.

U časopisu Financijska teorija i praksa br. 4/2008 objavljen je rad dr.sc. Gorana Klepca: Model osjetljivosti portfelja za analizu kreditnog rizika uzrokovanog strukturnim i makroekonomskim promjenama.

20.12.2008.



Objavljena je knjiga : "Credit Scoring - Concepts, Perspectives and Models"; editors: Ravi Kumar, Jain B; The Icfai University Press, India, 2008, ISBN: 978-81-314-1577-1. Klepac Goran je autor jednog poglavlja u knjizi.
Knjigu "Credit Scoring - Concepts, Perspectives and Models" možete naručiti ovdje.

03.10.2008.

10.09. - 12. 09. i od 01.10.-03.10.2008. dr. sc. Goran Klepac održao je seminare "Primjena data mining metoda u bankarstvu za analitičare" u organizaciji RBA.


08.09.2008.

Na predstojećoj 13. HrOUG konferenciji mr.sc. Leo Mršić održat će predavanje na temu tehničkog rješenja programa vjernosti Lantea Grupe: PremiumClub. Raspored svih događanja pogledajte ovdje.

28.08.2008.

dr.sc. Goran Klepac je jedan od predavača a mr.sc. Leo Mršić suradnik na kolegiju "Sustavi potpore odlučivanju ", u Visokoj školi za računarstvo.

12.07.2008.

Na predstojećoj Oracle Open World (OOW) konferenciji u San Franciscu, SAD od 21. do 25.09.2008. mr.sc. Leo Mršić održat će predavanje na temu projekta PremiumClub Lantea Grupe. Više o OOW konferenciji na stranicama konferencije. Detalji predavanja na ovoj adresi. Pregledajte sve prijavljene radove na ovoj adresi.

10.07.2008.

Pogledajte članak iz časopisa Info.ba vezano uz Oracle event u Sarajevu na kojem su sudjelovali dr.sc. Goran Klepac i mr.sc. Leo Mršić [članak, PDF, 200kb]

22.06.2008.

Dr.sc. Goran Klepac će 28.06.2008. održati predavanje na poslijediplomskom doktorskom studiju "Informacijske znanosti" na Fakultetu organizacije i informatike u okviru nositeljstva predmeta "Metode razvoja i istraživanje sustava poslovne inteligencije".

16.06.2008.

12. i 13. lipnja 2008. dr. sc. Goran Klepac održao je seminar "Primjena data mining metoda u bankarstvu" u organizaciji RBA.

Nove tekstove iz područja data mininga možete pronaći ovdje.


09.06.2008.

Goran Klepac i Leo Mršić su 04.06.2008. u organizaciji Oracle BIH, održali seminar u Sarajevu.
Seminar je prikazao problematiku primjene poslovne inteligencije u svakodnevnom poslovanju s managerske perspektive.

04.04.2007.

Pogledajte recenziju knjige "Poslovna inteligencija kroz poslovne slučajeve" (Vip poslovni magazin, 04.04.2007.)

04.01.2007.

Pogledajte recenziju knjige "Poslovna inteligencija kroz poslovne slučajeve" (Lider, 29.12.2006.)

06.12.2006.

Rezultate ankete (12 polaznika) uspješno završenog seminara u okviru DSA možete vidjeti ovdje.

Vi se također možete prijaviti na naredni seminar.



I would like to know more about:

Churn (71,11%)

Fraud detection (13,33%)

Segmentation models (4,44%)

Scoring models (4,44%)

Other (6,67%)


Ukupno glasova: 45
Sažetak

REF II model predstavlja novi pristup u analizi vremenskih serija, koji se oslanja na jedinstveni model transformacije vremenske serije. Prednost ovakvog pristupa očituje se u mogučnosti integracije čitavog niza analitičkih postupaka nad vremenskom serijom, mogučnost ulančavanja postupaka analize nad vremenskom serijom, te integraciju metoda data mininga unutar vremenskih serija, što dosadašnjom poznatom metodologijom nije bio slučaj, upravo iz razloga što se zanemaruje važnost modela transformacije.
Dosadašnji znanstveni radovi upučuju na taj problem i uglavnom rješavanje ovog problema uvjetuju razvojem močnije hardverske podrške.REFII model rješava probleme ulančavanja metoda za analizu vremenskih serija, otvara mogučnost analize vremenskih serija uz pomoć tradicionalnih metoda data mininga, i otvara mogučnost kreiranja ad hoc algoritama za analizu vremenskih serija.
REFII model daje cjeloviti rješenje za analizu vremenskih serija, te je posebno pogodan za rješavanja problema iz domene tržišnih analiza koje zahtijevaju integraciju i ulančavanje čitavog niza postupaka i metoda za analizu vremenskih serija.

Autor REFII modela je dr.sc. Goran Klepac, i ovaj je model razrađen u sklopu njegove doktorske disertacije.

UVOD

Jedinstveni model transformacije vremenske serije (REFII) omogučuje povezivanje različitih konceptualnih modela analize vremenske serije, što je unapređenje u odnosu na tradicionalan način korištenja niza nepovezanih metoda prilikom analize.
REFII model također omogučuje analize vremenskih serija primjenom tradicionalnih metoda rudarenja podataka (stabla odlučivanja, klasteriranja, metode potrošačke košarice,...)
Povezivanjem različitih konceptualnih modela analize u okviru REFII modela možemo riješiti složene analitičke zadatke na temelju vremenskih serija, poput segmentacije tržišta te otkrivanja tržišnih zakonitosti (modeli ponašanja tržišnih segmenata i subjekata) .
Primjena REFII modela nudi unapredenje u otkrivanju tržišnih zakonitosti iz vremenskih serija prilikom "ad hoc" analize tržišnih problema za razliku od tradicionalnoga pristupa, prilikom kojega koristimo niz nepovezanih i nekompatibilnih metoda, koje nam ponekad ne dopuštaju mogučnost dublje analize i modeliranje rješenja za nestandardne probleme povezivanjem niza razlicitih metodoloških postupaka analize.

Unapređenje pojmovno znači povezivanje različitih metodoloških koncepcija analize vremenskih serija, primjenu tradicionalnih metoda rudarenja podataka na vremensku seriju, ulančavanje metoda za analizu vremenskih serija te nadogradnja temeljnog REFII modela s izvornim algoritmima s ciljem izgradnje modela za segmentaciju tržišta na osnovi vremenskih serija i procjene ponašanja tržišnih segmenata i subjekata.

Dublja analiza pojmovno znači mogučnost provedbe razlicitih tipova analiza na reduciranom setu podataka iz vremenske serije, koji je proizašao kao rezultat obrade prije primijenjene metode ili analitickoga postupka.

Povezivanje se ostvaruje posredstvom jedinstvenoga modela transformacije vremenske serije, koji je temelj analitičkim postupcima, metodama te razvoju novih metoda s obzirom na problemski prostor.

Dosadašnje metode, koje se bave analizom vremenskih serija, fokusirane su uglavnom na određeni problem te se ponašaju poput "crnih kutija". Na osnovi ulaznih parametara (vremenska serija) one daju informacije poput postojanja sezonskih oscilacija ili ponavljajucih uzoraka i slicno. Za sve njih karakteristično je da imaju vlastite modele transformacije vremenske serije koji su uglavnom prilagodeni konkretnoj problematici kojom se bave te, osim što su međusobno nekompatibilni, ne može ih se ekstrahirati kao izlazne vrijednosti iz modela.

REFII model nudi jedan do sada sasvim novi pristup u analizi.
Novi pristup, koji donosi REFII model, ocituje se u modelu transformacije kao osnovi analize, na kojem se temelje sve daljnje analitičke metode.

Analitičke metode su algoritamski postupci kojima se djeluje na transformirane vrijednosti, a ti algoritamski postupci mogu biti izvorni algoritamski postupci koji rješavaju određene tipove problema, poput tržišne segmentacije na temelju vremenskih serija ili pak tradicionalni algoritmi za rudarenje podataka, kao što je to, primjerice, stablo odlučivanja, odnosno novootkrivene metode za analizu vremenskih serija prilagodene REFII sintaksi.

Ovakva orijentiranost na model transformacije kao polazišne točke analize, omogučuje i temeljitiju analizu vremenskih zakonitosti ulančavanjem metoda koje djeluju na vremensku seriju te modeliranje rješenja za nestandardne probleme, proizašle iz otkrivanja tržišnih zakonitosti i segmentacije tržišta.

Pojam temeljitosti u ovom slucaju znači mogučnost provedbe razlicitih tipova analiza na reduciranom setu podataka iz vremenske serije koji je proizašao kao rezultat obrade prije primijenjene metode ili analitickoga postupka, s ciljem rješavanja kompleksnih zadataka kao što je to npr. segmentacija tržišta na temelju vremenskih serija.

KARAKTERISTIKE I CILJEVI REFII MODELA

Osnovna karakteristika ovog modela je jednoznačnost opisa vremenske serije pomoću parametara modela. Matematička jednoznacnost implicira mogučnost provođenja temeljnih matematičkih operacija nad vremenskim odsječcima poput jednakosti, različitosti i sličnosti.
U uvjetima kada krivulju, ili neki njen segment možemo komparirati sa drugom krivuljom odnosno nekim njenim segmentom matematički precizno, tada dolazimo do snažnog instrumentarija na kome se može temeljiti čitav sustav analize vremenskih serija. Upravo na ovim osnovama pociva koncepcija REFII modela.
Ova je koncepcija nastojala zadovoljiti još jedan kriterij, a to je kriterij povezanosti sa algoritmima koji se primjenjuju u data miningu. Do sada poznate metode za analizu vremenskih serija davale su odredene pokazatelje koji se kasnije nisu mogli procesuirati posredstvom nekog od poznatih algoritama u cilju ekstrahiranja dodatnog znanja. REFII model teži ka otvorenosti, odnosno uz svoj matematički instrumentarij koji služi kako za opis, tako i za generiranje znanja koje se krije u vremenskoj seriji, daje modalitete rješenja povezivanja sa ostalim data mining algoritmima.
Na taj nacin možemo iskoristiti snagu provjerenih algoritama na području vremenskih serija, u sklopu standardnih softverskih rješenja.
U skupinu klasicnih data mining algoritama ubrajamo neuralne mreže, klasteriranje, stabla odlučivanja, analizu potrošačke košarice, link analizu, i slicno, kao i sve mutacije i izvedenice ovih algoritama.
Ovom koncepcijom nam se otvara čitavo jedno novo podrucje koje nudi detaljniji i precizniji analiticki instrumentarij u domeni vremenskih serija.
REFII model se koncentrira se na tri osnovna segmenta kojima se jednoznacno može opisati krivulja , to su :

• oblik krivulje (opis izgleda vremenske serije)
• površina ispod krivulje (kvantifikacija vremenske serije)
• koeficijent kutnog nagiba pravca unutar vremenskog odsjecka ("jacina" trenda)

ALGORITAMSKA INTERPRETACIJA REFII MODELA

Krajnji algoritam mora objediniti sve tri spomenute cjeline i stvoriti temelj za primjenu analitičkih postupaka.
Algoritam za transformaciju vremenske serije u REFII model odvija se u nekoliko koraka

Vremensku seriju možemo deklarirati kao niz vrijednosti Vs=(X1,..,Xn)

1. Korak- Vremenska interpolacija

Formiranje samostalnog vremenskog niza Vi na intervalu <1..n> (Dani, tjedni, mjeseci, kvartali, godine) sa vrijednostima 0. Na temelju tako formiranog niza potrebno je provesti interpolaciju nedostajucih vrijednosti u Vs-u sa 0 na temelju formiranog niza Vi. Rezultat ovakve obrade je niz Vs sa interpoliranim vrijednostima niza Vi.

2. Korak - Vremenska granulacija

U ovom koraku definiramo stupanj sažimanja vremenske serije Vs koja se nalazi u elementarnoj vremenskoj jedinici (dan, tjedan, mjesec.). U drugom koraku elemente postoječe vremenske serije sažimamo korištenjem statističkih funkcija poput AVG(), SUM(), MOD() na razini granuliranog odsjecka. Na taj način vremensku seriju možemo svesti na veći stupanj granulacije (dani u tjedne, tjedni u mjesece .), te dobivamo vremensku seriju Vg sa većim stupnjem granulacije.
Na ovaj korak možemo se vraćati tijekom procesa analize s obzirom na ciljeve analize, što podrazumijeva obavezno ponovno provodenje procesa opisanima u narednim koracima

3. Korak - Normiranje

Postupak normiranja podrazumijeva transformaciju vremenske serije Vg u Ns pri cemu je svaki element niza podvrgnut postupku min-max normizacije na intervalu <0,1> i to
a) Ns (Y1,.., Yn)=((Xi- min(Vs))/(max(Vs)-min(Vs))
b) mjerilo vremenske kompleksnosti odsjecka na X osi d(Yi,Yi+1)=0.1

4. Korak - transformacija u REF notaciju

Prema formuli Tr=Yi+1- Yi Tr > 0 =>R; Tr< 0 =>F; Tr=0 =>E , gdje su Yi elementi niza Ns

5. Korak - Proračun nagiba pravca na osnovu kuta

Koeficijent ktnog otklona=>
Tr > 0 (R) Koeficijent =y2-y1
Tr < 0 (F) Koeficijent =y1-y2
Tr = 0 (E) Koeficijent = 0

gdje su gdje su Yi elementi niza Ns

6. Korak - Proracun Površine ispod krivulje

Numericka integracija metodom pravokutnika
p= ((y1*0.1)+(y2*0.1))/2
gdje su gdje su Yi elementi niza Ns

7. Korak - Kreiranje vremenskih indeksa

Gradenje hijerarhijskog stabla indeksa ovisno o karakteru analize, gdje element strukturiranog indeksa može biti i atribut poput šifra klijenta

8. Korak - Kreiranje razreda
Kreiranje izvedenih vrijednosti atributa na temelju površine ispod krivulje i otklona kutova

9. Korak - Povezivanje tablice transformacije REFII modela sa relacijskim tablicama koje sadrže atribute koji nemaju vremensku dimenziju

Ovih devet osnovnih koraka temelj su algoritmiziranog postupka na kojem se temelji REFII model ciji je krajnji rezultat formiranje matrice transformacije. Matrica transformacije je temelj za provođenje daljnjih analitickih postupaka s ciljem analize vremenske serije.

KAKO ANALIZIRATI VREMENSKE SERIJE POSREDSTVOM REFII MODELA

REFII model u osnovi je koncepcija sastavljena iz tri opisane podcjeline, kojoj je prvenstveni cilj transformacija vremenske serije u niz pokazatelja koji jednoznačno definiraju vremensku seriju, REF, površina ispod krivulje, te koeficijent kutnog otklona su pokazatelji koji jednoznačno opisuju odsječak vremenske serije, a niz takvih odsječaka zajedno čine transformiranu vremensku seriju. Ovakav niz pokazatelja poredani su redoslijedom pojavnosti u jedinici vremena i objedinjeni u zajedničku koncepcijsku strukturu transformirane vremenske serije koju nazivamo matricom transformacije.
Takva struktura gledano sa perspektive dinamičke memorije može biti matrica reda 4x tn-1 , odnosno gledano sa perspektive trajnog zapisa na disku datoteka sa 4 atributa i dužine tn-1.

Pokazatelji vremenskog odsječka izračunati su na temelju koordinata dvije susjedne vrijednosti u vremenskoj seriji. Tako je primjerice odsječak sa indeksom 1 formiran na osnovu vrijednosti koordinata vremenske serije t0 i t1. Indeks vremenskog odsjecka služi za jednoznačnu identifikaciju vremenskog odsječka s ciljem njegove analize.
Indeksi mogu biti složeno strukturirani te mogu u sebi sadržavati hijerarhijske elemente, ako i elemente pripadnosti, te vezne elemente prema ostalim izvorima podataka.
Elementi obuhvaženi u prethodnoj tablici temeljni su elementi REFII modela, sa kojima je moguće jednoznačno opisati krivulju i izvršiti sve analize zbog kojih je i ovaj model i razvijen. Osim opisanih pokazatelja moguće je obuhvatiti i izvedene pokazatelje prikazane kroz razvoj modela, ali to je opcionalni pristup koji ovisi o karakteru analize.
Nakon trensformacije vremenske serije posredstvom REFII modela dobijemo transformiranu vremensku seriju u obliku prikazanu u tablici.

Indeks vremenskog odsječka I1I2I3In
REF oznakaREF(I1)REF(I2)REF(In)REF(In)
Koeficijent kutnog otklonaKoeficijent kutnog otklona(I1)Koeficijent kutnog otklona(I2>)Koeficijent kutnog otklona(I3)Koeficijent kutnog otklona(In)
Površina vremenskog odsjeckaP(I1)P(I2)P(I3)P(In)

Ovako transformirani podaci procesuiraju se algoritmiziranim metodama s ciljem rješavanja konkretnih problema iz domene vremenskih serija. Algoritmizirane metode i postupci koje služe za rješavanje konkretnih problema spadaju u širi pojam REFII modela.

O samom karakteru analize ovisi kako ce se tako transformiranoj vremenskoj seriji pristupiti po pitanju "lomljenja" ovako formirane strukture u manje logičke cjeline. Ako na primjer promatramo tjedne, a vremenska serija sadrži podatke za svaki dan u tjednu kroz cijelu godinu, tada logički razlomimo seriju na tjedne i analiziramo vremenske odsječke posredstvom konkretnog algoritma. Ovaj postupak "lomljenja" vremenske serije na manje analitički usporedive logičke odsječke vežemo uz pojam vremenske kompleksnosti. Ova mjera određuje tocku logičkog loma vremenske serije s obzirom na cilj analize, a dio je algoritmiziranog postupka analize. Tako primjerice ovaj koeficijent za tjedan mođe imati vrijednost 7, ili 5 (radni dani u tjednu), pri ćemu treba voditi računa o nepostojanju vrijednosti u odredenoj vremenskoj točci, sa ćim se ova mjera također mora nositi.

Osnovni zaključak je da je REFII model u užem smislu, model transformacije vremenske serije, dok je on u širem smislu skup algoritmizranih postupaka nad tako transformiranim podacima koji primjerice omogućuju:

• Otkrivanje sezonskih oscilacija
• Otkrivanje relevantnosti atributa
• Otkrivanje korelatornih odnosa varijabli 1:1 i 1:n
• Predvidanje trenda vremenskih serija
• Otkrivanje epizoda u vremenskim serijama
• Grupiranje vremenskih odsjecaka
• Procjene "slicnosti" vremenskih odsjecaka i vremenskih serija
• Otkrivanje inverznih oscilacija
• Otkrivanje modela ponašanja klijenata
• Otkrivanje uzoraka u vremenskoj seriji (animacija algoritma)
• Implementacija "teorije spavaca" kroz vremenske serije
• Temelj upitnog jezika za analizu vremenskih serija
Postoji čitav niz mogućih primjena. Ovaj transformacijski model, univerzalna je polazišna točka za sve moguće vrste analiza koje se provode nad vremenskim serijama, a koje ova koncepcija uspješno rješava. Kao što će biti vidljivo kroz daljnji tekst elementi prikazani u tablici proceduralno procesuirani kroz razlicite vrste algoritama mogu otkriti različite vrste znanja iz vremenskih serija, i upravo u tome leži snaga REFII koncepcije. Ovaj koncept može biti uspješno primijenjen za razvoj upitnog jezika za vremenske serije

IZRAVNO OTKRIVANJE PRAVILA IZ VREMENSKIH SERIJA POSREDSTVOM REFII MODELA

Jedna od karakteristika REFII modela je mogučnost direktnog otkrivanja pravila iz vremenskih serija, pri ćemu elementi koji ulaze u analizu mogu, ali i ne moraju nužno imati temporalni karakter [Ohsaki, 2003].
Analitičara može interesirati odnos meduzavisnosti među pojavama koje su temporalnog i netemporalnog karaktera. Isto tako, za analizu nam može biti interesantno da li postoji pravilnost izmedu pojave x koja se desila u vremenu t i pojave y koja se je desila u vremenu t+1, odnosno (t+ procijenjeni prag tolerancije) .
Predmet istraživanja ne moraju nužno biti vremenski odsjecči, vec to mogu biti i vremenski uzorci, epizode, te nevremenske komponente.
Kada se govori o nevremenskim komponentama kao elementima koji ulaze u proces analize, tada u tu skupinu ulaze atributi poput regije, dobi, spola, pripadnosti odredenoj grupi i slicno.
Na taj način rezultati analize mogu dati informaciju da ako postoji rastući trend u nekom vremenskom periodu, da je najveći utjecaj na taj trend imala grupa atributa cija je vrijednost atributa dobi u nekom odredenom razdoblju.
REFII model ne nudi svoje vlastito rješenje za direktno otkrivanje pravila iz vremenskih serija, već je jedno od mogućih rješenja u ostvarivanju tog cilja korištenje asocijativnih algoritama nad vremenskom serijom/serijama koje su transformirane u REFII notaciju.
Primjenom asocijativnih algoritama nad jednom transformiranom vremenskom serijom, koja u sebi sadrži vremenske indekse možemo otkrivati sezonske oscilacije. Ovo je alternativni nacin traženja sezonskih oscilacija unutar vremenskih serija transformiranih u REFII notaciju.
Ako u vremensku seriju uvedemo atribut koji nije zavisan u vremenu, poput regije, pripadnosti nekoj interesnoj skupini i slično, tada ti atributi postaju ravnopravni vremenskim atributima i sudjeluju u procesu analize.

Ovaj primjer ilustrira način kako izravno otkrivati pravila povezivanjem REFII modela i asocijativnih algoritama kao ilustraciju mogućnosti direktnog povezivanja elemenata vremenske serije preko REFII modela sa algoritmima data mininga.
Kao predmet istraživanja uzeti su podaci sa :
http://www.stat.duke.edu/~mw/ts_data_sets.html
koji prikazuju indikatore proizvodnje na mjesečnoj razini u periodu od 1947-1993.
Izvor: Federal Reserve Statistical Release G.17
Struktura podataka : vremenske serije za period od 1947-1993

YR = Godina
MN = Mjesec
IP = Indeks industrijske proizvodnje
MFG = Preradivacka industrija
MFGD = Trajna dobra
MFGN = Netrajna dobra
MIN = Rudarstvo
UTIL = Javne usluge
P = Proizvodi ukupno
MAT = Materijali

Svaka vremenska serija ima 564 elementa.
Cilj analize je otkriti pravilnosti u kakvoj su meduzavisnosti indeks industrijske proizvodnje, javne usluge usluge, rudarstvo, i proizvodnja materijala.

Prilikom transformacije originalnih vrijednosti vremenske serije korištena je naredna tablica klasifikacije otklona kutova vremenskih odsjecaka:

Razred Donja granica Gornja granica REF
Nizak rast 0.0 0.3 R
Srednji rast 0.3 0.7 R
Visok rast 0.7 1.0 R
Nizak pad 0.0 0.3 F
Srednji pad 0.3 0.7 F
Oštar pad 0.7 1.0 F
Bez promjene 0.0 0.0 E

Nakon provedene transformacije cetiri vremenske serije svaka duljine 562 elementa, vremenske serije su spojene primjenom SQL upita na temelju vremenskih indeksa, te je rezultat obrade eksportiran u tablicu formata :

Format tablica transformacije u REFII model za potrebe izravnog otkrivanja pravila

ciklus indeks ip ut min mat
discrete discrete discrete discrete discrete discrete

47 2 Nizak rast Nizak rast Nizak rast Nizak rast
47 3 Nizak rast Nizak rast Nizak rast Nizak rast
47 4 Nizak pad Nizak rast Nizak pad Nizak pad
47 5 Nizak rast Nizak rast Nizak rast Nizak rast
47 6 Bez promjene Bez promjene Nizak pad Nizak pad
47 7 Nizak pad Nizak rast Nizak rast Nizak pad
47 8 Nizak rast Nizak rast Nizak rast Nizak pad
47 9 Nizak rast Nizak rast Nizak rast Nizak rast
47 10 Nizak rast Nizak rast Nizak pad Nizak rast
47 11 Nizak rast Nizak rast Nizak rast Nizak rast
47 12 Bez promjene Nizak rast Nizak pad Nizak pad
. ... . . . .

Ovaj format tablice je standardni format podataka u dana mining modulu, open source- Orange, http://magix.fri.uni-lj.si/orange/default.asp za programski jezik Python www.python.org razvijenom na Ljubljanskom univerzitetu, katedra za umjetnu inteligenciju.
Na temelju tog modula kreiran je program za otkrivanje asocijativnih pravila u iz REFII modela.
U nastavku je prikazan izvorni kod pisan u programskom jeziku Python sa korištenjem Orange modula za otkrivanje asocijativnih pravila na temelju transformiranih vremenskih serija:

import orange, orngAssoc
data = orange.ExampleTable("serije.tab")

minSupport = 0.3
rules = orngAssoc.build(data, minSupport)

print "%i pravila sa support koeficijentom vecim ili jednakim %5.3f .\n" % (len(rules), minSupport)

subset = rules[0:100]
subset.printMeasures(['support','confidence'])

print
del subset[0:2]
subset.printMeasures(['support','confidence'])

Uz zahtijev da support koeficijent bude veći ili jednak od 0.3 dobiveno je 17 pravila :

supp. conf. Pravilo
0.521 0.891 mat=Nizak rast -> ip=Nizak rast
0.521 0.880 ip=Nizak rast -> mat=Nizak rast
0.425 0.718 ip=Nizak rast -> ut=Nizak rast
0.425 0.664 ut=Nizak rast -> ip=Nizak rast
0.415 0.708 mat=Nizak rast -> ut=Nizak rast
0.415 0.647 ut=Nizak rast -> mat=Nizak rast
0.377 0.910 ut=Nizak rast mat=Nizak rast -> ip=Nizak rast
0.377 0.887 ut=Nizak rast ip=Nizak rast -> mat=Nizak rast
0.377 0.724 mat=Nizak rast ip=Nizak rast -> ut=Nizak rast
0.377 0.644 mat=Nizak rast -> ut=Nizak rast ip=Nizak rast
0.377 0.637 ip=Nizak rast -> ut=Nizak rast mat=Nizak rast
0.377 0.589 ut=Nizak rast -> mat=Nizak rast ip=Nizak rast
0.319 0.746 min=Nizak rast -> mat=Nizak rast
0.319 0.544 mat=Nizak rast -> min=Nizak rast
0.313 0.733 min=Nizak rast -> ip=Nizak rast
0.313 0.529 ip=Nizak rast -> min=Nizak rast
0.302 0.708 min=Nizak rast -> ut=Nizak rast
0.425 0.718 ip=Nizak rast -> ut=Nizak rast
0.425 0.664 ut=Nizak rast -> ip=Nizak rast
0.415 0.708 mat=Nizak rast -> ut=Nizak rast
0.415 0.647 ut=Nizak rast -> mat=Nizak rast
0.377 0.910 ut=Nizak rast mat=Nizak rast -> ip=Nizak rast
0.377 0.887 ut=Nizak rast ip=Nizak rast -> mat=Nizak rast
0.377 0.724 mat=Nizak rast ip=Nizak rast -> ut=Nizak rast
0.377 0.644 mat=Nizak rast -> ut=Nizak rast ip=Nizak rast
0.377 0.637 ip=Nizak rast -> ut=Nizak rast mat=Nizak rast
0.377 0.589 ut=Nizak rast -> mat=Nizak rast ip=Nizak rast
0.319 0.746 min=Nizak rast -> mat=Nizak rast
0.319 0.544 mat=Nizak rast -> min=Nizak rast
0.313 0.733 min=Nizak rast -> ip=Nizak rast
0.313 0.529 ip=Nizak rast -> min=Nizak rast
0.302 0.708 min=Nizak rast -> ut=Nizak rast

Primjerice pravilo ip=Nizak rast -> mat=Nizak rast , koje govori da ako je ukupan indeks industrijske proizvodnje u niskom rastu, tada je i proizvodnja materijala u niskom rastu ima vrijednost support koeficijenta 0.521 i visoku pouzdanost od 0.891.
Iz ovog je primjera vidljiv način na koji REFII model otvara mogućnost primjene data mining algoritma nad elementima vremenske serije.
Na spomenuti set podataka moguće je djelovati i ostalim algoritmima poput stabla odlučivanja, ili pak procjenjivati relevantnosti atributa temeljem Gini indeksa s obzirom na ciljnu varijablu primjerice varijablu "godina" . Asocijativni algoritmi su samo jedan od primjera kako iz vremenskih nakon transformacije u REFII notacije možemo otkrivati pravila primjenom data mining algoritama.
U fokusu analize ne moraju biti samo odsječci sa istim vremenskim indeksom. Ako želimo pratiti analizu utjecaja, tada možemo upariti pojavom na vremenskoj razini t, sa pojavom na vremenskoj razini t+n za koju sumnjamo da bi mogle imati međuzavisni utjecaj sa vremenskim pomakom, te tada na njih djelujemo sa asocijativnim algoritmima.

Prednost ovakvog pristupa očituje se i u mogucnosti detaljnijih analiza nad izdvojenim skupom podataka, gdje obuhvaćamo vrijednosti atributa otklona sa zadovoljavajućim vrijednostima koeficijenata , te im pridružujemo i dodatne atribute s ciljem dodatne analize.
Primjer za to može biti izdvajanje dijela vremenske serije koji zadovoljava kriterije da je Ip="Nizak rast" i mat="Nizak rast" , pri ćemu se izdvajaju i ostale vrijednosti za ut, min, ciklus i indeks i pokušavaju naći zakonitosti nad tim podskupom podataka. Kada je vremenska serija pretprocesirana na spomenuti nacin, tada je izdvajanje spomenutog podskupa moguce realizirati i primjenom jednostavnih SQL upita na vremensku seriju.

ZAKLJUČAK

REFII model konstruiran je s ciljem objedinjavanja različitih koncepcija analize vremenskih serija, tradicionalnih metoda rudarenja podataka te s ciljem konstrukcije novih algoritamskih postupaka iz oblasti analize tržišta, te pronalaženju rješenja problema automatskog pretprocesiranja vremenskih serija.
Važnost problema razjedinjenosti metodoloških postupaka analiza vremenskih serija uocio je Graham Williams u svom radu [Williams, 2002] koji daje pregled data mining metoda u domeni vremenskih serija. U istom radu naveo je izazove budućih istraživanja (eng. challange questions ) gdje bi trebalo riješiti problem generalne teorije analize vremenskih serija koja bi objedinila sadašnja i buduca istraživanja na podrucju data mining analize vremenskih serija.
Osnovni nedostatak spomenutog Williamsovog modela proizlazi iz cinjenice što je premala pažnja usmjerena na model transformacije, te je on stavljen u drugi plan prilikom definicije rješenja.
Kao implikacija ovakvog zapostavljanja modela transformacije pojavljuju se problemi:

Svi problemi proizlaze zbog nedovoljno dorađenog i nefleksibilnog modela transformacije vremenske serije koji se u hodu doraduje s obzirom na analitičke potrebe [Williams, 2000], [Williams, 2001], [Williams, 2001], [Williams, 2001a ], [Williams, 2002a ], [Williams, 2003] , [Williams, 2003a]
Zanemarivanje kontingencijskog pristupa analizi
Nije predviđena metodologija povezivanje temporalnih atributa sa netemporalnim
Kao aktivnosti budućih istraživanja napominje se prilagođavanje i dorada postojećih data mining algoritama, umjesto da se putem modela transformacije izgrade mostovi za spajanje, što naravno implicira i generalni problem sa primjenom fuzzy logike unutar modela
REFII model ima odgovore na probleme koji su navedeni kao rezultati budućih istraživanja u Williamsovom radu, te nudi puno fleksibilniji pristup analizi vremenskih serija od one koju je zamislio spomenuti autor.

Jedinstveni model transformacije vremenske serije (REFII) omogućuje povezivanje različitih konceptualnih modela analize vremenske serije, što je unapređenje u odnosu na tradicionalan nacin korištenja niza nepovezanih metoda prilikom analize.

REFII model takoder omogućuje analize vremenskih serija primjenom tradicionalnih metoda rudarenja podataka (stabla odlucivanja, klasteriranja, metode potrošacke košarice,...)

Povezivanjem različitih konceptualnih modela analize u okviru REFII modela možemo riješiti složene analitičke zadatke na temelju vremenskih serija, poput segmentacije tržišta te otkrivanja tržišnih zakonitosti (modeli ponašanja tržišnih segmenata i subjekata) .
Primjena REFII modela nudi unapredenje u otkrivanju tržišnih zakonitosti iz vremenskih serija prilikom "ad hoc" analize tržišnih problema za razliku od tradicionalnoga pristupa, prilikom kojega koristimo niz nepovezanih i nekompatibilnih metoda, koje nam ponekad ne dopuštaju mogucnost dublje analize i modeliranje rješenja za nestandardne probleme povezivanjem niza razlicitih metodoloških postupaka analize.

Ove mogučnosti su do sada tradicionalnim pristupima analizi vremenskih serija zbog primjene niza nepovezanih metoda (nepostojanja generalne strategije povezivanja) bile nemoguće ili vrlo teško izvedive, a pojavljuju se kao nužnost u analizi tržišnih zakonitosti putem vremenskih serija.

Screenshot programa za transformaciju vremenske serije u REFII model

POPIS LITERATURE

[Debregeas, 1998] Debregeas, A. & Hebrail, G. (1998). Interactive interpretation of kohonen maps applied to curves. In proceedings of the 4th Int'l Conference of Knowledge Discovery and Data Mining. New York, NY, Aug 27-31. pp 179-183.

[Klepac, 2000] Klepac Goran, Otkrivanje zakonitosti iz perspektive poduzeca primjenom metoda umjetne inteligencije, Ekonomski fakultet Zagreb, magistarski rad, 2000

[Klepac, 2001] Klepac Goran, Primjena inteligentnih racunalnih metoda u menedžmentu, Sinergija, 2001

[Klepac, 2003] Klepac Goran, Panian Željko, Poslovna inteligencija, Masmedia, 2003

[Ohsaki, 2003] Ohsaki, M., Sato, Y., Yokoi, H. & Yamaguchi, T. (2003). A Rule Discovery Support System for Sequential Medical Data In the Case Study of a Chronic Hepatitis Dataset. ECML 2003.

[Williams, 2000] Williams, J. Graham, Weiqiang Lin, Mehmet Orgun, Temporal Data Mining using Multi-Level Local Polynomial Models, Proceedings of the 2nd International Conference on Intelligent Data Engineering and Automated Learning (IDEAL00)Lecture Notes in Computer Science, Volume 1983, Springer Hong Kong, December 2000

[Williams, 2001] Williams, J. Graham, Weiqian Lin, Mehmet Orgun, Temporal Data Mining Using Hidden Markov-Local Polynomial Models Editted by David Cheung, Graham Williams, Qing Li, Lecture Notes in Artificial Intelligence, Volume 2035, Springer, April 2001 Proceedings of the 5th Pacific Asia Conference on Knowledge Discovery and Data Mining(PAKDD01)Hong Kong, China, April 2001

[Williams, 2001a ] Williams, J. Graham, Rohan Baxter, Graham Williams, Hongxing He, Feature Selection for Temporal Health Records, Advances in Knowledge Discovery and Data Mining Editted by David Cheung, Graham Williams, Qing Li Lecture Notes in Artificial Intelligence, Volume 2035, Springer, April 2001 Proceedings of the 5th Pacific Asia conference on Knowledge Discovery and Data Mining (PAKDD01) Hong Kong, China, April 2001

[Williams, 2002] Williams, J. Graham , Weiqiang Lin, Mehmet A Orgun, An Overview of Temporal Data Mining, Proceedings of the 1st Australian Data Mining Workshop (ADM02) Canberra, Australia, December 2002 Editted by Simeon J. Simoff, Graham J. Williams, Markus Hegland Published by University of Technology, Sydney, Pages 83-90, ISBN 0-9750075-0-5

[Williams, 2002a ] Williams, J. Graham, Weiqiang Lin, Mehmut Orgun, Mining Temporal Patterns from Health Care Data , Proceedings of the 4th International Conference on Data Warehousing and Knowledge Discovery (DaWaK02) Lecture Notes in Computer Science, Vol 2454, Springer, 2002 Pages 221-231, ISBN 3-540-44123-9

[Williams, 2003] Williams, J. Graham, Mining the Data Stream, Invited Plenary, International Conference on Hybrid Intelligent Systems Melbourne, Australia, December 2003.

[Williams, 2003a] Williams, J. Graham, Chris Kelman, Rohan Baxter, Lifang.Gu, Simon Hawkins, Hongxing He, Chris Rainsford, Deanne Vickers, Temporal Event Mining of Linked Medical Claims Data , Proceedings of the PAKDD03 Workshop on Data Mining for Actionable Knowledge DMAK-2003 Seoul, Korea, April

(c) 2006 | dr.sc. Goran Klepac | tehnička realizacija: mr.sc. Leo Mršić