Datenbanken Unit 10: Ranking und Data Mining

Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenbanken
Unit 10: Ranking und Data Mining
Ronald Ortner
30. V. 2017
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Organisatorisches
Nächste Woche entfällt VO, UE findet normal statt
Aktuelle ÜBeispiele nächste Woche
Noch zwei Wissensüberprüfungen morgen und nächste Woche
am 7.6.
UE-Abschlusstest am 14. Juni
(Gruppe 1: 14:45–16:00, Gruppe 2: 16:00–17:15 )
Am 21. Juni finden beide Übungsgruppen gleichzeitig statt
(16–17:30 Uhr im RWZ HS).
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
SQL
Heute:
Ergänzungen zu COUNT und JOIN
Ronald Ortner
Normalisierung: Weiteres Beispiel
Organisatorisches
Ranking und Data Mining
Ranking
Outline
1
Organisatorisches
2
Ranking und Data Mining
Ranking
Klassifikation
Assoziationsregeln
Clustering
3
Datenschutz
4
Normalisierung: Weiteres Beispiel
Ronald Ortner
Datenschutz
Normalisierung: Weiteres Beispiel
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Ranking
Ranking
Aufgabe:
haben mehrere Listen derselben Objekte, gereiht nach
verschiedenen Kriterien
aggregieren die verschiedenen Kriterien zu einem Wert
(einfachster Fall: Summe)
hätten gerne die besten k Objekte
Naive Lösung:
Berechnen Wert für alle Objekte und sortieren
Bessere Lösung:
Threshold Algorithmus
No Random Access Algorithmus
(für Details siehe Folien von Alois Kemper)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Klassifikation
Outline
1
Organisatorisches
2
Ranking und Data Mining
Ranking
Klassifikation
Assoziationsregeln
Clustering
3
Datenschutz
4
Normalisierung: Weiteres Beispiel
Ronald Ortner
Datenschutz
Normalisierung: Weiteres Beispiel
Organisatorisches
Ranking und Data Mining
Klassifikation
Data Mining
Idee:
haben viele Daten
suchen nach speziellen Mustern
Ronald Ortner
Datenschutz
Normalisierung: Weiteres Beispiel
Organisatorisches
Ranking und Data Mining
Klassifikation
Data Mining
Idee:
haben viele Daten
suchen nach speziellen Mustern
Wir unterscheiden dabei:
Klassifikation
Assoziationsregeln
Clustering
Ronald Ortner
Datenschutz
Normalisierung: Weiteres Beispiel
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Klassifikation
Klassifikation
Setting:
interessieren uns für bestimmte Eigenschaft
schauen uns vergangene Daten an und generieren Hypothese
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Klassifikation
Klassifikation
Setting:
interessieren uns für bestimmte Eigenschaft
schauen uns vergangene Daten an und generieren Hypothese
Beispiele:
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Klassifikation
Klassifikation
Setting:
interessieren uns für bestimmte Eigenschaft
schauen uns vergangene Daten an und generieren Hypothese
Beispiele:
Risiko für Versicherungsfall
(gegeben: Geschlecht, Alter etc.)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Klassifikation
Klassifikation
Setting:
interessieren uns für bestimmte Eigenschaft
schauen uns vergangene Daten an und generieren Hypothese
Beispiele:
Risiko für Versicherungsfall
(gegeben: Geschlecht, Alter etc.)
Risiko, dass Kredit nicht zurückgezahlt wird
(gegeben: Geschlecht, Alter, Familienstand, Arbeitsverhältnis,
etc.)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Klassifikation
Klassifikation
Setting:
interessieren uns für bestimmte Eigenschaft
schauen uns vergangene Daten an und generieren Hypothese
Beispiele:
Risiko für Versicherungsfall
(gegeben: Geschlecht, Alter etc.)
Risiko, dass Kredit nicht zurückgezahlt wird
(gegeben: Geschlecht, Alter, Familienstand, Arbeitsverhältnis,
etc.)
Aussicht, dass medizinische Behandlung erfolgreich
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Klassifikation
Klassifikation
Setting:
interessieren uns für bestimmte Eigenschaft
schauen uns vergangene Daten an und generieren Hypothese
Beispiele:
Risiko für Versicherungsfall
(gegeben: Geschlecht, Alter etc.)
Risiko, dass Kredit nicht zurückgezahlt wird
(gegeben: Geschlecht, Alter, Familienstand, Arbeitsverhältnis,
etc.)
Aussicht, dass medizinische Behandlung erfolgreich
Ist E-Mail Spam?
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Klassifikation
Klassifikation
Setting:
interessieren uns für bestimmte Eigenschaft
schauen uns vergangene Daten an und generieren Hypothese
Beispiele:
Risiko für Versicherungsfall
(gegeben: Geschlecht, Alter etc.)
Risiko, dass Kredit nicht zurückgezahlt wird
(gegeben: Geschlecht, Alter, Familienstand, Arbeitsverhältnis,
etc.)
Aussicht, dass medizinische Behandlung erfolgreich
Ist E-Mail Spam?
Enthält dieses Bild eine Katze?
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Klassifikation
Klassifikation
Setting:
interessieren uns für bestimmte Eigenschaft
schauen uns vergangene Daten an und generieren Hypothese
Beispiele:
Risiko für Versicherungsfall
(gegeben: Geschlecht, Alter etc.)
Risiko, dass Kredit nicht zurückgezahlt wird
(gegeben: Geschlecht, Alter, Familienstand, Arbeitsverhältnis,
etc.)
Aussicht, dass medizinische Behandlung erfolgreich
Ist E-Mail Spam?
Enthält dieses Bild eine Katze?
Ist diese Website über Datenbanknormalisierung?
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Klassifikation
Maschinelles Lernen
Es gibt viele verschiedene Methoden, um aus Daten zu ‘lernen’:
Neuronale Netze
Entscheidungsbäume
Support Vector Machines
..
.
→ Lehrveranstaltung “Maschinelles Lernen” (Auer)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Assoziationsregeln
Outline
1
Organisatorisches
2
Ranking und Data Mining
Ranking
Klassifikation
Assoziationsregeln
Clustering
3
Datenschutz
4
Normalisierung: Weiteres Beispiel
Ronald Ortner
Datenschutz
Normalisierung: Weiteres Beispiel
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Assoziationsregeln
Assoziationsregeln
(für Details zu diesem Thema siehe Folien von Alois Kemper)
Setting:
möchten aus großer Datenmenge bestimmte Regeln ableiten
Beispiel:
Wenn jemand einen PC kauft, dann auch einen Drucker.
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Assoziationsregeln
Assoziationsregeln
(für Details zu diesem Thema siehe Folien von Alois Kemper)
Setting:
möchten aus großer Datenmenge bestimmte Regeln ableiten
Beispiel:
Wenn jemand einen PC kauft, dann auch einen Drucker.
Diese Assoziationsregeln gelten i.a. nicht immer:
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Assoziationsregeln
Assoziationsregeln
(für Details zu diesem Thema siehe Folien von Alois Kemper)
Setting:
möchten aus großer Datenmenge bestimmte Regeln ableiten
Beispiel:
Wenn jemand einen PC kauft, dann auch einen Drucker.
Diese Assoziationsregeln gelten i.a. nicht immer:
Konfidenz: In wievielen % der Fälle stimmt die Regel?
(Wieviele PC Käufer haben auch einen Drucker gekauft?)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Assoziationsregeln
Assoziationsregeln
(für Details zu diesem Thema siehe Folien von Alois Kemper)
Setting:
möchten aus großer Datenmenge bestimmte Regeln ableiten
Beispiel:
Wenn jemand einen PC kauft, dann auch einen Drucker.
Diese Assoziationsregeln gelten i.a. nicht immer:
Konfidenz: In wievielen % der Fälle stimmt die Regel?
(Wieviele PC Käufer haben auch einen Drucker gekauft?)
Support: Aus wievielen Daten wurde die Regel abgeleitet?
(In wievielen % der Einkäufe wurden ein PC und ein Drucker
zusammen gekauft?)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Assoziationsregeln
Der A Priori Algorithmus
→ möchten alle Assoziationsregeln mit Support≥ smin
und Konfidenz≥ cmin .
frequent itemset := Menge von Items mit Support ≥ smin
Algorithmus für das Finden von frequent itemsets:
Überprüfe für jeden Item i, ob {i} ein frequent itemset ist.
Wiederhole:
Für jedes gefundene frequent itemset F und jeden Item i ∈
/F
überprüfe ob F ∪ {i} ein frequent itemset ist.
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Assoziationsregeln
Ableiten von Regeln aus Frequent Itemsets
Sind frequent itemsets bekannt, so lassen sich leicht
Assoziationsregeln daraus ableiten:
Wenn F ein frequent itemset und F = L ∪ R mit L ∩ R = ∅,
dann ist L ⇒ R Assoziationsregel mit
Konfidenz(L ⇒ R) =
Support(F )
Support(L)
Überprüfe, ob Regel Konfidenz≥ cmin hat.
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Assoziationsregeln
Ableiten von Regeln aus Frequent Itemsets
Wenn F ein frequent itemset und F = L ∪ R mit L ∩ R = ∅,
dann ist L ⇒ R Assoziationsregel mit
Konfidenz(L ⇒ R) =
Support(F )
Support(L)
Überprüfe, ob Regel Konfidenz≥ cmin hat.
Beispiel: Wenn {Drucker, Papier, Toner} ein frequent itemset, dann
haben wir die Assoziationsregel
Drucker ⇒ Papier, Toner
mit Konfidenz
Support({Drucker, Papier, Toner})
Support({Drucker})
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Assoziationsregeln
Erhöhen der Konfidenz
Für zwei Assoziationsregeln
L ⇒ R,
L+ ⇒ R −
abgeleitet aus demselben frequent itemset F = L ∪ R = L+ ∪ R − mit
L ⊆ L+ und R − ⊆ R, gilt allgemein
Konfidenz(L+ ⇒ R − ) ≥ Konfidenz(L ⇒ R).
kann Konfidenz durch Verschieben von Items von rechts nach links
erhöhen!
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Assoziationsregeln
Erhöhen der Konfidenz
Für zwei Assoziationsregeln
L ⇒ R,
L+ ⇒ R −
abgeleitet aus demselben frequent itemset F = L ∪ R = L+ ∪ R − mit
L ⊆ L+ und R − ⊆ R, gilt allgemein
Konfidenz(L+ ⇒ R − ) ≥ Konfidenz(L ⇒ R).
kann Konfidenz durch Verschieben von Items von rechts nach links
erhöhen!
Beispiel:
Konfidenz({Drucker, Papier} ⇒ {Toner}) ≥
Konfidenz({Drucker} ⇒ {Papier, Toner})
Ronald Ortner
(1)
(2)
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Assoziationsregeln
Anwendung: Empfehlungen
Beispiel:
Empfehlungen bei amazon
funktioniert nicht immer gut
(etwa bei Kunden mit ausgefallenem Geschmack):
Liebe Kundin, lieber Kunde!
Kunden, die sich für “The Art of Chess Combination” von Eugene
Znosko-Borovsky interessierten, haben “Read the High Country: A
Guide to Western Books and Films” von Mort bestellt. Daher möchten
wir Sie darüber informieren, dass “Read the High Country: A Guide to
Western Books and Films” von Mort in Kürze erscheinen wird.
Bestellen Sie jetzt Ihr Exemplar vor!
(Support zu gering!)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Clustering
Outline
1
Organisatorisches
2
Ranking und Data Mining
Ranking
Klassifikation
Assoziationsregeln
Clustering
3
Datenschutz
4
Normalisierung: Weiteres Beispiel
Ronald Ortner
Datenschutz
Normalisierung: Weiteres Beispiel
Organisatorisches
Ranking und Data Mining
Datenschutz
Clustering
Clustering
Setting:
Gegeben: große Datenmenge
finde Cluster von ähnlichen Daten
Ronald Ortner
Normalisierung: Weiteres Beispiel
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Clustering
Clustering
Setting:
Gegeben: große Datenmenge
finde Cluster von ähnlichen Daten
Beispiel:
Cluster in Bilddaten
→ Bilder im gleichen Cluster zeigen ähnliche Objekte
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Clustering
Beispiel: Books that make you dumb
Ronald Ortner
Normalisierung: Weiteres Beispiel
Organisatorisches
Ranking und Data Mining
Datenschutz
Clustering
Beispiel: Music that makes you dumb
Ronald Ortner
Normalisierung: Weiteres Beispiel
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
In George Orwells Dystopie ‘1984’ überwacht die Regierung ihre
Bürger. (“Big brother is watching you.”)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
In George Orwells Dystopie ‘1984’ überwacht die Regierung ihre
Bürger. (“Big brother is watching you.”)
Die Gegenwart ist noch schlimmer:
Menschen teilen alle Details ihres Leben mit
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
In George Orwells Dystopie ‘1984’ überwacht die Regierung ihre
Bürger. (“Big brother is watching you.”)
Die Gegenwart ist noch schlimmer:
Menschen teilen alle Details ihres Leben mit
ihren Freunden und Bekannten,
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
In George Orwells Dystopie ‘1984’ überwacht die Regierung ihre
Bürger. (“Big brother is watching you.”)
Die Gegenwart ist noch schlimmer:
Menschen teilen alle Details ihres Leben mit
ihren Freunden und Bekannten,
jedem, den es interessiert,
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
In George Orwells Dystopie ‘1984’ überwacht die Regierung ihre
Bürger. (“Big brother is watching you.”)
Die Gegenwart ist noch schlimmer:
Menschen teilen alle Details ihres Leben mit
ihren Freunden und Bekannten,
jedem, den es interessiert,
großen Firmen wie Facebook oder google (und der NSA).
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
In George Orwells Dystopie ‘1984’ überwacht die Regierung ihre
Bürger. (“Big brother is watching you.”)
Die Gegenwart ist noch schlimmer:
Menschen teilen alle Details ihres Leben mit
ihren Freunden und Bekannten,
jedem, den es interessiert,
großen Firmen wie Facebook oder google (und der NSA).
If it’s free, YOU (=your data) are the product.
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen
können?
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen
können?
Ihre Einkaufsliste?
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen
können?
Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen
können?
Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol)
Bücher, die Sie lesen / Musik, die Sie hören ?
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen
können?
Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol)
Bücher, die Sie lesen / Musik, die Sie hören ? (siehe oben)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen
können?
Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol)
Bücher, die Sie lesen / Musik, die Sie hören ? (siehe oben)
Ihre Hobbies
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen
können?
Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol)
Bücher, die Sie lesen / Musik, die Sie hören ? (siehe oben)
Ihre Hobbies (Fallschirmspringen)
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen
können?
Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol)
Bücher, die Sie lesen / Musik, die Sie hören ? (siehe oben)
Ihre Hobbies (Fallschirmspringen)
Informationen können isoliert betrachtet harmlos aussehen, in
Kombination jedoch unerwünschte Schlüsse zulassen:
Sie haben gestern früh Milch gekauft.
Sie haben sich gestern nachmittag auf Facebook eingeloggt.
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Welche Informationen sind so harmlos, dass Sie sie mit jedem teilen
können?
Ihre Einkaufsliste? (regelmäßig große Mengen an Alkohol)
Bücher, die Sie lesen / Musik, die Sie hören ? (siehe oben)
Ihre Hobbies (Fallschirmspringen)
Informationen können isoliert betrachtet harmlos aussehen, in
Kombination jedoch unerwünschte Schlüsse zulassen:
Sie haben gestern früh Milch gekauft.
Sie haben sich gestern nachmittag auf Facebook eingeloggt.
Sie waren gestern krank gemeldet.
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Gewisse Information möchte man u.U. nicht mit anderen teilen
(z.B. dem Arbeitgeber, der Versicherung, dem Nachbarn, usw.):
Krankheiten
politische Einstellung
sexuelle Orientierung
...
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Gewisse Information möchte man u.U. nicht mit anderen teilen
(z.B. dem Arbeitgeber, der Versicherung, dem Nachbarn, usw.):
Krankheiten
politische Einstellung
sexuelle Orientierung
...
Darüber sprechen Sie nicht auf Facebook?
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Zuverlässigkeit der Einschätzung nach 170 Facebook Likes:
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Zuverlässigkeit der Einschätzung nach 170 Facebook Likes:
Sexuelle Orientierung: 88 %
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Zuverlässigkeit der Einschätzung nach 170 Facebook Likes:
Sexuelle Orientierung: 88 %
Politische Einstellung: 85 %
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Zuverlässigkeit der Einschätzung nach 170 Facebook Likes:
Sexuelle Orientierung: 88 %
Politische Einstellung: 85 %
Religion: 82 %
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Zuverlässigkeit der Einschätzung nach 170 Facebook Likes:
Sexuelle Orientierung: 88 %
Politische Einstellung: 85 %
Religion: 82 %
Beziehungsstatus: 67 %
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Zuverlässigkeit der Einschätzung nach 170 Facebook Likes:
Sexuelle Orientierung: 88 %
Politische Einstellung: 85 %
Religion: 82 %
Beziehungsstatus: 67 %
Drogenkonsum: 65 %
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Auch ohne Likes können aus dem Facebook-Graphen Rückschlüsse
gezogen werden über:
ehemalige Mitschüler
Arbeitskollegen
mit wem Sie Ihre Freizeit verbringen
Ihren Partner
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Datenschutz
Pilotprojekt: Social credit sytem (SCS) in China bewertet Bürger
anhand
Verhalten in sozialen Netzwerken
Einkaufsverhalten
Bankdaten
Jeder Bürger erhält sogenannte Sesame credit points für ‘gutes’
Verhalten, für ‘schlechtes’ Verhalten gibt es Punkteabzüge.
Ob ein Bürger z.B. ein Visum fürs Ausland bekommt, hängt dann von
seinem Punktestand ab.
Ronald Ortner
Organisatorisches
Ranking und Data Mining
Datenschutz
Normalisierung: Weiteres Beispiel
Normalisierung: Weiteres Beispiel
Entwerfen Sie eine Datenbank für Kunstwerke. Neben dem Künstler
und dem Titel des Werks sollen Jahr, Material und Technik sowie die
Größe gespeichert werden. Weiters soll für jedes Werk der Besitzer
hinterlegt werden. Dies kann eine Privatperson, eine Galerie oder ein
Museum sein. Von diesen sollen Kontaktadressen und
Telefonnummern (soweit vorhanden) gespeichert werden. Für Museen
und Galerien sollen weiters Öffnungszeiten hinterlegt werden. Falls ein
Werk zum Verkauf steht, soll auch der Preis gespeichert werden.
Ronald Ortner