!"#$"%&'()*$+()',!-+.'/',

Größe: px
Ab Seite anzeigen:

Download "!"#$"%&'()*$+()',!-+.'/',"

Transkript

1 Soziotechnische Informationssysteme 3. Netzwerkgrundlagen Inhalte Six Degrees of Separation Zufallsgraphen Skalenfreie Netze Dynamik 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 3,

2 Motivation Graphentheorie Alter Bekannter in der Informatik! Graphen sind eine zentrale Datenstruktur Auch sonst nicht wirklich neu! Euler, Problem der 7 Brücken in Königsberg (1736) 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 1,

3 Reguläre Graphen Vorbilder für alle effizienten Datenstrukturen! Schlange, Liste! Ring, Stern! Matrix, Torus, n-dimensionaler Würfel! Baum!... Wohlbekannte Eigenschaften! Durchmesser! Ein- und Ausgangsgrad! Tiefe! Zusammenhangskomponenten!... Aber... Künstliche Strukturen! Entstehen meist nicht von alleine! Strukturerhalt in dynamischem Umfeld aufwendig Fehlender Realitätsbezug 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, <,

4 Six Degrees of Separation Experiment von Milgram (1967) Stanley Milgram, Psychologe, Yale University Experiment! Briefe an einige hundert Personen in Boston und Omaha (Nebraska) verteilt! Empfänger: Bestimmter Aktienhändler in Boston! Weiterleiten eines Briefs nur an direkte Bekannte/Freunde (first-name basis) Überraschendes Resultat! Durchschnittlich nur 6 Personen notwendig 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, =,

5 What a small world?! Deswegen? Jeder hat 42 Freunde, dann ergeben sich 42^6 Personen (= 5.49 Milliarden) bei Tiefe 6 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, >,

6 Wohl eher deswegen? Weak Ties Granovetter (1973) Strong Ties! Stark überlappende Interessen und Bedürfnisse! Grad an Zeitaufwand, emotionale Intensität! Wenig Überraschung Weak Ties! Essentiell für die Ausbildung sozialer Netzstrukturen! Neue Information primär über schwache Bindungen Absent Ties! Keine bis unwesentliche / vernachlässigbare Bindungen 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0,?,

7 Wie kommt man an geeignete Graphstrukturen? Zufallsgraphen

8 Graphentstehung als Zufallsprozeß Zu n Knoten werden zufällig Kanten dazugewählt Gilbert Modell G(n,p)! Jede mögliche Kante existiert unabhängig von anderen Kanten mit Wahrscheinlichkeit p Erd s Rényi Modell (Gn,M)! Alle Graphen mit M Kanten sind gleich wahrscheinlich Eigenschaften Mathematisch anspruchsvoll Gegeben n und p bzw. M, wie wahrscheinlich ist eine bestimmte Eigenschaft von G! Zusammenhängend Durchlässigkeit (Percolation)! Robustheitsaspekt, Kanten wegnehmen 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, A,

9 Phasenübergang Anteil aller Knoten in der größten Zusammenhangskomponente Perkolation Gegeben Zufallsgraph G mit! n Knoten! Durchschnittlicher Kantengrad k Wir entfernen (1-p)-Anteil an Kanten für ein p [0,1] Es existiert ein kritischer Schwellwert:! Asymptotische Aussage! p < p c : Netzwerk ist fragmentiert! p >= p c : Netz zusammenhängend p c = 1 k 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, B,

10 Lemma von Szemerédi Übertragbarkeit von spezifischen Eigenschaften auf große Mengen von Zufallsgraphen Szemerédi erhielt 2012 den Abel Preis Sozial = Random? Sind soziale Netzwerke Zufallsgraphen? Wählt man seine Freunde zufällig aus? Wie gut kennen sich Freunde von Freunden?? 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 32,

11 Bacon Numbers Bacon Number Kevin Bacon (1958-) Schauspieler..., Flatliners, Apolle 13, JFK... worked with everybody in Hollywood or someone who s worked with them (1994) Kevin Bacon Game (1994)! Albright College Studenten: C. Fass, B. Turtle, M. Gineli Regeln! Kevin Bacon hat die Nummer 0! Wer mit Kevin Bacon gespielt hat, hat die Nummer 1! Wer mit jemand gespielt hat der mit Kevin Bacon gespielt hat, hat die Nummer 2! Und so weiter... 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 33,

12 Verteilung 320, , , ,000 Anzahl Schauspieler 150, ,000 50, Bacon Number Gesamtanzahl 550, , , , ,000 Gesamtanzahl Schauspieler 300, , , , ,000 50, Bacon Number 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 31,

13 Triadic Closure und Clustering Triadic Closure Georg Simmel (Anfang 1900)! Enge Bindung zwischen A und B! Enge Bindung zwischen B und C! Dann meist auch Bindung zwischen A und C Mark Granovetter (1973) The Strength of Weak Ties! Kognitive Balance 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 3<,

14 16 gerichtete Triaden Clustering Clustering-Koeffizient! Grad der Clusterbildung in einem Graphen! Eng mit der Triadic Closure verbunden 3 Knoten durch 2 (offen) oder 3 (geschlossen) Kanten verbunden Globaler Koeffizient: #Closed / (#Closed + #Open) Lokaler Koeffizient eines Knotens v! Maß für die vollständige Vernetzung der direkten Nachbarn 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 3=,

15 Beispiel 3 Geschlossene! A-B-C! B-C-A! C-A-B 9 Offene! A-B-C! B-C-A! C-A-B! C-B-E! C-B-D! A-B-D! A-B-E! D-B-E! B-E-F C global = 3 9 = 1 3 Zufallsgraphen mit Small-World-Eigenschaften 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 3>,

16 Beobachtung Pfadlänge Pfadlänge Zufallsgraph Clustering Clustering Zufallsgraph Bacon Stromnetz Neuralnetz Fadenwurm Watts-Strogatz Modell Verbesserung der Erd s Rényi-Graphen! Ausbildung lokaler Cluster und Triadic Closure Konstruktionsalgorithmus! Gegeben n Knoten K mittlerer Kantengrad b Parameter zwischen 0 und 1! Erzeuge regelmäßiges Gitter mit K Nachbarn pro Knoten! Jede Kante wird einmal mit Wahrscheinlichkeit b rewired und durch zufälligen neuen Zielknoten ersetzt 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 3?,

17 Verteilungen Normalverteilung Poisson Verteilung Pareto Verteilung Skalenfreie Netze 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0,

18 Pareto-Prinzip Regel! 20% der Verursacher sind für 80% der Wirkung verantwortlich Viele Beispiele! Reichsten 20% der Weltbevölkerung kontrollieren 82.7% des Welteinkommens (UN 1989)! 80% des Profits kommen von 20% der Kunden! 20% der am häufigsten genannten Fehler sind für 80% der Fehlerberichte verantwortlich (Microsoft) Pareto-Verteilung Potenzgesetz (Power Law) Long Tail f(x) = ax k 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 3A,

19 Skaleninvarianz f (x) = ax k f (cx) = a(cx) k = c k f (x)! f (x) Alle Funktionen mit einem spezifischen Exponenten sind bis auf einen konstanten Faktor äquivalent Selbstähnlichkeit / Dilatation / Symmetrieaspekt Preferential Attachment Reiche werden reicher Matthäus-Effekt!! Gleichnamige Evangelium! Gleichnis von den anvertrauten Zentnern: Denn wer da hat, dem wird gegeben, dass er die Fülle habe; wer aber nicht hat, dem wird auch das genommen, was er hat. PA nimmt aber nichts weg Dynamisches Element zur Ausbildung skalenfreier Netze! Barabási und Albert (1999) 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 3B,

20 Skalenfreie Netze Kantengrad eines Knotens entspricht einem Potenzgesetz P(k) Anteil der Knoten mit Kantengrad k: P(k)! ck "! Typischerweise gilt 2 <! < 3 Barabási und Albert Konstruktion skalenfreier Netze mittels Preferential Attachment Initiale Knotenmenge M ( >1 und Kantengrad mind. 1) Schrittweise neue Knoten v hinzufügen! v wird mit Knoten v j aus M mit Wahrscheinlichkeit p j verbunden (k i Kantengrad) p j = k j k i! i Verteilung: P(k) = 3 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 12,

21 Softwareaspekte Graphengröße Aktuell großes wissenschaftliches und kommerzielles Interesse Szenarien! Modellierung entsprechender Netze! Mining vorhandener sozialer Netze Realisitisch erst bei großen Graphen! Performanzprobleme Explorativer Umgang! Geeignete und schnelle Visualisierungen 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 13,

22 Bibliotheken igraph! Python, C++, Java, R gephi! Java Python! NetworkX Struktur, Dynamik und Funktion komplexer Netzwerke! NumPy! Matplotlib.NET / C#! NodeXL Social Media Research Foundation (www.smrfoundation.org)! QuickGrap Visualisierung MSAGL, GLEE, Graphviz Beispiel igraph Python Code:!!"#$%&'"()*%&$)#"+%,% B'"556B;%B"51FG%!#"%?#$)#656+%&6%'/?#$)#656+28>H% % % 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 11,

23 Beispiel gephi Beispiel NodeXL 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 1<,

24 Literatur Mark Granovetter The Strength of Weak Ties alternativ Duncan J. Watts Six Degrees The Science of a Connected Age Norton, (5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 1=,

Sozio- Technische Systeme

Sozio- Technische Systeme Soziotechnische Informationssysteme 3. Netzwerkgrundlagen Inhalte Six Degrees of Separation Zufallsgraphen Skalenfreie Netze Softwareaspekte 1 Motivation Graphentheorie Alter Bekannter in der Informatik

Mehr

Das Small World Phenomenon. Aus http://www.tell6.com

Das Small World Phenomenon. Aus http://www.tell6.com Das Small World Phenomenon Aus http://www.tell6.com Das Experiment Durchgeführt von Stanley Milgram im Jahr 1969 [7] 296 Briefe an zufällig ausgewählte Personen in Nebraska und Boston Briefe sollten an

Mehr

Netzwerkmodelle. Seminar Netzwerkanalyse. Sommersemester 2005 Jasmine Metzler

Netzwerkmodelle. Seminar Netzwerkanalyse. Sommersemester 2005 Jasmine Metzler Netzwerkmodelle Seminar Netzwerkanalyse Sommersemester 2005 Jasmine Metzler 1 Grundlegende Modelle Das Graph Modell (G n,p ) Definition Verschiedene Modelle Small World Modell Lokale Suche Power Law Modelle

Mehr

Analyse des Normennetzwerks der Internet Requests for Comments

Analyse des Normennetzwerks der Internet Requests for Comments Analyse des Normennetzwerks der Internet Requests for Comments Maciej Wieńszczak, Prof. Dr. Robert Tolksdorf maciej@wienszczak.pl, tolk@ag-nbi.de www.ag-nbi.de Freie Universität Berlin 1 Einführung Was

Mehr

Inhalt. Inhalte der Vorlesung (vorläufig) Dr. Dominic Battré Complex and Distributed IT Systems. Napster. Eigenschaften von Gnutella

Inhalt. Inhalte der Vorlesung (vorläufig) Dr. Dominic Battré Complex and Distributed IT Systems. Napster. Eigenschaften von Gnutella Vorlesung P2P Netzwerke 2: Unstrukturierte Netze Dr. Dominic Battré Complex and Distributed IT Systems dominic.battre@tu berlin.de berlin de Inhalt Napster Erstes "P2P" Netzwerk Kein wirkliches P2P Enormes

Mehr

Komplexe Netzwerke Robustheit

Komplexe Netzwerke Robustheit Ernst Moritz Arndt Universität Greifswald 19. 6. 2009 Komplexe Netzwerke Robustheit Dr. Matthias Scholz www.network-science.org/ss2009.html 7 Robustheit Wie robust ist ein Netzwerk bei Ausfall von Knoten?

Mehr

Internet Protokolle II

Internet Protokolle II Lecture 11 Internet Protokolle II Small World Networks Thomas Fuhrmann Network Architectures Computer Science Department Technical University Munich Beginn der Small World -Theorie (1) Internet Protocols

Mehr

Modelle und Statistiken

Modelle und Statistiken Kapitel 4 Modelle und Statistiken In letzter Zeit werden vermehrt Parameter (Gradfolgen, Kernzahlfolgen, etc.) empirischer Graphen (Internet, WWW, Proteine, etc.) berechnet und diskutiert. Insbesondere

Mehr

Generierung und Simulation von großen Inter-Domain Topologien

Generierung und Simulation von großen Inter-Domain Topologien Generierung und Simulation von großen Inter-Domain Topologien Thomas Schwabe TU München, Lehrstuhl für Kommunikationsnetze thomas.schwabe@tum.de Agenda Motivation Inter-Domain Routing Eigenschaften der

Mehr

Soziotechnische Informationssysteme

Soziotechnische Informationssysteme Soziotechnische Informationssysteme 1. Einführung Brauchen wir diese Vorlesung? (c) 2012, Peter Sturm, Universität Trier 1 Vergangenheit Gesellschaft Technik Charakteristika Werkzeugcharakter Ziele Höhere

Mehr

Algorithmische Methoden zur Netzwerkanalyse

Algorithmische Methoden zur Netzwerkanalyse Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische

Mehr

Bachelorarbeit: Ein diskretes Modell für Finanzmärkte

Bachelorarbeit: Ein diskretes Modell für Finanzmärkte Bachelorarbeit: Ein diskretes Modell für Finanzmärkte Die Finanzmathematik ist momentan eine der wichtigsten Anwendungender. Hier soll ein grundlegendes Modell erörtert werden, das auf der Entwicklung

Mehr

PageRank-Algorithmus

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

Mehr

Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn

Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:

Mehr

Generierung von sozialen Netzwerken. Steffen Brauer WiSe 2011/12 HAW Hamburg

Generierung von sozialen Netzwerken. Steffen Brauer WiSe 2011/12 HAW Hamburg Generierung von sozialen Netzwerken Steffen Brauer WiSe 2011/12 HAW Hamburg Agenda Motivation Soziale Netzwerke Modelle Metriken Forschungsumfeld Ausblick 2 Motivation Wo gibt es Netzwerke? Computernetzwerke

Mehr

Maximizing the Spread of Influence through a Social Network

Maximizing the Spread of Influence through a Social Network 1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2

Mehr

Computerviren, Waldbrände und Seuchen - ein stochastisches Modell für die Reichweite einer Epidemie

Computerviren, Waldbrände und Seuchen - ein stochastisches Modell für die Reichweite einer Epidemie Computerviren, Waldbrände und Seuchen - ein stochastisches für die Reichweite einer Epidemie Universität Hildesheim Schüler-Universität der Universität Hildesheim, 21.06.2012 Warum Mathematik? Fragen zum

Mehr

Physik Biologischer Netzwerke

Physik Biologischer Netzwerke Vorlesung SS 2009 Prof. Dr. Ulrich Schwarz Physik Biologischer Netzwerke Abteilung für Theoretische Biophysik Universität Karlsruhe Homepage: http://www.zi.uni-karlsruhe.de/tbp Inhaltsverzeichnis 1 Zufallsgraphen

Mehr

Methoden zur Visualisierung von ereignisdiskreten Analysedaten

Methoden zur Visualisierung von ereignisdiskreten Analysedaten Fakultät Informatik, Institut für Angewandte Informatik, Professur Technische Informationssysteme Methoden zur Visualisierung von ereignisdiskreten Analysedaten Referent: Hendrik Freund Betreuer: Vladimir

Mehr

Social Network Analysis als Instrument zur Bewertung von Beziehungskapital

Social Network Analysis als Instrument zur Bewertung von Beziehungskapital Social Network Analysis als Instrument zur Bewertung von Beziehungskapital Barbara Heller-Schuh Konferenz: 10 Jahre Wissensbilanzierung in Österreich Wien, 30. September 2008 Beziehungskapital in der Wissensbilanzierung

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS) Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,

Mehr

Graphenalgorithmen und lineare Algebra Hand in Hand Vorlesung für den Bereich Diplom/Master Informatik

Graphenalgorithmen und lineare Algebra Hand in Hand Vorlesung für den Bereich Diplom/Master Informatik Vorlesung für den Bereich Diplom/Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes

Mehr

Six Degrees of Separation Besondere Strukturen in Transportnetzwerken

Six Degrees of Separation Besondere Strukturen in Transportnetzwerken Six Degrees of Separation Besondere Strukturen in Transportnetzwerken Bachelor- und Masterseminar im SoSe 14 Jun.-Prof. Dr. Anne Lange DB Schenker Stiftungsjuniorprofessur Fachgebiet Multimodalität und

Mehr

Definition. Gnutella. Gnutella. Kriterien für P2P-Netzwerke. Gnutella = +

Definition. Gnutella. Gnutella. Kriterien für P2P-Netzwerke. Gnutella = + Definition Gnutella Ein -to--netzwerk ist ein Kommunikationsnetzwerk zwischen Rechnern, in dem jeder Teilnehmer sowohl Client als auch Server- Aufgaben durchführt. Beobachtung: Das Internet ist (eigentlich

Mehr

Network your Business. Beziehungen 2.0. Robert Beer, Country Manager XING Schweiz und Österreich, Bern, 4. März 2013

Network your Business. Beziehungen 2.0. Robert Beer, Country Manager XING Schweiz und Österreich, Bern, 4. März 2013 Network your Business Beziehungen 2.0 Robert Beer, Country Manager XING Schweiz und Österreich, Bern, 4. März 2013 Übersicht Internet und Social Media in der Schweiz Philosophie des Netzwerkens Social

Mehr

P2P - Projekt. 1. Die gleiche Aufgabe zwei Herangehensweisen 2. Voraussetzungen. 3. Automatische Semantische Konvergenz

P2P - Projekt. 1. Die gleiche Aufgabe zwei Herangehensweisen 2. Voraussetzungen. 3. Automatische Semantische Konvergenz P2P - Projekt 1. Die gleiche Aufgabe zwei Herangehensweisen 2. Voraussetzungen 1. Natürlicher Suchalgorithmus 2. Small Worlds 3. Automatische Semantische Konvergenz 1. Netzwerkerstellung 2. Suche 1. Die

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Rolf Wanka Sommersemester 2007 11. Vorlesung 05.07.2007 rwanka@cs.fau.de

Rolf Wanka Sommersemester 2007 11. Vorlesung 05.07.2007 rwanka@cs.fau.de Peer-to to-peer-netzwerke Rolf Wanka Sommersemester 2007 11. Vorlesung 05.07.2007 rwanka@cs.fau.de basiert auf einer Vorlesung von Christian Schindelhauer an der Uni Freiburg Inhalte Kurze Geschichte der

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche

Mehr

LFE Medieninformatik Projektarbeit. Flock Mail. Michael Weiler

LFE Medieninformatik Projektarbeit. Flock Mail. Michael Weiler LFE Medieninformatik Projektarbeit Flock Mail Michael Weiler Agenda Einleitung Spam Statistiken & Filter Schwarmintelligenz Verwandte Arbeiten Design Motivation GUI Visualisierung von emails Implementierung

Mehr

Algorithmen & Datenstrukturen 1. Klausur

Algorithmen & Datenstrukturen 1. Klausur Algorithmen & Datenstrukturen 1. Klausur 7. Juli 2010 Name Matrikelnummer Aufgabe mögliche Punkte erreichte Punkte 1 35 2 30 3 30 4 15 5 40 6 30 Gesamt 180 1 Seite 2 von 14 Aufgabe 1) Programm Analyse

Mehr

2.5. VERBINDUNGSNETZWERKE GESTALTUNGSKRITERIEN DER NETZWERKE TOPOLOGIE ALS GRAPH. Vorlesung 5 TOPOLOGIE: DEFINITIONEN : Sei G = (V, E) ein Graph mit:

2.5. VERBINDUNGSNETZWERKE GESTALTUNGSKRITERIEN DER NETZWERKE TOPOLOGIE ALS GRAPH. Vorlesung 5 TOPOLOGIE: DEFINITIONEN : Sei G = (V, E) ein Graph mit: Vorlesung 5.5. VERBINDUNGSNETZWERKE Kommunikation zwischen den einzelnen Komponenten eines arallelrechners wird i.d.r. über ein Netzwerk organisiert. Dabei unterscheidet man zwei Klassen der Rechner: TOOLOGIE:

Mehr

Organic Computing: Peer-to-Peer-Netzwerke

Organic Computing: Peer-to-Peer-Netzwerke Organic Computing Peer-to-Peer-Netzwerke Rolf Wanka Sommersemester 2015 rwanka@cs.fau.de Inhalte Kurze Geschichte der Peer-to-Peer- Netzwerke Das Internet: Unter dem Overlay Die ersten Peer-to-Peer-Netzwerke

Mehr

Synergien aus Graph-Theorie und Data-Mining für die Analyse von Netzwerkdaten

Synergien aus Graph-Theorie und Data-Mining für die Analyse von Netzwerkdaten für die Analyse von Netzwerkdaten Tanja Hartmann, Patricia Iglesias Sánchez, Andrea Kappes, Emmanuel Müller und Christopher Oßner IPD Institut für Programmstrukturen und Datenorganisation ITI Institut

Mehr

Künstliche Intelligenz Maschinelles Lernen

Künstliche Intelligenz Maschinelles Lernen Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen

Mehr

Wie Google Webseiten bewertet. François Bry

Wie Google Webseiten bewertet. François Bry Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

Guten Morgen und Willkommen zur Saalübung!

Guten Morgen und Willkommen zur Saalübung! Guten Morgen und Willkommen zur Saalübung! 1 Wie gewinnt man ein Spiel? Was ist ein Spiel? 2 Verschiedene Spiele Schach, Tic-Tac-Toe, Go Memory Backgammon Poker Nim, Käsekästchen... 3 Einschränkungen Zwei

Mehr

Vorlesung 3 MINIMALE SPANNBÄUME

Vorlesung 3 MINIMALE SPANNBÄUME Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei

Mehr

Architektur verteilter Anwendungen

Architektur verteilter Anwendungen Architektur verteilter Anwendungen Schwerpunkt: verteilte Algorithmen Algorithmus: endliche Folge von Zuständen Verteilt: unabhängige Prozessoren rechnen tauschen Informationen über Nachrichten aus Komplexität:

Mehr

Scale-Free vs. Attract & Introduce Wer hat die höhere Fitness?

Scale-Free vs. Attract & Introduce Wer hat die höhere Fitness? Scale-Free vs. Attract & Introduce Wer hat die höhere Fitness? Mark Ortmann 11. April 2010 Universität Konstanz Fachbereich: Informatik und Informationswissenschaft Projekt: Netzwerkmodelle WS09/10 Betreuer:

Mehr

Algorithmische Methoden zur Netzwerkanalyse Vorlesung 14, 08.02.2012 Henning Meyerhenke

Algorithmische Methoden zur Netzwerkanalyse Vorlesung 14, 08.02.2012 Henning Meyerhenke Algorithmische Methoden zur Netzwerkanalyse Vorlesung 14, 08.02.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum

Mehr

Algorithmische Mathematik

Algorithmische Mathematik Algorithmische Mathematik Wintersemester 2013 Prof. Dr. Marc Alexander Schweitzer und Dr. Einar Smith Patrick Diehl und Daniel Wissel Übungsblatt 6. Abgabe am 02.12.2013. Aufgabe 1. (Netzwerke und Definitionen)

Mehr

Google s PageRank. Eine Anwendung von Matrizen und Markovketten. Vortrag im Rahmen der Lehrerfortbildung an der TU Clausthal 23.

Google s PageRank. Eine Anwendung von Matrizen und Markovketten. Vortrag im Rahmen der Lehrerfortbildung an der TU Clausthal 23. Google s PageRank Eine Anwendung von Matrizen und Markovketten Vortrag im Rahmen der Lehrerfortbildung an der TU Clausthal 23. September 2009 Dr. Werner Sandmann Institut für Mathematik Technische Universität

Mehr

8 Diskrete Optimierung

8 Diskrete Optimierung 8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von

Mehr

Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007

Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007 Graphentheorie Rainer Schrader Organisatorisches Zentrum für Angewandte Informatik Köln 23. Oktober 2007 1 / 79 2 / 79 Organisatorisches Organisatorisches Dozent: Prof. Dr. Rainer Schrader Weyertal 80

Mehr

Quelle. Thematische Verteilungen. Worum geht es? Wiederholung. Link-Analyse: HITS. Link-Analyse: PageRank. Link-Analyse: PageRank. Link-Analyse: HITS

Quelle. Thematische Verteilungen. Worum geht es? Wiederholung. Link-Analyse: HITS. Link-Analyse: PageRank. Link-Analyse: PageRank. Link-Analyse: HITS Hauptseminar Web Information Retrieval Quelle Thematische Verteilungen 07.05.2003 Daniel Harbig Chakrabati, Soumen; Joshi, Mukul; Punera, Kunal; Pennock, David (2002): The Structure of Broad Topics on

Mehr

Social Intranets und Enterprise 2.0

Social Intranets und Enterprise 2.0 Web2.0: Networked Applications that explicitly leverage network effects. Tim O Reilly Social Intranets und Enterprise 2.0 Prof. Dr. Frank Schönefeld, Geschäftsleitung, T-Systems Multimedia Solutions GmbH

Mehr

Security of Online Social Networks

Security of Online Social Networks Security of Online Social Networks Social Network Analysis Lehrstuhl IT-Sicherheitsmanagment Universität Siegen May 31, 2012 Lehrstuhl IT-Sicherheitsmanagment 1/25 Overview Lesson 06 Fundamental Graphs

Mehr

Künstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln

Künstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen

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

M.Bischoff 1 Linked / Netzwerke

M.Bischoff 1 Linked / Netzwerke M.Bischoff 1 Linked / Netzwerke Linked Artikel von Michael Bischoff für IGW Periodical (2007) Weite Strecken des wissenschaftlichen Denkens im 20.Jahrhundert waren von einem Forschungsdrang geprägt, den

Mehr

Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf

Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen

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

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung

Mehr

Internet-Algorithmen

Internet-Algorithmen Spezialvorlesung Internet-Algorithmen Wintersemester 2009/10 Martin Sauerhoff 1. Einleitung Das Internet abstrakte Version: Hosts / Endsysteme Router Kommunikation gemäß IP In Wirklichkeit starke hierarchische

Mehr

Extremwertverteilungen

Extremwertverteilungen Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen

Mehr

Kombinatorische Optimierung

Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 1 Programm des

Mehr

Kapitel 6: Graphalgorithmen Gliederung

Kapitel 6: Graphalgorithmen Gliederung Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen

Mehr

Exploration und Klassifikation von BigData

Exploration und Klassifikation von BigData Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)

Mehr

Property Testing in Graphen mit beschränktem Maximalgrad

Property Testing in Graphen mit beschränktem Maximalgrad Property Testing in Graphen mit beschränktem Maximalgrad Björn Schümann Seminar Graphentheorie und Kombinatorik WS 2007-08 Inhaltsverzeichnis 1 Einleitung 2 2 Allgemeine Aussagen zum Property Testing 3

Mehr

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33

Mehr

Einführung in die Bioinformatik

Einführung in die Bioinformatik Einführung in die Bioinformatik Kay Nieselt Integrative Transkriptomik Zentrum für Bioinformatik Tübingen Kay.Nieselt@uni-tuebingen.de SS 2012 5. Biologische Netzwerke - Gut vernetzt hält besser Überblick

Mehr

Soziale Wissenschaft Wissenschaft als soziales Netzwerk

Soziale Wissenschaft Wissenschaft als soziales Netzwerk Seminar Technologie sozialer Netzwerke Prof. Dr. Krömker WS 13/14 Soziale Wissenschaft Wissenschaft als soziales Netzwerk Sven Köppel koeppel@cs.uni-frankfurt.de Professur für Graphische Datenverarbeitung

Mehr

Verkehrsstauspiel: Wieviel Prozent der Autos fahren über blau/grün? Jörg Rambau

Verkehrsstauspiel: Wieviel Prozent der Autos fahren über blau/grün? Jörg Rambau Verkehrsstauspiel: Wieviel Prozent der Autos fahren über blau/grün? Verkehrsstauspiel: Wieviel Prozent der Autos fahren über blau/grün? 1 x x = Anteil der Fahrzeuge, die dort entlang fahren Verkehrsstauspiel:

Mehr

Statistik II für Betriebswirte Vorlesung 3

Statistik II für Betriebswirte Vorlesung 3 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst

Mehr

Oliver Hinz. Vorlesung Social Network Analysis (Master) Sommersemester 2014

Oliver Hinz. Vorlesung Social Network Analysis (Master) Sommersemester 2014 Oliver Hinz Vorlesung Social Network Analysis (Master) Sommersemester 2014 Prof. Dr. Oliver Hinz, Professur für Wirtschaftsinformatik, Fachgebiet Electronic Markets, TU Darmstadt, Hochschulstraße 1, 64289

Mehr

Erzeugung zufälliger Graphen und Bayes-Netze

Erzeugung zufälliger Graphen und Bayes-Netze Erzeugung zufälliger Graphen und Bayes-Netze Proseminar Algorithmen auf Graphen Georg Lukas, IF2000 2002-07-09 E-Mail: georg@op-co.de Folien: http://op-co.de/bayes/ Gliederung 1. Einleitung 2. einfache

Mehr

Teil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29

Teil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29 1 29 Teil III: Routing - Inhalt I Literatur Compass & Face Routing Bounded & Adaptive Face Routing Nicht Ω(1) UDG E. Kranakis, H. Singh und Jorge Urrutia: Compass Routing on Geometric Networks. Canadian

Mehr

Monte-Carlo-Simulation

Monte-Carlo-Simulation Modellierung und Simulation Monte-Carlo-Simulation Universität Hamburg Johannes Schlundt 7. Januar 2013 Monte-Carlo-Simulation Johannes S. 1/31 Inhalt Motivation Geschichtliche Entwicklung Monte-Carlo-Simulation

Mehr

Einführungsvortrag: Webgraph, Klassisches IR vs. Web-IR

Einführungsvortrag: Webgraph, Klassisches IR vs. Web-IR Einführungsvortrag: Webgraph, Klassisches IR vs. Web-IR Seminar Suchmaschinen, Wintersemester 2007/2008 Martin Sauerhoff Lehrstuhl 2, Universität Dortmund Übersicht 1. Einleitung 2. Der Webgraph 3. Modelle

Mehr

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x

Mehr

Thema: Soziale Netzwerke. von. Sebastian Fahrentholz. Institut für Statistik Ludwig-Maximilians-Universität München

Thema: Soziale Netzwerke. von. Sebastian Fahrentholz. Institut für Statistik Ludwig-Maximilians-Universität München Thema: Soziale Netzwerke von Sebastian Fahrentholz Institut für Statistik Ludwig-Maximilians-Universität München Seminar: Statistische Herausforderungen sozialwissenschaftlicher Studien Betreuer: Julia

Mehr

Algorithmen für Peer-to-Peer-Netzwerke Sommersemester 2004 04.06.2004 7. Vorlesung

Algorithmen für Peer-to-Peer-Netzwerke Sommersemester 2004 04.06.2004 7. Vorlesung Algorithmen für Peer-to-Peer-Netzwerke Sommersemester 2004 04.06.2004 7. Vorlesung 1 Kapitel III Skalierbare Peer to Peer-Netzwerke Tapestry von Zhao, Kubiatowicz und Joseph (2001) Netzw erke 2 Tapestry

Mehr

Der Power System Simulator an der BTU Cottbus-Senftenberg

Der Power System Simulator an der BTU Cottbus-Senftenberg Der Power System Simulator an der BTU Cottbus-Senftenberg - ein Ausbildungs- und Trainingssystem für eine zuverlässige Netzintegration erneuerbarer Energien und Elektromobilität Als Teil des Schaufensterprojekte

Mehr

Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen

Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung

Mehr

Kulturen der Kooperation und der Konkurrenz. Interorganisationale Zusammenarbeit als professionelle Herausforderung in der Weiterbildung

Kulturen der Kooperation und der Konkurrenz. Interorganisationale Zusammenarbeit als professionelle Herausforderung in der Weiterbildung Wolfgang Jütte Kulturen der Kooperation und der Konkurrenz. Interorganisationale Zusammenarbeit als professionelle Herausforderung in der Weiterbildung 26.4.2013. Fachtagung Lust auf Weiterbildung? Aufbau

Mehr

Informatik 11 Kapitel 2 - Rekursive Datenstrukturen

Informatik 11 Kapitel 2 - Rekursive Datenstrukturen Fachschaft Informatik Informatik 11 Kapitel 2 - Rekursive Datenstrukturen Michael Steinhuber König-Karlmann-Gymnasium Altötting 15. Januar 2016 Folie 1/77 Inhaltsverzeichnis I 1 Datenstruktur Schlange

Mehr

9. Kooperation, verteilte Intelligenz und Netzwerke

9. Kooperation, verteilte Intelligenz und Netzwerke 9. Kooperation, verteilte Intelligenz und Netzwerke wie entsteht koordiniertes Verhalten mehrerer Organismen? Vorbilder: Schwarmtiere, Insektenstaaten, menschliche Gesellschaft "Sozionik": Erkundung hypothetischer

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910

Mehr

Vorlesung Theoretische Informatik

Vorlesung Theoretische Informatik Vorlesung Theoretische Informatik Automaten und Formale Sprachen Hochschule Reutlingen Fakultät für Informatik Masterstudiengang Wirtschaftsinformatik überarbeitet von F. Laux (Stand: 09.06.2010) Sommersemester

Mehr

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken

Mehr

Algorithmen für Ad-hoc- und Sensornetze

Algorithmen für Ad-hoc- und Sensornetze Algorithmen für Ad-hoc- und Sensornetze VL 13 Der Schluss Markus Völker 18. Juli 2012 (Version 1) INSTITUT FÜR THEORETISCHE INFORMATIK - LEHRSTUHL FÜR ALGORITHMIK (PROF. WAGNER) KIT Universität des Landes

Mehr

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II Eine Einführung in R: Hochdimensionale Daten: n

Mehr

Agenda. (1) Einleitung (2) neo4j. (3) Beispiel + Demo

Agenda. (1) Einleitung (2) neo4j. (3) Beispiel + Demo Agenda (1) Einleitung (2) neo4j (1) neo4j Embedded (2) neo4j Server (REST-Interface) (3) Cypher Query Language (4) High Availability Cluster (3) Beispiel + Demo 2 Einleitung 3 Einleitung: Geschichte 1960er:

Mehr

Modellierung von Geschäftsprozessen Teil 6 - Petri-Netze

Modellierung von Geschäftsprozessen Teil 6 - Petri-Netze FHTW Berlin FB4, Wirtschaftsmathematik Modellierung von Geschäftsprozessen Teil 6 - Petri-Netze Dr. Irina Stobbe, 2005-2008 Thema - Überblick Petri-Netze Petri-Netze Einführung Funktionsweise Definition

Mehr

Kommunikationsnetzwerke

Kommunikationsnetzwerke Beispielbild Kommunikationsnetzwerke Vortrag im Rahmen des Seminars Netzwerke Michael Murawicki und Robert Richter Agenda -Instant Messaging Studie - Kommunikationscharakteristika - Netzwerkeigenschaften

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

Big Data als Ökosystem datengetriebener Unternehmen

Big Data als Ökosystem datengetriebener Unternehmen Big Data als Ökosystem datengetriebener Unternehmen Präsentation im CINIQ Center for Data and Information Intelligence, Fraunhofer Heinrich-Hertz-Institut in Berlin 10.09.2013 von Dr. Peter Lauf Zur Person

Mehr

Bachelorarbeit. Analyse des Normennetzwerks der Internet Requests for Comments

Bachelorarbeit. Analyse des Normennetzwerks der Internet Requests for Comments Fachbereich Informatik Bachelorarbeit Analyse des Normennetzwerks der Internet Requests for Comments Autor: Maciej Wieńszczak Betreuer: Prof. Dr. Robert Tolksdorf Normennetzwerke: RFCs 1 EINLEITUNG 1 Einleitung

Mehr

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2 1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba

Mehr

Datenanalyse mit Python. Dr. Wolfram Schroers

Datenanalyse mit Python. Dr. Wolfram Schroers <Wolfram.Schroers - at - Field-theory.org> Datenanalyse mit Python Dr. Wolfram Schroers Problem Beobachtungen Modell (Annahmen, Vereinfachungen) Vorhersagen Vergleich Python: Stärken und Schwächen Anwendung:

Mehr

Maximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de

Maximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Wasist das? Maximaler Fluss Minimaler Schnitt Warumtut man das? Logistische

Mehr

Formale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK

Formale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK Formale Systeme Prof. Dr. Bernhard Beckert WS / KIT INSTITUT FÜR THEORETISCHE INFORMATIK KIT University of the State of Baden-Württemberg and National Large-scale Research Center of the Helmholtz Association

Mehr

Peer-to-Peer- Netzwerke

Peer-to-Peer- Netzwerke Peer-to-Peer- Netzwerke Christian Schindelhauer Sommersemester 2006 14. Vorlesung 23.06.2006 schindel@informatik.uni-freiburg.de 1 Evaluation der Lehre im SS2006 Umfrage zur Qualitätssicherung und -verbesserung

Mehr

Algorithmen und Datenstrukturen (WS 2007/08) 63

Algorithmen und Datenstrukturen (WS 2007/08) 63 Kapitel 6 Graphen Beziehungen zwischen Objekten werden sehr oft durch binäre Relationen modelliert. Wir beschäftigen uns in diesem Kapitel mit speziellen binären Relationen, die nicht nur nur besonders

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

Kap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis

Kap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis Kap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO DAP2 SS 2009 2./4. Juni 2009 1 2. Übungstest

Mehr

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

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

Mehr