Automatisches Lernen von Regeln zur quellseitigen Umordnung

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Automatisches Lernen von Regeln zur quellseitigen Umordnung"

Transkript

1 Automatisches Lernen von Regeln zur quellseitigen Umordnung E I N A N S AT Z V O N D M I T R I Y G E N Z E L Duwaraka Murugadas Fortgeschrittene Methoden der statistischen maschinellen Übersetzung (Miriam Käshammer)

2 Agenda 2 Das Problem Der Lösungsansatz Der Algorithmus Evaluation

3 Agenda 3 Das Problem Der Lösungsansatz Der Algorithmus Evaluation

4 Das Problem I 4 Er sagte mir, dass er gehen wollte. He told me that he wanted to leave.

5 Das Problem II 5

6 Das Problem II 5 Er sagte mir, dass er gehen wollte.

7 Das Problem II 5 Er sagte mir, dass er gehen wollte.

8 Das Problem II 5 Er sagte mir, dass er gehen wollte. Er sagte mir, dass er wollte gehen.

9 Das Problem II 5 Er sagte mir, dass er gehen wollte. Er sagte mir, dass er wollte gehen.

10 Das Problem II 5 Er sagte mir, dass er gehen wollte. Er sagte mir, dass er wollte gehen.

11 Das Problem II 5 Er sagte mir, dass er gehen wollte. Er sagte mir, dass er wollte gehen.

12 AGENDA 6 Das Problem Der Lösungsansatz Der Algorithmus Evaluation

13 Pre-ordering + Unabhängig vom eigentlichen Übersetzungssystem + Verkürzt die Dekodierungszeit 7 Umordnung kann im Nachhinein nicht mehr vorgenommen werden Ziel: automatisches Lernen von Pre-Ordering Regeln für möglichst viele Sprachpaare

14 Das Prinzip Umordnungen der Quellseite der Trainingsdaten Darstellung als Parsebaum 8

15 Parsebaum 9 _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

16 Der Regelraum Jede Regel besteht aus zwei Teilen: Conditioning Context Aktion Für jeden Knoten wird bestimmt, ob ein Conditioning Context ein Match ist, und wenn ja, wird die entsprechende Aktion durchgeführt Jede Regel kann nur einmal auf einen Knoten angewendet werden 10

17 Conditioning Context I 11 Konjunktion von Bedingungen Bedingung = (Feature, Value)-Paar

18 Conditioning Context I 11 Konjunktion von Bedingungen Bedingung = (Feature, Value)-Paar Beschreibung eines Knotens

19 Conditioning Context II 12 _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

20 Conditioning Context II 12 Knoten _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

21 Conditioning Context II 12 _VBD POS-Tag nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

22 Conditioning Context II 12 syntaktisches Label _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

23 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

24 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

25 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

26 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

27 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens Bedingung: nt = NN 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

28 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

29 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

30 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens Bedingung: nl = dobj 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

31 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

32 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

33 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens Bedingung: pt = _VBD 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

34 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

35 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens Bedingung: pl = none 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

36 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

37 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

38 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens Bedingung: 1T = DT 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

39 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

40 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

41 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens Bedingung: 1L = det 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

42 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

43 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

44 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens Bedingung: 2T = NN 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

45 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

46 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

47 Conditioning Context III 13 Feature nt nl pt pl 1T Beschreibung POS-Tag des Knotens syntaktisches Label des Knotens POS-Tag des Mutterknotens syntaktisches Label des Mutterknotens POS-Tag des 1. Tochterknotens Bedingung: 2L = head 1L syntaktisches Label des 1. Tochterknotens 2T POS-Tag des 2. Tochterknotens 2L syntaktisches Label des 2. Tochterknotens

48 Conditioning Context IV 14 Ein Conditioning Context ist eine Konjunktion aus Bedingungen, z.b.: nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

49 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

50 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

51 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

52 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

53 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

54 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

55 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

56 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

57 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

58 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

59 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

60 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj

61 Conditioning Context V 15 Trifft ein Conditioning Context auf einen Knoten zu, wird eine Aktion durchgeführt. nt = _VBD 1T = PRP 1L = nsubj 3T = _NN 3L = dobj Regel kann durchgeführt werden.

62 Umordnungs-Metriken Crossing Score: Anzahl der Kreuzungen von Alignments 16 Estimated BLEU Gain: Unterschied des BLEU Scores mit und ohne die Anwendung einer Regel Ziel: Nützlichkeit einer Regel erfassen, nicht des ganzen Systems

63 Crossing Score 17

64 Crossing Score 17

65 Crossing Score 17 2 Crossings

66 Crossing Score 17 2 Crossings

67 Crossing Score 17 2 Crossings 0 Crossings

68 Crossing Score 17 2 Crossings 0 Crossings Optimal

69 Estimated BLEU Gain BLEU: Bilingual Evaluation Study Evaluiert Qualität einer maschinellen Übersetzung 18 Estimated BLEU Gain Was man nach Anwendung einer Regel bzw. einer Sequenz an Regeln an BLEU dazugewinnen würde

70 Agenda 19 Das Problem Der Lösungsansatz Der Algorithmus Evaluation

71 Vorbereitungen Input: Wort-alignierte Satzpaare (nach IBM 1) Alignments mit einer Wahrscheinlichkeit unter 0,25 entfernen Anschließend Satzpaare mit nur sehr wenigen Alignments löschen 20 ZIEL: Optimierung der Alignment Links

72 Funktionsweise I input: A set of aligned sentence pairs base = <empty sequence> for several iterations do end for 21 candidate_rules=generateallcandidaterul es(input,base) base.append(mincost(candidate_rules))

73 Funktionsweise I input: A set of aligned sentence pairs base = <empty sequence> for several iterations do end for 21 candidate_rules=generateallcandidaterul es(input,base) base.append(mincost(candidate_rules)) Wortalignierte Satzpaare werden eingelesen

74 Funktionsweise I input: A set of aligned sentence pairs base = <empty sequence> for several iterations do end for 21 candidate_rules=generateallcandidaterul es(input,base) base.append(mincost(candidate_rules)) Speicher für die besten Regeln

75 Funktionsweise I input: A set of aligned sentence pairs base = <empty sequence> for several iterations do end for 21 candidate_rules=generateallcandidaterul es(input,base) base.append(mincost(candidate_rules)) Ermittlung der besten Regel Nach jeder Iteration wird die Sequenz um eine Regel erweitert

76 Funktionsweise II 22 Durchgehen der Knoten in Sliding Windows _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

77 Funktionsweise II 22 Durchgehen der Knoten in Sliding Windows _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

78 Funktionsweise II 22 Durchgehen der Knoten in Sliding Windows 3 Töchter = 2 Fenster _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

79 Funktionsweise II 22 Durchgehen der Knoten in Sliding Windows 3 Töchter = 2 Fenster _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

80 Funktionsweise II 22 Durchgehen der Knoten in Sliding Windows 3 Töchter = 2 Fenster _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

81 Funktionsweise II 22 Durchgehen der Knoten in Sliding Windows 2 Töchter = 3 Fenster _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

82 Funktionsweise II 22 Durchgehen der Knoten in Sliding Windows 2 Töchter = 3 Fenster _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

83 Funktionsweise II 22 Durchgehen der Knoten in Sliding Windows 2 Töchter = 3 Fenster _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

84 Funktionsweise II 22 Durchgehen der Knoten in Sliding Windows 2 Töchter = 3 Fenster _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

85 Funktionsweise II 22 Durchgehen der Knoten in Sliding Windows Wird wie zwei bzw. drei Knoten behandelt _VBD nsubj head dobj advmod PRP I VBD saw _NN RB easily det head DT a NN man

86 Variante 1 23 Optimieren des Crossing Scores Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Extrahieren der K besten Regeln Zu ähnliche Regeln entfernen, dabei die bessere behalten Subsequenzen evaluieren und ähnliche entfernen Beste übrige Regel zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

87 Variante 1 23 Optimieren des Crossing Scores Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Extrahieren der K besten Regeln Zu ähnliche Regeln entfernen, dabei die bessere behalten Subsequenzen evaluieren und ähnliche entfernen Beste übrige Regel zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

88 Variante 1 23 Optimieren des Crossing Scores Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Extrahieren der K besten Regeln Zu ähnliche Regeln entfernen, dabei die bessere behalten Subsequenzen evaluieren und ähnliche entfernen Beste übrige Regel zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

89 Variante 1 23 Optimieren des Crossing Scores Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Extrahieren der K besten Regeln Zu ähnliche Regeln entfernen, dabei die bessere behalten Subsequenzen evaluieren und ähnliche entfernen Beste übrige Regel zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

90 Variante 1 23 Optimieren des Crossing Scores Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Extrahieren der K besten Regeln Zu ähnliche Regeln entfernen, dabei die bessere behalten Subsequenzen evaluieren und ähnliche entfernen Beste übrige Regel zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

91 Variante 1 23 Optimieren des Crossing Scores Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Extrahieren der K besten Regeln Zu ähnliche Regeln entfernen, dabei die bessere behalten Subsequenzen evaluieren und ähnliche entfernen Beste übrige Regel zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

92 Variante 1 23 Optimieren des Crossing Scores Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Extrahieren der K besten Regeln Zu ähnliche Regeln entfernen, dabei die bessere behalten Subsequenzen evaluieren und ähnliche entfernen Beste übrige Regel zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

93 Variante 1 23 Optimieren des Crossing Scores Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Extrahieren der K besten Regeln Zu ähnliche Regeln entfernen, dabei die bessere behalten Subsequenzen evaluieren und ähnliche entfernen Beste übrige Regel zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

94 Variante 1 - Beispiel 24 B = { }

95 Variante 1 - Beispiel B = { } Regeln = {R1,R2,R3,R4,R5,R6,,Rn} 24

96 Variante 1 - Beispiel B = { } Regeln = {R1,R2,R3,R4,R5,R6,,Rn} K beste = {R3,R5,R2,R12} 24

97 Variante 1 - Beispiel B = { } Regeln = {R1,R2,R3,R4,R5,R6,,Rn} K beste = {R3,R5,R2,R12} R3 und R5 zu ähnlich {R3,R2,R12} 24

98 B = { } Variante 1 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} K beste = {R3,R5,R2,R12} R3 und R5 zu ähnlich {R3,R2,R12} Vergleich der Sequenzen auf Ähnlichkeit: R3, R2, R12, R3 R2, R2 R12, R3 R2 R12 24

99 B = { } Variante 1 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} K beste = {R3,R5,R2,R12} R3 und R5 zu ähnlich {R3,R2,R12} Vergleich der Sequenzen auf Ähnlichkeit: R3, R2, R12, R3 R2, R2 R12, R3 R2 R12 Übrig bleiben R3 und R2 R12 24

100 B = { } Variante 1 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} K beste = {R3,R5,R2,R12} R3 und R5 zu ähnlich {R3,R2,R12} Vergleich der Sequenzen auf Ähnlichkeit: R3, R2, R12, R3 R2, R2 R12, R3 R2 R12 Übrig bleiben R3 und R2 R12 R2 R12 hat besseren Score 24

101 B = { } Variante 1 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} K beste = {R3,R5,R2,R12} R3 und R5 zu ähnlich {R3,R2,R12} Vergleich der Sequenzen auf Ähnlichkeit: R3, R2, R12, R3 R2, R2 R12, R3 R2 R12 Übrig bleiben R3 und R2 R12 R2 R12 hat besseren Score B = {R2 R12} 24

102 Variante 2 25 Optimieren des Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Umordnung der Sätze mit allen Regelsequenzen und Evaluierung durch Estimated BLEU Gain Hinzufügen der Sequenz mit dem höchsten BLEU zur BASE Sequenz Wiederholen mit der nun erweiterten Base Sequenz

103 Variante 2 25 Optimieren des Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Umordnung der Sätze mit allen Regelsequenzen und Evaluierung durch Estimated BLEU Gain Hinzufügen der Sequenz mit dem höchsten BLEU zur BASE Sequenz Wiederholen mit der nun erweiterten Base Sequenz

104 Variante 2 25 Optimieren des Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Umordnung der Sätze mit allen Regelsequenzen und Evaluierung durch Estimated BLEU Gain Hinzufügen der Sequenz mit dem höchsten BLEU zur BASE Sequenz Wiederholen mit der nun erweiterten Base Sequenz

105 Variante 2 25 Optimieren des Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Umordnung der Sätze mit allen Regelsequenzen und Evaluierung durch Estimated BLEU Gain Hinzufügen der Sequenz mit dem höchsten BLEU zur BASE Sequenz Wiederholen mit der nun erweiterten Base Sequenz

106 Variante 2 25 Optimieren des Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Umordnung der Sätze mit allen Regelsequenzen und Evaluierung durch Estimated BLEU Gain Hinzufügen der Sequenz mit dem höchsten BLEU zur BASE Sequenz Wiederholen mit der nun erweiterten Base Sequenz

107 Variante 2 - Beispiel 26 B = { }

108 Variante 2 - Beispiel B = { } Regeln = {R1,R2,R3,R4,R5,R6,,Rn} 26

109 B = { } Variante 2 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regelsequenzen bilden und zur Umordnung anwenden, z.b.: R1 R2 R3 oder R3 R7 R1 26

110 B = { } Variante 2 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regelsequenzen bilden und zur Umordnung anwenden, z.b.: R1 R2 R3 oder R3 R7 R1 BLEU nach jeder Umordnung berechnen 26

111 B = { } Variante 2 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regelsequenzen bilden und zur Umordnung anwenden, z.b.: R1 R2 R3 oder R3 R7 R1 BLEU nach jeder Umordnung berechnen Sequenz, die höchsten BLEU erzeugt: R1 R2 R3 26

112 B = { } Variante 2 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regelsequenzen bilden und zur Umordnung anwenden, z.b.: R1 R2 R3 oder R3 R7 R1 BLEU nach jeder Umordnung berechnen Sequenz, die höchsten BLEU erzeugt: R1 R2 R3 B = {R1 R2 R3} 26

113 Variante 3 27 Optimieren des sequentiellen Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Ausgangspunkt: Set von n Regeln absteigend sortiert nach Crossing Score An die Base Sequenz erst die erste Regel, dann die ersten 2, die ersten 3, bis n Regeln anhängen Sobald der BLEU kleiner wird, wenn eine weitere Regel angehangen wird, wird diese Regel entfernt Solange durchführen, bis die Score Sequenz monoton aufsteigend ist Alle übrig gebliebenen Regeln zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

114 Variante 3 27 Optimieren des sequentiellen Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Ausgangspunkt: Set von n Regeln absteigend sortiert nach Crossing Score An die Base Sequenz erst die erste Regel, dann die ersten 2, die ersten 3, bis n Regeln anhängen Sobald der BLEU kleiner wird, wenn eine weitere Regel angehangen wird, wird diese Regel entfernt Solange durchführen, bis die Score Sequenz monoton aufsteigend ist Alle übrig gebliebenen Regeln zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

115 Variante 3 27 Optimieren des sequentiellen Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Ausgangspunkt: Set von n Regeln absteigend sortiert nach Crossing Score An die Base Sequenz erst die erste Regel, dann die ersten 2, die ersten 3, bis n Regeln anhängen Sobald der BLEU kleiner wird, wenn eine weitere Regel angehangen wird, wird diese Regel entfernt Solange durchführen, bis die Score Sequenz monoton aufsteigend ist Alle übrig gebliebenen Regeln zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

116 Variante 3 27 Optimieren des sequentiellen Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Ausgangspunkt: Set von n Regeln absteigend sortiert nach Crossing Score An die Base Sequenz erst die erste Regel, dann die ersten 2, die ersten 3, bis n Regeln anhängen Sobald der BLEU kleiner wird, wenn eine weitere Regel angehangen wird, wird diese Regel entfernt Solange durchführen, bis die Score Sequenz monoton aufsteigend ist Alle übrig gebliebenen Regeln zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

117 Variante 3 27 Optimieren des sequentiellen Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Ausgangspunkt: Set von n Regeln absteigend sortiert nach Crossing Score An die Base Sequenz erst die erste Regel, dann die ersten 2, die ersten 3, bis n Regeln anhängen Sobald der BLEU kleiner wird, wenn eine weitere Regel angehangen wird, wird diese Regel entfernt Solange durchführen, bis die Score Sequenz monoton aufsteigend ist Alle übrig gebliebenen Regeln zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

118 Variante 3 27 Optimieren des sequentiellen Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Ausgangspunkt: Set von n Regeln absteigend sortiert nach Crossing Score An die Base Sequenz erst die erste Regel, dann die ersten 2, die ersten 3, bis n Regeln anhängen Sobald der BLEU kleiner wird, wenn eine weitere Regel angehangen wird, wird diese Regel entfernt Solange durchführen, bis die Score Sequenz monoton aufsteigend ist Alle übrig gebliebenen Regeln zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

119 Variante 3 27 Optimieren des sequentiellen Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Ausgangspunkt: Set von n Regeln absteigend sortiert nach Crossing Score An die Base Sequenz erst die erste Regel, dann die ersten 2, die ersten 3, bis n Regeln anhängen Sobald der BLEU kleiner wird, wenn eine weitere Regel angehangen wird, wird diese Regel entfernt Solange durchführen, bis die Score Sequenz monoton aufsteigend ist Alle übrig gebliebenen Regeln zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

120 Variante 3 27 Optimieren des sequentiellen Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Ausgangspunkt: Set von n Regeln absteigend sortiert nach Crossing Score An die Base Sequenz erst die erste Regel, dann die ersten 2, die ersten 3, bis n Regeln anhängen Sobald der BLEU kleiner wird, wenn eine weitere Regel angehangen wird, wird diese Regel entfernt Solange durchführen, bis die Score Sequenz monoton aufsteigend ist Alle übrig gebliebenen Regeln zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

121 Variante 3 27 Optimieren des sequentiellen Estimated BLEU Gain Starten mit der leeren Base Sequenz Jede mögliche Regel generieren Evaluierung mittels Crossing Score Ausgangspunkt: Set von n Regeln absteigend sortiert nach Crossing Score An die Base Sequenz erst die erste Regel, dann die ersten 2, die ersten 3, bis n Regeln anhängen Sobald der BLEU kleiner wird, wenn eine weitere Regel angehangen wird, wird diese Regel entfernt Solange durchführen, bis die Score Sequenz monoton aufsteigend ist Alle übrig gebliebenen Regeln zur Base Sequenz hinzufügen Wiederholen mit der nun erweiterten Base Sequenz

122 B = { } Variante 3 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regeln absteigend nach Crossing Score sortiert: {R2, R7, R1, R15, R4, } B = {R2} BLEU = 4 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R1} BLEU = 4,2 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R15} BLEU = 4,6 B = {R2 R7 R15 R4} 28

123 B = { } Variante 3 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regeln absteigend nach Crossing Score sortiert: {R2, R7, R1, R15, R4, } B = {R2} BLEU = 4 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R1} BLEU = 4,2 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R15} BLEU = 4,6 B = {R2 R7 R15 R4} 28

124 B = { } Variante 3 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regeln absteigend nach Crossing Score sortiert: {R2, R7, R1, R15, R4, } B = {R2} BLEU = 4 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R1} BLEU = 4,2 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R15} BLEU = 4,6 B = {R2 R7 R15 R4} 28

125 B = { } Variante 3 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regeln absteigend nach Crossing Score sortiert: {R2, R7, R1, R15, R4, } B = {R2} BLEU = 4 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R1} BLEU = 4,2 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R15} BLEU = 4,6 B = {R2 R7 R15 R4} 28

126 B = { } Variante 3 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regeln absteigend nach Crossing Score sortiert: {R2, R7, R1, R15, R4, } B = {R2} BLEU = 4 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R1} BLEU = 4,2 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R15} BLEU = 4,6 B = {R2 R7 R15 R4} 28

127 B = { } Variante 3 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regeln absteigend nach Crossing Score sortiert: {R2, R7, R1, R15, R4, } B = {R2} BLEU = 4 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R1} BLEU = 4,2 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R15} BLEU = 4,6 B = {R2 R7 R15 R4} 28

128 B = { } Variante 3 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regeln absteigend nach Crossing Score sortiert: {R2, R7, R1, R15, R4, } B = {R2} BLEU = 4 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R1} BLEU = 4,2 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R15} BLEU = 4,6 B = {R2 R7 R15 R4} 28

129 B = { } Variante 3 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regeln absteigend nach Crossing Score sortiert: {R2, R7, R1, R15, R4, } B = {R2} BLEU = 4 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R1} BLEU = 4,2 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R15} BLEU = 4,6 B = {R2 R7 R15 R4} 28

130 B = { } Variante 3 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regeln absteigend nach Crossing Score sortiert: {R2, R7, R1, R15, R4, } B = {R2} BLEU = 4 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R1} BLEU = 4,2 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R15} BLEU = 4,6 B = {R2 R7 R15 R4} 28

131 B = { } Variante 3 - Beispiel Regeln = {R1,R2,R3,R4,R5,R6,,Rn} Regeln absteigend nach Crossing Score sortiert: {R2, R7, R1, R15, R4, } B = {R2} BLEU = 4 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R1} BLEU = 4,2 B = {R2 R7} BLEU = 4,5 B = {R2 R7 R15} BLEU = 4,6 B = {R2 R7 R15 R4} 28

132 Agenda 29 Das Problem Der Lösungsansatz Der Algorithmus Evaluation

133 Trainingsdaten I 30 Deutsch Japanisch Koreanisch Englisch Hindi Walisisch Russisch Tschechisch

134 Standard-Datensätze Englisch Deutsch Deutsch Englisch Trainingsdaten II Unveröffentlichte Datensätze Alle Sprachen 31

135 Unveröffentlichte Datensätze Nachrichtenartikel von WikiNews (996 Sätze) Zufällige Sätze aus dem Web (9000 Sätze) 32 3 Sets: Set Wiki Web dev dev test Für alle Sprachen gleich

136 Vorgehen 33 Für alle Testdaten Durchlaufen des Algorithmus in allen drei Varianten Durchlauf OHNE Umordnung im Dekodierer Reordering Rule Sequenz (40-50 Regeln) Umordnung im Dekodierer ist nicht notwendig

137 Ergebnisse I Varianten1 und 3 meistens besser als Variante 2 Jedoch alle nützlich 34 Standard-Datensatz Sprache Base %BLEU Var. 1 %BLEU Var. 2 %BLEU Var. 3 %BLEU EN DE 16,09 16,30 16,35 16,40 DE EN 21,00 22,45 22,13 22,05

138 Ergebnisse II 35 Interne Datensätze Sprache Google %BLEU Base %BLEU Var.1 Gain Var. 2 Gain Tschechisch 16,68 15,35-0,08 0,13 0,19 Deutsch 20,34 18,65 0,47 0,30 0,39 Hindi 19,15 16,85 2,25 2,08 0,15 Japanisch 30,74 25,91 3,05 2,60 3,05 Koreanisch 27,99 23,61 3,34 3,77 4,16 Russisch 16,80 15,33 0,08 0,10 0,10 Walisisch 27,38 25,48 1,25 0,77 1,43 Var. 3 Gain

139 Ergebnisse III: Top Regeln 36 Sprache Kontext Reihenfolge Beispiel Hindi Japanisch, Koreanisch Deutsch Russisch, Tschechisch Walisisch 1L:head 3L:none 2,1,3 I see him I him see 2L:prep 2,1 eat with a spoon eat a spoon with 1T:VBN 2L:prep 1L:nn 2L:head 1L:amod 2L:head 2,1 struck with a ball with a ball struck 2,1 a building entrance a entrance building 2,1 Blue ball ball blue

140 Diskussion Generieren von Regeln ohne Hilfe von Linguisten oder Muttersprachlern möglich 37 Nur Englisch und Deutsch als Quellsprachen Auch auf andere Sprachen anwendbar Trainingsdaten

141 38 Vielen Dank!

142 Referenzen 39 Genzel, D. (2010). Automatically Learning Source-side Reordering Rules for Large Scale Machine Translation. In C.-R. Huang & D. Jurafsky (Eds.), COLING The 23rd International Conference on Computational Linguistics : proceedings of the main conference, August 23-27, 2010, Beijing, China (pp ). Beijing: Tsinghua University Press.

Reranking. Parse Reranking. Helmut Schmid. Institut für maschinelle Sprachverarbeitung Universität Stuttgart

Reranking. Parse Reranking. Helmut Schmid. Institut für maschinelle Sprachverarbeitung Universität Stuttgart Institut für maschinelle Sprachverarbeitung Universität Stuttgart schmid@ims.uni-stuttgart.de Die Folien basieren teilweise auf Folien von Mark Johnson. Koordinationen Problem: PCFGs können nicht alle

Mehr

20.01.2015 Fabian Grimme und Tino Krüger 1 INDREX. Evaluierung von H2O. Enterprise Data Management Beuth Hochschule für Technik

20.01.2015 Fabian Grimme und Tino Krüger 1 INDREX. Evaluierung von H2O. Enterprise Data Management Beuth Hochschule für Technik 20.01.2015 Fabian Grimme und Tino Krüger 1 INDREX Evaluierung von H2O Enterprise Data Management Beuth Hochschule für Technik 20.01.2015 Fabian Grimme und Tino Krüger 2 INDREX im Überblick In-Database

Mehr

Programmieren in natürlicher Sprache: Alice-Kontrollstrukturen

Programmieren in natürlicher Sprache: Alice-Kontrollstrukturen Programmieren in natürlicher Sprache: Alice-Kontrollstrukturen Bachelorarbeit betreut von Mathias Landhäußer Ronny Hug 20. August 2014 IPD TICHY KIT Universität des Landes Baden-Württemberg und nationales

Mehr

Elektronische Bilderbücher mit Powerpoint 2010 erstellen

Elektronische Bilderbücher mit Powerpoint 2010 erstellen Anleitung Bücher in MS Powerpoint 2007 von Sabina Lange, Ergänzung und Übertragung für Powerpoint 2010 durch Igor Krstoski. Bedingt durch die wieder leicht veränderte Optik in Powerpoint 2010 und veränderte

Mehr

Mining High-Speed Data Streams

Mining High-Speed Data Streams Mining High-Speed Data Streams Pedro Domingos & Geoff Hulten Departement of Computer Science & Engineering University of Washington Datum : 212006 Seminar: Maschinelles Lernen und symbolische Ansätze Vortragender:

Mehr

Ziele und Herausforderungen

Ziele und Herausforderungen Ziele und Herausforderungen Text soll automatisch aus einer Quellsprache in eine Zielsprache übertragen werden Dabei soll die Funktion des Textes erhalten bleiben Es werden sowohl computerlinguistische

Mehr

Enigmail Konfiguration

Enigmail Konfiguration Enigmail Konfiguration 11.06.2006 Steffen.Teubner@Arcor.de Enigmail ist in der Grundkonfiguration so eingestellt, dass alles funktioniert ohne weitere Einstellungen vornehmen zu müssen. Für alle, die es

Mehr

Handbuch Fischertechnik-Einzelteiltabelle V3.7.3

Handbuch Fischertechnik-Einzelteiltabelle V3.7.3 Handbuch Fischertechnik-Einzelteiltabelle V3.7.3 von Markus Mack Stand: Samstag, 17. April 2004 Inhaltsverzeichnis 1. Systemvorraussetzungen...3 2. Installation und Start...3 3. Anpassen der Tabelle...3

Mehr

Unterscheidung: Workflowsystem vs. Informationssystem

Unterscheidung: Workflowsystem vs. Informationssystem 1. Vorwort 1.1. Gemeinsamkeiten Unterscheidung: Workflowsystem vs. Die Überschneidungsfläche zwischen Workflowsystem und ist die Domäne, also dass es darum geht, Varianten eines Dokuments schrittweise

Mehr

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002)

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002) 3. Entscheidungsbäume Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002) (aus Wilhelm 2001) Beispiel: (aus Böhm 2003) Wann sind Entscheidungsbäume

Mehr

Eine molekulare Lösung des Hamiltonkreisproblems mit DNA

Eine molekulare Lösung des Hamiltonkreisproblems mit DNA Eine molekulare Lösung des Hamiltonkreisproblems mit DNA Seminar Molecular Computing Bild: http://creatia2013.files.wordpress.com/2013/03/dna.gif Andreas Fehn 11. Juli 2013 Gliederung 1. Problemstellung

Mehr

Softwareprojektpraktikum Maschinelle Übersetzung

Softwareprojektpraktikum Maschinelle Übersetzung Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta {peter,guta}@i6.informatik.rwth-aachen.de Vorbesprechung 4. Aufgabe 19. Mai 2015 Human Language Technology and Pattern

Mehr

Handbuch für Redakteure

Handbuch für Redakteure Handbuch für Redakteure Erste Schritte... 1 Artikel erstellen... 2 Artikelinhalt bearbeiten... 3 Artikel bearbeiten... 3 Grunddaten ändern... 5 Weitere Artikeleigenschaften... 5 Der WYSIWYG-Editor... 6

Mehr

KUNERT BRANDSCHUTZDATENTECHNIK

KUNERT BRANDSCHUTZDATENTECHNIK WARTUNGS- VERWALTUNGS- UND ABRECHNUNGSSYSTEME Modul: Inventarisierung KUNERT BRANDSCHUTZDATENTECHNIK email: kunert@feuerwehrsoftware.de URL: http://www.feuerwehrsoftware.de Inhaltsverzeichnis 1.0 Programmstart

Mehr

Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder

Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder Programmieren in PASCAL Bäume 1 1. Baumstrukturen Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder 1. die leere Struktur oder 2. ein Knoten vom Typ Element

Mehr

Schritt für Schritt Anleitung zur Installation des Programmpaketes HBS + EASYHBS + KSL

Schritt für Schritt Anleitung zur Installation des Programmpaketes HBS + EASYHBS + KSL HBS 6.0 Installation F. Pommerenke 1 Schritt für Schritt Anleitung zur Installation des Programmpaketes HBS + EASYHBS + KSL Es wird vorausgesetzt, dass: der Rechner ein CD Laufwerk hat und das Betriebssystem

Mehr

Praktikum Maschinelle Übersetzung Language Model

Praktikum Maschinelle Übersetzung Language Model Praktikum Maschinelle Übersetzung Language Model Um die Aufgaben auszuführen, können Sie ihre Daten in folgendem Verzeichnis speichern: /project/smtstud/ss10/systems/username/ Wir werden verschiedene Sprachmodelle

Mehr

Einführung in die Computerlinguistik Statistische Grundlagen

Einführung in die Computerlinguistik Statistische Grundlagen Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume

Mehr

1 topologisches Sortieren

1 topologisches Sortieren Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung

Mehr

Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten

Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung

Mehr

1 Part-of-Speech Tagging

1 Part-of-Speech Tagging 2. Übung zur Vorlesung NLP Analyse des Wissensrohstoes Text im Sommersemester 2008 Dr. Andreas Hotho, Dipl.-Inform. Dominik Benz, Wi.-Inf. Beate Krause 28. Mai 2008 1 Part-of-Speech Tagging 1.1 Grundlagen

Mehr

New ECDL Online -Zusammenarbeit

New ECDL Online -Zusammenarbeit 012345678699698 New ECDL Online -Zusammenarbeit 3 Tools zur Online Zusammenarbeit anwenden 3.1.7 Dateien oder Ordner freigeben Im folgenden Kapitel lernen Sie, wie Sie Ihre Online-Dateien und Ordner mit

Mehr

Waimea String Replacer

Waimea String Replacer Waimea String Replacer Eine benutzerfreundliche Software zum Ersetzen von Zeichenfolgen in Dateistapeln Version 3.0.0 12.03.2012 Waimea String Replacer Seite 2 1. Leistungsumfang Waimea String Replacer

Mehr

rechtsbündige Leerzeichen mit einlesen im Datastep

rechtsbündige Leerzeichen mit einlesen im Datastep News Artikel Foren Projekte Links Über Redscope Join List Random Previous Next Startseite Foren ETL & Base SAS rechtsbündige Leerzeichen mit einlesen im Datastep 1 June, 2010-19:00 marcosch Hallo, wahrscheinlich

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik

Mehr

PowerMover. Ein halbautomatischer Sortierer für Outlook-PowerUser. Ein Add-In für die Versionen 2007 und 2010

PowerMover. Ein halbautomatischer Sortierer für Outlook-PowerUser. Ein Add-In für die Versionen 2007 und 2010 PowerMover Ein halbautomatischer Sortierer für Outlook-PowerUser. Ein Add-In für die Versionen 2007 und 2010 Inhaltsverzeichnis: 1 Einleitung... 2 2 Bedienung... 3 2.1 Outlook-Menü-Leiste... 3 2.2 Den

Mehr

Datensicherung. Beschreibung der Datensicherung

Datensicherung. Beschreibung der Datensicherung Datensicherung Mit dem Datensicherungsprogramm können Sie Ihre persönlichen Daten problemlos Sichern. Es ist möglich eine komplette Datensicherung durchzuführen, aber auch nur die neuen und geänderten

Mehr

4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum

4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum 4. Lernen von Entscheidungsbäumen Klassifikation mit Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch /Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse zugeordnet werden.

Mehr

Ihre Software für effizientes Qualitätsmanagement

Ihre Software für effizientes Qualitätsmanagement Ihre Software für effizientes Qualitätsmanagement Sie wollen qualitativ hochwertig arbeiten? Wir haben die Lösungen. SWS VDA QS Ob Qualitäts-Management (QM,QS) oder Produktions-Erfassung. Ob Automobil-Zulieferer,

Mehr

Hinweise zur Anmeldung und Bedienung des. Support Forums

Hinweise zur Anmeldung und Bedienung des. Support Forums Hinweise zur Anmeldung und Bedienung des Support Forums http://www.macrosystem.de/forum Administrator: Michael Huebmer EMail bei Forum-Login Problemen: forum@macrosystem.at Anleitung zur Bedienung des

Mehr

3 Installation von Exchange

3 Installation von Exchange 3 Installation von Exchange Server 2010 In diesem Kapitel wird nun der erste Exchange Server 2010 in eine neue Umgebung installiert. Ich werde hier erst einmal eine einfache Installation mit der grafischen

Mehr

Zwischenablage (Bilder, Texte,...)

Zwischenablage (Bilder, Texte,...) Zwischenablage was ist das? Informationen über. die Bedeutung der Windows-Zwischenablage Kopieren und Einfügen mit der Zwischenablage Vermeiden von Fehlern beim Arbeiten mit der Zwischenablage Bei diesen

Mehr

Rechnerische Komplexität

Rechnerische Komplexität Proseminar Effiziente Algorithmen SS 2002 Rechnerische Komplexität Ulrike Krönert (34180) 0. Inhalt 1. Einführung 2. Algorithmen und Komplexität 2.1. Algorithmen 2.2. Laufzeitabschätzung 2.3. Polynomialzeit

Mehr

Handbuch für Redakteure

Handbuch für Redakteure Handbuch für Redakteure Erste Schritte... 1 Artikel erstellen... 2 Artikelinhalt bearbeiten... 3 Artikel bearbeiten... 3 Grunddaten ändern... 5 Weitere Artikeleigenschaften... 5 Der WYSIWYG-Editor... 6

Mehr

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7.

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. 2004 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....

Mehr

Job-Management simpel und klar (Einsätze, Aufträge, Lohn und Rechnung verwalten)

Job-Management simpel und klar (Einsätze, Aufträge, Lohn und Rechnung verwalten) data KUBLI... JobMan Bildbeschreibung Job-Management simpel und klar (Einsätze, Aufträge, Lohn und Rechnung verwalten) In der Folge einige Bilder des laufenden Programms... Das Willkommensfenster und Datenbindungstool.

Mehr

Leitfaden Internet-Redaktion kursana.de

Leitfaden Internet-Redaktion kursana.de Leitfaden Internet-Redaktion kursana.de 1.»Log In«: Der Zugang zum Redaktionssystem 2. Anlegen einer neuen Veranstaltung 3. Anlegen eines neuen Stellenangebots 4.»Log Out«: Aus dem Redaktionssystem ausloggen

Mehr

1 Änderungen bei Windows Server 2008 R2

1 Änderungen bei Windows Server 2008 R2 1 Änderungen bei Windows Server 2008 R2 1.1 Der BranchCache Eine völlig neue Möglichkeit, auf Ressourcen zuzugreifen, bietet der BranchCache. In vielen Firmen gibt es Zweigstellen, die mit der Hauptstelle

Mehr

... MathML XHTML RDF

... MathML XHTML RDF RDF in wissenschaftlichen Bibliotheken (LQI KUXQJLQ;0/ Die extensible Markup Language [XML] ist eine Metasprache für die Definition von Markup Sprachen. Sie unterscheidet sich durch ihre Fähigkeit, Markup

Mehr

Inkonsistenzen in der Modellierung

Inkonsistenzen in der Modellierung Inkonsistenzen in der Modellierung Software Group Claudio Grolimund: Inkonsistenzen in Modellen sollten schnell erkannt und behoben werden. Im Rahmen der Rational Software Developer Platform 2009 stellte

Mehr

Grundlagen der Informatik. Prof. Dr. Stefan Enderle NTA Isny

Grundlagen der Informatik. Prof. Dr. Stefan Enderle NTA Isny Grundlagen der Informatik Prof. Dr. Stefan Enderle NTA Isny 2 Datenstrukturen 2.1 Einführung Syntax: Definition einer formalen Grammatik, um Regeln einer formalen Sprache (Programmiersprache) festzulegen.

Mehr

Adobe Photoshop CS2, CS3, CS4, CS5 mit Auto-SoftProof-Ansicht

Adobe Photoshop CS2, CS3, CS4, CS5 mit Auto-SoftProof-Ansicht Typischerweise belässt und bearbeitet man digitale Bilder im RGB-Farbmodus, auch wenn das Hauptausgabeziel ein CMYK- Farbraum ist. Um eine farbliche Kontrolle des Ergebnisses während der Bearbeitung zu

Mehr

Ein Leitfaden für Anfänger unter Zuhilfenahme frei verfügbarer Software! (bei z.b. Google Microsoft Powertoys suchen, oder diesen Link verwenden )

Ein Leitfaden für Anfänger unter Zuhilfenahme frei verfügbarer Software! (bei z.b. Google Microsoft Powertoys suchen, oder diesen Link verwenden ) Wie erstelle ich Fotogalerien? Wie kann ich die auf meiner Homepage präsentieren? Ein Leitfaden für Anfänger unter Zuhilfenahme frei verfügbarer Software! Die ist eine Lösung für Windows XP Diese Lösung

Mehr

Zählen von Objekten einer bestimmten Klasse

Zählen von Objekten einer bestimmten Klasse Zählen von Objekten einer bestimmten Klasse Ziel, Inhalt Zur Übung versuchen wir eine Klasse zu schreiben, mit der es möglich ist Objekte einer bestimmten Klasse zu zählen. Wir werden den ++ und den --

Mehr

1 BEDIENUNGSANLEITUNG

1 BEDIENUNGSANLEITUNG 1 BEDIENUNGSANLEITUNG 1.1 Kunde In diesem Fenster können die Stammdaten des Kunden eingetragen werden oder es kann eine Änderung der Stammdaten durchgeführt werden. Zusätzlich kann man auch Kunden nach

Mehr

22. Algorithmus der Woche Partnerschaftsvermittlung Drum prüfe, wer sich ewig bindet

22. Algorithmus der Woche Partnerschaftsvermittlung Drum prüfe, wer sich ewig bindet 22. Algorithmus der Woche Partnerschaftsvermittlung Drum prüfe, wer sich ewig bindet Autor Volker Claus, Universität Stuttgart Volker Diekert, Universität Stuttgart Holger Petersen, Universität Stuttgart

Mehr

Grundlagen der Videotechnik. Redundanz

Grundlagen der Videotechnik. Redundanz Grundlagen der Videotechnik Redundanz Redundanz beruht auf: - statistischen Abhängigkeiten im Signal, - Information, die vorher schon gesendet wurde - generell eine Art Gedächtnis im Signal Beispiel: Ein

Mehr

Opponent Modelling in RoShamBo. Timo Bozsolik (timo.boz@gmx.de)

Opponent Modelling in RoShamBo. Timo Bozsolik (timo.boz@gmx.de) Opponent Modelling in RoShamBo Timo Bozsolik (timo.boz@gmx.de) 2 Überblick Einführung Theoretische Betrachtung Die optimale Strategie Basis Strategien Iocaine Powder Schlussfolgerungen 3 RoShamBo Die Regeln

Mehr

Modellbasierte Diagnosesysteme

Modellbasierte Diagnosesysteme Modellbasierte Diagnosesysteme Diagnose: Identifikation eines vorliegenden Fehlers (Krankheit) auf der Basis von Beobachtungen (Symptomen) und Hintergrundwissen über das System 2 Arten von Diagnosesystemen:

Mehr

Urlaubsregel in David

Urlaubsregel in David Urlaubsregel in David Inhaltsverzeichnis KlickDown Beitrag von Tobit...3 Präambel...3 Benachrichtigung externer Absender...3 Erstellen oder Anpassen des Anworttextes...3 Erstellen oder Anpassen der Auto-Reply-Regel...5

Mehr

20. Algorithmus der Woche Online-Algorithmen: Was ist es wert, die Zukunft zu kennen? Das Ski-Problem

20. Algorithmus der Woche Online-Algorithmen: Was ist es wert, die Zukunft zu kennen? Das Ski-Problem 20. Algorithmus der Woche Online-Algorithmen: Was ist es wert, die Zukunft zu kennen? Das Ski-Problem Autor Susanne Albers, Universität Freiburg Swen Schmelzer, Universität Freiburg In diesem Jahr möchte

Mehr

Entwurf von Algorithmen - Kontrollstrukturen

Entwurf von Algorithmen - Kontrollstrukturen Entwurf von Algorithmen - Kontrollstrukturen Eine wichtige Phase in der Entwicklung von Computerprogrammen ist der Entwurf von Algorithmen. Dieser Arbeitsschritt vor dem Schreiben des Programmes in einer

Mehr

Filterregeln... 1. Einführung... 1. Migration der bestehenden Filterregeln...1. Alle eingehenden Nachrichten weiterleiten...2

Filterregeln... 1. Einführung... 1. Migration der bestehenden Filterregeln...1. Alle eingehenden Nachrichten weiterleiten...2 Jörg Kapelle 15:19:08 Filterregeln Inhaltsverzeichnis Filterregeln... 1 Einführung... 1 Migration der bestehenden Filterregeln...1 Alle eingehenden Nachrichten weiterleiten...2 Abwesenheitsbenachrichtigung...2

Mehr

Betriebssysteme Arbeiten mit dem Windows Explorer

Betriebssysteme Arbeiten mit dem Windows Explorer Frage: Betriebssysteme Arbeiten mit dem Windows Explorer Was ist der Windows Explorer und welche Funktionen bietet er? Antwort: Der Windows Explorer ist das primäre Windows-eigene Programm zum Kopieren,

Mehr

Softwareprojektpraktikum Maschinelle Übersetzung

Softwareprojektpraktikum Maschinelle Übersetzung Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de Vorbesprechung 5. Aufgabe 22. Juni 2017 Human Language Technology

Mehr

Sortierverfahren für Felder (Listen)

Sortierverfahren für Felder (Listen) Sortierverfahren für Felder (Listen) Generell geht es um die Sortierung von Daten nach einem bestimmten Sortierschlüssel. Es ist auch möglich, daß verschiedene Daten denselben Sortierschlüssel haben. Es

Mehr

SOI 2013. Die Schweizer Informatikolympiade

SOI 2013. Die Schweizer Informatikolympiade SOI Die Schweizer Informatikolympiade Lösung SOI Wie schreibe ich eine gute Lösung? Bevor wir die Aufgaben präsentieren, möchten wir dir einige Tipps geben, wie eine gute Lösung für die theoretischen

Mehr

3. Die tägliche E-Mail-Flut effizient verwalten

3. Die tägliche E-Mail-Flut effizient verwalten 3. Es ist wie im normalen Leben: Wenn man etwas vernünftig einsortiert, findet man es auch rasch wieder. In Outlook ist das ähnlich. Denn mit der Zeit sammeln sich sehr viele E-Mails an. Wer da keine logische

Mehr

Häufige Mengen ohne Kandidatengenerierung. FP-Tree: Transaktionen. Konstruktion eines FP-Trees. FP-Tree: Items

Häufige Mengen ohne Kandidatengenerierung. FP-Tree: Transaktionen. Konstruktion eines FP-Trees. FP-Tree: Items Häufige Mengen ohne Kandidatengenerierung Jiawei Han, Micheline Kamber 2006 (2nd ed.)! Ziel 1: Kompression der Datenbank in eine Frequent-Pattern Tree Struktur (FP-Tree)! Stark komprimiert, vollständig

Mehr

1 Zugang zum GIT Repository

1 Zugang zum GIT Repository 1 Zugang zum GIT Repository Der Zugang zum GIT Repository ist je nach Berechtigung unterschiedlich. Es gibt für jeden einen read-only Zugang, der Link dazu ist im Repository sichtbar, welcher sich auf

Mehr

Downloadfehler in DEHSt-VPSMail. Workaround zum Umgang mit einem Downloadfehler

Downloadfehler in DEHSt-VPSMail. Workaround zum Umgang mit einem Downloadfehler Downloadfehler in DEHSt-VPSMail Workaround zum Umgang mit einem Downloadfehler Downloadfehler bremen online services GmbH & Co. KG Seite 2 Inhaltsverzeichnis Vorwort...3 1 Fehlermeldung...4 2 Fehlerbeseitigung...5

Mehr

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Dr. Abebe Geletu Ilmenau University of Technology Department of Simulation and Optimal Processes

Mehr

Dokumentation Authentische Strukturdaten

Dokumentation Authentische Strukturdaten Dokumentation Version 1.1 Version 1.0 Seite 1/18 31.10.2008 Inhaltsverzeichnis 1. Allgemeines...3 1.1 Phasenmodell...3 1.1.1 Phase I...3 1.1.2 Phase II...3 1.1.3 Phase III...3 1.2 Datenaktualität...3 2.

Mehr

Webinfolab / CHEVAL: Evaluationslabor für Information Retrieval Systeme mit semantischen und visuellen Komponenten

Webinfolab / CHEVAL: Evaluationslabor für Information Retrieval Systeme mit semantischen und visuellen Komponenten Webinfolab / CHEVAL: Evaluationslabor für Information Retrieval Systeme mit semantischen und visuellen Komponenten Vortrag anlässlich der ODOK 2007 (20. September 2007, Graz) Joachim Pfister Schweizerisches

Mehr

1. Melden Sie sich als Administrator an und wechseln Sie zum Desktop

1. Melden Sie sich als Administrator an und wechseln Sie zum Desktop Anleitung für die Erstinstallation von ZensTabS1 auf einem Windows 8 PC. Bei der Erstinstallation von ZensTabS1 versucht der Installer als Voraussetzung das MS Framework 1.1 zu installieren, falls es seither

Mehr

Überblick. Lineares Suchen

Überblick. Lineares Suchen Komplexität Was ist das? Die Komplexität eines Algorithmus sei hierbei die Abschätzung des Aufwandes seiner Realisierung bzw. Berechnung auf einem Computer. Sie wird daher auch rechnerische Komplexität

Mehr

1In Dateiformat GIF konvertieren ß Ich gehe davon aus, dass Sie Corel Photo Paint. Corel Draw 9/10

1In Dateiformat GIF konvertieren ß Ich gehe davon aus, dass Sie Corel Photo Paint. Corel Draw 9/10 Fast jeder Corel Draw und Corel Photo Paint Anwender möchte früher oder später, die eine oder andere Grafik für eine Webseite gestalten. Eine der meistgestellten Fragen dabei ist, Wie beseitige ich den

Mehr

Market Basket Analysis oder: isst man Salat zum Schnitzel?

Market Basket Analysis oder: isst man Salat zum Schnitzel? Market Basket Analysis oder: isst man Salat zum Schnitzel? SAS Forum Switzerland, 07. Mai 2013 Ralph Wenzl Migros-Genossenschafts-Bund Customer & Web Intelligence Agenda 1 2 3 4 Muster in Warenkörben 3

Mehr

Sage 50 Allgemeine Datensicherung

Sage 50 Allgemeine Datensicherung Sage 50 Allgemeine Datensicherung Impressum Sage Software GmbH Hennes-Weisweiler-Allee 16 41179 Mönchengladbach Copyright 2015 Sage Software GmbH Die Inhalte und Themen in dieser Unterlage wurden mit sehr

Mehr

Cyclos Das Wichtigste Schritt für Schritt

Cyclos Das Wichtigste Schritt für Schritt Cyclos Das Wichtigste Schritt für Schritt Inhalt Anmelden im Tauschsystem Cyclos... Inserate... 3 Die neusten Inserate suchen:... 3 Ein bestimmtes Inserat suchen:... 4 Ein neues Inserat einstellen:...

Mehr

Erstellen einer GoTalk-Auflage

Erstellen einer GoTalk-Auflage Erstellen einer GoTalk-Auflage 1. Bei dem Startbild Vorlage öffnen wählen 2. In dem folgenden Fenster Geräte Schablonen doppelt anklicken. - und schon öffnet sich der gesamte Katalog der verfügbaren Talker-Auflagen...eigentlich

Mehr

Syntax-basierte maschinelle Übersetzung mit Baumübersetzern

Syntax-basierte maschinelle Übersetzung mit Baumübersetzern yntax-basierte maschinelle Übersetzung mit Baumübersetzern Andreas Maletti Leipzig 28. April 2015 Maschinelle Übersetzung Original Übersetzung (GOOGLE TRANLATE) The addressees of this paper are students

Mehr

Q & A: Representation Tool

Q & A: Representation Tool neoapps GmbH Sägewerkstraße 5 D-83416 Saaldorf-Surheim GmbH Tel: +49 (0)86 54-77 88 56-0 Fax: +49 (0)86 54-77 88 56-6 info@neoapps.de Q & A: Representation Tool REP ist ein Werkzeug für die schnellen und

Mehr

Umwandeln und Exportieren von Adobe-Illustrator-Dateien in Illustrator für Artcut

Umwandeln und Exportieren von Adobe-Illustrator-Dateien in Illustrator für Artcut Umwandeln und Exportieren von Adobe-Illustrator-Dateien in Illustrator für Artcut Unsere mitgelieferte Fonts & Grafik CD haben wir vom Hersteller des Plotters zur Verfügung gestellt bekommen. Die darauf

Mehr

Wie halte ich Ordnung auf meiner Festplatte?

Wie halte ich Ordnung auf meiner Festplatte? Wie halte ich Ordnung auf meiner Festplatte? Was hältst du von folgender Ordnung? Du hast zu Hause einen Schrank. Alles was dir im Wege ist, Zeitungen, Briefe, schmutzige Wäsche, Essensreste, Küchenabfälle,

Mehr

Software-Engineering SS03. Zustandsautomat

Software-Engineering SS03. Zustandsautomat Zustandsautomat Definition: Ein endlicher Automat oder Zustandsautomat besteht aus einer endlichen Zahl von internen Konfigurationen - Zustände genannt. Der Zustand eines Systems beinhaltet implizit die

Mehr

System: DFBnet SpielPlus R3.90

System: DFBnet SpielPlus R3.90 Freigabemitteilung Nr. 34 Spielbericht im SpielPLUS System: DFBnet SpielPlus R3.90 Speicherpfad/Dokument: 120413_DFBnet-Spielbericht-SpielPLUS-Freigabemitteilung- R3.90.doc Erstellt: Letzte Änderung: Geprüft:

Mehr

Lange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege

Lange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege Lange Nacht der Wissenschaft Ein Klassiker Die Mathematik der Kürzesten Wege 09.06.2007 schlechte@zib.de Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) http://www.zib.de/schlechte 2 Überblick

Mehr

Einführung Computerlinguistik. Konstituentensyntax II

Einführung Computerlinguistik. Konstituentensyntax II Einführung Computerlinguistik Konstituentensyntax II Hinrich Schütze & Robert Zangenfeind Centrum für Informations- und Sprachverarbeitung, LMU München 2013-11-18 Schütze & Zangenfeind: Konstituentensyntax

Mehr

Tagging von Online-Blogs

Tagging von Online-Blogs Tagging von Online-Blogs Gertrud Faaß (vertreten durch Josef Ruppenhofer) STTS tagset and tagging: special corpora 24. September 2012 Faaß MODEBLOGS 1 Korpuslinguistische studentische Projekte am IwiSt

Mehr

SelfLinux-0.10.0. cron

SelfLinux-0.10.0. cron cron Autor: JC PollmanChristian Richter (jpollman@bigfoot.comcrichter@users.sourceforge.net) Formatierung: Matthias Hagedorn (matthias.hagedorn@selflinux.org) Lizenz: GPL Linux bietet zwei verwandte Programme

Mehr

Übung Theoretische Grundlagen

Übung Theoretische Grundlagen Übung Theoretische Grundlagen Berechenbarkeit/Entscheidbarkeit Nico Döttling November 26, 2009 INSTITUT FÜR KRYPTOGRAPHIE UND SICHERHEIT KIT University of the State of Baden-Wuerttemberg and National Laboratory

Mehr

Punktbeschriftung in Dynamischen Karten

Punktbeschriftung in Dynamischen Karten Vorlesung Algorithmische Kartografie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.05.2015 1 Übungen Nachtrag 1) Überlegen Sie sich, wie man den

Mehr

Institut für Leistungselektronik und Elektrische Antriebe. Übungen Regelungstechnik 2

Institut für Leistungselektronik und Elektrische Antriebe. Übungen Regelungstechnik 2 Institut für Leistungselektronik und Elektrische Antriebe Prof. Dr.-Ing. J. Roth-Stielow Übungen Regelungstechnik 2 Inhalt der Übungen: 1. Grundlagen (Wiederholung RT1) 2. Störgrößenaufschaltung 3. Störgrößennachbildung

Mehr

Dokumentation IBIS Monitor

Dokumentation IBIS Monitor Dokumentation IBIS Monitor Seite 1 von 16 11.01.06 Inhaltsverzeichnis 1. Allgemein 2. Installation und Programm starten 3. Programmkonfiguration 4. Aufzeichnung 4.1 Aufzeichnung mitschneiden 4.1.1 Inhalt

Mehr

Künstliche Intelligenz Maschinelles Lernen

Künstliche Intelligenz Maschinelles Lernen Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen

Mehr

Anmerkungen zur Übergangsprüfung

Anmerkungen zur Übergangsprüfung DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung

Mehr

Wer Wird Millionär? Ganz wichtig: Denkt daran in regelmäßigen Abständen zu speichern! Los geht s:

Wer Wird Millionär? Ganz wichtig: Denkt daran in regelmäßigen Abständen zu speichern! Los geht s: Wer Wird Millionär? In dieser Aufgabe werdet ihr mit DialogOS eure eigene Version der Quizshow Wer wird Millionär (WWM) entwickeln. Der Computer ist der Quizmaster und der User der Kandidat. Ihr werdet

Mehr

Abenteuer e-commerce Erfolgreich mit dem eigenen Onlineshop.

Abenteuer e-commerce Erfolgreich mit dem eigenen Onlineshop. Content & Contentpflege in oscommerce CMS - oder geht es auch günstiger? Seit Jahren gibt es keine Fachzeitschrift, welche das Thema Wichtigkeit von Content im Bezug auf Suchmaschinenoptimierung ausließ.

Mehr

Tourist Town. wenn Computer ins Schwitzen geraten. Prof. Dr. Isolde Adler IT-Girls Night 28.11.2014 29.11.2014

Tourist Town. wenn Computer ins Schwitzen geraten. Prof. Dr. Isolde Adler IT-Girls Night 28.11.2014 29.11.2014 Tourist Town wenn Computer ins Schwitzen geraten Prof. Dr. Isolde Adler IT-Girls Night 28.11.2014 29.11.2014 Inhalt 1. Was kommt jetzt? 2. Tourist Town Dominierende Mengen 3. Ausblick Isolde Adler Tourist

Mehr

Datenbanken Kapitel 2

Datenbanken Kapitel 2 Datenbanken Kapitel 2 1 Eine existierende Datenbank öffnen Eine Datenbank, die mit Microsoft Access erschaffen wurde, kann mit dem gleichen Programm auch wieder geladen werden: Die einfachste Methode ist,

Mehr

, dadurch wird der andere Modus eingestellt, also es sieht dann so aus

, dadurch wird der andere Modus eingestellt, also es sieht dann so aus Hier finden Sie ein von mir empfohlenes Programm. Es heißt: ESET Smart Security 4 Sie finden hierzu nähere Information im Internet unter: https://www.eset.de/produkte/eset-smart-security/ Funktion des

Mehr

ROFIN App Benutzerhandbuch. Version 1.0

ROFIN App Benutzerhandbuch. Version 1.0 ROFIN App Benutzerhandbuch Version 1.0 Inhaltsverzeichnis 1. Beschreibung 2. Passwort und Einstellungen 3. Support Tab 4. Vertriebs Tab 5. Web Tab 6. Häufig gestellte Fragen BESCHREIBUNG Die ROFIN App

Mehr

2.11 Kontextfreie Grammatiken und Parsebäume

2.11 Kontextfreie Grammatiken und Parsebäume 2.11 Kontextfreie Grammatiken und Parsebäume Beispiel: Beispiel (Teil 3): Beweis für L(G) L: Alle Strings aus L der Länge 0 und 2 sind auch in L(G). Als Induktionsannahme gehen wir davon aus, dass alle

Mehr

Warum Sie jetzt kein Onlinemarketing brauchen! Ab wann ist Onlinemarketing. So finden Sie heraus, wann Ihre Website bereit ist optimiert zu werden

Warum Sie jetzt kein Onlinemarketing brauchen! Ab wann ist Onlinemarketing. So finden Sie heraus, wann Ihre Website bereit ist optimiert zu werden CoachingBrief 02/2016 Warum Sie jetzt kein Onlinemarketing brauchen! Eine Frage gleich zu Anfang: Wie viele Mails haben Sie in dieser Woche erhalten, in denen behauptet wurde: Inhalt Ihre Webseite sei

Mehr

PDF-Druck und PDF-Versand mit repdoc Werkstattsoftware

PDF-Druck und PDF-Versand mit repdoc Werkstattsoftware PDF-Druck und PDF-Versand mit repdoc Werkstattsoftware Installation und Erste Schritte Limex Computer GmbH. Alle Rechte vorbehalten Übersicht Mit der Version Q1/2012 bietet repdoc Werkstattsoftware eine

Mehr

Goethe. Einführung in die Computerlinguistik: Maschinelle Übersetzung. Können Computer übersetzen? Babel Fish Google

Goethe. Einführung in die Computerlinguistik: Maschinelle Übersetzung. Können Computer übersetzen? Babel Fish Google Goethe Einführung in die Computerlinguistik: Maschinelle Übersetzung WS 2012/2013 Manfred Pinkal! Über allen Gipfeln ist Ruh. In allen Wipfeln spürest du kaum einen Hauch! Over all summits is rest. In

Mehr

Menü Macro. WinIBW2-Macros unter Windows7? Macros aufnehmen

Menü Macro. WinIBW2-Macros unter Windows7? Macros aufnehmen Menü Macro WinIBW2-Macros unter Windows7?... 1 Macros aufnehmen... 1 Menübefehle und Schaltflächen in Macros verwenden... 4 Macros bearbeiten... 4 Macros löschen... 5 Macro-Dateien... 5 Macros importieren...

Mehr

Ideen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik

Ideen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Ideen der Informatik Maschinelles Lernen Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung

Mehr

Anleitung Artikel schreiben

Anleitung Artikel schreiben Anleitung Artikel schreiben Einen Artikel zu schreiben, das ist bei Wir-in-Rheinhessen und dem verwendeten Editor von WordPress sehr einfach und leicht. Es erklärt sich fast von selbst. Deshalb hier nur

Mehr