1. Lernen von Konzepten

Größe: px
Ab Seite anzeigen:

Download "1. Lernen von Konzepten"

Transkript

1 1. Lernen von Konzepten Definition des Lernens 1. Lernen von Konzepten Lernziele: Definitionen des maschinellen Lernens kennen, Klassifikationen des maschinellen Lernens kennen, Das Prinzip des induktiven Lernens erläutern können und Verfahren für das Lernen von Konzepten kennen und anwenden können. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 13

2 1. Lernen von Konzepten Definition des Lernens Inhalt des Kapitels Definition des Lernens/maschinellen Lernens Klassifikationen zum maschinellen Lernen Induktives Lernen Verfahren für das Lernen von Konzepten Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 14

3 1. Lernen von Konzepten Definition des Lernens Definition des Lernens Jedes System, das für sich den Besitz einer allgemeinen Intelligenz beansprucht, muß lernfähig sein. Grundkonzept des Lernens: Wahrnehmungen nicht nur für das aktuelle Handeln zu verwenden, sondern auch, um zukünftige Handlungen des Agenten zu verbessern. Lernen ist für praktische Anwendungen der KI von Bedeutung: Flaschenhals des Wissensmanagements Traditionelle Techniken der Wissensakquisition sind mit hohem Aufwand verbunden. Hoffnung: Initiale Minimalmenge an Wissen + Lernen Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 15

4 1. Lernen von Konzepten Definition des Lernens Definitionen des Lernens (1) H. A. Simon, 1983: Learning denotes changes in the system that are adaptive in the sense that they enable the system to do the same task or tasks drawn from the same population more efficiently and more effectively the next time. Carbonell, Michalski, Mitchell, 1983: The study and computer modeling of learning processes in their multiple manifestations constitutes the subject matter of machine learning. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 16

5 1. Lernen von Konzepten Definition des Lernens Definitionen des Lernens (2) Michalski, 1986: Learning is constructing or modifying representations of what is being experienced. Michalski, Kodratoff, 1990: Research in machine learning has been concerned with building computer programs able to construct new knowledge or to improve already possessed knowledge by using input information. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 17

6 1. Lernen von Konzepten Definition des Lernens Definitionen des Lernens (3) Mitchell, 1997: A computer program is said to learn from experience E with respect to some class of task T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E. Definition in der Psychologie: Lernen ist Verhaltensänderung aus Erfahrung. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 18

7 1. Lernen von Konzepten Definition des Lernens Beispiel für ein Lernproblem A checkers learning problem (Mitchell, 1997): Task T: playing checkers Performance measure P: percent of games won against opponents Training experience E: playing practice games against itself Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 19

8 1. Lernen von Konzepten Definition des Lernens Lernmodell Performance standard Critic Sensors feedback learning goals Learning element changes knowledge Performance element Environment Problem generator Agent Actuators Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 20

9 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Klassifikationen zum maschinellen Lernen Klassifikation nach: Lernstrategie: wieviel Information vorgegeben ist und in welchem Maße das Lernelement eigene Inferenzen durchführt Feedback, das Verfügung steht Repräsentation des zu lernenden Wissens Anwendungsbereich Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 21

10 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Klassifikation gemäß der Lernstrategie Direkte Eingabe neuen Wissens und Auswendiglernen Speichern von Daten und Fakten Programmierung Lernen durch Anweisungen Es wird aufbereitetes Wissen vorgegeben. Dies muß vom Lernelement des Agenten aufgenommen und intern repräsentiert werden. Lernen durch Deduktion Aus vorhandenem Wissen mittels deduktiver Schlussfolgerungsmechanismen neues Wissen ableiten. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 22

11 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Lernen durch Analogie Vorhandenes Wissen wird an neue ähnliche Situationen angepasst. Fallbasiertes Schließen Lernen aus Beispielen Lernen einer allgemeinen Konzeptbeschreibung, die auf gegebene positive Beispiele passt und evtl. vorhandene Gegenbeispiele ausschließt. Lernen aus Beobachtungen und Entdeckungen Keine Steuerung durch einen Lehrenden, keine Menge von Instanzen eines vorgegebenen Konzepts, keine Information zur Klassifizierung von Beispielen, Beobachtungen können mehrere Konzepte umfassen. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 23

12 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Klassifikation gemäß des Feedbacks überwachtes Lernen (supervised learning) Es stehen klassifizierte Trainingsdaten zur Verfügung. Dem Lernelement wird mitgeteilt, ob ein Trainingsbeispiel ein positives oder ein negatives Beispiel des Konzepts darstellt, das gelernt werden soll. unüberwachtes Lernen (unsupervised learning) Hier liegen keine klassifizierten Trainingsbeispiele vor. verstärkendes Lernen (reinforcement learning) Das Lernen basiert auf Rückmeldungen der Umgebung. Auf Basis einer Gewinn- oder Nutzenfunktion versucht das Lernelement des Agenten gute bzw. schlechte Handlungsweisen zu lernen. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 24

13 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Klassifikation gemäß der Repräsentation Parameter in algebraischen Ausdrücken Entscheidungsbäume formale Grammatiken Regeln Ausdrücke basierend auf formaler Logik Begriffshierarchien: Taxonomie, Ontologie Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 25

14 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Symbolische und subsymbolische Systeme symbolische Systeme Das gelernte Wissen wird explizit formuliert, z.b. in Form von Regeln. subsymbolische Systeme Hier wird nur eine implizite Verhaltensänderung bewirkt. Beispiel: neuronale Netze. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 26

15 1. Lernen von Konzepten Induktives Lernen Induktives Lernen Die Aufgabe der reinen induktiven Inferenz: Gib für eine Menge an Beispielen einer unbekannten Funktion f eine Funktion h zurück, die f approximiert. Die Funktion h wird als Hypothese bezeichnet. Eine gute Hypothese verallgemeinert gut, d.h. sie sagt zuvor nicht bekannte Beispiele korrekt voraus. Die Menge der möglichen Hypothesen heißt Hypothesenraum. Der Hypothesenraum legt typischerweise eine Repräsentation für die Hypothesen fest. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 27

16 1. Lernen von Konzepten Induktives Lernen Eine Hypothese, die zu einer Menge von Trainingsbeispielen passt, heißt konsistente Hypothese. Beispiel 1.1. f(x) f(x) f(x) f(x) x x x x (a) (b) (c) (d) Menge der Polynome als Hypothesenraum für (a) und (b) und zwei konsistente Hypothesen. Wie wählen wir aus mehreren konsistenten Hypothesen aus? Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 28

17 1. Lernen von Konzepten Induktives Lernen Occam s Razor William of Occam, engl. Philosoph : One should not increase, beyond what is necessary, the number of entities required to explain anything. Bevorzuge die einfachste Hypothese, die konsistent mit allen Trainingsbeispielen ist. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 29

18 1. Lernen von Konzepten Induktives Lernen Auswahl des Hypothesenraums (1) Man beachte in Beispiel 1.1 den Fall (c). Es wäre besser, eine einfache gerade Linie zu finden, die nicht genau konsistent ist, die aber sinnvolle Vorhersagen erlaubt. Für nicht deterministische Funktionen gibt es eine unvermeidbare Abwägung zwischen der Komplexität der Hypothese und ihrem Grad der Übereinstimmung mit den Daten. Beispiel 1.1 (d) zeigt, daß die Daten aus (c) konsistent mit einer einfachen Funktion der Form ax + b + c sinx sind. Bedeutung der Auswahl des Hypothesenraums Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 30

19 1. Lernen von Konzepten Induktives Lernen Auswahl des Hypothesenraums (2) Ein Lernproblem heißt erkennbar, wenn der Hypothesenraum die zu lernende Funktion enthält, andernfalls ist das Lernproblem nicht erkennbar. Warum sollte der Hypothesenraum nicht möglichst groß sein, z.b. die Klasse aller Turing-Maschinen? Problem: Rechenkomplexität des Lernens Es gibt eine Abwägung zwischen der Ausdruckskraft eines Hypothesenraums und der Komplexität, einfache und konsistente Hypothesen in diesem Raum zu finden. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 31

Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume. von Lars-Peter Meyer. im Seminar Methoden wissensbasierter Systeme

Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume. von Lars-Peter Meyer. im Seminar Methoden wissensbasierter Systeme Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume von Lars-Peter Meyer im Seminar Methoden wissensbasierter Systeme bei Prof. Brewka im WS 2007/08 Übersicht Überblick maschinelles Lernen

Mehr

Kapitel LF: I. Beispiele für Lernaufgaben. Beispiele für Lernaufgaben. LF: I Introduction c STEIN

Kapitel LF: I. Beispiele für Lernaufgaben. Beispiele für Lernaufgaben. LF: I Introduction c STEIN Kapitel LF: I I. Einführung in das Maschinelle Lernen Bemerkungen: Dieses Kapitel orientiert sich an dem Buch Machine Learning von Tom Mitchell. http://www.cs.cmu.edu/ tom/mlbook.html 1 Autoeinkaufsberater?

Mehr

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen

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

Moderne Methoden der KI: Maschinelles Lernen

Moderne Methoden der KI: Maschinelles Lernen Moderne Methoden der KI: Maschinelles Lernen Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Sommer-Semester 2009 1. Einführung: Definitionen Grundbegriffe Lernsysteme Maschinelles Lernen Lernen: Grundbegriffe

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

Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens

Seminar 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

Mehr

Konzepte der AI: Maschinelles Lernen

Konzepte der AI: Maschinelles Lernen Konzepte der AI: Maschinelles Lernen Nysret Musliu, Wolfgang Slany Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme, TU-Wien Übersicht Was ist Lernen? Wozu maschinelles

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

Gliederung. 1. KI im Allgemeinen und in dieser Vorlesung 2. Heuristische Suche 3. Logik und Inferenz 4. Wissensrepräsentation 5.

Gliederung. 1. KI im Allgemeinen und in dieser Vorlesung 2. Heuristische Suche 3. Logik und Inferenz 4. Wissensrepräsentation 5. Gliederung 1. KI im Allgemeinen und in dieser Vorlesung 2. Heuristische Suche 3. Logik und Inferenz 4. Wissensrepräsentation 5. Handlungsplanung 1. Überblick 6. Lernen 7. Sprachverarbeitung 8. Umgebungswahrnehmung

Mehr

Maschinelles Lernen. Moderne Methoden der KI: Maschinelles Lernen. Definitionen: Was ist Lernen? Definitionen: Was ist Lernen? 1.

Maschinelles Lernen. Moderne Methoden der KI: Maschinelles Lernen. Definitionen: Was ist Lernen? Definitionen: Was ist Lernen? 1. Moderne Methoden der KI: Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Sommer-Semester 2007 1. Einführung: Definitionen Grundbegriffe Lernsysteme Lernen: Grundbegriffe Lernsysteme Konzept-Lernen Entscheidungsbäume

Mehr

VGM. VGM information. HAMBURG SÜD VGM WEB PORTAL - USER GUIDE June 2016

VGM. VGM information. HAMBURG SÜD VGM WEB PORTAL - USER GUIDE June 2016 Overview The Hamburg Süd VGM-Portal is an application which enables to submit VGM information directly to Hamburg Süd via our e-portal web page. You can choose to insert VGM information directly, or download

Mehr

Einführung in die Linguistik, Teil 4

Einführung in die Linguistik, Teil 4 Einführung in die Linguistik, Teil 4 Menschliche Sprachverarbeitung im Rahmen der Kognitionswissenschaft Markus Bader, Frans Plank, Henning Reetz, Björn Wiemer Einführung in die Linguistik, Teil 4 p. 1/19

Mehr

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

Mehr

Künstliche Intelligenz

Künstliche 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

Mehr

3. Lernen von Entscheidungsbäumen

3. Lernen von Entscheidungsbäumen 3. Lernen von Entscheidungsbäumen Entscheidungsbäume 3. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse

Mehr

Kybernetik Einführung

Kybernetik Einführung Kybernetik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 24. 04. 2012 Einführung Was ist Kybernetik? Der Begriff Kybernetik wurde im 1948

Mehr

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part II) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

Mehr

Kybernetik Intelligent Agents- Decision Making

Kybernetik Intelligent Agents- Decision Making Kybernetik Intelligent Agents- Decision Making Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 03. 07. 2012 Intelligent Agents Environment Agent Intelligent

Mehr

Konzepte der AI. Maschinelles Lernen

Konzepte der AI. Maschinelles Lernen Konzepte der AI Maschinelles Lernen http://www.dbai.tuwien.ac.at/education/aikonzepte/ Wolfgang Slany Institut für Informationssysteme, Technische Universität Wien mailto: wsi@dbai.tuwien.ac.at, http://www.dbai.tuwien.ac.at/staff/slany/

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

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

Englisch. Schreiben. 18. September 2015 HTL. Standardisierte kompetenzorientierte schriftliche Reife- und Diplomprüfung. Name: Klasse/Jahrgang:

Englisch. Schreiben. 18. September 2015 HTL. Standardisierte kompetenzorientierte schriftliche Reife- und Diplomprüfung. Name: Klasse/Jahrgang: Name: Klasse/Jahrgang: Standardisierte kompetenzorientierte schriftliche Reife- und Diplomprüfung HTL 18. September 2015 Englisch (B2) Schreiben Hinweise zum Beantworten der Fragen Sehr geehrte Kandidatin,

Mehr

GRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem

GRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem GRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem GIS based risk assessment and incident preparation system Gregor Lämmel TU Berlin GRIPS joined research project TraffGo HT GmbH Rupprecht

Mehr

Corporate Digital Learning, How to Get It Right. Learning Café

Corporate Digital Learning, How to Get It Right. Learning Café 0 Corporate Digital Learning, How to Get It Right Learning Café Online Educa Berlin, 3 December 2015 Key Questions 1 1. 1. What is the unique proposition of digital learning? 2. 2. What is the right digital

Mehr

FAIRTRADE project Exchange 2012 Scotland 2 nd 10 th of May

FAIRTRADE project Exchange 2012 Scotland 2 nd 10 th of May FAIRTRADE project Exchange 2012 Scotland 2 nd 10 th of May FAIRTRADE project evaluation: Pupils 1. Have you ever seen the FAIRTRADE logo on a Scottish product? 1. Hast du das FAIRTRADE Logo bereits einmal

Mehr

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens

Seminar 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

Mehr

Übersicht. Allgemeines Modell lernender Agenten. Lernende Agenten (1) Lernende Agenten (2)

Übersicht. Allgemeines Modell lernender Agenten. Lernende Agenten (1) Lernende Agenten (2) Übersicht Allgemeines Modell lernender Agenten I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen 18. Lernen aus Beobachtungen

Mehr

Level 2 German, 2013

Level 2 German, 2013 91126 911260 2SUPERVISOR S Level 2 German, 2013 91126 Demonstrate understanding of a variety of written and / or visual German text(s) on familiar matters 9.30 am Monday 11 November 2013 Credits: Five

Mehr

Reinforcement Learning

Reinforcement Learning Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied

Mehr

ELBA2 ILIAS TOOLS AS SINGLE APPLICATIONS

ELBA2 ILIAS TOOLS AS SINGLE APPLICATIONS ELBA2 ILIAS TOOLS AS SINGLE APPLICATIONS An AAA/Switch cooperative project run by LET, ETH Zurich, and ilub, University of Bern Martin Studer, ilub, University of Bern Julia Kehl, LET, ETH Zurich 1 Contents

Mehr

Accreditation of Prior Learning in Austria

Accreditation of Prior Learning in Austria Accreditation of Prior Learning in Austria Birgit Lenger ibw Institut für Bildungsforschung der Wirtschaft Institute for Research on Qualifications and Training of the Austrian Economy October, 2009 TOPICS

Mehr

Cameraserver mini. commissioning. Ihre Vision ist unsere Aufgabe

Cameraserver mini. commissioning. Ihre Vision ist unsere Aufgabe Cameraserver mini commissioning Page 1 Cameraserver - commissioning Contents 1. Plug IN... 3 2. Turn ON... 3 3. Network configuration... 4 4. Client-Installation... 6 4.1 Desktop Client... 6 4.2 Silverlight

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

Privacy-preserving Ubiquitous Social Mining via Modular and Compositional Virtual Sensors

Privacy-preserving Ubiquitous Social Mining via Modular and Compositional Virtual Sensors Privacy-preserving Ubiquitous Social Mining via Modular and Compositional s Evangelos Pournaras, Iza Moise, Dirk Helbing (Anpassung im Folienmaster: Menü «Ansicht» à «Folienmaster») ((Vorname Nachname))

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

Willkommen zum neuen Semester!

Willkommen zum neuen Semester! Willkommen zum neuen Semester! Informationsmanagement und Informationstechnologie (IMIT) und Wirtschaftsinformatik (Winf) Wintersemester 2012/13 1 Informationen (1) Belegung von Mastermodulen im Bachelor

Mehr

Power-Efficient Server Utilization in Compute Clouds

Power-Efficient Server Utilization in Compute Clouds Power-Efficient Server Utilization in Compute Clouds 1/14 Overview 1. Motivation 2. SPECpower benchmark 3. Load distribution strategies 4. Cloud configuration 5. Results 6. Conclusion 2/14 1. Motivation

Mehr

Level 1 German, 2012

Level 1 German, 2012 90886 908860 1SUPERVISOR S Level 1 German, 2012 90886 Demonstrate understanding of a variety of German texts on areas of most immediate relevance 9.30 am Tuesday 13 November 2012 Credits: Five Achievement

Mehr

Wissenschaftliches Arbeiten

Wissenschaftliches Arbeiten Wissenschaftliches Arbeiten Andreas Schoknecht Jan Recker, Scientific Research in Information Systems A Beginner's Guide, Springer, 2013 INSTITUT FÜR ANGEWANDTE INFORMATIK UND FORMALE BESCHREIBUNGSVERFAHREN

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

Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health)

Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health) Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health) 1 Utilitarian Perspectives on Inequality 2 Inequalities matter most in terms of their impact onthelivesthatpeopleseektoliveandthethings,

Mehr

Accounting course program for master students. Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe

Accounting course program for master students. Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe Accounting course program for master students Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe 2 Accounting requires institutional knowledge... 3...but it pays: Lehman Bros. Inc.,

Mehr

Einführung in die Methoden der Künstlichen Intelligenz

Einführung in die Methoden der Künstlichen Intelligenz Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation

Mehr

unter Verwendung von Folien von Herrn Prof. Dr. Flensburg, von Laudon/Laudon/Schoder und von Frau Prof. Dr. Schuhbauer

unter Verwendung von Folien von Herrn Prof. Dr. Flensburg, von Laudon/Laudon/Schoder und von Frau Prof. Dr. Schuhbauer Knowledge Management Wissensmanagement 0. Produktionsfaktoren 1. Data Information Knowledge 2. Knowledge representation Wissensdarstellung 3. Interfaces to artificial intelligence 4. Knowledge management

Mehr

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

Mehr

"Simulationen - Business-Prozesse im Unternehmen für das Lernen nutzen"

Simulationen - Business-Prozesse im Unternehmen für das Lernen nutzen "Simulationen - Business-Prozesse im Unternehmen für das Lernen nutzen" Lucia Pannese imaginary Italien Szenar Marktturbulenz Wissensexplosion + Technologische Innovationen NEUE HERAUSVORDERUNGEN FÜR DAS

Mehr

NVR Mobile Viewer for iphone/ipad/ipod Touch

NVR Mobile Viewer for iphone/ipad/ipod Touch NVR Mobile Viewer for iphone/ipad/ipod Touch Quick Installation Guide DN-16111 DN-16112 DN16113 2 DN-16111, DN-16112, DN-16113 for Mobile ios Quick Guide Table of Contents Download and Install the App...

Mehr

CNC ZUR STEUERUNG VON WERKZEUGMASCHINEN (GERMAN EDITION) BY TIM ROHR

CNC ZUR STEUERUNG VON WERKZEUGMASCHINEN (GERMAN EDITION) BY TIM ROHR (GERMAN EDITION) BY TIM ROHR READ ONLINE AND DOWNLOAD EBOOK : CNC ZUR STEUERUNG VON WERKZEUGMASCHINEN (GERMAN EDITION) BY TIM ROHR PDF Click button to download this ebook READ ONLINE AND DOWNLOAD CNC ZUR

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

Walter GPS Global Productivity System

Walter GPS Global Productivity System Walter GPS Global Productivity System DIE WERKZEUGAUSWAHL MIT dem ÜBERRASCHUNGS- EFFEKT. ÜBERRASCHEND EINFACH. THE TOOL SELECTION WITH THE ELEMENT OF SURPRISE. SURPRISINGLY EASY. Überraschend schnell:

Mehr

Lerngewohnheiten der Erwachsenen in Ungarn

Lerngewohnheiten der Erwachsenen in Ungarn Ösz, Medlinda, Infinity Budapest Lerngewohnheiten der Erwachsenen in Ungarn Summary: In the 1990s the adult training changed, lifelong learning won more and more atention. Számalk carried out a research

Mehr

Auswertungsbericht Lehrveranstaltungsbewertung Mobile Communication and Ad Hoc Networks

Auswertungsbericht Lehrveranstaltungsbewertung Mobile Communication and Ad Hoc Networks RWTH Aachen Dez. 6.0 - Abt. 6. Templergraben 06 Aachen Tel.: 0 80 967 E-Mail: verena.thaler@zhv.rwth-aachen.de RWTH Aachen - Dez. 6.0/Abt. 6. Herr Prof. Dr. Peter Martini (PERSÖNLICH) Auswertungsbericht

Mehr

Context-adaptation based on Ontologies and Spreading Activation

Context-adaptation based on Ontologies and Spreading Activation -1- Context-adaptation based on Ontologies and Spreading Activation ABIS 2007, Halle, 24.09.07 {hussein,westheide,ziegler}@interactivesystems.info -2- Context Adaptation in Spreadr Pubs near my location

Mehr

JPlus Platform Independent Learning with Environmental Information in School

JPlus Platform Independent Learning with Environmental Information in School JPlus Platform Independent Learning with Environmental Information in School Mario Härtwig, Pierre Karrasch Salzburg, 7. Juli 2010 Genesis Umweltmonitoring als Beitrag zur Umweltbildung an Schulen. Kulturlandschaftsentwicklung

Mehr

KI: Wie testet man ein Hirn?

KI: Wie testet man ein Hirn? KI: Wie testet man ein Hirn? (Und warum?) Richard Jelinek PetaMem GmbH Nürnberg Richard Jelinek Künstliche Intelligenz 11. März 2016 1 / 15 Weltwissen & Repräsentation Weltwissen beschreibt das verfügbare

Mehr

OEDIV SSL-VPN Portal Access for externals

OEDIV SSL-VPN Portal Access for externals OEDIV SSL-VPN Portal Access for externals Abteilung Serverbetreuung Andre Landwehr Date 31.07.2013 Version 1.2 Seite 1 von 9 Versionshistorie Version Datum Autor Bemerkung 1.0 06.08.2011 A. Landwehr Initial

Mehr

Students intentions to use wikis in higher education

Students intentions to use wikis in higher education Students intentions to use wikis in higher education Christian Kummer WI2013, 27.02.2013 Motivation Problem Web 2.0 changed the way that students search for, obtain, and share information Uncertainty about

Mehr

Auswertungsbericht Lehrveranstaltungsevaluation an die Lehrenden

Auswertungsbericht Lehrveranstaltungsevaluation an die Lehrenden Europa-Universität Viadrina Große Scharrnstraße 9 0 Frankfurt (Oder) Europa-Universität Viadrina - Große Scharrnstraße 9-0 Frankfurt (Oder) Sehr geehrter Herr Prof. Dr. Timm Beichelt (PERSÖNLICH) Auswertungsbericht

Mehr

Prof. S. Krauter Kombinatorik. WS Blatt03.doc

Prof. S. Krauter Kombinatorik. WS Blatt03.doc Prof. S. Krauter Kombinatorik. WS 05-06 Blatt03.doc Zahlpartitionen: 1. Gegeben ist folgende Gleichung: x 1 + x 2 + x 3 + + x s = n. a) Wie viele verschiedene Lösungen besitzt diese Gleichung mit Werten

Mehr

IBM Demokratischere Haushalte, bessere Steuerung, fundierte Entscheidungen? Was leisten das neue kommunale Finanzwesen und Business Intelligence?

IBM Demokratischere Haushalte, bessere Steuerung, fundierte Entscheidungen? Was leisten das neue kommunale Finanzwesen und Business Intelligence? Das IBM Leistungsversprechen zum Führungsinformationssystems IBM Demokratischere Haushalte, bessere Steuerung, fundierte Entscheidungen? Was leisten das neue kommunale Finanzwesen und Business Intelligence?

Mehr

Challenges for the future between extern and intern evaluation

Challenges for the future between extern and intern evaluation Evaluation of schools in switzerland Challenges for the future between extern and intern evaluation Michael Frais Schulentwicklung in the Kanton Zürich between internal evaluation and external evaluation

Mehr

HIR Method & Tools for Fit Gap analysis

HIR Method & Tools for Fit Gap analysis HIR Method & Tools for Fit Gap analysis Based on a Powermax APML example 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality- & Risk- Management etc. Main processes

Mehr

elearning 02.07.2004 SIGNAL project Hans Dietmar Jäger 1

elearning 02.07.2004 SIGNAL project Hans Dietmar Jäger 1 elearning The use of new multimedia technologies and the Internet to improve the quality of learning by facilitating access to resources and services as well as remote exchange and collaboration. (Commission

Mehr

Gas Flow Sensor. Der nächste Schritt zu mehr Prozesssicherheit The next step to a more reliable process

Gas Flow Sensor. Der nächste Schritt zu mehr Prozesssicherheit The next step to a more reliable process Gas Flow Sensor Der nächste Schritt zu mehr Prozesssicherheit The next step to a more reliable process Document no.: PIN0110ML Revision: sks0112.ml.2.a.bp Gas Flow Sensor Der industriell bewährte Drahtvorschub

Mehr

Digital Media bridging formal and informal learning? The socio-cultural environment for media education in Switzerland

Digital Media bridging formal and informal learning? The socio-cultural environment for media education in Switzerland Digital Media bridging formal and informal learning? The socio-cultural environment for media education in Switzerland Mareike Du ssel GMK-Forum 25.11.2011 There`s no such thing as... There`s no such

Mehr

Online-Material zu: Fremdsprache und konzeptuelle Repräsentation: Bilingualer Unterricht aus kognitiver Perspektive

Online-Material zu: Fremdsprache und konzeptuelle Repräsentation: Bilingualer Unterricht aus kognitiver Perspektive Online-Material zu: Fremdsprache und konzeptuelle Repräsentation: Bilingualer Unterricht aus kognitiver Perspektive Lena Heine "Tropical Rain Forest": Antworttext, Aufgabe und Protokollausschnitt In Datenbeispiel

Mehr

Europe Job Bank Schülerumfrage. Projektpartner. Euro-Schulen Halle

Europe Job Bank Schülerumfrage. Projektpartner. Euro-Schulen Halle Europe Job Bank Schülerumfrage Projektpartner Euro-Schulen Halle Alter: Geschlecht: M W Ausbildung als: F 1 Was war der Hauptgrund für Deine Wahl der Ausbildung / Deine Berufswahl? a. Freunde b. Familie

Mehr

Franke & Bornberg award AachenMünchener private annuity insurance schemes top grades

Franke & Bornberg award AachenMünchener private annuity insurance schemes top grades Franke & Bornberg award private annuity insurance schemes top grades Press Release, December 22, 2009 WUNSCHPOLICE STRATEGIE No. 1 gets best possible grade FFF ( Excellent ) WUNSCHPOLICE conventional annuity

Mehr

Verteilte Systeme / Kooperierende Roboter

Verteilte Systeme / Kooperierende Roboter Verteilte Systeme / Kooperierende Roboter Proseminar Anwendungen und Methoden der Modernen Robotik SoSe 2005 Uni Hamburg Claudius Herder, Justus Winter 4herder@informatik.uni-hamburg.de, 4winter@informatik.uni-hamburg.de

Mehr

ReadMe zur Installation der BRICKware for Windows, Version 6.1.2. ReadMe on Installing BRICKware for Windows, Version 6.1.2

ReadMe zur Installation der BRICKware for Windows, Version 6.1.2. ReadMe on Installing BRICKware for Windows, Version 6.1.2 ReadMe zur Installation der BRICKware for Windows, Version 6.1.2 Seiten 2-4 ReadMe on Installing BRICKware for Windows, Version 6.1.2 Pages 5/6 BRICKware for Windows ReadMe 1 1 BRICKware for Windows, Version

Mehr

The Master of Science Entrepreneurship and SME Management

The Master of Science Entrepreneurship and SME Management The Master of Science Entrepreneurship and SME Management 1 WELCOME! 2 Our Business Faculty focus on SME and Innovation. We are accredited from AQAS. Thus, our Master in SME offers a new and innovative

Mehr

Invitation - Benutzerhandbuch. User Manual. User Manual. I. Deutsch 2. 1. Produktübersicht 2. 1.1. Beschreibung... 2

Invitation - Benutzerhandbuch. User Manual. User Manual. I. Deutsch 2. 1. Produktübersicht 2. 1.1. Beschreibung... 2 Invitation - Inhaltsverzeichnis I. Deutsch 2 1. Produktübersicht 2 1.1. Beschreibung......................................... 2 2. Installation und Konfiguration 2 2.1. Installation...........................................

Mehr

Mentorium zur Lehrveranstaltung Finanzen 3 Thema: Valuation Aufgaben: 1 VIII, IX; 8

Mentorium zur Lehrveranstaltung Finanzen 3 Thema: Valuation Aufgaben: 1 VIII, IX; 8 Mentorium zur Lehrveranstaltung Finanzen 3 Thema: Valuation Aufgaben: 1 VIII, IX; 8 Wirtschaftswissenschaften powered by raute-wirtschaft.de www.handel.uni-frankfurt.de Seite 1 Aufgabe 1 VIII) A) The most

Mehr

Notice: All mentioned inventors have to sign the Report of Invention (see page 3)!!!

Notice: All mentioned inventors have to sign the Report of Invention (see page 3)!!! REPORT OF INVENTION Please send a copy to An die Abteilung Technologietransfer der Universität/Hochschule An die Technologie-Lizenz-Büro (TLB) der Baden-Württembergischen Hochschulen GmbH Ettlinger Straße

Mehr

Exercise (Part VIII) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part VIII) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part VIII) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises.

Mehr

APPLICATION. DeutscherAkademischerAustauschDienst GERMAN ACADEMIC EXCHANGE SERVICE 871 UN Plaza, New York, NY 10017

APPLICATION. DeutscherAkademischerAustauschDienst GERMAN ACADEMIC EXCHANGE SERVICE 871 UN Plaza, New York, NY 10017 APPLICATION DeutscherAkademischerAustauschDienst GERMAN ACADEMIC EXCHANGE SERVICE 871 UN Plaza, New York, NY 10017 Telephone: (212) 758-3223 Fax: (212) 755-5780 E-Mail: daadny@daad.org Website: http://www.daad.org

Mehr

How to use the large-capacity computer Lilli? IMPORTANT: Access only on JKU Campus!! Using Windows:

How to use the large-capacity computer Lilli? IMPORTANT: Access only on JKU Campus!! Using Windows: How to use the large-capacity computer Lilli? IMPORTANT: Access only on JKU Campus!! Using Windows: In order to connect to Lilli you need to install the program PUTTY. The program enables you to create

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

Prof. Dr. Bryan T. Adey

Prof. Dr. Bryan T. Adey Leiter der Bachelor- Prof. Dr. Bryan T. Adey Institut: Fachbereich: IBI Infrastrukturmanagement Anzahl Themen: 5 Themen direkt auf der Website der Professur/des Instituts veröffentlicht Link: http://www.im.ibi.ethz.ch/lehre/studienarbeit

Mehr

Name: Klasse: Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS. 18. September Englisch. Schreiben

Name: Klasse: Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS. 18. September Englisch. Schreiben Name: Klasse: Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS 18. September 2015 Englisch (B2) Schreiben Hinweise zum Beantworten der Fragen Sehr geehrte Kandidatin, sehr geehrter Kandidat!

Mehr

Extended Ordered Paired Comparison Models An Application to the Data from Bundesliga Season 2013/14

Extended Ordered Paired Comparison Models An Application to the Data from Bundesliga Season 2013/14 Etended Ordered Paired Comparison Models An Application to the Data from Bundesliga Season 2013/14 Gerhard Tutz & Gunther Schauberger Ludwig-Maimilians-Universität München Akademiestraße 1, 80799 München

Mehr

Wissen. Wissensmanagement. Was ist Wissen? Wissen - Informatik. Wissen - Künstlichen Intelligenz. Wissensmanagement und Künstliche Intelligenz

Wissen. Wissensmanagement. Was ist Wissen? Wissen - Informatik. Wissen - Künstlichen Intelligenz. Wissensmanagement und Künstliche Intelligenz Wissen Uwe Lämmel Fachbereich Wirtschaft Hochschule Wismar www.wi.hs-wismar.de/~laemmel Ein System S hat Wissen W, wenn S immer dann, wenn erforderlich, W anwendet. More&Newell,973 Was ist Wissen? Besitz

Mehr

II. Matching. What answers listed below would be logical answers for the following There may be more than one answer for each:

II. Matching. What answers listed below would be logical answers for the following There may be more than one answer for each: KET German I Kapitel 6 Study Sheet Name: I. Listening A. Students should decide if answer given to a question is appropriate is appropriate. Expressions from chapter 6 are used (see dialogues in chapter.)

Mehr

Die Dokumentation kann auf einem angeschlossenen Sartorius Messwertdrucker erfolgen.

Die Dokumentation kann auf einem angeschlossenen Sartorius Messwertdrucker erfolgen. Q-App: USP V2 Bestimmung des Arbeitsbereiches von Waagen gem. USP Kapitel 41. Determination of the operating range of balances acc. USP Chapter 41. Beschreibung Diese Q-App ist zur Bestimmung des Arbeitsbereiches

Mehr

Beschreibungslogiken. Daniel Schradick 1schradi@informatik.uni-hamburg.de

Beschreibungslogiken. Daniel Schradick 1schradi@informatik.uni-hamburg.de Beschreibungslogiken Daniel Schradick 1schradi@informatik.uni-hamburg.de Was sind Beschreibungslogiken? Definition: Formalisms that represent knowledge of some problem domain (the world ) by first defining

Mehr

Tuesday 10 May 2011 Afternoon Time: 30 minutes plus 5 minutes reading time

Tuesday 10 May 2011 Afternoon Time: 30 minutes plus 5 minutes reading time Write your name here Surname Other names Edexcel IGCSE German Paper 1: Listening Centre Number Candidate Number Tuesday 10 May 2011 Afternoon Time: 30 minutes plus 5 minutes reading time You do not need

Mehr

Level 2 German, 2011

Level 2 German, 2011 90401 904010 2SUPERVISOR S Level 2 German, 2011 90401 Listen to and understand spoken language in German in less familiar contexts 2.00 pm uesday Tuesday 1 November 2011 Credits: Six Check that the National

Mehr

Abteilung Internationales CampusCenter

Abteilung Internationales CampusCenter Abteilung Internationales CampusCenter Instructions for the STiNE Online Enrollment Application for Exchange Students 1. Please go to www.uni-hamburg.de/online-bewerbung and click on Bewerberaccount anlegen

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

Englisch. Schreiben. 18. September 2015 BAKIP / BASOP. Standardisierte kompetenzorientierte schriftliche Reife- und Diplomprüfung.

Englisch. Schreiben. 18. September 2015 BAKIP / BASOP. Standardisierte kompetenzorientierte schriftliche Reife- und Diplomprüfung. Name: Klasse/Jahrgang: Standardisierte kompetenzorientierte schriftliche Reife- und Diplomprüfung BAKIP / BASOP 18. September 2015 Englisch (B2) Schreiben Hinweise zum Beantworten der Fragen Sehr geehrte

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Vertretungsstunde Englisch 5. Klasse: Grammatik

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Vertretungsstunde Englisch 5. Klasse: Grammatik Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Vertretungsstunde Englisch 5. Klasse: Grammatik Das komplette Material finden Sie hier: School-Scout.de Pronouns I Let s talk about

Mehr

Teil 5. Maschinelles Lernen

Teil 5. Maschinelles Lernen Teil 5 Maschinelles Lernen Definitionen und Abgrenzungen Was ist Lernen? Zentrale Fähigkeit von intelligenten Systemen in Natur und KI Zielgerichtete Veränderung von Wissen und/oder Verhaltensweisen durch

Mehr

We are on the road Stützpunkt Nationalteam. Juni 2010

We are on the road Stützpunkt Nationalteam. Juni 2010 We are on the road Stützpunkt Nationalteam Juni 2010 Looking back: EC-Qualification 2nd round in Osijek and Madrid Results Looking back: EC-Qualification 2nd round in Osijek and Madrid Differences in Team

Mehr

Bayes sches Lernen: Übersicht

Bayes sches Lernen: Übersicht Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 5: Naive Bayes + IBL (V.

Mehr

Reform der Verrechnungspreisregularien. 4. Februar 2015

Reform der Verrechnungspreisregularien. 4. Februar 2015 Reform der Verrechnungspreisregularien 4. Februar 2015 Auf welche Steuern werden die neue Regeln angewendet? Körperschaftsteuer und Umsatzsteuer? 2015 private AG Deloitte & Touche USC 2 Auf welche Geschäftsvorfälle

Mehr

Risiko Datensicherheit End-to-End-Verschlüsselung von Anwendungsdaten. Peter Kirchner Microsoft Deutschland GmbH

Risiko Datensicherheit End-to-End-Verschlüsselung von Anwendungsdaten. Peter Kirchner Microsoft Deutschland GmbH Risiko Datensicherheit End-to-End-Verschlüsselung von Anwendungsdaten Peter Kirchner Microsoft Deutschland GmbH RISIKO Datensicherheit NSBNKPDA kennt alle ihre Geheimnisse! Unterschleißheim Jüngste Studien

Mehr

Kybernetik Intelligent Agents- Action Selection

Kybernetik Intelligent Agents- Action Selection Kybernetik Intelligent Agents- Action Selection Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 26. 06. 2012 Intelligent Agents Intelligent Agents Environment

Mehr

Softwareupdate-Anleitung // AC Porty L Netzteileinschub

Softwareupdate-Anleitung // AC Porty L Netzteileinschub 1 Softwareupdate-Anleitung // AC Porty L Netzteileinschub Softwareupdate-Anleitung // AC Porty L Netzteileinschub HENSEL-VISIT GmbH & Co. KG Robert-Bunsen-Str. 3 D-97076 Würzburg-Lengfeld GERMANY Tel./Phone:

Mehr