Schwierigkeitsbestimmung von C-Test-Lücken. Lisa Beinborn Assozierte Doktorandin UKP-DIPF UKP Lab, TU Darmstadt 09 July 2013
|
|
- Carl Wagner
- vor 7 Jahren
- Abrufe
Transkript
1 Schwierigkeitsbestimmung von C-Test-Lücken Lisa Beinborn Assozierte Doktorandin UKP-DIPF UKP Lab, TU Darmstadt 09 July 2013
2 Virtualisierung vereinfacht individuelle Förderung Anpassung von Lernmaterialien an unterschiedliche Lernerprofile ermöglicht durch NLP-Techniken C-Tests für die Messung von Sprachkompetenz Kooperation mit Sprachenzentrum der TU Darmstadt Daten von 357 online Tests UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 2
3 C-Test Beispiel UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 3
4 C-Test Beispiel Erster und letzter Satz geben den thematischen Rahmen an. UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 4
5 C-Test Beispiel Die kleinere Hälfte des Wortes ist vorgegeben. UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 5
6 Fehlertypen Rechtschreib- Fehler Keine Lösung UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 6 Falsches Wort
7 Error Rates Fehlerraten pro Lücke Gaps UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 7
8 Error Rates Fehlerraten pro Lücke Warum sind manche Lücken schwieriger als andere? Gaps UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 8
9 Warum sind manche Lücken schwieriger? T (0.08) primary evid (0.25) comes fr (0.03) fossils skulls, skel (0.67) and bo (0.52) fragments. Funktionswörter (Artikel, Präpositionen) Frequenz der Lösung Kontext (3-gram Frequenz) Anzahl der Kandidaten Semantische Ähnlichkeit Lokale vs globale Abhängigkeiten UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 9
10 Informationen über die Lücke UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 10
11 Informationen über die Lücke UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 11
12 Informationen über die Lücke Informationen kombinieren! Maschinelles Lernen auf Trainingsdaten Evaluierung auf Testdaten UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 12
13 Lernereigenschaften Intelligenz Ausbildung Alter... UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 13
14 Lernereigenschaften Intelligenz Ausbildung Alter Teilnehmer, 24 unterschiedliche L1 UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 14
15 Einfluss der Muttersprache 254 Deutsch 20 Chinesisch 18 Türkisch Durchschnittliche Fehlerraten Alle Deutsch Chinesisch Türkisch Text 1 Text 2 Text 3 Text 4 Text 5 UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 17
16 Abweichungen Space colonization: One of the goals is to establish a hu colony on Mars by Alle Deutsch Chinesisch Türkisch Wind energy: It is not easy to design and build a mac that is both, efficient and durable Alle Deutsch Chinesisch Türkisch UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 18
17 Abweichungen Space colonization: One of the goals is to establish a human colony on Mars by Alle Deutsch Chinesisch Türkisch Wind energy: It is not easy to design and build a mac that is both, efficient and durable Alle Deutsch Chinesisch Türkisch UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 19
18 Abweichungen Space colonization: One of the goals is to establish a human colony on Mars by Alle Deutsch Chinesisch Türkisch Wind energy: It is not easy to design and build a machine that is both, efficient and durable Alle Deutsch Chinesisch Türkisch UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 20
19 Ausblick Automatische Schwierigkeitsbestimmung Einfluss unterschiedlicher Lückeneigenschaften Lokale vs globale Abhängigkeiten Interlinguale Einflüsse (Kognaten, strukturelle Ähnlichkeit) Mehr Daten im Oktober UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 21
20 Anwendungen Automatisierte Textauswahl Vorhersage von Ambiguitäten (huge/human) Schwierigkeitsanpassung (nur jedes dritte Wort, nur Funktionswörter,...) für unterschiedliche Lernerprofile C-Tests als Diagnose- und Trainingswerkzeug UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 22
21 Vielen Da für d Aufmerk! Ich ho, der Vor hat Ih gefallen. Ha Sie no Fragen? UKP Lab - Prof. Dr. Iryna Gurevych Lisa Beinborn 23
Übersicht. Definition Daten Problemklassen Fehlerfunktionen
Übersicht 1 Maschinelle Lernverfahren Definition Daten Problemklassen Fehlerfunktionen 2 Entwickeln von maschinellen Lernverfahren Aufteilung der Daten Underfitting und Overfitting Erkennen Regularisierung
MehrDFG-Rundgespräch Webknowlogy Die Nutzung von kollektivem Wissen aus dem Web ermöglichen
DFG-Rundgespräch Webknowlogy Die Nutzung von kollektivem Wissen aus dem Web ermöglichen 19.-20.05.2011, Darmstadt Prof. Dr. Iryna Gurevych Ubiquitous Knowledge Processing (UKP Lab) Fachbereich Informatik
MehrCandidate Evaluation Strategies for Improved Difficulty Prediction of Language Proficiency Tests
Candidate Evaluation Strategies for Improved Difficulty Prediction of Language Proficiency Tests BEA Workshop 2015 Lisa Beinborn, Torsten Zesch, Iryna Gurevych UKP Lab Department of Computer Science Technische
MehrLexikalisch-semantische Ressourcen für die automatische Analyse von Erziehungswissenschaftlicher Fachliteratur
Workshop UKP Lab DIPF Knowledge Discovery 02. August 2012 Dr. Judith Eckle-Kohler Lexikalisch-semantische Ressourcen für die automatische Analyse von Erziehungswissenschaftlicher Fachliteratur In Teilen
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrNatural language processing
Natural language processing Guangyu Ge Betreuer: Tobias 29.01.2018 GLIEDERUNG 1. Einführung 2. Anwendungsbereiche 3. Verfahren bei NLP 4. Zusammenfassung ZIELE VON KÜNSTLICHER INTELLIGENZ Quelle: https://cdn-images-1.medium.com/max/800/0*y707xutx3zmvjkxx.png
MehrKünstliche Intelligenz im Fahrzeug
Künstliche Intelligenz im Fahrzeug Mittwoch, 20. September 2017 Stufen des automatisierten Fahrens Stufe 0 nur Fahrer Stufe 1 Assistiert Stufe 2 Teilautomatisiert Stufe 3 Hochautomatisiert Stufe 4 Vollautomatisiert
MehrModell Komplexität und Generalisierung
Modell Komplexität und Generalisierung Christian Herta November, 2013 1 von 41 Christian Herta Bias-Variance Lernziele Konzepte des maschinellen Lernens Targetfunktion Overtting, Undertting Generalisierung
MehrVergleich von SVM und Regel- und Entscheidungsbaum-Lernern
Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Chahine Abid Bachelor Arbeit Betreuer: Prof. Johannes Fürnkranz Frederik Janssen 28. November 2013 Fachbereich Informatik Fachgebiet Knowledge
MehrIntelligente Klassifizierung von technischen Inhalten. Automatisierung und Anwendungspotenziale
Intelligente Klassifizierung von technischen Inhalten Automatisierung und Anwendungspotenziale Künstliche Intelligenz Machine Learning Deep Learning 1950 1980 2010 Abgeleitet von: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Modellevaluierung. Niels Landwehr
Universität Potsdam Institut für Informatik ehrstuhl Maschinelles ernen Modellevaluierung Niels andwehr ernen und Vorhersage Klassifikation, Regression: ernproblem Eingabe: Trainingsdaten Ausgabe: Modell
MehrSoftwarequalität erhöhen durch DevOps
Softwarequalität erhöhen durch DevOps Leipzig, 31.03.2017 Jeremias Hackbeil Softwareforen Leipzig GmbH 1 Nur wer schnell ist, überlebt im Markt. Dafür braucht es neue Arbeitsstrukturen. Computerwoche vom
MehrKapitel 10. Maschinelles Lernen Lineare Regression. Welche Gerade? Problemstellung. Th. Jahn. Sommersemester 2017
10.1 Sommersemester 2017 Problemstellung Welche Gerade? Gegeben sind folgende Messungen: Masse (kg) 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Kraft (N) 1.6 2.2 3.2 3.0 4.9 5.7 7.1 7.3 8.1 Annahme: Es gibt eine Funktion
MehrAutomatische Textzusammenfassung
Ruprecht Karls Universität Heidelberg Lehrstuhl für Computerlinguistik HS Information Retrieval Automatische Textzusammenfassung Referat von Elena Loupanova 23.01.2006 Definition Textzusammenfassung The
Mehr(Bamberg)
Konzeption eines Frameworks für die Evaluation von Tag-Suggestion-Algorithmen Martin Garbe Steffen Oldenburg Lukas Zielinski Prof. Dr. Clemens Cap (Universität Rostock) 08.05.2008 (Bamberg) Übersicht Tags
MehrDOWNLOAD OR READ : MIT ERFOLG ZU TELC DEUTSCH B2 TESTBUCH PDF EBOOK EPUB MOBI
DOWNLOAD OR READ : MIT ERFOLG ZU TELC DEUTSCH B2 TESTBUCH PDF EBOOK EPUB MOBI Page 1 Page 2 mit erfolg zu telc deutsch b2 testbuch mit erfolg zu telc pdf mit erfolg zu telc deutsch b2 testbuch Mit Erfolg
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrAutomatisierte Pflegekomplexmaßnahmen-Score: Berechnung und Dokumentation mittels semantischer Technologien
Wir machen Pflege transparent. Automatisierte Pflegekomplexmaßnahmen-Score: Berechnung und Dokumentation mittels semantischer Technologien Sebastian Zebbities Forschung & Entwicklung apenio Was ist PKMS?
MehrSchadenmeldung Online Kraft für Kunden & Vertreter
Schadenmeldung Online Kraft für Kunden & Vertreter Ein Erfahrungsbericht aus der Digital Factory München - aus Sicht eines ProductOwners D-BO-ABS-SL2/ Michael Franz / München / 22.05.2017 Vertraulich Copyright
MehrPCA based feature fusion
PCA based feature fusion Seminar Inhaltsbasierte Bildsuche WS 04/05 Übersicht Motivation: PCA an einem Beispiel PCA in der Bildsuche Tests Zusammenfassung / Ausblick Diskussion / Demo 2 Motivation: PCA
MehrGeneral Online Research Conference GOR February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany
General Online Research Conference GOR 18 28 February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany Christopher Harms, SKOPOS GmbH & Co. KG Keine Angst vor Ihrem neuen Kollegen,
MehrAuswirkungen des Intraday-Handels auf das Netzregelverbundsaldo in Deutschland
01.06.2018 Strommarkttreffen Auswirkungen des Intraday-Handels auf das Netzregelverbundsaldo in Deutschland Christopher Koch TU Berlin, Fachgebiet Energiesysteme Hintergrund Since 2008, German VRE capacity
MehrEffektivere Informationssuche im WWW
Effektivere Informationssuche im WWW Christopher Schwarz, BSc Psychologie Ubiquitous Knowledge Processing Lab AG Organisations- und Wirtschaftspsychologie Prof. Dr. Iryna Gurevych Prof. Dr. Nina Keith
MehrSprachtechnologie in der Wissenschaft: Digital-Turn in evidenzbasierter Bildungsforschung und -information
Sprachtechnologie in der Wissenschaft: Digital-Turn in evidenzbasierter Bildungsforschung und -information Iryna Gurevych Sprachtechnologie-Feuerwerk: Aktuelle Anwendungsbeispiele und Zukunftsvisionen
MehrElectric mobility... based on renewable resources as a vital factor future for... clean air policy
Electric mobility... based on renewable resources as a vital factor future for... clean air policy Tomi Engel Stuttgart - 02.06.2008 An inexpensive, highly profitable, globally available, mobile... An
MehrMarina Sedinkina Folien von Benjamin Roth Planen (CIS LMU andmünchen) Evaluieren von Machine Learning Experimenten 1 / 38
Planen and Evaluieren von Machine Learning Eperimenten Marina Sedinkina Folien von Benjamin Roth CIS LMU München Evaluieren von Machine Learning Eperimenten 1 / 38 Übersicht 1 Entwickeln von maschinellen
MehrDie Beziehung zwischen Mensch und Maschine wird neu definiert
Die Beziehung zwischen Mensch und Maschine wird neu definiert www.futuristgerd.com www.gerdleonhard.de www.gerdtube.com @gleonhard Was macht ein Futurist? Es regnete nicht als Noah die Arche baute Foresights
MehrInternationalisierungsstrategien von Fachhochschulen Internationalisierung der Hochschulen als strategische Aufgabe
Internationalisierungsstrategien von Fachhochschulen Internationalisierung der Hochschulen als strategische Aufgabe Dr. Christian Thimme DAAD November 2012 Definition Internationalisierung Internationalization
MehrNewest Generation of the BS2 Corrosion/Warning and Measurement System
Newest Generation of the BS2 Corrosion/Warning and Measurement System BS2 System Description: BS2 CorroDec 2G is a cable and energyless system module range for detecting corrosion, humidity and prevailing
MehrTara-Wood. Specialize in Manufacture of High Quality Solid Wood Flooring. TARA GROUP OF COMPAINES PRICE LIST - Catalogue
TARA Note: These s FOB UAE Port. PRICE LIST - Catalogue Introduction: is a Specialized mass production operation located in Hamriya Free Zone in Sharjah, U.A.E certified by PEFC Certification. Based on
MehrSprachunabhängige Autorschafts-Verifikation
Sprachunabhängige Autorschafts-Verifikation Oren Halvani, Martin Steinebach, Ralf Zimmermann Fraunhofer Institute for Secure Information Technology (SIT), Darmstadt, Germany Department of Computer Science
MehrRough copy for the art project >hardware/software< of the imbenge-dreamhouse artist Nele Ströbel.
Rough copy for the art project >hardware/software< of the imbenge-dreamhouse artist. Title >hardware/software< This art project reflects different aspects of work and its meaning for human kind in our
MehrMicrosoft Office SharePoint 2007
Inhalt 1 Erstellen von Workflows für Microsoft Office SharePoint 2007 15 June 2009 Sebastian Gerling Sebastian.gerling@spiritlink.de COPYRIGHT 2003 SPIRIT LINK GMBH. ALL RIGHTS RESERVED Inhalt 1 Dipl.
MehrDependency Locality Theory von Edward (Ted) Gibson. Die. Seminar Konnektionistische Sprachverarbeitung, Benjamin Udiljak. 10.
Die Dependency Locality Theory von Edward (Ted) Gibson Seminar Konnektionistische Sprachverarbeitung, 2009 Benjamin Udiljak 10. November 2009 Problemstellung und neue Erkenntnisse Komplexität durch eingebettete
MehrWieviele Dimensionen hat die Welt?
Wieviele Dimensionen hat die Welt? Prof. Carlo Ewerz ExtreMe Matter Institute EMMI, GSI & Universität Heidelberg Weltmaschine Darmstadt, 3. September 2011 by D. Samtleben by D. Samtleben by D. Samtleben
MehrWEMAG AG. Dipl.-Ing. (FH) Tobias Struck. The WEMAG Battery For Primary Control Reserve A Review Of 8 Months Of Operation
WEMAG AG Dipl.-Ing. (FH) Tobias Struck The WEMAG Battery For Primary Control Reserve A Review Of 8 Months Of Operation Characteristic Of Grid Area WEMAG-Group area covered approx. 8,685 sq. km WEMAG 2013
MehrSharon Goldwater & David McClosky. Sarah Hartmann Advanced Topics in Statistical Machine Translation
Sharon Goldwater & David McClosky Sarah Hartmann 13.01.2015 Advanced Topics in Statistical Machine Translation Einführung Modelle Experimente Diskussion 2 Einführung Das Problem Der Lösungsvorschlag Modelle
Mehrok-plattform Roadmapping und Budgetindikation
ok-plattform Roadmapping und Budgetindikation 23.06.2017 1 Motivation und Ziele des Roadmapping Fragen der Geschäftsführung: Wann ist die openkonsequenz Plattform fertig? Was wird die openkonsequenz Plattform
MehrSAMPLE EXAMINATION BOOKLET
S SAMPLE EXAMINATION BOOKLET New Zealand Scholarship German Time allowed: Three hours Total marks: 24 EXAMINATION BOOKLET Question ONE TWO Mark There are three questions. You should answer Question One
MehrGIS Docker und Azure-Cloud. Neues aus der Entwicklung
GIS Docker und Azure-Cloud Neues aus der Entwicklung 1 Agenda Ausgangssituation / Rahmenbedingungen / Entscheidung Docker Azure Beispiel VM anlegen via Web Interface Putting all together Beispiel: Azure
Mehrclean wave Rongeure clean wave rongeurs
clean wave Rongeure clean wave rongeurs Chirurgische Instrumente Surgical Instruments Sichtbare Sauberkeit Visible cleanliness Chirurgische Instrumente l Surgical Instruments ulrich medical clean wave
MehrRot/Gelb. Grün. Rot. Gelb. G.1 Einleitung
G.1 Einleitung Eine Verkehrsampel durchläuft verschiedene Zustände. Bestimmte Ereignisse zum Beispiel ein Tastendruck oder der Ablauf einer Wartezeit führen zum Wechsel des aktuellen Zustands. Ein vereinfachtes
MehrIris Beckmann-Schulz. Kenntnis- und Bedarfsfeststellung im Handlungsfeld Berufsbezogenes Deutsch Sachstand und Entwicklungsbedarfe
Kenntnis- und Bedarfsfeststellung im Handlungsfeld Berufsbezogenes Deutsch Sachstand und Entwicklungsbedarfe Ablauf Netzwerk IQ Begriffsklärung Berufsbezogenes Deutsch FAK Berufsbezogenes Deutsch Verfahren
MehrDer Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche
Der Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche Photo by Bence Boros on Unsplash AGENDA Über uns Begrifflichkeiten: Machine Learning, KI & Cognitive Search
MehrQualitätskriterien für MT-Systeme Machen Mensch und Maschinen dieselben Fehler? Konika Minolta Symposium am 24. Februar 2011 in Langenhagen
Qualitätskriterien für MT-Systeme Machen Mensch und Maschinen dieselben Fehler? Konika Minolta Symposium am 24. Februar 2011 in Langenhagen D.O.G. Dokumentation ohne Grenzen GmbH www.dog-gmbh.de Dr. F.
MehrAdaptive Lernsysteme für soziale Kognition: Ein emotionaler Dreisprung
Adaptive Lernsysteme für soziale Kognition: Ein emotionaler Dreisprung Ulrike Lucke 06. Dezember 2017 elearning-netzwerktag 2017 Frankfurt a.m. 1 Emotionen in der Lehre 06. Dezember 2017 elearning-netzwerktag
MehrCircular City oder Regenerative City Internationale Ansätze stadtregionaler Kreislaufwirtschaft in Stadtplanung und Abfallwirtschaft
Circular City oder Regenerative City Internationale Ansätze stadtregionaler Kreislaufwirtschaft in Stadtplanung und Abfallwirtschaft Hamburg T.R.E.N.D. 2018 06.-07.02.2018 Stadtreinigung Hamburg & TU HH
MehrDigitales Assessment im Schulkontext
Workshop I: Digitalisierung in der Schule Digitales Assessment im Schulkontext Prof. Dr. Frank Goldhammer Deutsches Institut für Internationale Pädagogische Forschung (DIPF) Zentrum für internationale
MehrPersonenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.
Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2 Motivation Baustein einer Microservice Architektur Personenerkennung
MehrSeminar Textmining SS 2015 Grundlagen des Maschinellen Lernens
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining
MehrD-BAUG Informatik I. Exercise session: week 1 HS 2018
1 D-BAUG Informatik I Exercise session: week 1 HS 2018 Java Tutorials 2 Questions? expert.ethz.ch 3 Common questions and issues. expert.ethz.ch 4 Need help with expert? Mixed expressions Type Conversions
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrAutomatische Sacherschließung an der ZBW Status quo & Ausblick
Automatische Sacherschließung an der ZBW Status quo & Ausblick Manfred Faden (Dipl. Soz-Ök.; MA LIS, Thomas Groß (Dipl. Pol.; MA LIS) Deutsche Zentralbibliothek für Wirtschaftswissenschaften Abteilung
MehrVersorgungssicherheit für die stoffliche und energetische Nutzung von Holz: Lokale Ressourcen vs. internationaler Handel
Versorgungssicherheit für die stoffliche und energetische Nutzung von Holz: Lokale Ressourcen vs. internationaler Handel Lukas Kranzl Workshop IEA Bioenergy Task 40 TU-Wien, 26. Jänner 2010 Fragestellungen
MehrEigenschaften von Modulnahen Wechselrichtern und Leistungsoptimierern
13. Workshop Photovoltaik-Modultechnik 28./29.11.2016, Köln Eigenschaften von Modulnahen Wechselrichtern und Leistungsoptimierern Peter Lechner Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg
Mehr6. XML-Verarbeitung. Vorlesung und Übung Dr. Peter Pfahler Institut für Informatik Universität Paderborn. XML Design Goals
5 Vorlesung und Übung Dr. Peter Pfahler Institut für Informatik Universität Paderborn 6 6. XML-Verarbeitung XML Design Goals XML shall be straightforwardly usable over the Internet. XML shall support a
MehrSoftwareprojektpraktikum Maschinelle Übersetzung Verbesserungen für Neuronale Übersetzungssysteme
Softwareprojektpraktikum Maschinelle Übersetzung Verbesserungen für Neuronale Übersetzungssysteme Julian Schamper, Jan Rosendahl mtprak18@i6.informatik.rwth-aachen.de 04. Juli 2018 Human Language Technology
MehrFrühling für iphone-apps
Spring-basierte Backends für ios-applikationen Stefan Scheidt Solution Architect OPITZ CONSULTING GmbH OPITZ CONSULTING GmbH 2010 Seite 1 Wer bin ich? Software-Entwickler und Architekt Trainer und Coach
MehrKnappheiten und Ressourcen von Rohstoffen. Benjamin Achzet Lehrstuhl für Ressourcenstrategie
Knappheiten und Ressourcen von Rohstoffen Benjamin Achzet Lehrstuhl für Ressourcenstrategie Materials critical to the energy industry. An introduction Gliederung Verschiedene Energiezeitalter und deren
MehrAntrittsvorlesung Seh ich schlecht oder ist der Rasen verschwommen?
Antrittsvorlesung Seh ich schlecht oder ist der Rasen verschwommen? Wie man Videoqualität bei Live-Übertragungen misst Andreas Unterweger FH Salzburg 8. Februar 2017 Andreas Unterweger, FH Salzburg Wie
MehrBachelorarbeit Erkennung von Fließtext in PDF-Dokumenten
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei
MehrES-Projektseminar (SS 2012)
ES-Projektseminar (SS 2012) Endvortrag Team Justice League of America Dominik Matthias [Team ] Pascal Stephen Vorname Name; ES Real-Time Systems Lab Prof. Dr. rer. nat. Andy Schürr Dept. of Electrical
MehrRegellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen
Regellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen EDV-Gerichtstag 2018, Saarbrücken 20.9.2019 Jörn Erbguth, Legal Tech Consultant joern@erbguth.ch +41 787256027 Agenda Beispiele
MehrAlemany Model 2. Opció A
Prova d accés a la Universitat (2011) Alemany Model 2. Opció A Lesen Sie aufmerksam den Text. Antworten Sie dann auf die Fragen auf dem gleichen Blatt. Deutsche geben weniger Geld im Urlaub aus. Die Deutschen
MehrWall light recessed and surface mounted 100% Profilkönig. Flüelastrasse 12. CH-8048 Zürich.
Wall light recessed and surface mounted 100% Profilkönig UNEX DAKOTA AG +41 44 404 22 22 Flüelastrasse 12 www.unexled.com CH-8048 Zürich info@unexled.com 146.com Lemo LED wall light 350mA 6.6W 320lm 2x120
MehrKybernetik Regelung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 19. 06.
Kybernetik Regelung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 73 / 50 2453 mohamed.oubbati@uni-ulm.de 9. 06. 202 Was ist Regelung? Regelung ist eine gezielte Beeinflussung dynamischer Systeme,
MehrEntscheidungsbäume aus großen Datenbanken: SLIQ
Entscheidungsbäume aus großen Datenbanken: SLIQ C4.5 iteriert häufig über die Trainingsmenge Wie häufig? Wenn die Trainingsmenge nicht in den Hauptspeicher passt, wird das Swapping unpraktikabel! SLIQ:
Mehr100% Profilkönig. Wall light recessed and surface mounted. UNEX DAKOTA AG Flüelastrasse 12 CH-8048 Zürich
Wall light recessed and surface mounted 100% Profilkönig UNEX DAKOTA AG Flüelastrasse 12 CH-8048 Zürich +41 44 404 22 22 www.unexled.com info@unexled.com Wall lights recessed and surface mounted 148.com
MehrValidation Model Selection Kreuz-Validierung Handlungsanweisungen. Validation. Oktober, von 20 Validation
Validation Oktober, 2013 1 von 20 Validation Lernziele Konzepte des maschinellen Lernens Validierungsdaten Model Selection Kreuz-Validierung (Cross Validation) 2 von 20 Validation Outline 1 Validation
MehrMitgestaltung von digitalen und vernetzten Arbeitswelten
Mitgestaltung von digitalen und vernetzten Arbeitswelten Prof. Dr.-Ing. Ralph Bruder Vizepräsident für Studium, Lehre und wissenschaftlichen Nachwuchs Leiter des Instituts für Arbeitswissenschaft TU Darmstadt
MehrEntwicklung einer Anwendung zur Erkennung von Täuschungsversuchen
Entwicklung einer Anwendung zur Erkennung von Täuschungsversuchen Theoretische Ausarbeitung Miriam Friedrich Matr.-Nr.: 3062857 1. Prüfer: Prof. Dr. rer. nat. Alexander Voß 2. Prüfer: Bastian Küppers,
Mehrets5 knx association 2EC2BEEB36F90E1AB06BEDC2DBD47093 Ets5 Knx Association 1 / 5
Ets5 Knx Association 1 / 5 2 / 5 3 / 5 Ets5 Knx Association ETS is a completely new generation of smart automation software. ETS stands for Engineering Tool Software. It s a manufacturer independent configuration
MehrVorlesung: BA, Kulturwissenschaften-Einführung // GS, Typ C Montag, 11:15-12:45 Uhr, Ort: GD Hs
Prof. Dr. Jürgen Neyer Einführung in die Kulturwissenschaft - Kultur und internationale Politik I - Vorlesung: BA, Kulturwissenschaften-Einführung // GS, Typ C Montag, 11:15-12:45 Uhr, Ort: GD Hs8 14.1.2008
MehrState of the Art in Anti- Automation Technologies in Today s Web. Markus Haudum Stefan Panhuber
State of the Art in Anti- Automation Technologies in Today s Web Markus Haudum Stefan Panhuber Übersicht Einführung (HIP) Yahoo Altavista Variationen von CAPTCHAs Gimpy, EZ-Gimpy PIX Bongo Sounds Formeln
MehrContinuous Everything
Continuous Everything Development, Integration, Deployment, DevOps Peter Hormanns cusy GmbH, Berlin Vortrag OpenRheinRuhr 5./6. November 2016 de.slideshare.net/cusyio/continuous-everything Kapitel you
MehrSpace Usage Rules. Neele Halbur, Helge Spieker InformatiCup 2015 19. März 2015
Space Usage Rules? InformatiCup 2015 1 Agenda 1. Vorstellung des Teams 2. Entwicklungsprozess und Umsetzung 3. Verbesserung der Strategien 4. Auswertung der Strategien 5. Ausblick 6. Fazit 2 Vorstellung
MehrBibSpider Eine neue Recherchemethode für Schlagwort- und Titelsuche
know-how innovation BibSpider Eine neue Recherchemethode für Schlagwort- und Titelsuche 05.09.2018, Adriano Meyer Broyn solution Zielsetzungen Zusammenspiel von Titeln und Inhaltserschliessung besser verstehen.
MehrDer nächste EU-Haushalt: was brauchen wir für den Klimaschutz? Lisa Fischer, E3G 26/9/2018, Forum für Zukunftsenergien, Brüssel
Der nächste EU-Haushalt: was brauchen wir für den Klimaschutz? Lisa Fischer, E3G 26/9/2018, Forum für Zukunftsenergien, Brüssel Warum ein EU-Haushalt für den Klimaschutz? 2 Gründe (von vielen) Wie sieht
MehrKünstliche Intelligenz: Periodensystem der Elemente. Arbeitskreis Artificial Intelligence
Künstliche Intelligenz: Periodensystem der Elemente Arbeitskreis Artificial Intelligence Künstliche Intelligenz: 28 Elemente Künstliche Intelligenz: 28 Elemente - 8 Fragen Was genau leistet das Element?
MehrKognitive Lerntheorien
Kognitive Lerntheorien Prof. Dr. Hermann Körndle Professur für die Psychologie des Lehrens und Lernens Technische Universität Dresden Psychologie des Lehrens und Lernens, TU Dresden Latentes Lernen Tolman
MehrPromotionskolleg DIPF TU Darmstadt Knowledge Discovery in Scientific Literature Iryna Gurevych
Promotionskolleg DIPF TU Darmstadt Knowledge Discovery in Scientific Literature Iryna Gurevych 1 Leitvision Fachinformation der Zukunft geht von der ubiquitären Verfügbarkeit der wissenschaftlichen Literatur
MehrRidge Regression und Kernalized Support Vector Machines : Einführung und Vergleich an einem Anwendungsbeispiel
Ridge Regression und Kernalized Support Vector Machines : Einführung und Vergleich an einem Anwendungsbeispiel Dr. Dominik Grimm Probelehrveranstaltung Fakultät für Informatik und Mathematik Hochschule
MehrAutonomes Fahren. Landwirtschaftliche Innovation. Christian Huber Vice President Global Case IH / Steyr Traktoren CNH Industrial
Autonomes Fahren Landwirtschaftliche Innovation Christian Huber Vice President Global Case IH / Steyr Traktoren CNH Industrial CNH Industrial Autonomous Fahrzeug Programm Landwirtschaftliche Innovation
MehrVL Gehirn,... Sprache II
Prozesse beim Verstehen und der Produktion von Sprache greifen auf folgendes zurück: 1) Information über lautliche Struktur (Phonologie), 2) Information über Bedeutung von und zwischen Wörtern (Semantik)
Mehr, Data Mining, 2 VO Sommersemester 2008
Evaluation 188.646, Data Mining, 2 VO Sommersemester 2008 Dieter Merkl e-commerce Arbeitsgruppe Institut für Softwaretechnik und Interaktive Systeme Technische Universität Wien www.ec.tuwien.ac.at/~dieter/
MehrWas bringt die Zukunft? Herausforderungen und Gelegenheiten - die nächsten 5-7 Jahre
Was bringt die Zukunft? Herausforderungen und Gelegenheiten - die nächsten 5-7 Jahre Futurist Humanist Algorithmen Androrithmen Imagine Develop Foresights Sind Sie zukunftsbereit? Understand Observe Foresights
MehrProjekt Maschinelles Lernen WS 06/07
Projekt Maschinelles Lernen WS 06/07 1. Auswahl der Daten 2. Evaluierung 3. Noise und Pruning 4. Regel-Lernen 5. ROC-Kurven 6. Pre-Processing 7. Entdecken von Assoziationsregeln 8. Ensemble-Lernen 9. Wettbewerb
MehrBusiness Analytics Day Predictive Sales in CRM
Business Analytics Day Predictive Sales in CRM Business Analytics Day 07.03.2019 Artur Felic, CAS Software AG in Zahlen CAS Software AG eine Netzwerkorganisation Jedem Kunden seine CAS CAS Mittelstand:
MehrIllustrierende Aufgaben zum LehrplanPLUS
Let s party! Stand: 17.08.2016 Jahrgangsstufen 5 Fach/Fächer Übergreifende Bildungsund Erziehungsziele Zeitrahmen Benötigtes Material Englisch Interkulturelle Kompetenzen ca. 30 Minuten Arbeitsblatt Kompetenzerwartungen
MehrMaschinelle Übersetzung
Maschinelle Übersetzung Kluge Andreas, 13IN-M basierend auf Computerlinguistik und Sprachtechnologie, 3. Auflage, Spektrum, Heidelberg 2010 19. Juni 2014 Übersicht Gewünschte Funktionalität Schwierigkeiten
MehrKünstliche Intelligenz
Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data
MehrQualität 4.0 am Beispiel Katapult Quality Science Lab
Qualität 4.0 am Beispiel Katapult Quality Science Lab Prof. Dr.-Ing. Roland Jochem 1, 2, Dipl.-Phys. Klaus Seiffert 1, M.Sc. Patrick Drange 2 1 Technische Universität Berlin, Fachgebiet Qualitätswissenschaft
MehrDETHIS DESIGN THINKING FOR INDUSTRIAL SERVICES. Beke Redlich, Jacobs University ggmbh
DETHIS DESIGN THINKING FOR INDUSTRIAL SERVICES Beke Redlich, Jacobs University ggmbh AGENDA 1. Hintergrund, Ziele und Partner 2. DETHIS-Verfahren und -Methodenbaukasten 3. DETHIS-Plattform und -Apps 4.
MehrSimullda. Structured Interlingua MultiLingual Lexical Database Application. Sonja Weber
Simullda Structured Interlingua MultiLingual Lexical Database Application Sonja Weber 1 Gliederung Background Begriffsklärung Multilinguale Datenbanken WordNet Maschinelle Übersetzung Formale Begriffsanalyse
MehrDas Spannungsfeld zwischen Informieren und Qualifizieren - Semantische Netze und ihr Beitrag für eine Didaktik zum Mobile Learning
Das Spannungsfeld zwischen Informieren und Qualifizieren - Semantische Netze und ihr Beitrag für eine Didaktik zum Mobile Learning Dr. Günter Pees Senior Consultant E-Learning Schneider System GmbH Bonn,
MehrONE BY ONE Steve Lechot, 2004
Steve Lechot, 2004 Energiesparend Material praktisch reissfest, schwer entflammbar und alterungsbeständig Details siehe Seite 148 Energy-saving Material flame-resistant, durable and virtually tear-free
MehrUniversität Osnabrück Unternehmensrechnung und Wirtschaftsinformatik. Unternehmensnah Wissenschaftlich. Innovativ
Universität Osnabrück Unternehmensrechnung und Wirtschaftsinformatik Unternehmensnah Wissenschaftlich Innovativ Universität Osnabrück Unternehmensrechnung und Wirtschaftsinformatik (UWI) Praxis Lehre Forschung
MehrComputational Neuroscience
Computational Neuroscience Vorlesung WS 2005/2006 Josef Ammermüller Jutta Kretzberg http://www.uni-oldenburg.de/sinnesphysiologie/ 14508.html Begriffsdefinitionen Computational Neuroscience Churchland
Mehr