Case Based Reasoning. Seminarausarbeitung. Universität Paderborn. Li Liu. Prof. Dr. Hans Kleine Büning

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Case Based Reasoning. Seminarausarbeitung. Universität Paderborn. Li Liu. Prof. Dr. Hans Kleine Büning"

Transkript

1 Universität Paderborn Fakultät für Elektrotechnik, Mathematik und Informatik Seminarausarbeitung Case Based Reasoning Li Liu vorgelegt bei Prof. Dr. Hans Kleine Büning

2 Inhaltsverzeichnis 1 Einleitung Zielsetzung der Arbeit Übersicht der Arbeit Case-based Reasoning (Fallbasiertes Schließen) Was ist Case-based Reasoning? Einfaches Beispiel Grundidee von CBR Auszüge der Geschichte von CBR Zyklus des CBRs Fallrepräsentation Was ist ein Fall (Case)? Informationen in einem Fall Repräsentationsformalismen Retrieval Ähnlichkeitsbestimmung Nearest Neighbour Retrieval Reuse (Lösungsübertragung, Adaption) Kopieren Anpassen Revise (Überprüfung / Verbesserung) Bewertung des Falles Reparatur des Fehlers Retain (Lernen) Extrahieren Indizieren Applikationsbeispiele und Software-Tools Applikationsbeispiele CBR Software-Tools Anwendungsmöglichkeiten in KIMAS i

3 9 Fazit und Ausblick Anhang Literaturverzeichnis ii

4 Abbildungsverzeichnis Abbildung 1: Beispiel eines CBRs ([Franz03] S. 34)...3 Abbildung 2: Einfaches CBR-Modell ([Berg99] Folie 1.10)...3 Abbildung 3: CBR Zyklus (Aamodt & Plaza, 1994, AI Communications) 5 Abbildung 4: Komponente eines Falles...6 Abbildung 5: Beispiel eines Attribut-Wert-Paars...7 Abbildung 6: Beispiel eines Falles beschriebt mit festen Attributmengen7 Abbildung 7: Vergleich des neuen Problems mit Fall Abbildung 8: Vergleich des neuen Problems mit Fall Abbildung 9: Beispiel des Nähste-Nachbarn-Algorithmus [Wetz00]...11 Abbildung 10: Übertragung der Lösung vom Fall 1 in das neuen Problem...13 Abbildung 11: Neuer Fall Abbildung 12: Anwendungsbeispiel von CBR-Commerce...18 iii

5 1 Einleitung Für ein Unternehmen ist die Erfahrung bei Produktion und Design etc. von großem Wert. Dies ist nicht greifbares Eigentum des Unternehmens. Durch Kumulieren von Erfahrungen kann eine Firma konkurrenzfähiger werden. Die Erfahrungen werden den neu eintretenden in dem Unternehmen übergeben. Die Erhaltung der Erfahrungen wird oft beeinflusst durch zum Beispiel den Personalfluss oder Investition in anderen Ländern. Erfolgreiche Projekte enthalten nützliche wertvolle Erfahrungen. Viel vorhandenes Wissen sind nur Erfahrungen. Sie sind nicht direkt verfügbar. Traditionelles Dokumentationsmanagement kann die Erfahrungen nicht effektiv nutzbar machen. Case-based Reasoning (Fallbasiertes Schließen) bietet eine effektive Methode, vorhandene Erfahrungen möglichst einfach zu sammeln und das Wissen verfügbar zu machen. Case-based Reasoning hat in den letzten zehn Jahren einen großen Aufschwung erlebt. Problemlösen durch Analogie ist ein seit langem verfolgtes Ziel in der Künstlichen Intelligenz, unter anderem, weil Menschen offensichtlich diese Problemlösestrategie benutzen. Es wurde hier vor allem untersucht, wie Lösungen auf neue Probleme übertragen werden können. [vgl. Meil03] 1.1 Zielsetzung der Arbeit In dieser Seminararbeit sollen die Grundidee, die Vorgehensweise, Applikationsbeispiele und Anwendungsmöglichkeiten in der Projektgruppe Kimas gründlich vorgestellt werden. 1.2 Übersicht der Arbeit Im Kapitel 2 werden grundlegende Definitionen aus Case-based Reasoning angeführt. Von Kapitel 3-6 werden die Grundtechniken von Case-based Reasoning jeweils in einzelnen Kapiteln vorgestellt. Das Kapitel 7 geht auf die Applikationsbeispiele des CBRs sowie die Anwendungsmöglichkeit in der Projektgruppe KIMAS ein. Das Kapitel 8 fasst die Seminararbeit zusammen. 1

6 2 Case-based Reasoning (Fallbasiertes Schließen) In diesem Kapital werden die Grundidee und Konzepte von Case-based Reasoning vorgestellt. 2.1 Was ist Case-based Reasoning? Case-based Reasoning (CBR) gehört zu dem Bereich Künstliche Intelligenz (KI) oder auf Englisch Artifical Intelligence (AI). Es gibt verschiedene Definitionen dafür. Case-based reasoning is [...] reasoning by remembering. [Leak96] Case-based reasoning is both [...] the ways people use cases to solve problems and the ways we can make machines use them. [Kolo93] Ein Computertechniker repariert häufig einen Computer nach den Erfahrungen mit anderen PCs, die ähnliche Symptome aufwiesen. Ein Arzt stellt Diagnosen aus jahrelanger Berufserfahrung. Case-based Reasoning ist eine Prozedur, die neue Probleme basierend auf den Lösungen ähnlicher bereits gelöster Fälle löst. Ein CBR-System löst nicht das Problem, sondern verwendet einen bereits gelösten Fall direkt oder in angepasster Form wieder. In dieser Arbeit werden zwei Definitionen angewendet. 1. Zielfall (target case): Zu lösendes Problem oder zu lösender Fall. 2. Basisfall (base case): Problem oder Fall inklusive Lösung im Speicher. Ein CBR-System sucht einen Basisfall im Speicher anhand von Hinweisen aus dem Zielfall und löst das Zielproblem mit Hilfe der Lösung des Basisfalls. 2.2 Einfaches Beispiel In Abbildung 1 sehen wir eine Lösungsweise vom Apfelproblem. Der Zielfall ist: Was kann man mit einem Apfel machen? In der Datenbank findet man einen Basisfall vom Birneproblem, der ähnlich zu dem Apfelproblem ist. Die Lösung des Birnefalls ist: Eine Birne kann angebissen werden. Ein CBR-System wird dann eine Lösung für das Apfelproblem vorschlagen: Der Apfel kann angebissen werden. 2

7 Basisfall Zielfall Abbildung 1: Beispiel eines CBRs ([Franz03] S. 34) 2.3 Grundidee von CBR Basisfall Zielfall Abbildung 2: Einfaches CBR-Modell ([Berg99] Folie 1.10) Abbildung 2 zeigt die Grundidee des CBRs: Ein neues Problem wird gelöst durch die Auswahl von Fällen, die ähnliche Probleme gelöst haben, und die Lösung wird angepasst. Mit einem CBR-System kann der Benutzer das Problem in natürlicher Sprache so beschreiben, wie er es gesehen hat. Das System findet ein ähnlichstes Problem in der Datenbank oder eine Reihe ähnliche Probleme. Dem Benutzer können von dem System Fragen gestellt werden, um das zu lösende Problem bestens widerzuspiegeln oder sich auf einen Fall zu konzentrieren. Am Ende wird die Lösung von dem ähnlichen Fall an das neue Problem angepasst. 2.4 Auszüge der Geschichte von CBR In diesem Abschnitt werden Auszüge der Geschichte von CBR kurz gefasst. 3

8 1977 USA: CBR in künstlicher Intelligenz wird von Roger Schank und seinen Studenten in der Arbeit von dynamic Memory Theory erfunden USA: Das erste implementierte System, das als CBR bezeichnet werden kann, war CYRUS von Janet Kolodner, die zur Gruppe Schank der Universität Yale gehörte. Es war im Grunde ein Frage-Antwort-System und basiert auf dem dynamischen Speicher-Model von Schank USA: Bruce Porter und seine Gruppe an der Universität Texas entwickeln PROTOS für CBR. Das System kombinierte allgemeines Domäne- Wissen und spezielle Fälle in einer vereinheitlichen Repräsentationsstruktur. In Europa begann CBR Forschung später als in den USA Deutschland: Michael Richter der Universität Kaiserslautern wendete CBR für komplexe technische Diagnose in dem System MOLTKE an Spanien: Fallbasiertes Lernen wird von IIIA Blanes Spanien zur Medizinischen Diagnose angewendet Norwegen: An der Universität Trondheim entwickelt Agnar Aamodt und seine Mitarbeiter ein CBR und Wissensakquisition System CREEK. Seit 1991 haben viele Workshops in Europa stattgefunden. Im Jahr 1991 findet der erste deutsche CBR Workshop (AKCBR, GWCBR) und im Jahr 1993 der erste europäische CBR Workshop (EWCBR) statt findet die erste internationale CBR Konferenz (ICCBR) statt. Zurzeit wird CBR in vielen Universitäten und Instituten weltweit erforscht. Es gibt mittlerweile viele kommerzielle Werkzeuge zur Entwicklung von CBR- Anwendungen. CBR wird größtenteils in den täglichen Anwendungen eingesetzt. Nationale und Internationale Workshops und Konferenzen finden regelmäßig statt. 4

9 2.5 Zyklus des CBRs Abbildung 3: CBR Zyklus (Aamodt & Plaza, 1994, AI Communications) Ein CBR Zyklus (s. Abbildung 3) wird typisch folgendermaßen in 4-Re beschrieben: Retrieve: Suche die ähnlichsten Erfahrungen (Fälle) im Speicher. Reuse: Verwende das Wissen und die Erfahrungen in dem Fall des Zielproblems wieder. Revise: Modifiziere die Lösung des Falles wenn nötig. Retain: Speichere einen neuen Fall in die Wissenbasis, wenn er neues Wissen enthält. In den folgenden Kapiteln werden die Grundtechniken des CBRs einzeln vorgestellt. Weitere Literatur: [Leak96], [AaPla94], [Kolo93]. 5

10 3 Fallrepräsentation Vor den 4-Re-Schritten werden die grundlegenden Fallrepräsentationstechniken in diesem Kaptitel vorgestellt und anhand eines Beispieles verdeutlicht. 3.1 Was ist ein Fall (Case)? Nach Kognitionswissenschaften sind Fälle Abstraktionen von Ereignissen, die in Zeit und Raum begrenzt werden können (Episodisches Wissen). Aus CBR Sichtweise ist ein Fall die Beschreibung einer bereits real aufgetretenen Problemsituation zusammen mit den Erfahrungen, die während der Bearbeitung des Problems gewonnen werden konnten. ([Berg99] Folie 1.11) 3.2 Informationen in einem Fall Ein Fall ist ein Stück Wissen im Zusammenhang mit dessen Umständen, das eine Erfahrung repräsentiert. Der Fall kann eine Geschichte, ein Protokoll, eine Situation usw. sein. Ein Fall besteht mindestens aus einem Problem und einer Lösung oder Lösungen für das Problem und gegebenenfalls weiterer Informationen (s. Abbildung 4). Case 001 Problem Solution more informations Abbildung 4: Komponente eines Falles Das Problem beschreibt die Umgebung, in der der Fall auftrat. Die Lösung beschreibt den Lösungsweg für das Problem. Weitere mögliche Informationen, die gespeichert sein können, sind Güteinformation, z.b. Qualitätsbeschreibung des Outputs, Kosten usw. 6

11 3.3 Repräsentationsformalismen Das Problem und die Lösung eines Falles können durch Attribut-Wert-Paare repräsentiert werden (s. Abbildung 5). Jedes Attribut hat einen bestimmten Typ, z.b. Integer, String, Datum, Hyperlink etc. Preis: 89,99 Euro Attribut Wert Abbildung 5: Beispiel eines Attribut-Wert-Paars Die Formalisierung eines Falles ist wichtig in CBR. Die Formalisierungsregeln der Fälle sollen möglichst identisch sein. Jedes Problem eines Falles hat eine eindeutige Lösung, d.h. eins-zu-eins Reflektion. Retrieval identifiziert den Fall mit ähnlicher Problembeschreibung. Wenn der Fall adaptiert werden soll, wird auch eine neue Lösung erstellt. Ein neuer Fall wird in die Datenbank eingefügt. In dieser Arbeit wird ein Beispiel über Autoreparatur angeführt. In der Falldatenbank gibt es verschiedene Fälle mit Lösungen. In Abbildung 6 wird das Problem Defekt des Fernlichts als Beispiel gezeigt. Zur Beschreibung des Problems wurden die festen Attribute Fehlername, PKW Type, Baujahr, Batteriespannung etc. benötigt. Eine Lösung steht zur Verfügung. Abbildung 6: Beispiel eines Falles beschriebt mit festen Attributmengen 7

12 4 Retrieval In der Phase Retrieval wird versucht, einen oder mehrere Fälle zu finden, die dem zu lösenden Problem am ähnlichsten sind. 4.1 Ähnlichkeitsbestimmung Ähnlichkeitsbestimmung ist der zentrale Begriff in CBR. Es gibt verschiedene Methoden für Ähnlichkeitsrechnung in Abhängigkeit von den angewendeten Algorithmen bei der Fallrepräsentation. Ein typisches Ähnlichkeitsmaß zwischen zwei Fällen c1 und c2 wird wie folgend gerechnet: SIM ( C1, C2) p w sim j j = 1 = p Parameter in der Formel: C i j = 1 j ( C1, C2) w j Problembeschreibungen für Fall i SIM(C1,C2) Ähnlichkeitsmaß zwischen Fall 1 und Fall 2 p Anzahl der Attribute w j sim j Gewicht (weight) des Attributes j Ähnlichkeit (similarity) für Attribut j Bei objektorientierten Repräsentationen werden Objekte gleicher Attribut-Wert- Paare verglichen. Die Attributähnlichkeit wird berechnet. Der Durchschnitt aller Attributähnlichkeiten ist die gesamte Ähnlichkeit. Für jedes Attribut kann noch vom Experten ein Gewicht vergeben werden. Das Gewicht hängt von den Erfahrungen ab. Die Ähnlichkeit gleicher Attribute kann aufgrund von verschiedenen Gebieten, Produkten und Experten unterschiedlich sein. Zurück zu dem Beispiel Autoreparatur. Das Bremslicht eines Autos ist kaputt. Wir untersuchen nicht, wodurch es zu dem Defekt kam, sondern vergleichen das Problem mit Fall 1 in der Falldatenbank (s. Abbildung 7). Jedes Attribut hat eine Wichtigkeit zwischen 1-6 in diesem Fall. Alle Attribute werden eins-zu-eins (1) 8

13 verglichen und die Ähnlichkeit zwischen dem neuen und alten Attribut wird im Bereich von 0 (ohne Ähnlichkeit) bis 1 (identisch) bestimmt. Abbildung 7: Vergleich des neuen Problems mit Fall 1 Nach der Formel 1 wird die Ähnlichkeit zwischen dem neuen Problem und dem Fall 1 so gerechnet: [ 6 0, , , , ,0] 20 0, 86 SIM ( new, case1) = = Es gibt noch Fall 2 in der Datenbank, der ähnlich zu dem neuen Problem ist (s. Abbildung 8). Abbildung 8: Vergleich des neuen Problems mit Fall 2 Die Ähnlichkeit zwischen dem neuen Problem und Fall 2 wird wie folgendes gerechnet: [ 6 0, , , , ] 20 0, 585 SIM ( new, case2) = = 9

14 An der Ähnlichkeitsberechnung kann man sehen, dass Fall 1 wegen des Attributs Zustand der Scheinwerfer ähnlicher mit dem neuen Problem als Fall 2 ist. 4.2 Nearest Neighbour Retrieval Nearest-neighbour retrieval ist häufig benutzte Techniken in der Ähnlichkeitsbestimmung. In diesem Abschnitt wird nearest-neighbour retrival in einem Beispiel für eine Suchmaschine kurz vorgestellt. Ein Käufer möchte ein bestimmtes Auto kaufen: Silber, Navigationssystem, großer Kofferraum, Seitenairbags, Allrad, Diesel, günstiger als 30,000 Euro. Was passiert, wenn man nach so einem Auto mit einer SQL-Anfrage in einer Autoexamplar-Datenbank sucht. Es wird höchstwahrscheinlich kein Auto für den Kunden finden, das allen genannten Kriterien vollkommen gerecht wird. Dann muss der Käufer die Kriterien ändern, bis das System eine Auswahl an Autos finden kann. In der Realität will ein typischer Kunde nur die Automodelle sehen, die den meisten Kriterien genügen. Ein typisches Expertensystem sucht alle Regeln in seinem Speicher und macht eine Diagnose. Ein CBR-System sucht zuerst, ob ein ähnlicher Fall schon passiert ist. Wenn im Speicher so ein Fall vorhanden ist, benutzt das System die Diagnose des Falles. Viele menschliche Argumente oder Beurteilungen, z.b. beim Schachspielen, beim Fußballspielen, bei ärztlichen Diagnosen und beim Autofahren, bauen mehr auf die Erkennung der Muster als auf Regeln. Von diesem Punkt aus ist CBR mehr Human-like als ein Regel-Basiertes System. (vgl. [Wtz00]) Datenbankzugriffe werden von einem CBR-System dadurch ersetzt, dass sie nach dem nächsten Nachbarn suchen. In Abbildung 9 zeigt ein Beispiel für den Nächsten-Nachbarn-Algorithmus. 2 Attribute Preis (X-Koordinate) und Leistung (Y-Koordinaten) werden in 2-Dimension eingesetzt. Der Punkt Ziel(1,10) ist ideal und daher erstrebenswert, aber leider nicht realisierbar. Deshalb wird ein alternativer Punkt gesucht, der in möglichst vielen Eigenschaften (X-und Y Koordinaten) mit dem Ziel übereinstimmt, z.b. den Punkt D in der Abbildung. Wie kann das System wissen, dass D der nächste Nachbar vom Ziel ist? Durch anwenden der Formel a² + b² = c² kann der Computer ausrechnen, dass D die geringste Entfernung vom Punkt Ziel(1,10) hat. Weiterhin können wir mehrere 10

15 Attribute in die Rechnung einbringen, z.b. noch Zuverlässigkeit, Größe dazu wird das Modell 4-dimensional sein. (1,10) (1,6) = (0, 4) a ² + b² = c² 0 + 4² = c² c = 4 Abbildung 9: Beispiel des Nächste-Nachbarn-Algorithmus [Wetz00] (1,10,10,1) (4,4,4,4) = ( 3, 6, 6, 3) a ² + b² + c² + d ² = e² ( 3)² + 6² + 6² + ( 3)² = e² e = 9,49 Fallrepräsentation ist die wichtigste Phase beim Entwurf eines CBR-Systems. Abhängig von der Komplexität der Situation können Fälle in einfacher Flachform oder in Hierarchien repräsentiert werden. Es ist wichtig, passende Modellierungsverfahren von Fällen und Ähnlichkeit auszuwählen, weil eine nachträgliche Änderung der Modellierung hohen Aufwand bedeuten würde, das heißt, dass alle Arbeitsschritte, von dieser Änderung ausgehend, wiederholt werden müssten. Für die Attributauswahlregeln, die Algorithmen für Repräsentationsformalismen und Ähnlichkeitsrechnungen stehen zahlreiche vertiefende Literaturen zur Verfügung. Weitere Literatur: [Berg99] Kap. 3-5, [Kolo93], [Wat97], [Leak96], [Lenz98]. 11

16 5 Reuse (Lösungsübertragung, Adaption) Falls ein Fall nach der Phase Retrieval gefunden wurde, versucht ein CBR- System die Lösung in dem neuen Problem wieder zu verwendet. Durch vergleichen des gegebene Problems mit dem Fall in der CBR-Falldatenbank sollen zwei Sorten Informationen erhalten werden: 1. Die Ähnlichkeit zwischen dem alten und neuen Modell; 2. Welche Teile des Falles können in das neue Problem übertragen werden. 5.1 Kopieren Für einfache Probleme ist eine Anpassung der alten Lösung nicht nötig. Das Ergebnis des alten Falles kann direkt auf das neue Problem angewendet werden. 5.2 Anpassen Für komplexe Probleme passt die Lösung wahrscheinlich nicht mehr. Das CBR- System muss die relevanten Bereiche noch besser kennen und die gefundene Lösung auf Grund der Unterschiede adaptieren. Die Methoden zur Wiederverwendung können in zwei Gruppen geteilt werden: 1. Wiederverwendung der alten Lösung (transformational reuse): Die Lösungen des alten Falles sind nicht direkt anwendbar auf das neue Problem. Das CBR-System muss alle möglichen Lösungen anhand Transformationsoperatoren in eine passende Lösung für das neue Problem transformieren. 2. Wiederverwendung der alten Methoden (derivational reuse): Derivative Wiederverwendung konzentriert sich nicht auf die Lösung des alten Falles sonder auf die Lösungsweise, d.h. wie das Problem aufgelöst wurde. Zurück zu dem Beispiel Autoreparatur. Die Diagnose und die Lösung des Falls 1 wird in dem neuen Problem angepasst (s. Abbildung 10). 12

17 Abbildung 10: Übertragung der Lösung vom Fall 1 in das neuen Problem Weitere Literatur für Reuse : [Wilk97], [Hann95], [Smyt94], [Kolo93] Kapitel

18 6 Revise (Überprüfung / Verbesserung) Nach der Lösungsübertragung und Anpassung soll es geprüft werden, ob die neue Lösung dem neuen Problem passt. Die Lösung muss vom Benutzer geprüft und korrigiert werden. 6.1 Bewertung des Falles Zuerst muss die Lösung nach der Reuse-Phase bewertet werden. Schlägt die Lösung fehl, dann sollte sie korrigiert werden. Die Lösung kann mit dem Feedback nach dem Durchlauf unter realer Umgebung oder von Experten bewertet werden. Bei manchen Applikationen kann es lange dauern, um auf das Feedback zu warten, z.b. auf das Ergebnis einer medizinischen Behandlung. In manchen Produktionen kann man das Feedback sehr schnell erhalten. Es muss aufgepasst werden, dass Fehler schlimme Unfälle verursachen können. Deswegen ist es in solchem Fall notwendig, vor dem Problauf die Belastungsfähigkeit der Maschine zu testen. 6.2 Reparatur des Fehlers Wenn die vorgeschlagene Lösung scheitert, muss der Fehler erkannt und verbessert werden. Es muss speziell untersucht werden, warum die Lösung scheitert. Fehler können durch das Modell selbst oder durch den Benutzer repariert werden. 14

19 7 Retain (Lernen) In diesem Schritt soll das für das neue Problem eventuell revidierte Problemlösungswissen gespeichert werden, damit der Fall (das Problem und die Lösung) in Zukunft wieder verwendet werden kann. 7.1 Extrahieren Unabhängig davon, wie das Problem gelöst wurde, soll das CBR-System den Fall aktualisieren. Wenn das Problem von einem bereits vorhandenen Fall gelöst wurde, kann ein neuer Fall aufgebaut oder der alte Fall erweitert werden. Wurde das Problem durch eine andere Methode gelöst, soll ein neuer Fall konstruiert werden. Jeder Schritt ist Lernstoff in CBR. Neue Erfahrung, Lösungsweise, verbesserte Ähnlichkeit und Bestimmung wichtiger Attribute, Organisation oder Indizieren der Datenbanken, Wissen von Adaption der Lösungen usw. können gelernt werden. Ungültige und Überflüssige Fälle sollten aus der Falldatenbank gelöscht werden. Ein ungültiger Fall ist ein Fall, der falsche Lösungen liefert. Ein überflüssiger Fall ist ein Fall, der eine Lösung für ein ähnliches Problem hat, das aber nicht mehr vorkommen kann. Es ist sinnvoll, dass der Fall einer reparierten Lösung zusammen mit der Fehlererklärung gespeichert wird, damit die gleichen Fehler, z.b. Anpassungsfehler oder Ähnlichkeitsrechnungsfehler, nicht wieder vorkommen, wenn die Lösung eines ähnlichen Falles scheitert. In dem Wissensbehälter (knowledge container) stehen (Richter, 1995) Vokabulare (benutzte Attribute), Falldatenbank, Erfahrungen von Ähnlichkeitsbestimmung und Lösungsadaption etc. 7.2 Indizieren Wie es die Funktion eines Indexes in einer allgemeinen Datenbank ist, kann ein Index in CBR-Systemen auch den Zugriff auf die Daten beschleunigen. Die Informationen in einem Fall können deswegen in indexiert (z.b. Alt, Geschlecht, Preis, Größe) und unindexiert (z.b. Name, Adresse, Bild, Lösungsbeschreibung) unterteilt werden. Indizes für jede Eigenschaft bzw. jedes Attribut wäre trivial, weil nicht jeder Index benutzt wird und Indizes die Aktualisierung von Da- 15

20 ten verlangsamen. Es ist möglich, dass in dieser Phase die Struktur des Indexbaumes geändert bzw. verbessert werden kann. Zurück zu dem Beispiel Autoreparatur. Ein neuer Fall 3 wie in Abbildung 11 wird in die Falldatenbank gespeichert. Abbildung 11: Neuer Fall 3 Weitere Literatur für Retain : [Wess95] S , [Wett95], S. 347 ff, [Smyt95], S. 377 ff. 16

21 8 Applikationsbeispiele und Software-Tools In diesem Kapitel werden ein paar Applikationsbeispiele und vorhandene Software-Tools vorgestellt. 8.1 Applikationsbeispiele Expertensystem für Hühneraufzucht in China: Der Mitarbeiter von Hühnerfarm muss kein Experte sein. Er muss nicht jeden Tag darüber nachdenken, was die Hühner bei welchem Wetter zu futtern bekommen. Das Expertensystem generiert Speisekarten für Eierhühner nach dem Wissen und den Erfahrungen von Nahrung und Futter für Eierhühner. Das System beinhaltet eine Fall-Bank und eine Speiseadaptionsregel-Bank. Mehr Informationen siehe [Eier03]. Landwirtschaftliches Expertenentscheidungssystem in China: Das System kombiniert zwei Datenbanken: Expertenwissen und Fälle. Ein System davon ist ein Expertensystem für hohe Maisproduktion. Es bietet Lösungen wie Sortenkombinationen, Düngeplanung und Feldmanagementmethoden an. Ein anderes System ist ein Expertensystem der Diagnosen von Schweinekrankheiten. Mehr Informationen siehe [Mais03]. Entscheidungshilfe bei Gericht in Taiwan (Decision Support for Criminal Summary Judgment): Mit der Entscheidungshilfe muss der Rechtsanwalt nicht mehr jede Anklage lesen. Das System liest das Strafverfolgungsbuch und gibt dem Fall einen ersten Beurteilungsentwurf für den Rechtanwalt. Das System warnt sogar vor möglichen falschen Anwendungen des Gesetzes. Die Richtigkeit im Test in Taiwan war über 90%. In dem System werden Fallbasiertes Schließen und Regelbasiertes Schließen Techniken eingesetzt. Mehr Informationen siehe [Law03]. CBR wurde z.b. auch noch als Hilfsmittel im Baudesign (z.b. Aided pile foundation design system ), bei Übersetzungsmaschinen, Kostenschätzungen, Reiseplanungssystem (s. Abbildung 12) usw. angewendet. Die Anwendungen von CBR können in 5 Hauptdomänen unterteilt werden: Diagnose, Help desk im Kundenservice, Bewertung, Entscheidungsunterstützung und Design. [AIAI03] 17

22 Unter stehen ein paar Demoapplikationen Online zur Verfügung: CarSmart: Der Benutzer gibt seine Wünsche an ein Fahrzeug (Fabrikat, Modell, PS, Farbe, etc.) in natürlicher Sprache ein. Das CarSmart System findet Autos, die den Vorstellungen des Benutzers am besten entsprechen. SmartCooking: Mit dem System kann der Benutzer das richtige Rezept für den richtigen Anlass aus mehr als englischen und deutschen Rezepten finden. Abbildung 12: Anwendungsbeispiel von CBR-Commerce 8.2 CBR Software-Tools Es gibt zahlreiche Software-Tools wie ART*Enterprise, Case-1, CaseAdvisor, CasePower, Eclipes - The Easy Reasoner, CBR3, KATE, ReCall usw. Im Rahmen dieser Seminararbeit wird das Tool CBR3 vorgestellt. CBR3 (1997) von Inference Corp. ist ein erfolgreiches CBR-Tool. Die CBR3 Familie besteht aus CBR Express, CasePoint, Generator, Tester und CasePoint WebServer. Fälle werden in CBR3 in einfacher Struktur in Form von Berichten in einer relationalen Datenbank gespeichert. Die Case Express Schnittstelle kommuniziert mit dem Benutzer und verlangt dabei keine Programmierkenntnisse. CBR3 kann Texte in freier Form verarbeiten und ist tolerant gegen Tipp- 18

23 fehler. Der Algorithmus beim Retrieval ist nearst-neighbour matching. Mit dem Case Express Case Editor kann man Fälle editieren. CasePoint sucht ähnliche Fälle. Der Generator parst Textdatei der Problembeschreibung und erzeugt daraus einen Fall. CBR Express Tester hilft dem Designer, die Qualität der Fälle zu bewerten. Der CasePoint WebServer ermöglicht, die Fallbanken im Internet zu laufen zu lassen. Freie Software ist zum Beispiel Protos von der Universität Texas. Weitere Informationen über CBR Software-Tools sind zum Beispiel unter 8.3 Anwendungsmöglichkeiten in KIMAS In der Projektgruppe KIMAS wird das Programm Quake 3 als Basis verwendet. Möglicherweise kann ein CBR-System die Bots in Quake 3 intelligenter machen. Der Bot stellt Anfragen an das CBR-System, was er in der aktuellen Situation tun soll. Wenn er einem Gegner unterlegen ist, soll er Hilfe von anderen Bots holen oder weglaufen und sich regenerieren? Wohin soll er weglaufen? Mit welcher Waffe soll er den Gegner angreifen?... Lösungen werden aus den gemachten Erfahrungen vorgeschlagen und sind nicht 100% richtig, aber es ist eventuell schneller als in jeder Situation neue Strategie zu errechnen. 19

24 9 Fazit und Ausblick Bis hier wurden die Grundlagen von CBR vorgestellt. Als Eingabe in ein CBR- System muss der Benutzer eine Anfrage mit allen vorhandenen Informationen eingeben. Das System schlägt dann möglichst passende Lösungen vor. Wenn die Eingaben nicht von ausreichender Güte sind, wird die Ausgabe des CBR- Systems nicht nutzbringend sein. Es soll vorsichtig sein, dass der Aufbau eines CBR-Systems vom Beginn an schon mit guten Daten anfängt. Der Zugriff auf Lösungen mit CBR ist schnell, effizient und bringt hohe Benutzerakzeptanz, weil der alte Fall auch durch die 4-Re-Schritte gelaufen ist. D.h. die vorgeschlagene Lösung wurde schon getestet und hat früher schon ein ähnliches Problem gelöst. Der Aufbau einer Falldatenbank (case-base) ist relativ einfach. Die Probleme können mit natürlicher Sprache beschrieben werden. Die Benutzung ist auch für Nichtexperten möglich. Ein CBR-System funktioniert auch bei unvollständig vorhandenem Wissen. Das Wissen in der Falldatenbank ist einfach zu updaten und zu warten. Jeder Fall ist von anderen unabhängig. Nicht nur Experten sondern auch Anfänger können das System verstehen. Die Wartung des CBR-Systems wird meistens durch Einfügen oder Löschen eines Falls realisiert. Nur die Änderungen der Vokabulare im Wissensbehälter sind komplizierter. Das Lernen des Wissens von einer Fallbank ist einfach. Das System arbeitet wie ein Akkumulator von Wissen. Je größer die Falldatenbank ist, desto mehr passende Lösungen können gefunden werden. Aufgrund der Vorteile wird CBR besonders häufig bei technischem Design angewendet, auch wenn das Wissen schwierig zu extrahieren oder unzureichend vorhanden ist. Die Kosten für ein CBR-System können oft günstiger als ein speziell entwickeltes System sein. Regelbasierten Systemen sind auf schmale und gut-verstehbare statische Probleme spezialisiert. Im Vergleich dazu sind CBR-Systeme besser für schwerverstehbare oder dynamische Probleme geeignet. Aber wie in den Applikationsbeispielen vorgestellte wurde, kombinieren viele Anwendungssysteme CBR- Systeme mit Regelbasierten Expertensystemen. 20

25 Aktuelle Informationen über CBR in WWW: 21

26 10 Anhang Literaturverzeichnis [AaPla94] [Hann95] [Leak96] [Lenz98] Agnar Aamodt & Enric Plaza (1994). Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications, Vol 7, Nr. 1. Hanney, K. Keane, M., Smyth, B., Cunningham, P.: Systems, Tasks, and adaptation knowledge: Revealing some revealing dependencies. In Veloso & Aamodt (Eds.). Case-Based Reasoning Research and Development: First International Conference on CBR (ICCBR 95), Springer Verlag, 1995 David Leake. Case-Based Reasoning, Experiences, Lessons & Future Directions, AAAI Press, Lenz, Bartsch-Spörl, Burkhard, Wess. Case-Based Reasoning Technology: From Foundations to Applications, Springer-Verlag, [Kolo93] Janet Kolodner: Case-based Reasoning, Morgan Kaufmann, [Ries89] [Smyt94] [Smyt95] [Wat97] [Wess95] [Wett95] Riesbeck C., Schank R. Inside Case based Reasoning, Hillsdale, New Jersey 1989; Seite 39 Smyth, B. & Keane, M.: Retrieving adaptable cases: The role of adaptation knowledge in case retrieval. In Richter, Wess & Althoff (Eds.) Topics in CBR. Springer Verlag, 1994 Smyth, B. & Keane, M.: Remembering to Forget, International Conference on Artificial Intelligence (IJCAI 95), 1995 Watson, Ian: Applying case-based reasoning: Techniques for enterprise Systems, Morgan Kaumann Publishers, California, 1997 Wess, S.: Fallbasiertes Problemlösen in wissensbasierten Systemen zur Entscheidungsunterstützung und Diagnostik, DISKI 126, Infix-Verlag, 1995 Wettschereck D. & Aha, D.: Weighting Features, Proceedings of the First International Conference on CBR (ICCBR 95),

27 [Wilk97] Wilke, W. & Bergmann, R. (1997). Techniques and knowledge used for adaptation during case-based problem solving. Manuskript. Internetquellen: [AIAI03] Stand [Berg99] Bergmann, Ralph: Grundlagen Fallbasierter Systeme, WS99/20. [Eier03] Stand [Fran03] Jasmin Franz: XML & Wissenstechnologie im Einsatz für den Kunden, PraxisbeispielCallCenter, bei tekom Frühjahrstagung 2003, Hamburg. ogie_im_einsatz_fuer_den_kunden.pdf, Stand [Law03] [Meil03] Stand Stand [Mais03] Stand [Rich03] Michael M. Richter: Case-based Reasoning und CRM: Die Perspektive, Folien für die Universität Kaiserslautern. Stand [Wetz00] Wetzel, Baylor: Building a smart search engine. l/default_pf.asp# 23

Projektgruppe KIMAS. 1. Case-based Reasoning 2. Retrieval Li Liu. Case-based Reasoning. Gliederung

Projektgruppe KIMAS. 1. Case-based Reasoning 2. Retrieval Li Liu. Case-based Reasoning. Gliederung Projektgruppe KIMAS Case-based Reasoning 5.9.2003 Li Liu Gliederung 1. Case-based Reasoning 2. Retrieval 2.1 Fallrepräsentation 2.2 Ähnlichkeitsbestimmung 3. Revise 4. Reuse 5. Retain 6. Fazit Projektgruppe

Mehr

Access Grundlagen. David Singh

Access Grundlagen. David Singh Access Grundlagen David Singh Inhalt Access... 2 Access Datenbank erstellen... 2 Tabellenelemente... 2 Tabellen verbinden... 2 Bericht gestalten... 3 Abfragen... 3 Tabellen aktualisieren... 4 Allgemein...

Mehr

Case-based Reasoning und Strategische Unternehmensberatung

Case-based Reasoning und Strategische Unternehmensberatung Otto-Friedrich-Universität Bamberg Professur für Angewandte Informatik / Kognitive Systeme KogSys-Seminar Analogie Case-based Reasoning und Strategische Unternehmensberatung Alexei Kosucho Bamberg, 2008

Mehr

Fallbasierte Bewertung von Internet-Domainnamen. Von Sebastian Dieterle

Fallbasierte Bewertung von Internet-Domainnamen. Von Sebastian Dieterle Fallbasierte Bewertung von Internet-Domainnamen Von Sebastian Dieterle Einleitung Einleitung Grundlagen Ansatz Evaluierung Schlussfolgerungen 2 Entstehung eines interdisziplinären Ansatzes 2002-: Unternehmensgründung

Mehr

Installation von Updates

Installation von Updates Installation von Updates In unregelmässigen Abständen erscheinen Aktualisierungen zu WinCard Pro, entweder weil kleinere Verbesserungen realisiert bzw. Fehler der bestehenden Version behoben wurden (neues

Mehr

Kapitel MK:V. V. Diagnoseansätze

Kapitel MK:V. V. Diagnoseansätze Kapitel MK:V V. Diagnoseansätze Diagnoseproblemstellung Diagnose mit Bayes Evidenztheorie von Dempster/Shafer Diagnose mit Dempster/Shafer Truth Maintenance Assumption-Based TMS Diagnosis Setting Diagnosis

Mehr

Softwaretechnik (WS 11/12)

Softwaretechnik (WS 11/12) Universität Augsburg, LSt. Softwaretechnik, K. Stenzel, H. Seebach, G. Anders Softwaretechnik (WS 11/12) Lösungsvorschlag 5 Aufgabe 1 (System Behavior: System Sequence Diagrams) (10/5 Punkte) a) Was sind

Mehr

Prozessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements. von Stephanie Wilke am 14.08.08

Prozessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements. von Stephanie Wilke am 14.08.08 Prozessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements von Stephanie Wilke am 14.08.08 Überblick Einleitung Was ist ITIL? Gegenüberstellung der Prozesse Neuer

Mehr

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen

Mehr

KompetenzManager http://www.kompetenzmanager.ch/mah Manual für die Benutzung der Website

KompetenzManager http://www.kompetenzmanager.ch/mah Manual für die Benutzung der Website KompetenzManager http://www.kompetenzmanager.ch/mah Manual für die Benutzung der Website Inhalt Inhalt... 1 1. Anmelden beim Kompetenzmanager... 3 2. Erstellen eines neuen Kompetenzprofils... 4 2.1. Wizard

Mehr

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching 1.1 Caching von Webanwendungen In den vergangenen Jahren hat sich das Webumfeld sehr verändert. Nicht nur eine zunehmend größere Zahl an Benutzern sondern auch die Anforderungen in Bezug auf dynamischere

Mehr

Wetter-Tickers (Laufband)

Wetter-Tickers (Laufband) Diese Seite richtet sich an alle Benutzer der Wetterauswertesoftware WSWIN (http://www.pc-wetterstation.de) von Werner Krenn, besonders aber an Neueinsteiger. Auf den folgenden Seiten soll nicht die Arbeit

Mehr

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

Mehr

Das simond Handbuch by Peter H. Grasch. Copyright 2009-2010 Peter Grasch. simond ist die Serverkomponente der simon Spracherkennungslösung.

Das simond Handbuch by Peter H. Grasch. Copyright 2009-2010 Peter Grasch. simond ist die Serverkomponente der simon Spracherkennungslösung. Das simond Handbuch Das simond Handbuch by Peter H. Grasch Copyright 2009-2010 Peter Grasch simond ist die Serverkomponente der simon Spracherkennungslösung. Permission is granted to copy, distribute and/or

Mehr

TIKOS Leitfaden. TIKOS Update

TIKOS Leitfaden. TIKOS Update TIKOS Leitfaden TIKOS Update Copyright 2015, Alle Rechte vorbehalten support@socom.de 06.05.2015 Inhalt 1. Allgemeine Hinweise... 3 2. Ausführen des Updates... 3 3. Mögliche Meldungen beim Update... 9

Mehr

Mengenvergleiche: Alle Konten außer das, mit dem größten Saldo.

Mengenvergleiche: Alle Konten außer das, mit dem größten Saldo. Mengenvergleiche: Mehr Möglichkeiten als der in-operator bietet der θany und der θall-operator, also der Vergleich mit irgendeinem oder jedem Tupel der Unteranfrage. Alle Konten außer das, mit dem größten

Mehr

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER INHALTSVERZEICHNIS 1. Datenbanken 2. SQL 1.1 Sinn und Zweck 1.2 Definition 1.3 Modelle 1.4 Relationales Datenbankmodell 2.1 Definition 2.2 Befehle 3.

Mehr

Bereiche der KI. KI und das Web Eine Übersicht. Allgemeines zur KI. Einfluss der KI auf die Informatik. Herausforderungen im Web

Bereiche der KI. KI und das Web Eine Übersicht. Allgemeines zur KI. Einfluss der KI auf die Informatik. Herausforderungen im Web Bereiche der KI KI und das Web Eine Übersicht Web Site Engineering, Vorlesung Nr. 13 Neuronale Netze Suchverfahren Expertensysteme Fallbasiertes Schließen (Case-Based Reasoning) Planen Maschinelles Lernen

Mehr

Information-Design-Tool

Information-Design-Tool Zusatzkapitel Information-Design-Tool zum Buch»HR-Reporting mit SAP «von Richard Haßmann, Anja Marxsen, Sven-Olaf Möller, Victor Gabriel Saiz Castillo Galileo Press, Bonn 2013 ISBN 978-3-8362-1986-0 Bonn

Mehr

Knowledge-Based system. Inference Engine. Prof. Dr. T. Nouri.

Knowledge-Based system. Inference Engine. Prof. Dr. T. Nouri. 12.01.2008 Knowledge-Based system Inference Engine Prof. Dr. T. Nouri Taoufik.Nouri@FHN.CH 2 / 30 Inhalt Grundlagen Wozu Inference? Aufbau Knowledge Based System Strategien für Folgerungen Suchstrategien

Mehr

Die neue Datenraum-Center-Administration in. Brainloop Secure Dataroom Service Version 8.30

Die neue Datenraum-Center-Administration in. Brainloop Secure Dataroom Service Version 8.30 Die neue Datenraum-Center-Administration in Brainloop Secure Dataroom Service Version 8.30 Leitfaden für Datenraum-Center-Manager Copyright Brainloop AG, 2004-2014. Alle Rechte vorbehalten. Dokumentversion:

Mehr

Software Engineering. Sommersemester 2012, Dr. Andreas Metzger

Software Engineering. Sommersemester 2012, Dr. Andreas Metzger Software Engineering (Übungsblatt 2) Sommersemester 2012, Dr. Andreas Metzger Übungsblatt-Themen: Prinzip, Technik, Methode und Werkzeug; Arten von Wartung; Modularität (Kohäsion/ Kopplung); Inkrementelle

Mehr

Vortrag zum Fortsetzungantrag

Vortrag zum Fortsetzungantrag 1 / 18 Vortrag zum Fortsetzungantrag Universität Rostock Fakultät für Informatik und Elektrotechnik Institut für Informatik Lehrstuhl für Informations- und Kommunikationsdienste 24.06.2008 2 / 18 Inhalt

Mehr

Mit KI gegen SPAM. Proseminar Künstliche Intelligenz

Mit KI gegen SPAM. Proseminar Künstliche Intelligenz Mit KI gegen SPAM Proseminar Künstliche Intelligenz SS 2006 Florian Laib Ausblick Was ist SPAM? Warum SPAM-Filter? Naive Bayes-Verfahren Fallbasiertes Schließen Fallbasierte Filter TiMBL Vergleich der

Mehr

Einführung in Generatives Programmieren. Bastian Molkenthin

Einführung in Generatives Programmieren. Bastian Molkenthin Einführung in Generatives Programmieren Bastian Molkenthin Motivation Industrielle Entwicklung *!!*,(% % - #$% #!" + '( & )!* Softwareentwicklung Rückblick auf Objektorientierung Objektorientierte Softwareentwicklung

Mehr

1 Die Active Directory

1 Die Active Directory 1 Die Active Directory Infrastruktur Prüfungsanforderungen von Microsoft: Configuring the Active Directory Infrastructure o Configure a forest or a domain o Configure trusts o Configure sites o Configure

Mehr

!!!!T!!! Systems!() Multimedia Solutions

!!!!T!!! Systems!() Multimedia Solutions Inhalt. Was ist das semantische Web? Wie findet man einen Arzttermin mit Hilfe des semantischen Web? Wie gibt man Inhalten einen Sinn? Welche Werkzeuge stehen zur Verfügung? Wo können strukturierte Inhalte

Mehr

Integration Services - Dienstarchitektur

Integration Services - Dienstarchitektur Integration Services - Dienstarchitektur Integration Services - Dienstarchitektur Dieser Artikel solle dabei unterstützen, Integration Services in Microsoft SQL Server be sser zu verstehen und damit die

Mehr

Folge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12

Folge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12 Grundlagen: Folge 19 - Bäume 19.1 Binärbäume - Allgemeines Unter Bäumen versteht man in der Informatik Datenstrukturen, bei denen jedes Element mindestens zwei Nachfolger hat. Bereits in der Folge 17 haben

Mehr

Nach Ihrer erstmaligen Anmeldung sollten Sie Ihr Passwort ändern. Dazu klicken Sie bitte auf Ihren Namen.

Nach Ihrer erstmaligen Anmeldung sollten Sie Ihr Passwort ändern. Dazu klicken Sie bitte auf Ihren Namen. 1 Passwort ändern Nach Ihrer erstmaligen Anmeldung sollten Sie Ihr Passwort ändern Dazu klicken Sie bitte auf Ihren Namen Abb 1-1 Erstmaliger Anmeldung Danach erscheint ein PopUp indem Sie Ihr Passwort

Mehr

Data Mining-Projekte

Data Mining-Projekte Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein

Mehr

24. Algorithmus der Woche Bin Packing Wie bekomme ich die Klamotten in die Kisten?

24. Algorithmus der Woche Bin Packing Wie bekomme ich die Klamotten in die Kisten? 24. Algorithmus der Woche Wie bekomme ich die Klamotten in die Kisten? Autor Prof. Dr. Friedhelm Meyer auf der Heide, Universität Paderborn Joachim Gehweiler, Universität Paderborn Ich habe diesen Sommer

Mehr

KODAK PROFESSIONAL DCS Pro SLR/c Digitalkamera

KODAK PROFESSIONAL DCS Pro SLR/c Digitalkamera KODAK PROFESSIONAL DCS Pro SLR/c Digitalkamera Benutzerhandbuch Abschnitt Objektivoptimierung Teilenr. 4J1534_de Inhaltsverzeichnis Objektivoptimierung Überblick...5-31 Auswählen des Verfahrens zur Objektivoptimierung...5-32

Mehr

Anpassung der SolidWorks-Umgebung auf externen Rechnern

Anpassung der SolidWorks-Umgebung auf externen Rechnern Anpassung der SolidWorks-Umgebung auf externen Rechnern Wer der Fachhochschule Kiel SolidWorks startet, arbeitet mit einer angepassten Benutzerumgebung und benutzt FH-Vorlagen für Teile, Baugruppen und

Mehr

Bin Packing oder Wie bekomme ich die Klamotten in die Kisten?

Bin Packing oder Wie bekomme ich die Klamotten in die Kisten? Bin Packing oder Wie bekomme ich die Klamotten in die Kisten? Ich habe diesen Sommer mein Abi gemacht und möchte zum Herbst mit dem Studium beginnen Informatik natürlich! Da es in meinem kleinen Ort keine

Mehr

Hier zuerst eine grobe Übersicht, nachfolgend werden die einzelnen Schritte genauer erklärt:

Hier zuerst eine grobe Übersicht, nachfolgend werden die einzelnen Schritte genauer erklärt: ANLEITUNG zum Eintrag Ihrer Homepage auf Gingu.de Hier zuerst eine grobe Übersicht, nachfolgend werden die einzelnen Schritte genauer erklärt: 1. Kostenlos registrieren 2. Zum Erstellen eines Eintrages

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

ecaros2 - Accountmanager

ecaros2 - Accountmanager ecaros2 - Accountmanager procar informatik AG 1 Stand: FS 09/2012 Inhaltsverzeichnis 1 Aufruf des ecaros2-accountmanager...3 2 Bedienung Accountmanager...4 procar informatik AG 2 Stand: FS 09/2012 1 Aufruf

Mehr

2.5.2 Primärschlüssel

2.5.2 Primärschlüssel Relationale Datenbanken 0110 01101110 01110 0110 0110 0110 01101 011 01110 0110 010 011011011 0110 01111010 01101 011011 0110 01 01110 011011101 01101 0110 010 010 0110 011011101 0101 0110 010 010 01 01101110

Mehr

VBA-Programmierung: Zusammenfassung

VBA-Programmierung: Zusammenfassung VBA-Programmierung: Zusammenfassung Programmiersprachen (Definition, Einordnung VBA) Softwareentwicklung-Phasen: 1. Spezifikation 2. Entwurf 3. Implementierung Datentypen (einfach, zusammengesetzt) Programmablaufsteuerung

Mehr

Message Oriented Middleware am Beispiel von XMLBlaster

Message Oriented Middleware am Beispiel von XMLBlaster Message Oriented Middleware am Beispiel von XMLBlaster Vortrag im Seminar XML und intelligente Systeme an der Universität Bielefeld WS 2005/2006 Vortragender: Frederic Siepmann fsiepman@techfak.uni bielefeld.de

Mehr

SiteAudit Knowledge Base. Move Add Change Tracking. Vorteile Übersicht. In diesem Artikel: Vorteile Übersicht Funktionsübersicht Berichte anpassen

SiteAudit Knowledge Base. Move Add Change Tracking. Vorteile Übersicht. In diesem Artikel: Vorteile Übersicht Funktionsübersicht Berichte anpassen SiteAudit Knowledge Base Move Add Change Tracking Dezember 2010 In diesem Artikel: Vorteile Übersicht Funktionsübersicht Berichte anpassen MAC Benachrichtigungen Vorteile Übersicht Heutzutage ändern sich

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

Kompetitive Analysen von Online-Algorithmen

Kompetitive Analysen von Online-Algorithmen Kompetitive Analysen von Online-Algorithmen jonas echterhoff 16. Juli 004 1 Einführung 1.1 Terminologie Online-Algorithmen sind Algorithmen, die Probleme lösen sollen, bei denen Entscheidungen getroffen

Mehr

DPF Dynamic Partial distance Function

DPF Dynamic Partial distance Function DPF Dynamic Partial distance Function Vorgelegt von Sebastian Loose (MatrikelNR.: 169172), Computervisualistikstudent im 4. Semester. Hausarbeit zum Papier DPF A Perceptual Distance Function for Image

Mehr

Lohnt sich Requirements Engineering?

Lohnt sich Requirements Engineering? Lohnt sich Requirements Engineering? Seminar Messbarkeit von Anforderungen am Fachgebiet Software Engineering Wintersemester 2007/2008 Betreuer: Eric Knauss Oleksandr Kazandzhi Gliederung Einleitung Messen

Mehr

Source Code Konverter... 2. Online: (VB.net <-> C#)... 3. Kommerzielle Produkte (VB, C#, C++, Java)... 3. Code Nachbearbeitung in der Praxis...

Source Code Konverter... 2. Online: (VB.net <-> C#)... 3. Kommerzielle Produkte (VB, C#, C++, Java)... 3. Code Nachbearbeitung in der Praxis... Autor: Thomas Reinwart 2008-05-05 office@reinwart.com Inhalt Source Code Konverter... 2 Online: (VB.net C#)... 3 Kommerzielle Produkte (VB, C#, C++, Java)... 3 Code Nachbearbeitung in der Praxis...

Mehr

Plugins. Stefan Salich (sallo@gmx.de) Stand 2008-11-21

Plugins. Stefan Salich (sallo@gmx.de) Stand 2008-11-21 Plugins Stefan Salich (sallo@gmx.de) Stand 2008-11-21 Inhaltsverzeichnis 0 Einleitung...3 0.1 Sinn und Zweck...3 0.2 Änderungsübersicht...3 0.3 Abkürzungsverzeichnis...3 1 Einfügen eines Plugins...4 1.1

Mehr

1.3.5 Clinical Decision Support Systems

1.3.5 Clinical Decision Support Systems Arzneimitteltherapie Thieme Verlag 1.3.5 Clinical Decision Support Systems Marco Egbring, Stefan Russmann, Gerd A. Kullak-Ublick Im Allgemeinen wird unter dem Begriff Clinical Decision Support System (CDSS)

Mehr

Abbildung 1: Tool-Qualification-Kits für Testwell CTC++ Test Coverage Analyser

Abbildung 1: Tool-Qualification-Kits für Testwell CTC++ Test Coverage Analyser Qualification-Kit für Testwell CTC++ In der sicherheitskritischen Softwareentwicklung müssen die im Projekt eingesetzten Werkzeuge zunächst klassifiziert werden (Tool Classification). Diese Klassifizierung

Mehr

lohmeyer White Paper Use Cases II UX+Prozessanalyse

lohmeyer White Paper Use Cases II UX+Prozessanalyse White Paper Use Cases II Use Cases begleiten uns in der IT seit mehr als 15 Jahren. Nichtsdestotrotz ist es nicht so einfach, Use Cases einfach und verständlich zu schreiben. Dieses White Paper spricht

Mehr

Erfassung und Verrechnung von Leistungen für mehrere Firmen dank. $GUHVV$EJOHLFK mit praktisch allen Adresssystemen

Erfassung und Verrechnung von Leistungen für mehrere Firmen dank. $GUHVV$EJOHLFK mit praktisch allen Adresssystemen 1HXH)XQNWLRQHQ9HUVLRQ 5HOHDVH'DWXP 'LH+LJKOLJKWVGHU9HUVLRQLPhEHUEOLFN Erfassung und Verrechnung von Leistungen für mehrere Firmen dank PHKUPDQGDQWHQIlKLJHU/ VXQJ Zeiteinsparung beim Fakturieren durch DXWRPDWLVFKH5XQGXQJ

Mehr

Consumer Idealized Design

Consumer Idealized Design Consumer Idealized Design Der Erfolg von Produkt- und Dienstleistungsinnovationen ist daran gekoppelt, inwieweit es gelingt, tatsächliche Kundenbedürfnisse zu erfüllen. In der Literatur wird daher vorgeschlagen,

Mehr

E-Interview mit Arnoud van der Molen zum Thema Auswahl von CRM-Lösungen mit Select

E-Interview mit Arnoud van der Molen zum Thema Auswahl von CRM-Lösungen mit Select E-Interview mit Arnoud van der Molen zum Thema Auswahl von CRM-Lösungen mit Select Name: Arnoud van der Molen Funktion/Bereich: Mitbegründer und Geschäftsführer sowie kaufm. Geschäftsleiter Organisation:

Mehr

Aktivierung der SeKA-Anmeldung

Aktivierung der SeKA-Anmeldung Aktivierung der SeKA-Anmeldung Bitte, benutzen Sie diese Methode nur, wenn Sie gerade kein Kennwort im SeKA-System erhalten haben. Wenn Sie die Aktivierung vorher schon geschafft, aber das Kennwort vergessen

Mehr

Kompilieren und Linken

Kompilieren und Linken Kapitel 2 Kompilieren und Linken Bevor wir uns auf C++ selbst stürzen, brauchen wir einiges Vorgeplänkel, wie man komfortabel ein größeres C++- kompilieren kann. Mit Java stellt sich der Kompiliervorgang

Mehr

Informatik. Christoph Treude. Elektronisches Geld. Studienarbeit

Informatik. Christoph Treude. Elektronisches Geld. Studienarbeit Informatik Christoph Treude Elektronisches Geld Studienarbeit Universität Siegen Fachbereich 12 Elektrotechnik und Informatik Seminararbeit Elektronisches Geld (Informatik und Gesellschaft) Christoph

Mehr

Finanzwirtschaft Teil III: Budgetierung des Kapitals

Finanzwirtschaft Teil III: Budgetierung des Kapitals Finanzmärkte 1 Finanzwirtschaft Teil III: Budgetierung des Kapitals Kapitalwertmethode Agenda Finanzmärkte 2 Kapitalwertmethode Anwendungen Revolvierende Investitionsprojekte Zusammenfassung Kapitalwertmethode

Mehr

Das ultimative Daten Management

Das ultimative Daten Management Das ultimative Daten Management Beschreibung des Programms Rafisa AG Seestrasse 78 CH 8703 Erlenbach-Zürich Ziel und Zweck Das Program: ist ein multi-funktionales Programm, welches dazu dient, für den

Mehr

Projektbericht Gruppe 12. Datenbanksysteme WS 05/ 06. Gruppe 12. Martin Tintel Tatjana Triebl. Seite 1 von 11

Projektbericht Gruppe 12. Datenbanksysteme WS 05/ 06. Gruppe 12. Martin Tintel Tatjana Triebl. Seite 1 von 11 Datenbanksysteme WS 05/ 06 Gruppe 12 Martin Tintel Tatjana Triebl Seite 1 von 11 Inhaltsverzeichnis Inhaltsverzeichnis... 2 1. Einleitung... 3 2. Datenbanken... 4 2.1. Oracle... 4 2.2. MySQL... 5 2.3 MS

Mehr

Künstliches binäres Neuron

Künstliches binäres Neuron Künstliches binäres Neuron G.Döben-Henisch Fachbereich Informatik und Ingenieurwissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de

Mehr

Easy Mobile Homepage. Nützliche Tipps für die Nutzung der Software. 2011 Die Software ist urheberrechtlich geschützte Freeware - all rights reserved

Easy Mobile Homepage. Nützliche Tipps für die Nutzung der Software. 2011 Die Software ist urheberrechtlich geschützte Freeware - all rights reserved Easy Mobile Homepage Nützliche Tipps für die Nutzung der Software Danke für Ihr Interesse! Danke für Ihr Interesse an unserer neuen Software und wir freuen uns darüber, dass Sie die Tutorials angefordert

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

Ressourcen-Beschreibung im Semantic Web

Ressourcen-Beschreibung im Semantic Web Ressourcen-Beschreibung im Semantic Web Cristina Vertan Inhaltsübersicht Wie sollen die Ressourcen für Semantic Web annotiert werden? Was ist und wie funktioniert RDF? Wie kodiert man RDF-Statements in

Mehr

Präsentation zum Thema XML Datenaustausch und Integration

Präsentation zum Thema XML Datenaustausch und Integration Sebastian Land Präsentation zum Thema XML Datenaustausch und Integration oder Warum eigentlich XML? Gliederung der Präsentation 1. Erläuterung des Themas 2. Anwendungsbeispiel 3. Situation 1: Homogene

Mehr

Lenstras Algorithmus für Faktorisierung

Lenstras Algorithmus für Faktorisierung Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit

Mehr

Data Mining-Modelle und -Algorithmen

Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,

Mehr

Caching Handbuch. Auftraggeber: Version: 01. INM Inter Network Marketing AG Usterstrasse 202 CH-8620 Wetzikon

Caching Handbuch. Auftraggeber: Version: 01. INM Inter Network Marketing AG Usterstrasse 202 CH-8620 Wetzikon Caching Handbuch Auftraggeber: Version: 01 Projekttyp: Erstellt durch: Internet David Bürge INM Inter Network Marketing AG Usterstrasse 202 CH-8620 Wetzikon Email david.buerge@inm.ch URL http://www.inm.ch

Mehr

Einschätzung der Diplomarbeit. Musik im Film- Auswirkungen von Filmmusik auf das Gedächtnis für Filminhalte

Einschätzung der Diplomarbeit. Musik im Film- Auswirkungen von Filmmusik auf das Gedächtnis für Filminhalte Einschätzung der Diplomarbeit Musik im Film- Auswirkungen von Filmmusik auf das Gedächtnis für Filminhalte Von: Wultsch Christina Matrikelnr.: 0411409 LV: Wissenschaftliches Arbeiten (LV-Nr.: 000.002)

Mehr

Funktionserweiterungen, behobene Funktionseinschränkungen und Funktionseinschränkungen, EASY Starter V1.4

Funktionserweiterungen, behobene Funktionseinschränkungen und Funktionseinschränkungen, EASY Starter V1.4 Funktionserweiterungen, behobene Funktionseinschränkungen und Funktionseinschränkungen, Inhaltsverzeichnis 1. Funktionserweiterungen... 2 1.1. Produktidentifikation... 2 1.1.1. EASY Starter lauffähig unter

Mehr

Softwaretechnik (Allgemeine Informatik) Überblick

Softwaretechnik (Allgemeine Informatik) Überblick Softwaretechnik (Allgemeine Informatik) Überblick 1 Einführung und Überblick 2 Abstraktion 3 Objektorientiertes Vorgehensmodell 4 Methoden der Anforderungs- und Problembereichsanalyse 5 UML-Diagramme 6

Mehr

Internet Kurs. Suchmaschinen

Internet Kurs. Suchmaschinen Internet Kurs Suchmaschinen M. Stalder Internetkurs M. Stalder 1 / 6 Suchmaschinen Suchmaschinen haben sich in letzter Zeit immer mehr zu einem unverzichtbaren Hilfsmittel entwickelt. Das Internet bietet

Mehr

1 Lieferantenbewertung

1 Lieferantenbewertung 1 Lieferantenbewertung Mit Hilfe der Lieferantenbewertung können alle aktiven Lieferanten nach ISO Kriterien bewertet werden. Die zur Bewertung hinterlegten Faktoren können individuell vorgegeben werden.

Mehr

Anleitung zum Erstellen und Warten einer Selbstwartungs-Homepage

Anleitung zum Erstellen und Warten einer Selbstwartungs-Homepage Anleitung zum Erstellen und Warten einer Selbstwartungs-Homepage www.onco.at Einleitung: Herzliche Gratulation zum Erwerb Ihrer Homepage. Sie haben sich für ein ausgesprochen gutes System entschieden,

Mehr

Web-Recherche WS 2015/2016 3. Veranstaltung 29. Oktober 2015

Web-Recherche WS 2015/2016 3. Veranstaltung 29. Oktober 2015 Web-Recherche WS 2015/2016 3. Veranstaltung 29. Oktober 2015 Philipp Mayr - philipp.mayr@gesis.org Philipp Schaer - philipp.schaer@gesis.org GESIS Leibniz-Institut für Sozialwissenschaften 2 Themen der

Mehr

Maschinelle Übersetzung

Maschinelle Übersetzung Hauptstudiumsprojekt SoSe 07 Maschinelle Übersetzung Walther v. Hahn, Cristina Vertan {vhahn,vertan}@informatik.uni-hamburg.de Wozu dient ein Projekt? Projekte im Umfang von 6 SWS dienen der Bearbeitung

Mehr

Fachbericht zum Thema: Anforderungen an ein Datenbanksystem

Fachbericht zum Thema: Anforderungen an ein Datenbanksystem Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank

Mehr

Process4.biz Release 5.2.2 Features Übersicht. Repository. Das Schützen von Diagrammen wurde optimiert (check-in, check-out)

Process4.biz Release 5.2.2 Features Übersicht. Repository. Das Schützen von Diagrammen wurde optimiert (check-in, check-out) Process4.biz Release 5.2.2 Features Übersicht Repository Das Schützen von Diagrammen wurde optimiert (check-in, check-out) Diagramme können gegen die Bearbeitung von anderen p4b-benutzern und gegen die

Mehr

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken Profilbezogene informatische Bildung in den Klassenstufen 9 und 10 Schwerpunktthema Robby Buttke Fachberater für Informatik RSA Chemnitz Fachliche Einordnung Phasen relationaler Modellierung Fachlichkeit

Mehr

PHP Kurs Online Kurs Analysten Programmierer Web PHP

PHP Kurs Online Kurs Analysten Programmierer Web PHP PHP Kurs Online Kurs Analysten Programmierer Web PHP Akademie Domani info@akademiedomani.de Allgemeines Programm des Kurses PHP Modul 1 - Einführung und Installation PHP-Umgebung Erste Lerneinheit Introduzione

Mehr

SEP 114. Design by Contract

SEP 114. Design by Contract Design by Contract SEP 114 Design by Contract Teile das zu entwickelnde Programm in kleine Einheiten (Klassen, Methoden), die unabhängig voneinander entwickelt und überprüft werden können. Einheiten mit

Mehr

XINDICE. The Apache XML Project 3.12.09. Name: J acqueline Langhorst E-Mail: blackyuriko@hotmail.de

XINDICE. The Apache XML Project 3.12.09. Name: J acqueline Langhorst E-Mail: blackyuriko@hotmail.de Name: J acqueline Langhorst E-Mail: blackyuriko@hotmail.de 3.12.09 HKInformationsverarbeitung Kurs: Datenbanken vs. MarkUp WS 09/10 Dozent: Prof. Dr. M. Thaller XINDICE The Apache XML Project Inhalt Native

Mehr

Projektmodell Softwareentwicklung: Unified Software Development Process / Unified Process (Teil I)

Projektmodell Softwareentwicklung: Unified Software Development Process / Unified Process (Teil I) Projektmodell Softwareentwicklung: Unified Software Development Process / Unified Process (Teil I) Historisch Kulturelle Informationsverarbeitung Hauptseminar: KLIPS 2.0 Dozent: Prof. Dr. Thaller Referent:

Mehr

SCRUM. Software Development Process

SCRUM. Software Development Process SCRUM Software Development Process WPW 07.08.2012 SCRUM Poster www.scrum-poster.de Was ist Scrum? Extrem Schlanker Prozess 3 Rollen 4 Artefakte Wenige Regeln Die Rollen Product Owner Der Product Owner

Mehr

Erste Schritte mit WordPress Anleitung WordPress Version 2.8.X

Erste Schritte mit WordPress Anleitung WordPress Version 2.8.X Erste Schritte mit WordPress Anleitung WordPress Version 2.8.X Login Rufen Sie die Login Seite auf: http://ihren-domainname.ch/wp-login.php Melden Sie sich mit dem Login an: Username Passwort Seiten Aktualisieren

Mehr

Proseminar: Website-Management-Systeme

Proseminar: Website-Management-Systeme Proseminar: Website-Management-Systeme Thema: Web: Apache/Roxen von Oliver Roeschke email: o_roesch@informatik.uni-kl.de Gliederung: 1.) kurze Einleitung 2.) Begriffsklärung 3.) Was ist ein Web? 4.) das

Mehr

Erste Schritte mit der neuen Benutzeroberfläche in Brainloop Secure Dataroom 8.20

Erste Schritte mit der neuen Benutzeroberfläche in Brainloop Secure Dataroom 8.20 Erste Schritte mit der neuen Benutzeroberfläche in Brainloop Secure Dataroom 8.20 Copyright Brainloop AG, 2004-2012. Alle Rechte vorbehalten. Dokumentversion: 1.0 Alle in diesem Dokument angeführten Marken

Mehr

2015 mylenses Konzept

2015 mylenses Konzept 2015 mylenses Konzept Kontakt: Alexander Gell A-5163 Mattsee T: +43 680 32 89 648 info@gellclan.at www.gellclan.at Gell Alexander GellClan Software Products 1.1.2015 1. Inhaltsverzeichnis 1. Inhaltsverzeichnis...

Mehr

Ein Ausflug zu ACCESS

Ein Ausflug zu ACCESS Ein Ausflug zu ACCESS Die folgenden Folien zeigen beispielhaft, wie man sein DB- Wissen auf ACCESS übertragen kann betrachtet wird ACCESS 2002, da gerade im Bereich der Nutzung von SQL hier einiges nachgearbeitet

Mehr

Übungen zur Softwaretechnik

Übungen zur Softwaretechnik Technische Universität München Fakultät für Informatik Lehrstuhl IV: Software & Systems Engineering Markus Pister, Dr. Bernhard Rumpe WS 2002/2003 Lösungsblatt 8 10. Dezember 2002 www4.in.tum.de/~rumpe/se

Mehr

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes. Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel

Mehr

Updatehinweise für die Version forma 5.5.5

Updatehinweise für die Version forma 5.5.5 Updatehinweise für die Version forma 5.5.5 Seit der Version forma 5.5.0 aus 2012 gibt es nur noch eine Office-Version und keine StandAlone-Version mehr. Wenn Sie noch mit der alten Version forma 5.0.x

Mehr

Die Softwareentwicklungsphasen!

Die Softwareentwicklungsphasen! Softwareentwicklung Die Softwareentwicklungsphasen! Die Bezeichnungen der Phasen sind keine speziellen Begriffe der Informatik, sondern den allgemeinen Prinzipien zur Produktion integrierter Systeme entliehen.

Mehr

Grundlagen der Theoretischen Informatik, SoSe 2008

Grundlagen der Theoretischen Informatik, SoSe 2008 1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)

Mehr

Kompakte Graphmodelle handgezeichneter Bilder. Einbeziehung in Autentizierung und Bilderkennung

Kompakte Graphmodelle handgezeichneter Bilder. Einbeziehung in Autentizierung und Bilderkennung Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Autentizierung und Bilderkennung Inhaltsverzeichnis 1 Einleitung Das graphische Model.1 Image Thinning................................. 3.

Mehr

SJ OFFICE - Update 3.0

SJ OFFICE - Update 3.0 SJ OFFICE - Update 3.0 Das Update auf die vorherige Version 2.0 kostet netto Euro 75,00 für die erste Lizenz. Das Update für weitere Lizenzen kostet jeweils netto Euro 18,75 (25%). inkl. Programmsupport

Mehr

Algorithmen und Datenstrukturen. Große Übung vom 29.10.09 Nils Schweer

Algorithmen und Datenstrukturen. Große Übung vom 29.10.09 Nils Schweer Algorithmen und Datenstrukturen Große Übung vom 29.10.09 Nils Schweer Diese Folien Braucht man nicht abzuschreiben Stehen im Netz unter www.ibr.cs.tu-bs.de/courses/ws0910/aud/index.html Kleine Übungen

Mehr

Paragon Boot Media Builder

Paragon Boot Media Builder PARAGON Software GmbH Heinrich von Stephan Str. 5c 79100 Freiburg, Germany Tel. +49 (0) 761 59018201 Fax +49 (0) 761 59018130 Internet www.paragon software.de E Mail vertrieb@paragon software.de Paragon

Mehr

Ein Erfahrungsbericht beim Einsatz von generierenden Ansätzen im Vergleich zu generischen Lösungen

Ein Erfahrungsbericht beim Einsatz von generierenden Ansätzen im Vergleich zu generischen Lösungen Ein Erfahrungsbericht beim Einsatz von generierenden Ansätzen im Vergleich zu generischen Lösungen Tom Krauß Agenda Begriffsdefinition Verfahren Praktische Beispiele Vergleich und Bewertung Begriffsklärung

Mehr

6RIW&OHDQ Š 9HUVLRQ8SJUDGHDQOHLWXQJ

6RIW&OHDQ Š 9HUVLRQ8SJUDGHDQOHLWXQJ 6RIW&OHDQ Š 9HUVLRQ8SJUDGHDQOHLWXQJ 6HKUJHHKUWH6RIW&OHDQ $QZHQGHU LQ XQVHUHP 6RIW&OHDQ 8SGDWHV 'RZQORDGEHUHLFK ILQGHQ 6LH ]ZHL $UWHQ YRQ 8SGDWHV 1DFKIROJHQGHUIDKUHQ6LHZHOFKHV8SGDWHI U6LHGDVULFKWLJHLVWXQGZLH6LHGDV8SGDWHDXI,KUHP$UEHLWVSODW]GXUFKI

Mehr