Coin Collecting Resources - Coin Network - Coin Collecting Social Network: This is a listing of free, informational coin related websites compiled from the Coin Websites Coin Directory.
The list below contains some of the best and most useful sites. Do you know of any excellent coin related websites that should be listed here? Submit a link directly to Coin Websites. This resource page will constantly be updated with the best and brightest new sites!
Informational Coin Sites
* Click Coins - start page for coin collectors
* Coin Update - daily coin collecting news round up
* Coin Update News - coin news and articles
* Mint News Blog - news, analysis, and commentary on US Mint products
* Numismaster - coin collecting portals, articles, and blogs
* Coin Facts - encyclopedia of US coins
* Coin Archives - index of major numismatic auctions
* About.com:Coins - a great resource for both beginning and long time collectors
* CoinLink - daily coin news and articles
* The Coin Page - image database of US and world coins
* NGC Coin Encyclopedia - historical summaries of US and world coin series.
Tools
* Coinflation - metal value or melt value of US coinage
* Babelfish - translate languages on coins or bank notes.
World Mints
* US Mint
* Royal Canadian Mint
* British Royal Mint
* The Perth Mint
* Mints of the World - full directory of world mints
Free Coin Price Guides
* PCGS Price Guide
* Numismedia
Coin Grading Services
* PCGS
* NGC
* NCS
* ANACS
* CAC
* DGS
* ICG
*
Coin Publications
* Coin World
* Numismatic News
*
Coin Organizations
* ANA - American Numismatic Association
* CCAC - Citizens Coinage Advisory Committee
* CONECA - Combined Organizations of Numismatic Error Collectors of America
* PNG - Professional Numismatics Guild
*
Precious Metals
* Kitco - precious metals prices and charts
* Kitco Metals - base metals prices and charts
* World Gold Council
* GATA
* Silver Institute
* Platinum Guild
- Inviata con Google Toolbar
lunedì 12 dicembre 2011
venerdì 9 dicembre 2011
martedì 1 novembre 2011
L'esplosione degli ebook
Gli ebook vanno bene.
Se solo due anni fa il comparto ebook era inesistente, oggi il settore fa rilevare un'autentica esplosione sia in termini di titoli sia come fatturato: i titoli sono passati dai 1.619 del gennaio 2010 ai 6.950 del dicembre scorso, con un aumento del 329%, per un fatturato complessivo di 1 milione e mezzo di euro, che a fine 2011 dovrebbe attestarsi tra i 3 e i 4 milioni di euro.
Ripresa del mercato librario.
Il fatturato globale del mercato librario italiano ha toccato nel 2010 i 3,4 miliardi di euro. I dati evidenziano la debolezza del settore che, dopo la crisi del 2009 - quando aveva fatto registrare un calo del 4,3% - è tornato a crescere dello 0,3% sull'anno precedente, per complessivi 3,417 milioni di euro a prezzo di copertina.
I canali di vendita.
Quanto ai canali di vendita, continua la crescita della grande distribuzione organizzata, di librerie online e delle edicole, che registrano nel 2010 un +4,2%, confermando il dato (+3,5%) del 2009. Tiene bene anche la libreria tradizionale, in particolare le grandi catene, che continua ad essere il canale d'acquisto
privilegiato per i libri (51% del mercato) e che vale 1,1 miliardi di euro, in crescita del 2,6%. Contemporaneamente crescono le vendite online (+25%), non solo per l'ingresso di nuovi operatori (laFeltrinelli.it a fine 2009, Amazon.it a fine 2010) o per le politiche di promozione, ma soprattutto per cambiamenti nei comportamenti d'acquisto da parte del pubblico.
La lettura in Italia cresce.
Cresce la lettura in Italia. Nel 2010 sono stati oltre 26 milioni gli italiani che hanno letto almeno un libro all'anno, 968 mila in più rispetto all'anno precedente. Non varia la composizione dei lettori. Poco meno della metà (il 44,3%) legge fino a tre libri all'anno, solo il 15,1% ne legge uno al mese, mentre bambini e giovanissimi sono i lettori più forti rispetto alla media. Aumenta del 6,2% il numero dei lettori tra i 6-10 anni (in questa fascia il 58,4% dichiara di aver letto almeno un libro non scolastico negli ultimi 12 mesi). Legge il 65,4% degli 11-14enni e il 59,1% dei 15-19enni.
Vengono pubblicati meno titoli librari.
Per il terzo anno consecutivo il numero di titoli pubblicati e le copie stampate e immesse nei canali di vendita diminuiscono. Meno titoli (a quota 57 mila), in calo le novità (122 milioni) e le copie (208 milioni). Quello che poteva ancora apparire come un fenomeno congiunturale inizia ormai a configurarsi come un dato strutturale dell'editoria italiana. Alla diminuzione dei titoli (dai 58.829 del 2009 ai 57.558 del 2010), corrisponde anche un calo delle copie stampate e immesse nei canali di vendita (dai 213 milioni del 2009 ai 208 milioni del 2010).
Se solo due anni fa il comparto ebook era inesistente, oggi il settore fa rilevare un'autentica esplosione sia in termini di titoli sia come fatturato: i titoli sono passati dai 1.619 del gennaio 2010 ai 6.950 del dicembre scorso, con un aumento del 329%, per un fatturato complessivo di 1 milione e mezzo di euro, che a fine 2011 dovrebbe attestarsi tra i 3 e i 4 milioni di euro.
Ripresa del mercato librario.
Il fatturato globale del mercato librario italiano ha toccato nel 2010 i 3,4 miliardi di euro. I dati evidenziano la debolezza del settore che, dopo la crisi del 2009 - quando aveva fatto registrare un calo del 4,3% - è tornato a crescere dello 0,3% sull'anno precedente, per complessivi 3,417 milioni di euro a prezzo di copertina.
I canali di vendita.
Quanto ai canali di vendita, continua la crescita della grande distribuzione organizzata, di librerie online e delle edicole, che registrano nel 2010 un +4,2%, confermando il dato (+3,5%) del 2009. Tiene bene anche la libreria tradizionale, in particolare le grandi catene, che continua ad essere il canale d'acquisto
privilegiato per i libri (51% del mercato) e che vale 1,1 miliardi di euro, in crescita del 2,6%. Contemporaneamente crescono le vendite online (+25%), non solo per l'ingresso di nuovi operatori (laFeltrinelli.it a fine 2009, Amazon.it a fine 2010) o per le politiche di promozione, ma soprattutto per cambiamenti nei comportamenti d'acquisto da parte del pubblico.
La lettura in Italia cresce.
Cresce la lettura in Italia. Nel 2010 sono stati oltre 26 milioni gli italiani che hanno letto almeno un libro all'anno, 968 mila in più rispetto all'anno precedente. Non varia la composizione dei lettori. Poco meno della metà (il 44,3%) legge fino a tre libri all'anno, solo il 15,1% ne legge uno al mese, mentre bambini e giovanissimi sono i lettori più forti rispetto alla media. Aumenta del 6,2% il numero dei lettori tra i 6-10 anni (in questa fascia il 58,4% dichiara di aver letto almeno un libro non scolastico negli ultimi 12 mesi). Legge il 65,4% degli 11-14enni e il 59,1% dei 15-19enni.
Vengono pubblicati meno titoli librari.
Per il terzo anno consecutivo il numero di titoli pubblicati e le copie stampate e immesse nei canali di vendita diminuiscono. Meno titoli (a quota 57 mila), in calo le novità (122 milioni) e le copie (208 milioni). Quello che poteva ancora apparire come un fenomeno congiunturale inizia ormai a configurarsi come un dato strutturale dell'editoria italiana. Alla diminuzione dei titoli (dai 58.829 del 2009 ai 57.558 del 2010), corrisponde anche un calo delle copie stampate e immesse nei canali di vendita (dai 213 milioni del 2009 ai 208 milioni del 2010).
giovedì 8 settembre 2011
Siti con elenco imprese che forniscono dati
Elenco di aziende che forniscono dati che possono esssere utilizzati all'interno della propria organizzazione. Consentono di costruire mailing list e promozioni marketing.
Siti nazionali di fornitura dati.
http://www.infoimprese.it/impr/index.jsp
http://www.paginegialle.it/cat/pagine-gialle-naviga.html
http://www.cercaziende.it/http://www.imprese24.net/
http://it.iakke.com/
http://www.prontoimprese.it/
http://www.reteimprese.it/
http://www.aziende.it/
http://www.catalogo-pmi.com/
http://www.impreseinfo.com/
http://www.guidaffari.net/
http://www.misterimprese.it/
http://www.pmii.it/
http://www.gjm.it/index.asp
http://www.icitta.it/elenco-aziende/
http://www.infobel.com/it/italy/Business.aspx
http://www.nuoviclienti.com/
http://www.aziendegratis.it/
http://www.europages.it/
http://www.hotfrog.it/
http://www.telextra.com/home/
Siti di settore speciali con proprie banche dati.
Siti con elenchi di enti e aziende del settore assicurativo
https://nsiv.isvap.it/Albi/Albi/defaultImprese.jsp?view=albi&viewSet=imprese
https://nsiv.isvap.it/Albi/Albi/ricerca/ElencoGruppi.action?radioGruppi=tuttiGruppi
Siti con elenchi di enti e aziende del settore bancario
http://www.prossimolavoro.it/lavoro%20banca/banca1.htm
http://www.abi.cab.banche.meglio.it/banche.htm
Siti con elenchi di enti e aziende del settore edilizia
http://www.edilizia.com/Imprese (Imprese edili)
http://www.edilizia.com/Produttori (Imprese produttrici di materiali per edilizia)
http://www.edilizia.com/Rivenditori_edili (Imprese rivenditrici di attrezzature, macchine e materiali per
edilizia)
http://www.edilportale.com/aziende/
Siti con elenchi di enti e aziende del settore istruzione.
http://www.conoscere.it/ (Elenco delle scuole presenti in Sardegna: materne, elementari, medie, superiori e
Centri Territoriali Permanenti per la formazione degli adulti) (in aggiornamento)
http://www.pubblica.istruzione.it/anagrafica_scuole/statali.shtml (Anagrafe scuole statali)
http://www.pubblica.istruzione.it/anagrafica_scuole/nonstatali.shtml (Anagrafe scuole non statali)
https://anagrafeparitarie.istruzione.cineca.it/ (Anagrafe scuole paritarie)
http://212.210.110.132/elencoAlfabetico.html (Elenco delle Agenzie Formative accreditate dalla Regione
Sardegna)
http://cercauniversita.cineca.it/ (Motore di ricerca tra tutte le università italiane)
Siti con elenchi di enti e aziende del settore turistico.
http://www.lagenziadiviaggi.it/ (Nella sezione “Annuario AdV” è possibile consultare un elenco di aziende di
tutta Italia che operano nel settore dell’organizzazione di viaggi – agenzie di viaggio e tour operator -, delle
strutture ricettive, dei trasporti e dei servizi turistici, con una dettagliata articolazione per ramo di attività,
categorie commerciali, associazioni e network di appartenenza, destinazioni turistiche servite, sistema di
prenotazione informatizzato utilizzato; non è possibile nella versione gratuita effettuare una ricerca per sede
aziendale)
Siti con elenchi di enti e aziende del settore estetica e benessere.
http://www.hotelbenessere.it/
http://www.centroestetica.it/
Distributori informazioni registro imprese
Per diventare Distributori Ufficiali di Informazioni delle Camere di Commercio è necessario possedere determinati requisiti inerenti:
In mancanza delle indicazioni sopra elencate, i messaggi di richiesta non potranno essere presi in considerazione.
- tipologia dell'impresa (è richiesta la natura giuridica "Società di capitale")
- dimensioni
- tecnologie adottate
- volumi di informazioni gestiti
- tipologia dei clienti (banche, società finanziarie, imprese, commercialisti, notai, ecc.)
- dotazioni Tecnologiche (hardware, sistemi operativi)
- collegamenti telematici attivi (tipologia e quantità)
- indirizzo completo (numero di telefono, numero di fax, indirizzo e-mail se diverso da quello utilizzato per spedire la presentazione)
- persona di riferimento
In mancanza delle indicazioni sopra elencate, i messaggi di richiesta non potranno essere presi in considerazione.
mercoledì 7 settembre 2011
Digital object identifier
Il Digital Object Identifier (DOI) è uno standard che consente l'identificazione duratura, all'interno di una rete digitale, di qualsiasi entità che sia oggetto di proprietà intellettuale e di associarvi i relativi dati di riferimento, i metadati, secondo uno schema strutturato ed estensibile.
Il DOI è stato definito "il codice a barre per la proprietà intellettuale": analogamente ai codici a barre dei prodotti fisici, l'utilizzo dei DOI costituisce un valore aggiunto e consente un risparmio di risorse lungo l'intera catena produttiva e commerciale.
Struttura del DOI
Il sistema di numerazione DOI Name segue una sintassi standardizzata (ANSI/NISO Z39.84 - 2000).Il DOI Name non dice nulla riguardo all'entità che ha come oggetto (è una stringa opaca). L’unico modo per sapere qualcosa sull'entità è quello di guardare i metadati. Se si modificassero i metadati, o qualche altra proprietà dell’entità, il DOI Name resterebbe quindi lo stesso (persistenza del DOI Name).
Il DOI Name è composto da 2 componenti separati da una slash:
- prefisso: tutti i nomi DOI iniziano con “10.”, questo per distinguere un DOI da un’altra qualsiasi implementazione del Handle System. La stringa seguente, delimitata dal “.” è l’identificativo dell’organizzazione che ha registrato l’elemento. Ogni organizzazione può avere più di un numero, e non c’è un limite massimo. L’uso di differenti suffissi per una organizzazione può tornare utile per mantenere l’unicità del DOI Name. Il secondo elemento può essere ulteriormente diviso in infiniti prefissi secondari. Il DOI Name non dà nessuna informazione e sarebbe sbagliato derivare il proprietario di un dato elemento a partire dal secondo elemento del prefisso DOI. Infatti in caso di passaggio di proprietà il DOI Name, essendo persistente, non viene modificato. Esempio di prefisso DOI: 10.11234.12
- suffisso: insieme al prefisso forma una stringa unica (ogni DOI Name deve essere unico). Il suffisso come il prefisso può essere una combinazione qualsiasi di caratteri alfanumerici. Esistono due modi per creare un suffisso: o le entità sono già numerate in qualche modo, o le unità non sono ancora numerate. Nel primo caso il DOI Name può essere utilizzato per entità che hanno già schemi standard di numerazione (es. ISBN per i libri) o può essere che l’ente registrante abbia un proprio sistema di numerazione interno. Si possono utilizzare il nome definito dallo standard o dall’ente registrante come suffisso. Ovviamente quando si percorre questa strada le applicazioni che leggono il DOI Name non attribuiscono alcun significato al suffisso, in quando al DOI Name non è associato alcun significato, ma si può creare un’applicazione che estrapoli dal DOI Name il suffisso e lo interpreti secondo gli standard corretti.
La risoluzione DOI
La risoluzione, in termini generali, è il processo attraverso cui si sottopone un identificatore a un servizio di rete e si ricevono in cambio una o più informazioni relative all'entità identificata. Ad esempio, nel caso del Domain Name System (DNS), la risoluzione avviene da un nome di dominio, come www.doi.org, ad un singolo indirizzo IP, come 132.151.1.146, che viene poi utilizzato per comunicare con quel sito.La risoluzione DOI avviene da un DOI a una o più pagine web con contenuti stabiliti dal registrante: esemplari dell'oggetto, campi di metadati, servizi quali l'e-mail, ecc.
"Ciò che il DOI identifica" e "ciò a cui il DOI risolve" sono due concetti differenti: è possibile che un DOI non risolva all'oggetto identificato, ma semplicemente alle relative informazioni stabilite dall'editore.
La risoluzione DOI è resa possibile grazie alla tecnologia Handle System, sviluppata dal CNRI (Corporation for National Research Initiatives), ed è liberamente attuabile da qualunque utente che incontri un DOI.
Per risolvere un DOI, basta digitare nella barra indirizzi di qualunque browser la stringa http://dx.doi.org/ seguita dal DOI.
Per esempio, per risolvere il DOI 10.1392/dironix, si copi nel proprio browser:- http://dx.doi.org/10.1392/dironix
dati portabili
Dati portabili
Portabilità dell'accesso
Perché ogniqualvolta voglio accedere ad un nuovo sito o servizio in Internet bisogna richiedere la creazione di un utente e di una password? Perché devo ogni volta verificare la disponibilità del nome utente a, se già utilizzato da un altro utente, inventarmene uno per l'occasione? Perché non utilizzare direttamente l'email, o un altro nome utente univoco e assegnato in modo definitivo a me? A questi, ed altri problemi, si rivolge lo standard OpenID, che viene utilizzato dal progetto DataPortability.Portabilità dell'identità
Perché ad ogni sito a cui accediamo dobbiamo reinserire tutti i dati relativi al nostro profilo come: nome, cognome, età, indirizzo, fotografia,...? DataPortability utilizza hCard per esporre tali informazioni senza doverle fornire nuovamente ad ogni nuovo accesso.Portabilità della rete sociale
Questo è probabilmente uno dei campi attorno al quale vi è maggiore attesa. Infatti, per ogni sito in cui creiamo un profilo, molta cura ed attenzione viene posta sull'elenco dei nostri amici e sulla rete attraverso la quale riusciamo a tenerci in contatto con loro, a comunicare con loro, a sapere dove sono e cosa fanno. Quando creiamo un nuovo profilo, sempre più spesso ci viene offerta la possibilità di importare questi elenchi da altri siti, ma questo solo fornendo le nostre credenzaili di accesso, aprendo un problema di sicurezza e di fiducia nei confronti del nuovo sito. Per ovviare a questo problema, DataProtability propone di sfruttare i microformat, XFN, FOAF e Resource Description Framework (RDF).Portabilità dei centri di interesse
Nell'utilizzo dei siti, spesso l'utente dichiara i propri interessi oppure questi vengono dedotti dal suo comportamento online (pagine visitate, parole chiave cliccate, acquisti fatti,...). Questi dati vengono memorizzati in file APML. DataPortability intende utilizzare tale formato per facilitare lo spostamento di tali informazioni ed ottenere servizi più mirati.Gestione delle autorizzazioni
Qualora dovessimo centralizzare i nostri profili, non sarebbe opportuno dare libero accesso a tutte le informazioni ivi contenute? Infatti, ad alcuni siti potremmo dare solo il nome ed il paese di provenienza, ad altri invece potremmo invece impedire solamente l'accesso alla nostra rete di amici lasciando libero accesso alle altri informazioni. Una soluzione sarebbe avere un profilo per ogni tipo di utilizzo, ma una soluzione migliore è dare dei permessi personalizzati per sito e per singola informazione. In questo modo il sito X accederà ad un set ristretto di informazioni personali ed invece il sito Y avrà accesso completo. Questo sarà realizzato tramite lo standard OAuth.Messaggistica istantanea
Perché non possiamo accedere a tutti i sistemi di messaggistica istantanea contemporaneamente? XMPP è uno standard aperto, supportato da IETF, attraverso il quale è possibile scambiarsi informazioni in maniera decentralizzata.Voice - Dialogo tra uomo e computer - protocolli
Protocolli voice
VoiceXML (VXML) acronimo di Voice eXtensible Markup Language, definito dal World Wide Web Consortium (W3C), rappresenta lo standard in formato XML per la creazione di dialoghi interattivi tra una persona e un computer.
La piattaforma VoiceXML lavora in modo analogo a un browser HTML: i documenti VoiceXML vengono scaricati da un server web e interpretati e trasformati in voce da un Voice Gateway residente sul computer dell'utente finale.
VoiceXML (VXML) acronimo di Voice eXtensible Markup Language, definito dal World Wide Web Consortium (W3C), rappresenta lo standard in formato XML per la creazione di dialoghi interattivi tra una persona e un computer.
La piattaforma VoiceXML lavora in modo analogo a un browser HTML: i documenti VoiceXML vengono scaricati da un server web e interpretati e trasformati in voce da un Voice Gateway residente sul computer dell'utente finale.
High-Definition Multimedia Interface
HDMI è la sigla che identifica la High-Definition Multimedia Interface (in italiano, interfaccia multimediale ad alta definizione), uno standard commerciale completamente digitale per l'interfaccia dei segnali audio e video, creato nel 2002 dai principali produttori di elettronica, tra cui Hitachi, Panasonic, Philips, Sony, Thomson, Toshiba e Silicon Image.
HDMI è la prima interfaccia non compressa completamente digitale a trasportare contemporaneamente segnali audio e video, ed è retro-compatibile con l'interfaccia digitale DVI che però è in grado di trasportare solamente il segnale video. Dal punto di vista della semplicità di utilizzo da parte di un utente, HDMI ricorda molto la connessione SCART introdotta negli anni ottanta per collegare le prime videocamere e videoregistratori, utilizzando un'unica presa per collegare qualsiasi periferica audio/video. Anche HDMI può essere utilizzata tra differenti dispositivi audio/video ed è una soluzione adatta (per quanto non unica) al trasporto del segnale di apparecchi digitali come i set-top box, lettori DVD e ricevitori satellitari verso schermi anch'essi digitali come LCD, Plasma o videoproiettori.
La serie di aggiornamenti è arrivata alla versione 1.4, del maggio 2009. Per avere un'idea di quali siano stati i progressi compiuti in 4 anni, basti pensare che mentre HDMI 1.0 era in grado di offrire un bitrate massimo di 4,9 Gb/s, la versione 1.3 arriva fino a 10,2 Gb/s.
Per poter essere accettato dall'industria cinematografica, lo standard HDMI ha dovuto essere dotato di un sistema di protezione dei contenuti, o DRM (Digital Rights Management), chiamato HDCP (High-Definition Content Protection), supportato dalla sua versione 1.10 in poi.
Connettore HDMI
Lo standard HDMI supporta attualmente tre tipi di connettori: A, B e C.
Il connettore HDMI di tipo A, introdotto inizialmente con HDMI 1.0, è il più diffuso: è composto da 19 pin, ed è retro-compatibile (elettricamente) con quello DVI-D (single link).
Il connettore HDMI di tipo B, sempre introdotto con HDMI 1.0, ha 29 pin, e può trasportare il doppio dei dati trasmessi da un connettore di tipo A. Il suo uso principale è per display ad altissime risoluzioni, ed è l'equivalente (a livello elettrico) del DVI-D dual-link.
Infine, il connettore HDMI di tipo C è quello introdotto più recentemente, con HDMI 1.3: si tratta essenzialmente di un connettore di tipo A di ridotte dimensioni, sviluppato per quegli apparecchi portatili (ad esempio, videocamere) che necessitano di componenti di ridotte dimensioni. La superficie del tipo C è all'incirca 2 volte e mezzo più piccola di quella del tipo A (10.42 mm x 2.42 mm del tipo C, contro i 13.9 mm x 4.45 mm del tipo A). Visto che le uniche differenze tra un tipo C ed un tipo A sono solo le dimensioni, due apparecchi aventi questi due tipi di connessioni possono essere facilmente collegate tramite un cavo opportuno (HDMI tipo A - tipo C), senza alcun problema di compatibilità elettrica.
Di seguito viene illustrato uno schema che esemplifica la disposizione dei pin di contatto, e la loro funzione, di un connettore HDMI Tipo A Molex 500254-1907:
HDMI è la prima interfaccia non compressa completamente digitale a trasportare contemporaneamente segnali audio e video, ed è retro-compatibile con l'interfaccia digitale DVI che però è in grado di trasportare solamente il segnale video. Dal punto di vista della semplicità di utilizzo da parte di un utente, HDMI ricorda molto la connessione SCART introdotta negli anni ottanta per collegare le prime videocamere e videoregistratori, utilizzando un'unica presa per collegare qualsiasi periferica audio/video. Anche HDMI può essere utilizzata tra differenti dispositivi audio/video ed è una soluzione adatta (per quanto non unica) al trasporto del segnale di apparecchi digitali come i set-top box, lettori DVD e ricevitori satellitari verso schermi anch'essi digitali come LCD, Plasma o videoproiettori.
La serie di aggiornamenti è arrivata alla versione 1.4, del maggio 2009. Per avere un'idea di quali siano stati i progressi compiuti in 4 anni, basti pensare che mentre HDMI 1.0 era in grado di offrire un bitrate massimo di 4,9 Gb/s, la versione 1.3 arriva fino a 10,2 Gb/s.
Per poter essere accettato dall'industria cinematografica, lo standard HDMI ha dovuto essere dotato di un sistema di protezione dei contenuti, o DRM (Digital Rights Management), chiamato HDCP (High-Definition Content Protection), supportato dalla sua versione 1.10 in poi.
Connettori
Il connettore HDMI di tipo A, introdotto inizialmente con HDMI 1.0, è il più diffuso: è composto da 19 pin, ed è retro-compatibile (elettricamente) con quello DVI-D (single link).
Il connettore HDMI di tipo B, sempre introdotto con HDMI 1.0, ha 29 pin, e può trasportare il doppio dei dati trasmessi da un connettore di tipo A. Il suo uso principale è per display ad altissime risoluzioni, ed è l'equivalente (a livello elettrico) del DVI-D dual-link.
Infine, il connettore HDMI di tipo C è quello introdotto più recentemente, con HDMI 1.3: si tratta essenzialmente di un connettore di tipo A di ridotte dimensioni, sviluppato per quegli apparecchi portatili (ad esempio, videocamere) che necessitano di componenti di ridotte dimensioni. La superficie del tipo C è all'incirca 2 volte e mezzo più piccola di quella del tipo A (10.42 mm x 2.42 mm del tipo C, contro i 13.9 mm x 4.45 mm del tipo A). Visto che le uniche differenze tra un tipo C ed un tipo A sono solo le dimensioni, due apparecchi aventi questi due tipi di connessioni possono essere facilmente collegate tramite un cavo opportuno (HDMI tipo A - tipo C), senza alcun problema di compatibilità elettrica.
Di seguito viene illustrato uno schema che esemplifica la disposizione dei pin di contatto, e la loro funzione, di un connettore HDMI Tipo A Molex 500254-1907:
| Pin | Segnale | Pin | Segnale |
|---|---|---|---|
| 1 | TMDS Data2+ | 2 | TMDS Data2 (schermatura) |
| 3 | TMDS Data2– | 4 | TMDS Data1+ |
| 5 | TMDS Data1 (schermatura) | 6 | TMDS Data1– |
| 7 | TMDS Data0+ | 8 | TMDS Data0 (schermatura) |
| 9 | TMDS Data0– | 10 | TMDS Clock+ |
| 11 | TMDS Clock (schermatura) | 12 | TMDS Clock– |
| 13 | CEC | 14 | Riservato (N.C. sui dispositivi) |
| 15 | SCL | 16 | SDA |
| 17 | Massa DDC/CEC | 18 | Alimentazione +5V |
| 19 | Rilevazione Hot plug |
protocolli di interscambio dati
protocols buffers?
E' UN PROTOCOLLO PROPOSTO DA GOOGLE.
PROTOCOLS BUFFERS è un meccanismo automatico flessibile, efficiente, per la serializzazione di dati strutturati - si pensi XML, ma più piccolo, più veloce e semplice. Di definire come si desidera che i dati siano strutturati una volta, poi si può usare speciale codice sorgente generato di scrivere facilmente e leggere i vostri dati strutturati e da una varietà di flussi di dati e utilizzando una varietà di lingue. È anche possibile aggiornare la struttura dei dati senza interrompere i programmi distribuiti che vengono compilati con il formato "vecchio".
Perché non usare XML?
Buffer protocollo hanno molti vantaggi rispetto XML per la serializzazione dei dati strutturati. Protocollo di buffer:- sono più semplici
- sono da 3 a 10 volte più piccoli
- sono 20 a 100 volte più veloce
- sono meno ambigue
- generare classi di accesso ai dati che sono più facili da utilizzare di programmazione
ODX Protocols
ODX è il nome commerciale per il formato MCD2 scambio di dati utilizzati dai costruttori di automobili per lo scambio di dati diagnostici di mancanza di componenti del motore. Se hai mai avuto una macchina vi darà un numero strano diagnostica che il rivenditore o il meccanico ha tradotto, collegando il sensore a una porta dati, il numero di diagnosi è un punto di riferimento dei dati ODX e il rivenditore ha uno strumento che alzò gli occhi il numero e la attraversarlo riferimento nei confronti di un database per trovare il problema. L'organizzazione che ha creato e mantiene ODX è l'ASAM, l'Associazione per la standardizzazione di automazione e sistemi di misurazione.
Comprensione e utilizzo DICOM, lo standard per Data Interchange Biomedical Imaging
Comprensione e utilizzo DICOM, lo standard per Data Interchange Biomedical Imaging
Predictive Analytics
Da Wikipedia, l'enciclopedia libera
Predictive Analytics comprende una varietà di tecniche di statistiche, Data Mining e teoria dei giochi che analizzare i fatti attuali e storici per fare previsioni su eventi futuri.Negli affari, modelli predittivi sfruttare i modelli presenti nei dati storici e transazionali di identificare rischi e opportunità. relazioni tra modelli di cattura molti fattori da consentire la valutazione del rischio o potenziali associati con un particolare insieme di condizioni, guidando decisionali per le operazioni di candidati.
Predictive Analytics è utilizzato in scienze attuariali, servizi finanziari, assicurazione, telecomunicazioni, vendita al dettaglio, viaggio, assistenza sanitaria, prodotti farmaceutici ed in altri campi.
Una delle applicazioni più noto è credit scoring, Che è utilizzato in tutto servizi finanziari. modelli di scoring processo di un cliente credito storia, Domanda di credito, I dati dei clienti, ecc, al fine di classificare gli individui, per la loro probabilità di effettuare i pagamenti di credito futuro in tempo. Un esempio ben noto sarebbe il FICO Score.
Definizione
Predictive Analytics è uno spazio di analisi statistica che si occupa di estrarre informazioni dai dati e l'utilizzo di prevedere i trend futuri e modelli di comportamento. Il nucleo di analisi e stima si basa sulla cattura relazioni tra le variabili esplicative e variabili previsto da eventi passati, e il loro sfruttamento per prevedere i risultati futuri. E 'importante notare, tuttavia, che l'accuratezza e la fruibilità dei risultati dipenderà molto dal livello di analisi dei dati e la qualità delle ipotesi.Tipi
In generale, il termine di analisi predittiva è usato per indicare modelli predittivi, Segnando dei modelli predittivi, e previsione. Tuttavia, le persone sono sempre più usando il termine per descrivere relative discipline di analisi, come la modellazione descrittivo e modellazione decisione o di ottimizzazione. Queste discipline coinvolgono anche una rigorosa analisi dei dati, e sono ampiamente usati in attività per la segmentazione e il processo decisionale, ma hanno scopi diversi e le tecniche statistiche sottostanti variare.Modelli di previsione
Modelli predittivi di analizzare le performance passate per valutare la probabilità che un cliente è di esibire un comportamento specifico, in futuro, al fine di migliorare marketing efficacia. Questa categoria comprende anche i modelli che cercano sottile di modelli di dati per rispondere alle domande circa le prestazioni dei clienti, come i modelli di rilevazione delle frodi. Modelli predittivi spesso eseguire calcoli durante le transazioni reali, per esempio, per valutare il rischio o opportunità di un cliente o di un'operazione, al fine di orientare una decisione. Con l'avanzamento in termini di velocità di calcolo, i singoli sistemi di modellazione agente in grado di simulare il comportamento umano o di reazione a determinati stimoli o scenari. Il nuovo termine per l'animazione di dati specificamente legati a un individuo in un ambiente simulato è analytics avatar.modelli descrittivi
modelli descrittivi quantificare le relazioni di dati in un modo che è spesso usato per classificare i clienti o potenziali clienti in gruppi. A differenza dei modelli predittivi che si concentrano sulla previsione di un comportamento unico cliente (come il rischio di credito), i modelli descrittivi identificare molte diverse relazioni tra i clienti o dei prodotti. modelli descrittivi clienti non rank-order da parte la loro probabilità di prendere una azione particolare del modo in modelli predittivi fare. modelli descrittivi possono essere utilizzati, ad esempio, per classificare i clienti con le loro preferenze di prodotto e fase della vita. strumenti di modellazione descrittivo può essere utilizzata per sviluppare modelli, inoltre, che possono simulare gran numero di agenti individuali e fare previsioni.Decisione modelli
Decisione modelli descrivere la relazione tra tutti gli elementi di una decisione - i dati noti (compresi i risultati dei modelli predittivi), la decisione e dei risultati di previsione della decisione - al fine di predire i risultati delle decisioni che coinvolgono numerose variabili. Questi modelli possono essere utilizzati in ottimizzazione, massimizzando i risultati, mentre altri al minimo. modelli di decisione sono generalmente utilizzati per sviluppare la logica decisione o un insieme di regole di business che consentono di ottenere l'azione desiderata per ogni cliente o di circostanza.Applicazioni
Anche se analisi predittive possono essere utilizzate in molte applicazioni, delineiamo alcuni esempi in cui l'analisi predittiva ha mostrato effetti positivi negli ultimi anni.Analitico di customer relationship management (CRM)
Analitici Customer Relationship Management è una frequente applicazione commerciale di Predictive Analysis. Metodi di analisi predittiva sono applicati ai dati dei clienti per realizzare obiettivi di CRM.Clinical Decision Support Systems
Gli esperti usano l'analisi predittiva nella cura della salute in primo luogo per determinare quali pazienti sono a rischio di sviluppare determinate condizioni, come il diabete, l'asma, malattie cardiache e malattie la vita di altri. Inoltre, sofisticati sistemi di supporto decisionale clinico incorporano analisi predittiva per sostenere decisionale medico presso il punto di cura. Una definizione di lavoro è stata proposta dal Dr. Robert Hayward del Centre for Evidence Salute: "Clinical Decision Support sistemi di collegamento osservazioni sanitari con le conoscenze sanitarie di influenzare le scelte di salute dai medici per l'assistenza sanitaria migliore. "Raccolta di analisi
Ogni portfolio ha una serie di clienti delinquente che non fanno i loro pagamenti in tempo. L'istituto finanziario deve intraprendere attività di raccolta su questi clienti per il recupero degli importi dovuti. Un sacco di risorse di raccolta sono sprecati per i clienti che sono difficili o impossibili da recuperare. Predictive Analytics può aiutare a ottimizzare la ripartizione delle risorse collezione con l'individuare le agenzie di recupero più efficaci, le strategie di contatto, azioni legali e altre strategie per ogni cliente, in modo da aumentare in modo significativo il recupero allo stesso tempo ridurre i costi di raccolta.Cross-sell
Spesso le organizzazioni aziendali raccogliere e conservare dati abbondanti (ad esempio, i record dei clienti, operazioni di vendita) e sfruttando le relazioni nascoste tra i dati in grado di fornire un vantaggio competitivo per l'organizzazione. Per un'organizzazione che offre più prodotti, l'analisi del comportamento dei clienti esistenti possono portare ad efficienza cross-selling dei prodotti. Questo porta direttamente a una maggiore redditività per cliente e il rafforzamento del rapporto con il cliente. Predictive Analytics può aiutare ad analizzare la spesa dei clienti ', l'utilizzo e il comportamento di altri, e contribuire a cross-vendere il prodotto giusto al momento giusto.Fidelizzazione
Con la quantità di servizi concorrenti a disposizione, le aziende devono concentrare gli sforzi sul mantenimento di continuo soddisfazione dei consumatori. In un tale scenario competitivo, Fedeltà dei clienti deve essere ricompensato e cliente attrito deve essere ridotto al minimo. Le imprese tendono a rispondere a logorio dei clienti su base reattiva, che agisce solo dopo che il cliente ha avviato il processo per terminare servizio. In questa fase, la possibilità di cambiare la decisione del cliente è quasi impossibile. La corretta applicazione di analisi predittiva può portare a una strategia di conservazione più proattivo. Da un esame frequente di utilizzo del servizio passato di un cliente, la prestazione di servizi, la spesa e altri modelli di comportamento, modelli predittivi in grado di determinare la probabilità che un cliente voler porre termine al servizio a volte nel prossimo futuro. Un intervento con le offerte lucrativo può aumentare la possibilità di trattenere il cliente. Silent attrito è il comportamento di un cliente per lentamente ma costantemente ridurre l'uso ed è un altro problema affrontato da molte aziende. Predictive Analytics può anche prevedere questo comportamento in modo esatto e prima che si verifichi, in modo che l'azienda può prendere azioni appropriate per aumentare l'attività dei clienti.Direct marketing
Quando marketing prodotti di consumo e servizi non vi è la sfida di tenere il passo con i prodotti concorrenti e comportamento dei consumatori. Oltre a individuare prospettive, analisi predittiva può anche aiutare a individuare la combinazione più efficace delle versioni del prodotto, materiale di marketing, i canali di comunicazione e dei tempi che dovrebbero essere utilizzati per indirizzare un consumatore determinato. L'obiettivo di analisi predittiva è in genere per abbassare la costo per ordine o costo per azione.Fraud Detection
La frode è un grosso problema per molte aziende e può essere di vario tipo. richieste di credito inesatti, transazioni fraudolente (sia offline che online), furti di identità e crediti di assicurazione falsi sono alcuni esempi di questo problema. Questi problemi affliggono le imprese di tutto lo spettro e alcuni esempi delle vittime probabilmente sono carta di credito degli emittenti, Assicurazioni, commercianti al dettaglio, fabbricanti, ai fornitori di business aziendali e anche i fornitori di servizi. Questa è un'area in cui un modello predittivo è spesso usato per escludere i "mali" e ridurre l'esposizione di un'azienda alla frode.modellazione predittiva può essere utilizzato anche per individuare le frodi finanziarie dichiarazione in società, consentendo ai revisori di valutare il rischio relativo di una società, e di aumentare le procedure di controllo sostanziale, se necessario.
L'Internal Revenue Service (IRS) degli Stati Uniti utilizza anche analitiche predittive per cercare di individuare la frode fiscale.
Portfolio, prodotto o il livello di previsione dell'economia
Spesso al centro di analisi non è il consumatore, ma il prodotto, il portafoglio, azienda, industria o anche l'economia. Ad esempio, un dettagliante potrebbe essere interessato in previsione della domanda a livello negozio a fini di gestione del magazzino. Oppure, il Federal Reserve Board potrebbero essere interessati a predire il tasso di disoccupazione per l'anno prossimo. Questo tipo di problemi possono essere affrontati con analisi predittiva utilizzando tecniche di Time Series (vedi sotto).Sottoscrizione
Molte aziende hanno per tenere conto di esposizione al rischio a causa della loro servizi diversi e determinare il costo necessario per coprire il rischio. Ad esempio, i fornitori di assicurazione auto necessità di determinare con precisione l'importo del premio di addebitare a coprire ogni macchina e l'automobilista. Una società finanziaria deve valutare il potenziale del debitore e la capacità di pagare prima di concedere un prestito. Per un fornitore di assicurazione sanitaria, analisi predittiva in grado di analizzare alcuni anni di rivendicazioni ultimi dati medici, così come di laboratorio, farmacia e altri documenti, se disponibili, di prevedere quanto costoso un iscritto è probabile che sia in futuro. analisi predittiva può aiutare sottoscrizione di tali quantitativi predire le probabilità di malattia, di default, fallimento, Ecc Predictive Analytics possono ottimizzare il processo di acquisizione clienti, da prevedere il comportamento futuro rischio di un cliente che utilizza dati a livello di applicazione. analisi predittiva in forma di punteggi di credito hanno ridotto la quantità di tempo necessaria per l'approvazione dei prestiti, in particolare nel mercato dei mutui in cui le decisioni sono ora in prestito in poche ore anziché in giorni o addirittura settimane. Una corretta analisi dei dati di previsione può portare a decisioni sui prezzi adeguata, che può contribuire a ridurre i rischi futuri di default.Tecniche statistiche di
I metodi e le tecniche utilizzate per condurre analisi predittiva si possono dividere in tecniche di regressione e le tecniche di apprendimento automatico.Tecniche di regressione
Regressione i modelli sono il fondamento di analisi predittiva. Il focus è sulla creazione di una equazione matematica come modello per rappresentare le interazioni tra le diverse variabili in considerazione. A seconda della situazione, c'è una grande varietà di modelli che possono essere applicati durante l'esecuzione di analisi predittiva. Alcuni di loro sono brevemente discussi di seguito.Modello di regressione lineare
L' regressione del modello lineare analizza il rapporto tra la risposta o la variabile dipendente e un insieme di variabili indipendenti o predittori. Questo rapporto è espresso come un'equazione che predice la variabile di risposta come una funzione lineare dei parametri. Questi parametri sono regolati in modo che una misura di adattamento è ottimizzato. Gran parte degli sforzi in raccordo modello è focalizzata sulla riduzione delle dimensioni del residuo, e garantire che sia distribuiti in modo casuale rispetto alla previsioni del modello.L'obiettivo della regressione è quello di selezionare i parametri del modello in modo da minimizzare la somma dei residui quadrati. Questo è indicato come minimi quadrati ordinari (OLS), la stima e la traduce in migliori stime lineari non distorti (BLUE) dei parametri se e solo se la Gauss-Markov le ipotesi sono soddisfatte.
Una volta che il modello è stato stimato che sarebbero interessati a sapere se le variabili predittive fanno parte del modello - cioè la stima del contributo affidabile di ogni variabile? Per fare questo siamo in grado di verificare la significatività statistica dei coefficienti del modello che può essere misurata con la statistica t. Ciò equivale a verificare se il coefficiente è significativamente diverso da zero. Come il modello predice la variabile dipendente in base al valore delle variabili indipendenti possono essere valutate utilizzando la statistica R ². Esso misura il potere predittivo del modello, vale a dire la percentuale della variazione totale della variabile dipendente che viene "spiegato" (rappresentato) da variazioni nelle variabili indipendenti.
Discreti scelta dei modelli
regressione multivariata (sopra) è generalmente utilizzato quando la variabile risposta è continua e ha una gamma illimitata. Spesso la variabile di risposta non può essere continuo, ma piuttosto discreta. Anche se matematicamente è possibile applicare la regressione multivariata di variabili discrete ordinato dipendenti, alcuni dei presupposti alla base della teoria della regressione lineare multivariata non reggono più, e ci sono altre tecniche come i modelli di scelta discreta, che sono più adatti per questo tipo di analisi. Se la variabile dipendente è discreto, alcuni di questi metodi sono superiori regressione logistica, logit multinomiale e probit modelli. Modelli di regressione logistica e probit sono utilizzati quando la variabile dipendente è binario.Di regressione logistica
Per ulteriori dettagli su questo argomento, vedere regressione logistica.
In una cornice di classificazione, l'assegnazione delle probabilità esito alle osservazioni possono essere realizzati attraverso l'uso di un modello logistico, che è fondamentalmente un metodo che trasforma informazioni sulla variabile binaria dipendente in una variabile infinita continua e stima un modello regolare multivariata (vedi Allison di regressione logistica per ulteriori informazioni sulla teoria della regressione logistica).L' Wald e del rapporto di verosimiglianza test vengono utilizzati per testare la significatività statistica di ogni coefficiente b nel modello (analogo al test t utilizzato in regressione OLS, vedi sopra). Un test di valutazione del-la bontà di adattamento di un modello di classificazione è la –.
Regressione logistica multinomiale
Una proroga della binario modello logit ai casi in cui la variabile dipendente ha più di 2 categorie è il modello logit multinomiale. In tali casi crollare i dati in due categorie potrebbe non avere buon senso o possono portare alla perdita della ricchezza dei dati. Il modello logit multinomiale è la tecnica appropriata in questi casi, soprattutto quando le categorie variabile dipendente non sono ordinati (per i colori esempi come rosso, blu, verde). Alcuni autori hanno esteso regressione multinomiale per includere la funzionalità di selezione / metodi importanza come Random logit multinomiale.Regressione probit
Probit modelli offrire un'alternativa alla regressione logistica per la modellazione di variabili categoriali dipendenti. Anche se i risultati tendono ad essere simili, le distribuzioni di fondo sono diverse. modelli Probit sono popolari nel campo delle scienze sociali come l'economia.Un buon modo per capire la differenza fondamentale tra i modelli probit e logit, è quello di presumere che ci sia una variabile latente z.
Noi non osserviamo z, ma invece osservare che y assume il valore 0 o 1. Nel modello logit si assume che segue y uno distribuzione logistica. Nel modello probit si assume che y segue una distribuzione normale standard. Si noti che nelle scienze sociali (economia esempio), probit viene spesso utilizzata per modellare situazioni in cui la variabile y osservato è continua ma assume valori tra 0 e 1.
Logit contro probit
L' Modello Probit è stato più a lungo rispetto al modello logit. Sembrano identiche, salvo che la distribuzione logistica tende ad essere un po 'piatto coda. Uno dei motivi per il modello logit è stata formulata è stata che il modello probit era difficile da calcolare, perché coinvolto il calcolo di integrali difficile. informatici moderni, tuttavia, ha fatto questo calcolo abbastanza semplice. I coefficienti ottenuti dal modello logit e probit sono anche abbastanza vicino. Tuttavia, il odds ratio rende il modello logit più facile da interpretare.Ai fini pratici l'unica motivazione per la scelta del modello probit sul modello logistico sarebbe:
- Vi è una forte convinzione che la distribuzione è normale
- L'evento reale non è un risultato binario (ad esempio, fallito / non in fallimento), ma una parte (ad esempio proporzione di popolazione a livelli di debito diversi).
Modelli delle serie storiche
Tempo di serie modelli utilizzati per prevedere o la previsione del comportamento futuro di variabili. Questi modelli rappresentano il fatto che i punti dati presi nel corso del tempo possono avere una struttura interna (come autocorrelazione, tendenza o variazione stagionale) che devono essere contabilizzate. In qualità di tecniche standard di regressione risultato non può essere applicata a dati di serie temporali e la metodologia è stata sviluppata la tendenza a decomporsi, componente stagionale e ciclica della serie. Modellazione il percorso dinamico di una variabile può migliorare le previsioni in quanto la componente prevedibile della serie può essere proiettata nel futuro.I modelli della serie Time stima equazioni alle differenze, contenenti componenti stocastici. Due forme di uso comune di questi modelli sono modelli autoregressivi (AR) e media mobile (MA) i modelli. L' Box-Jenkins metodologia (1976) sviluppato da George Box e GM Jenkins, combina la AR e MA modelli per produrre il ARMA (Autoregressivo a media mobile), modello che è alla base di analisi di serie temporali stazionarie. ARIMA (Autoregressivi modelli integrati media mobile), dall'altro vengono utilizzate per descrivere le serie temporali non stazionarie. Box e Jenkins differenze suggeriscono una serie non stazionaria tempo di ottenere una serie stazionaria a cui un modello ARMA può essere applicata. serie temporali non stazionarie hanno una tendenza marcata e non hanno una media costante di lungo periodo o varianza.
Box e Jenkins ha proposto una metodologia di tre fasi che include: identificazione del modello, stima e di validazione. La fase di identificazione consiste nell'individuare se la serie è stazionaria o meno e la presenza di stagionalità esaminando trame della serie, autocorrelazione e funzioni di autocorrelazione parziale. Nella fase di stima, i modelli sono stimati sulla base di serie temporali non lineari o di procedure di stima massima verosimiglianza. Infine, la fase di validazione consiste nel verificare diagnostici come tracciare i residui di individuare valori anomali e prove di adattamento del modello.
Negli ultimi anni i modelli di serie temporali sono diventati più sofisticati e il tentativo di modellare eteroschedasticità condizionale con modelli come ARCH (eteroschedasticità condizionale autoregressiva) E GARCH (generalizzata autoregressivo eteroschedasticità condizionale) i modelli utilizzati di frequente per le serie temporali finanziarie. Nel tempo inoltre i modelli della serie sono utilizzati anche per capire inter-relazioni tra le variabili economico rappresentato dai sistemi di equazioni utilizzando VAR (vettoriali autoregressivi) e modelli VAR strutturali.
Sopravvivenza o analisi di durata
Analisi di sopravvivenza è un altro nome per il momento di analisi degli eventi. Queste tecniche sono state sviluppate principalmente nel campo delle scienze mediche e biologiche, ma sono anche ampiamente usati nelle scienze sociali come l'economia, così come in ingegneria (affidabilità e il tempo failure analysis).La censura e il non-normalità, che sono caratteristiche dei dati di sopravvivenza, di generare difficoltà quando si cerca di analizzare i dati con i convenzionali modelli statistici, come più regressione lineare. L' distribuzione normale, Essendo una distribuzione simmetrica, si sia positivi che valori negativi, ma la durata per sua stessa natura non può essere negativo e, pertanto, la normalità non può essere assunta quando si tratta di durata / dati di sopravvivenza. Da qui l'ipotesi di normalità di modelli di regressione è violata.
Il presupposto è che se i dati non sono stati censurati sarebbe rappresentativo della popolazione di interesse. In analisi di sopravvivenza, le osservazioni censurate sorgono ogni volta che la variabile dipendente di interessi rappresenta il momento di un evento terminale, e la durata dello studio è limitata nel tempo.
Un concetto importante in analisi di sopravvivenza è la rischio tasso, Definito come la probabilità che l'evento si verifica al tempo t condizionato a sopravvivere fino al tempo t. Un altro concetto correlato al tasso di rischio è la funzione di sopravvivenza che può essere definito come la probabilità di sopravvivere al tempo t.
La maggior parte dei modelli di provare a modello il tasso di rischio, scegliendo la distribuzione sottostante a seconda della forma della funzione di rischio. Una distribuzione la cui pericolosità funzione pendii verso l'alto si dice che la dipendenza positiva durata, un rischio di diminuzione mostra la dipendenza negativa durata mentre pericolo costante è un processo senza memoria generalmente caratterizzata da una distribuzione esponenziale. Alcune delle scelte distributive nei modelli di sopravvivenza sono: F, gamma, Weibull, log normale, normale inversa, ecc esponenziale Tutte queste distribuzioni sono per una variabile casuale non negativa.
modelli di durata possono essere parametrici, non parametrici o semi-parametrica. Alcuni dei modelli comunemente utilizzati sono Kaplan-Meier e il modello di rischio proporzionale di Cox (non parametrico).
Classificazione e alberi di regressione
Articolo principale: decisione albero di apprendimento
Gli alberi di classificazione e di regressione (CART) è un non parametrici Decisione albero apprendimento tecnica che produce o alberi di classificazione o di regressione, a seconda se la variabile dipendente è categoriale o numerica, rispettivamente.Decisione alberi sono formati da un insieme di regole basate su valori di alcune variabili nei dati di modellazione set
- Le regole sono selezionate in base a come ben si divide in base ai valori delle variabili 'in grado di differenziare le osservazioni sulla base della variabile dipendente
- Una volta che una regola viene selezionato e divide un nodo in due, la stessa logica si applica a ciascun nodo "figlio" (vale a dire che è una procedura ricorsiva)
- Dividere si interrompe quando CART rileva nessun guadagno ulteriore può essere fatto, o alcune regole pre-impostati di arresto sono soddisfatti
- Ogni osservazione cade in uno e esattamente un nodo terminale
- Ogni nodo terminale è univocamente definita da un insieme di regole
spline di regressione multivariata adattiva
spline di regressione multivariata adattiva (MARS) è un non parametrici tecnica che costruisce modelli flessibili di raccordo a tratti regressioni lineari.Un concetto importante associato spline di regressione è quella di un nodo. Knot è dove un modello di regressione locale lascia il posto ad un altro ed è quindi il punto di intersezione tra due scanalature.
In spline di regressione multivariata e adattiva, funzioni di base sono lo strumento utilizzato per generalizzare la ricerca di nodi. funzioni di base sono un insieme di funzioni utilizzate per rappresentare le informazioni contenute in una o più variabili. Multivariata e Adaptive Regression Splines modello quasi sempre crea le funzioni di base a coppie.
Multivariati e approccio adattivo spline di regressione deliberatamente overfits le prugne modello e quindi per arrivare al modello ottimale. L'algoritmo è computazionalmente molto intensiva e, in pratica, ci viene richiesto di specificare un limite massimo al numero di funzioni di base.
Tecniche di machine learning
Apprendimento automatico, Un ramo di intelligenza artificiale, è stato inizialmente impiegato per sviluppare tecniche per consentire ai computer per imparare. Oggi, dal momento che comprende una serie di metodi statistici avanzati per la regressione e la classificazione, trova applicazione in una vasta gamma di settori tra cui diagnostica medica, individuazione delle frodi con carta di credito, faccia e riconoscimento vocale e di analisi del borsa. In alcune applicazioni è sufficiente per prevedere direttamente la variabile dipendente senza mettere a fuoco le relazioni tra le variabili sottostanti. In altri casi, i rapporti sottostanti possono essere molto complessa e la forma matematica delle dipendenze sconosciuto. Per tali casi, le tecniche di machine learning emulare umano cognizione e imparare da esempi di formazione per predire eventi futuri.Una breve discussione di alcuni di questi metodi utilizzati comunemente per l'analisi predittiva viene riportato di seguito. Uno studio dettagliato di apprendimento macchina può essere trovato in Mitchell (1997).
Le reti neurali
Le reti neurali sono non lineare sofisticate tecniche di modellistica, che sono in grado di modello funzioni complesse. Essi possono essere applicati ai problemi di predizione, classificazione o controllo in un ampio spettro di settori quali la finanza, psicologia cognitiva/neuroscienze, medicina, ingegneriaE fisica.Le reti neurali sono utilizzati quando l'esatta natura della relazione tra input e output non è noto. Una caratteristica fondamentale delle reti neurali è che imparino il rapporto tra input e output attraverso la formazione. Ci sono due tipi di formazione, reti neurali utilizzate da reti diverse, supervisionato e senza sorveglianza formazione, con supervisione di essere il più comune.
Alcuni esempi di tecniche di addestramento della rete neurale sono backpropagation, La propagazione rapida, discesa del gradiente coniugato, operatore di proiezione, Delta-Bar-Delta ecc Alcune architetture di rete senza controllo sono multistrato perceptron, Reti di Kohonen, Reti di Hopfield, Ecc
funzioni di base radiali
A funzione di base radiale (RBF) è una funzione che ha costruito in esso un criterio di distanza rispetto a un centro. Tali funzioni possono essere utilizzate in modo molto efficiente per interpolazione e di perequazione dei dati. funzioni di base radiali sono state applicate nel settore della le reti neurali dove vengono utilizzati come una sostituzione per i sigmoidale funzione di trasferimento. Tali reti hanno 3 strati, lo strato di input, il livello nascosto con la non-linearità RBF e uno strato di uscita lineare. La scelta più popolare per la non-linearità è la gaussiana. reti RBF hanno il vantaggio di non essere bloccati in minimi locali come le feed-forward reti come il multistrato perceptron.Support Vector Machines
Support Vector Machines (SVM) sono utilizzati per rilevare e valorizzare modelli complessi di dati da parte di clustering, classificazione e valutazione dei dati. Stanno imparando macchine che vengono utilizzate per eseguire le classificazioni binari e le stime di regressione. Si usano comunemente i metodi kernel basato ad applicare tecniche di classificazione lineare per problemi di classificazione non lineare. Ci sono un certo numero di tipi di SVM come lineare, polinomiale, etc sigmaNaïve Bayes
Naïve Bayes basato sulla regola di Bayes probabilità condizionale è usato per l'esecuzione di compiti di classificazione. Naïve Bayes assume i predittori sono statisticamente indipendenti che gli rende un efficace strumento di classificazione che è facile da interpretare. E 'meglio impiegato di fronte al problema della' maledizione della dimensionalità ', cioè quando il numero di predittori è molto alta.kvicini, più vicini
L' vicino di casa più vicina algoritmo (KNN) appartiene alla classe dei metodi di riconoscimento di pattern statistici. Il metodo non impone a priori alcuna ipotesi circa la distribuzione da cui è tratto il campione di modellazione. Si tratta di un training set con valori sia positivi che negativi. Un nuovo campione è classificato calcolando la distanza dalla più vicina caso vicini di formazione. Il segno di quel punto si determina la classificazione del campione. Nel classificatore k-vicino più vicino, i k punti più vicini sono considerati e il segno della maggioranza è utilizzato per classificare il campione. Le prestazioni dell'algoritmo Knn è influenzato da tre fattori principali: (1) la misura di distanza utilizzata per individuare il più vicini, (2) la regola di decisione utilizzati per ottenere una classificazione del-vicini di casa più vicina k, e (3) il numero dei vicini utilizzate per classificare il nuovo campione. Si può dimostrare che, a differenza di altri metodi, questo metodo è universalmente asintoticamente convergenti, ovvero: come la dimensione degli aumenti di impostare la formazione, se le osservazioni sono indipendenti e identicamente distribuite (i.i.d.), Indipendentemente dalla distribuzione da cui è tratto il campione, la classe prevede convergeranno per l'assegnazione di classe che minimizza l'errore errore di classificazione. Vedi Devroy et al.Geospatial modellazione predittiva
Concettualmente, geospaziali modellazione predittiva è radicato nel principio che le occorrenze di eventi che vengono modellati sono limitati nella distribuzione. Occorrenze di eventi non sono né uniforme né casuale nella distribuzione - ci sono fattori ambientali del territorio (infrastrutture, socioculturali, topografiche, ecc) che limitano l'influenza e dove i luoghi degli eventi si verificano. Geospatial tentativi di modellazione predittiva di descrivere tali vincoli e influenze da correlare spazialmente le occorrenze di luoghi storici geospaziali con i fattori ambientali che rappresentano tali vincoli e influenze. Geospatial modellazione predittiva è un processo per analizzare gli eventi attraverso un filtro geografica, al fine di fare dichiarazioni di probabilità di occorrenza di eventi o di emergere.Strumenti
Ci sono numerosi strumenti disponibili sul mercato che aiutano con l'esecuzione di analisi predittiva. Si va da quelli che hanno bisogno di sofisticazione utente molto poco a quelle che sono progettati per il praticante esperto. La differenza tra questi strumenti è spesso il livello di personalizzazione e di dati di sollevamento pesante consentito.Nel tentativo di fornire un linguaggio standard per esprimere modelli predittivi, il Predictive Model Markup Language (PMML) è stato proposto. Un tale linguaggio basato su XML fornisce un modo per i vari strumenti per definire modelli predittivi e di condividere queste PMML tra le applicazioni compatibili. PMML 4.0 è stato rilasciato nel giugno 2009.
Le web-curiosità che non ha mai osato chiedere
Le web-curiosità che non ha mai osato chiedere
Ancora tutto da scoprire - Il colosso di Mountain View stima che attualmente Internet contenga circa 5 milioni di terabyte di dati (1 TB = 1.000 GB) e di averne indicizzati solo un misero 0,04%. Incredibile, non trovi? Tutto Internet potrebbe stare comodamente in 200 milioni di dischi Blu-Ray.
Ma che fastidio! - Lo sai che dei 247 miliardi di e-mail scambiate ogni giorno in tutto il mondo, l'81% è puro spam ? Una piaga di dimensioni colossali! Il primo messaggi di spam della storia risale al 1978 quando un innovativo pubblicitario spedì un annuncio su un nuovo modello di computer e sistema operativo a 600 utenti e agli amministratori di Arpanet (il precursore di Internet). Un'e-mail che mandç su tutte le furie i destinatari del messaggio, ma l'idea fu ben presto rubata da molte altre aziende di marketing come testimoniano le nostre casella di posta. Il termine “spam” sarebbe stato coniato solo qualche anno più tardi e trae origine da uno sketch comico del Monty Python's Flying Circus che ironizzava su un locale che non offriva altro cibo che dello “spam”, ossia un tipo di carne in scatola.
Strumenti di reperimento dei materiali non-Web Elenchi
6. Strumenti di reperimento dei materiali non-Web
Elenchi
Elenchi
- L-Soft ( http://www.lsoft.com/lists/listref.html ) - Uno strumento importante in questa categoria fin dall'inizio.
- Topica di liste ( http://lists.topica.com ) - copertura limitata delle liste. Inoltre, non appare in fase di aggiornamento per qualche tempo.
- Inizio Gruppi ( http://groups.yahoo.com ) - Il sito può visualizzare i risultati sia a livelli di lista e il messaggio. Inoltre copre entrambe le liste e gruppi.
- Master's List Hahn Harley di newsgroup Usenet ( http://www.harley.com/usenet/ ) - Anche se gestito da una sola persona, questo sito non solo supporta la ricerca e la navigazione di una lista completa dei newsgroup Usenet, ma comprende anche un sacco di base (ad esempio, avviare guida e tutorial) sui gruppi Usenet come una applicazione Internet. Inoltre, conserva ancora la gerarchia dei gruppi di Usenet, che difficilmente può essere trovato in altri siti simili al giorno d'oggi.
- Google Gruppi ( http://groups.google.com ) - Dopo l'acquisizione Deja.com, Google ha ribattezzato il sito come Google Gruppi. La versione corrente di Google Gruppi, tuttavia, resemebles poco di ciò che Deja.com utilizzati per offrire eccetto singoli gruppi il sistema supporta.
Iscriviti a:
Commenti (Atom)