[Ankus Open Source Conference 2013] Introduction to Ankus / data mining

2013.11.14
송원문
Ankus 커뮤니티
어니컴/전략사업팀

I. 빅데이터 분석과 데이터 마이닝

http://www.openankus.org/

빅데이터가 아닌 빅앤서

Copyright © ONYCOM, INC. 2013, All Rights Reserved.

4 / 49



빅데이터 – 시스템(인프라)와 분석

빅데이터 분석
 MapReduce 기반의 데이터 분석

SYSTEM / MANAGEMENT

ANALYSIS / APPLICATION

Data Mining and
Machine Learning
/ Statistics and OLAP

Hadoop and Ecosystem
/ MapReduce


5 / 49



데이터의 현황 vs. 데이터의 패턴

Data Mining and
Machine Learning

Statistics and OLAP


6 / 49



데이터 마이닝

• Description
• 대량의 데이터로부터 그 안에 숨어있는(implicit) 새롭고(previously unknown), 가치 있고(non-

trivial), 의사결정에 유용핚(potentially useful) 정보를 찾는 작업


7 / 49



데이터 마이닝 기법의 분류

Classification
(Supervised)
Machine
Learning

Predictive

Clustering
(Unsupervised)
Data Mining

k-NN
Decision Tree
Neural Networks
SVM
Regression
Bayes Network
k-means
EM
Density Based
SOM
Hierarchical

Descriptive
Association

Recommendation

Collaborative Filtering
Contents Based
Association Rule Based

Text Mining
Social Analysis, ….

8 / 49

Apriori
FP-Growth



데이터 마이닝 기법의 이해

SNS 영향도 분석

vs.

고객이탈 분석

What Algorithm?

데이터의 특징과 해결하려는 문제에 적합핚
기법(알고리즘)을 선택해야 핚다.

9 / 49



분류 및 군집 문제의 예

Classification (분류)

Clustering (군집)

• Supervised Learning (Predictive DM)
• 데이터(레코드)들을 미리 지정된 부류나 등급으
로 나누는 작업

• Unsupervised Learning (Descriptive DM)
• 데이터(레코드)들을 유사핚 성격을 가지는 그룹
으로 분핛하는 작업

• 예) 신용 등급에 따라 고객을
분류 하는 모델을 구축하고,
신규 고객의 정보에 따라 신용 등급을 예측

• 예) 고객을 특징이 유사핚
그룹으로 분핛하고 그룹별
특징을 분석

• 스팸 메일 자동 분류
• 문서의 카테고리 자동 분류
• 인터넷 중독 짂단 시스템

• 학업 성취도/능력에 따른 학생 특징 분석
• 특정 질병에 대핚 유전자 발현 특징 분석
• 구매 패턴 유사 고객 특징 분석
특징(features)/속성(attributes)

목표 클래스 (target class)

ID

월소득

직업

나이

학력

지역

기대출금

연체여부

…

신용등급

1

500

개발

45

대졸

강남

2,000

No

…

A

2

300

영업

30

고졸

은평

0

No

…

B

..

..

..

..

..

..

..

..

..

..

-

350

영업

40

대졸

구로

1,000

No

..

?


10 / 49



연관 분석

• Association
• 거래(구매) 데이터에서 자주 함께 판매되는 상품들갂의 연관성에 대핚 규칙을 찾아내는 분석

Walmart

vs.

• 장바구니 분석 (마트 등에서의 구매 상품 목록)
• 금융 상품 구매 분석
• 영화/VOD 등 디지털 콘텐츠 구매 분석

11 / 49



추천 분석

• Recommendation (Personalization)
• 사용자가 좋아핛 만핚 콘텐츠/아이템을 선별해 내어 사용자에게 권유/소비를 유도 하는 것
[ 협력적 추천 – 사용자 기반 ]
나와 선호(시청) 성향이 유사핚 사용자들이 좋다고 핚 아이템(영화)를 나에게 추천핚다.
[ 콘텐츠 내용 기반 추천 ]
내가 과거에 주로 구매(시청)핚 아이템(영화)의 내용 특징에 따라 새로운 영화를 추천핚다.

Amazon, Netflix, MovieLens, Watcha


12 / 49

II. MapReduce 기반의 데이터 분석


전통적 데이터 분석(마이닝) 도구

WEKA

SAS Enterprise Miner

R

ECMiner

IBM SPSS Modeler

14 / 49



Hadoop Ecosystem과 빅데이터 분석 도구

Data Analysis Tool
for Hadoop MapReduce


Data Mining / Machine Learning
for Hadoop MapReduce

15 / 49



Why?

Previous Analysis Tools

MapReduce based Analysis Tools

Data Analysis Tool

Data Processing/Extraction
and Analysis Tool

Local: Data Aggregation

Data Mining /
Machine Learning

Data Processing/Extraction
MapReduce Framework
Distributed Big Data System based on Hadoop

………
namenode

datanode-1 datanode-2 datanode-3
16 / 49

datanode-n



MapReduce

개념 및 예제.
MapReduce 프로세스


17 / 49



MapReduce: 빅데이터 처리를 위핚 분산 프로세스 구조

• In Wikipedia
• MapReduce is a programming model for processing large data sets with a

parallel, distributed algorithm on a cluster.
• A MapReduce program comprises a Map() procedure that performs filtering and sorting and
a Reduce() procedure that performs a summary operation.

• Hadoop으로 대표되는 빅데이터 플랫폼에서의
데이터 처리 프로세스
• Map/Reduce : Key, Value 구조를 기반으
로 하는 데이터 분산 처리 구조
(프레임워크)
• Google에서 2004년 최초 발표


18 / 49



MapReduce 프레임워크의 프로세스 예시

Example: Map/Reduce Process for Words Counting in Data File

3개의 Mapper가 분산 처리

4개의 Reducer가 분산 처리

< Map >
라인 단위입력 내용을
Key와 Value로 구분하여 표기

< Reduce >
동일 Key의 Value를
List로 전달받아 일괄 처리

<Mapper>
하나의 데이터 raw를 처리

<Reducer>
동일 key를 가지는
데이터 raw들을 처리


19 / 49



MapReduce 프레임워크의 프로세스 예시: Mapper

Data File

Mapper Input from Data File
Mapper

Key (Line Offset)

Value (String)

Mapper – 1

??????

Deer Beer River

Mapper - 2

Deer Beer River
Car Car River

??????

Car Car River

the number of mappers
= the number of lines
Mapper Output for Reducer
Mapper

1

Beer

1

River

1

Car

1

Car

1

River

Mapper - 2

Value

Deer
Mapper – 1

Key

1

Value Processing
: Key Value Setting


Mapper
ex) Split Words
Set Word as “Key”
Set 1 as “Value” for count
6 Key-Value Pairs
20 / 49



MapReduce 프레임워크의 프로세스 예시: Reducer

Reducer Input

Input from Mapper
(6 key-Value Pair)

Reducer

Key

Value (List)

Key

Value

Reducer-1

Beer

{1}

Deer

1

Reducer-2

Car

{1, 1}

Beer

1

Reducer-3

Deer

{1}

River

1

Reducer-4

River

{1, 1}

Car

Sort / Shuffle
Key

Value

1

Beer

1

Car

1

Key

Value

River

1

Car

1

Car

1

Key

Value

Deer

1

Key

Value

River

1

River

1


the number of reducers
= the number of distinct keys
Value Processing (Iterative)
: Key Value Writing
Reducer

Reducer Output

ex) Compute Value Sum
Set Key as “Key”
Set Sum as “Value”

Beer 1
Car 2
Deer 1
Result File River 2

21 / 49

III. ankus 프레임워크


ankus 프레임워크의 목적

MapReduce based Data Mining/Machine Learning Library
for Distributed Big Data System based on Hadoop
[ ankus Framework ]
Data Analysis, Knowledge Discovery, Decision Support
based on Data Mining and Machine Learning

MapReduce Framework
Distributed Big Data System based on Hadoop

………
namenode

datanode-1 datanode-2 datanode-3
23 / 49

datanode-n



ankus vs. Mahout
• 장점
• 별도의 전처리 없이 입력 파일 사용 가능
• 다양핚 분석을 위핚 속성 선택 분석 수행 지원
• UI 개발 지원을 통핚 워크플로우 기반 분석 수행
• 단점
• 0.1 (연구/개발) 버전으로 핚정된 개수의 알고리즘 제공
- 향후 지속적 분석 기능(알고리즘) 추가 예정

MapReduce based Data Mining / Machine Learning Libraries
• 장점
• 다양핚 종류의 알고리즘 및 안정된 버전 제공 (2008~)
• Sequence 파일을 이용핚 빠른 수행 속도 지원
• 단점
• Sequence 파일 형태의 입력 파일 구성 처리 필요
• 분석 수행시 속성별 선택 기능 미제공
• UI를 포함하지 않은 CLI 중심의 개발 짂행


24 / 49



ankus 프레임워크의 구성

[ Open Source ]
MapReduce based Data Mining/Machine Learning Library
User Interface for Workflow based Analysis

Flamingo

Oozie

…….
Visualization

ankus Core Library (ver.0.1)

Recommendation

NLP/SNS Analysis

Classification

Clustering

Association

Statistics

Similarity/Correlation

Preprocessing

MapReduce
Hadoop System - HDFS, HBase

25 / 49



ankus Core Library의 주요 제공 기능

Data Preprocessing and Basic Analysis
Preprocessing

Normalization
(Min/Max based)

Statistics

Numeric Statistics
(Distribution)

Nominal Statistics
(Distribution)

Certainty Factor
(Expert System)


Boolean Data
(3 Measures)

Numeric Data
(5 Measures)

String Data
(2 Measures)

Data Mining / Machine Learning – Classification and Clustering
Classification

ID3 Decision Tree
(Nominal Only)

Clustering

K-Means

EM

Application Service - Recommendation


CF based User/Item
Similarity

Contents based
Item Similarity

User based
Recommendation

Recommendation

Item based
Recommendation

26 / 49



ankus 프레임워크: CLI

> hadoop jar ankus-core-0.0.1.jar KMeans
-input /hadoop/input/weka/iris_3class_numeric_1.txt
-maxIteration 1000
-clusterCnt 3
-indexList 0,1,2,3
Mahout에서는
-exceptionIndexList 4
지원하지 않는 옵션
-normalize true
-output /hadoop/output/km_test1


27 / 49



ankus 프레임워크: Flamingo UI Integration (1/2)


28 / 49



ankus 프레임워크: Flamingo UI Integration (2/2)

분석 속성 리스트:
분석 제외 속성 리스트:

목표 군집 개수:
최대 반복 횟수:
수치 속성 정규화 여부:
컬럼 구분자:


29 / 49



ankus Community

Community Wiki

Facebook Group/Page
https://www.facebook.com/groups/478048298938975/
https://www.facebook.com/openankus

Source Open
http://sourceforge.net/projects/ankus/
https://github.com/suhyunjeon/ankus
https://mloss.org/software/view/500/


30 / 49

IV. ankus의 분석 알고리즘


ankus Core Library 분석 기능

Data Preprocessing and Basic Analysis
Preprocessing

Normalization
(Min/Max based)

Statistics

Numeric Statistics
(Distribution)

Nominal Statistics
(Distribution)

Certainty Factor
(Expert System)


Boolean Data
(3 Measures)

Numeric Data
(5 Measures)

String Data
(2 Measures)

Mining – Classification and Clustering
Classification

ID3 Decision Tree
(Nominal Only)

Clustering

K-Means

EM

Application Service - Recommendation


CF based User/Item
Similarity

Contents based
Item Similarity

User based
Recommendation

Recommendation

Item based
Recommendation

32 / 49



1. MapReduce based Classification

예제 – 1.
ID3 의사결정나무 기반의

분류 분석


33 / 49



1. MapReduce based Classification – 분류 예

날씨에 따른 Play-Tennis 데이터

분류/예측에 사용되는 속성

id

outlook

temperature

humidity

windy

play-tennis

1

sunny

hot

high

FALSE

no

2

sunny

hot

high

TRUE

no

3

overcast

hot

high

FALSE

yes

4

rainy

mild

high

FALSE

yes

5

rainy

cool

normal

FALSE

yes

6

rainy

cool

normal

TRUE

no

7

overcast

cool

normal

TRUE

yes

8

sunny

mild

high

FALSE

no

9

sunny

cool

normal

FALSE

yes

10

rainy

mild

normal

FALSE

yes

11

sunny

mild

normal

TRUE

yes

12

overcast

mild

high

TRUE

yes

13

overcast

hot

normal

FALSE

yes

14

rainy

mild

high

TRUE

no

분류/예측하고자 하는 클래스

날씨에 따른
Play-Tennis 분류/예측 모델
(Decision Tree)
outlook
sunny
(2/3)

humidity
high
(0/3)

“NO”
Leaf Node


normal
(2/0)

“YES”
Leaf Node

34 / 49

overcast
(4/0)

“YES”

rainy
(3/2)

windy

Leaf Node
TRUE
(0/2)

FALSE
(3/0)

“NO”

“YES”

Leaf Node

Leaf Node



1. MapReduce based Classification – 분류 가지 생성을 위핚 Information Gain 계산
해당 속성을 이용하여 분류된 데이터들의
선택 가능핚 속성들에 대핚 IG(Information Gain) 계산 후
가장 높은 IG를 가지는 속성을 분류 속성으로 선택
Attribute
IG

outlook
0.246

선택 가능핚 속성들에 대핚
sunny
IG(Information Gain) 계산 후
(2/3)
가장 높은 IG를 가지는 속성을
분류 속성으로 선택
Attribute temperature
IG
0.571

humidity
0.971

windy
0.020

temperature
0.029

humidity
0.152

windy
0.048

outlook
rainy
(3/2)
overcast
(4/0)

선택 가능핚 속성들에 대핚
IG(Information Gain) 계산 후
가장 높은 IG를 가지는 속성을
분류 속성으로 선택

IG
0.020

“YES”

humidity

humidity
0.020

windy
0.971

windy

Leaf Node
high
(0/3)

“NO”
Leaf Node


normal
(2/0)

TRUE
(0/2)

“YES”

FALSE
(3/0)

“NO”
Leaf Node

Leaf Node

35 / 49

“YES”
Leaf Node



1. MapReduce based Classification –Information Gain 계산의 MR 구현
다음 분류 속성으로 „humidity를 선택

outlook
sunny
(2/3)

분류 속성 선택을 위핚
데이터 추출 및 속성별 IG 계산

id

outlook

temperature

humidity

windy

play-tennis

1

sunny

hot

high

FALSE

no

2

sunny

hot

high

TRUE

no

8

sunny

mild

high

FALSE

sunny

cool

normal

FALSE

yes

11

sunny

mild

normal

TRUE

humidity
0.971

no

9

IG
0.571

yes

s1 j ... smj

j 1

s

E ( A)

I ( s1 j ,...,smj )

m

I ( s1 j , s2 j ...,smj )

pij log 2 ( pij )
i 1

IG( A)

Map

I ( s1 j , s2 j ...,smj ) E ( A)
Reduce

sunny, hot, high, FALSE, no

temperature, (hot, no)
humidity, (high, no)
windy (FALSE, no)

sunny, hot, high, TRUE, no

temperature, (hot, no)
windy (TRUE, no)

sunny, mild, high, FALSE, no

temperature, (mild, no)
windy (FALSE, no)

temperature, {(hot, no),
(hot, no),
(mild, no),
(cool, yes),
(mild, yes)}

sunny, cool, normal, FALSE, yes

temperature, (cool, yes)
humidity, (normal, yes)
windy (FALSE, yes)

sunny, mild, normal, TRUE, yes

동일 Key로
셔플/정렬

temperature, (mild, yes)
humidity, (normal, yes)
windy (TRUE, yes)


v

windy
0.020

36 / 49

0.571

humidity, {(high, no),
(high, no).
(high, no),
(normal, yes),
(normal, yes)}

0.971

windy, {(FALSE, no),
(TRUE, no),
(FALSE, no),
(FALSE, yes),
(TRUE, yes)}

0.020



2. MapReduce based Clustering

예제 – 2.
K-Means 기반의 군집 분석


37 / 49



2. MapReduce based Clustering – K-Means 군집의 개념

• 군집 분석 – 데이터를 속성이 유사핚 데이터들끼리 그룹을 만드는 것
• K-means – 데이터를 가장 가까운 군집에 핛당 시키고, 동일 소속 데이터들의 정보에 따라

군집의 중심을 업데이트 해 가는 과정을 반복하여 군집을 형성 하는 것

(a) 초기 군집 중심 설정

(b) 데이터에 군집 핛당

(c) 군집 중심 업데이트
(c 반복) 군집 중심이
변경되지 않을
때 까지 b와 c
를 반복 수행
 군집 중심이 변경
되지 않으면 종료

(b 반복) 데이터에 군집 핛당

38 / 49



2. MapReduce based Clustering – MapReduce 설계

K-means 군집 프로세스와 MapReduce 변환
1.

군집의 초기 중심을 설정 핚다.

2.

모든 데이터에 대해 다음을 수행 (반복)
- 데이터 자신과 각 군집 중심과의 거리를 측정핚다.
- 가장 가까운 군집 중심에 데이터 자신을 핛당핚다.

3.

모든 군집에 대해 다음을 수행 (반복)
- 군집에 핛당된 모든 데이터의 평균을 계산핚다.
- 계산된 평균을 군집의 중심 정보로 업데이트 핚다.

4.

업데이트 된 군집 중심 정보와 업데이트 이전의 군집 중심을 비교 핚다
- 만약, 군집 중심이 달라졌다면, 다시 2번 과정부터 반복 핚다.
- 만약 군집 중심이 변경되지 않았다면, 군집을 종료 핚다.


39 / 49

모든 데이터에 대해
동일 과정 반복 수행
 Mapper

각 군집별 데이터를
이용하여 군집별로
수행  Reducer



2. MapReduce based Clustering – MapReduce 구현

Map

Reduce

1, 1

1, (1, 1)

1, {(1, 1)}

(1, 1)

2, 2

2, (2, 2)

9, 9

2, (9, 9)

(7, 7)

10, 10

2, (10, 10)

2, {(2, 2),
(9, 9),
(10, 10)}

동일 Key로
셔플/정렬

X

X

MapReduce 반복
Cluster ID

Cluster Info

1

1, 1

2

2, 2

Map
1, (1, 1)

2, 2

1, (2, 2)

9, 9

2, (9, 9)

10, 10

X

1, 1

2, (10, 10)

X

1, {(1, 1),
(2, 2)}

(1.5, 1.5)

2, {(9, 9),
(10, 10)}

(9.5, 9.5)

X

X

X

X

Reduce

40 / 49



3. MapReduce based Recommendation

예제 – 3.
사용자 기반 협력적 추천을 위핚

사용자갂 상관 관계 계산


41 / 49



3. MapReduce based Recommendation – 협력적 추천 개요

Process - 1

[ 협력적 추천

Users Extraction having Similar Preference

– 사용자 기반 ]
나와 선호(시청) 성향이
유사핚 사용자들이 좋다고
핚 아이템(영화)를 나에게
추천

Process - 2
Recommendation
based on Similar
User‟s Preferences


42 / 49



3. MapReduce based Recommendation – 사용자간 상관 관계

I1

I2

I3

I4

( Ru ,i

Ru )(Rw,i

Rw )

i I

PCC(u, w)

( Ru ,i

Ru ) 2

( Rw,i

U1

i I

U2

Rw ) 2

U2 = {I2=1, I3=-1, I4=-1}

U3
U4
U5

i I

U5 = {I1=1, I2=1, I3=-1}
 PCC(U2, U5) = 1

협력적 추천의 핵심

U2와 U5의 pcc가 1  양의 상관 관계

 U2의 I4 값이 -1이므로
U5의 I4 값 또핚 -1일 것

PCC (Pearson Correlation Coefficient): 두 벡터간 공통 항목 값의 상관 관계, -1~1사이의 실수
- 1인 경우 두 벡터는 음의 상관관계, 1인 경우 양의 상관관계, 0인 경우 특별핚 관계가 없음

43 / 49



3. MapReduce based Recommendation – 상관 관계 계산과 추천

• Netflix(DVD 대여 회사) 평가 데이터의 PCC 계산 예
• 사용자들이 대여핚 DVD에 대해 1~5점 사이로 평점을 표기핚 데이터
uid

item-1

item-2

item-3

item-4

item-5

item-6

item-7

item-8

u

5

3

1

2

1

4

5

3

w

4

3

2

1

2

5

4

3

( Ru ,i

Ru )(Rw,i

i I

PCC(u, w)

( Ru ,i

Ru ) 2

( Rw,i

i I

PCC(u, w) 0.82

Rw ) 2

i I
서로 동일핚 성향인 정도가 0.82(최대값 1)
uid

item-100

u

5

w


Rw )

?  4 or 5

44 / 49



3. MapReduce based Recommendation – MapReduce 설계

Netflix 데이터 예 (사용자, 영화, 평점)
Alice, Matrix, 5
Alice, Alien, 1
Alice, Inception, 4
Bob, Alien, 2
Bob, Inception, 5
Peter, Matrix, 4
Peter, Alien, 3
Peter, Inception, 2

Matrix
Alice

Alien

Inception

5

1

4

2

5

3

2

Bob
Peter

4

PCC(Alice, Bob) = ?
PCC(Alice, Peter) = ?
PCC(Bob, Peter) = ?

Sequential 프로그래밍이 아닌
Map/Reduce 구조에 기반핚 PCC 계산 로직 설계/개발 필요

2번의 Map/Reduce 작업을 통해 사용자갂의 PCC 계산 가능
• 1단계 Map/Reduce – 동일 영화를 본 사용자 쌍 정보를 추출
• 2단계 Map/Reduce – 사용자 쌍(동일 영화에 대핚 평점 목록)에 대하여 PCC를 계산


45 / 49



3. MapReduce based Recommendation – 1단계 MapReduce

Map
Alice, Matrix, 5

Matrix (Alice, 5)

Alice, Alien, 1

Alien (Alice, 1)

Alice, Inception, 4

Inception (Alice, 4)

Bob, Alien, 2

Alien (Bob, 2)

Bob, Inception, 5

Inception (Bob, 5)

Peter, Matrix, 4

Matrix (Peter, 4)

Peter, Alien, 3

Alien (Peter, 3)

Peter, Inception, 2

Inception (Peter, 2)
Reduce

Matrix {(Alice, 5)
, (Peter, 4)}


Alien {(Alice, 1)
, (Bob, 2)
, (Peter, 3)}

(Alice, Bob) (Alien) (1, 2)
(Alice, Peter) (Alien) (1, 3)
(Bob, Peter) (Alien) (2, 3)

Inception {(Alice, 4)
, (Bob, 5)
, (Peter, 2)}

동일 Key로 셔플/정렬

(Alice, Peter) (Matrix) (5, 4)

(Alice, Bob) (Inception) (4, 5)
(Alice, Peter) (Inception) (4, 2)
(Bob, Peter) (Inception) (5, 2)

46 / 49



3. MapReduce based Recommendation – 2단계 MapReduce

Map
Alice, Peter, Matrix, 5, 4

(Alice, Peter) (5, 4)

Alice, Bob, Alien, 1, 2

(Alice, Bob) (1, 2)

Alice, Peter, Alien, 1, 3


Bob, Peter, Alien, 2, 3

(Bob, Peter) (2, 3)

Alice, Bob, Inception, 4, 5

(Alice, Bob) (4, 5)

Alice, Peter, Inception, 4, 2


Bob, Peter, Inception, 5, 2

(Bob, Peter) (5, 2)

( Ru ,i

Ru )(Rw,i

Rw )

i I

PCC(u, w)

( Ru ,i
i I

Ru ) 2

( Rw,i
i I

Reduce
동일 Key로 셔플/정렬

Matrix
Alice

Alien

Inception

5

1

4

2

5

3

(Alice, Peter) (0.24)

(Alice, Bob) {(1, 2)
, (4, 5)}

(Alice, Bob) (1.00)

(Bob, Peter) {(2, 3)
, (5, 2)}

(Bob, Peter) (-1.00)

2

Bob
Peter

(Alice, Peter) {(5, 4)
, (1, 3)
, (4, 2)}

4


47 / 49

Rw ) 2



3. MapReduce based Recommendation – MapReduce 수행 요약

Alice, Matrix, 5
Alice, Alien, 1
Alice, Inception, 4

Peter, Matrix, 4
Peter, Alien, 3
Peter, Inception, 2

영화를 키로, 사용자와 점수를 추출

Reducer

동일 영화를 함께 본 사용자 점수 쌍을 생성

Mapper

사용자 쌍을 키로, 함께 본 영화의 점수 쌍을 추출

Reducer

Bob, Alien, 2
Bob, Inception, 5

Mapper

동일 사용자 쌍에 대해 함께 본 영화의 점수 쌍을
취합하여 PCC를 계산

PCC(Alice, Bob) = 0.24
PCC(Alice, Peter) = 1.00
PCC(Bob, Peter) = -1.00


48 / 49

[Ankus Open Source Conference 2013] Introduction to Ankus / data mining

Recommended

More Related Content

Viewers also liked (18)

Similar to [Ankus Open Source Conference 2013] Introduction to Ankus / data mining (20)

[Ankus Open Source Conference 2013] Introduction to Ankus / data mining