|
|
|
|
| LEADER |
03023na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2016 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid3708
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Rupčić, Ivan
|
| 245 |
1 |
0 |
|a Analiza ponašanja potrošača otkrivanjem asocijacijskih pravila :
|b završni rad /
|c Ivan Rupčić ; [mentor Marko Banek].
|
| 246 |
1 |
|
|a Analyzing customer behavior by applying association rule mining
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b I. Rupčić,
|c 2016.
|
| 300 |
|
|
|a 28 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b preddiplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 41, datum predaje: 2015-06-12, datum završetka: 2016-06-30
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Otkrivanje asocijacijskih pravila je kompleksan proces, a njegova primjena je najčešće u marketingu. S jedne strane, da bismo dobili dobre rezultate, skup podataka koji se analizira bi trebao biti veći, a s druge strane to usporava proces analize koliko god da danas imamo jaka računala.
Kako bismo olakšali odnosno usmjerili analizu prema onim značajnijim podacima, koristimo nekoliko mjerila, a to su: podrška, pouzdanost i poboljšanje. Podrška znači koliko se koji proizvodi često pojavljuju u košaricama, pouzdanost je mjerilo asocijacijskog pravila koje nam kaže koliko je značajno određeno pravilo, a poboljšanje je faktor međuovisnosti skupa proizvoda u asocijacijskom pravilu. Korištenjem ta tri mjerila, analiza podataka će nam biti ubrzana i usmjerena prema podacima koji nas zanimaju.
Algoritama za pronalaženje asocijacijskih pravila ima mnogo i svaki ima svoje prednosti i mane. Od nekoliko spomenutih, u radu je korišten modificirani a-priori algoritam u analizi podataka trgovine s elektroničkom opremom radi otkrivanja asocijacijskih pravila.
|
| 520 |
3 |
|
|a Sažetak na engleskom: Discovering association rules is a complex process and it is used usually in marketing. On the one hand in order to get good result, dataset submitted to analysis should be large, but in the other hand this will slow down the process despite strong computers being available today.
To ease and direct process toward significant data we use several measures which are support, confidence and lift. Support means how frequent the items are, confidence measures how good rule is and lift is a factor of independency of items. Analysis using those measures will be faster and directed toward data which are interesting to us.
There are many algorithms for asosciation rule mining and each got their pros and cons. Of the several algorithms mentioned in the bachelor thesis, we used a modified a-priori algorithm to analyze data of the electronic component shop to discover association rules.
|
| 653 |
|
1 |
|a A-Priori
|a algoritmi
|a asocijacijsko pravilo
|a dubinska analiza podataka
|
| 653 |
|
1 |
|a A-Priori
|a algorithms
|a association rule
|a data mining
|
| 700 |
1 |
|
|a Banek, Marko
|4 ths
|
| 942 |
|
|
|c Z
|
| 999 |
|
|
|c 50003
|d 50003
|