Generare una lista di KPI con numeri casuali in Knime

Condivido sull'hub di Knime questo componente per la creazione di una lista di KPI (indicatori chiave di prestazione) in Knime: è utile per generare delle tabelle di test, ad esempio per la creazione e condivisione di grafici o di report quando non si possono o non si devono usare dati aziendali.

Componente Knime per la generazione di KPI sintetici

Il componente permette di personalizzare la data minima e massima del range e il numero di KPI da generare. Ad esempio:

  • impostando "numero di KPI = 3" saranno generati i seguenti KPI: KPI001, KPI002, KPI003;
  • impostando "numero di KPI = 5" saranno generati i seguenti KPI: KPI001, KPI002, KPI003, KPI004, KPI005

Componente Knime per la creazione di KPI di prova

L'output è una tabella di Knime (data table) costituita da tre colonne:

  • identificativo del KPI (KPI_ID), nel formato KPI001, KPI002, ...
  • data (KPI_DATE) nel formato aaaa-mm-gg
  • valore giornaliero del KPI (KPI_VALUE), numero casuale intero

Il componente usa i seguenti nodi

  • Date&Time Configuration
  • Merge Variables
  • Create Date&Time Range
  • Random Number Assigner
  • Math Formula
  • Integer Configuration
  • Counting Loop
  • String Manipulation
  • Loop End
  • Column Resorter
  • Sorter
  • Filter

Per scaricarlo clicca qui: "Generate a list of KPIs" (sarai reindirizzato sull'hub Knime).

Commenti

Posta un commento

Post popolari in questo blog

Dove trovare raccolte di dati (dataset) utilizzabili gratuitamente

Quando si entra nel fantastico mondo dell'analisi dei dati il primo ingrediente che serve sono... i dati. E le raccolte di dati diventano fondamentali anche in seguito quando, ad esempio, si vuole addestrare un modello di machine learning. In questa pagina annoto i siti dai quali è possibile scaricare gratuitamente e legalmente dataset curati di dati. Chiunque può contribuire segnalandone di nuovi nei commenti Meta Datasets . La pagina dei Datasets di Meta AI offre un'incredibile raccolta di dataset su larga scala e benchmark per l'addestramento, il test e la valutazione dei modelli di intelligenza artificiale. I dataset coprono vari ambiti come la segmentazione degli oggetti, modelli visione-linguaggio, ricostruzione 3D, equità algoritmica e traduzione automatica. Esempi includono il dataset SA-V per la segmentazione, FACET per valutare l'equità nei modelli visivi e Ego4D per la comprensione di video in prima persona. Tutti i dataset possono essere scaricati gratuita...
Continua a leggere

Cos'è jupiter e quali sono le somiglianze e le differenze con kaggle?

Jupyter e Kaggle sono due strumenti importanti per chi lavora con la programmazione, l'analisi dei dati e il machine learning, ma hanno scopi e caratteristiche differenti: Jupyter Notebook Jupyter è un ambiente open-source che permette di creare e condividere documenti interattivi chiamati notebook , usati per scrivere e eseguire codice, documentare progetti e visualizzare i risultati (grafici, tabelle, ecc.). È molto flessibile, supporta diversi linguaggi (Python, R, Julia) e viene installato in locale o su server (usando JupyterLab per progetti più complessi). Sito:  https://jupyter.org/ Kaggle Kaggle è una piattaforma online per competizioni di data science, con un ambiente integrato di notebook e dataset. Permette agli utenti di scrivere codice, partecipare a competizioni di machine learning, accedere a dataset pubblici e collaborare con altri data scientist. A differenza di Jupyter, Kaggle fornisce accesso diretto a risorse di calcolo, come GPU e TPU, senza configura...
Continua a leggere

E se l'intelligenza artificiale leggesse al nostro posto? - Wired

Negli ultimi anni abbiamo imparato a conoscere (e persino a giocare con) l’ intelligenza artificiale che scrive testi, crea immagini e anche canzoni basandosi sulle nostre più o meno accurate indicazioni. Ma cosa succederebbe - e che impatto avrebbe nelle nostre vite - se l’IA iniziasse a leggere e interpretare testi complessi in nostra vece? Dovremmo confrontarci con tematiche riguardanti la comprensione del testo , il deskilling umano, il riconoscimento o la perdita della voce autoriale e persino rivedere il processo di formazione delle idee . Leggi tutto:  https://www.wired.it/article/intelligenza-artificiale-legge-umani-intervista-naomi-susan-baron/
Continua a leggere