Table Of Content

Contents 1 Introduction 3 1.1 What motivateddata mining? Why is it important? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 So, what is data mining?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3 Data mining| on what kind of data? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3.1 Relationaldatabases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.2 Data warehouses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3.3 Transactional databases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.4 Advanced database systems and advanced database applications . . . . . . . . . . . . . . . . . 13 1.4 Data miningfunctionalities| what kinds of patterns can be mined? . . . . . . . . . . . . . . . . . . . 13 1.4.1 Concept/class description: characterization and discrimination . . . . . . . . . . . . . . . . . . 13 1.4.2 Association analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.3 Classi(cid:12)cation and prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.4 Clustering analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.5 Evolution and deviation analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5 Are allof the patterns interesting? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.6 A classi(cid:12)cation of data miningsystems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.7 Major issues in data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1 Contents 2 Data Warehouse and OLAP Technology for Data Mining 3 2.1 What is a data warehouse? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 A multidimensionaldata model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.2.1 Fromtables to data cubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.2.2 Stars, snow(cid:13)akes, and fact constellations: schemas for multidimensionaldatabases . . . . . . . 8 2.2.3 Examples for de(cid:12)ning star, snow(cid:13)ake, and fact constellation schemas . . . . . . . . . . . . . . . 11 2.2.4 Measures: their categorization and computation . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2.5 Introducing concept hierarchies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.2.6 OLAP operations in the multidimensionaldata model . . . . . . . . . . . . . . . . . . . . . . . 15 2.2.7 A starnet query model for querying multidimensionaldatabases . . . . . . . . . . . . . . . . . . 18 2.3 Data warehouse architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3.1 Steps for the design and construction of data warehouses . . . . . . . . . . . . . . . . . . . . . 19 2.3.2 A three-tier data warehouse architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.3 OLAP server architectures: ROLAP vs. MOLAP vs. HOLAP . . . . . . . . . . . . . . . . . . . 22 2.3.4 SQL extensions to support OLAP operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4 Data warehouse implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.1 E(cid:14)cient computationof data cubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.2 Indexing OLAP data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.4.3 E(cid:14)cient processing of OLAP queries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.4.4 Metadata repository . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.4.5 Data warehouse back-end tools and utilities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.5 Further development of data cube technology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.5.1 Discovery-driven exploration of data cubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.5.2 Complexaggregation at multiplegranularities: Multifeature cubes . . . . . . . . . . . . . . . . 36 2.6 Fromdata warehousing to data mining. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.6.1 Data warehouse usage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.6.2 Fromon-line analyticalprocessing to on-line analyticalmining . . . . . . . . . . . . . . . . . . 39 2.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 1 Contents 3 Data Preprocessing 3 3.1 Why preprocess the data? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3.2 Data cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 3.2.1 Missing values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 3.2.2 Noisy data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.2.3 Inconsistent data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.3 Data integration and transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.3.1 Data integration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.3.2 Data transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.4 Data reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3.4.1 Data cube aggregation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3.4.2 Dimensionalityreduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3.4.3 Data compression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 3.4.4 Numerosity reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3.5 Discretization and concept hierarchy generation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.5.1 Discretization and concept hierarchy generation for numeric data . . . . . . . . . . . . . . . . . 19 3.5.2 Concept hierarchy generation for categorical data . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 1 Contents 4 Primitivesfor Data Mining 3 4.1 Data miningprimitives: what de(cid:12)nes a data miningtask? . . . . . . . . . . . . . . . . . . . . . . . . . 3 4.1.1 Task-relevant data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 4.1.2 The kind of knowledge to be mined. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 4.1.3 Background knowledge: concept hierarchies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 4.1.4 Interestingness measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 4.1.5 Presentation and visualization of discovered patterns . . . . . . . . . . . . . . . . . . . . . . . . 12 4.2 A data miningquery language. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 4.2.1 Syntax for task-relevant data speci(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 4.2.2 Syntax for specifying the kind of knowledge to be mined . . . . . . . . . . . . . . . . . . . . . . 15 4.2.3 Syntax for concept hierarchy speci(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 4.2.4 Syntax for interestingness measure speci(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.2.5 Syntax for pattern presentation and visualizationspeci(cid:12)cation . . . . . . . . . . . . . . . . . . 20 4.2.6 Putting it all together | an exampleof a DMQL query . . . . . . . . . . . . . . . . . . . . . . 21 4.3 Designing graphical user interfaces based on a data miningquery language. . . . . . . . . . . . . . . . 22 4.4 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1 Contents 5 Concept Description: Characterization and Comparison 1 5.1 What is concept description? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 5.2 Data generalization and summarization-basedcharacterization . . . . . . . . . . . . . . . . . . . . . . 2 5.2.1 Data cube approach for data generalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 5.2.2 Attribute-oriented induction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 5.2.3 Presentation of the derived generalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 5.3 E(cid:14)cient implementationof attribute-oriented induction . . . . . . . . . . . . . . . . . . . . . . . . . . 10 5.3.1 Basic attribute-oriented induction algorithm. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 5.3.2 Data cube implementationof attribute-oriented induction . . . . . . . . . . . . . . . . . . . . . 11 5.4 Analytical characterization: Analysis of attribute relevance . . . . . . . . . . . . . . . . . . . . . . . . 12 5.4.1 Why perform attribute relevance analysis?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 5.4.2 Methods of attribute relevance analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 5.4.3 Analyticalcharacterization: An example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 5.5 Mining class comparisons: Discriminatingbetween di(cid:11)erent classes . . . . . . . . . . . . . . . . . . . . 17 5.5.1 Class comparisonmethods and implementations . . . . . . . . . . . . . . . . . . . . . . . . . . 17 5.5.2 Presentation of class comparison descriptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 5.5.3 Class description: Presentation of both characterization and comparison . . . . . . . . . . . . . 20 5.6 Mining descriptive statistical measures in large databases . . . . . . . . . . . . . . . . . . . . . . . . . 22 5.6.1 Measuring the central tendency . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 5.6.2 Measuring the dispersion of data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 5.6.3 Graph displays of basic statistical class descriptions . . . . . . . . . . . . . . . . . . . . . . . . 25 5.7 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 5.7.1 Concept description: A comparison with typical machine learning methods . . . . . . . . . . . 28 5.7.2 Incremental and parallel miningof concept description . . . . . . . . . . . . . . . . . . . . . . . 30 5.7.3 Interestingness measures for concept description . . . . . . . . . . . . . . . . . . . . . . . . . . 30 5.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 i Contents 6 Mining Association Rules in Large Databases 3 6.1 Association rule mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 6.1.1 Market basket analysis: A motivatingexample for association rule mining . . . . . . . . . . . . 3 6.1.2 Basic concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 6.1.3 Association rule mining: A road map. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 6.2 Mining single-dimensionalBoolean association rules fromtransactional databases . . . . . . . . . . . . 6 6.2.1 The Apriori algorithm: Finding frequent itemsets . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6.2.2 Generating association rules fromfrequent itemsets. . . . . . . . . . . . . . . . . . . . . . . . . 9 6.2.3 Variations of the Apriori algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 6.3 Mining multilevelassociation rules fromtransaction databases . . . . . . . . . . . . . . . . . . . . . . 12 6.3.1 Multilevel association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 6.3.2 Approaches to miningmultilevelassociation rules . . . . . . . . . . . . . . . . . . . . . . . . . . 14 6.3.3 Checking for redundant multilevelassociation rules . . . . . . . . . . . . . . . . . . . . . . . . . 16 6.4 Mining multidimensionalassociation rules fromrelational databases and data warehouses . . . . . . . 17 6.4.1 Multidimensionalassociation rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 6.4.2 Mining multidimensionalassociation rules using static discretization of quantitative attributes 18 6.4.3 Mining quantitative association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 6.4.4 Mining distance-based association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 6.5 Fromassociation miningto correlation analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 6.5.1 Strong rules are not necessarily interesting: An example . . . . . . . . . . . . . . . . . . . . . . 23 6.5.2 Fromassociation analysis to correlation analysis . . . . . . . . . . . . . . . . . . . . . . . . . . 23 6.6 Constraint-based association mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 6.6.1 Metarule-guided miningof association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 6.6.2 Mining guided by additionalrule constraints . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 6.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 1 Contents 7 Classi(cid:12)cationand Prediction 3 7.1 What is classi(cid:12)cation? What is prediction? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 7.2 Issues regarding classi(cid:12)cation and prediction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 7.3 Classi(cid:12)cation by decision tree induction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 7.3.1 Decision tree induction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 7.3.2 Tree pruning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 7.3.3 Extracting classi(cid:12)cation rules fromdecision trees . . . . . . . . . . . . . . . . . . . . . . . . . . 10 7.3.4 Enhancements to basic decision tree induction . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 7.3.5 Scalabilityand decision tree induction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 7.3.6 Integrating data warehousing techniques and decision tree induction . . . . . . . . . . . . . . . 13 7.4 Bayesian classi(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 7.4.1 Bayes theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 7.4.2 Naive Bayesian classi(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 7.4.3 Bayesian belief networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 7.4.4 TrainingBayesian belief networks. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 7.5 Classi(cid:12)cation by backpropagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 7.5.1 A multilayerfeed-forward neural network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 7.5.2 De(cid:12)ning a network topology. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 7.5.3 Backpropagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 7.5.4 Backpropagation and interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 7.6 Association-based classi(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 7.7 Other classi(cid:12)cation methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 7.7.1 k-nearest neighbor classi(cid:12)ers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 7.7.2 Case-based reasoning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 7.7.3 Genetic algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 7.7.4 Rough set theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 7.7.5 Fuzzy set approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 7.8 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 7.8.1 Linear and multipleregression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 7.8.2 Nonlinear regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 7.8.3 Other regression models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 7.9 Classi(cid:12)er accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 7.9.1 Estimatingclassi(cid:12)er accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 7.9.2 Increasing classi(cid:12)er accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 7.9.3 Is accuracy enough to judge a classi(cid:12)er? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 7.10 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 1 (cid:0) (cid:1)(cid:3)(cid:2)(cid:5)(cid:4)(cid:7)(cid:6)(cid:8)(cid:2)(cid:5)(cid:4)(cid:10)(cid:9) (cid:11) (cid:12)(cid:14)(cid:13)(cid:16)(cid:15)(cid:18)(cid:17)(cid:20)(cid:19)(cid:22)(cid:21)(cid:24)(cid:23)(cid:26)(cid:25)(cid:26)(cid:27)(cid:29)(cid:28)(cid:30)(cid:13) (cid:31)!(cid:17)#"$(cid:17) % &(’*)(cid:5)+-,/.1032*46587*9(4:0:;(cid:20)<=.1>/.17@?(cid:24)4:2@4BAC’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ E &(’FHG3?(cid:24)IJ;#4LK1M(cid:18)N(cid:30).10O.D2@>P5O7@9(cid:30)4:0Q;#<:2@>(cid:30)RS.T>J.17@?(cid:24)4:2@4D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ U &(’F(’@) VL2@4:4Q2@[email protected]<:2@0Q2Y;#4Z.T>JN[4:2@[email protected]<Q2@0:2Y;(cid:20)4(cid:22)\!]^;_.14:9(<:2@>(cid:30)R(cid:26)0:,(;aβ€˜b9J.17@2@0$?aKTMZ5O7@9(cid:30)4:0Q;#<:2@>(cid:30)Rc’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ d &(’F(’eF f$>(cid:24)0Q;#<:gh.T7Yi$4B5(cid:20).17@;(cid:22)N[gh.1<Q2j.Tk(cid:30)7@;#4l’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ m &(’F(’eE no2@>J.1<Q?Sgh.T<:2X.1k(cid:30)7@;#4p’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ q &(’F(’U rsKhW[2*>/.17$t1Kh<ON(cid:24)2@>J.17$t(cid:24).1>JN[<O.10:2@KTiu4O5#.17@;(cid:22)Nvgh.1<:2X.Tk(cid:30)7@;#4w’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ x &(’F(’ed y3.1<:2X.Tk(cid:30)7@;#4ZKTMzW[2Y{(cid:30);(cid:22)Nv0$?(cid:24)IJ;#4(cid:26)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)| &(’EH}l5#.T0:;#RbKh<Q2*~_.10:2@Kb>(cid:127)KTMzW^.#(cid:128)OKh<35O7@9(cid:30)4:0Q;#<:2@>(cid:30)R[WS;#0Q,(cid:30)K(cid:30)N(cid:24)4c’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))h) &(’U (cid:129)(cid:29).1<Q0:2@0:2@Kb>(cid:30)2@>(cid:30)RDWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4(cid:26)’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)F &(’U/’@) (cid:130)37X.T4:4:2X5#.T7(cid:131)IJ.1<Q0:2@0:2@Kb>(cid:30)2@>(cid:30)RDWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4_\(cid:18)(cid:132)biuW[;(cid:22).1>(4(cid:133).T>JN^(cid:132)biuW[;(cid:22)N(cid:24)Kb2jN(cid:134)4c’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)F &(’U/’eF (cid:129)(cid:29).T<:0:2@0Q2*Kb>(cid:30)2@>(cid:30)RDW[;#0:,(cid:30)K(cid:30)N(cid:24)4(cid:135)2@>[7j.T<:Rb;(cid:136)N(.10B.TkJ.14Q;#4(cid:22)\(cid:137)M <:KhW(cid:138)(cid:132)bi$WS;(cid:22)N(cid:134)Kh2XN(cid:24)4(cid:18)0QKS(cid:130)(cid:135)(cid:139)(cid:131)}=(cid:140)s}=rL(cid:141)(cid:142)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)d &(’d(cid:144)(cid:143)s2*;(cid:20)<B.1<O5Q,(cid:30)2X5#.17(cid:137)WS;#0Q,(cid:30)K(cid:30)N(cid:24)4S’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)m &(’d(’@) }LRhRb7*KbWS;#<O.10Q2*gb;6.1>JN[N(cid:24)2@g(cid:24)2*4Q2@gh;6,(2*;(cid:20)<B.1<O5Q,(cid:30)2X5#.17(cid:29)5O7@9(cid:30)4:0Q;#<:2@>(cid:30)R(cid:26)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)m &(’d(’eF nof:(cid:140)(cid:135)(cid:130)(cid:135)(cid:143)D\(cid:30)n3.17X.T>J5O;(cid:22)N[f$0:;(cid:20)<B.10Q2@gh;a(cid:140)s;(cid:22)N(cid:24)9J5O2@>(cid:30)RS.T>JNS(cid:130)37@9(cid:30)4Q0:;#<Q2@>(cid:30)R(cid:26)9(cid:30)4:2@>(cid:30)RS(cid:143)s2@;#<B.T<B5Q,(cid:30)2@;#4(cid:145)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)q &(’d(’eE (cid:130)(cid:135)(cid:146)L(cid:140)6(cid:147)(cid:135)\(cid:30)(cid:130)37@9(cid:30)4Q0:;#<Q2@>(cid:30)RS(cid:146)(cid:135)4Q2*>(RS(cid:140)6(cid:147)(cid:29)I(cid:30)<Q;#4:;(cid:20)>(cid:148)0O.10Q2*gb;#4(cid:149)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)& &(’d(’U (cid:130)(cid:135)(cid:143)s}=]P(cid:147)o(cid:139)!(cid:147)(cid:18)(cid:150)(cid:14)rD\(}(cid:151),(cid:30)2@;#<B.T<B5Q,(cid:30)2X5#.T7z5O7@9(cid:30)4Q0:;#<Q2*>(R(cid:127).17@RbKh<:2@0Q,(cid:30)W(cid:10)9(cid:30)4:2@>(cid:30)R(cid:26)N(cid:24)?(cid:24)>J.1W[2X5(cid:135)WSK(cid:30)N(cid:24);(cid:20)7*2@>(cid:30)R ’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fh| &(’m(cid:144)VL;#>(cid:30)4Q2@0$?hi$kJ.T4:;(cid:22)N^5O7@9(cid:30)4Q0:;#<Q2*>(RSWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4S’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)F(cid:30)) &(’m(’@) V(cid:14)n3(cid:141)(cid:30)(cid:130)3}=rC\1}-N(cid:24);#>(cid:30)4Q2@0$?hi$kJ.T4:;(cid:22)N(cid:26)5O7@9(cid:30)4Q0:;#<Q2@>(cid:30)R(cid:14)WS;#0Q,(cid:30)K(cid:30)NDkJ.T4:;(cid:22)NCKh>(cid:26)5OKb>(cid:30)>(cid:30);(cid:22)5O0Q;(cid:22)N(cid:26)<Q;#Rh2@Kb>(cid:30)4(cid:29)(cid:152)(cid:135)2*0Q,a4Q9(cid:24)(cid:153)(cid:127)5O2@;#>(cid:24)0:7@?D,(2*Rb, N(cid:134);#>(cid:30)4:2@0$? ’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)F(cid:30)) &(’m(’eF (cid:150)(cid:14)(cid:129)(cid:29)G(cid:135)f:(cid:130)(cid:135)(cid:141)(cid:154)\J(cid:150)L<BN(cid:24);(cid:20)<:2@>(cid:30)RS(cid:129)(cid:137)Kh2@>(cid:24)0:4(cid:135)G(cid:29)K(cid:155)f:N(cid:24);#>(cid:24)0:2(cid:156)M(cid:16)?[0:,(cid:30);D(cid:130)37@9(cid:30)4:0Q;#<:2@>(cid:30)RS(cid:141)(cid:134)0:<:9/5O0:9(cid:30)<Q;(cid:138)’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)FhF &(’m(’eE V(cid:14)(cid:147)(cid:18)rL(cid:130)(cid:135)(cid:139)!(cid:146)L(cid:147)(cid:135)\J(cid:130)37@9(cid:30)4Q0:;#<Q2*>(R(cid:26)kJ.14Q;(cid:22)N[Kh>PN(cid:24);#>(cid:30)4Q2@0$?(cid:127)N(cid:24)2@4:0Q<:2@k(cid:30)9(cid:30)0Q2@Kh>(cid:26)M 9(cid:30)>J5O0Q2*Kb>(cid:30)4(cid:157)’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)FhE &(’q(cid:144)(cid:158)(cid:14)<Q2XNbiuk/.14:;_N(cid:127)587*9(4:0:;(cid:20)<:2@>(cid:30)R(cid:26)WS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4(cid:159)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)F1U &(’q(’@) (cid:141)(cid:134)G(cid:135)f:r6(cid:158)(cid:26)\(cid:24)}l(cid:141)(cid:24)0O.10Q2*4Q0:2X5#.T7(cid:131)f$>(cid:24)M(cid:16)Kh<QW(cid:127).T0:2@Kh>S(cid:158)(cid:14)<Q2XN(cid:26)}6I(I(cid:30)<:K(cid:24).h5Q,(cid:145)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhd &(’q(’eF +(cid:145)._gb;(cid:22)(cid:130)37@9(cid:30)4:0Q;#<(cid:22)\(cid:18)(cid:130)37@9(cid:30)4Q0:;#<Q2@>(cid:30)R(cid:26)9(cid:30)4:2@>(cid:30)R(cid:155)(cid:152)(cid:135)._gh;#7@;#0(cid:135)0Q<B.1>(4$M(cid:16)Kb<:W(cid:127).T0:2@Kh>(cid:160)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhm &(’q(’eE (cid:130)(cid:135)(cid:139)(cid:154)f:Β‘(cid:14)(cid:146)6(cid:147)(cid:135)\/(cid:130)37*9(4:0:;(cid:20)<:2@>(cid:30)R(cid:26),(cid:30)2@Rh,(cid:134)iΒ’N(cid:24)2@W[;#>(cid:30)4:2@Kb>J.17(cid:30)4QIJ.h58;=’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fh& &(’&(cid:144)]^K(cid:30)N(cid:24);(cid:20)7Yi$kJ.T4:;(cid:22)N^5O7@9(cid:30)4Q0:;#<Q2*>(RSWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4£’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhx &(’x(cid:144)(cid:150)L9(cid:30)0Q7*2@;#<6.T>J.17@?(cid:24)4:2@4P’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhx &(’x(’@) (cid:141)(cid:134)0B.10Q2@4:0:2X5#.T7!.1I(cid:30)I(<:K(cid:148).b5Q,SM Kh<3Kh9(cid:30)0Q7*2@;#<6N(cid:134);#0:;(cid:22)580:2@Kh>⁄’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Eh| &(’x(’eF VL2@4:0O.1>J58;Oiuk/.14:;_N^Kh9(cid:30)0Q7@2*;(cid:20)<(cid:133)N(cid:24);(cid:20)0:;(cid:22)5O0Q2@Kh> ’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)E(cid:30)) &(’x(’eE VL;#g(cid:24)2X.10Q2@Kh>(cid:24)i$kJ.14Q;(cid:22)N(cid:26)Kb9(cid:30)0:7@2@;#<6N(cid:24);(cid:20)0:;(cid:22)5O0Q2@Kh>c’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)EhF &(’*)_|(cid:145)(cid:141)(cid:24)9(WSW(cid:127).T<:?Β₯’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)EhE ) (cid:0) (cid:1)(cid:3)(cid:2)(cid:5)(cid:4)(cid:7)(cid:6)(cid:8)(cid:2)(cid:5)(cid:4)(cid:10)(cid:9) (cid:11) (cid:12)(cid:14)(cid:13)(cid:16)(cid:15)(cid:17)(cid:13)(cid:18)(cid:15)(cid:17)(cid:19)(cid:21)(cid:20)(cid:23)(cid:22)(cid:25)(cid:24)(cid:27)(cid:26)(cid:17)(cid:28)(cid:18)(cid:29)(cid:31)(cid:30)! #"$(cid:26)%(cid:29)’&((cid:22)*)(cid:23)+-,*./, 0 1*2436587:9’7<;>=@?BA4CD=FEGABHI9J=F9(cid:25)KJLNM’?BEGAOK(cid:31)ABP-7<9*QGABHR9S=@?’TU9(cid:25)=F?BV(cid:31)QGABQWH@XWYZHRP-[*?47]\_^8=FEβ€˜=ba#cRdβ€˜7Deβ€˜EGQ!28282f28282f28282(cid:23)2g2(cid:23)282f2828282 h 1*243I2B3 5i7<9’7<;β€˜=F?BABC/=FEjA4HI9-HI9JQjEG;jMSeβ€˜EGM*;G7/K(cid:21)K’=FEβ€˜=k282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 h 1*243I2ml T#nRnI;G7<n(cid:31)=FEGABHI9J=F9(cid:25)KJ=@[’[’;jHD\oABPp=FEGABHI9bAB9-Qj[S=FEjAO=F?q=F9(cid:25)K-PrM*?4EjABPr7/K(cid:31)AO=8K’=FEβ€˜=fnI7<9’7<;β€˜=F?BABC/=FEjA4HI9s282(cid:23)2g2(cid:23)282f2828282 t 1*243I2mh 5i7<9’7<;β€˜=F?BABC/=FEjA4HI9-H@XuHRcRd]7/eβ€˜EUAOK(cid:31)7:9vEjAxwS7<;GQ8=F9SKyeβ€˜?O=FQjQ>zFQjM’c$eβ€˜?O=FQGQ#{’AB7<;>=@;>ej{’AB7<Q|28282f28282f28282(cid:23)2g2(cid:23)282f2828282 } 1*243I2t 5i7<9’7<;β€˜=F?BABC/=FEjA4HI9-HI9JAB9’{*7<;GABEG7DKJ=@9SKpK(cid:31)7<;jA4~I7/Ky[’;GHI[S7:;GEGAB7<Q(cid:127)2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 } 1*243I2m} 5i7<9’7<;β€˜=F?BABC/=FEjA4HI9-HI9Ne]?(cid:128)=@QGQUeβ€˜HIP-[(cid:25)HRQjA4EjABHR9r{’AB7<;β€˜=F;>ej{’AB7<Q(cid:129)282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 } 1*243I2m(cid:130) YZ?O=@QGQ(cid:132)(cid:131)(cid:132)cS=@QG7/KynR7:9’7<;>=@?BA4CD=FEGABHI9N=@9SKrPyAB9’AB9’nfHRcRd]7/eβ€˜EUK’=@E>=reβ€˜M’c(cid:25)7<Q(2f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:130) 1*2lkLpAB9’AB9’nr(cid:133)(cid:31)[S=@EGAO=F?q^8=@E>=Fc(cid:25)=FQG7:Q(cid:134)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:130) 1*2l*2B3 (cid:133)o[S=FEjA(cid:128)=@?qK’=FEβ€˜=be]M’cS7(eβ€˜HR9’QjEG;jMSeβ€˜EGABHI9(cid:135)=F9SKyQj[S=FEjA(cid:128)=@?qa8(cid:136)$T(cid:23)(cid:137)(cid:138)2f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2l*2ml (cid:133)o[S=FEjA(cid:128)=@?qej{S=F;β€˜=Reβ€˜Ej7<;GABC/=@EGABHR9(cid:140)2f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2l*2mh (cid:133)o[S=FEjA(cid:128)=@?q=FQjQGH’eβ€˜AO=FEjA4HI9J=@9S=F?BV(cid:31)QGABQ(cid:141)28282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2l*2t (cid:133)o[S=FEjA(cid:128)=@?qeβ€˜?O=FQjQGAxw(cid:142)e<=@EGABHR9p=F9SKy[’;j7/K(cid:31)AOeβ€˜EGABHI9 2f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2l*2m} (cid:133)o[S=FEjA(cid:128)=@?qeβ€˜?BM’QGEj7<;GAB9’nrPy7<EG{*HoKoQ(cid:143)2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2hkLpAB9’AB9’n((cid:144)(cid:145)ABP-7β€˜(cid:131)G(cid:133)(cid:31)7<;jAB7<Q(cid:143)^8=@E>=Fc(cid:25)=FQG7:QU=F9SKy(cid:144)(cid:17)7<P-[(cid:25)HR;β€˜=F?$^8=FE>=@cS=FQj7<Q(cid:146)2f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2h*2B3 (cid:133)oA4PyAB?(cid:128)=@;GABE(cid:132)V8QG7/=@;>ej{sAB9pEGABP-7](cid:131)(cid:147)Qj7<;GAB7<QU=@9S=F?BV(cid:31)QGABQ(cid:148)2(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2h*2ml (cid:144)(cid:17);j7<9SKp=F9S=@?BVvQjABQ(cid:149)282(cid:23)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2h*2mh (cid:137)(cid:150)7<;jABHoKoA(cid:128)e]A4E(cid:132)V-=@9S=F?BV(cid:31)QGABQU2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2h*2t (cid:133)o7/(cid:151)IM’7<9(cid:31)EGAO=F?$[(cid:25)=FEGEj7<;G9(cid:152)P-AB9’AB9’n(cid:153)2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2h*2m} (cid:137)(cid:154)?(cid:128)=@9-PyA49*A49*nfc(cid:31)V-K(cid:31)AB~vAOK(cid:31)7](cid:131)(cid:155)=@9SKI(cid:131)Geβ€˜HR9S(cid:151)IM’7:;-282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2t LpAB9’AB9’n((cid:144)(cid:17)7β€˜\’EU^8=FE>=@cS=FQj7<Q(cid:145)282(cid:23)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2t(cid:25)2B3 (cid:144)(cid:17)7β€˜\’EUK’=@E>=(=F9S=@?BVvQjABQ(cid:143)=@9SKyA49oX(cid:18)HR;jPJ=FEjABHR9(;G7<Ej;GAB7<~R=F?(cid:145)2f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2t(cid:25)2ml (cid:157)#7<V(cid:31)(cid:158)ZHR;β€˜KI(cid:131)(cid:147)c(cid:25)=FQG7DKs=FQjQGH’eβ€˜AO=FEjA4HI9J=@9S=F?BV(cid:31)QGABQ(cid:145)282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2t(cid:25)2mh ^#H’eβ€˜M’Py7<9(cid:31)E(cid:143)e]?(cid:128)=@QGQjA(cid:159)w$e<=FEjA4HI9s=F9S=@?4V(cid:31)QjA4Q(cid:148)28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2t(cid:25)2t T#M’EGHIPJ=@EG7/K_7β€˜\’EG;>=Ieβ€˜EGABHI9JH@XuQjEG;GM(cid:25)eβ€˜EGM’;j7<QfAB9-Ej7β€˜\’E(cid:23)K(cid:31)H’eβ€˜M*P-7<9(cid:31)EGQ(cid:14)282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2}kLpAB9’AB9’nrLpM’?BEjA4Py7/K(cid:31)AO=8^8=FE>=@cS=FQj7<Qb282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2}*2B3 (cid:133)oA4PyAB?(cid:128)=@;GABE(cid:132)V8QG7/=@;>ej{sAB9pPrM’?BEGABPr7/K(cid:31)AO=8K’=@E>=(cid:7)2f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2}*2ml LNM’?BEGAx(cid:131)(cid:155)KoA4Py7<9’QjA4HI9S=F?(cid:25)=F9S=@?4V(cid:31)QjA4QZHFX(cid:17)PrM’?BEGABPr7/K(cid:31)AO=8K’=@E>=6282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2}*2mh LNA49*A49*n(cid:160)=@QGQGH’eβ€˜AO=@EGABHR9’Q(cid:145)AB9yPrM’?BEGABPr7/K(cid:31)AO=8K’=FEβ€˜=(cid:5)2(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2(cid:130)kLpAB9’AB9’n(EG{*7(cid:23)Β‘(cid:27)HI;G?OKI(cid:131)(cid:132)‘’AOK(cid:31)7β€˜(cid:131)(cid:132)Β‘(cid:27)7<cΒ£282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2(cid:130)*2B3 Β‘(cid:27)7:c-P-AB9’AB9’n(=F9SKy=reβ€˜?O=FQGQjAxw(cid:142)e<=FEjABHR9pHFX(cid:17)Β‘(cid:27)7<cpP-AB9’AB9’n8E>=@QG⁄(cid:31)Q-28282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1 1*2(cid:130)*2ml Β‘(cid:27)7:c-M’Qβ€˜=FnR7gP-AB9’AB9’nΒ₯2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1 1*2(cid:130)*2mh Β‘(cid:27)7:c-QGEj;GMSe]EGM’;j7bPyA49*A49*n(cid:8)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1 1*2(cid:130)*2t Β‘(cid:27)7:cJeβ€˜HI9vEj7<9(cid:31)EUPyA49*A49*nΖ’2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1 1*2(cid:139)k(cid:133)(cid:31)M*P-PJ=@;GV(cid:149)28282f28282f28282(cid:23)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1 3 (cid:0) (cid:1)(cid:3)(cid:2)(cid:5)(cid:4)(cid:7)(cid:6)(cid:8)(cid:2)(cid:5)(cid:4)(cid:10)(cid:9) (cid:11)(cid:13)(cid:12)(cid:15)(cid:14)(cid:17)(cid:16)(cid:13)(cid:18)(cid:19)(cid:16)(cid:15)(cid:20)(cid:22)(cid:21)(cid:24)(cid:23)(cid:25)(cid:21)(cid:24)(cid:23)(cid:27)(cid:26)(cid:15)(cid:28)(cid:30)(cid:29)(cid:27)(cid:29)(cid:27)(cid:31)(cid:24)(cid:21)! "(cid:16)(cid:13)(cid:18)#(cid:21)(cid:24)$(cid:13)(cid:23)&%’(cid:16)(cid:13)(cid:23)&(*)&+-,.(cid:23)&((cid:27)%/(cid:21)0(cid:23)1(cid:14)(cid:17)(cid:16)(cid:13)(cid:18)(cid:19)(cid:16)2(cid:20)(cid:22)(cid:21)(cid:24)(cid:23)(cid:27)(cid:21)0(cid:23)(cid:27)(cid:26) 3 4(cid:19)5(cid:13)674(cid:15)8/9-:;9=<?>A@B>A@BC=D’E(cid:13)E(cid:13)F7>HGI9-:J>AKL@(cid:13)MN6O6P6/6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)674S674NTVUBMW:WKLXY>7ZI[#\(cid:17)8/9-:]9^<_>7@(cid:13)>7@(cid:13)C^β€˜(cid:27)KaKLF7M&b0KLcd8’KSXe9">[email protected][#Gk>mlnGVDdE(cid:13)E(cid:13)F7>HGI9":W>7KS@(cid:13)M16/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)674S6porqs@.:J[IF7FA>7CL[I@.:ut’U(cid:13)[IcJv_Dd@(cid:13)MJwx[IcJ>7@(cid:13)C(cid:30)wy>7:Wz{8/9-:]9^<_>7@(cid:13)>7@(cid:13)C^β€˜(cid:27)[#GJz(cid:13)@(cid:13)>H|LU(cid:13)[IM}6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6po(cid:127)~’:WzB[Icdβ€˜yz(cid:13)[(cid:128)XY[IMyKL@e8/9-:;9(cid:30)<_>7@(cid:13)>7@(cid:13)C(cid:129)6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6po(cid:13)6741(cid:130)’>7MWUj9"F(cid:131)9-@j\_9-U(cid:132)\.>7K(cid:133)\(cid:13)9":]9OXY>7@(cid:13)>7@(cid:13)C(cid:134)6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6po(cid:13)6po(cid:135)gBG;>7[I@.:W>(cid:136)l(cid:137)G/\(cid:13)9-:;9^XY>7@(cid:13)>7@(cid:13)C(cid:138)6/6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6po(cid:13)6pR(cid:135)TVKLXYX(cid:17)[Ic]G;>H9"Fj8/9-:]9^<_>7@(cid:13)>7@(cid:13)C(cid:30)g.v.MW:J[IXYMy9-@j\_(cid:139)(cid:27)cJKS:JKS:sv.Ej[(cid:128)M(cid:140)6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6pR(cid:127)g.K(cid:13)G;>H9"FnqsXYEj9LG;:WMVK-bx8/9-:;9=<_>7@(cid:13)>7@(cid:13)C(cid:141)6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6(cid:142)(cid:127)β€˜(cid:27)cW[(cid:128)@j\.MP9"@j\Y(cid:143)(cid:144)[IMW[(cid:19)9-c]GJz{qsMJMWU(cid:13)[(cid:128)MP>7@_8P9":]9^<_>7@(cid:13)>7@(cid:13)C(cid:145)6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 (cid:142) 4(cid:19)5(cid:13)6p(cid:146)(cid:127)g.UBXYXe9"cWv(cid:138)6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 (cid:142) 4

ebook img

Data Mining: Concepts and Techniques PDF

312 PagesΒ·2006Β·3.364 MBΒ·English
by Β Jiawei Han,Β Micheline Kamber,Β Jian Pei
#Computers #Organization and Data Processing
Save to my drive
Quick download
Download
Upgrade Premium
Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.

Preview Data Mining: Concepts and Techniques

Contents 1 Introduction 3 1.1 What motivateddata mining? Why is it important? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 So, what is data mining?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3 Data mining| on what kind of data? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3.1 Relationaldatabases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.2 Data warehouses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3.3 Transactional databases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.4 Advanced database systems and advanced database applications . . . . . . . . . . . . . . . . . 13 1.4 Data miningfunctionalities| what kinds of patterns can be mined? . . . . . . . . . . . . . . . . . . . 13 1.4.1 Concept/class description: characterization and discrimination . . . . . . . . . . . . . . . . . . 13 1.4.2 Association analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.3 Classi(cid:12)cation and prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.4 Clustering analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.5 Evolution and deviation analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5 Are allof the patterns interesting? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.6 A classi(cid:12)cation of data miningsystems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.7 Major issues in data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1 Contents 2 Data Warehouse and OLAP Technology for Data Mining 3 2.1 What is a data warehouse? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 A multidimensionaldata model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.2.1 Fromtables to data cubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.2.2 Stars, snow(cid:13)akes, and fact constellations: schemas for multidimensionaldatabases . . . . . . . 8 2.2.3 Examples for de(cid:12)ning star, snow(cid:13)ake, and fact constellation schemas . . . . . . . . . . . . . . . 11 2.2.4 Measures: their categorization and computation . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2.5 Introducing concept hierarchies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.2.6 OLAP operations in the multidimensionaldata model . . . . . . . . . . . . . . . . . . . . . . . 15 2.2.7 A starnet query model for querying multidimensionaldatabases . . . . . . . . . . . . . . . . . . 18 2.3 Data warehouse architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3.1 Steps for the design and construction of data warehouses . . . . . . . . . . . . . . . . . . . . . 19 2.3.2 A three-tier data warehouse architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.3 OLAP server architectures: ROLAP vs. MOLAP vs. HOLAP . . . . . . . . . . . . . . . . . . . 22 2.3.4 SQL extensions to support OLAP operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4 Data warehouse implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.1 E(cid:14)cient computationof data cubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.2 Indexing OLAP data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.4.3 E(cid:14)cient processing of OLAP queries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.4.4 Metadata repository . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.4.5 Data warehouse back-end tools and utilities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.5 Further development of data cube technology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.5.1 Discovery-driven exploration of data cubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.5.2 Complexaggregation at multiplegranularities: Multifeature cubes . . . . . . . . . . . . . . . . 36 2.6 Fromdata warehousing to data mining. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.6.1 Data warehouse usage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.6.2 Fromon-line analyticalprocessing to on-line analyticalmining . . . . . . . . . . . . . . . . . . 39 2.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 1 Contents 3 Data Preprocessing 3 3.1 Why preprocess the data? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3.2 Data cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 3.2.1 Missing values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 3.2.2 Noisy data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.2.3 Inconsistent data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.3 Data integration and transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.3.1 Data integration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.3.2 Data transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.4 Data reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3.4.1 Data cube aggregation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3.4.2 Dimensionalityreduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3.4.3 Data compression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 3.4.4 Numerosity reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3.5 Discretization and concept hierarchy generation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.5.1 Discretization and concept hierarchy generation for numeric data . . . . . . . . . . . . . . . . . 19 3.5.2 Concept hierarchy generation for categorical data . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 1 Contents 4 Primitivesfor Data Mining 3 4.1 Data miningprimitives: what de(cid:12)nes a data miningtask? . . . . . . . . . . . . . . . . . . . . . . . . . 3 4.1.1 Task-relevant data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 4.1.2 The kind of knowledge to be mined. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 4.1.3 Background knowledge: concept hierarchies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 4.1.4 Interestingness measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 4.1.5 Presentation and visualization of discovered patterns . . . . . . . . . . . . . . . . . . . . . . . . 12 4.2 A data miningquery language. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 4.2.1 Syntax for task-relevant data speci(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 4.2.2 Syntax for specifying the kind of knowledge to be mined . . . . . . . . . . . . . . . . . . . . . . 15 4.2.3 Syntax for concept hierarchy speci(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 4.2.4 Syntax for interestingness measure speci(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.2.5 Syntax for pattern presentation and visualizationspeci(cid:12)cation . . . . . . . . . . . . . . . . . . 20 4.2.6 Putting it all together | an exampleof a DMQL query . . . . . . . . . . . . . . . . . . . . . . 21 4.3 Designing graphical user interfaces based on a data miningquery language. . . . . . . . . . . . . . . . 22 4.4 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1 Contents 5 Concept Description: Characterization and Comparison 1 5.1 What is concept description? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 5.2 Data generalization and summarization-basedcharacterization . . . . . . . . . . . . . . . . . . . . . . 2 5.2.1 Data cube approach for data generalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 5.2.2 Attribute-oriented induction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 5.2.3 Presentation of the derived generalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 5.3 E(cid:14)cient implementationof attribute-oriented induction . . . . . . . . . . . . . . . . . . . . . . . . . . 10 5.3.1 Basic attribute-oriented induction algorithm. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 5.3.2 Data cube implementationof attribute-oriented induction . . . . . . . . . . . . . . . . . . . . . 11 5.4 Analytical characterization: Analysis of attribute relevance . . . . . . . . . . . . . . . . . . . . . . . . 12 5.4.1 Why perform attribute relevance analysis?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 5.4.2 Methods of attribute relevance analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 5.4.3 Analyticalcharacterization: An example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 5.5 Mining class comparisons: Discriminatingbetween di(cid:11)erent classes . . . . . . . . . . . . . . . . . . . . 17 5.5.1 Class comparisonmethods and implementations . . . . . . . . . . . . . . . . . . . . . . . . . . 17 5.5.2 Presentation of class comparison descriptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 5.5.3 Class description: Presentation of both characterization and comparison . . . . . . . . . . . . . 20 5.6 Mining descriptive statistical measures in large databases . . . . . . . . . . . . . . . . . . . . . . . . . 22 5.6.1 Measuring the central tendency . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 5.6.2 Measuring the dispersion of data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 5.6.3 Graph displays of basic statistical class descriptions . . . . . . . . . . . . . . . . . . . . . . . . 25 5.7 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 5.7.1 Concept description: A comparison with typical machine learning methods . . . . . . . . . . . 28 5.7.2 Incremental and parallel miningof concept description . . . . . . . . . . . . . . . . . . . . . . . 30 5.7.3 Interestingness measures for concept description . . . . . . . . . . . . . . . . . . . . . . . . . . 30 5.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 i Contents 6 Mining Association Rules in Large Databases 3 6.1 Association rule mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 6.1.1 Market basket analysis: A motivatingexample for association rule mining . . . . . . . . . . . . 3 6.1.2 Basic concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 6.1.3 Association rule mining: A road map. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 6.2 Mining single-dimensionalBoolean association rules fromtransactional databases . . . . . . . . . . . . 6 6.2.1 The Apriori algorithm: Finding frequent itemsets . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6.2.2 Generating association rules fromfrequent itemsets. . . . . . . . . . . . . . . . . . . . . . . . . 9 6.2.3 Variations of the Apriori algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 6.3 Mining multilevelassociation rules fromtransaction databases . . . . . . . . . . . . . . . . . . . . . . 12 6.3.1 Multilevel association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 6.3.2 Approaches to miningmultilevelassociation rules . . . . . . . . . . . . . . . . . . . . . . . . . . 14 6.3.3 Checking for redundant multilevelassociation rules . . . . . . . . . . . . . . . . . . . . . . . . . 16 6.4 Mining multidimensionalassociation rules fromrelational databases and data warehouses . . . . . . . 17 6.4.1 Multidimensionalassociation rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 6.4.2 Mining multidimensionalassociation rules using static discretization of quantitative attributes 18 6.4.3 Mining quantitative association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 6.4.4 Mining distance-based association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 6.5 Fromassociation miningto correlation analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 6.5.1 Strong rules are not necessarily interesting: An example . . . . . . . . . . . . . . . . . . . . . . 23 6.5.2 Fromassociation analysis to correlation analysis . . . . . . . . . . . . . . . . . . . . . . . . . . 23 6.6 Constraint-based association mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 6.6.1 Metarule-guided miningof association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 6.6.2 Mining guided by additionalrule constraints . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 6.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 1 Contents 7 Classi(cid:12)cationand Prediction 3 7.1 What is classi(cid:12)cation? What is prediction? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 7.2 Issues regarding classi(cid:12)cation and prediction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 7.3 Classi(cid:12)cation by decision tree induction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 7.3.1 Decision tree induction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 7.3.2 Tree pruning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 7.3.3 Extracting classi(cid:12)cation rules fromdecision trees . . . . . . . . . . . . . . . . . . . . . . . . . . 10 7.3.4 Enhancements to basic decision tree induction . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 7.3.5 Scalabilityand decision tree induction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 7.3.6 Integrating data warehousing techniques and decision tree induction . . . . . . . . . . . . . . . 13 7.4 Bayesian classi(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 7.4.1 Bayes theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 7.4.2 Naive Bayesian classi(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 7.4.3 Bayesian belief networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 7.4.4 TrainingBayesian belief networks. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 7.5 Classi(cid:12)cation by backpropagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 7.5.1 A multilayerfeed-forward neural network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 7.5.2 De(cid:12)ning a network topology. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 7.5.3 Backpropagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 7.5.4 Backpropagation and interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 7.6 Association-based classi(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 7.7 Other classi(cid:12)cation methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 7.7.1 k-nearest neighbor classi(cid:12)ers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 7.7.2 Case-based reasoning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 7.7.3 Genetic algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 7.7.4 Rough set theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 7.7.5 Fuzzy set approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 7.8 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 7.8.1 Linear and multipleregression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 7.8.2 Nonlinear regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 7.8.3 Other regression models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 7.9 Classi(cid:12)er accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 7.9.1 Estimatingclassi(cid:12)er accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 7.9.2 Increasing classi(cid:12)er accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 7.9.3 Is accuracy enough to judge a classi(cid:12)er? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 7.10 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 1 (cid:0) (cid:1)(cid:3)(cid:2)(cid:5)(cid:4)(cid:7)(cid:6)(cid:8)(cid:2)(cid:5)(cid:4)(cid:10)(cid:9) (cid:11) (cid:12)(cid:14)(cid:13)(cid:16)(cid:15)(cid:18)(cid:17)(cid:20)(cid:19)(cid:22)(cid:21)(cid:24)(cid:23)(cid:26)(cid:25)(cid:26)(cid:27)(cid:29)(cid:28)(cid:30)(cid:13) (cid:31)!(cid:17)#"$(cid:17) % &(’*)(cid:5)+-,/.1032*46587*9(4:0:;(cid:20)<=.1>/.17@?(cid:24)4:2@4BAC’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ E &(’FHG3?(cid:24)IJ;#4LK1M(cid:18)N(cid:30).10O.D2@>P5O7@9(cid:30)4:0Q;#<:2@>(cid:30)RS.T>J.17@?(cid:24)4:2@4D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ U &(’F(’@) VL2@4:4Q2@[email protected]<:2@0Q2Y;#4Z.T>JN[4:2@[email protected]<Q2@0:2Y;(cid:20)4(cid:22)\!]^;_.14:9(<:2@>(cid:30)R(cid:26)0:,(;aβ€˜b9J.17@2@0$?aKTMZ5O7@9(cid:30)4:0Q;#<:2@>(cid:30)Rc’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ d &(’F(’eF f$>(cid:24)0Q;#<:gh.T7Yi$4B5(cid:20).17@;(cid:22)N[gh.1<Q2j.Tk(cid:30)7@;#4l’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ m &(’F(’eE no2@>J.1<Q?Sgh.T<:2X.1k(cid:30)7@;#4p’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ q &(’F(’U rsKhW[2*>/.17$t1Kh<ON(cid:24)2@>J.17$t(cid:24).1>JN[<O.10:2@KTiu4O5#.17@;(cid:22)Nvgh.1<:2X.Tk(cid:30)7@;#4w’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ x &(’F(’ed y3.1<:2X.Tk(cid:30)7@;#4ZKTMzW[2Y{(cid:30);(cid:22)Nv0$?(cid:24)IJ;#4(cid:26)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)| &(’EH}l5#.T0:;#RbKh<Q2*~_.10:2@Kb>(cid:127)KTMzW^.#(cid:128)OKh<35O7@9(cid:30)4:0Q;#<:2@>(cid:30)R[WS;#0Q,(cid:30)K(cid:30)N(cid:24)4c’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))h) &(’U (cid:129)(cid:29).1<Q0:2@0:2@Kb>(cid:30)2@>(cid:30)RDWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4(cid:26)’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)F &(’U/’@) (cid:130)37X.T4:4:2X5#.T7(cid:131)IJ.1<Q0:2@0:2@Kb>(cid:30)2@>(cid:30)RDWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4_\(cid:18)(cid:132)biuW[;(cid:22).1>(4(cid:133).T>JN^(cid:132)biuW[;(cid:22)N(cid:24)Kb2jN(cid:134)4c’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)F &(’U/’eF (cid:129)(cid:29).T<:0:2@0Q2*Kb>(cid:30)2@>(cid:30)RDW[;#0:,(cid:30)K(cid:30)N(cid:24)4(cid:135)2@>[7j.T<:Rb;(cid:136)N(.10B.TkJ.14Q;#4(cid:22)\(cid:137)M <:KhW(cid:138)(cid:132)bi$WS;(cid:22)N(cid:134)Kh2XN(cid:24)4(cid:18)0QKS(cid:130)(cid:135)(cid:139)(cid:131)}=(cid:140)s}=rL(cid:141)(cid:142)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)d &(’d(cid:144)(cid:143)s2*;(cid:20)<B.1<O5Q,(cid:30)2X5#.17(cid:137)WS;#0Q,(cid:30)K(cid:30)N(cid:24)4S’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)m &(’d(’@) }LRhRb7*KbWS;#<O.10Q2*gb;6.1>JN[N(cid:24)2@g(cid:24)2*4Q2@gh;6,(2*;(cid:20)<B.1<O5Q,(cid:30)2X5#.17(cid:29)5O7@9(cid:30)4:0Q;#<:2@>(cid:30)R(cid:26)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)m &(’d(’eF nof:(cid:140)(cid:135)(cid:130)(cid:135)(cid:143)D\(cid:30)n3.17X.T>J5O;(cid:22)N[f$0:;(cid:20)<B.10Q2@gh;a(cid:140)s;(cid:22)N(cid:24)9J5O2@>(cid:30)RS.T>JNS(cid:130)37@9(cid:30)4Q0:;#<Q2@>(cid:30)R(cid:26)9(cid:30)4:2@>(cid:30)RS(cid:143)s2@;#<B.T<B5Q,(cid:30)2@;#4(cid:145)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)q &(’d(’eE (cid:130)(cid:135)(cid:146)L(cid:140)6(cid:147)(cid:135)\(cid:30)(cid:130)37@9(cid:30)4Q0:;#<Q2@>(cid:30)RS(cid:146)(cid:135)4Q2*>(RS(cid:140)6(cid:147)(cid:29)I(cid:30)<Q;#4:;(cid:20)>(cid:148)0O.10Q2*gb;#4(cid:149)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)& &(’d(’U (cid:130)(cid:135)(cid:143)s}=]P(cid:147)o(cid:139)!(cid:147)(cid:18)(cid:150)(cid:14)rD\(}(cid:151),(cid:30)2@;#<B.T<B5Q,(cid:30)2X5#.T7z5O7@9(cid:30)4Q0:;#<Q2*>(R(cid:127).17@RbKh<:2@0Q,(cid:30)W(cid:10)9(cid:30)4:2@>(cid:30)R(cid:26)N(cid:24)?(cid:24)>J.1W[2X5(cid:135)WSK(cid:30)N(cid:24);(cid:20)7*2@>(cid:30)R ’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fh| &(’m(cid:144)VL;#>(cid:30)4Q2@0$?hi$kJ.T4:;(cid:22)N^5O7@9(cid:30)4Q0:;#<Q2*>(RSWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4S’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)F(cid:30)) &(’m(’@) V(cid:14)n3(cid:141)(cid:30)(cid:130)3}=rC\1}-N(cid:24);#>(cid:30)4Q2@0$?hi$kJ.T4:;(cid:22)N(cid:26)5O7@9(cid:30)4Q0:;#<Q2@>(cid:30)R(cid:14)WS;#0Q,(cid:30)K(cid:30)NDkJ.T4:;(cid:22)NCKh>(cid:26)5OKb>(cid:30)>(cid:30);(cid:22)5O0Q;(cid:22)N(cid:26)<Q;#Rh2@Kb>(cid:30)4(cid:29)(cid:152)(cid:135)2*0Q,a4Q9(cid:24)(cid:153)(cid:127)5O2@;#>(cid:24)0:7@?D,(2*Rb, N(cid:134);#>(cid:30)4:2@0$? ’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)F(cid:30)) &(’m(’eF (cid:150)(cid:14)(cid:129)(cid:29)G(cid:135)f:(cid:130)(cid:135)(cid:141)(cid:154)\J(cid:150)L<BN(cid:24);(cid:20)<:2@>(cid:30)RS(cid:129)(cid:137)Kh2@>(cid:24)0:4(cid:135)G(cid:29)K(cid:155)f:N(cid:24);#>(cid:24)0:2(cid:156)M(cid:16)?[0:,(cid:30);D(cid:130)37@9(cid:30)4:0Q;#<:2@>(cid:30)RS(cid:141)(cid:134)0:<:9/5O0:9(cid:30)<Q;(cid:138)’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)FhF &(’m(’eE V(cid:14)(cid:147)(cid:18)rL(cid:130)(cid:135)(cid:139)!(cid:146)L(cid:147)(cid:135)\J(cid:130)37@9(cid:30)4Q0:;#<Q2*>(R(cid:26)kJ.14Q;(cid:22)N[Kh>PN(cid:24);#>(cid:30)4Q2@0$?(cid:127)N(cid:24)2@4:0Q<:2@k(cid:30)9(cid:30)0Q2@Kh>(cid:26)M 9(cid:30)>J5O0Q2*Kb>(cid:30)4(cid:157)’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)FhE &(’q(cid:144)(cid:158)(cid:14)<Q2XNbiuk/.14:;_N(cid:127)587*9(4:0:;(cid:20)<:2@>(cid:30)R(cid:26)WS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4(cid:159)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)F1U &(’q(’@) (cid:141)(cid:134)G(cid:135)f:r6(cid:158)(cid:26)\(cid:24)}l(cid:141)(cid:24)0O.10Q2*4Q0:2X5#.T7(cid:131)f$>(cid:24)M(cid:16)Kh<QW(cid:127).T0:2@Kh>S(cid:158)(cid:14)<Q2XN(cid:26)}6I(I(cid:30)<:K(cid:24).h5Q,(cid:145)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhd &(’q(’eF +(cid:145)._gb;(cid:22)(cid:130)37@9(cid:30)4:0Q;#<(cid:22)\(cid:18)(cid:130)37@9(cid:30)4Q0:;#<Q2@>(cid:30)R(cid:26)9(cid:30)4:2@>(cid:30)R(cid:155)(cid:152)(cid:135)._gh;#7@;#0(cid:135)0Q<B.1>(4$M(cid:16)Kb<:W(cid:127).T0:2@Kh>(cid:160)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhm &(’q(’eE (cid:130)(cid:135)(cid:139)(cid:154)f:Β‘(cid:14)(cid:146)6(cid:147)(cid:135)\/(cid:130)37*9(4:0:;(cid:20)<:2@>(cid:30)R(cid:26),(cid:30)2@Rh,(cid:134)iΒ’N(cid:24)2@W[;#>(cid:30)4:2@Kb>J.17(cid:30)4QIJ.h58;=’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fh& &(’&(cid:144)]^K(cid:30)N(cid:24);(cid:20)7Yi$kJ.T4:;(cid:22)N^5O7@9(cid:30)4Q0:;#<Q2*>(RSWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4£’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhx &(’x(cid:144)(cid:150)L9(cid:30)0Q7*2@;#<6.T>J.17@?(cid:24)4:2@4P’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhx &(’x(’@) (cid:141)(cid:134)0B.10Q2@4:0:2X5#.T7!.1I(cid:30)I(<:K(cid:148).b5Q,SM Kh<3Kh9(cid:30)0Q7*2@;#<6N(cid:134);#0:;(cid:22)580:2@Kh>⁄’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Eh| &(’x(’eF VL2@4:0O.1>J58;Oiuk/.14:;_N^Kh9(cid:30)0Q7@2*;(cid:20)<(cid:133)N(cid:24);(cid:20)0:;(cid:22)5O0Q2@Kh> ’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)E(cid:30)) &(’x(’eE VL;#g(cid:24)2X.10Q2@Kh>(cid:24)i$kJ.14Q;(cid:22)N(cid:26)Kb9(cid:30)0:7@2@;#<6N(cid:24);(cid:20)0:;(cid:22)5O0Q2@Kh>c’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)EhF &(’*)_|(cid:145)(cid:141)(cid:24)9(WSW(cid:127).T<:?Β₯’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)EhE ) (cid:0) (cid:1)(cid:3)(cid:2)(cid:5)(cid:4)(cid:7)(cid:6)(cid:8)(cid:2)(cid:5)(cid:4)(cid:10)(cid:9) (cid:11) (cid:12)(cid:14)(cid:13)(cid:16)(cid:15)(cid:17)(cid:13)(cid:18)(cid:15)(cid:17)(cid:19)(cid:21)(cid:20)(cid:23)(cid:22)(cid:25)(cid:24)(cid:27)(cid:26)(cid:17)(cid:28)(cid:18)(cid:29)(cid:31)(cid:30)! #"$(cid:26)%(cid:29)’&((cid:22)*)(cid:23)+-,*./, 0 1*2436587:9’7<;>=@?BA4CD=FEGABHI9J=F9(cid:25)KJLNM’?BEGAOK(cid:31)ABP-7<9*QGABHR9S=@?’TU9(cid:25)=F?BV(cid:31)QGABQWH@XWYZHRP-[*?47]\_^8=FEβ€˜=ba#cRdβ€˜7Deβ€˜EGQ!28282f28282f28282(cid:23)2g2(cid:23)282f2828282 h 1*243I2B3 5i7<9’7<;β€˜=F?BABC/=FEjA4HI9-HI9JQjEG;jMSeβ€˜EGM*;G7/K(cid:21)K’=FEβ€˜=k282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 h 1*243I2ml T#nRnI;G7<n(cid:31)=FEGABHI9J=F9(cid:25)KJ=@[’[’;jHD\oABPp=FEGABHI9bAB9-Qj[S=FEjAO=F?q=F9(cid:25)K-PrM*?4EjABPr7/K(cid:31)AO=8K’=FEβ€˜=fnI7<9’7<;β€˜=F?BABC/=FEjA4HI9s282(cid:23)2g2(cid:23)282f2828282 t 1*243I2mh 5i7<9’7<;β€˜=F?BABC/=FEjA4HI9-H@XuHRcRd]7/eβ€˜EUAOK(cid:31)7:9vEjAxwS7<;GQ8=F9SKyeβ€˜?O=FQjQ>zFQjM’c$eβ€˜?O=FQGQ#{’AB7<;>=@;>ej{’AB7<Q|28282f28282f28282(cid:23)2g2(cid:23)282f2828282 } 1*243I2t 5i7<9’7<;β€˜=F?BABC/=FEjA4HI9-HI9JAB9’{*7<;GABEG7DKJ=@9SKpK(cid:31)7<;jA4~I7/Ky[’;GHI[S7:;GEGAB7<Q(cid:127)2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 } 1*243I2m} 5i7<9’7<;β€˜=F?BABC/=FEjA4HI9-HI9Ne]?(cid:128)=@QGQUeβ€˜HIP-[(cid:25)HRQjA4EjABHR9r{’AB7<;β€˜=F;>ej{’AB7<Q(cid:129)282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 } 1*243I2m(cid:130) YZ?O=@QGQ(cid:132)(cid:131)(cid:132)cS=@QG7/KynR7:9’7<;>=@?BA4CD=FEGABHI9N=@9SKrPyAB9’AB9’nfHRcRd]7/eβ€˜EUK’=@E>=reβ€˜M’c(cid:25)7<Q(2f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:130) 1*2lkLpAB9’AB9’nr(cid:133)(cid:31)[S=@EGAO=F?q^8=@E>=Fc(cid:25)=FQG7:Q(cid:134)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:130) 1*2l*2B3 (cid:133)o[S=FEjA(cid:128)=@?qK’=FEβ€˜=be]M’cS7(eβ€˜HR9’QjEG;jMSeβ€˜EGABHI9(cid:135)=F9SKyQj[S=FEjA(cid:128)=@?qa8(cid:136)$T(cid:23)(cid:137)(cid:138)2f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2l*2ml (cid:133)o[S=FEjA(cid:128)=@?qej{S=F;β€˜=Reβ€˜Ej7<;GABC/=@EGABHR9(cid:140)2f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2l*2mh (cid:133)o[S=FEjA(cid:128)=@?q=FQjQGH’eβ€˜AO=FEjA4HI9J=@9S=F?BV(cid:31)QGABQ(cid:141)28282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2l*2t (cid:133)o[S=FEjA(cid:128)=@?qeβ€˜?O=FQjQGAxw(cid:142)e<=@EGABHR9p=F9SKy[’;j7/K(cid:31)AOeβ€˜EGABHI9 2f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2l*2m} (cid:133)o[S=FEjA(cid:128)=@?qeβ€˜?BM’QGEj7<;GAB9’nrPy7<EG{*HoKoQ(cid:143)2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2hkLpAB9’AB9’n((cid:144)(cid:145)ABP-7β€˜(cid:131)G(cid:133)(cid:31)7<;jAB7<Q(cid:143)^8=@E>=Fc(cid:25)=FQG7:QU=F9SKy(cid:144)(cid:17)7<P-[(cid:25)HR;β€˜=F?$^8=FE>=@cS=FQj7<Q(cid:146)2f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2h*2B3 (cid:133)oA4PyAB?(cid:128)=@;GABE(cid:132)V8QG7/=@;>ej{sAB9pEGABP-7](cid:131)(cid:147)Qj7<;GAB7<QU=@9S=F?BV(cid:31)QGABQ(cid:148)2(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2h*2ml (cid:144)(cid:17);j7<9SKp=F9S=@?BVvQjABQ(cid:149)282(cid:23)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2h*2mh (cid:137)(cid:150)7<;jABHoKoA(cid:128)e]A4E(cid:132)V-=@9S=F?BV(cid:31)QGABQU2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2h*2t (cid:133)o7/(cid:151)IM’7<9(cid:31)EGAO=F?$[(cid:25)=FEGEj7<;G9(cid:152)P-AB9’AB9’n(cid:153)2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139) 1*2h*2m} (cid:137)(cid:154)?(cid:128)=@9-PyA49*A49*nfc(cid:31)V-K(cid:31)AB~vAOK(cid:31)7](cid:131)(cid:155)=@9SKI(cid:131)Geβ€˜HR9S(cid:151)IM’7:;-282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2t LpAB9’AB9’n((cid:144)(cid:17)7β€˜\’EU^8=FE>=@cS=FQj7<Q(cid:145)282(cid:23)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2t(cid:25)2B3 (cid:144)(cid:17)7β€˜\’EUK’=@E>=(=F9S=@?BVvQjABQ(cid:143)=@9SKyA49oX(cid:18)HR;jPJ=FEjABHR9(;G7<Ej;GAB7<~R=F?(cid:145)2f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2t(cid:25)2ml (cid:157)#7<V(cid:31)(cid:158)ZHR;β€˜KI(cid:131)(cid:147)c(cid:25)=FQG7DKs=FQjQGH’eβ€˜AO=FEjA4HI9J=@9S=F?BV(cid:31)QGABQ(cid:145)282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2t(cid:25)2mh ^#H’eβ€˜M’Py7<9(cid:31)E(cid:143)e]?(cid:128)=@QGQjA(cid:159)w$e<=FEjA4HI9s=F9S=@?4V(cid:31)QjA4Q(cid:148)28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2t(cid:25)2t T#M’EGHIPJ=@EG7/K_7β€˜\’EG;>=Ieβ€˜EGABHI9JH@XuQjEG;GM(cid:25)eβ€˜EGM’;j7<QfAB9-Ej7β€˜\’E(cid:23)K(cid:31)H’eβ€˜M*P-7<9(cid:31)EGQ(cid:14)282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2}kLpAB9’AB9’nrLpM’?BEjA4Py7/K(cid:31)AO=8^8=FE>=@cS=FQj7<Qb282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2}*2B3 (cid:133)oA4PyAB?(cid:128)=@;GABE(cid:132)V8QG7/=@;>ej{sAB9pPrM’?BEGABPr7/K(cid:31)AO=8K’=@E>=(cid:7)2f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2}*2ml LNM’?BEGAx(cid:131)(cid:155)KoA4Py7<9’QjA4HI9S=F?(cid:25)=F9S=@?4V(cid:31)QjA4QZHFX(cid:17)PrM’?BEGABPr7/K(cid:31)AO=8K’=@E>=6282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2}*2mh LNA49*A49*n(cid:160)=@QGQGH’eβ€˜AO=@EGABHR9’Q(cid:145)AB9yPrM’?BEGABPr7/K(cid:31)AO=8K’=FEβ€˜=(cid:5)2(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2(cid:130)kLpAB9’AB9’n(EG{*7(cid:23)Β‘(cid:27)HI;G?OKI(cid:131)(cid:132)‘’AOK(cid:31)7β€˜(cid:131)(cid:132)Β‘(cid:27)7<cΒ£282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156) 1*2(cid:130)*2B3 Β‘(cid:27)7:c-P-AB9’AB9’n(=F9SKy=reβ€˜?O=FQGQjAxw(cid:142)e<=FEjABHR9pHFX(cid:17)Β‘(cid:27)7<cpP-AB9’AB9’n8E>=@QG⁄(cid:31)Q-28282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1 1*2(cid:130)*2ml Β‘(cid:27)7:c-M’Qβ€˜=FnR7gP-AB9’AB9’nΒ₯2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1 1*2(cid:130)*2mh Β‘(cid:27)7:c-QGEj;GMSe]EGM’;j7bPyA49*A49*n(cid:8)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1 1*2(cid:130)*2t Β‘(cid:27)7:cJeβ€˜HI9vEj7<9(cid:31)EUPyA49*A49*nΖ’2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1 1*2(cid:139)k(cid:133)(cid:31)M*P-PJ=@;GV(cid:149)28282f28282f28282(cid:23)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1 3 (cid:0) (cid:1)(cid:3)(cid:2)(cid:5)(cid:4)(cid:7)(cid:6)(cid:8)(cid:2)(cid:5)(cid:4)(cid:10)(cid:9) (cid:11)(cid:13)(cid:12)(cid:15)(cid:14)(cid:17)(cid:16)(cid:13)(cid:18)(cid:19)(cid:16)(cid:15)(cid:20)(cid:22)(cid:21)(cid:24)(cid:23)(cid:25)(cid:21)(cid:24)(cid:23)(cid:27)(cid:26)(cid:15)(cid:28)(cid:30)(cid:29)(cid:27)(cid:29)(cid:27)(cid:31)(cid:24)(cid:21)! "(cid:16)(cid:13)(cid:18)#(cid:21)(cid:24)$(cid:13)(cid:23)&%’(cid:16)(cid:13)(cid:23)&(*)&+-,.(cid:23)&((cid:27)%/(cid:21)0(cid:23)1(cid:14)(cid:17)(cid:16)(cid:13)(cid:18)(cid:19)(cid:16)2(cid:20)(cid:22)(cid:21)(cid:24)(cid:23)(cid:27)(cid:21)0(cid:23)(cid:27)(cid:26) 3 4(cid:19)5(cid:13)674(cid:15)8/9-:;9=<?>A@B>A@BC=D’E(cid:13)E(cid:13)F7>HGI9-:J>AKL@(cid:13)MN6O6P6/6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)674S674NTVUBMW:WKLXY>7ZI[#\(cid:17)8/9-:]9^<_>7@(cid:13)>7@(cid:13)C^β€˜(cid:27)KaKLF7M&b0KLcd8’KSXe9">[email protected][#Gk>mlnGVDdE(cid:13)E(cid:13)F7>HGI9":W>7KS@(cid:13)M16/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)674S6porqs@.:J[IF7FA>7CL[I@.:ut’U(cid:13)[IcJv_Dd@(cid:13)MJwx[IcJ>7@(cid:13)C(cid:30)wy>7:Wz{8/9-:]9^<_>7@(cid:13)>7@(cid:13)C^β€˜(cid:27)[#GJz(cid:13)@(cid:13)>H|LU(cid:13)[IM}6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6po(cid:127)~’:WzB[Icdβ€˜yz(cid:13)[(cid:128)XY[IMyKL@e8/9-:;9(cid:30)<_>7@(cid:13)>7@(cid:13)C(cid:129)6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6po(cid:13)6741(cid:130)’>7MWUj9"F(cid:131)9-@j\_9-U(cid:132)\.>7K(cid:133)\(cid:13)9":]9OXY>7@(cid:13)>7@(cid:13)C(cid:134)6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6po(cid:13)6po(cid:135)gBG;>7[I@.:W>(cid:136)l(cid:137)G/\(cid:13)9-:;9^XY>7@(cid:13)>7@(cid:13)C(cid:138)6/6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6po(cid:13)6pR(cid:135)TVKLXYX(cid:17)[Ic]G;>H9"Fj8/9-:]9^<_>7@(cid:13)>7@(cid:13)C(cid:30)g.v.MW:J[IXYMy9-@j\_(cid:139)(cid:27)cJKS:JKS:sv.Ej[(cid:128)M(cid:140)6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6pR(cid:127)g.K(cid:13)G;>H9"FnqsXYEj9LG;:WMVK-bx8/9-:;9=<_>7@(cid:13)>7@(cid:13)C(cid:141)6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R 4(cid:19)5(cid:13)6(cid:142)(cid:127)β€˜(cid:27)cW[(cid:128)@j\.MP9"@j\Y(cid:143)(cid:144)[IMW[(cid:19)9-c]GJz{qsMJMWU(cid:13)[(cid:128)MP>7@_8P9":]9^<_>7@(cid:13)>7@(cid:13)C(cid:145)6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 (cid:142) 4(cid:19)5(cid:13)6p(cid:146)(cid:127)g.UBXYXe9"cWv(cid:138)6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 (cid:142) 4

See more

The list of books you might like

Upgrade Premium
Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.
DMCA & Copyright: Dear all, most of the website is community built, users are uploading hundred of books everyday, which makes really hard for us to identify copyrighted material, please contact us if you want any material removed.
Copyright @ PDFdrive.to, 2022 | We love our users