<?xml version="1.0"?>
<feed xmlns="http://www.w3.org/2005/Atom" xml:lang="cs">
	<id>https://wikisofia.cz/w/api.php?action=feedcontributions&amp;feedformat=atom&amp;user=Sarka.Hornickova</id>
	<title>Wikisofia - Příspěvky uživatele [cs]</title>
	<link rel="self" type="application/atom+xml" href="https://wikisofia.cz/w/api.php?action=feedcontributions&amp;feedformat=atom&amp;user=Sarka.Hornickova"/>
	<link rel="alternate" type="text/html" href="https://wikisofia.cz/wiki/Speci%C3%A1ln%C3%AD:P%C5%99%C3%ADsp%C4%9Bvky/Sarka.Hornickova"/>
	<updated>2026-05-16T19:31:48Z</updated>
	<subtitle>Příspěvky uživatele</subtitle>
	<generator>MediaWiki 1.33.0</generator>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Big_data&amp;diff=55182</id>
		<title>Big data</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Big_data&amp;diff=55182"/>
		<updated>2018-06-22T10:30:46Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;&lt;br /&gt;
'''Big data''' pojem, nejčastěji vyskytující se v oblasti [[Informačních technologie|Informačních technologií]] (ICT), který označuje takové množství [[data|dat]], které není možné v reálném čase zpracovat na běžně dostupném hardwarovém a softwarovém vybavení. [[Problematika velkých dat. Big data.]]  &lt;br /&gt;
&lt;br /&gt;
== Rozdělení  ==&lt;br /&gt;
&lt;br /&gt;
Big Data se definují několika dimenzemi&amp;lt;ref&amp;gt;MACEK, Jáchym Praha. &amp;lt;i&amp;gt;Big Data, jejich skladování a možnosti využití&amp;lt;/i&amp;gt;. Praha, 2014.&amp;lt;/ref&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
*'''První dimenzí je objem (volume).'''&lt;br /&gt;
To jsou data, co se nepohybují, ale narůstají obrovským tempem. Bylo již zmíněno v úvodu práce, že tempo růstu objemu dat je rychlejší každým rokem, a do roku 2020 bude ze současných 8000 exabajtů až 35000 exabajtů dat na světě. &lt;br /&gt;
&lt;br /&gt;
*'''Druhou dimenzí je rychlost (velocity).'''&lt;br /&gt;
Míněna je rychlost dat a jejich pohybu, vytváření, hromadění a zpracování. Streamovaná data s milisekundovou odezvou, real-time komunikační odezvy a informace. &lt;br /&gt;
&lt;br /&gt;
*'''Třetí dimenze je typ (variety).'''&lt;br /&gt;
Data v mnoha různých formách. Strukturovaná, nestrukturovaná, textová a multimediální. &lt;br /&gt;
&lt;br /&gt;
*'''Čtvrtá dimenze je věrohodnost (veracity).'''&lt;br /&gt;
Tuto dimenzi přidala společnost [[IBM]] pro lepší a přesnější definování Big Data. Nejistá data jsou z důvodů nekonzistence, věrohodnosti či neúplnosti. Při analyzování veškerých dat kolem nás musíme s určitou mírou nevěrohodnosti počítat. V některých zdrojích je jako čtvrtá dimenze uváděna hodnota (value), ve smyslu hodnoty pro podnik a lepší byznys modely. &lt;br /&gt;
&lt;br /&gt;
''Firma [http://www.sas.com/cs_cz/home.html SAS], která se správou velkoobjemových dat zabývá, přidává ještě další složku a tou je:&lt;br /&gt;
''&lt;br /&gt;
*'''Pátá dimenze - složitost (complexity).'''&lt;br /&gt;
Dnešní data pocházejí z mnoha zdrojů. Provázání, porovnání, sloučení, vyčištění a transformace dat ve všech systémech je stále náročnějším úkolem. Je velmi důležité spojit a korelovat vztahy, hierarchii a početné vazby mezi daty, jinak nad svými daty rychle ztratíte kontrolu.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;What Is Big Data? | SAS&amp;lt;/i&amp;gt; [online]. [cit. 2015-11-9]. Dostupné z: http://www.sas.com/cs_cz/insights/big-data/what-is-big-data.html&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Uchovávání ==&lt;br /&gt;
&lt;br /&gt;
Big data se uchovávají v tzv. [[Datový sklad|Datových skladech]] (anglicky Data Warehouse), toto slovní spojení použil poprvé [[William H. Inmon]]&amp;lt;ref&amp;gt;INMON, William H a Chuck KELLEY. &amp;lt;i&amp;gt;Rdb/VMS, developing the data warehouse&amp;lt;/i&amp;gt;. Boston: QED Pub. Group, c1993, xxiv, 225 p.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Podle [[Česká terminologická databáze knihovnictví a informační vědy|TDKIV]]&amp;lt;ref&amp;gt;Česká terminologická databáze knihovnictví a informační vědy&amp;lt;/ref&amp;gt; je datový sklad vnímán jako Databáze optimalizovaná pro dotazy, analýzy dat a tvorbu sestav. Vytváří se přenosem, transformací a často též agregací primárních dat z provozních systémů a z externích zdrojů a jejich integrováním do jednotné datové základny. Struktura datového skladu je založena zpravidla na dvou typech objektů - tabulkách faktů a tabulkách dimenzí (např. čas, místo), z nichž lze vytvářet vícerozměrné objekty (kostky). Uložená data lze využívat prostřednictvím dotazování, reportingu, OLAP (on-line analytické zpracování), dolování dat, vizualizace dat.&amp;lt;ref&amp;gt;KUČEROVÁ, Helena. Datový sklad. In: KTD: Česká terminologická databáze knihovnictví a informační vědy (TDKIV) [online]. Praha : Národní knihovna ČR, 2003- [cit. 2015-11-25]. Dostupné z: http://aleph.nkp.cz/F/?func=direct&amp;amp;doc_number=000000389&amp;amp;local_base=KTD.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Zdroje ==&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Související články ===&lt;br /&gt;
[[Data]]&amp;lt;br /&amp;gt;&lt;br /&gt;
[[Software]]&lt;br /&gt;
&lt;br /&gt;
=== Externí odkazy ===&lt;br /&gt;
&lt;br /&gt;
*[http://info.sks.cz/www/zavprace/soubory/82110.pdf Datové sklady a možnosti analýzy a reportování dat ve výuce][cit. 2015-11-25].&lt;br /&gt;
&lt;br /&gt;
*ČERNË, Michal. Big data a jejich možnosti v kontextu knihoven. Knihovna [online]. 2013, 24(1): 104-111 [cit. 2015-12-17]. ISSN 18013252. Dostupné z: http://search.ebscohost.com/login.aspx?direct=true&amp;amp;db=lls&amp;amp;an=88175803&amp;amp;scope=site&lt;br /&gt;
&lt;br /&gt;
*GOES, Paulo B. Big Data and IS Research. MIS Quarterly [online]. 2014, 38(3): iii [cit. 2015-12-17]. ISSN 02767783. Dostupné z: http://search.ebscohost.com/login.aspx?direct=true&amp;amp;db=bth&amp;amp;an=97267368&amp;amp;scope=site&lt;br /&gt;
&lt;br /&gt;
=== Klíčová slova ===&lt;br /&gt;
&lt;br /&gt;
Big data, Datový sklad, Data Warehouse, Databáze&lt;br /&gt;
&lt;br /&gt;
[[Kategorie:Informační studia a knihovnictví]][[Kategorie:Informační technologie, knihovnické technologie]][[Kategorie:Hesla k opravě UISK]]&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Big_data&amp;diff=55181</id>
		<title>Big data</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Big_data&amp;diff=55181"/>
		<updated>2018-06-22T10:30:08Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;&lt;br /&gt;
'''Problematika velkých dat. Big data''' pojem, nejčastěji vyskytující se v oblasti [[Informačních technologie|Informačních technologií]] (ICT), který označuje takové množství [[data|dat]], které není možné v reálném čase zpracovat na běžně dostupném hardwarovém a softwarovém vybavení. [[Problematika velkých dat. Big data.]]  &lt;br /&gt;
&lt;br /&gt;
== Rozdělení  ==&lt;br /&gt;
&lt;br /&gt;
Big Data se definují několika dimenzemi&amp;lt;ref&amp;gt;MACEK, Jáchym Praha. &amp;lt;i&amp;gt;Big Data, jejich skladování a možnosti využití&amp;lt;/i&amp;gt;. Praha, 2014.&amp;lt;/ref&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
*'''První dimenzí je objem (volume).'''&lt;br /&gt;
To jsou data, co se nepohybují, ale narůstají obrovským tempem. Bylo již zmíněno v úvodu práce, že tempo růstu objemu dat je rychlejší každým rokem, a do roku 2020 bude ze současných 8000 exabajtů až 35000 exabajtů dat na světě. &lt;br /&gt;
&lt;br /&gt;
*'''Druhou dimenzí je rychlost (velocity).'''&lt;br /&gt;
Míněna je rychlost dat a jejich pohybu, vytváření, hromadění a zpracování. Streamovaná data s milisekundovou odezvou, real-time komunikační odezvy a informace. &lt;br /&gt;
&lt;br /&gt;
*'''Třetí dimenze je typ (variety).'''&lt;br /&gt;
Data v mnoha různých formách. Strukturovaná, nestrukturovaná, textová a multimediální. &lt;br /&gt;
&lt;br /&gt;
*'''Čtvrtá dimenze je věrohodnost (veracity).'''&lt;br /&gt;
Tuto dimenzi přidala společnost [[IBM]] pro lepší a přesnější definování Big Data. Nejistá data jsou z důvodů nekonzistence, věrohodnosti či neúplnosti. Při analyzování veškerých dat kolem nás musíme s určitou mírou nevěrohodnosti počítat. V některých zdrojích je jako čtvrtá dimenze uváděna hodnota (value), ve smyslu hodnoty pro podnik a lepší byznys modely. &lt;br /&gt;
&lt;br /&gt;
''Firma [http://www.sas.com/cs_cz/home.html SAS], která se správou velkoobjemových dat zabývá, přidává ještě další složku a tou je:&lt;br /&gt;
''&lt;br /&gt;
*'''Pátá dimenze - složitost (complexity).'''&lt;br /&gt;
Dnešní data pocházejí z mnoha zdrojů. Provázání, porovnání, sloučení, vyčištění a transformace dat ve všech systémech je stále náročnějším úkolem. Je velmi důležité spojit a korelovat vztahy, hierarchii a početné vazby mezi daty, jinak nad svými daty rychle ztratíte kontrolu.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;What Is Big Data? | SAS&amp;lt;/i&amp;gt; [online]. [cit. 2015-11-9]. Dostupné z: http://www.sas.com/cs_cz/insights/big-data/what-is-big-data.html&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Uchovávání ==&lt;br /&gt;
&lt;br /&gt;
Big data se uchovávají v tzv. [[Datový sklad|Datových skladech]] (anglicky Data Warehouse), toto slovní spojení použil poprvé [[William H. Inmon]]&amp;lt;ref&amp;gt;INMON, William H a Chuck KELLEY. &amp;lt;i&amp;gt;Rdb/VMS, developing the data warehouse&amp;lt;/i&amp;gt;. Boston: QED Pub. Group, c1993, xxiv, 225 p.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Podle [[Česká terminologická databáze knihovnictví a informační vědy|TDKIV]]&amp;lt;ref&amp;gt;Česká terminologická databáze knihovnictví a informační vědy&amp;lt;/ref&amp;gt; je datový sklad vnímán jako Databáze optimalizovaná pro dotazy, analýzy dat a tvorbu sestav. Vytváří se přenosem, transformací a často též agregací primárních dat z provozních systémů a z externích zdrojů a jejich integrováním do jednotné datové základny. Struktura datového skladu je založena zpravidla na dvou typech objektů - tabulkách faktů a tabulkách dimenzí (např. čas, místo), z nichž lze vytvářet vícerozměrné objekty (kostky). Uložená data lze využívat prostřednictvím dotazování, reportingu, OLAP (on-line analytické zpracování), dolování dat, vizualizace dat.&amp;lt;ref&amp;gt;KUČEROVÁ, Helena. Datový sklad. In: KTD: Česká terminologická databáze knihovnictví a informační vědy (TDKIV) [online]. Praha : Národní knihovna ČR, 2003- [cit. 2015-11-25]. Dostupné z: http://aleph.nkp.cz/F/?func=direct&amp;amp;doc_number=000000389&amp;amp;local_base=KTD.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Zdroje ==&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Související články ===&lt;br /&gt;
[[Data]]&amp;lt;br /&amp;gt;&lt;br /&gt;
[[Software]]&lt;br /&gt;
&lt;br /&gt;
=== Externí odkazy ===&lt;br /&gt;
&lt;br /&gt;
*[http://info.sks.cz/www/zavprace/soubory/82110.pdf Datové sklady a možnosti analýzy a reportování dat ve výuce][cit. 2015-11-25].&lt;br /&gt;
&lt;br /&gt;
*ČERNË, Michal. Big data a jejich možnosti v kontextu knihoven. Knihovna [online]. 2013, 24(1): 104-111 [cit. 2015-12-17]. ISSN 18013252. Dostupné z: http://search.ebscohost.com/login.aspx?direct=true&amp;amp;db=lls&amp;amp;an=88175803&amp;amp;scope=site&lt;br /&gt;
&lt;br /&gt;
*GOES, Paulo B. Big Data and IS Research. MIS Quarterly [online]. 2014, 38(3): iii [cit. 2015-12-17]. ISSN 02767783. Dostupné z: http://search.ebscohost.com/login.aspx?direct=true&amp;amp;db=bth&amp;amp;an=97267368&amp;amp;scope=site&lt;br /&gt;
&lt;br /&gt;
=== Klíčová slova ===&lt;br /&gt;
&lt;br /&gt;
Big data, Datový sklad, Data Warehouse, Databáze&lt;br /&gt;
&lt;br /&gt;
[[Kategorie:Informační studia a knihovnictví]][[Kategorie:Informační technologie, knihovnické technologie]][[Kategorie:Hesla k opravě UISK]]&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54229</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54229"/>
		<updated>2018-05-29T12:23:52Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref name=&amp;quot;mayer&amp;quot;&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]]&amp;lt;ref&amp;gt;HAMILTON, Shane P. a Michael P. KREUZER. &amp;lt;i&amp;gt;The Big Data Imperative: Air Force Intelligence for the Information Age&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=6&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss Algorithmic, 2018. Dostupné také z: https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Velká data pomáhají v dopravě i cestovním ruchu&amp;lt;/i&amp;gt;. Praha: TTG Czech, c2018. Dostupné také z: http://www.ttg.cz/velka-data-pomahaji-v-doprave-i-v-cestovnim-ruchu/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&amp;lt;ref name=&amp;quot;sharma&amp;quot;&amp;gt;SHARMA, Neha. &amp;lt;i&amp;gt;Big Data Analytics in Health Care: A Literature Survey&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference. &lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Definition&amp;lt;/i&amp;gt;. Google trends: TechTarget, 2013. Dostupné také z: https://whatis.techtarget.com/definition/Google-Trends&amp;lt;/ref&amp;gt;  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě mělo chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# '''Ochrana soukromí:''' přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# '''Hodnocení sklonů:''' klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# '''Auditování algoritmů:''' monitorování a transparentnost velkých dat&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat.&amp;lt;ref name=&amp;quot;cerny&amp;quot;&amp;gt;ČERNÝ, Michal. &amp;lt;i&amp;gt;Big data a jejich možnosti v kontextu knihoven&amp;lt;/i&amp;gt;. 2013.&amp;lt;/ref&amp;gt; &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* '''[[Digitalizace]]''' &lt;br /&gt;
* '''[[Internet of things|Internet věcí]]''' &lt;br /&gt;
* '''[[Vizualizace informací|Vizualizace]]''' &lt;br /&gt;
* '''[[znalostní databáze|Tvorba znalostních databází]]'''&lt;br /&gt;
==== Proces zpracování a vizualizace velkých dat ====&lt;br /&gt;
# '''Získávání dat''' &lt;br /&gt;
# '''Zpracování ''' - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# '''Filtrování''' - stanovení kritérií &lt;br /&gt;
# '''Dolování''' - získávání informací z množiny předložených dat &lt;br /&gt;
# '''Reprezentace'''  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# '''Čištění''' - vylepšování získaného výsledku &lt;br /&gt;
# '''Interpretace''' - získání té nejlepší možnosti pochopení obsahu&amp;lt;ref name=&amp;quot;cerny&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&amp;lt;ref&amp;gt;TATTERSALL, A a GRANT MJ. &amp;lt;i&amp;gt;Big Data - What is it and why it matters&amp;lt;/i&amp;gt;. 2016. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Odkazy ==&lt;br /&gt;
&lt;br /&gt;
=== Reference ===&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Související články ===&lt;br /&gt;
[[Big data]]&lt;br /&gt;
&lt;br /&gt;
=== Klíčová slova ===&lt;br /&gt;
Big data, velká data, dolování dat, analýza velkých dat&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
[[Státnicové okruhy - magisterské studium]]&lt;br /&gt;
&lt;br /&gt;
[[Informační studia a knihovnictví]]&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54227</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54227"/>
		<updated>2018-05-29T12:23:16Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref name=&amp;quot;mayer&amp;quot;&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]]&amp;lt;ref&amp;gt;HAMILTON, Shane P. a Michael P. KREUZER. &amp;lt;i&amp;gt;The Big Data Imperative: Air Force Intelligence for the Information Age&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=6&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss Algorithmic, 2018. Dostupné také z: https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Velká data pomáhají v dopravě i cestovním ruchu&amp;lt;/i&amp;gt;. Praha: TTG Czech, c2018. Dostupné také z: http://www.ttg.cz/velka-data-pomahaji-v-doprave-i-v-cestovnim-ruchu/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&amp;lt;ref name=&amp;quot;sharma&amp;quot;&amp;gt;SHARMA, Neha. &amp;lt;i&amp;gt;Big Data Analytics in Health Care: A Literature Survey&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference. &lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Definition&amp;lt;/i&amp;gt;. Google trends: TechTarget, 2013. Dostupné také z: https://whatis.techtarget.com/definition/Google-Trends&amp;lt;/ref&amp;gt;  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě mělo chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# '''Ochrana soukromí:''' přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# '''Hodnocení sklonů:''' klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# '''Auditování algoritmů:''' monitorování a transparentnost velkých dat&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat.&amp;lt;ref name=&amp;quot;cerny&amp;quot;&amp;gt;ČERNÝ, Michal. &amp;lt;i&amp;gt;Big data a jejich možnosti v kontextu knihoven&amp;lt;/i&amp;gt;. 2013.&amp;lt;/ref&amp;gt; &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* '''[[Digitalizace]]''' &lt;br /&gt;
* '''[[Internet of things|Internet věcí]]''' &lt;br /&gt;
* '''[[Vizualizace informací|Vizualizace]]''' &lt;br /&gt;
* '''[[znalostní databáze|Tvorba znalostních databází]]'''&lt;br /&gt;
==== Proces zpracování a vizualizace velkých dat ====&lt;br /&gt;
# '''Získávání dat''' &lt;br /&gt;
# '''Zpracování ''' - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# '''Filtrování''' - stanovení kritérií &lt;br /&gt;
# '''Dolování''' - získávání informací z množiny předložených dat &lt;br /&gt;
# '''Reprezentace'''  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# '''Čištění''' - vylepšování získaného výsledku &lt;br /&gt;
# '''Interpretace''' - získání té nejlepší možnosti pochopení obsahu&amp;lt;ref name=&amp;quot;cerny&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&amp;lt;ref&amp;gt;TATTERSALL, A a GRANT MJ. &amp;lt;i&amp;gt;Big Data - What is it and why it matters&amp;lt;/i&amp;gt;. 2016. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Odkazy ==&lt;br /&gt;
&lt;br /&gt;
=== Reference ===&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Související články ===&lt;br /&gt;
[[Big data]]&lt;br /&gt;
&lt;br /&gt;
=== Klíčová slova ===&lt;br /&gt;
Big data, velká data, dolování dat, analýza velkých dat&lt;br /&gt;
&lt;br /&gt;
[[Státnicové okruhy - magisterské studium]]&lt;br /&gt;
&lt;br /&gt;
[[Informační studia a knihovnictví]]&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54225</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54225"/>
		<updated>2018-05-29T12:19:13Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref name=&amp;quot;mayer&amp;quot;&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]]&amp;lt;ref&amp;gt;HAMILTON, Shane P. a Michael P. KREUZER. &amp;lt;i&amp;gt;The Big Data Imperative: Air Force Intelligence for the Information Age&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=6&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss Algorithmic, 2018. Dostupné také z: https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Velká data pomáhají v dopravě i cestovním ruchu&amp;lt;/i&amp;gt;. Praha: TTG Czech, c2018. Dostupné také z: http://www.ttg.cz/velka-data-pomahaji-v-doprave-i-v-cestovnim-ruchu/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&amp;lt;ref name=&amp;quot;sharma&amp;quot;&amp;gt;SHARMA, Neha. &amp;lt;i&amp;gt;Big Data Analytics in Health Care: A Literature Survey&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference. &lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Definition&amp;lt;/i&amp;gt;. Google trends: TechTarget, 2013. Dostupné také z: https://whatis.techtarget.com/definition/Google-Trends&amp;lt;/ref&amp;gt;  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě mělo chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# '''Ochrana soukromí:''' přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# '''Hodnocení sklonů:''' klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# '''Auditování algoritmů:''' monitorování a transparentnost velkých dat&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat.&amp;lt;ref name=&amp;quot;cerny&amp;quot;&amp;gt;ČERNÝ, Michal. &amp;lt;i&amp;gt;Big data a jejich možnosti v kontextu knihoven&amp;lt;/i&amp;gt;. 2013.&amp;lt;/ref&amp;gt; &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* '''[[Digitalizace]]''' &lt;br /&gt;
* '''[[Internet of things|Internet věcí]]''' &lt;br /&gt;
* '''[[Vizualizace informací|Vizualizace]]''' &lt;br /&gt;
* '''[[znalostní databáze|Tvorba znalostních databází]]'''&lt;br /&gt;
==== Proces zpracování a vizualizace velkých dat ====&lt;br /&gt;
# '''Získávání dat''' &lt;br /&gt;
# '''Zpracování ''' - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# '''Filtrování''' - stanovení kritérií &lt;br /&gt;
# '''Dolování''' - získávání informací z množiny předložených dat &lt;br /&gt;
# '''Reprezentace'''  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# '''Čištění''' - vylepšování získaného výsledku &lt;br /&gt;
# '''Interpretace''' - získání té nejlepší možnosti pochopení obsahu&amp;lt;ref name=&amp;quot;cerny&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&amp;lt;ref&amp;gt;TATTERSALL, A a GRANT MJ. &amp;lt;i&amp;gt;Big Data - What is it and why it matters&amp;lt;/i&amp;gt;. 2016. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Odkazy ==&lt;br /&gt;
&lt;br /&gt;
=== Reference ===&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Související články ===&lt;br /&gt;
[[Big data]]&lt;br /&gt;
&lt;br /&gt;
=== Klíčová slova ===&lt;br /&gt;
Big data, velká data, dolování dat, analýza velkých dat&lt;br /&gt;
[[Státnicové okruhy - magisterské studium]]&lt;br /&gt;
[[Informační studia a knihovnictví]]&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54224</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54224"/>
		<updated>2018-05-29T12:15:58Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref name=&amp;quot;mayer&amp;quot;&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]]&amp;lt;ref&amp;gt;HAMILTON, Shane P. a Michael P. KREUZER. &amp;lt;i&amp;gt;The Big Data Imperative: Air Force Intelligence for the Information Age&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=6&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss Algorithmic, 2018. Dostupné také z: https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Velká data pomáhají v dopravě i cestovním ruchu&amp;lt;/i&amp;gt;. Praha: TTG Czech, c2018. Dostupné také z: http://www.ttg.cz/velka-data-pomahaji-v-doprave-i-v-cestovnim-ruchu/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&amp;lt;ref name=&amp;quot;sharma&amp;quot;&amp;gt;SHARMA, Neha. &amp;lt;i&amp;gt;Big Data Analytics in Health Care: A Literature Survey&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference. &lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Definition&amp;lt;/i&amp;gt;. Google trends: TechTarget, 2013. Dostupné také z: https://whatis.techtarget.com/definition/Google-Trends&amp;lt;/ref&amp;gt;  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě mělo chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# '''Ochrana soukromí:''' přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# '''Hodnocení sklonů:''' klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# '''Auditování algoritmů:''' monitorování a transparentnost velkých dat&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat.&amp;lt;ref name=&amp;quot;cerny&amp;quot;&amp;gt;ČERNÝ, Michal. &amp;lt;i&amp;gt;Big data a jejich možnosti v kontextu knihoven&amp;lt;/i&amp;gt;. 2013.&amp;lt;/ref&amp;gt; &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* '''Digitalizace''' &lt;br /&gt;
* '''Internet věcí''' &lt;br /&gt;
* '''Vizualizace''' &lt;br /&gt;
* '''Tvorba znalostních databází'''&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# '''Získávání dat''' &lt;br /&gt;
# '''Zpracování ''' - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# '''Filtrování''' - stanovení kritérií &lt;br /&gt;
# '''Dolování''' - získávání informací z množiny předložených dat &lt;br /&gt;
# '''Reprezentace'''  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# '''Čištění''' - vylepšování získaného výsledku &lt;br /&gt;
# '''Interpretace''' - získání té nejlepší možnosti pochopení obsahu&amp;lt;ref name=&amp;quot;cerny&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&amp;lt;ref&amp;gt;TATTERSALL, A a GRANT MJ. &amp;lt;i&amp;gt;Big Data - What is it and why it matters&amp;lt;/i&amp;gt;. 2016. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Odkazy ==&lt;br /&gt;
&lt;br /&gt;
=== Reference ===&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Související články ===&lt;br /&gt;
[[Big data]]&lt;br /&gt;
&lt;br /&gt;
=== Klíčová slova ===&lt;br /&gt;
Big data, velká data, dolování dat, analýza velkých dat&lt;br /&gt;
[[Státnicové okruhy - magisterské studium]]&lt;br /&gt;
[[Informační studia a knihovnictví]]&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54219</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54219"/>
		<updated>2018-05-29T12:03:15Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref name=&amp;quot;mayer&amp;quot;&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]]&amp;lt;ref&amp;gt;HAMILTON, Shane P. a Michael P. KREUZER. &amp;lt;i&amp;gt;The Big Data Imperative: Air Force Intelligence for the Information Age&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=6&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss Algorithmic, 2018. Dostupné také z: https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Velká data pomáhají v dopravě i cestovním ruchu&amp;lt;/i&amp;gt;. Praha: TTG Czech, c2018. Dostupné také z: http://www.ttg.cz/velka-data-pomahaji-v-doprave-i-v-cestovnim-ruchu/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&amp;lt;ref name=&amp;quot;sharma&amp;quot;&amp;gt;SHARMA, Neha. &amp;lt;i&amp;gt;Big Data Analytics in Health Care: A Literature Survey&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference. &lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Definition&amp;lt;/i&amp;gt;. Google trends: TechTarget, 2013. Dostupné také z: https://whatis.techtarget.com/definition/Google-Trends&amp;lt;/ref&amp;gt;  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě mělo chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat.&amp;lt;ref name=&amp;quot;cerny&amp;quot;&amp;gt;ČERNÝ, Michal. &amp;lt;i&amp;gt;Big data a jejich možnosti v kontextu knihoven&amp;lt;/i&amp;gt;. 2013.&amp;lt;/ref&amp;gt; &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* '''Digitalizace''' &lt;br /&gt;
* '''Internet věcí''' &lt;br /&gt;
* '''Vizualizace''' &lt;br /&gt;
* '''Tvorba znalostních databází'''&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# '''Získávání dat''' &lt;br /&gt;
# '''Zpracování ''' - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# '''Filtrování''' - stanovení kritérií &lt;br /&gt;
# '''Dolování''' - získávání informací z množiny předložených dat &lt;br /&gt;
# '''Reprezentace'''  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# '''Čištění''' - vylepšování získaného výsledku &lt;br /&gt;
# '''Interpretace''' - získání té nejlepší možnosti pochopení obsahu&amp;lt;ref name=&amp;quot;cerny&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&amp;lt;ref&amp;gt;TATTERSALL, A a GRANT MJ. &amp;lt;i&amp;gt;Big Data - What is it and why it matters&amp;lt;/i&amp;gt;. 2016. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Odkazy ==&lt;br /&gt;
&lt;br /&gt;
=== Reference ===&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Související články ===&lt;br /&gt;
[[Big data]]&lt;br /&gt;
&lt;br /&gt;
=== Klíčová slova ===&lt;br /&gt;
Big data, velká data, dolování dat, analýza velkých dat&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54218</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54218"/>
		<updated>2018-05-29T11:59:51Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref name=&amp;quot;mayer&amp;quot;&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]]&amp;lt;ref&amp;gt;HAMILTON, Shane P. a Michael P. KREUZER. &amp;lt;i&amp;gt;The Big Data Imperative: Air Force Intelligence for the Information Age&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=6&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss Algorithmic, 2018. Dostupné také z: https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Velká data pomáhají v dopravě i cestovním ruchu&amp;lt;/i&amp;gt;. Praha: TTG Czech, c2018. Dostupné také z: http://www.ttg.cz/velka-data-pomahaji-v-doprave-i-v-cestovnim-ruchu/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&amp;lt;ref name=&amp;quot;sharma&amp;quot;&amp;gt;SHARMA, Neha. &amp;lt;i&amp;gt;Big Data Analytics in Health Care: A Literature Survey&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference. &lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Definition&amp;lt;/i&amp;gt;. Google trends: TechTarget, 2013. Dostupné také z: https://whatis.techtarget.com/definition/Google-Trends&amp;lt;/ref&amp;gt;  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě mělo chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat.&amp;lt;ref name=&amp;quot;cerny&amp;quot;&amp;gt;ČERNÝ, Michal. &amp;lt;i&amp;gt;Big data a jejich možnosti v kontextu knihoven&amp;lt;/i&amp;gt;. 2013.&amp;lt;/ref&amp;gt; &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* '''Digitalizace''' &lt;br /&gt;
* '''Internet věcí''' &lt;br /&gt;
* '''Vizualizace''' &lt;br /&gt;
* '''Tvorba znalostních databází'''&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# '''Získávání dat''' &lt;br /&gt;
# '''Zpracování ''' - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# '''Filtrování''' - stanovení kritérií &lt;br /&gt;
# '''Dolování''' - získávání informací z množiny předložených dat &lt;br /&gt;
# '''Reprezentace'''  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# '''Čištění''' - vylepšování získaného výsledku &lt;br /&gt;
# '''Interpretace''' - získání té nejlepší možnosti pochopení obsahu&amp;lt;ref name=&amp;quot;cerny&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&amp;lt;ref&amp;gt;TATTERSALL, A a GRANT MJ. &amp;lt;i&amp;gt;Big Data - What is it and why it matters&amp;lt;/i&amp;gt;. 2016. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Odkazy ==&lt;br /&gt;
&lt;br /&gt;
=== Reference ===&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Související články ===&lt;br /&gt;
[[Big data]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
=== Klíčová slova ===&lt;br /&gt;
Big data, velká data, dolování dat, analýza velkých dat&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54216</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54216"/>
		<updated>2018-05-29T11:57:59Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref name=&amp;quot;mayer&amp;quot;&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]]&amp;lt;ref&amp;gt;HAMILTON, Shane P. a Michael P. KREUZER. &amp;lt;i&amp;gt;The Big Data Imperative: Air Force Intelligence for the Information Age&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=6&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss Algorithmic, 2018. Dostupné také z: https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Velká data pomáhají v dopravě i cestovním ruchu&amp;lt;/i&amp;gt;. Praha: TTG Czech, c2018. Dostupné také z: http://www.ttg.cz/velka-data-pomahaji-v-doprave-i-v-cestovnim-ruchu/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&amp;lt;ref name=&amp;quot;sharma&amp;quot;&amp;gt;SHARMA, Neha. &amp;lt;i&amp;gt;Big Data Analytics in Health Care: A Literature Survey&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference. &lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Definition&amp;lt;/i&amp;gt;. Google trends: TechTarget, 2013. Dostupné také z: https://whatis.techtarget.com/definition/Google-Trends&amp;lt;/ref&amp;gt;  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě mělo chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat.&amp;lt;ref name=&amp;quot;cerny&amp;quot;&amp;gt;ČERNÝ, Michal. &amp;lt;i&amp;gt;Big data a jejich možnosti v kontextu knihoven&amp;lt;/i&amp;gt;. 2013.&amp;lt;/ref&amp;gt; &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* '''Digitalizace''' &lt;br /&gt;
* '''Internet věcí''' &lt;br /&gt;
* '''Vizualizace''' &lt;br /&gt;
* '''Tvorba znalostních databází'''&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# '''Získávání dat''' &lt;br /&gt;
# '''Zpracování ''' - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# '''Filtrování''' - stanovení kritérií &lt;br /&gt;
# '''Dolování''' - získávání informací z množiny předložených dat &lt;br /&gt;
# '''Reprezentace'''  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# '''Čištění''' - vylepšování získaného výsledku &lt;br /&gt;
# '''Interpretace''' - získání té nejlepší možnosti pochopení obsahu&amp;lt;ref name=&amp;quot;cerny&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&amp;lt;ref&amp;gt;TATTERSALL, A a GRANT MJ. &amp;lt;i&amp;gt;Big Data - What is it and why it matters&amp;lt;/i&amp;gt;. 2016. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Odkazy ==&lt;br /&gt;
&lt;br /&gt;
=== Reference ===&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Související články ===&lt;br /&gt;
&lt;br /&gt;
=== Klíčová slova ===&lt;br /&gt;
Big data, velká data, dolování dat, analýza velkých dat&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54213</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54213"/>
		<updated>2018-05-29T11:49:36Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref name=&amp;quot;mayer&amp;quot;&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]]&amp;lt;ref&amp;gt;HAMILTON, Shane P. a Michael P. KREUZER. &amp;lt;i&amp;gt;The Big Data Imperative: Air Force Intelligence for the Information Age&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=6&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss Algorithmic, 2018. Dostupné také z: https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Velká data pomáhají v dopravě i cestovním ruchu&amp;lt;/i&amp;gt;. Praha: TTG Czech, c2018. Dostupné také z: http://www.ttg.cz/velka-data-pomahaji-v-doprave-i-v-cestovnim-ruchu/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&amp;lt;ref name=&amp;quot;sharma&amp;quot;&amp;gt;SHARMA, Neha. &amp;lt;i&amp;gt;Big Data Analytics in Health Care: A Literature Survey&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference. &lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Definition&amp;lt;/i&amp;gt;. Google trends: TechTarget, 2013. Dostupné také z: https://whatis.techtarget.com/definition/Google-Trends&amp;lt;/ref&amp;gt;  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě mělo chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat.&amp;lt;ref name=&amp;quot;cerny&amp;quot;&amp;gt;ČERNÝ, Michal. &amp;lt;i&amp;gt;Big data a jejich možnosti v kontextu knihoven&amp;lt;/i&amp;gt;. 2013.&amp;lt;/ref&amp;gt; &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* Digitalizace &lt;br /&gt;
* Internet věcí &lt;br /&gt;
* Vizualizace &lt;br /&gt;
* Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# Získávání dat &lt;br /&gt;
# Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# Filtrování - stanovení kritérií &lt;br /&gt;
# Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
# Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# Čištění - vylepšování získaného výsledku &lt;br /&gt;
# Interpretace - získání té nejlepší možnosti pochopení obsahu&amp;lt;ref name=&amp;quot;cerny&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&amp;lt;ref&amp;gt;TATTERSALL, A a GRANT MJ. &amp;lt;i&amp;gt;Big Data - What is it and why it matters&amp;lt;/i&amp;gt;. 2016. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Odkazy ==&lt;br /&gt;
&lt;br /&gt;
=== Reference ===&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54212</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54212"/>
		<updated>2018-05-29T11:44:32Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref name=&amp;quot;mayer&amp;quot;&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]]&amp;lt;ref&amp;gt;HAMILTON, Shane P. a Michael P. KREUZER. &amp;lt;i&amp;gt;The Big Data Imperative: Air Force Intelligence for the Information Age&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=6&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss Algorithmic, 2018. Dostupné také z: https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Velká data pomáhají v dopravě i cestovním ruchu&amp;lt;/i&amp;gt;. Praha: TTG Czech, c2018. Dostupné také z: http://www.ttg.cz/velka-data-pomahaji-v-doprave-i-v-cestovnim-ruchu/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&amp;lt;ref name=&amp;quot;sharma&amp;quot;&amp;gt;SHARMA, Neha. &amp;lt;i&amp;gt;Big Data Analytics in Health Care: A Literature Survey&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&amp;lt;ref name=&amp;quot;sharma&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference. &lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Definition&amp;lt;/i&amp;gt;. Google trends: TechTarget, 2013. Dostupné také z: https://whatis.techtarget.com/definition/Google-Trends&amp;lt;/ref&amp;gt;  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě mělo chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt; &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat.&amp;lt;ref name=&amp;quot;cerny&amp;quot;&amp;gt;ČERNÝ, Michal. &amp;lt;i&amp;gt;Big data a jejich možnosti v kontextu knihoven&amp;lt;/i&amp;gt;. 2013.&amp;lt;/ref&amp;gt; &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* Digitalizace &lt;br /&gt;
* Internet věcí &lt;br /&gt;
* Vizualizace &lt;br /&gt;
* Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# Získávání dat &lt;br /&gt;
# Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# Filtrování - stanovení kritérií &lt;br /&gt;
# Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
# Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# Čištění - vylepšování získaného výsledku &lt;br /&gt;
# Interpretace - získání té nejlepší možnosti pochopení obsahu&amp;lt;ref name=&amp;quot;cerny&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&amp;lt;ref&amp;gt;TATTERSALL, A a GRANT MJ. &amp;lt;i&amp;gt;Big Data - What is it and why it matters&amp;lt;/i&amp;gt;. 2016. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54208</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54208"/>
		<updated>2018-05-29T11:25:20Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref name=&amp;quot;mayer&amp;quot;&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]]&amp;lt;ref&amp;gt;HAMILTON, Shane P. a Michael P. KREUZER. &amp;lt;i&amp;gt;The Big Data Imperative: Air Force Intelligence for the Information Age&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=6&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss Algorithmic, 2018. Dostupné také z: https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Velká data pomáhají v dopravě i cestovním ruchu&amp;lt;/i&amp;gt;. Praha: TTG Czech, c2018. Dostupné také z: http://www.ttg.cz/velka-data-pomahaji-v-doprave-i-v-cestovnim-ruchu/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&amp;lt;ref&amp;gt;SHARMA, Neha. &amp;lt;i&amp;gt;Big Data Analytics in Health Care: A Literature Survey&amp;lt;/i&amp;gt;. 2018. Dostupné také z: http://eds.a.ebscohost.com/eds/pdfviewer/pdfviewer?vid=1&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&amp;lt;ref name=&amp;quot;mayer&amp;quot; /&amp;gt;&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61  &lt;br /&gt;
&lt;br /&gt;
==== Analýzy ze sociálních sítí ====&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* Digitalizace &lt;br /&gt;
* Internet věcí &lt;br /&gt;
* Vizualizace &lt;br /&gt;
&lt;br /&gt;
* Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# Získávání dat &lt;br /&gt;
# Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# Filtrování - stanovení kritérií &lt;br /&gt;
# Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
# Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# Čištění - vylepšování získaného výsledku &lt;br /&gt;
# Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54204</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54204"/>
		<updated>2018-05-29T10:59:26Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref&amp;gt;name=&amp;quot;mayer&amp;quot;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]] &lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61  &lt;br /&gt;
&lt;br /&gt;
==== Analýzy ze sociálních sítí ====&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* Digitalizace &lt;br /&gt;
* Internet věcí &lt;br /&gt;
* Vizualizace &lt;br /&gt;
&lt;br /&gt;
* Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# Získávání dat &lt;br /&gt;
# Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# Filtrování - stanovení kritérií &lt;br /&gt;
# Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
# Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# Čištění - vylepšování získaného výsledku &lt;br /&gt;
# Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54189</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54189"/>
		<updated>2018-05-29T09:33:07Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako [[Big data|pět dimenzí velkých dat]], objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref&amp;gt;name=&amp;quot;mayer&amp;quot;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň [[Korelační a regresní analýza|korelace]] &lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61  &lt;br /&gt;
&lt;br /&gt;
==== Analýzy ze sociálních sítí ====&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* Digitalizace &lt;br /&gt;
* Internet věcí &lt;br /&gt;
* Vizualizace &lt;br /&gt;
&lt;br /&gt;
* Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# Získávání dat &lt;br /&gt;
# Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# Filtrování - stanovení kritérií &lt;br /&gt;
# Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
# Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# Čištění - vylepšování získaného výsledku &lt;br /&gt;
# Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;br /&gt;
 &amp;lt;references/&amp;gt;&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54188</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54188"/>
		<updated>2018-05-29T09:30:18Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref&amp;gt;MAYER-SCHÖNBERGER, Viktor a Kenneth CUKIER. &amp;lt;i&amp;gt;Big Data&amp;lt;/i&amp;gt;. Brno: Computer Press, 2014.&amp;lt;/ref&amp;gt;&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň korelace &lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61  &lt;br /&gt;
&lt;br /&gt;
==== Analýzy ze sociálních sítí ====&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* Digitalizace &lt;br /&gt;
* Internet věcí &lt;br /&gt;
* Vizualizace &lt;br /&gt;
&lt;br /&gt;
* Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# Získávání dat &lt;br /&gt;
# Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# Filtrování - stanovení kritérií &lt;br /&gt;
# Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
# Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# Čištění - vylepšování získaného výsledku &lt;br /&gt;
# Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;br /&gt;
 &amp;lt;references/&amp;gt;&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54187</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54187"/>
		<updated>2018-05-29T09:28:39Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.&amp;lt;ref&amp;gt;&amp;lt;/ref&amp;gt;     &lt;br /&gt;
&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň korelace &lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61  &lt;br /&gt;
&lt;br /&gt;
==== Analýzy ze sociálních sítí ====&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* Digitalizace &lt;br /&gt;
* Internet věcí &lt;br /&gt;
* Vizualizace &lt;br /&gt;
&lt;br /&gt;
* Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# Získávání dat &lt;br /&gt;
# Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# Filtrování - stanovení kritérií &lt;br /&gt;
# Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
# Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# Čištění - vylepšování získaného výsledku &lt;br /&gt;
# Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;br /&gt;
 &amp;lt;references/&amp;gt;&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54176</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54176"/>
		<updated>2018-05-29T08:12:53Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.     &lt;br /&gt;
&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň korelace &lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. Ne vždy data mluví sami za sebe.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61  &lt;br /&gt;
&lt;br /&gt;
==== Analýzy ze sociálních sítí ====&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* Digitalizace &lt;br /&gt;
* Internet věcí &lt;br /&gt;
* Vizualizace &lt;br /&gt;
&lt;br /&gt;
* Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# Získávání dat &lt;br /&gt;
# Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# Filtrování - stanovení kritérií &lt;br /&gt;
# Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
# Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# Čištění - vylepšování získaného výsledku &lt;br /&gt;
# Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54172</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54172"/>
		<updated>2018-05-29T08:03:40Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.     &lt;br /&gt;
&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň korelace &lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
Obchod Amazon, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákaznicích co si koupí, aniž by to věděli oni sami.&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
&lt;br /&gt;
==== Google Trends ====&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61  &lt;br /&gt;
&lt;br /&gt;
==== Analýzy ze sociálních sítí ====&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
# Ochrana soukromí: přesun zodpovědnosti držitele dat za jejich zpracování &lt;br /&gt;
# Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat &lt;br /&gt;
# Auditování algoritmů: monitorování a transparentnost velkých dat  &lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
* Digitalizace &lt;br /&gt;
* Internet věcí &lt;br /&gt;
* Vizualizace &lt;br /&gt;
&lt;br /&gt;
* Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
==== Proces zpracování a vizualizace Velkých dat ====&lt;br /&gt;
# Získávání dat &lt;br /&gt;
# Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
# Filtrování - stanovení kritérií &lt;br /&gt;
# Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
# Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
# Čištění - vylepšování získaného výsledku &lt;br /&gt;
# Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54171</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54171"/>
		<updated>2018-05-29T07:51:34Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.     &lt;br /&gt;
&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň korelace &lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákazni&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
=== Google Trends ===&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61 &lt;br /&gt;
&lt;br /&gt;
=== The map of the internet ===&lt;br /&gt;
&lt;br /&gt;
=== Analýzy ze sociálních sítí ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
&lt;br /&gt;
==== Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. (str. 60) ====&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
Ochrana soukromí:  Přesun zodpovědnosti držitele dat za jejich zpracování - &lt;br /&gt;
&lt;br /&gt;
Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat&lt;br /&gt;
&lt;br /&gt;
Auditování algoritmů: monitorování a transparentnost velkých dat  -   &lt;br /&gt;
&lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
Digitalizace &lt;br /&gt;
&lt;br /&gt;
Internet věcí &lt;br /&gt;
&lt;br /&gt;
Vizualizace &lt;br /&gt;
&lt;br /&gt;
Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
Proces zpracování a vizualizace Velkých dat &lt;br /&gt;
&lt;br /&gt;
1) Získávání dat &lt;br /&gt;
&lt;br /&gt;
2) Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
&lt;br /&gt;
3) Filtrování - stanovení kritérií &lt;br /&gt;
&lt;br /&gt;
4) Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
&lt;br /&gt;
5) Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
&lt;br /&gt;
6) Čištění - vylepšování získaného výsledku &lt;br /&gt;
&lt;br /&gt;
7) Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54149</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54149"/>
		<updated>2018-05-28T12:30:35Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;{{Pracuje se}}== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.     &lt;br /&gt;
&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň korelace &lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákazni&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
=== Google Trends ===&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61 &lt;br /&gt;
&lt;br /&gt;
=== The map of the internet ===&lt;br /&gt;
&lt;br /&gt;
=== Analýzy ze sociálních sítí ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
&lt;br /&gt;
==== Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. (str. 60) ====&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
Ochrana soukromí:  Přesun zodpovědnosti držitele dat za jejich zpracování - &lt;br /&gt;
&lt;br /&gt;
Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat&lt;br /&gt;
&lt;br /&gt;
Auditování algoritmů: monitorování a transparentnost velkých dat  -   &lt;br /&gt;
&lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
Digitalizace &lt;br /&gt;
&lt;br /&gt;
Internet věcí &lt;br /&gt;
&lt;br /&gt;
Vizualizace &lt;br /&gt;
&lt;br /&gt;
Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
Proces zpracování a vizualizace Velkých dat &lt;br /&gt;
&lt;br /&gt;
1) Získávání dat &lt;br /&gt;
&lt;br /&gt;
2) Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
&lt;br /&gt;
3) Filtrování - stanovení kritérií &lt;br /&gt;
&lt;br /&gt;
4) Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
&lt;br /&gt;
5) Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
&lt;br /&gt;
6) Čištění - vylepšování získaného výsledku &lt;br /&gt;
&lt;br /&gt;
7) Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54148</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54148"/>
		<updated>2018-05-28T12:29:20Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací.     &lt;br /&gt;
&lt;br /&gt;
== Analýza velkých dat ==&lt;br /&gt;
'''Základní charakteristika analýzy velkých dat'''&lt;br /&gt;
# Nečekaně přesné výsledky&lt;br /&gt;
# Není potřebné vytvářet vzorek k testování&lt;br /&gt;
# Vysoká úroveň korelace &lt;br /&gt;
&lt;br /&gt;
Samotná velká data se musí podrobit složitému zpracování, aby korektně vypovídala o reálném světě. K tomu slouží nástroje, obchodní postupy a procesy založené na komplikovaných výpočtech a algoritmech. Komplexní algoritmy umožní rozsáhlou analýzu dat, avšak je stále nutné dbát na správnou interpretaci. &lt;br /&gt;
&lt;br /&gt;
,'',Příkladem budiž Tallin, ve kterém se pár chytrých hlav rozhodlo vyřešit problém husté dopravy a kvality ovzduší populárním i papírově efektivním způsobem. Veřejnou dopravou zdarma. Opírali se o korelaci mezi slevou a objemem prodejů, která je skutečně v mnoha případech zároveň kauzalitou. Snížení hustoty dopravy nebylo pozorováno, znečištění ovzduší nekleslo, naopak mírně vzrostlo. Proč?  V případě osobní dopravy, tedy jízdou autem, platí jiná kauzalita. S růstem životní úrovně a disponibilního příjmu si prostě lidé, ať se to politikům a ekologům líbí nebo ne, kupují více automobilů a preferují je před veřejnou dopravou. Chcete-li snížit počet lidí přepravujících se v osobních automobilech, musíte zdražit jejich používaní, například mýtným pro vjezd do centra města.&amp;quot;''&lt;br /&gt;
&lt;br /&gt;
'' ''&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívají GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. Na základě této metody Amazon proklamoval, že ví o svých zákazni&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
=== Google Trends ===&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61 &lt;br /&gt;
&lt;br /&gt;
=== The map of the internet ===&lt;br /&gt;
&lt;br /&gt;
=== Analýzy ze sociálních sítí ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
&lt;br /&gt;
==== Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. (str. 60) ====&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
Ochrana soukromí:  Přesun zodpovědnosti držitele dat za jejich zpracování - &lt;br /&gt;
&lt;br /&gt;
Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat&lt;br /&gt;
&lt;br /&gt;
Auditování algoritmů: monitorování a transparentnost velkých dat  -   &lt;br /&gt;
&lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
Digitalizace &lt;br /&gt;
&lt;br /&gt;
Internet věcí &lt;br /&gt;
&lt;br /&gt;
Vizualizace &lt;br /&gt;
&lt;br /&gt;
Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
Proces zpracování a vizualizace Velkých dat &lt;br /&gt;
&lt;br /&gt;
1) Získávání dat &lt;br /&gt;
&lt;br /&gt;
2) Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
&lt;br /&gt;
3) Filtrování - stanovení kritérií &lt;br /&gt;
&lt;br /&gt;
4) Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
&lt;br /&gt;
5) Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
&lt;br /&gt;
6) Čištění - vylepšování získaného výsledku &lt;br /&gt;
&lt;br /&gt;
7) Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54142</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54142"/>
		<updated>2018-05-28T11:28:04Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací, které uvolňujeme díky korelaci a pravděpodobnosti. V některých případech už není tak důležité znát příčiny jevů, ale správně interpretovat všechna získaná data. O to více je zde kladen velký důraz na špičkové odborníky, aby přijímaná data byla správně pochopena a byly z nich získány správné informace, které vypovídají o reálném světě. Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů.   &lt;br /&gt;
&lt;br /&gt;
V hlavním městě Estonska se mylně domnívali, že zavedením veřejné dopravy zdarma sníží výskyt osobních automobilů a zkvalitní životní prostředí v centru města. Tato hypotéza se však potvrdila jako špatná. S nárůstem životní úrovně si lidé v Estonsku začali pořizovat nová auta a osobní doprava se tak stala dostupnější a oblíbenější. Problém s nadprůměrným počtem automobilů v centru měl být tedy řešen zdražením jejich používání.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss algorithmic, c2018. Dostupné také z: : https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
Korelace&lt;br /&gt;
&lt;br /&gt;
korelace = vzájemný vztah dvou veličin nebo procesů. Při změně jedné veličiny se mění korelativně i druhá. Synonymem může být například slovo souvztažnost.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Korelace&amp;lt;/i&amp;gt;. Dostupné také z: https://it-slovnik.cz/pojem/korelace&amp;lt;/ref&amp;gt; Během procesu korelace je kvantifikován statistický vztah mezi dvěma datovými hodnotami.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívájí GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
=== Google Trends ===&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61 &lt;br /&gt;
&lt;br /&gt;
=== The map of the internet ===&lt;br /&gt;
&lt;br /&gt;
=== Analýzy ze sociálních sítí ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
&lt;br /&gt;
==== Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. (str. 60) ====&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
Ochrana soukromí:  Přesun zodpovědnosti držitele dat za jejich zpracování - &lt;br /&gt;
&lt;br /&gt;
Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat&lt;br /&gt;
&lt;br /&gt;
Auditování algoritmů: monitorování a transparentnost velkých dat  -   &lt;br /&gt;
&lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
Digitalizace &lt;br /&gt;
&lt;br /&gt;
Internet věcí &lt;br /&gt;
&lt;br /&gt;
Vizualizace &lt;br /&gt;
&lt;br /&gt;
Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
Proces zpracování a vizualizace Velkých dat &lt;br /&gt;
&lt;br /&gt;
1) Získávání dat &lt;br /&gt;
&lt;br /&gt;
2) Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
&lt;br /&gt;
3) Filtrování - stanovení kritérií &lt;br /&gt;
&lt;br /&gt;
4) Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
&lt;br /&gt;
5) Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
&lt;br /&gt;
6) Čištění - vylepšování získaného výsledku &lt;br /&gt;
&lt;br /&gt;
7) Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54141</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54141"/>
		<updated>2018-05-28T11:27:39Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;{{Pracuje se}}== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem.  Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací, které uvolňujeme díky korelaci a pravděpodobnosti. V některých případech už není tak důležité znát příčiny jevů, ale správně interpretovat všechna získaná data. O to více je zde kladen velký důraz na špičkové odborníky, aby přijímaná data byla správně pochopena a byly z nich získány správné informace, které vypovídají o reálném světě. Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů.   &lt;br /&gt;
&lt;br /&gt;
V hlavním městě Estonska se mylně domnívali, že zavedením veřejné dopravy zdarma sníží výskyt osobních automobilů a zkvalitní životní prostředí v centru města. Tato hypotéza se však potvrdila jako špatná. S nárůstem životní úrovně si lidé v Estonsku začali pořizovat nová auta a osobní doprava se tak stala dostupnější a oblíbenější. Problém s nadprůměrným počtem automobilů v centru měl být tedy řešen zdražením jejich používání.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss algorithmic, c2018. Dostupné také z: : https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
Korelace&lt;br /&gt;
&lt;br /&gt;
korelace = vzájemný vztah dvou veličin nebo procesů. Při změně jedné veličiny se mění korelativně i druhá. Synonymem může být například slovo souvztažnost.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Korelace&amp;lt;/i&amp;gt;. Dostupné také z: https://it-slovnik.cz/pojem/korelace&amp;lt;/ref&amp;gt; Během procesu korelace je kvantifikován statistický vztah mezi dvěma datovými hodnotami.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívájí GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
=== Google Trends ===&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku. Uvádí se, že Google každý den zpracovává 24 petabajtů dat.  str. 61 &lt;br /&gt;
&lt;br /&gt;
=== The map of the internet ===&lt;br /&gt;
&lt;br /&gt;
=== Analýzy ze sociálních sítí ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
&lt;br /&gt;
==== Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. (str. 60) ====&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
Ochrana soukromí:  Přesun zodpovědnosti držitele dat za jejich zpracování - &lt;br /&gt;
&lt;br /&gt;
Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat&lt;br /&gt;
&lt;br /&gt;
Auditování algoritmů: monitorování a transparentnost velkých dat  -   &lt;br /&gt;
&lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
Digitalizace &lt;br /&gt;
&lt;br /&gt;
Internet věcí &lt;br /&gt;
&lt;br /&gt;
Vizualizace &lt;br /&gt;
&lt;br /&gt;
Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
Proces zpracování a vizualizace Velkých dat &lt;br /&gt;
&lt;br /&gt;
1) Získávání dat &lt;br /&gt;
&lt;br /&gt;
2) Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
&lt;br /&gt;
3) Filtrování - stanovení kritérií &lt;br /&gt;
&lt;br /&gt;
4) Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
&lt;br /&gt;
5) Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
&lt;br /&gt;
6) Čištění - vylepšování získaného výsledku &lt;br /&gt;
&lt;br /&gt;
7) Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54140</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54140"/>
		<updated>2018-05-28T11:23:58Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;{{Pracuje se}}== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem. Uvádí se, že Google každý den zpracovává 24 petabajtů dat. Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací, které uvolňujeme díky korelaci a pravděpodobnosti. V některých případech už není tak důležité znát příčiny jevů, ale správně interpretovat všechna získaná data. O to více je zde kladen velký důraz na špičkové odborníky, aby přijímaná data byla správně pochopena a byly z nich získány správné informace, které vypovídají o reálném světě. Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů.   &lt;br /&gt;
&lt;br /&gt;
V hlavním městě Estonska se mylně domnívali, že zavedením veřejné dopravy zdarma sníží výskyt osobních automobilů a zkvalitní životní prostředí v centru města. Tato hypotéza se však potvrdila jako špatná. S nárůstem životní úrovně si lidé v Estonsku začali pořizovat nová auta a osobní doprava se tak stala dostupnější a oblíbenější. Problém s nadprůměrným počtem automobilů v centru měl být tedy řešen zdražením jejich používání.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss algorithmic, c2018. Dostupné také z: : https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
Korelace&lt;br /&gt;
&lt;br /&gt;
korelace = vzájemný vztah dvou veličin nebo procesů. Při změně jedné veličiny se mění korelativně i druhá. Synonymem může být například slovo souvztažnost.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Korelace&amp;lt;/i&amp;gt;. Dostupné také z: https://it-slovnik.cz/pojem/korelace&amp;lt;/ref&amp;gt; Během procesu korelace je kvantifikován statistický vztah mezi dvěma datovými hodnotami.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívájí GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
=== Google Trends ===&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku.  str. 61 &lt;br /&gt;
&lt;br /&gt;
=== The map of the internet ===&lt;br /&gt;
&lt;br /&gt;
=== Analýzy ze sociálních sítí ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. (str. 60) &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
Ochrana soukromí:  Přesun zodpovědnosti držitele dat za jejich zpracování - &lt;br /&gt;
&lt;br /&gt;
Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat&lt;br /&gt;
&lt;br /&gt;
Auditování algoritmů: monitorování a transparentnost velkých dat  -   &lt;br /&gt;
&lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
Digitalizace &lt;br /&gt;
&lt;br /&gt;
Internet věcí &lt;br /&gt;
&lt;br /&gt;
Vizualizace &lt;br /&gt;
&lt;br /&gt;
Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
Proces zpracování a vizualizace Velkých dat &lt;br /&gt;
&lt;br /&gt;
1) Získávání dat &lt;br /&gt;
&lt;br /&gt;
2) Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
&lt;br /&gt;
3) Filtrování - stanovení kritérií &lt;br /&gt;
&lt;br /&gt;
4) Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
&lt;br /&gt;
5) Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
&lt;br /&gt;
6) Čištění - vylepšování získaného výsledku &lt;br /&gt;
&lt;br /&gt;
7) Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54138</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54138"/>
		<updated>2018-05-28T09:09:10Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem. Uvádí se, že Google každý den zpracovává 24 petabajtů dat. Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací, které uvolňujeme díky korelaci a pravděpodobnosti. V některých případech už není tak důležité znát příčiny jevů, ale správně interpretovat všechna získaná data. O to více je zde kladen velký důraz na špičkové odborníky, aby přijímaná data byla správně pochopena a byly z nich získány správné informace, které vypovídají o reálném světě. Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů.   &lt;br /&gt;
&lt;br /&gt;
V hlavním městě Estonska se mylně domnívali, že zavedením veřejné dopravy zdarma sníží výskyt osobních automobilů a zkvalitní životní prostředí v centru města. Tato hypotéza se však potvrdila jako špatná. S nárůstem životní úrovně si lidé v Estonsku začali pořizovat nová auta a osobní doprava se tak stala dostupnější a oblíbenější. Problém s nadprůměrným počtem automobilů v centru měl být tedy řešen zdražením jejich používání.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss algorithmic, c2018. Dostupné také z: : https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
Korelace&lt;br /&gt;
&lt;br /&gt;
korelace = vzájemný vztah dvou veličin nebo procesů. Při změně jedné veličiny se mění korelativně i druhá. Synonymem může být například slovo souvztažnost.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Korelace&amp;lt;/i&amp;gt;. Dostupné také z: https://it-slovnik.cz/pojem/korelace&amp;lt;/ref&amp;gt; Během procesu korelace je kvantifikován statistický vztah mezi dvěma datovými hodnotami.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívájí GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Obchod ===&lt;br /&gt;
Funkčnost velkých dat v oblasti obchodu spatřujeme v analýze nákupních transakcí, které ovlivňují finanční a reklamní strategie. Firmy po celém světě vytváří vlastní programy a systémy, které kontrolují cenovou politiku svých konkurentů. Uvádí se, že objem obchodních dat se ročně zdvojnásobuje v každé společnosti na světě.&lt;br /&gt;
&lt;br /&gt;
=== Veřejná správa ===&lt;br /&gt;
V tomto sektoru nacházíme velký počet dat o populaci. Díky těmto informacím, mohou orgány veřejné správy kvalitně hospodařit s rozpočtem. Na základě skladby obyvatelstva lze nastavovat služby dle potřeby. Například starší lidé vyžadují vyšší nároky na zdravotní péči, naopak děti a mládež potřebují fungující vzdělávací instituce.&lt;br /&gt;
&lt;br /&gt;
=== Věda a výzkum ===&lt;br /&gt;
Čím dál více vědních oborů těží z velkého objemu nashromážděných dat, které mají různé formáty výstupu. Astronomie, meteorologie, bioinformatika a jiná odvětví vděčí za významné objevy právě sofistikovaným analýzám z velkých dat. &lt;br /&gt;
&lt;br /&gt;
==== Projekty ====&lt;br /&gt;
'''Velký synoptický průzkumový dalekohled (LSST)'''&lt;br /&gt;
&lt;br /&gt;
Tento kompaktní dalekohled o průměru 8, 4 metrů zaznamenává denně 30 bilionů bajtů obrazu.&lt;br /&gt;
&lt;br /&gt;
'''The Sloan Digital Sky Survey: Mapping the Universe'''&lt;br /&gt;
&lt;br /&gt;
Projekt, který má za cíl využitím té nejmodernější techniky a pokročilými analýzy objasňovat původ vesmíru. Přístroje během jednoho průzkumu zpracují okolo 60 bilionů bajtů dat.&lt;br /&gt;
&lt;br /&gt;
'''Centrum pro simulaci klimatu (NCCS)'''&lt;br /&gt;
&lt;br /&gt;
Díky superpočítačovému klastru, který vynalezli pracovníci NCCS při NASA bylo zaznamenáno 35 petabytů dat pozorování klimatu.&lt;br /&gt;
&lt;br /&gt;
=== Internet a sociální sítě ===&lt;br /&gt;
=== Google Trends ===&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku.  str. 61 &lt;br /&gt;
&lt;br /&gt;
=== The map of the internet ===&lt;br /&gt;
&lt;br /&gt;
=== Analýzy ze sociálních sítí ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. (str. 60) &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
Ochrana soukromí:  Přesun zodpovědnosti držitele dat za jejich zpracování - &lt;br /&gt;
&lt;br /&gt;
Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat&lt;br /&gt;
&lt;br /&gt;
Auditování algoritmů: monitorování a transparentnost velkých dat  -   &lt;br /&gt;
&lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
Digitalizace &lt;br /&gt;
&lt;br /&gt;
Internet věcí &lt;br /&gt;
&lt;br /&gt;
Vizualizace &lt;br /&gt;
&lt;br /&gt;
Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
Proces zpracování a vizualizace Velkých dat &lt;br /&gt;
&lt;br /&gt;
1) Získávání dat &lt;br /&gt;
&lt;br /&gt;
2) Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
&lt;br /&gt;
3) Filtrování - stanovení kritérií &lt;br /&gt;
&lt;br /&gt;
4) Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
&lt;br /&gt;
5) Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
&lt;br /&gt;
6) Čištění - vylepšování získaného výsledku &lt;br /&gt;
&lt;br /&gt;
7) Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;br /&gt;
&lt;br /&gt;
Kromě zmíněných příkladů týkajících se převážně informačních zdrojů, shromažďuje knihovna jako jako každá jiná instituce mnoho údajů, které by mohly být podrobeny analýze velkých dat z oblasti personalistiky, managementu a statistiky, které by se pozitivně podepsaly na chodu knihovny. Tímto způsobem se může vyhodnocovat pokles, nebo vzrůst zájmu o služby. Využití potenciálu velkých dat v knihovnách by do budoucna mohlo znamenat lepší vyhovění uživatelských požadavků a moudřejší rozhodování o rozpočtu.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54098</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54098"/>
		<updated>2018-05-26T11:08:00Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem. Uvádí se, že Google každý den zpracovává 24 petabajtů dat. Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací, které uvolňujeme díky korelaci a pravděpodobnosti. V některých případech už není tak důležité znát příčiny jevů, ale správně interpretovat všechna získaná data. O to více je zde kladen velký důraz na špičkové odborníky, aby přijímaná data byla správně pochopena a byly z nich získány správné informace, které vypovídají o reálném světě. Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů.   &lt;br /&gt;
&lt;br /&gt;
V hlavním městě Estonska se mylně domnívali, že zavedením veřejné dopravy zdarma sníží výskyt osobních automobilů a zkvalitní životní prostředí v centru města. Tato hypotéza se však potvrdila jako špatná. S nárůstem životní úrovně si lidé v Estonsku začali pořizovat nová auta a osobní doprava se tak stala dostupnější a oblíbenější. Problém s nadprůměrným počtem automobilů v centru měl být tedy řešen zdražením jejich používání.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss algorithmic, c2018. Dostupné také z: : https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
Korelace&lt;br /&gt;
&lt;br /&gt;
korelace = vzájemný vztah dvou veličin nebo procesů. Při změně jedné veličiny se mění korelativně i druhá. Synonymem může být například slovo souvztažnost.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Korelace&amp;lt;/i&amp;gt;. Dostupné také z: https://it-slovnik.cz/pojem/korelace&amp;lt;/ref&amp;gt; Během procesu korelace je kvantifikován statistický vztah mezi dvěma datovými hodnotami.&lt;br /&gt;
&lt;br /&gt;
== Příklady oblastí využívání velkých dat ==&lt;br /&gt;
&lt;br /&gt;
=== Doprava a cestovní ruch ===&lt;br /&gt;
V tomto odvětví se nejvíce uplatňují velké objemy dat o aktuální poloze z GPS. Počítače zpracují údaje a uživatel získá představu o aktuální dopravní situaci. Běžně řidiči užívájí GPS navigace a aplikace jako např. Waze, které vyhodnocují vhodné náhradní trasy a tím přispívají k plynulosti provozu. Stejně dobře může fungovat lokalizace prostředků hromadné dopravy, kdy cestující mohou na mapách sledovat aktuální informace o zpoždění.  &lt;br /&gt;
&lt;br /&gt;
=== Telekomunikační společnosti ===&lt;br /&gt;
Velký potenciál mají informace o poloze mobilních telefonních čísel v reálném čase. Údaje mohou vypovídat o oběhu velké masy lidí a tím pomoci při organizaci a řízení dalších činností v oblasti dopravy, cestovního ruchu, zdravotnictví a péče o lidské zdraví.  &lt;br /&gt;
&lt;br /&gt;
=== Google Trends ===&lt;br /&gt;
Jedním z největších zpracovatelů velkých dat je společnost Google a její sofistikované nástroje. Jako příklad uvádíme Google trends.  Tato služba umožňuje uživateli zjistit, jak často byly po určitou dobu zadávány do vyhledávače Google konkrétní klíčová slova a témata.  Díky tomu, že Google zpracuje každý den více než tři miliardy vyhledávacích dotazů a všechny je ukládá, má ke zpracování spoustu dat. Sledováním toho, co lidé vyhledávají na internetu, bylo například možné v roce 2009 předvídat, přesný výskyt viru chřipky H1N1 téměř v reálném čase.  Vysvětlení tohoto jevu bylo prokázáno pomocí silné korelace – čím více lidí v určité lokalitě vyhledávalo pomocí vyhledávače Google jisté termíny, tím více lidí v daném místě má chřipku.  str. 61 &lt;br /&gt;
&lt;br /&gt;
=== Astronomie ===&lt;br /&gt;
Projekt mapování oblohy Sloan Digital Sky survey a jeho teleskop v Novém Mexiku   &lt;br /&gt;
&lt;br /&gt;
=== The map of the internet ===&lt;br /&gt;
&lt;br /&gt;
=== Analýzy ze sociálních sítí ===&lt;br /&gt;
Nezanedbatelnou digitální stopu zanechávají lidé nejen na sociálních sítí, ale webových stránkách obecně. Na základě činností, které vykonáváme ve světě internetu, mohou společnosti analyzovat a zjišťovat uživatelské preference.  &lt;br /&gt;
&lt;br /&gt;
==== Amazon ====&lt;br /&gt;
Obchod, který začal prodávat knihy přes internet, se jako první zabýval otázkou jak zákazníkům doporučit konkrétní produkt na základě individuálních nákupních preferencí. Pracovníci Amazonu vymysleli kolaborativní filtrování získaných dat, které hledalo asociace mezi samotnými produkty. (str. 60) &lt;br /&gt;
&lt;br /&gt;
== Velká data: rizika ==&lt;br /&gt;
Rozsah shromažďování, ukládání a opakovaného používání osobních údajů se stále rozšiřuje a nepochybně zasahuje stále více do soukromí obyčejných lidí. Moderní technologie dokonce odhalují osobnostní sklony a předvídají chování člověka. Velká data se také mohou stát nástrojem elity, která může jednoduše segregovat skupiny lidí.  &lt;br /&gt;
&lt;br /&gt;
== Prevence – kontrola velkých dat ==&lt;br /&gt;
Ochrana soukromí:  Přesun zodpovědnosti držitele dat za jejich zpracování - &lt;br /&gt;
&lt;br /&gt;
Hodnocení sklonů: klást důraz na lidské působení a omezení intervence vycházejících z dat&lt;br /&gt;
&lt;br /&gt;
Auditování algoritmů: monitorování a transparentnost velkých dat  -   &lt;br /&gt;
&lt;br /&gt;
== Velká data a knihovny ==&lt;br /&gt;
Základní perspektivy práce s velkými daty v knihovnách jsou zakotveny v personálním zastoupení a velkém množství polo strukturovaných dat. V knihovnách jsou dle své specializace zaměstnáni odborníci, kteří vidí informace obsažené v datech z jiných úhlů pohledu a tím napomáhají správné interpretaci. Do budoucna by měl být kladen vyšší nárok na vzdělání knihovníka v oblasti matematiky a analýzy dat. &lt;br /&gt;
&lt;br /&gt;
=== Základní příležitosti velkých dat v knihovnách ===&lt;br /&gt;
Digitalizace &lt;br /&gt;
&lt;br /&gt;
Internet věcí &lt;br /&gt;
&lt;br /&gt;
Vizualizace &lt;br /&gt;
&lt;br /&gt;
Tvorba znalostních databází&lt;br /&gt;
&lt;br /&gt;
Proces zpracování a vizualizace Velkých dat &lt;br /&gt;
&lt;br /&gt;
1) Získávání dat &lt;br /&gt;
&lt;br /&gt;
2) Zpracování  - převedení získaných dat do strojově čitelné podoby &lt;br /&gt;
&lt;br /&gt;
3) Filtrování - stanovení kritérií &lt;br /&gt;
&lt;br /&gt;
4) Dolování - získávání informací z množiny předložených dat &lt;br /&gt;
&lt;br /&gt;
5) Reprezentace  - převedení výsledků do vizuálně pochopitelné a přitažlivé podoby &lt;br /&gt;
&lt;br /&gt;
6) Čištění - vylepšování získaného výsledku &lt;br /&gt;
&lt;br /&gt;
7) Interpretace - získání té nejlepší možnosti pochopení obsahu&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54046</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54046"/>
		<updated>2018-05-24T16:51:31Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Problematika velkých dat (Big data) ==&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem. Uvádí se, že Google každý den zpracovává 24 petabajtů dat. Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací, které uvolňujeme díky korelaci a pravděpodobnosti. V některých případech už není tak důležité znát příčiny jevů, ale správně interpretovat všechna získaná data. O to více je zde kladen velký důraz na špičkové odborníky, aby přijímaná data byla správně pochopena a byly z nich získány správné informace, které vypovídají o reálném světě. Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. &lt;br /&gt;
V hlavním městě Estonska se milně domnívali, že zavedením veřejné dopravy zdarma sníží výskyt osobních automobilů a zkvalitní životní prostředí v centru města. Tato hypotéza se však potvrdila jako špatná. S nárůstem životní úrovně si lidé v Estonsku začali pořizovat nová auta a osobní doprava se tak stala dostupnější a oblíbenější. Problém s nadprůměrným počtem automobilů v centru měl být tedy řešen zdražením jejich používání.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss algorithmic, c2018. Dostupné také z: : https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
Korelace&lt;br /&gt;
&lt;br /&gt;
korelace = vzájemný vztah dvou veličin nebo procesů. Při změně jedné veličiny se mění korelativně i druhá. Synonymem může být například slovo souvztažnost.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Korelace&amp;lt;/i&amp;gt;. Dostupné také z: https://it-slovnik.cz/pojem/korelace&amp;lt;/ref&amp;gt; Během procesu korelace je kvantifikován statistický vztah mezi dvěma datovými hodnotami.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54045</id>
		<title>Problematika velkých dat. Big data.</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Problematika_velk%C3%BDch_dat._Big_data.&amp;diff=54045"/>
		<updated>2018-05-24T16:13:36Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: Založena nová stránka s textem „Problematika velkých dat (Big data) Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestal…“&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Problematika velkých dat (Big data)&lt;br /&gt;
Díky obrovskému růstu dat, jejich propojování v rámci sítí a zdokonalování technologií se o datech přestalo uvažovat jako o něčem, co je statické, zastarává a ztrácí svou užitečnost.  Dnes jsou již důležitou surovinou podnikání a cenným ekonomickým vstupem. Uvádí se, že Google každý den zpracovává 24 petabajtů dat. Na základě rozdělení dat a jejich charakteristikou, která je popsána jako pět dimenzí velkých dat, objevujeme nové zdroje informací, transformujeme je do datového formátu a získáváme nové hodnoty informací, které uvolňujeme díky korelaci a pravděpodobnosti. V některých případech už není tak důležité znát příčiny jevů, ale správně interpretovat všechna získaná data. O to více je zde kladen velký důraz na špičkové odborníky, aby přijímaná data byla správně pochopena a byly z nich získány správné informace, které vypovídají o reálném světě. Pokud se objevují dva jevy často pohromadě tzv. spolu korelují, neznamená to nutně, že spolu souvisí. Je nutné se i v těchto případech zamýšlet nad příčinou jevů. &lt;br /&gt;
V hlavním městě Estonska se milně domnívali, že zavedením veřejné dopravy zdarma sníží výskyt osobních automobilů a zkvalitní životní prostředí v centru města. Tato hypotéza se však potvrdila jako špatná. S nárůstem životní úrovně si lidé v Estonsku začali pořizovat nová auta a osobní doprava se tak stala dostupnější a oblíbenější. Problém s nadprůměrným počtem automobilů v centru měl být tedy řešen zdražením jejich používání.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Big data, malé chyby, velký problém&amp;lt;/i&amp;gt;. Praha: Gauss algorithmic, c2018. Dostupné také z: : https://www.gaussalgo.cz/detail-clanku/big-data-male-chyby-velky-problem-16/&amp;lt;/ref&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
Korelace&lt;br /&gt;
korelace = vzájemný vztah dvou veličin nebo procesů. Při změně jedné veličiny se mění korelativně i druhá. Synonymem může být například slovo souvztažnost.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;Korelace&amp;lt;/i&amp;gt;. Dostupné také z: https://it-slovnik.cz/pojem/korelace&amp;lt;/ref&amp;gt; Během procesu korelace je kvantifikován statistický vztah mezi dvěma datovými hodnotami.&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=Big_data&amp;diff=53834</id>
		<title>Big data</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=Big_data&amp;diff=53834"/>
		<updated>2018-05-17T14:44:54Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;&lt;br /&gt;
'''Big data''' pojem, nejčastěji vyskytující se v oblasti [[Informačních technologie|Informačních technologií]] (ICT), který označuje takové množství [[data|dat]], které není možné v reálném čase zpracovat na běžně dostupném hardwarovém a softwarovém vybavení. [[Problematika velkých dat. Big data.]]  &lt;br /&gt;
&lt;br /&gt;
== Rozdělení  ==&lt;br /&gt;
&lt;br /&gt;
Big Data se definují několika dimenzemi&amp;lt;ref&amp;gt;MACEK, Jáchym Praha. &amp;lt;i&amp;gt;Big Data, jejich skladování a možnosti využití&amp;lt;/i&amp;gt;. Praha, 2014.&amp;lt;/ref&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
*'''První dimenzí je objem (volume).'''&lt;br /&gt;
To jsou data, co se nepohybují, ale narůstají obrovským tempem. Bylo již zmíněno v úvodu práce, že tempo růstu objemu dat je rychlejší každým rokem, a do roku 2020 bude ze současných 8000 exabajtů až 35000 exabajtů dat na světě. &lt;br /&gt;
&lt;br /&gt;
*'''Druhou dimenzí je rychlost (velocity).'''&lt;br /&gt;
Míněna je rychlost dat a jejich pohybu, vytváření, hromadění a zpracování. Streamovaná data s milisekundovou odezvou, real-time komunikační odezvy a informace. &lt;br /&gt;
&lt;br /&gt;
*'''Třetí dimenze je typ (variety).'''&lt;br /&gt;
Data v mnoha různých formách. Strukturovaná, nestrukturovaná, textová a multimediální. &lt;br /&gt;
&lt;br /&gt;
*'''Čtvrtá dimenze je věrohodnost (veracity).'''&lt;br /&gt;
Tuto dimenzi přidala společnost [[IBM]] pro lepší a přesnější definování Big Data. Nejistá data jsou z důvodů nekonzistence, věrohodnosti či neúplnosti. Při analyzování veškerých dat kolem nás musíme s určitou mírou nevěrohodnosti počítat. V některých zdrojích je jako čtvrtá dimenze uváděna hodnota (value), ve smyslu hodnoty pro podnik a lepší byznys modely. &lt;br /&gt;
&lt;br /&gt;
''Firma [http://www.sas.com/cs_cz/home.html SAS], která se správou velkoobjemových dat zabývá, přidává ještě další složku a tou je:&lt;br /&gt;
''&lt;br /&gt;
*'''Pátá dimenze - složitost (complexity).'''&lt;br /&gt;
Dnešní data pocházejí z mnoha zdrojů. Provázání, porovnání, sloučení, vyčištění a transformace dat ve všech systémech je stále náročnějším úkolem. Je velmi důležité spojit a korelovat vztahy, hierarchii a početné vazby mezi daty, jinak nad svými daty rychle ztratíte kontrolu.&amp;lt;ref&amp;gt;&amp;lt;i&amp;gt;What Is Big Data? | SAS&amp;lt;/i&amp;gt; [online]. [cit. 2015-11-9]. Dostupné z: http://www.sas.com/cs_cz/insights/big-data/what-is-big-data.html&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Uchovávání ==&lt;br /&gt;
&lt;br /&gt;
Big data se uchovávají v tzv. [[Datový sklad|Datových skladech]] (anglicky Data Warehouse), toto slovní spojení použil poprvé [[William H. Inmon]]&amp;lt;ref&amp;gt;INMON, William H a Chuck KELLEY. &amp;lt;i&amp;gt;Rdb/VMS, developing the data warehouse&amp;lt;/i&amp;gt;. Boston: QED Pub. Group, c1993, xxiv, 225 p.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Podle [[Česká terminologická databáze knihovnictví a informační vědy|TDKIV]]&amp;lt;ref&amp;gt;Česká terminologická databáze knihovnictví a informační vědy&amp;lt;/ref&amp;gt; je datový sklad vnímán jako Databáze optimalizovaná pro dotazy, analýzy dat a tvorbu sestav. Vytváří se přenosem, transformací a často též agregací primárních dat z provozních systémů a z externích zdrojů a jejich integrováním do jednotné datové základny. Struktura datového skladu je založena zpravidla na dvou typech objektů - tabulkách faktů a tabulkách dimenzí (např. čas, místo), z nichž lze vytvářet vícerozměrné objekty (kostky). Uložená data lze využívat prostřednictvím dotazování, reportingu, OLAP (on-line analytické zpracování), dolování dat, vizualizace dat.&amp;lt;ref&amp;gt;KUČEROVÁ, Helena. Datový sklad. In: KTD: Česká terminologická databáze knihovnictví a informační vědy (TDKIV) [online]. Praha : Národní knihovna ČR, 2003- [cit. 2015-11-25]. Dostupné z: http://aleph.nkp.cz/F/?func=direct&amp;amp;doc_number=000000389&amp;amp;local_base=KTD.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Zdroje ==&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&amp;lt;references/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Související články ===&lt;br /&gt;
[[Data]]&amp;lt;br /&amp;gt;&lt;br /&gt;
[[Software]]&lt;br /&gt;
&lt;br /&gt;
=== Externí odkazy ===&lt;br /&gt;
&lt;br /&gt;
*[http://info.sks.cz/www/zavprace/soubory/82110.pdf Datové sklady a možnosti analýzy a reportování dat ve výuce][cit. 2015-11-25].&lt;br /&gt;
&lt;br /&gt;
*ČERNË, Michal. Big data a jejich možnosti v kontextu knihoven. Knihovna [online]. 2013, 24(1): 104-111 [cit. 2015-12-17]. ISSN 18013252. Dostupné z: http://search.ebscohost.com/login.aspx?direct=true&amp;amp;db=lls&amp;amp;an=88175803&amp;amp;scope=site&lt;br /&gt;
&lt;br /&gt;
*GOES, Paulo B. Big Data and IS Research. MIS Quarterly [online]. 2014, 38(3): iii [cit. 2015-12-17]. ISSN 02767783. Dostupné z: http://search.ebscohost.com/login.aspx?direct=true&amp;amp;db=bth&amp;amp;an=97267368&amp;amp;scope=site&lt;br /&gt;
&lt;br /&gt;
=== Klíčová slova ===&lt;br /&gt;
&lt;br /&gt;
Big data, Datový sklad, Data Warehouse, Databáze&lt;br /&gt;
&lt;br /&gt;
[[Kategorie:Informační studia a knihovnictví]][[Kategorie:Informační technologie, knihovnické technologie]][[Kategorie:Hesla k opravě UISK]]&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=St%C3%A1tnicov%C3%A9_okruhy_pro_SZZK_od_z%C3%A1%C5%99%C3%AD_2016_d%C3%A1le_-_magistersk%C3%A9_studium&amp;diff=53429</id>
		<title>Státnicové okruhy pro SZZK od září 2016 dále - magisterské studium</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=St%C3%A1tnicov%C3%A9_okruhy_pro_SZZK_od_z%C3%A1%C5%99%C3%AD_2016_d%C3%A1le_-_magistersk%C3%A9_studium&amp;diff=53429"/>
		<updated>2018-05-04T07:35:21Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;&amp;lt;br /&amp;gt;&lt;br /&gt;
== Otázky platí pro SZZK od září 2016 dále ==&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
='''Informační studia a knihovnictví'''=&lt;br /&gt;
==INFORMAČNÍ ZAMĚŘENÍ==&lt;br /&gt;
&lt;br /&gt;
*A - INFORMAČNÍ VĚDA (povinný)&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Východiska informační vědy a teorie informace|A1 Východiska informační vědy a zaměření oboru]] || &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
|  [[ A2 Informační etika a společenské dopady moderních informačních technologií]]  ||Kahancová &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
|  A3 [[Systém výzkumu, metody informační vědy a vědecká komunikace]] &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| A4 [[Hodnocení vědy v ČR|Principy hodnocení vědy, přístupy a nástroje, situace v ČR]] ||  ||  || &lt;br /&gt;
|-&lt;br /&gt;
| A5 [[Citační indikátory, rejstříky, databáze - srovnání a využití]] || Kahancová || &lt;br /&gt;
|-&lt;br /&gt;
| A6 [[Bibliometrie a scientometrie, publikační a citační analýzy]]  || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| A7 Problematika velkých dat ([[Big data]])  || Horníčková&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| A8 [[Informační války|Kybernetické útoky, cyber war]] &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| A9 [[Právo a internet]]  || &lt;br /&gt;
|-&lt;br /&gt;
| A10 [[Modely, principy a nástroje vyhledávání na webu a jeho trendy]] || &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| A11 Human Computer Interaction ([[HCI]]) || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| A12 Pojem &amp;quot;[[informační politika]]&amp;quot; a informační okruhy, v nichž se uplatňuje || &lt;br /&gt;
||&lt;br /&gt;
|-&lt;br /&gt;
| A13 [[Informační politika]] Evropské unie ||  Matička&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| A14 [[Informační legislativa]] - její rozdělení a právo svobodného přístupu k informacím || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| A15 [[Právo na ochranu duševního vlastnictví a WIPO]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| A16 [[Optimální (entropické) kódování informačního zdroje]]   || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| A17 Samoopravné kódy a limity přenosu zpráv informačním kanálem  || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A18 Definice syntaxe a sémantiky Predikátové logiky'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A19 Základní extenzionální model: popis a příklady ''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A20 Principy intenzionální logiky a jejich příklady''  || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A21 Základní principy transparentní intenzionální logiky P. Tichého (TIL)''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A22 Postup při návrhu a realizaci empirického významu - výběr vzorku, reprezentativnost vzorku'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A23 Náhodný jev, algebra jevů, průnik a spojení jevů, doplněk jevu, analogické pojmy v logice a informatice'' ||X  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A24 Pojem podmíněné pravděpodobnosti, závislé a nezávislé jevy'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A25 Pojem náhodné veličiny a její vlastnosti:pravděpodobnostní rozdělení,distribuční funkce'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A26 Charakteristiky náhodné veličiny: střední hodnota, rozptyl,směrodatná odchylka, medián, kvantity, decily''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A27 Normální rozdělení náhodné veličiny. Intervalové odhady pro ± cr, ± 2cr,± 3cr. Pojem intervalu spolehlivosti'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A28 Interval spolehlivosti: popis pojmu, možnost výpočtu, názorný příklad použití'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A29 Postup při vyhodnocení testu dobré shody (χ-kvadrát test) a názorný příklad použití'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*B - INFORMAČNÍ SYSTÉMY A SLUŽBY (povinný)&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| B1 Analýza vybraných trendů ve věcném pořádání a vyhledávání informací || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B2 Reprezentace obsahu dokumentů jazykovými i nejazykovými prostředky || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B3 Chování uživatele při věcném vyhledávání informací v katalozích, oborových databázích a v prostředí webu || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B4 Výhody a úskalí základních typů indexace || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B5 Teoretické základy selekčních jazyků v lingvistice || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B6 Teoretické základy selekčních jazyků v sémiotice || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B7 Otevřený přístup {Open Access) k informacím ve vědě a výzkumu, jeho vývoj,hlavní zdroje, jejich registry a podpora v globálním rámci || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B8 Elektronické archivy ve vybraných oborech vědy a výzkumu a jejich propojování na základě protokolu OAl-PMH || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B9 Významné mezinárodní a národní služby digitálních knihoven distribuovaného charakteru v oblasti vědy a výzkumu || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B10 Významné komerční digitální knihovny zahraničních nakladatelů a jejich služby v oblasti vědy a výzkumu a systém CrossRef || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B11 Mezinárodní a národní systémy elektronických závěrečných vysokoškolských prací a autorsko-právní problematika jejich zpřístupňování || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B12 Volně dostupné digitální knihovny s citačními službami v oblasti vědy a výzkumu || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B13 Trvalé identifikátory informačních objektů {zdrojů) globálního významu a systémy jejich směrovacích  služeb || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B14 Významná metadatová schémata a specifikace užívané v digitálních knihovnách v oblasti vědy a výzkumu || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B15 Problematika třídění a typologie elektronických informačních zdrojů a jejich datové formáty || || ||&lt;br /&gt;
|-&lt;br /&gt;
| [https://wikisofia.cz/wiki/Digit%C3%A1ln%C3%AD_knihovna_jako_pojem_a_jej%C3%AD_obecn%C3%A1_architektura_(modely_%E2%80%9EKahn-Wilensky%E2%80%9C_a_OAIS) B16 Digitální knihovna jako pojem a její obecná architektura (model „Kahn-Wilensky&amp;quot; a model OAIS)] ||  || &lt;br /&gt;
|-&lt;br /&gt;
| B17 Typologie rešerší, rešeršních služeb a rešeršních strategií a taktik, analytické vyhledávání versus intuitivní vyhledávání, etapy rešeršních postupů || || || &lt;br /&gt;
|-&lt;br /&gt;
| B18 Uživatelské rozhraní rešeršních systémů, základní složky uživatelského rozhraní, význam standardizace komunikace s informačními systémy (např. ISO 9241) || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B19 Technická a softwarová podpora uživatele ze strany producentů a provozovatelů informačních systémů nebo databázových center, přínos webových rozhraní rešeršních systémů pro koncového uživatele || &lt;br /&gt;
|| ||&lt;br /&gt;
|-&lt;br /&gt;
| B20 Vyhodnocování relevance || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B21 Databáze, jejich třídění a typologie v historickém kontextu a databáze databází || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B22 Významné mezinárodní a národní informační zdroje pro obor Informační a knihovní věda a jejich srovnání || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B23 Bibliografické informační entity (podle modelu FRBR) a základní a specifické vztahy mezi nimi || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B24 Struktura a sémantika komunikativních (výměnných) formátů pro bibliografické a jiné související entity || || ||&lt;br /&gt;
|-&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*C - INFORMAČNÍ A ZNALOSTNÍ MANAGEMENT (volitelný)&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| C1 [[Metodiky projektového managementu, jejich obsah a smysl|Metodiky projektového managementu, smysl, vývoj, zaměření. Certifikace.]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C2 Životní cyklus projektu, smysl a obsah jednotlivých fází || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C3 Výběrová řízení na implementaci informačních systémů, jejich příprava a realizace  || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C4 Specifika projektů implementace ERP systémů v organizaci || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C5 Teoretické modely řízení změny a způsoby jejich využití na projektech|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C6 Proces řízení projektových rizik. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C7 Smlouvy v IT. Typy, struktura, formální požadavky, dopady Nového občanského zákoníku. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C8 Projektový leadership. Fáze vývoje projektového týmu. MBTI a možnosti jeho uplatnění.  || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C9 [https://wikisofia.cz/wiki/Agiln%C3%AD_metody_projektov%C3%A1n%C3%AD._Principy,_role,_organizace,_n%C3%A1stroje Agilní metody projektování. Principy, role, organizace, nástroje.] || Garmash&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C10 Změny podnikového paradigmatu a jejich reflexe v oblasti podnikové informatiky. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C11 Životní cyklus multidimensionálního vývoje informačního systému. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C12 Elektronická tržiště - typologie, příklady a možnosti využití. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C13 [[Modely informačních systémů v podniku. Rodina norem IS09000]] || Samec&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C14 Systémy ERP, vývoj,architektura, funkcionalita, současný stav na trhu v ČR || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C15 CRM systémy, principy, funkcionalita, trendy || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C16 Modely zajištění provozu a rozvoje podnikových informačních systémů || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C17 Lean, Six Sigma a jejich srovnání. Cyklus DMAIC. || Černohlávková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C18 Princip, struktura a typy expertních systémů || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C19 Podstata znalostí a formy jejich reprezentace || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C20 Báze znalostí založené na pravidlech a inferenční mechanismus|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C21 Zpracování neurčitosti v expertních systémech a základy fuzzy logiky  || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C22 Metody dobývání znalostí z databází (data mining)|| Jungmannová&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*D - INFORMAČNÍ A KOMUNIKAČNÍ TECHNOLOGIE (volitelný)&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| D1 Architektura WWW - zdroje a jejich adresace || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D2 Architektura softwarových aplikací || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D3 Vývoj software - základní přehled v problematice ||  || ||&lt;br /&gt;
|-&lt;br /&gt;
| D4 [[Informační bezpečnost - její klíčové aspekty, hrozby a minimalizace rizika]] || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D5 Rozhodovací tabulky a stromy (základní pojmy a vlastnosti)  || Filipová ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D9 Konstrukce rozhodovacích stromů (princip snižování entropie) ||  || ||&lt;br /&gt;
|-&lt;br /&gt;
| D10 [[Popis prvků konceptuálních modelů, smysl konceptuálního modelu a příklad modelu Knihovny]] || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D11 [[Transformace konceptuálního modelu na datový model, základní prvky datového modelu, specifikace úlohy primárních a cizích klíčů]] || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D12 [[Popis definiční části jazyka SQL,specifikace deklarace primárních a cizích klíčů a příklady na modelu knihovny]] || Světelská ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D13 [[Manipulační část jazyka SQL (DML – insert, update, delete) a příklady na databázi Knihovna]] || &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| D14 [[Příkaz Select, jeho využití v databázi Knihovna|Příkaz Select, jeho využití v databázi Knihovna / popis klauzule NOT IN a její využití, Select s klauzulí GROUP BY, využití tohoto příkazu v databázi knihovna, základní duplicitní select a další agregátní funkce /.]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D15 Principy hierarchických modelů. Příklady modelování procesů a programovacích struktur (základní příkazy řízení toku programu) || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D16 [[Principy značkovacích jazyků a příklady použití jazyka HTML a XML]] || Trunec &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D17 Principy kódování zvuku a obrazu, komprese dat || Dobiášovský&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D18 Klasické substituční šifry a jejich kryptoanalýza || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D19[[Symetrické kryptosystémy| Symetrické kryptosystémy a šifrové standardy (DES, AES)]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D20 [[Šifrování s veřejným klíčem (metoda RSA)]] || Rainová&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=Knihovnické zaměření=&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
*Informační věda – povinný předmět&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student  !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| 1) [[Historie a současná situace v oblasti digitalizace kulturního dědictví a zpřístupňování jejích výstupů v ČR|Historie a současná situace v oblasti digitalizace kulturního dědictví a zpřístupňování jejích výstupů v ČR,  úloha a aktivity Národní knihovny ČR (včetně její pozice v Evropě)]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 2) Historie a současné aktivity v oblasti digitalizace a online zpřístupňování kulturního dědictví v Evropě, jejich hlavní cíle a výstupy || Garamszegi&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 3) [[Open Access|Otevřený přístup (Open Access) k informacím ve vědě a výzkumu, jeho vývoj, hlavní zdroje, jejich registry a podpora v globálním rámci]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 4) [[Digitální knihovna jako pojem a její obecná architektura (modely „Kahn-Wilensky“ a OAIS)]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 5) [[Analýza vybraných trendů ve věcném pořádání a vyhledávání informací]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 6) Reprezentace obsahu dokumentů jazykovými i nejazykovými prostředky || Novobilská||||&lt;br /&gt;
|-&lt;br /&gt;
| 7) Systémy pořádání informací a znalostí - vlastnosti a možnosti jejich užití || Kašparová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 8) [[Teoretické základy selekčních jazyků  v lingvistice]] ||  ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 9) [[Teoretické základy selekčních jazyků v sémiotice]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 10) [[Poslání, pracovní metody a výsledky obsahové analýzy|Poslání, pracovní metody a výsledky obsahové analýzy a problematika vytváření a užití redukovaného textu]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 11) Porovnání manuální a automatizované obsahové analýzy ||Hajšmanová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 12) Postup při návrhu a realizaci empirického výzkumu - výběr vzorku, reprezentativnost vzorku || Rumpíková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 13) Náhodný jev, algebra jevů, průnik a spojení jevů, doplněk jevu, analogické pojmy v logice a informatice || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 14) [[Podmíněná pravděpodobnost a závislé a nezávislé jevy|Pojem podmíněné pravděpodobnosti, závislé a nezávislé jevy]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 15) Pojem náhodné veličiny a její vlastnosti: pravděpodobnostní rozdělení, distribuční funkce|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 16) [[Charakteristiky náhodné veličiny: střední hodnota, rozptyl, směrodatná odchylka, medián, kvantily, decily]] || Jirásková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 17) Normální rozdělení náhodné veličiny. Intervalové odhady pro ± cr, ± 2cr, ± 3cr. Pojem intervalu spolehlivosti. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 18) Popište pojem intervalu spolehlivosti a popište, jak je možné jej vypočítat, uveďte názorný příklad použití || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 19) Popište postup při vyhodnocení testu dobré shody (x-kvadrát test) a uveďte názorný příklad použití || Křepelková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 20) Problematika mezikulturní komunikace v managementu knihoven a designu služeb knihoven || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 21) [[Komunikační klima organizace a komunikační audity|Informace a komunikační klima organizace]] || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 22) [[Právo a internet]]  || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 23) [[Výzkum a metody v informační vědě]]|| Křížková &lt;br /&gt;
|| ||&lt;br /&gt;
|-&lt;br /&gt;
| 24) [[Bibliometrie, scientometrie a metody hodnocení vědy]] || Mizlerová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 25) Citační indikátory, rejstříky, databáze - srovnání a využití  || Vorlová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 26) Konceptuální modely v informační vědě, vybraní zástupci ||Müllerová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 27) Pojem relevance, její vyhodnocování, druhy relevance||Malinová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 28) Významné mezinárodní a národní informační zdroje pro obor Knihovní a informační věda a jejich srovnání || Cvačka&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 29) Informační a knihovní věda a knihovnictví: vysvětlení pojmů, definice jejich vzájemného vztahu a zasazení do kontextu dalších oborů || Neradová&lt;br /&gt;
|| ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*ICT - Procesy a technologie v knihovnách – povinný předmět &lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| 30) Technologie provozu informačních systémů (třívrstvá architektura, databázové systémy apod.) || Bouchalová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 31) Integrace informačních systémů (technologie, které IS zastřešují – tj. linkovací nástroje, federativní vyhledávání, discovery systémy, velké indexy a další) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 32) Systémový přístup ke knihovnickým procesům v knihovně ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 33) Vliv legislativy na činnost knihoven|| | ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 34) Automatizované knihovnicko-informační systémy || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 35) Kooperativní projekty knihoven v ČR a zahraničí|| Zoufalá&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 36) Nástroje pro správu a zabezpečení fyzických fondů knihoven || Dědičová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 37) Virtuální služby knihoven || Málková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 38) [[Problematika digitálních repozitářů; referenční rámec OAIS; jejich budování, provoz a certifikace]] || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 39) Dlouhodobá ochrana digitálních dokumentů; podstata problematiky; dostupné metody řešení; projekty ve světě a v ČR. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 40) Popis životního cyklu digitálního dokumentu; jednotlivé kroky digitalizace, uložení, zpřístupnění. || Chládková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 41) Problematika akvizice v knihovnách || Latislavová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 42) Proces digitalizace; přehled důvodů, cílů, přínosu i problémů, možnosti využití digitálních dat.|| Konečná&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 43) Metadata pro digitální objekty; jejich typy, význam a funkce; standardy nejužívanějších metadat a jejich charakteristika. &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 44) Digitální knihovny zpřístupňující kulturní dědictví, obecná charakteristika, konkrétní české a zahraniční projekty  ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 45) Elektronické archivy ve vybraných oborech vědy a výzkumu, jejich rysy a jejich propojování na základě protokolu OAl-PMH || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 46) Významné mezinárodní a národní služby digitálních knihoven distribuovaného charakteru v oblasti vědy a výzkumu||  ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 47) Významné komerční digitální knihovny zahraničních nakladatelů a jejich služby v oblasti vědy a výzkumu a systém CrossRef || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 48) Mezinárodní a národní systémy elektronických závěrečných vysokoškolských prací a autorsko-právní problematika jejich zpřístupňování || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 49) Volně dostupné digitální knihovny s citačními službami v oblasti vědy a výzkumu || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 50) [[Trvalé identifikátory informačních objektů (zdrojů) globálního významu a systémy jejich směrovacích služeb]] || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 51) Problematika třídění a typologie elektronických informačních zdrojů a jejich datové formáty || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 52) Popište postup při návrhu a realizaci empirického významu - popište jednotlivé kroky postupu, zdůvodněte je. Popište principy výběru vzorku populace pro potřeby empirického výzkumu a pojem reprezentativnosti statistického vzorku.|| ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 53) Bibliografické standardy využívané v praxi českých knihoven || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 54) ICT Uživatelské rozhraní rešeršních systémů, základní složky uživatelského rozhraní, význam standardizace komunikace s informačními systémy (např. ISO 9241) || Křepelková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 55) Technická a softwarová podpora uživatele ze strany producentů a provozovatelů informačních systémů nebo databázových center, přínos webových rozhraní rešeršních systémů pro koncového uživatele. || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 56) Typologie rešerší, rešeršních služeb a rešeršních strategií a taktik, analytické vyhledávání versus intuitivní vyhledávání, etapy rešeršních postupů || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 57) Bibliografická a autoritní kontrola, vývoj, současný stav a trendy|| ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 58) Modely, principy a nástroje vyhledávání na webu a jeho trendy (včetně fenoménu Google) || ||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*MK – Management knihoven –  volitelný předmět &lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| 1) Regionální funkce knihoven - východiska, podstata, realizace || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 2) Znalostní metody budování fondů knihoven || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 3) Komunitní role veřejné knihovny -příklady českých a zahraničních projektů || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 4) Marketingová strategie veřejné knihovny (podstata, význam a uplatnění v managementu knihovny) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 5) Vícezdrojové financování knihoven v ČR || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 6) Profesní sdružení, spolky, asociace a svazy - komparace se zahraničím || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 7) Organizační struktury, organizování práce -pracovní proces a postup v knihovnách a informačních institucích (základní dokumenty organizace, zřizovací listina, statut, organizační a knihovní řád, výpůjční řád a další dokumenty) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 8) Kvalita služeb v knihovnách a informačních institucích (benchmarking, měření kvality služeb, ROI v ČR a zahraničí)|| ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 9) Personalistika v knihovnách a informačních institucích || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 10) Management změn v knihovnách a informačních institucích (teoretická východiska a uplatnění v praxi) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 11) Metody designu služeb v knihovně a informační instituci || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 12) Metody strategického plánu rozvoje knihovny nebo informačního střediska || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 13) Strategické a koncepční dokumenty regulující rozvoj současného knihovnictví v ČR || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 14) Strategické a koncepční dokumenty regulující rozvoj současného mezinárodního knihovnictví (zejména aktivity IFLA) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 15) Management a leadership v knihovně, tvorba a udržení pracovního týmu, management emocí || ||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*CIG – Čtenářská a informační gramotnost – volitelný předmět&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| 1) Role knihoven ve vzdělávání: dle jednotlivých typů knihoven a v kontextu dalších vzdělávacích institucí || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 2) Školní knihovna: úloha, možnosti zapojení do výuky, situace v ČR, příklady zahraniční dobré praxe || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 3) Vysokoškolská knihovna: úloha, uživatelská základna, specifické služby, podpora vědy a výzkumu || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 4) Fenomén čtenářství: rozvoj, proces čtení, poruchy čtení &lt;br /&gt;
||&lt;br /&gt;
|-&lt;br /&gt;
| 5) Možnosti podpory rozvoje čtenářství u dětí v předškolním věku: specifika, české i zahraniční projekty || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| 6) Elektronická čtecí zařízení - formáty, čtení z obrazovky, vliv na čtenářství || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 7) Významné aktivity v oblasti čtenářských výzkumů: příklady z ČR nebo ze zahraničí, interpretace výsledků || Odehnalová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 8) Koncept informační gramotnosti: vývoj pojmu, společenský kontext a výrazné domácí i zahraniční aktivity || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 9) Informační a mediální výchova jako součást vzdělání žáků základních a středních škol || Sedláčková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 10) Biblioterapie: charakteristika pojmu, pojednání o využití a vybrané projekty || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 11) Komunitní úloha knihoven || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 12) Specializované knihovny a informační instituce (jiné než vysokoškolské) a jejich role v podpoře vědy a výzkumu || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 13) Navrhněte průzkum informačních potřeb studentů bakalářského studia FF UK. Popište všechny fáze procesu empirického výzkumu || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 14) Strategie digitální gramotnosti v ČR|| ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 15) Informační a citační etika || Dufková&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=Knihovědné zaměření=&lt;br /&gt;
*Historické knižní fondy, jejich ochrana a způsoby zpřístupňování&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''1. Vznik, proměny a cíle historické knihovědy. Její místo ve studiu knižní kultury jakožto specifické složky kulturního dědictví. Významné proudy a osobnosti se zvláštním přihlédnutím k českému prostředí.'' || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''2. Moderní pojetí práce s historickými fondy u nás a v cizině, zejména v oblasti moderního elektronického zpracování. Používané katalogizační formáty při popisu historických fondů v ČR, jejich rozdíly, rozšířenost a vývojové tendence (Aleph, Clavius, KP-Win, ARL).'' || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''3. Základní rozdíly při katalogizačním popisu starého tisku dle pravidel ISBD oproti katalogizaci moderního fondu.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''4. Dnešní úloha kurátora vzácných knižních sbírek, nároky na jeho kvalifikaci a role, proměna knihovědně zaměřeného pracovníka v dnešní společnosti.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''5. Vztah knihovědy, archivnictví a muzejnictví. Rozdíly mezi knihovním fondem, archivním fondem a muzejní sbírkou.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''6. Pomocné vědy historické; jejich obecná charakteristika a vývoj, popis nejpodstatnějších PVH, vztah ke knihovědě, přínos při práci se vzácnými historickými fondy.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''7. Archivnictví; základní pojmy, metody práce a zpřístupnění, organizace a vývoj archivní sítě v ČR; odlišné aspekty vzhledem ke knihovnám.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''8. Heraldika, sfragistika; charakteristika disciplín a jejich využití v knihovědné praxi.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''9. Diplomatika; její charakteristika, základní pojmy, hlavní typy diplomatického materiálu, vnitřní a vnější znaky diplomatického materiálu. Využití diplomatiky v knihovědné praxi.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''10. Historie a současná situace v oblasti digitalizace a zpřístupňování kulturněhistorického dědictví v ČR, role knihoven v ČR a úlohy a cíle Národní knihovny ČR (včetně její pozice v Evropě).''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''11. Proces digitalizace; přehled důvodů, cílů, přínosu i problémů, možnosti využití digitálních dat.'' || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''12. Popis životního cyklu digitálního dokumentu; jednotlivé kroky digitalizace, uložení, zpřístupnění.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''13. Současné aktivity v oblasti digitalizace a online zpřístupňování kulturního dědictví v Evropě, výhled a cíle do budoucna.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''14. Vyberte několik systémů kulturního dědictví, které znáte a popište na jejich příkladu hlavní obecné rysy systémů kulturního dědictví, jejich vlastnosti, cíle a přínos pro uživatele.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*''Typologie, ilustrace a vazba rukopisné a tištěné knihy od počátků do 20. století''&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! ''Heslo'' !! ''Student'' !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''1. Kniha jako kulturní a civilizační fenomén. Kulturní antropologie knihy. Typy knihy v různých kulturních okruzích.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''2. Paleografie; charakteristika disciplíny, práce s textem (transliterace, transkripce), zkratky a zkracovací znaménka.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''3. Vývoj základních písem ve starověku a jejich stručná charakteristika.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''4. Psací látky a náčiní ve starověku a středověku, role skriptorií.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''5. Výčet hlavních druhů a typů písem v evropském středověku a jejich stručná charakteristika.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''6. Vývoj novogotického rukopisného písma v Německu a jeho použití v Českých zemích.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''7. Vývoj humanistických písem v raném a pozdním novověku v Evropě a v Českých zemích.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''8. Rukopisná kniha kodexového typu, její umělecká výzdoba a kulturní a společenská funkce ve středověké společnosti.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''9. Historické formy tisku před polovinou 15. stol. s důrazem na specifika evropského deskotisku a blokových knih.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''10. Tiskové písmo, jeho původ a klasifikace. Vývoj písmolijecké technologie do konce 19. století.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''11. Tiskárna a její vybavení v historickém vývoji. Dopad průmyslové revoluce 19. století do typografie a její přerod v polygrafii.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''12. Technologie výroby papíru, základní druhy papíru pro tisk a pro vazebné účely. Filigrány.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''13. Grafické techniky knižní ilustrace pořizované „z výšky“.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''14. Grafické techniky knižní ilustrace pořizované „z hloubky“.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''15. Grafické techniky knižní ilustrace pořizované „z plochy“.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''16. Grafické techniky knižní ilustrace a reprodukční techniky 20. století.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''17. Pozdně gotická knižní ilustrace, její vývoj v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''18. Renesanční knižní ilustrace, její vývoj v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''19. Barokní knižní ilustrace, její vývoj v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''20. Knižní ilustrace 19. století, její vývoj v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''21. Knižní ilustrace 20. století., její vývoj v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''22. Typologie knižní obálky, autorská kniha.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''23. Hlavní zásady typografie.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''24. Tiskařské signety v zahraničí a v Českých zemích, jejich typologie a funkce.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''25. Funkce knižní vazby, technologie a materiály ručního knihvazačství.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''26. Vývoj knihvazačských stylů gotických a renesančních.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''27. Vývoj knihvazačských stylů barokních, rokokových, klasicistních a empírových.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''28. Technologie a stylová charakteristika industriální vazby 19. století.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*''Varianta A: Dějiny knihoven od starověku do 20. století''&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! ''Heslo'' !! ''Student'' !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''1. Knihovny ve starověku. Uveďte příklady z jednotlivých geografických oblastí a srovnejte je.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''2. Základní druhy knihoven v evropském středověku.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''3. Porovnání vývoje českých a evropských středověkých knihoven'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''4. Vliv reformačních hnutí na vývoj knihoven v Českých zemích a v Evropě.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''5. Vliv humanismu a renesance na evropskou knižní kulturu a knihovnictví.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''6. Typické rysy renesanční a barokní šlechtické, měšťanské a klášterní knihovny, vnitřní a vnější znaky.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''7. Vznik a rozvoj institucionálních knihoven.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''8. Počátky a vývoj otevírání soukromých knihoven veřejnosti.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''9. Vliv osvícenství na evropskou a českou knižní kulturu a knihovnictví.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''10. Právní úprava vydávání a distribuce knih a časopisů od roku 1848 do současnosti.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''11. Počátky veřejných knihoven v našich zemích. Veřejné půjčovny a čítárny knih a novin. Knihovny čtenářských spolků a společností.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''12. Hlavní rysy vývoje československého knihovnictví v letech 1918-1938. První knihovní zákon.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''13. Československé knihovnictví a legislativa v letech 1950-1989.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''14. Recepce knihy (autor, text, čtenář, interpretace).'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''15. Významné osobnosti knihovnictví, informační vědy a knihovědy. Charakterizujte jejich činnost a význam pro vývoj oboru.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*''Varianta B: Dějiny knihtisku 15. – 20. století''&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! ''Heslo'' !! ''Student'' !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''1. Základní evropské tendence vývoje knihtisku do roku 1500 s přihlédnutím ke specifickému vývoji Českých zemí.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''2. Raně renesanční kniha a knihtisk v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||&lt;br /&gt;
|-&lt;br /&gt;
| ''3. Pozdně renesanční kniha a knihtisk v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''4. Barokní kniha a knihtisk v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''5. Rokoková a klasicistní kniha a knihtisk v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''6. Kniha a knihtisk 19. století v zahraničí a v Českých zemích, společné tendence a jevy individuální (zejména během národního obrození).'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''7. Kniha a knihtisk první poloviny 20. století v Českých zemích, tiskárny a osobnosti průmyslové knižní kultury.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''8. Významní zahraniční představitelé knihtisku před rokem 1500.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''9. Problematika datace Kroniky trojánské a rozdíly mezi českou a moravskou produkcí prvotisků.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''10. Významní zahraniční představitelé knihtisku v době renesance.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''11. Tiskárna bratrská v Ivančicích a Kralicích, její předchůdci a následníci.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''12. Jiří Melantrich z Aventýnu.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''13. Daniel Adam z Veleslavína.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''14. Jiří Černý z Černého Mostu a jeho manýrističtí souputníci.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''15. Významní zahraniční představitelé knihtisku v době baroka a klasicismu.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''16. Tiskárna jezuitská a Tiskárna arcibiskupská v Praze.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''17. Karel František Rosenmüller.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''18. Vliv Josefa Mánesa a Mikoláše Alše na vývoj knižní ilustrace u nás'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''19. Josef Čapek a kniha'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''20. Vznik moderní české knihy na přelomu 19. a 20. století.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*''Varianta C: Dějiny knižního obchodu a nakladatelství 15. – 20. století''&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! ''Heslo'' !! ''Student'' !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''1. Vznik a vývoj nakladatelství v Evropě i v Českých zemích do roku 1800 a jejich vliv na kvalitu a kvantitu knižní produkce.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''2. Profesní organizace tiskařů, nakladatelů a knihkupců 19. a 20. století.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''3. Cenzura jako politický, kulturní a sociologický fenomén 16. až 19. stol., její vliv na knižní produkci v Evropě i v Českých zemích.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''4. Tištěná kniha jako zboží, způsoby distribuce včetně veletrhů, vznik knihkupecké sítě v Českých zemích do konce 19. stol.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''5. Kulturní a politická role tiskaře jako editora, překladatele, nakladatele a knihkupce. Diferenciace těchto funkcí a vznik institucionálních tiskáren.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''6. Nakladatel a autor, autor a ilustrátor v 19. století.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''7. Knížky lidového čtení a kramářské tisky 18. a 19. století, jejich typografická specifika.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''8. Matěj Václav Kramerius, jeho předchůdci i pokračovatelé. Počátky českého novinářství.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''9. Bohumil Haase a Ferdinand Schönfeld. Industrializace knižní výroby.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''10. Německý, hebrejský a český knihtisk v Praze v 19. století''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''11. Kniha jako individuální řemeslo. Podíl bibliofilie na vzniku moderní české knihy.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''12. Kniha v exilu a samizdatu''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''13. Autor a nakladatel (ediční příprava textů).''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
='''Studia nových médií'''=&lt;br /&gt;
*Informační věda&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Pojem informace jak jej chápe informační věda a související obory]]|| Redakce Wikisofia-vzorový článek&lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [[Vývoj informační a knihovnické vědy (od vzniku písma až dodnes) v souvislosti s rozvojem médií a technologie vědění]]|| ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Kvantitativní metody informační vědy]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Uchopení informační společnosti informační vědou]] || &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Aspekty nových médií, jak je zkoumá informační věda a knihovnictví]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Digitalizace a knihovnictví]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Knihovnické služby a duševní vlastnictví]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Znalosti, vědění a knihovnictví]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Knihovna 2.0 a Information (Learning, Teaching) Commons]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[HCI]] || &lt;br /&gt;
||  || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Filosofie a nová média&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Teorie nových médií: přístupy a perspektivy]] || &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [[(Novo)mediální fantazie, imaginární média a rané koncepty internetu ]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[(Novo) mediální archeologie a genealogie]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Hypertextové teorie]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Studium softwaru a teorie kódu]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Sociální a kulturní aspekty nových médií v současných teoriích]]&lt;br /&gt;
||  &lt;br /&gt;
|| &lt;br /&gt;
|-&lt;br /&gt;
| [[Politické aspekty nových médií v současných teoriích]]&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Studia kyberkultury a kyberpunk]]&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Vizuální studia a nová média]]&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Filozofie techniky a nová média]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Kybernetika, teorie systému, teorie sítí a nová média]] || &lt;br /&gt;
|| ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Informační politika&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! ''Heslo'' !! ''Student'' !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''Vývoj informační politiky USA a EU''|| X&lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| ''Chápání informační politiky''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Rozvoj informační společnosti jako součást informační politiky''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Současné nástroje informační politiky na úrovni EU''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Řízení informační politiky na národní úrovni''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Současný vývoj a výzkum''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Monitoring a hodnocení''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Komunikační proces''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Digitální kultura&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Digitální kultura, e-kultura, kreativní průmysl a umění na přelomu 20. a 21. století]]&lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| Prezentace, diseminace a archivace digitální kultury a umění|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Literatura, sociální umění, aktivismus a nová média]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Kultura a umění kódů a dat: software, simulace, vizualizace]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Město, architektura a nová média: virtuální a augmentované světy]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Ekologie, biotechnologie, nanotechnologie a nové výzvy pro kulturu a umění]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Posthumanismus a nová média|| &lt;br /&gt;
||  || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Informační design&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Principy vnímání barev - fyzikální a fyziologická omezení]]||  &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [[Základní principy digitální reprezentace obrazových informací]]||  &lt;br /&gt;
|| &lt;br /&gt;
|-&lt;br /&gt;
| [[Reprezentace a vytváření barev]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [https://wikisofia.cz/wiki/Z%C3%A1kladn%C3%AD_principy_p%C5%99i_n%C3%A1vrhu_dokumentu Základy principy při návrhu dokumentu] || &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [https://wikisofia.cz/index.php/Rozd%C3%ADl_mezi_elektronickou_a_ti%C5%A1t%C4%9Bnou_prezentac%C3%AD_grafiky Rozdíl mezi elektronickou a tištěnou prezentací grafiky]&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Základy reprezentace trojrozměrného prostoru v počítači]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Animace, osvětlení a výpočet v reálném čase 3D prostoru]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Interaktivní média&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Přístupy k modelování lidské mysli v kognitivních vědách]]|| &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [https://wikisofia.cz/index.php/Z%C3%A1kladn%C3%AD_fyziologick%C3%A9_principy_vn%C3%ADm%C3%A1n%C3%AD%2C_pam%C4%9Bti Základní fyziologické principy vnímání, paměti]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Principy interaktivního designu]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Způsoby analýzy požadavků uživatelů|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Způsoby klasifikace cílových skupin uživatelů]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Modelování uživatelů (personas)]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Pravidla pro tvorbu rozhraní&lt;br /&gt;
|| ||  || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Human-computer Interaction (HCI)&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| Definice a charakteristika HCI, vysvětlení základní terminologie|| &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| Ergonomie|| ||  || &lt;br /&gt;
|-&lt;br /&gt;
| Hlavní časopisy, konference, pracoviště a představitelé v oblasti HCI|| ||  || &lt;br /&gt;
|-&lt;br /&gt;
| Informační audit|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Návrh uživatelského rozhraní]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Použitelnost&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Požadavky na kvalitní IS|| ||  || &lt;br /&gt;
|-&lt;br /&gt;
| Specifika rozhraní pro tělesně/mentálně handicapované uživatele|| ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Typy uživatelských rozhraní a jejich specifika]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Uživatelské chování a jeho význam při budování IS || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| Uživatelské potřeby, zjišťování a dokumentování uživatelských potřeb(User analysis)|| &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [[Uživatelské rozhraní (user interface)]]|| &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| Vědní obory se vztahem k HCI a jejich význam|| &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [[Využití emocí v designu|Využití emocí v designu, emoční design]]|| &lt;br /&gt;
|| || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
==&amp;lt;nowiki/&amp;gt;==&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
[[Kategorie:Informační studia a knihovnictví]]&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
	<entry>
		<id>https://wikisofia.cz/w/index.php?title=St%C3%A1tnicov%C3%A9_okruhy_pro_SZZK_od_z%C3%A1%C5%99%C3%AD_2016_d%C3%A1le_-_magistersk%C3%A9_studium&amp;diff=53027</id>
		<title>Státnicové okruhy pro SZZK od září 2016 dále - magisterské studium</title>
		<link rel="alternate" type="text/html" href="https://wikisofia.cz/w/index.php?title=St%C3%A1tnicov%C3%A9_okruhy_pro_SZZK_od_z%C3%A1%C5%99%C3%AD_2016_d%C3%A1le_-_magistersk%C3%A9_studium&amp;diff=53027"/>
		<updated>2018-03-12T15:11:40Z</updated>

		<summary type="html">&lt;p&gt;Sarka.Hornickova: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;&amp;lt;br /&amp;gt;&lt;br /&gt;
== Otázky platí pro SZZK od září 2016 dále ==&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
='''Informační studia a knihovnictví'''=&lt;br /&gt;
==INFORMAČNÍ ZAMĚŘENÍ==&lt;br /&gt;
&lt;br /&gt;
*A - INFORMAČNÍ VĚDA (povinný)&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Východiska informační vědy a teorie informace|A1 Východiska informační vědy a zaměření oboru]] || &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
|  [[ A2 Informační etika a společenské dopady moderních informačních technologií]]  || &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
|  A3 [[Systém výzkumu, metody informační vědy a vědecká komunikace]] &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| A4 [[Hodnocení vědy v ČR|Principy hodnocení vědy, přístupy a nástroje, situace v ČR]] ||  ||  || &lt;br /&gt;
|-&lt;br /&gt;
| A5 [[Citační indikátory, rejstříky, databáze - srovnání a využití]] ||  || &lt;br /&gt;
|-&lt;br /&gt;
| A6 [[Bibliometrie a scientometrie, publikační a citační analýzy]]  || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| A7 Problematika velkých dat ([[Big data]])  || Rainová&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| A8 [[Informační války|Kybernetické útoky, cyber war]] || Trunec&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| A9 [[Právo a internet]]  || &lt;br /&gt;
|-&lt;br /&gt;
| A10 [[Modely, principy a nástroje vyhledávání na webu a jeho trendy]] || &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| A11 Human Computer Interaction ([[HCI]]) || Garmash&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| A12 Pojem &amp;quot;[[informační politika]]&amp;quot; a informační okruhy, v nichž se uplatňuje || &lt;br /&gt;
||&lt;br /&gt;
|-&lt;br /&gt;
| A13 [[Informační politika]] Evropské unie ||  Matička&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| A14 [[Informační legislativa]] - její rozdělení a právo svobodného přístupu k informacím || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| A15 [[Právo na ochranu duševního vlastnictví a WIPO]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| A16 [[Optimální (entropické) kódování informačního zdroje]]   || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| A17 Samoopravné kódy a limity přenosu zpráv informačním kanálem  || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A18 Definice syntaxe a sémantiky Predikátové logiky'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A19 Základní extenzionální model: popis a příklady ''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A20 Principy intenzionální logiky a jejich příklady''  || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A21 Základní principy transparentní intenzionální logiky P. Tichého (TIL)''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A22 Postup při návrhu a realizaci empirického významu - výběr vzorku, reprezentativnost vzorku'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A23 Náhodný jev, algebra jevů, průnik a spojení jevů, doplněk jevu, analogické pojmy v logice a informatice'' ||X  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A24 Pojem podmíněné pravděpodobnosti, závislé a nezávislé jevy'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A25 Pojem náhodné veličiny a její vlastnosti:pravděpodobnostní rozdělení,distribuční funkce'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A26 Charakteristiky náhodné veličiny: střední hodnota, rozptyl,směrodatná odchylka, medián, kvantity, decily''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A27 Normální rozdělení náhodné veličiny. Intervalové odhady pro ± cr, ± 2cr,± 3cr. Pojem intervalu spolehlivosti'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A28 Interval spolehlivosti: popis pojmu, možnost výpočtu, názorný příklad použití'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''A29 Postup při vyhodnocení testu dobré shody (χ-kvadrát test) a názorný příklad použití'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*B - INFORMAČNÍ SYSTÉMY A SLUŽBY (povinný)&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| B1 Analýza vybraných trendů ve věcném pořádání a vyhledávání informací || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B2 Reprezentace obsahu dokumentů jazykovými i nejazykovými prostředky || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B3 Chování uživatele při věcném vyhledávání informací v katalozích, oborových databázích a v prostředí webu || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B4 Výhody a úskalí základních typů indexace || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B5 Teoretické základy selekčních jazyků v lingvistice || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B6 Teoretické základy selekčních jazyků v sémiotice || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B7 Otevřený přístup {Open Access) k informacím ve vědě a výzkumu, jeho vývoj,hlavní zdroje, jejich registry a podpora v globálním rámci || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B8 Elektronické archivy ve vybraných oborech vědy a výzkumu a jejich propojování na základě protokolu OAl-PMH || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B9 Významné mezinárodní a národní služby digitálních knihoven distribuovaného charakteru v oblasti vědy a výzkumu || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B10 Významné komerční digitální knihovny zahraničních nakladatelů a jejich služby v oblasti vědy a výzkumu a systém CrossRef || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B11 Mezinárodní a národní systémy elektronických závěrečných vysokoškolských prací a autorsko-právní problematika jejich zpřístupňování || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B12 Volně dostupné digitální knihovny s citačními službami v oblasti vědy a výzkumu || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B13 Trvalé identifikátory informačních objektů {zdrojů) globálního významu a systémy jejich směrovacích  služeb || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B14 Významná metadatová schémata a specifikace užívané v digitálních knihovnách v oblasti vědy a výzkumu || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B15 Problematika třídění a typologie elektronických informačních zdrojů a jejich datové formáty || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B16 Digitální knihovna jako pojem a její obecná architektura (model „Kahn-Wilensky&amp;quot; a model OAIS) || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B17 Typologie rešerší, rešeršních služeb a rešeršních strategií a taktik, analytické vyhledávání versus intuitivní vyhledávání, etapy rešeršních postupů || || || &lt;br /&gt;
|-&lt;br /&gt;
| B18 Uživatelské rozhraní rešeršních systémů, základní složky uživatelského rozhraní, význam standardizace komunikace s informačními systémy (např. ISO 9241) || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B19 Technická a softwarová podpora uživatele ze strany producentů a provozovatelů informačních systémů nebo databázových center, přínos webových rozhraní rešeršních systémů pro koncového uživatele || &lt;br /&gt;
|| ||&lt;br /&gt;
|-&lt;br /&gt;
| B20 Vyhodnocování relevance || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B21 Databáze, jejich třídění a typologie v historickém kontextu a databáze databází || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B22 Významné mezinárodní a národní informační zdroje pro obor Informační a knihovní věda a jejich srovnání || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B23 Bibliografické informační entity (podle modelu FRBR) a základní a specifické vztahy mezi nimi || || ||&lt;br /&gt;
|-&lt;br /&gt;
| B24 Struktura a sémantika komunikativních (výměnných) formátů pro bibliografické a jiné související entity || || ||&lt;br /&gt;
|-&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*C - INFORMAČNÍ A ZNALOSTNÍ MANAGEMENT (volitelný)&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| C1 [[Metodiky projektového managementu, jejich obsah a smysl|Metodiky projektového managementu, smysl, vývoj, zaměření. Certifikace.]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C2 Životní cyklus projektu, smysl a obsah jednotlivých fází || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C3 Výběrová řízení na implementaci informačních systémů, jejich příprava a realizace  || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C4 Specifika projektů implementace ERP systémů v organizaci || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C5 Teoretické modely řízení změny a způsoby jejich využití na projektech|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C6 Proces řízení projektových rizik. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C7 Smlouvy v IT. Typy, struktura, formální požadavky, dopady Nového občanského zákoníku. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C8 Projektový leadership. Fáze vývoje projektového týmu. MBTI a možnosti jeho uplatnění.  || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C9 Agilní metody projektování. Principy, role, organizace, nástroje. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C10 Změny podnikového paradigmatu a jejich reflexe v oblasti podnikové informatiky. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C11 Životní cyklus multidimensionálního vývoje informačního systému. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C12 Elektronická tržiště - typologie, příklady a možnosti využití. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C13 Modely informačních systémů v podniku. Rodina norem IS09000 || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C14 Systémy ERP, vývoj,architektura, funkcionalita, současný stav na trhu v ČR || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C15 CRM systémy, principy, funkcionalita, trendy || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C16 Modely zajištění provozu a rozvoje podnikových informačních systémů || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C17 Lean, Six Sigma a jejich srovnání. Cyklus DMAIC. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C18 Princip, struktura a typy expertních systémů || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C19 Podstata znalostí a formy jejich reprezentace || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C20 Báze znalostí založené na pravidlech a inferenční mechanismus|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C21 Zpracování neurčitosti v expertních systémech a základy fuzzy logiky  || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| C22 Metody dobývání znalostí z databází (data mining)|| &lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*D - INFORMAČNÍ A KOMUNIKAČNÍ TECHNOLOGIE (volitelný)&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| D1 Architektura WWW - zdroje a jejich adresace || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D2 Architektura softwarových aplikací || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D3 Vývoj software - základní přehled v problematice ||  || ||&lt;br /&gt;
|-&lt;br /&gt;
| D4 [[Informační bezpečnost - její klíčové aspekty, hrozby a minimalizace rizika]] || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D5 Rozhodovací tabulky a stromy (základní pojmy a vlastnosti)  || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D9 Konstrukce rozhodovacích stromů (princip snižování entropie) ||  || ||&lt;br /&gt;
|-&lt;br /&gt;
| D10 Popis prvků konceptuálních modelů, smysl konceptuálního modelu a příklad modelu Knihovny || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D11 Transformace konceptuálního modelu na datový model, základní prvky datového modelu, specifikace úlohy primárních a cizích klíčů || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D12 Popis definiční části jazyka SQL,specifikace deklarace primárních a cizích klíčů a příklady na modelu knihovny || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D13 Manipulační část jazyka SQL (DML – insert, update, delete) a příklady na databázi Knihovna || &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| D14 Příkaz Select, jeho využití v databázi Knihovna / popis klauzule NOT IN a její využití, Select s klauzulí GROUP BY, využití tohoto příkazu v databázi knihovna, základní duplicitní select a další agregátní funkce /. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D15 Principy hierarchických modelů. Příklady modelování procesů a programovacích struktur (základní příkazy řízení toku programu) || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D16 Principy značkovacích jazyků a příklady použití jazyka HTML a XML || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D17 Principy kódování zvuku a obrazu, komprese dat || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D18 Klasické substituční šifry a jejich kryptoanalýza || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D19[[Symetrické kryptosystémy| Symetrické kryptosystémy a šifrové standardy (DES, AES)]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| D20 Šifrování s veřejným klíčem (metoda RSA) || ||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=Knihovnické zaměření=&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
*Informační věda – povinný předmět&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student  !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| 1) [[Historie a současná situace v oblasti digitalizace kulturního dědictví a zpřístupňování jejích výstupů v ČR|Historie a současná situace v oblasti digitalizace kulturního dědictví a zpřístupňování jejích výstupů v ČR,  úloha a aktivity Národní knihovny ČR (včetně její pozice v Evropě)]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 2) Historie a současné aktivity v oblasti digitalizace a online zpřístupňování kulturního dědictví v Evropě, jejich hlavní cíle a výstupy || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 3) [[Open Access|Otevřený přístup (Open Access) k informacím ve vědě a výzkumu, jeho vývoj, hlavní zdroje, jejich registry a podpora v globálním rámci]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 4) [[Digitální knihovna jako pojem a její obecná architektura (modely „Kahn-Wilensky“ a OAIS)]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 5) [[Analýza vybraných trendů ve věcném pořádání a vyhledávání informací]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 6) Reprezentace obsahu dokumentů jazykovými i nejazykovými prostředky || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 7) Systémy pořádání informací a znalostí - vlastnosti a možnosti jejich užití || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 8) [[Teoretické základy selekčních jazyků  v lingvistice]] ||  ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 9) [[Teoretické základy selekčních jazyků v sémiotice]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 10) [[Poslání, pracovní metody a výsledky obsahové analýzy|Poslání, pracovní metody a výsledky obsahové analýzy a problematika vytváření a užití redukovaného textu]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 11) Porovnání manuální a automatizované obsahové analýzy ||  &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 12) Postup při návrhu a realizaci empirického výzkumu - výběr vzorku, reprezentativnost vzorku ||  ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 13) Náhodný jev, algebra jevů, průnik a spojení jevů, doplněk jevu, analogické pojmy v logice a informatice || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 14) [[Podmíněná pravděpodobnost a závislé a nezávislé jevy|Pojem podmíněné pravděpodobnosti, závislé a nezávislé jevy]] || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 15) Pojem náhodné veličiny a její vlastnosti: pravděpodobnostní rozdělení, distribuční funkce|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 16) Charakteristiky náhodné veličiny: střední hodnota, rozptyl, směrodatná odchylka, medián, kvantily, decily || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 17) Normální rozdělení náhodné veličiny. Intervalové odhady pro ± cr, ± 2cr, ± 3cr. Pojem intervalu spolehlivosti. || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 18) Popište pojem intervalu spolehlivosti a popište, jak je možné jej vypočítat, uveďte názorný příklad použití || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 19) Popište postup při vyhodnocení testu dobré shody (x-kvadrát test) a uveďte názorný příklad použití || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 20) Problematika mezikulturní komunikace v managementu knihoven a designu služeb knihoven || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 21) [[Komunikační klima organizace a komunikační audity|Informace a komunikační klima organizace]] || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 22) [[Právo a internet]]  || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 23) Výzkum a metody v informační vědě||  &lt;br /&gt;
|| ||&lt;br /&gt;
|-&lt;br /&gt;
| 24) Bibliometrie, scientometrie a metody hodnocení vědy || Mizlerová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 25) Citační indikátory, rejstříky, databáze - srovnání a využití  || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 26) Konceptuální modely v informační vědě, vybraní zástupci || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 27) Pojem relevance, její vyhodnocování, druhy relevance||Malinová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 28) Významné mezinárodní a národní informační zdroje pro obor Knihovní a informační věda a jejich srovnání || Cvačka&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 29) Informační a knihovní věda a knihovnictví: vysvětlení pojmů, definice jejich vzájemného vztahu a zasazení do kontextu dalších oborů || Neradová&lt;br /&gt;
|| ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*ICT - Procesy a technologie v knihovnách – povinný předmět &lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| 30) Technologie provozu informačních systémů (třívrstvá architektura, databázové systémy apod.) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 31) Integrace informačních systémů (technologie, které IS zastřešují – tj. linkovací nástroje, federativní vyhledávání, discovery systémy, velké indexy a další) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 32) Systémový přístup ke knihovnickým procesům v knihovně || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 33) Vliv legislativy na činnost knihoven|| | ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 34) Automatizované knihovnicko-informační systémy || Odehnalová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 35) Kooperativní projekty knihoven v ČR a zahraničí|| Zoufalá&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 36) Nástroje pro správu a zabezpečení fyzických fondů knihoven || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 37) Virtuální služby knihoven || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 38) [[Problematika digitálních repozitářů; referenční rámec OAIS; jejich budování, provoz a certifikace]] || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 39) Dlouhodobá ochrana digitálních dokumentů; podstata problematiky; dostupné metody řešení; projekty ve světě a v ČR. || Bouchalová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 40) Popis životního cyklu digitálního dokumentu; jednotlivé kroky digitalizace, uložení, zpřístupnění. || Chládková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 41) Problematika akvizice v knihovnách || Latislavová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 42) Proces digitalizace; přehled důvodů, cílů, přínosu i problémů, možnosti využití digitálních dat.|| ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 43) Metadata pro digitální objekty; jejich typy, význam a funkce; standardy nejužívanějších metadat a jejich charakteristika. || Jungmannová&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 44) Digitální knihovny zpřístupňující kulturní dědictví, obecná charakteristika, konkrétní české a zahraniční projekty || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 45) Elektronické archivy ve vybraných oborech vědy a výzkumu, jejich rysy a jejich propojování na základě protokolu OAl-PMH || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 46) Významné mezinárodní a národní služby digitálních knihoven distribuovaného charakteru v oblasti vědy a výzkumu||  ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 47) Významné komerční digitální knihovny zahraničních nakladatelů a jejich služby v oblasti vědy a výzkumu a systém CrossRef || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 48) Mezinárodní a národní systémy elektronických závěrečných vysokoškolských prací a autorsko-právní problematika jejich zpřístupňování || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 49) Volně dostupné digitální knihovny s citačními službami v oblasti vědy a výzkumu || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 50) [[Trvalé identifikátory informačních objektů (zdrojů) globálního významu a systémy jejich směrovacích služeb]] || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 51) Problematika třídění a typologie elektronických informačních zdrojů a jejich datové formáty || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 52) Popište postup při návrhu a realizaci empirického významu - popište jednotlivé kroky postupu, zdůvodněte je. Popište principy výběru vzorku populace pro potřeby empirického výzkumu a pojem reprezentativnosti statistického vzorku.|| ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 53) Bibliografické standardy využívané v praxi českých knihoven || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 54) ICT Uživatelské rozhraní rešeršních systémů, základní složky uživatelského rozhraní, význam standardizace komunikace s informačními systémy (např. ISO 9241) || Křepelková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 55) Technická a softwarová podpora uživatele ze strany producentů a provozovatelů informačních systémů nebo databázových center, přínos webových rozhraní rešeršních systémů pro koncového uživatele. || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 56) Typologie rešerší, rešeršních služeb a rešeršních strategií a taktik, analytické vyhledávání versus intuitivní vyhledávání, etapy rešeršních postupů || Horníčková&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 57) Bibliografická a autoritní kontrola, vývoj, současný stav a trendy|| ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 58) Modely, principy a nástroje vyhledávání na webu a jeho trendy (včetně fenoménu Google) || ||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*MK – Management knihoven –  volitelný předmět &lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| 1) Regionální funkce knihoven - východiska, podstata, realizace || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 2) Znalostní metody budování fondů knihoven || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 3) Komunitní role veřejné knihovny -příklady českých a zahraničních projektů || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 4) Marketingová strategie veřejné knihovny (podstata, význam a uplatnění v managementu knihovny) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 5) Vícezdrojové financování knihoven v ČR || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 6) Profesní sdružení, spolky, asociace a svazy - komparace se zahraničím || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 7) Organizační struktury, organizování práce -pracovní proces a postup v knihovnách a informačních institucích (základní dokumenty organizace, zřizovací listina, statut, organizační a knihovní řád, výpůjční řád a další dokumenty) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 8) Kvalita služeb v knihovnách a informačních institucích (benchmarking, měření kvality služeb, ROI v ČR a zahraničí)|| ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 9) Personalistika v knihovnách a informačních institucích || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 10) Management změn v knihovnách a informačních institucích (teoretická východiska a uplatnění v praxi) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 11) Metody designu služeb v knihovně a informační instituci || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 12) Metody strategického plánu rozvoje knihovny nebo informačního střediska || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 13) Strategické a koncepční dokumenty regulující rozvoj současného knihovnictví v ČR || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 14) Strategické a koncepční dokumenty regulující rozvoj současného mezinárodního knihovnictví (zejména aktivity IFLA) || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 15) Management a leadership v knihovně, tvorba a udržení pracovního týmu, management emocí || ||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*CIG – Čtenářská a informační gramotnost – volitelný předmět&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| 1) Role knihoven ve vzdělávání: dle jednotlivých typů knihoven a v kontextu dalších vzdělávacích institucí || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 2) Školní knihovna: úloha, možnosti zapojení do výuky, situace v ČR, příklady zahraniční dobré praxe || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 3) Vysokoškolská knihovna: úloha, uživatelská základna, specifické služby, podpora vědy a výzkumu || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 4) Fenomén čtenářství: rozvoj, proces čtení, poruchy čtení &lt;br /&gt;
||&lt;br /&gt;
|-&lt;br /&gt;
| 5) Možnosti podpory rozvoje čtenářství u dětí v předškolním věku: specifika, české i zahraniční projekty || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| 6) Elektronická čtecí zařízení - formáty, čtení z obrazovky, vliv na čtenářství || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 7) Významné aktivity v oblasti čtenářských výzkumů: příklady z ČR nebo ze zahraničí, interpretace výsledků || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 8) Koncept informační gramotnosti: vývoj pojmu, společenský kontext a výrazné domácí i zahraniční aktivity || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 9) Informační a mediální výchova jako součást vzdělání žáků základních a středních škol || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 10) Biblioterapie: charakteristika pojmu, pojednání o využití a vybrané projekty || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 11) Komunitní úloha knihoven || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 12) Specializované knihovny a informační instituce (jiné než vysokoškolské) a jejich role v podpoře vědy a výzkumu || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 13) Navrhněte průzkum informačních potřeb studentů bakalářského studia FF UK. Popište všechny fáze procesu empirického výzkumu || ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 14) Strategie digitální gramotnosti v ČR|| ||  ||&lt;br /&gt;
|-&lt;br /&gt;
| 15) Informační a citační etika || ||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=Knihovědné zaměření=&lt;br /&gt;
*Historické knižní fondy, jejich ochrana a způsoby zpřístupňování&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''1. Vznik, proměny a cíle historické knihovědy. Její místo ve studiu knižní kultury jakožto specifické složky kulturního dědictví. Významné proudy a osobnosti se zvláštním přihlédnutím k českému prostředí.'' || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''2. Moderní pojetí práce s historickými fondy u nás a v cizině, zejména v oblasti moderního elektronického zpracování. Používané katalogizační formáty při popisu historických fondů v ČR, jejich rozdíly, rozšířenost a vývojové tendence (Aleph, Clavius, KP-Win, ARL).'' || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''3. Základní rozdíly při katalogizačním popisu starého tisku dle pravidel ISBD oproti katalogizaci moderního fondu.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''4. Dnešní úloha kurátora vzácných knižních sbírek, nároky na jeho kvalifikaci a role, proměna knihovědně zaměřeného pracovníka v dnešní společnosti.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''5. Vztah knihovědy, archivnictví a muzejnictví. Rozdíly mezi knihovním fondem, archivním fondem a muzejní sbírkou.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''6. Pomocné vědy historické; jejich obecná charakteristika a vývoj, popis nejpodstatnějších PVH, vztah ke knihovědě, přínos při práci se vzácnými historickými fondy.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''7. Archivnictví; základní pojmy, metody práce a zpřístupnění, organizace a vývoj archivní sítě v ČR; odlišné aspekty vzhledem ke knihovnám.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''8. Heraldika, sfragistika; charakteristika disciplín a jejich využití v knihovědné praxi.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''9. Diplomatika; její charakteristika, základní pojmy, hlavní typy diplomatického materiálu, vnitřní a vnější znaky diplomatického materiálu. Využití diplomatiky v knihovědné praxi.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''10. Historie a současná situace v oblasti digitalizace a zpřístupňování kulturněhistorického dědictví v ČR, role knihoven v ČR a úlohy a cíle Národní knihovny ČR (včetně její pozice v Evropě).''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''11. Proces digitalizace; přehled důvodů, cílů, přínosu i problémů, možnosti využití digitálních dat.'' || &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''12. Popis životního cyklu digitálního dokumentu; jednotlivé kroky digitalizace, uložení, zpřístupnění.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''13. Současné aktivity v oblasti digitalizace a online zpřístupňování kulturního dědictví v Evropě, výhled a cíle do budoucna.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''14. Vyberte několik systémů kulturního dědictví, které znáte a popište na jejich příkladu hlavní obecné rysy systémů kulturního dědictví, jejich vlastnosti, cíle a přínos pro uživatele.''|| &lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*''Typologie, ilustrace a vazba rukopisné a tištěné knihy od počátků do 20. století''&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! ''Heslo'' !! ''Student'' !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''1. Kniha jako kulturní a civilizační fenomén. Kulturní antropologie knihy. Typy knihy v různých kulturních okruzích.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''2. Paleografie; charakteristika disciplíny, práce s textem (transliterace, transkripce), zkratky a zkracovací znaménka.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''3. Vývoj základních písem ve starověku a jejich stručná charakteristika.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''4. Psací látky a náčiní ve starověku a středověku, role skriptorií.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''5. Výčet hlavních druhů a typů písem v evropském středověku a jejich stručná charakteristika.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''6. Vývoj novogotického rukopisného písma v Německu a jeho použití v Českých zemích.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''7. Vývoj humanistických písem v raném a pozdním novověku v Evropě a v Českých zemích.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''8. Rukopisná kniha kodexového typu, její umělecká výzdoba a kulturní a společenská funkce ve středověké společnosti.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''9. Historické formy tisku před polovinou 15. stol. s důrazem na specifika evropského deskotisku a blokových knih.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''10. Tiskové písmo, jeho původ a klasifikace. Vývoj písmolijecké technologie do konce 19. století.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''11. Tiskárna a její vybavení v historickém vývoji. Dopad průmyslové revoluce 19. století do typografie a její přerod v polygrafii.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''12. Technologie výroby papíru, základní druhy papíru pro tisk a pro vazebné účely. Filigrány.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''13. Grafické techniky knižní ilustrace pořizované „z výšky“.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''14. Grafické techniky knižní ilustrace pořizované „z hloubky“.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''15. Grafické techniky knižní ilustrace pořizované „z plochy“.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''16. Grafické techniky knižní ilustrace a reprodukční techniky 20. století.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''17. Pozdně gotická knižní ilustrace, její vývoj v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''18. Renesanční knižní ilustrace, její vývoj v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''19. Barokní knižní ilustrace, její vývoj v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''20. Knižní ilustrace 19. století, její vývoj v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''21. Knižní ilustrace 20. století., její vývoj v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''22. Typologie knižní obálky, autorská kniha.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''23. Hlavní zásady typografie.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''24. Tiskařské signety v zahraničí a v Českých zemích, jejich typologie a funkce.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''25. Funkce knižní vazby, technologie a materiály ručního knihvazačství.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''26. Vývoj knihvazačských stylů gotických a renesančních.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''27. Vývoj knihvazačských stylů barokních, rokokových, klasicistních a empírových.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''28. Technologie a stylová charakteristika industriální vazby 19. století.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*''Varianta A: Dějiny knihoven od starověku do 20. století''&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! ''Heslo'' !! ''Student'' !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''1. Knihovny ve starověku. Uveďte příklady z jednotlivých geografických oblastí a srovnejte je.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''2. Základní druhy knihoven v evropském středověku.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''3. Porovnání vývoje českých a evropských středověkých knihoven'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''4. Vliv reformačních hnutí na vývoj knihoven v Českých zemích a v Evropě.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''5. Vliv humanismu a renesance na evropskou knižní kulturu a knihovnictví.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''6. Typické rysy renesanční a barokní šlechtické, měšťanské a klášterní knihovny, vnitřní a vnější znaky.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''7. Vznik a rozvoj institucionálních knihoven.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''8. Počátky a vývoj otevírání soukromých knihoven veřejnosti.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''9. Vliv osvícenství na evropskou a českou knižní kulturu a knihovnictví.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''10. Právní úprava vydávání a distribuce knih a časopisů od roku 1848 do současnosti.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''11. Počátky veřejných knihoven v našich zemích. Veřejné půjčovny a čítárny knih a novin. Knihovny čtenářských spolků a společností.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''12. Hlavní rysy vývoje československého knihovnictví v letech 1918-1938. První knihovní zákon.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''13. Československé knihovnictví a legislativa v letech 1950-1989.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''14. Recepce knihy (autor, text, čtenář, interpretace).'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''15. Významné osobnosti knihovnictví, informační vědy a knihovědy. Charakterizujte jejich činnost a význam pro vývoj oboru.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*''Varianta B: Dějiny knihtisku 15. – 20. století''&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! ''Heslo'' !! ''Student'' !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''1. Základní evropské tendence vývoje knihtisku do roku 1500 s přihlédnutím ke specifickému vývoji Českých zemí.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''2. Raně renesanční kniha a knihtisk v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||&lt;br /&gt;
|-&lt;br /&gt;
| ''3. Pozdně renesanční kniha a knihtisk v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''4. Barokní kniha a knihtisk v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''5. Rokoková a klasicistní kniha a knihtisk v zahraničí a v Českých zemích, společné tendence a jevy individuální.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''6. Kniha a knihtisk 19. století v zahraničí a v Českých zemích, společné tendence a jevy individuální (zejména během národního obrození).'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''7. Kniha a knihtisk první poloviny 20. století v Českých zemích, tiskárny a osobnosti průmyslové knižní kultury.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''8. Významní zahraniční představitelé knihtisku před rokem 1500.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''9. Problematika datace Kroniky trojánské a rozdíly mezi českou a moravskou produkcí prvotisků.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''10. Významní zahraniční představitelé knihtisku v době renesance.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''11. Tiskárna bratrská v Ivančicích a Kralicích, její předchůdci a následníci.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''12. Jiří Melantrich z Aventýnu.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''13. Daniel Adam z Veleslavína.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''14. Jiří Černý z Černého Mostu a jeho manýrističtí souputníci.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''15. Významní zahraniční představitelé knihtisku v době baroka a klasicismu.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''16. Tiskárna jezuitská a Tiskárna arcibiskupská v Praze.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''17. Karel František Rosenmüller.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''18. Vliv Josefa Mánesa a Mikoláše Alše na vývoj knižní ilustrace u nás'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''19. Josef Čapek a kniha'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''20. Vznik moderní české knihy na přelomu 19. a 20. století.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*''Varianta C: Dějiny knižního obchodu a nakladatelství 15. – 20. století''&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! ''Heslo'' !! ''Student'' !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''1. Vznik a vývoj nakladatelství v Evropě i v Českých zemích do roku 1800 a jejich vliv na kvalitu a kvantitu knižní produkce.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''2. Profesní organizace tiskařů, nakladatelů a knihkupců 19. a 20. století.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''3. Cenzura jako politický, kulturní a sociologický fenomén 16. až 19. stol., její vliv na knižní produkci v Evropě i v Českých zemích.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''4. Tištěná kniha jako zboží, způsoby distribuce včetně veletrhů, vznik knihkupecké sítě v Českých zemích do konce 19. stol.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''5. Kulturní a politická role tiskaře jako editora, překladatele, nakladatele a knihkupce. Diferenciace těchto funkcí a vznik institucionálních tiskáren.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''6. Nakladatel a autor, autor a ilustrátor v 19. století.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''7. Knížky lidového čtení a kramářské tisky 18. a 19. století, jejich typografická specifika.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''8. Matěj Václav Kramerius, jeho předchůdci i pokračovatelé. Počátky českého novinářství.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''9. Bohumil Haase a Ferdinand Schönfeld. Industrializace knižní výroby.'' || X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''10. Německý, hebrejský a český knihtisk v Praze v 19. století''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''11. Kniha jako individuální řemeslo. Podíl bibliofilie na vzniku moderní české knihy.''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''12. Kniha v exilu a samizdatu''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|-&lt;br /&gt;
| ''13. Autor a nakladatel (ediční příprava textů).''|| X&lt;br /&gt;
||  ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
='''Studia nových médií'''=&lt;br /&gt;
*Informační věda&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Pojem informace jak jej chápe informační věda a související obory]]|| Redakce Wikisofia-vzorový článek&lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [[Vývoj informační a knihovnické vědy (od vzniku písma až dodnes) v souvislosti s rozvojem médií a technologie vědění]]|| ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Kvantitativní metody informační vědy]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Uchopení informační společnosti informační vědou]] || &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Aspekty nových médií, jak je zkoumá informační věda a knihovnictví]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Digitalizace a knihovnictví]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Knihovnické služby a duševní vlastnictví]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Znalosti, vědění a knihovnictví]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Knihovna 2.0 a Information (Learning, Teaching) Commons]] || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[HCI]] || &lt;br /&gt;
||  || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Filosofie a nová média&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Teorie nových médií: přístupy a perspektivy]] || &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [[(Novo)mediální fantazie, imaginární média a rané koncepty internetu ]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[(Novo) mediální archeologie a genealogie]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Hypertextové teorie]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Studium softwaru a teorie kódu]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Sociální a kulturní aspekty nových médií v současných teoriích]]&lt;br /&gt;
||  &lt;br /&gt;
|| &lt;br /&gt;
|-&lt;br /&gt;
| [[Politické aspekty nových médií v současných teoriích]]&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Studia kyberkultury a kyberpunk]]&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Vizuální studia a nová média]]&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Filozofie techniky a nová média]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Kybernetika, teorie systému, teorie sítí a nová média]] || &lt;br /&gt;
|| ||&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Informační politika&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! ''Heslo'' !! ''Student'' !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| ''Vývoj informační politiky USA a EU''|| X&lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| ''Chápání informační politiky''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Rozvoj informační společnosti jako součást informační politiky''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Současné nástroje informační politiky na úrovni EU''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Řízení informační politiky na národní úrovni''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Současný vývoj a výzkum''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Monitoring a hodnocení''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| ''Komunikační proces''|| X&lt;br /&gt;
||  || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Digitální kultura&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Digitální kultura, e-kultura, kreativní průmysl a umění na přelomu 20. a 21. století]]&lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| Prezentace, diseminace a archivace digitální kultury a umění|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Literatura, sociální umění, aktivismus a nová média]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Kultura a umění kódů a dat: software, simulace, vizualizace]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Město, architektura a nová média: virtuální a augmentované světy]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Ekologie, biotechnologie, nanotechnologie a nové výzvy pro kulturu a umění]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Posthumanismus a nová média|| &lt;br /&gt;
||  || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Informační design&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Principy vnímání barev - fyzikální a fyziologická omezení]]||  &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [[Základní principy digitální reprezentace obrazových informací]]||  &lt;br /&gt;
|| &lt;br /&gt;
|-&lt;br /&gt;
| [[Reprezentace a vytváření barev]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [https://wikisofia.cz/wiki/Z%C3%A1kladn%C3%AD_principy_p%C5%99i_n%C3%A1vrhu_dokumentu Základy principy při návrhu dokumentu] || &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [https://wikisofia.cz/index.php/Rozd%C3%ADl_mezi_elektronickou_a_ti%C5%A1t%C4%9Bnou_prezentac%C3%AD_grafiky Rozdíl mezi elektronickou a tištěnou prezentací grafiky]&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Základy reprezentace trojrozměrného prostoru v počítači]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Animace, osvětlení a výpočet v reálném čase 3D prostoru]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Interaktivní média&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| [[Přístupy k modelování lidské mysli v kognitivních vědách]]|| &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [https://wikisofia.cz/index.php/Z%C3%A1kladn%C3%AD_fyziologick%C3%A9_principy_vn%C3%ADm%C3%A1n%C3%AD%2C_pam%C4%9Bti Základní fyziologické principy vnímání, paměti]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Principy interaktivního designu]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Způsoby analýzy požadavků uživatelů|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Způsoby klasifikace cílových skupin uživatelů]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Modelování uživatelů (personas)]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Pravidla pro tvorbu rozhraní&lt;br /&gt;
|| ||  || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
*Human-computer Interaction (HCI)&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;width: 100%&amp;quot;&lt;br /&gt;
|-&lt;br /&gt;
! Heslo !! Student !!  !! &lt;br /&gt;
|-&lt;br /&gt;
| Definice a charakteristika HCI, vysvětlení základní terminologie|| &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| Ergonomie|| ||  || &lt;br /&gt;
|-&lt;br /&gt;
| Hlavní časopisy, konference, pracoviště a představitelé v oblasti HCI|| ||  || &lt;br /&gt;
|-&lt;br /&gt;
| Informační audit|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Návrh uživatelského rozhraní]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Použitelnost&lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Požadavky na kvalitní IS|| ||  || &lt;br /&gt;
|-&lt;br /&gt;
| Specifika rozhraní pro tělesně/mentálně handicapované uživatele|| ||  || &lt;br /&gt;
|-&lt;br /&gt;
| [[Typy uživatelských rozhraní a jejich specifika]]|| &lt;br /&gt;
||  || &lt;br /&gt;
|-&lt;br /&gt;
| Uživatelské chování a jeho význam při budování IS || ||  || &lt;br /&gt;
|-&lt;br /&gt;
| Uživatelské potřeby, zjišťování a dokumentování uživatelských potřeb(User analysis)|| &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [[Uživatelské rozhraní (user interface)]]|| &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| Vědní obory se vztahem k HCI a jejich význam|| &lt;br /&gt;
|| || &lt;br /&gt;
|-&lt;br /&gt;
| [[Využití emocí v designu|Využití emocí v designu, emoční design]]|| &lt;br /&gt;
|| || &lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&amp;lt;br /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
==&amp;lt;nowiki/&amp;gt;==&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
[[Kategorie:Informační studia a knihovnictví]]&lt;/div&gt;</summary>
		<author><name>Sarka.Hornickova</name></author>
		
	</entry>
</feed>