Gastvortrag Datamining: Twitter Sentiment Analysis

Größe: px
Ab Seite anzeigen:

Download "Gastvortrag Datamining: Twitter Sentiment Analysis"

Transkript

1 Gastvortrag Datamining: Twitter Sentiment Analysis Datenbanksysteme Sommersemester 2015 Nils Haldenwang, M.Sc.

2 Datamining Datamining Extraktion von nützlichen Informationen aus Daten

3 Twitter Twitter Microblogging (180 Zeichen) 300 Millionen Nutzer > 500 Millionen Nachrichten/Tag Soziales Netzwerk Folgen Timeline Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger

4 Twitter Anatomie von Tweets Retweet Hashtag Link

5 SoSe 2015 Twitter = Electronic Word of Mouth

6 Twitter Sentiment Analysis

7 SoSe 2015 Twitter Anwendungen Marktforschung Informationen Krisenerkennung Politik Finanzmarkt

8 , , , , , , , Twitter , , , , , , , , , , , Anwendungen , , , , , , , , , , , , , , , , , , Google IO , , , , , , , , , Auswertung von Ereignissen großer Technologiefirmen , , , Vorfreude Android Studio Fehlgeschlagene Demo Für das Anwendungsszenario dieses Abschnitts könnte man sich vorstellen, dass ein Unternehmen daran interessiert ist, herauszufinden wie Kunden die eigene Marke, neue Produkte und Ankündigungen aufnehmen. Dies kann man natürlich permanent beobachten, indem das Unternehmen 908,571Tweets 0,9 mit bestimmten Schlüsselworten sammelt und auswertet. Im Rahmen dieser Arbeit wurde ein Spezialfall betrachtet, nämlich der, dass ein Unternehmen eine Pressekonferenz abhält, 907,143 um neue 0,8 Dienstleistungen und Produkte vorzustellen. Gewählt wurden die Technologiefirmen Microsoft, Google, Apple und Sony, da eine große Schnittmenge mit den technologie-affinen 905,714 0,7 Nutzern von Twitter und den Nutzern der Produkte dieser Firmen anzunehmen ist. Jede der folgenden Veranstaltungen fand im Jahr 2013 statt, wobei eine recht ausführliche Berichterstattung 904,286 0,6 auf vielen Kanälen erfolgte. Die Nachrichten auf Twitter wurde mit Hilfe vom Autor gewählter Schlüsselworte über die Streaming-API verfolgt und schließlich ausgewertet. 0,5 Bei der Auswertung der Stimmung kam das Verfahren zum Einsatz, das sich in den vorhe- 901,429 0,4 rigen Abschnitten als das mit der besten Klassifikationsgenauigkeit herausgestellt hat: Eine Support-Vektor-Maschine mit Unigrammen, Bigrammen und Negations-Annotationen als Featu ,3 res. Um die Veränderung 0 10 der 20 Stimmung über 60 die 70 Zeit 80 zu 90 beobachten, wurden jeweils Minuten- Abschnitte der Veranstaltungen zusammengefasst und die Tweets dieses Zeitraums analysiert. Die Stimmungskurven sind jeweils auf die Anzahl der Tweets normiert, der Stimmungsscore ergibt sich also als N(positive_tweets) N(negative_tweets) N(positive_tweets)+N(negative_tweets). Die absolute Anzahl der Tweets ist separat angegeben, allerdings war der Zugriff auf die Twitter-API ja nicht unbeschränkt, so dass sowie- Aktienkurs Stimmungs-Score Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger #Tweets Zeit Neubauer, Nicolas. Semantik und Sentiment: Konzepte, Verfahren und Anwendungen von Text-Mining. Diss SoSe 2015

9 SoSe 2015 Twitter 3D Stimmung Masterarbeit Florian Dölker

10 SoSe 2015 Twitter Superbowl 2015

11 SoSe 2015 Twitter Superbowl 2015 Touchdown!

12 Twitter Sentiment Analysis als Klassifikationsproblem

13 Klassifikation Klassifikation Einordnung von Objekten in gegebene Klassen anhand der Objekteigenschaften. Classifier Positive Negative Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger SoSe 2015

14 Twitter Dynamische Sprache = I think I can agree to that my lady. This adolescent surely is a casanova! Hilarious! Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger

15 Klassifikation Klassifikationsverfahren Händisch erstelle Classifier z.b. nachschlagen von Begriffen in einem Sentiment- Lexikon, Erstellung einer Menge von Regeln Machine Learning Lernen ein Modell zur Klassifikation aus gegebenen Daten Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger

16 Klassifikation Supervised Learning Lerne aus Trainingsdaten mit bekannten Kategorien Trainingsdaten Positive Machine Learning Algorithmus Negative Classifier Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger SoSe 2015

17 Klassifikation Lerndaten Standardverfahren: Händisch erstellte Labels Idee: Emoticons als Noisy Labels Schönes Wetter heute! :-) Hausaufgaben machen. :-(

18 Text zu Vektor

19 Text zu Vektor Bag-of-Words "Hello World!" 0 1 Hello 1 0 tomorrow n yolo n 1 World Dimension n: Größe des Wortschatzes

20 SoSe 2015 Text zu Vektor Preprocessing Ziel: Informationsgehalt erhöhen und Dimension reduzieren Spelling Correction love looove loove loooooove loove Negation Annotation this is not cool this is not!cool Lemmatization was am have been be be be Stop Word Removal this is hot stuff Acronym Expansion lol laughing out loud hot stuff

21 Text zu Vektor N-Gram Features What did the fox say?" n=1: n=2: n=3: Vorteil: what what did what did the Erfasst did did the Struktur the did the fox fox the fox Nachteil: Erhöht say fox say the fox say Dimension 6 Mio. 35 Mio. 80 Mio. Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger SoSe 2015

22 Text zu Vektor Handcrafted Features 0 8 number of upper case letters 1 1 number of exclamation marks n 42 text length Dimension: Anzahl Features Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger SoSe 2015

23 SoSe 2015 Text zu Vektor Word Embeddings Dimension: , reelle Zahlen woman queen king + wm = king - man + woman = wm = woman - man man wm king queen [1] Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean. Efficient Estimation of Word Representations in Vector Space. In Proceedings of Workshop at ICLR, [2] Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg Corrado, and Jeffrey Dean. Distributed Representations of Words and Phrases and their Compositionality. In Proceedings of NIPS, [3] Tomas Mikolov, Wen-tau Yih, and Geoffrey Zweig. Linguistic Regularities in Continuous Space Word Representations. In Proceedings of NAACL HLT, [4] https://code.google.com/p/word2vec/

24 Machine Learning Algorithmen

25 ML Algorithmen Naive Bayes Classifier probabilistic classifier Klasse Features p(c F 1,...,F n )= 1 Z p(c) n Y p Annahme: Die Features sind unabhängig voneinander und normalverteilt i=1 p(c F 1,...,F n )= 1 Z p(c) n Y p(f i C) i=1 Konstanten

26 SoSe 2015 ML Algorithmen Naive Bayes Classifier Vorkommen Maximum- Likelihood-Estimation: p(f i C) = f ic f itotal in C Vorkommen gesamt n Y fic fi classify(f 1,...,f n ) = argmax c i=1 f itotal

27 SoSe 2015 ML Algorithmen Naive Bayes Classifier Das Leben ist schön! p (positiv das, leben, ist, schön) = 0.5 * 0.76 * 0.5 * 0.95 = p (negativ das, leben, ist, schön) = 0.5 * 0.24 * 0.5 * 0.05 = 0.003

28 ML Algorithmen Support Vector Machines non-probabilistic binary linear classifier Trenne Klassen durch Hyperebene H3 Klassifikation unbekannten Datums: Seite der Ebene H1 H2 Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger SoSe 2015

29 ML Algorithmen Zum weiterlesen 2. Teil bietet Übersicht über Twitter Sentiment Analysis, erhältlich in der Bibliothek als PDF Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger SoSe 2015

30 ML Algorithmen Demo Naive Bayes Classifier 1-Gram (UniGram) Features kein Preprocessing ca. 12 Millionen Trainingstweets Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger SoSe 2015

31 Reliable Twitter Sentiment Analysis

32 Reliable TSA Projektgruppe Datamining Ereigniserkennung iphone 6 iphone 6 Stimmungsanalyse Display Akku Aspektextraktion iphone 6 Darstellung im Web Display Akku Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger

33 SoSe 2015 Reliable TSA Mehr als nur positive/negative uncertain John June 30 You know when you been waiting for someone to say something to you, and you got all the shit you gonna say to them prepared. Lol spam Jane June 30 I made $58.08 this week by taking 11 surveys! They only took 15 mins each :) Look here

34 SoSe 2015 Reliable TSA Der Public Twitter Stream % Number of Tweets % % % positive negative uncertain spam Label

35 Reliable TSA Lösungsansatz 1 SpamFilter Spam No Spam DistinctPolarityDetector uncertain positive negative positive SentimentDetector negative

36 Reliable TSA Lösungsansatz II SpamFilter Spam No Spam SentimentDetector Erlauben: Ich weiß es nicht!" positive negative uncertain Nils Haldenwang, M.Sc., Prof. Dr. Oliver Vornberger

37 ML Algorithmen NBC: "Ich weiß nicht! nalyse verschiedener Techniken zur Sentiment-Klassifikation Betrachte Unterschied der Wahrscheinlichkeiten cheinlichkeitswert. Normalerweise für die würde beiden dannklassen ja einfach die Klasse verwendet, d 1 Wahrscheinlichkeit erzeugt hat, gewählt werden. Als Konfidenz-Maß wird nun ein 0,75 Diagramm 3 0,5 P neg confidence(p pos,p neg )= P pos P pos + P neg 0,25 t. Je nach Problem und Klassifikationsalgorithmus ist nun zunächst gar nicht kl ittelten Konfidenz-Werte überhaupt irgendeine Korrelation mit der tatsächlichen 0 ichkeit eines korrekten Klassifikationsergebnisses haben. Aus diesem Grund ermittel Ohne Titel 1 Ohne Titel 28 Ohne Titel 55 Ohne Titel 82 ne so genannte Accuracy-Rejection Nils Haldenwang, M.Sc., Prof. Dr. Oliver Curve Vornberger (vgl. etwa (Nadeem et al., 2010)), SoSe 2015 also

38 Reliable TSA SVM: "Ich weiß es nicht!"

39 Reliable TSA Güte von Lösungen messen Notwendig: Valide Testdaten müssen händisch erstellt werden

Textmining Klassifikation von Texten Teil 1: Naive Bayes

Textmining Klassifikation von Texten Teil 1: Naive Bayes Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive

Mehr

Ausarbeitung Twitter as a Corpus for Sentiment Analysis and Opinion Mining

Ausarbeitung Twitter as a Corpus for Sentiment Analysis and Opinion Mining Ausarbeitung Twitter as a Corpus for Sentiment Analysis and Opinion Mining Wissenschaftliches Arbeiten (2014) Aufgabe 5 Kai Kühne 798797 Beuth Hochschule für Technik Berlin Fachbereich VI Informatik und

Mehr

Sentiment Classification

Sentiment Classification Universität Duisburg-Essen, SS 2008 Seminar Soziales Retrieval im Web 2.0 Dozent: Prof. Dr.-Ing. Norbert Fuhr Betreuer: Ingo Frommholz Sentiment Classification Daniel Jansen 04. Oktober 2008 Institut für

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen

Mehr

Opinion Spam Detection

Opinion Spam Detection Emotion Mining in Images and Text Opinion Spam Detection Tobias Goldbach S. 1 Motivation S. 2 Motivation Problem Keine Qualitätskontrolle vorhanden Folge: Opinion Spam Aufdeckung durch Menschen kaum möglich

Mehr

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung

Mehr

Seminar Text- und Datamining Datamining-Grundlagen

Seminar Text- und Datamining Datamining-Grundlagen Seminar Text- und Datamining Datamining-Grundlagen Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 23.05.2013 Gliederung 1 Klassifikationsprobleme 2 Evaluation

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,

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

Sentiment Analysis. Eine Einführung. Robert Remus 1 rremus@informatik.uni-leipzig.de. Fakultät für Mathematik und Informatik Universität Leipzig

Sentiment Analysis. Eine Einführung. Robert Remus 1 rremus@informatik.uni-leipzig.de. Fakultät für Mathematik und Informatik Universität Leipzig Sentiment Analysis Eine Einführung Robert Remus 1 rremus@informatik.uni-leipzig.de 1 Abteilung Automatische Sprachverarbeitung Fakultät für Mathematik und Informatik Universität Leipzig Seminar Anwendungen

Mehr

Computerlinguistische Textanalyse

Computerlinguistische Textanalyse Computerlinguistische Textanalyse 10. Sitzung 06.01.2014 Einführung in die Textklassifikation Franz Matthies Lehrstuhl für Computerlinguistik Institut für Germanistische Sprachwissenschaft Friedrich-Schiller

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

Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering

Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering 11.12.2012 Vortrag zum Paper Results of the Active Learning Challenge von Isabelle

Mehr

Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation

Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Eine Betrachtung im Kontext der Ausgliederung von Chrysler Daniel Rheinbay Abstract Betriebliche Informationssysteme

Mehr

Cloud Computing ein Risiko beim Schutz der Privatsphäre??

Cloud Computing ein Risiko beim Schutz der Privatsphäre?? Cloud Computing ein Risiko beim Schutz der Privatsphäre?? Prof. Johann-Christoph Freytag, Ph.D. Datenbanken und Informationssysteme (DBIS) Humboldt-Universität zu Berlin Xinnovations 2012 Berlin, September

Mehr

Measuring the Security of Web Applications. OWASP Frankfurt, 25.11.08. The OWASP Foundation http://www.owasp.org

Measuring the Security of Web Applications. OWASP Frankfurt, 25.11.08. The OWASP Foundation http://www.owasp.org Germany 2008 Conference http://www.owasp.org/index.php/germany Measuring the Security of Web Applications Sebastian Schinzel Virtual Forge GmbH Frankfurt, 25.11.08 +49 622 1 868 900 Copyright The Foundation

Mehr

Bachelorarbeit. Tobias Eichler. Sentiment-Analysis durch überwachtes Lernen: Vergleich und Bewertung von Konzepten zur Vorverarbeitung

Bachelorarbeit. Tobias Eichler. Sentiment-Analysis durch überwachtes Lernen: Vergleich und Bewertung von Konzepten zur Vorverarbeitung Bachelorarbeit Tobias Eichler Sentiment-Analysis durch überwachtes Lernen: Vergleich und Bewertung von Konzepten zur Vorverarbeitung Fakultät Technik und Informatik Studiendepartment Informatik Faculty

Mehr

a lot of, much und many

a lot of, much und many Aufgabe 1, und In bejahten Sätzen verwendest du für die deutschen Wörter viel und viele im Englischen Bsp.: I have got CDs. We have got milk. There are cars on the street. Bei verneinten Sätzen und Fragen

Mehr

August Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln

August Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln August Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln Ideas for the classroom 1. Introductory activity wer?, was?, wo?, wann?, warum? 2. Look at how people say farewell in German. 3. Look at how people

Mehr

Naive Bayes. 5. Dezember 2014. Naive Bayes 5. Dezember 2014 1 / 18

Naive Bayes. 5. Dezember 2014. Naive Bayes 5. Dezember 2014 1 / 18 Naive Bayes 5. Dezember 2014 Naive Bayes 5. Dezember 2014 1 / 18 Inhaltsverzeichnis 1 Thomas Bayes 2 Anwendungsgebiete 3 Der Satz von Bayes 4 Ausführliche Form 5 Beispiel 6 Naive Bayes Einführung 7 Naive

Mehr

Algorithms for graph visualization

Algorithms for graph visualization Algorithms for graph visualization Project - Orthogonal Grid Layout with Small Area W INTER SEMESTER 2013/2014 Martin No llenburg KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum

Mehr

Application Form ABOUT YOU INFORMATION ABOUT YOUR SCHOOL. - Please affix a photo of yourself here (with your name written on the back) -

Application Form ABOUT YOU INFORMATION ABOUT YOUR SCHOOL. - Please affix a photo of yourself here (with your name written on the back) - Application Form ABOUT YOU First name(s): Surname: Date of birth : Gender : M F Address : Street: Postcode / Town: Telephone number: Email: - Please affix a photo of yourself here (with your name written

Mehr

Überblick. Seite 2 von 5

Überblick. Seite 2 von 5 Überblick Der ESEMOS MediaMiner ist ein Stimmungsbarometer und Monitoring-Werkzeug für soziale Netzwerke. MediaMiner zeichnet sich insbesondere durch die Sentiment-Analyse, die Spracherkennung sowie anspruchsvolle

Mehr

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining. Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später

Mehr

Android Testautomatisierung mit dem Framework Robotium

Android Testautomatisierung mit dem Framework Robotium Android Testautomatisierung mit dem Framework Robotium Daniel Knott XING AG @dnlkntt http://www.adventuresinqa.com Daniel Knott Manager Quality Assurance @dnlkntt daniel.knott@xing.com Daniel Knott hat

Mehr

PageRank-Algorithmus

PageRank-Algorithmus Proseminar Algorithms and Data Structures Gliederung Gliederung 1 Einführung 2 PageRank 3 Eziente Berechnung 4 Zusammenfassung Motivation Motivation Wir wollen eine Suchmaschine bauen, die das Web durchsucht.

Mehr

Einkommensaufbau mit FFI:

Einkommensaufbau mit FFI: For English Explanation, go to page 4. Einkommensaufbau mit FFI: 1) Binäre Cycle: Eine Position ist wie ein Business-Center. Ihr Business-Center hat zwei Teams. Jedes mal, wenn eines der Teams 300 Punkte

Mehr

Text Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818

Text Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Text Mining Praktikum Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Rahmenbedingungen Gruppen von 2- (max)4 Personen Jede Gruppe erhält eine Aufgabe Die

Mehr

SLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann

SLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann SLAM Simultaneous Localization and Mapping KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann Simultaneous Localization And Mapping SLAM Problematik SLAM Arten SLAM Methoden: (E)KF SLAM GraphSLAM Fast

Mehr

Automatische Erkennung von Figuren in deutschsprachigen Romanen

Automatische Erkennung von Figuren in deutschsprachigen Romanen Automatische Erkennung von Figuren in deutschsprachigen Romanen Jannidis, Fotis fotis.jannidis@uni-wuerzburg.de, Universität Würzburg Krug, Markus markus.krug@uni-wuerzburg.de, Universität Würzburg Reger,

Mehr

German Section 33 - Print activities

German Section 33 - Print activities No. 1 Finde die Wörter! Find the words! Taschenrechner calculator Kugelschreiber pen Bleistift pencil Heft exercise book Filzstift texta Radiergummi eraser Lineal ruler Ordner binder Spitzer sharpener

Mehr

Projektaufgaben Block 2

Projektaufgaben Block 2 Kurs BZQ III - Stochastikpraktikum WS 2013/14 Humboldt-Universität zu Berlin Randolf Altmeyer Philip-Moritz Eckert Projektaufgaben Block 2 Abgabe: bis 10.12.2013 Zur Einstimmung (freiwillig, ohne Abgabe)

Mehr

6. Künstliche Intelligenz

6. Künstliche Intelligenz 6.1. Turing-Test 6.2. Lernen In diesem Abschnitt besprechen wir wie man an Hand von Beispielen lernt, Objekte zu erkennen und verschiedene Dinge voneinander zu unterscheiden. Diese sogenannte Mustererkennung

Mehr

Sentiment Analysis und Ontologien

Sentiment Analysis und Ontologien Sentiment Analysis und Ontologien Universität zu Köln Sprachliche Informationsverarbeitung Künstliche Intelligenz Dozent: C. Neuefeind 13.06.2012 Linus Franzke und Carina Berning Inhalt Was ist Sentiment

Mehr

Politische Inhalte in Social Media:

Politische Inhalte in Social Media: Politische Inhalte in Social Media: Twitter zur Landtagswahl in Nordrhein-Westfalen 2012 Überblick 1. Einführung 2. Methoden 3. Ergebnisse 4. Fazit 5. Ausblick 2 Einführung Einführung Twitter hat 2012

Mehr

Anmeldung Application

Anmeldung Application Angaben zum Unternehmen Company Information Vollständiger Firmenname / des Design Büros / der Hochschule Entire company name / Design agency / University Homepage facebook Straße, Nr. oder Postfach* Street

Mehr

Teil 4,9 Ich habe mein Handy, aber wo sind meine Schlüssel?

Teil 4,9 Ich habe mein Handy, aber wo sind meine Schlüssel? Teil 4,9 Ich habe mein Handy, aber wo sind meine Schlüssel? Üben wir! Vokabular (I) Fill in each blank with an appropriate word from the new vocabulary: 1. Ich lese jetzt Post von zu Hause. Ich schreibe

Mehr

The State of the Game: Spamerkennung in den TREC und CEAS Spam-Challenges

The State of the Game: Spamerkennung in den TREC und CEAS Spam-Challenges The State of the Game: Spamerkennung in den TREC und CEAS Spam-Challenges Christoph Raupach Universität Paderborn craupach@upb.de Zusammenfassung. Ich stelle zwei Algorithmen zur Spamerkennung aus den

Mehr

Sentimentanalyse von Tweets mit Methoden des SemEval 2013/2014. Bachelorarbeit

Sentimentanalyse von Tweets mit Methoden des SemEval 2013/2014. Bachelorarbeit Bauhaus-Universität Weimar Fakultät Medien Studiengang Mediensysteme Sentimentanalyse von Tweets mit Methoden des SemEval 2013/2014 Bachelorarbeit Michel Büchner Matrikelnummer 80030 geb. am: 13.05.1988

Mehr

EEX Kundeninformation 2009-06-04

EEX Kundeninformation 2009-06-04 EEX Kundeninformation 2009-06-04 Änderungen bei der sstellung für die monatlichen Börsentransaktionsentgelte Sehr geehrte Damen und Herren, seit Anfang des Jahres vereinheitlichen wir in mehreren Stufen

Mehr

Erkennung von Android Malware. Daniel Arp

Erkennung von Android Malware. Daniel Arp Daniel Arp Überblick: Android-Malware 1 Android-Malware Ø Smartphones sind mittlerweile ein beliebtes Angriffsziel Bieten verschiedene Bezahlmöglichkeiten für Dienste Enthalten meist sensible Daten des

Mehr

HiOPC Hirschmann Netzmanagement. Anforderungsformular für eine Lizenz. Order form for a license

HiOPC Hirschmann Netzmanagement. Anforderungsformular für eine Lizenz. Order form for a license HiOPC Hirschmann Netzmanagement Anforderungsformular für eine Lizenz Order form for a license Anforderungsformular für eine Lizenz Vielen Dank für Ihr Interesse an HiOPC, dem SNMP/OPC Gateway von Hirschmann

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

-Which word (lines 47-52) does tell us that Renia s host brother is a pleasant person?

-Which word (lines 47-52) does tell us that Renia s host brother is a pleasant person? Reading tasks passend zu: Open World 1 Unit 4 (student s book) Through a telescope (p. 26/27): -Renia s exchange trip: richtig falsch unkar? richtig falsch unklar: Renia hat sprachliche Verständnisprobleme.

Mehr

6KRSSLQJDW&DPGHQ/RFN 1LYHDX$

6KRSSLQJDW&DPGHQ/RFN 1LYHDX$ )HUWLJNHLW+ UYHUVWHKHQ 1LYHDX$ Wenn langsam und deutlich gesprochen wird, kann ich kurze Texte und Gespräche aus bekannten Themengebieten verstehen, auch wenn ich nicht alle Wörter kenne. 'HVNULSWRU Ich

Mehr

Employment and Salary Verification in the Internet (PA-PA-US)

Employment and Salary Verification in the Internet (PA-PA-US) Employment and Salary Verification in the Internet (PA-PA-US) HELP.PYUS Release 4.6C Employment and Salary Verification in the Internet (PA-PA-US SAP AG Copyright Copyright 2001 SAP AG. Alle Rechte vorbehalten.

Mehr

p^db=`oj===pìééçêíáåñçêã~íáçå=

p^db=`oj===pìééçêíáåñçêã~íáçå= p^db=`oj===pìééçêíáåñçêã~íáçå= Error: "Could not connect to the SQL Server Instance" or "Failed to open a connection to the database." When you attempt to launch ACT! by Sage or ACT by Sage Premium for

Mehr

Equipment for ball playing

Equipment for ball playing pila1 82 pila2 83 sphaera 84 Ballspielanlagen Equipment for ball ing Mit den stilum-spielgeräten für Sand, Wasser und Luft punkten Sie in jeder Altersgruppe. So lässt unser Sandbagger tollo die Herzen

Mehr

Big Data bei unstrukturierten Daten. AW1 Vortrag Sebastian Krome

Big Data bei unstrukturierten Daten. AW1 Vortrag Sebastian Krome Big Data bei unstrukturierten Daten AW1 Vortrag Sebastian Krome Agenda Wiederholung Aspekte von Big Data Datenverarbeitungsprozess TextMining Aktuelle Paper Identification of Live News Events Using Twitter

Mehr

Aufnahmeuntersuchung für Koi

Aufnahmeuntersuchung für Koi Aufnahmeuntersuchung für Koi Datum des Untersuchs: Date of examination: 1. Angaben zur Praxis / Tierarzt Vet details Name des Tierarztes Name of Vet Name der Praxis Name of practice Adresse Address Beruf

Mehr

Hallo, ich heiße! 1 Hallo! Guten Tag. a Listen to the dialogs. 1.02. b Listen again and read along.

Hallo, ich heiße! 1 Hallo! Guten Tag. a Listen to the dialogs. 1.02. b Listen again and read along. We will learn: how to say hello and goodbye introducing yourself and others spelling numbers from 0 to 0 W-questions and answers: wer and wie? verb forms: sein and heißen Hallo, ich heiße! Hallo! Guten

Mehr

Die Ökonomie von Glücksspielen

Die Ökonomie von Glücksspielen Die Ökonomie von Glücksspielen Teil II: Risiko, Unsicherheit, EVF-Model Dr. Ingo Fiedler 09.04.2013 Organisatorisches Keine Verschiebung der Veranstaltung Eventuell: Beginn bereits um 16Uhr? Erinnerung:

Mehr

Virales Marketing mit Smartphones. Jens Doose - Onwerk GmbH 05.11.2010

Virales Marketing mit Smartphones. Jens Doose - Onwerk GmbH 05.11.2010 Virales Marketing mit Smartphones Jens Doose - Onwerk GmbH 05.11.2010 Über Onwerk Was ist ein Smartphone? Eigene Inhalte auf dem Telefon Statistiken Virales Marketing Mobiles virales Marketing Beispiel

Mehr

EVERYTHING ABOUT FOOD

EVERYTHING ABOUT FOOD EVERYTHING ABOUT FOOD Fächerübergreifendes und projektorientiertes Arbeiten im Englischunterricht erarbeitet von den Teilnehmern des Workshops Think big act locally der 49. BAG Tagung EVERYTHING ABOUT

Mehr

ebusiness Lotse Berlin Social Media Monitoring

ebusiness Lotse Berlin Social Media Monitoring 1 Agenda Social Media Monitoring 2 1. Webbosaurus 2. Definition & Einsatzgebiet 3. Plattformen & Funktionsweise 4. manuell vs. automatisch 5. kostenlos vs. kostenpflichtig 6. Toolvorstellungen 3 Webbosaurus

Mehr

User_Authenticate_ & File Sharing Groups

User_Authenticate_ & File Sharing Groups User_Authenticate_ & File Sharing Groups GTUG September 2013 Carl Weber Quer denken In welche Richtung fährt der Bus in Schweden? und in Deutschland??? Quer denken Wer kennt die Farbe seines Hutes? Vier

Mehr

ehealth Interoperability 101 workshop 9.9.2015, Zürich, forum digitale gesundheit #fdg15 9.9.2015 Forum Digitale Gesundheit- Zürich #FDG15 - Oliver

ehealth Interoperability 101 workshop 9.9.2015, Zürich, forum digitale gesundheit #fdg15 9.9.2015 Forum Digitale Gesundheit- Zürich #FDG15 - Oliver ehealth Interoperability 101 workshop 9.9.2015, Zürich, forum digitale gesundheit #fdg15 9.9.2015 Forum Digitale Gesundheit- Zürich #FDG15 - Oliver Egger ahdi gmbh image: wikimedia commons interoperabel

Mehr

chocogreets send a personalized gift around the world

chocogreets send a personalized gift around the world chocogreets send a personalized gift around the world myswisschocolate AG Chocogreets ist eine Marke von myswisschocolate AG myswisschocolate bietet individuelle Schweizer Schokoladentafeln, täglich frisch

Mehr

HCI 15 Einführung in die Mobile Usability. am Beispiel der Android UX

HCI 15 Einführung in die Mobile Usability. am Beispiel der Android UX HCI 15 Einführung in die Mobile Usability am Beispiel der Android UX Mit dem iphone begann eine mobile Revolution Quelle: www.redant.com Whitepaper "Going Mobile" Mobil was ist anders? Gerät mit Identität

Mehr

SOCIAL MEDIA FAKTEN / BEDEUTUNG / UNTERSCHIEDLICHE PLATTFORMEN (ASCO Tag der Beratung - 12. Juni 2012)

SOCIAL MEDIA FAKTEN / BEDEUTUNG / UNTERSCHIEDLICHE PLATTFORMEN (ASCO Tag der Beratung - 12. Juni 2012) SOCIAL MEDIA FAKTEN / BEDEUTUNG / UNTERSCHIEDLICHE PLATTFORMEN (ASCO Tag der Beratung - 12. Juni 2012) Manuel P. Nappo, lic. oec. HSG Leiter Fachstelle Social Media Management Studienleiter CAS Social

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Vorbesprechung Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2015 Vorbesprechung, SS 2015 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source:

Mehr

Learning Analytics und Foren

Learning Analytics und Foren Learning Analytics und Foren Agathe Merceron Beuth Hochschule für Technik Berlin Margarita Elkina Hochschule für Wirtschaft und Recht Berlin Albrecht Fortenbacher Hochschule für Technik und Wirtschaft

Mehr

Softwareprojektpraktikum Maschinelle Übersetzung

Softwareprojektpraktikum Maschinelle Übersetzung Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta {peter,guta}@i6.informatik.rwth-aachen.de Vorbesprechung 1. Aufgabe 09. April 2014 Human Language Technology and Pattern

Mehr

Statistik und Wahrscheinlichkeitsrechnung 401-0612-00

Statistik und Wahrscheinlichkeitsrechnung 401-0612-00 Statistik und Wahrscheinlichkeitsrechnung 401-0612-00 Lukas Meier Wieso Statistik und Wahrscheinlichkeitsrechnung? Zufällige Prozesse und Anwendungen von W keitsrechnung und Statistik sind in unserem Alltag

Mehr

Umstellung Versand der täglichen Rechnungen Auktionsmarkt

Umstellung Versand der täglichen Rechnungen Auktionsmarkt EEX Kundeninformation 2004-05-04 Umstellung Versand der täglichen Rechnungen Auktionsmarkt Sehr geehrte Damen und Herren, die Rechnungen für den Handel am Auktionsmarkt werden täglich versandt. Dabei stehen

Mehr

1. Was ist Social-Media? 2. Die 7-Social-Media-Bausteine. 3. Anwendungen. 4. Plattformen. 5. Vorstellung einiger Plattformen

1. Was ist Social-Media? 2. Die 7-Social-Media-Bausteine. 3. Anwendungen. 4. Plattformen. 5. Vorstellung einiger Plattformen Der Unterschied zwischen PR (Public relations) und Social Media ist der, dass es bei PR um Positionierung geht. Bei Social Media dagegen geht es darum zu werden, zu sein und sich zu verbessern. (Chris

Mehr

EINSTUFUNGSTEST ENGLISCH. Firma: Abt.: Name: Datum:

EINSTUFUNGSTEST ENGLISCH. Firma: Abt.: Name: Datum: EINSTUFUNGSTEST ENGLISCH Firma: Abt.: Name: Datum: Dieser kurze Test soll dafür sorgen, daß Sie den für Sie richtigen Kurs belegen. Keine Angst - wenn Sie schon alles richtig beantworten könnten, dann

Mehr

Vorlesung Maschinelles Lernen

Vorlesung Maschinelles Lernen Gliederung Vorlesung Maschinelles Lernen SVM Textkategorisierung 1 Web Mining Information Retrieval Katharina Morik, Claus Weihs 24.5.2011 2 Textklassifikation 3 Verwendung des Modells zur Textklassifikation

Mehr

Titelbild1 ANSYS. Customer Portal LogIn

Titelbild1 ANSYS. Customer Portal LogIn Titelbild1 ANSYS Customer Portal LogIn 1 Neuanmeldung Neuanmeldung: Bitte Not yet a member anklicken Adressen-Check Adressdaten eintragen Customer No. ist hier bereits erforderlich HERE - Button Hier nochmal

Mehr

Übersicht. Generalversammlung SGRP Rahmenprogramm Live Hacking eines Access Points. Ziel: Programm:

Übersicht. Generalversammlung SGRP Rahmenprogramm Live Hacking eines Access Points. Ziel: Programm: Generalversammlung SGRP Rahmenprogramm Live Hacking eines Access Points Roland Portmann, dipl. Ing. ETH Seite 1 Live Hacking eines Access Points Übersicht Ziel: Wichtigsten Probleme beim Einsatz von WLAN

Mehr

Absprache: Treffpunkte Englisch Primar / Sek I

Absprache: Treffpunkte Englisch Primar / Sek I Departement Bildung und Kultur Abteilung Volksschule Gerichtshausstr. 25 8750 Glarus Absprache: Treffpunkte Englisch Primar / Sek I Das vorliegende Dokument beinhaltet Absprachen über Treffpunkte zum Übertritt

Mehr

Der Wetterbericht für Deutschland. Read the weather reports and draw the correct weather symbols for each town.

Der Wetterbericht für Deutschland. Read the weather reports and draw the correct weather symbols for each town. Der Wetterbericht für Deutschland Read the weather reports and draw the correct weather symbols for each town. Es ist sehr heiß in Berlin und es donnert und blitzt in Frankfurt. Es ist ziemlich neblig

Mehr

Distributed testing. Demo Video

Distributed testing. Demo Video distributed testing Das intunify Team An der Entwicklung der Testsystem-Software arbeiten wir als Team von Software-Spezialisten und Designern der soft2tec GmbH in Kooperation mit der Universität Osnabrück.

Mehr

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002) 6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden

Mehr

RS-232 SERIAL EXPRESS CARD 1-PORT. Expansion 111829

RS-232 SERIAL EXPRESS CARD 1-PORT. Expansion 111829 RS-232 SERIAL EXPRESS CARD 1-PORT Expansion 111829 1. Introduction equip RS-232 Serial Express Card works with various types of RS-232 serial devices including modems, switches, PDAs, label printers, bar

Mehr

Twitter Die Welt in 140 Zeichen

Twitter Die Welt in 140 Zeichen Twitter Die Welt in 140 Zeichen Arbeiterkammer Dezember 2013 MMag. Dr. Huberta Weigl Schreibwerkstatt Social-Media-Werkstatt www.schreibwerkstatt.co.at www.social-media-werkstatt.at Inhalte & Aufbau des

Mehr

Text Mining. Bachelorarbeit

Text Mining. Bachelorarbeit Text Mining Bachelorarbeit Abteilung Informatik Hochschule für Technik Rapperswil Herbstsemester 2013 Autor: Betreuer: Projektpartner: Experte: Gegenleser: Quentin Willimann Prof. Hansjörg Huser INS Stefan

Mehr

present progressive simple present 1. Nach Signalwörtern suchen 2. Keine Signalwörter? now today at this moment just now never often

present progressive simple present 1. Nach Signalwörtern suchen 2. Keine Signalwörter? now today at this moment just now never often Teil 1 simple present oder present progressive 1. Nach Signalwörtern suchen Sowohl für das simple present als auch für das present progressive gibt es Signalwörter. Findest du eines dieser Signalwörter,

Mehr

Erfolgreiches Web 2.0 Marketing

Erfolgreiches Web 2.0 Marketing Erfolgreiches Web 2.0 Marketing Vortrag im Rahmen der Veranstaltung Mit Web 2.0 Marketing erfolgreich im interaktiven Netz Duisburg den, 15. September 2009 Die metapeople Gruppe ist Partner von: Ihr Speaker

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Risiken bei der Analyse sehr großer Datenmengen. Dr. Thomas Hoppe

Risiken bei der Analyse sehr großer Datenmengen. Dr. Thomas Hoppe Risiken bei der Analyse sehr großer Datenmengen Dr. Thomas Hoppe Datenaufbereitung Datenanalyse Data Mining Data Science Big Data Risiken der Analyse Sammlung Integration Transformation Fehlerbereinigung

Mehr

Weka Experiment: Sentiment Analyse für beliebte Marken mit Hilfe von Crowdsourcing

Weka Experiment: Sentiment Analyse für beliebte Marken mit Hilfe von Crowdsourcing Weka Experiment: Sentiment Analyse für beliebte Marken mit Hilfe von Crowdsourcing Qi Shao TU Darmstadt shaoqi2d01@hotmail.com Abstract In diesem Artikel werden Klassifizierungsmerkmale und Klassifikationsalgorithmen

Mehr

Dieses Dokument beschreibt die Verbindungsherstellung mit dem WLAN-Netzwerk der PHLU auf Smartphones. hotline.hslu.ch Andere

Dieses Dokument beschreibt die Verbindungsherstellung mit dem WLAN-Netzwerk der PHLU auf Smartphones. hotline.hslu.ch Andere IT Services Support Werftestrasse 4, Postfach 2969, CH-6002 Luzern T +41 41 228 21 11, F +41 41 228 21 55 www.hslu.ch Luzern, 17. Juli 2013 Seite 1/12 Kurzbeschrieb: Dieses Dokument beschreibt die Verbindungsherstellung

Mehr

Registrierungsprozess des Boardgeräts (OBU) Inhalt. 1.1. Registrierung auf der Online-Benutzeroberfläche HU-GO

Registrierungsprozess des Boardgeräts (OBU) Inhalt. 1.1. Registrierung auf der Online-Benutzeroberfläche HU-GO Registrierungsprozess des Boardgeräts (OBU) Inhalt 1. Einloggen... 1 1.1. Registrierung auf der Online-Benutzeroberfläche HU-GO... 1 1.2. Einloggen in das System HU-GO... 4 1.3. Auswahl des Kontos... 5

Mehr

Hashtag Schlüsseltrategien Wie Sie Ihre Inhalte und Geschäfte vermarkten. Schlüsselmarketingstrategien für Hashtags. www.kaliber42.

Hashtag Schlüsseltrategien Wie Sie Ihre Inhalte und Geschäfte vermarkten. Schlüsselmarketingstrategien für Hashtags. www.kaliber42. 1 Hashtag Schlüsseltrategien Wie Sie Ihre Inhalte und Geschäfte vermarkten Schlüsselmarketingstrategien für Hashtags Was sind eigentlich diese Hashtags und wo kommen sie her? 2 Benutzen Sie Hashtags? Wissen

Mehr

CARBONIZING VALUATION Assessing Corporate Value at Risk from Carbon

CARBONIZING VALUATION Assessing Corporate Value at Risk from Carbon CARBONIZING VALUATION Assessing Corporate Value at Risk from Carbon Bjørn T. Urdal, SAM Group, London January 29 2007 London, January 29, 2007 0 Carbon is a long-term value concern When you are spending

Mehr

The poetry of school.

The poetry of school. International Week 2015 The poetry of school. The pedagogy of transfers and transitions at the Lower Austrian University College of Teacher Education(PH NÖ) Andreas Bieringer In M. Bernard s class, school

Mehr

Ego-Marketing. Open Summit / Thema: Ego-Marketing / Trainer: Michael Frank Neuhaus / Stand: 24.6.14 / www.adthink.

Ego-Marketing. Open Summit / Thema: Ego-Marketing / Trainer: Michael Frank Neuhaus / Stand: 24.6.14 / www.adthink. Was versteht man unter? Selbst-Marketing Verwandte Begriffe Personal Branding Online-Reputations-Management http://de.wikipedia.org/wiki/selbstmarketing Definitionen http://de.wikipedia.org/wiki/personal_branding

Mehr

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard

Mehr

Opinion Mining. Herausforderungen und Anwendung in der Politik

Opinion Mining. Herausforderungen und Anwendung in der Politik Opinion Mining Herausforderungen und Anwendung in der Politik S e m i n a r a r b e i t an der Otto-Friedrich-Universität Bamberg Professur für Angewandte Informatik insb. Kognitive Systeme Fakultät Wirtschaftsinformatik

Mehr

Automatisierte Akzeptanztests für ios-apps. Sven Günther it-agile GmbH

Automatisierte Akzeptanztests für ios-apps. Sven Günther it-agile GmbH Automatisierte Akzeptanztests für ios-apps Sven Günther it-agile GmbH Wer entwickelt native Apps? Wer testet die Apps selbst? Wer hat externe Testdienstleister? Wer hat Unit-Tests? Wer hat Akzeptanztests?

Mehr

Malware in Deutschland

Malware in Deutschland Malware in Deutschland Wie Internetkriminelle den Markt sehen >>> Foto: www.jenpix.de / pixelio.de Agenda Über die NetUSE AG und mich Zeitliche Entwicklung von Malware Wachstum bei neuer Malware Infektionspunkte

Mehr

Hilfen zum Twitter-Hashtag-Marketing!

Hilfen zum Twitter-Hashtag-Marketing! Hilfen zum Twitter-Hashtag-Marketing! Quelle: www.rohinie.eu Hilfen zum Twitter Hashtag Marketing Als Antwort auf Twitter-Tags, Schlüsselwörter und Kategorien sind Hashtags Begriffe für die Klassifizierung

Mehr

Field Librarianship in den USA

Field Librarianship in den USA Field Librarianship in den USA Bestandsaufnahme und Zukunftsperspektiven Vorschau subject librarians field librarians in den USA embedded librarians das amerikanische Hochschulwesen Zukunftsperspektiven

Mehr

Parameter-Updatesoftware PF-12 Plus

Parameter-Updatesoftware PF-12 Plus Parameter-Updatesoftware PF-12 Plus Mai / May 2015 Inhalt 1. Durchführung des Parameter-Updates... 2 2. Kontakt... 6 Content 1. Performance of the parameter-update... 4 2. Contact... 6 1. Durchführung

Mehr

Kundenbindung optimieren mit Predictive Analytics und Text Mining

Kundenbindung optimieren mit Predictive Analytics und Text Mining Kundenbindung optimieren mit Predictive Analytics und Text Mining Ein Praxis-Beispiel mit der Analyse-Plattform STATISTICA CeBIT Hannover, 10. März 2014 www.statsoft.de StatSoft (Europe) GmbH 2014 Dr.

Mehr

EEX Kundeninformation 2002-08-30

EEX Kundeninformation 2002-08-30 EEX Kundeninformation 2002-08-30 Terminmarkt - Eurex Release 6.0; Versand der Simulations-Kits Kit-Versand: Am Freitag, 30. August 2002, versendet Eurex nach Handelsschluss die Simulations -Kits für Eurex

Mehr

1. General information... 2 2. Login... 2 3. Home... 3 4. Current applications... 3

1. General information... 2 2. Login... 2 3. Home... 3 4. Current applications... 3 User Manual for Marketing Authorisation and Lifecycle Management of Medicines Inhalt: User Manual for Marketing Authorisation and Lifecycle Management of Medicines... 1 1. General information... 2 2. Login...

Mehr

Lektion 9: Konjugation von Verben im Präsens (conjugation of verbs in present tense)

Lektion 9: Konjugation von Verben im Präsens (conjugation of verbs in present tense) Lektion 9: Konjugation von Verben im Präsens (conjugation of verbs in present tense) Verben werden durch das Anhängen bestimmter Endungen konjugiert. Entscheidend sind hierbei die Person und der Numerus

Mehr

Vorlesung Automotive Software Engineering Integration von Diensten und Endgeräten Ergänzung zu Telematik

Vorlesung Automotive Software Engineering Integration von Diensten und Endgeräten Ergänzung zu Telematik Vorlesung Automotive Software Engineering Integration von Diensten und Endgeräten Ergänzung zu Telematik Sommersemester 2014 Prof. Dr. rer. nat. Bernhard Hohlfeld Bernhard.Hohlfeld@mailbox.tu-dresden.de

Mehr