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

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

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

FLIRT ENGLISH DIALOGUE TRANSCRIPT EPISODE FIVE : WELCOME TO MY WORLD

FLIRT ENGLISH DIALOGUE TRANSCRIPT EPISODE FIVE : WELCOME TO MY WORLD 1 FLIRT ENGLISH DIALOGUE TRANSCRIPT EPISODE FIVE : WELCOME TO MY WORLD AT S GARDEN SHED Wie lange sind sie schon hier? Was? Die Mädels Julie und Nina was meinst du, wie lange sie schon hier sind? Etwa

Mehr

Geometrie und Bedeutung: Kap 5

Geometrie und Bedeutung: Kap 5 : Kap 5 21. November 2011 Übersicht Der Begriff des Vektors Ähnlichkeits Distanzfunktionen für Vektoren Skalarprodukt Eukidische Distanz im R n What are vectors I Domininic: Maryl: Dollar Po Euro Yen 6

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 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

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

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

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

WEKA A Machine Learning Interface for Data Mining

WEKA A Machine Learning Interface for Data Mining WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010

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

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

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

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

Flirt English Dialogue Transcript Episode Eight : On The Team

Flirt English Dialogue Transcript Episode Eight : On The Team Autoren: Colette Thomson, Len Brown Redaktion: Christiane Lelgemann, Stefanie Fischer AT AUNTY SUZIE S HOUSE Dear Diary. Everything is brilliant. Absolutely brilliant. Can and I are having the best time.

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

CONTEXT IS KING AND DEVICE IS QUEEN! IN DER MOBILEN MARKENKOMMUNIKATION. 21TORR Interactive GmbH

CONTEXT IS KING AND DEVICE IS QUEEN! IN DER MOBILEN MARKENKOMMUNIKATION. 21TORR Interactive GmbH CONTEXT IS KING AND DEVICE IS QUEEN! IN DER MOBILEN MARKENKOMMUNIKATION Oliver Zils, Consultant Digital Branding Timo Günthner, Technical Consultant Mobile 21TORR Interactive GmbH Mobile Markenkommunikation

Mehr

One-class Support Vector Machines

One-class Support Vector Machines One-class Support Vector Machines Seminar Wissensbasierte Systeme Dietrich Derksen 3. Januar 204 Motivation One-class Support Vector Machines: Detektion von Ausreißern (Systemfehlererkennung) Klassifikation

Mehr

Listening Comprehension: Talking about language learning

Listening Comprehension: Talking about language learning Talking about language learning Two Swiss teenagers, Ralf and Bettina, are both studying English at a language school in Bristo and are talking about language learning. Remember that Swiss German is quite

Mehr

Harry gefangen in der Zeit Begleitmaterialien

Harry gefangen in der Zeit Begleitmaterialien Episode 069 - Please take a number Focus: job hunting, dealing with official agencies, posing questions politely, vocabulary for job searches and unemployment Grammar: indirect interrogative sentences

Mehr

DOWNLOAD. Englisch in Bewegung. Spiele für den Englischunterricht. Britta Buschmann. Downloadauszug aus dem Originaltitel:

DOWNLOAD. Englisch in Bewegung. Spiele für den Englischunterricht. Britta Buschmann. Downloadauszug aus dem Originaltitel: DOWNLOAD Britta Buschmann Englisch in Bewegung Spiele für den Englischunterricht auszug aus dem Originaltitel: Freeze Hör-/ und Sehverstehen Folgende Bewegungen werden eingeführt: run: auf der Stelle rennen

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

Study guide written by René Koglbauer

Study guide written by René Koglbauer Published November 2013 WITH SUPPORT FROM Aufgabe während des Films Was erfährst du über diese Themen? (What did you learn about these topics?) Fußball Familie Nachkriegszeit 2 Aufgabe 1 Die Hauptfigur:

Mehr

Anlauftext hören & Strukturen I lesen & Was machen Sie gern in Ihrer Freizeit? (5 Sätze)

Anlauftext hören & Strukturen I lesen & Was machen Sie gern in Ihrer Freizeit? (5 Sätze) 1 Montag, 17. Februar Kapitel 3: Kurs Anlauf: Vorschau Anlauftext Rückblick Strukturen I: Present Tense The Verb wissen Stereotypen Hausaufgabe Anlauftext hören & Strukturen I lesen & Was machen Sie gern

Mehr

(` Download Fraud Detection. Data- Mining-Verfahren Zur Aufdeckung Von Abrechnungsbetrug Im Gesundheitswesen (German Edition) books free read online

(` Download Fraud Detection. Data- Mining-Verfahren Zur Aufdeckung Von Abrechnungsbetrug Im Gesundheitswesen (German Edition) books free read online (` Download Fraud Detection. Data- Mining-Verfahren Zur Aufdeckung Von Abrechnungsbetrug Im Gesundheitswesen (German Edition) books free read online ID:jaifku Click Here to Read Fraud Detection. Data-Mining-Verfahren

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

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

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

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

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

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

forty-three 43 1. Write the correct names in the boxes. nose neck foot head leg ear mouth body hair eye arm face hand

forty-three 43 1. Write the correct names in the boxes. nose neck foot head leg ear mouth body hair eye arm face hand My Body 1. Write the correct names in the boxes. nose neck foot head leg ear mouth body hair eye arm face hand 2. How many of them have you got? I ve got legs. I ve got feet. I ve got arms. I ve got head.

Mehr

1 von 3 10.07.2014 12:07

1 von 3 10.07.2014 12:07 1 von 3 10.07.2014 12:07 Auswertung Evaluationsfragebogen HS Fulda Fachbereich Angewandte Informatik Studiengang: Bachelor Wirtschaftsinformatik Titel der Veranstaltung: Statistik und Finanzmathematik

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

Weiterbildungskolleg der Stadt Bielefeld Abendrealschule Fachbereich Englisch Frachtstraße 8 33602 Bielefeld

Weiterbildungskolleg der Stadt Bielefeld Abendrealschule Fachbereich Englisch Frachtstraße 8 33602 Bielefeld Weiterbildungskolleg der Stadt Bielefeld Abendrealschule Fachbereich Englisch Frachtstraße 8 33602 Bielefeld Requirements for Entering the First Term in English, Exercises to Prepare Yourself / Anforderungen

Mehr

Opinion Mining in der Marktforschung

Opinion Mining in der Marktforschung Opinion Mining in der Marktforschung von andreas.boehnke@stud.uni-bamberg.de S. 1 Überblick I. Motivation Opinion Mining II. Grundlagen des Text Mining III. Grundlagen des Opinion Mining IV. Opinion Mining

Mehr

Lernende Suchmaschinen

Lernende Suchmaschinen Lernende Suchmaschinen Qingchui Zhu PG 520 - Intelligence Service (WiSe 07 / SoSe 08) Verzeichnis 1 Einleitung Problemstellung und Zielsetzung 2 Was ist eine lernende Suchmaschine? Begriffsdefinition 3

Mehr

The English Tenses Die englischen Zeitformen

The English Tenses Die englischen Zeitformen The English Tenses Die englischen Zeitformen Simple Present (Präsens einfache Gegenwart) Handlungen in der Gegenwart die sich regelmäßig wiederholen oder einmalig geschehen I go you go he goes she goes

Mehr

TrustYou Analytics. Reputations-Management für Hotels und Hotelketten

TrustYou Analytics. Reputations-Management für Hotels und Hotelketten TrustYou Analytics Reputations-Management für Hotels und Hotelketten 06.12.2010 TrustYou 2010 1 Wissen Sie, was über Ihr Hotel im Internet gesagt wird? Im Internet gibt es mittlerweile Millionen von Hotelbewertungen,

Mehr

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,

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

Häufigkeit des Vorlesens innerhalb einer Woche

Häufigkeit des Vorlesens innerhalb einer Woche Anteil der Eltern Anteil der Eltern Anteil der Eltern 6. Anhang Auswertung Umfrage Eltern England/Deutschland Tabelle 1: Frage 2 Wie oft lesen Sie Ihrem Kind unter der Woche vor? Häufigkeit des Vorlesens

Mehr

Eine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft. Lars Melchior

Eine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft. Lars Melchior Eine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft Lars Melchior Theoretische Grundlagen Theoretische Grundlagen Genetik Genetische Algorithmen NK

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

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

`# Online Read Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... download books from

`# Online Read Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... download books from `# Online Read Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... download books from google ebooks ID:jiajsi Click Here to Read Programmieren:

Mehr

Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012. Referent: Florian Kalisch (GR09)

Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012. Referent: Florian Kalisch (GR09) Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012 Referent: Florian Kalisch (GR09) Rückblick Aktueller Status Opinion Mining Einführung Einblicke Nächste

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

Vorlesung Software-Reengineering

Vorlesung Software-Reengineering Vorlesung Software-Reengineering Prof. Dr. Rainer Koschke 1 1 Arbeitsgruppe Softwaretechnik Fachbereich Mathematik und Informatik Universität Bremen Wintersemester 2005/06 Überblick I 1 Refactoring 1 Refactoring

Mehr

Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena

Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena http://www.im.uni-jena.de Contents I. Learning Objectives II. III. IV. Recap

Mehr

SS 2011 Network Security Dozent(en): Prof. Dr. Peter Martini

SS 2011 Network Security Dozent(en): Prof. Dr. Peter Martini SS 2 Network Security Dozent(en): Prof. Dr. Peter Martini Wie regelmäßig hast du die Vorlesung besucht How regularly have you attended this lecture? nie never immer always Entspricht der Raum deinen Anforderungen

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

Mitglied der Leibniz-Gemeinschaft

Mitglied der Leibniz-Gemeinschaft Methods of research into dictionary use: online questionnaires Annette Klosa (Institut für Deutsche Sprache, Mannheim) 5. Arbeitstreffen Netzwerk Internetlexikografie, Leiden, 25./26. März 2013 Content

Mehr

x 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen

x 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen 5.1 Lernen mit Entscheidungsbäumen Falls zum Beispiel A = {gelb, rot, blau} R 2 und B = {0, 1}, so definiert der folgende Entscheidungsbaum eine Hypothese H : A B (wobei der Attributvektor aus A mit x

Mehr

(+ Online Read Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... best free online book

(+ Online Read Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... best free online book (+ Online Read Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... best free online book library ID:baedfa Click Here to Read Programmieren:

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

Die Zukunft ist digital. Chancen für Fachbuchhandlungen im Social Web. Jan Manz wbpr Public Relations

Die Zukunft ist digital. Chancen für Fachbuchhandlungen im Social Web. Jan Manz wbpr Public Relations Die Zukunft ist digital. Chancen für Fachbuchhandlungen im Social Web. Jan Manz wbpr Public Relations 1 Agenda Social Web was ist das eigentlich? Alles Twitter oder was? Warum die Medienrezeption 2.0 entscheidend

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

Social Media. Hype oder Must have?

Social Media. Hype oder Must have? Social Media Hype oder Must have? Berlin, 22. August 2011 Was ist Social Media? 1. Seite 1 Was ist Social Media? Social Media bezeichnet eine Fülle digitaler Medien und Technologien (Software, Applikationen,

Mehr

Algorithmische Bioinformatik

Algorithmische Bioinformatik Algorithmische Bioinformatik Hidden-Markov-Modelle Viterbi - Algorithmus Ulf Leser Wissensmanagement in der Bioinformatik Inhalt der Vorlesung Hidden Markov Modelle Baum, L. E. and Petrie, T. (1966). "Statistical

Mehr

There are 10 weeks this summer vacation the weeks beginning: June 23, June 30, July 7, July 14, July 21, Jul 28, Aug 4, Aug 11, Aug 18, Aug 25

There are 10 weeks this summer vacation the weeks beginning: June 23, June 30, July 7, July 14, July 21, Jul 28, Aug 4, Aug 11, Aug 18, Aug 25 Name: AP Deutsch Sommerpaket 2014 The AP German exam is designed to test your language proficiency your ability to use the German language to speak, listen, read and write. All the grammar concepts and

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

DEUTSCH 3 Päckchen 7

DEUTSCH 3 Päckchen 7 I Ich heiße Klasse Parent/Teacher conferences : I will be here on Monday only! DEUTSCH 3 Päckchen 7 Wochenpäckchen (weekly packet) :26. bis 30. September Heute (today) : Montag der 26. September Warm-up

Mehr

Part-of-Speech- Tagging

Part-of-Speech- Tagging Part-of-Speech- Tagging In: Einführung in die Computerlinguistik Institut für Computerlinguistik Heinrich-Heine-Universität Düsseldorf WS 2004/05 Dozentin: Wiebke Petersen Tagging Was ist das? Tag (engl.):

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Vertretungsstunde Englisch 6. Klasse: Grammatik

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Vertretungsstunde Englisch 6. Klasse: Grammatik Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Vertretungsstunde Englisch 6. Klasse: Grammatik Das komplette Material finden Sie hier: Download bei School-Scout.de a few a little

Mehr

Living Agile! Velocity made good. @Thomas_van_Aken

Living Agile! Velocity made good. @Thomas_van_Aken Living Agile! Velocity made good @Thomas_van_Aken Sybit GmbH Agile Consulting seit 2010 Coaching von Kunden-Teams Schulungen Darüber hinaus 1. & 2. Oktober 2014 Etwas über mich Aktuelle Titel: - Scrum

Mehr

Agile UND nutzerorientierte Konzeption und Entwicklung mobiler Apps - ein Widerspruch?

Agile UND nutzerorientierte Konzeption und Entwicklung mobiler Apps - ein Widerspruch? Agile UND nutzerorientierte Konzeption und Entwicklung mobiler Apps - ein Widerspruch? World Usability Day 2011 Burg Lede 10.11.2011 Gregor Glass, Agenda. 1. Vorstellung Telekom Innovation Labs 2. Mobile

Mehr

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

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

Mehr

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

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

Symbio system requirements. Version 5.1

Symbio system requirements. Version 5.1 Symbio system requirements Version 5.1 From: January 2016 2016 Ploetz + Zeller GmbH Symbio system requirements 2 Content 1 Symbio Web... 3 1.1 Overview... 3 1.1.1 Single server installation... 3 1.1.2

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

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

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

Amarok 1.4.10 KDE 3.5.9

Amarok 1.4.10 KDE 3.5.9 Amarok 1.4.10 KDE 3.5.9 How to listen to Music für Angefangene (Pixelschubser s Audioplayer) Amarok is the music player for Linux and Unix with an intuitive interface. Amarok makes playing the music you

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

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

COMPUTER: Mission Berlin. August 13, 1961, six ten pm. You've only got 45 minutes left to save Germany.

COMPUTER: Mission Berlin. August 13, 1961, six ten pm. You've only got 45 minutes left to save Germany. Episode 18 Case History Anna discovers that the woman in red is the head... die Chefin... of RATAVA. There are only 45 minutes left to save Germany and all Anna has as a clue is a hidden case. Can she

Mehr

4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum

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

Mehr

Social Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG

Social Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG Social Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG DB Fernverkehr AG Dr.-Ing. Axel Schulz, Dr. Matthias Platho P.FMB 2, DB Fernverkehr AG Frankfurt, 22.05.2015 Motivation An meinem

Mehr

`* Free Download Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,...

`* Free Download Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... `* Free Download Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... free download e books pdf ID:baedfa Click Here to Read Programmieren:

Mehr

"What's in the news? - or: why Angela Merkel is not significant

What's in the news? - or: why Angela Merkel is not significant "What's in the news? - or: why Angela Merkel is not significant Andrej Rosenheinrich, Dr. Bernd Eickmann Forschung und Entwicklung, Unister GmbH, Leipzig UNISTER Seite 1 Unister Holding UNISTER Seite 2

Mehr

How to deal with complaints writing business letters and e-mails. Von Prof. Dr. Inez De Florio-Hansen, Kassel. Voransicht

How to deal with complaints writing business letters and e-mails. Von Prof. Dr. Inez De Florio-Hansen, Kassel. Voransicht III Business communication: writing 5 How to deal with complaints 1 von 32 How to deal with complaints writing business letters and e-mails Von Prof. Dr. Inez De Florio-Hansen, Kassel Beschwerden und Reklamationen

Mehr

Das Internet ist mobil. John Riordan Bern, 17. Jan 2013

Das Internet ist mobil. John Riordan Bern, 17. Jan 2013 Das Internet ist mobil John Riordan Bern, 17. Jan 2013 Präsentation 1/17 /13 2 Das Handy als Instrument für den Internetzugang Über 3 Mio. Schweizer mobil im Netz 2012 werden weltweit erstmals mehr Smartphones

Mehr

Datenschutz bei Wearables im Zeitalter des Predictive Computing

Datenschutz bei Wearables im Zeitalter des Predictive Computing Datenschutz bei Wearables im Zeitalter des Predictive Computing Dr. Dominik Herrmann Universität Hamburg Folien zum Download: http://dhgo.to/wearable-privacy Predictive Computing 2 Predictive Computing

Mehr

Modellgestützte Analyse und Optimierung Übungsblatt 4

Modellgestützte Analyse und Optimierung Übungsblatt 4 Fakultät für Informatik Lehrstuhl 4 Peter Buchholz, Jan Kriege Sommersemester 2015 Modellgestützte Analyse und Optimierung Übungsblatt 4 Ausgabe: 27.04.2015, Abgabe: 04.05.2015 (12 Uhr) Aufgabe 4.1: Verteilungsfunktionen

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

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

Continuous Auditing eine gut gemeinte aber schlechte Idee kommt zurück

Continuous Auditing eine gut gemeinte aber schlechte Idee kommt zurück Continuous Auditing eine gut gemeinte aber schlechte Idee kommt zurück Michel Huissoud Lic.iur, CISA, CIA 5. November 2012 - ISACA/SVIR-Fachtagung - Zürich Überwachung Continuous Monitoring Continuous

Mehr

Selda Garip MatrikelNr.: 0200012 Kennzahl: 533 seldaaa83@hotmail.com

Selda Garip MatrikelNr.: 0200012 Kennzahl: 533 seldaaa83@hotmail.com Selda Garip MatrikelNr.: 0200012 Kennzahl: 533 seldaaa83@hotmail.com Agenda Geschichte der OOP Geschichte von Self Definition Syntax und Semantik Besonderheiten und Anwendungen Vorteile & Nachteile Motivation

Mehr

2. Lernen von Entscheidungsbäumen

2. Lernen von Entscheidungsbäumen 2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse

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

On a Sunday Morning summary

On a Sunday Morning summary On a Sunday Morning summary Connect the English sentences and their German translation Verbinde die englischen Sätze mit ihrer deutschen Übersetzung The hedgehog was standing at the door of his house He

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

COMPUTER: Mission Berlin. August 13, 1961, six ten pm. You've only got 45 minutes left to save Germany.

COMPUTER: Mission Berlin. August 13, 1961, six ten pm. You've only got 45 minutes left to save Germany. Episode 18 Das versteckte Etui Anna findet heraus, dass die Frau in Rot die Chefin von RATAVA ist. Es bleiben nur noch 45 Minuten. Annas wichtigster Hinweis ist nun ein Etui, das die Frau in Rot versteckt

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

Falko. Error annotations in Falko 2.x. Marc Reznicek & Cedric Krummes

Falko. Error annotations in Falko 2.x. Marc Reznicek & Cedric Krummes Falko Error annotations in Falko 2.x Marc Reznicek & Cedric Krummes Symposium What s Hard in German? Structural Difficulties, Research Approaches and Pedagogic Solutions Bangor University Monday and Tuesday,

Mehr

Englisch. Schreiben. 11. Mai 2016 HUM. Standardisierte kompetenzorientierte schriftliche Reife- und Diplomprüfung. Name: Jahrgang:

Englisch. Schreiben. 11. Mai 2016 HUM. Standardisierte kompetenzorientierte schriftliche Reife- und Diplomprüfung. Name: Jahrgang: Name: Jahrgang: Standardisierte kompetenzorientierte schriftliche Reife- und Diplomprüfung HUM 11. Mai 2016 Englisch (B2) Schreiben 2 Hinweise zum Beantworten der Fragen Sehr geehrte Kandidatin, sehr geehrter

Mehr

COMPUTER: Mission Berlin. November 9, 2006, ten twenty-five am. You have 90 minutes and 2 lives left, and someone seems to know you.

COMPUTER: Mission Berlin. November 9, 2006, ten twenty-five am. You have 90 minutes and 2 lives left, and someone seems to know you. Episode 06 Die Frau in Rot Anna stößt mit einer Frau zusammen, die behauptet, mit ihr im Jahr 1961 befreundet gewesen zu sein. Außerdem wird Anna von der Nachricht überrascht, dass ihr eine Frau in Rot

Mehr