Textmining Information Extraction (probabilistisch)
|
|
- Sven Straub
- vor 8 Jahren
- Abrufe
Transkript
1 Textmining Information Extraction (probabilistisch) Department Informatik / Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU Dept. CS KI) Information Extraction (probabilistisch) 1 / 33
2 Information Extraction Problemstellung Gegeben eine Sammlung von (Text-)Dokumenten Konstruiere Wissensbasen / Datenbankeinträge / Fülle Templates Beispiel: Personeninformationen Name Vorname Abteilung Herangehensweisen: 1 Pattern matching + Regeln (Symbolischer Ansatz) 2 Probabilisitische Modellierung (FAU Dept. CS KI) Information Extraction (probabilistisch) 2 / 33
3 Probabilistischer Ansatz (Übersicht) (FAU Dept. CS KI) Information Extraction (probabilistisch) 3 / 33
4 Grundgedanke Extrahiere Entitäten probabilisitisch, kombiniere probabilistisch Auch hier: Bottom-up Generelle Idee: Modelliere das zu extrahierende (welchen Text würde man schreiben) Wähle für eine gegebene Beobachtung (Zeichen, Tokens) diejenige Erklärung, die die Beobachtung am wahrscheinlichsten erzeugt Wahrscheinlichkeitsverteilungen / Modellparameter werden aus einem Korpus abgeleitet (FAU Dept. CS KI) Information Extraction (probabilistisch) 4 / 33
5 Vergleich mit dem symbolischen Ansatz Symb. Definitionen werden vorgegeben, prob. Modelle werden auf Grundlage von Daten bestimmt Symb. Definitionen sind Vorbild für prob. Modellklassen (wie man noch sehen wird) (FAU Dept. CS KI) Information Extraction (probabilistisch) 5 / 33
6 Probabilistische Textmodelle Zeichen (Z i Z j ) Token (T ): p(t Z i Z j ) Token (T k T l ) Parts-of-Speech (POS): p(pos T k T l ) Parts-of-Speech (POS m POS n ) Entity (E): p(e POS m POS n ) Gemeinsam: Verarbeitung von Sequenzen! Tokenisierung, Parts-of-Speech Tagging, Feature Extraktion wird vorerst vorausgestzt (realistisch?) (FAU Dept. CS KI) Information Extraction (probabilistisch) 6 / 33
7 Problemstellung Wir erinnern uns an Extraktionsregeln der Form [company-description, company-name,] Idee: Bestimme Wahrscheinlichkeit, dass eine bestimmte Sequenz von Tokens/Tags/Features eine bestimmte Entität bezeichnet Wie? (FAU Dept. CS KI) Information Extraction (probabilistisch) 7 / 33
8 Erste Idee: N-Gramme Betrachte Sequenzen fester Länge (N) Ermittle interessierenden bedingten Wahrscheinlichkeiten durch Abzählen aus einem gelabelten Korpus: p(e T i T i+1 T } {{ i+n 1 ) = } tok #tok in K mit Label E #tok in K Verwendung * * : Herr Hacker feiert am Freitag die Party DAT NP VP* PLAC NP * * Match NP VP* PLAC (FAU Dept. CS KI) Information Extraction (probabilistisch) 8 / 33
9 Komplexität Generell: M N N-Gramme über M Token N = 2 und M = 20000: Möglichkeiten Die wenigsten der theoretischen Kombinationen treten tatsächlich auf Die möglichen N-Gramme können nicht explizit repräsentiert werden Lazy-Evaluation, etc. (FAU Dept. CS KI) Information Extraction (probabilistisch) 9 / 33
10 (FAU Dept. CS KI) Information Extraction (probabilistisch) 10 / Conclusions from the Experiments Häufigkeit von Trigrammen (Analysen von B. Ludwig und G. Schellenberger, LS Inf8, FAU) (a) Size of language model depending on the selected threshold. (b) Even if the corpus gets larger, the size of the language model remains stable. Figure 4: Though the corpora grow (measured by the number of tags), the number of trigrams converges.
11 Beispiel: Was tun die Kollegen? Tokens: liest, Herbert, Bernd, Papers, KI-I, # Lables: NAME, DOZIEREN, VERB, NOM Korpus: 1 [ DOZIEREN [ NAME Bernd] [ VERB=lesen liest] [ NOM KI-I]] 2 [ DOZIEREN [ NAME Herbert] [ VERB=lesen liest] [ NOM KI-I]] 3 [ FORSCHEN [ NAME Bernd] [ VERB=lesen liest] [ NOM PAPERS]] Ein mögliches Bigramm Sprachmodell: Bigramm β Label (# Bernd) NAME, DOZIEREN (Bernd liest) NAME, VERB, DOZIEREN (# Herbert) NAME, DOZIEREN (Herbert liest) NAME, VERB, DOZIEREN (liest KI-I) VERB, NOM, DOZIEREN (KI-I #) NOM, DOZIEREN (# Bernd) NAME, FORSCHEN (Bernd liest) NAME, VERB, FORSCHEN (liest Papers) VERB, NOM, FORSCHEN (Papers #) NOM, FORSCHEN (FAU Dept. CS KI) Information Extraction (probabilistisch) 11 / 33
12 Beispiel (Forsetzung) Häufigkeiten (Wahrscheinlichkeiten): Bigramm β Label = DOZIEREN Label = FORSCHEN (# Bernd) 1 (0.5) 1 (0.5) (Bernd liest) 1 (0.5) 1 (0.5) (# Herbert) 1 (1) 0 (0) (Herbert liest) 1 (1) 0 (0) (liest KI-I) 2 (1) 0 (0) (KI-I #) 2 (1) 0 (0) (liest Papers) 0 (0) 1 (1) (Papers #) 0 (0) 1 (1) (FAU Dept. CS KI) Information Extraction (probabilistisch) 12 / 33
13 Beispiel (Verwendung-1) Herbert liest KI-II Bekanne Bigramme β p(dozieren β) p(forschen β) (# Herbert) 1 (1) 0 (0) (Herbert liest) 1 (1) 0 (0) Der Satz handelt vom Dozieren, weitere Analysen möglich. Herbert liest Papers Bekanne Bigramme β Label = DOZIEREN Label = FORSCHEN (# Herbert) 1 (1) 0 (0) (Herbert liest) 1 (1) 0 (0) (liest Papers) 0 (0) 1 (1) (Papers #) 0 (0) 1 (1) = 0 = 0? (FAU Dept. CS KI) Information Extraction (probabilistisch) 13 / 33
14 Beispiel (Verwendung-2: Glättung) Häufigkeiten (Wahrscheinlichkeiten): Herbert liest Papers Bigramm β Label = DOZIEREN Label = FORSCHEN (# Bernd) 1 (0.5) 1 (0.5) (Bernd liest) 1 (0.5) 1 (0.5) (# Herbert) 1 (0.9) 0 (0.1) (Herbert liest) 1 (0.9) 0 (0.1) (liest KI-I) 2 (0.9) 0 (0.1) (KI-I #) 2 (0.9) 0 (0.1) (liest Papers) 0 (0.1) 1 (0.9) (Papers #) 0 (0.1) 1 (0.9) Bekanne Bigramme β Label = DOZIEREN Label = FORSCHEN (# Herbert) 1 (0.9) 0 (0.1) (Herbert liest) 1 (0.9) 0 (0.1) (liest Papers) 0 (0.1) 1 (0.9) (Papers #) 0 (0.1) 1 (0.9) = = 0.081? (FAU Dept. CS KI) Information Extraction (probabilistisch) 14 / 33
15 Beispiel (Verwendung-3: Glättung + Gewichtung) DOZIEREN ist im Korpus häufiger als FORSCHEN: Herbert liest Papers Bigramm β Label = DOZIEREN Label = FORSCHEN (# Bernd) 1 (0.6) 1 (0.4) (Bernd liest) 1 (0.6) 1 (0.4) (# Herbert) 1 (0.95) 0 (0.05) (Herbert liest) 1 (0.95) 0 (0.05) (liest KI-I) 2 (0.95) 0 (0.05) (KI-I #) 2 (0.95) 0 (0.05) (liest Papers) 0 (0.15) 1 (0.85) (Papers #) 0 (0.15) 1 (0.85) Bekanne Bigramme β Label = DOZIEREN Label = FORSCHEN (# Herbert) 1 (0.95) 0 (0.05) (Herbert liest) 1 (0.95) 0 (0.05) (liest Papers) 0 (0.15) 1 (0.85) (Papers #) 0 (0.15) 1 (0.85) = = DOZIEREN (FAU Dept. CS KI) Information Extraction (probabilistisch) 15 / 33
16 Diskussion: ist N größer als der längste Satz/Phrase/Text, so sind die N-Gramme das exakteste Textmodell Nicht praktikabel (wg. der Größe der benötigten Stichprobe) Zum Vergleich: Funktionen als Wertetabellen Vereinfachende Annahmen über die (Un-)Abhängigkeit der einzelnen Bestandteile erlauben dramatische Vereinfachungen. Weitere Probleme: Wie Glätten? Wie Gewichten? Was ist mit unbekannten Tokens? ( KI-I und KI-II sind sehr ähnlich!) Wie sind die Einzelwahrscheinlichkeiten zu verrechnen? (FAU Dept. CS KI) Information Extraction (probabilistisch) 16 / 33
17 Erweiterung des Bigramm-Modells Bisher: T T Idee: Verzahne die Bigramme (Bigramm mit Position) T T (FAU Dept. CS KI) Information Extraction (probabilistisch) 17 / 33
18 Erweiterung des Bigramm-Modells (2) Verschmelze die Bigramme T T p!." p!." p!." p!." p!." p!." (FAU Dept. CS KI) Information Extraction (probabilistisch) 18 / 33
19 Erweiterung des Bigramm-Modells (3) Abstrahiere die Struktur (Kennzeichne Startzustand) T p!." T p!." p!." p!." p!." p!." p!." p!." p!." p!." p!." Hidden Markov Modell! (FAU Dept. CS KI) Information Extraction (probabilistisch) 19 / 33
20 Nochmal das Beispiel: Was tun die Kollegen? Tokens: liest, Herbert, Bernd, Papers, KI-I, # Lables: NAME, DOZIEREN, VERB, NOM Korpus: 1 [ DOZIEREN [ NAME Bernd] [ VERB=lesen liest] [ NOM KI-I]] 2 [ DOZIEREN [ NAME Herbert] [ VERB=lesen liest] [ NOM KI-I]] 3 [ FORSCHEN [ NAME Bernd] [ VERB=lesen liest] [ NOM PAPERS]] HMM-Struktur: p 00 p 11 start liest? Herbert? KI-II? Bernd? Papers? KI-I? p 01 p 10 liest? Herbert? KI-II? Bernd? Papers? KI-I? (FAU Dept. CS KI) Information Extraction (probabilistisch) 20 / 33
21 HMM für DOZIEREN 0 1 start liest 0 Herbert 0.5 KI-II 0 Bernd 0.5 Papers 0 KI-I liest 0.5 Herbert 0 KI-II 0 Bernd 0 Papers 0.5 KI-I 0.5 (FAU Dept. CS KI) Information Extraction (probabilistisch) 21 / 33
22 HMM für FORSCHEN 0 1 start liest 0 Herbert 0 KI-II 0 Bernd 1 Papers 0 KI-I liest 0.5 Herbert 0 KI-II 0 Bernd 0 Papers 0.5 KI-I 0 (FAU Dept. CS KI) Information Extraction (probabilistisch) 22 / 33
23 Diskussion HMMs HMMs analog zu regulären Ausdrücken im symbolischen Ansatz Problem (wie bei Bigrammen): Glättung, Gewichtung, was bei ungesehenen Tokens? Wörter als Tokens ungeeignet! (FAU Dept. CS KI) Information Extraction (probabilistisch) 23 / 33
24 Und wieder das Beispiel: Was tun die Kollegen? Tokens: liest, Herbert, Bernd, Papers, KI-I, # Lables: NAME, DOZIEREN, LIEST, LITERATUR, LEHRVERANSTALTUNG Korpus: 1 [ DOZIEREN [ NAME Bernd] [ LIEST liest] [ LEHRVERANSTALTUNG KI-I]] 2 [ DOZIEREN [ NAME Herbert] [ LIEST liest] [ LEHRVERANSTALTUNG KI-I]] 3 [ FORSCHEN [ NAME Bernd] [ LIEST liest] [ LITERATUR PAPERS]] HMM-Struktur: (wie zuvor) (FAU Dept. CS KI) Information Extraction (probabilistisch) 24 / 33
25 HMM für DOZIEREN / start NAME 1 DOZIEREN 0 LIEST 0 LITERATUR 0 LEHRVERANSTALTUNG NAME 0 DOZIEREN 0 LIEST 0.5 LITERATUR 0 LEHRVERANSTALTUNG 0.5 (FAU Dept. CS KI) Information Extraction (probabilistisch) 25 / 33
26 HMM für FORSCHEN / start NAME 1 DOZIEREN 0 LIEST 0 LITERATUR 0 LEHRVERANSTALTUNG NAME 0 DOZIEREN 0 LIEST 0.5 LITERATUR 0.5 LEHRVERANSTALTUNG 0 (FAU Dept. CS KI) Information Extraction (probabilistisch) 26 / 33
27 Diskussion HMMs / 2 Wie genauer extrahieren? Table fold cross-validation results Möglichkeiten, Slot das HMMs-Design Recall Precision anzupassen: # instances name Zustände price für Background Text Zustände picture für Entity 69.0 Text Bestimme speed wahrscheinlichstes HMM = Welche 186 Art wird extrahiert Wähle den size Text der 83.2 durch die Entity 93.7 Knoten 173 erklärt wird Berechne year den Pfad 98.1im HMM ( 70.0 Viterbi) 160 (Aus: Martin Labský and Vojtěch Svátek: Information Extraction from Web Product Catalogues) Fig state submodel trained for bike name do not exhibit significant internal structure and were thus modelled only with the (FAU Dept. CS KI) Information Extraction (probabilistisch) 27 / 33
28 Berücksichtigung semantischer Zusammenhänge beim probabilistischen Information Extraction Definiere interessierende Klassen und Relationen (wie zuvor) Bilde Instanzen aus dem Textkorpus (mit Wahrscheinlichkeit annotiert) Maximiere dabei die Wahrscheinlichkeit des Modells Beantworte Anfragen mit der wahrscheinlichsten Antwort Literaturhinweis: Bhaskara Marthi, Brian Milch, Stuart Russell. First-Order Probabilistic Models for Information Extraction IJCAI 2003 Workshop on Learning Statistical Models from Relational Data. (FAU Dept. CS KI) Information Extraction (probabilistisch) 28 / 33
29 Beispiel: Publikationsdatenbank A11 A12 A13 A21 A22 A23 P1 P2 Paper Author surname #(fnames) fnames #(authors) authors title publication type AuthorAsCited surname #(fnames) fnames author Citation #(obsauthors) obsauthors obstitle parse D11 D12 D13 D21 D22 D23 C1 C2 text paper (Aus: H. Pasula, B. Marthi, B. Milch, S. Russell, and I. Shpitser.: Identity uncertainty and citation matching. In NIPS 15. MIT Press, Cambridge, MA, 2003) e 2: An RPM for our Citeseer example. The large rectangles represent classes arrows indicate the ranges of their complex attributes, and the light arrows la e probabilistic dependencies of their basic attributes. The small rectangles repr (FAU Dept. CS KI) Information Extraction (probabilistisch) 29 / 33
30 n Beispiel: our application, Publikationsdatenbank any two citations may or may not(2) refer to the same paper. Thus, for itations C 1 and C 2, there is uncertainty as to whether the corresponding papers P 1 and P 2 re in fact the same object. If they are the same, they will share one set of basic attributes; A11. surname D11. surname A11. fnames D11. fnames A11. #(fnames) D11. #(fnames) A12. surname D12. surname A12. fnames D12. fnames A12. #(fnames) D12. #(fnames) A13. surname D13. surname A13. fnames D13. fnames A13. #(fnames) D13. #(fnames) A22. A22. surname #(fnames) A21. A22. A23. #(fnames) fnames surname A21. D12. D22. A23. fnames surname #(fnames) fnames A21. D21. D22. D23. A23. surname #(fnames) fnames surname #(fnames) D21. D23. fnames fnames D21. D23. surname #(fnames) C1. #(authors) C1. parse P1. pubtype C1. text C1. obstitle P1. title C2. #(authors) C2. parse P2. pubtype C2. text C2. obstitle P2. title (Aus: Figure H. Pasula, 3: B. The Marthi, Bayesian B. Milch, S. Russell, network and I. equivalent Shpitser.: Identity touncertainty our RPM, andassuming citation matching. C 1 In NIPS C MIT Press, Cambridge, MA, 2003) Zwei Zitierungen beschreiben die gleiche Publikation, wenn deren Parameter gleich (ähnlich) sind. (FAU Dept. CS KI) Information Extraction (probabilistisch) 30 / 33
31 Beispiel: Publikationsdatenbank (3) Einige Modellparameter Mit den Worten der Autoren: We will now fill in the details of the conditional probability models. Our priors over the true attributes are constructed off-line, using the following resources: the 1990 Census data on US names, a large A.I. BibTeX bibliography, and a hand-parsed collection of 500 citations. We learn several bigram models (actually, linear combinations of a bigram model and a unigram model): letter-based models of first names, surnames, and title words, as well as higher-level models of various parts of the citation string. More specifically, the values of Author.fnames and Author.surname are modeled as having a a 0.9 chance of being generated using a bigram model learned from that file.... (Aus: H. Pasula, B. Marthi, B. Milch, S. Russell, and I. Shpitser.: Identity uncertainty and citation matching. In NIPS 15. MIT Press, Cambridge, MA, 2003) (FAU Dept. CS KI) Information Extraction (probabilistisch) 31 / 33
32 Inferenz Für eine gegebene Belegung von Knoten lässt sich die Wahrscheinlichkeit anderer Knoten bestimmen Bayes Netz Wie lässt sich die beste Belegung aller freien Knoten finden? Betrachte den Grundbereich aller Variablen (Welten) Bestimme eine Verteilung per Sampling ( Markov Chain Monte Carlo) Genauer? Wunschzettel (FAU Dept. CS KI) Information Extraction (probabilistisch) 32 / 33
33 Zusammenfassung Auch bei probabilistischen Modellen muss man wissen, was man extrahieren will Modelle werden postuliert, Modellparameter aus Beispielen abgeleitet Modelle bestehen aus Teil- und Untermodellen / Hierarchien Extrem viele Möglichkeiten der Modellierung (FAU Dept. CS KI) Information Extraction (probabilistisch) 33 / 33
1 Part-of-Speech Tagging
2. Übung zur Vorlesung NLP Analyse des Wissensrohstoes Text im Sommersemester 2008 Dr. Andreas Hotho, Dipl.-Inform. Dominik Benz, Wi.-Inf. Beate Krause 28. Mai 2008 1 Part-of-Speech Tagging 1.1 Grundlagen
MehrPart-Of-Speech-Tagging mit Viterbi Algorithmus
Part-Of-Speech-Tagging mit Viterbi Algorithmus HS Endliche Automaten Inna Nickel, Julia Konstantinova 19.07.2010 1 / 21 Gliederung 1 Motivation 2 Theoretische Grundlagen Hidden Markov Model Viterbi Algorithmus
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
MehrPart-of-Speech- Tagging
Part-of-Speech- Tagging In: Einführung in die Computerlinguistik Institut für Computerlinguistik Heinrich-Heine-Universität Düsseldorf WS 2004/05 Dozentin: Wiebke Petersen Tagging Was ist das? Tag (engl.):
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: If-clauses - conditional sentences - Nie mehr Probleme mit Satzbau im Englischen! Das komplette Material finden Sie hier: School-Scout.de
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrFormale Sprachen und Grammatiken
Formale Sprachen und Grammatiken Jede Sprache besitzt die Aspekte Semantik (Bedeutung) und Syntax (formaler Aufbau). Die zulässige und korrekte Form der Wörter und Sätze einer Sprache wird durch die Syntax
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
MehrVorlesungsplan. 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,
MehrBeweisbar sichere Verschlüsselung
Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6
MehrVorlesung Information Retrieval Wintersemester 04/05
Vorlesung Information Retrieval Wintersemester 04/05 20. Januar 2005 Institut für Informatik III Universität Bonn Tel. 02 28 / 73-45 31 Fax 02 28 / 73-43 82 jw@informatik.uni-bonn.de 0 Themenübersicht
MehrPraktikum Maschinelle Übersetzung Language Model
Praktikum Maschinelle Übersetzung Language Model Um die Aufgaben auszuführen, können Sie ihre Daten in folgendem Verzeichnis speichern: /project/smtstud/ss10/systems/username/ Wir werden verschiedene Sprachmodelle
MehrDas neue Volume-Flag S (Scannen erforderlich)
NetWorker 7.4.2 - Allgemein Tip 2, Seite 1/5 Das neue Volume-Flag S (Scannen erforderlich) Nach der Wiederherstellung des Bootstraps ist es sehr wahrscheinlich, daß die in ihm enthaltenen Informationen
MehrUniversität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5
Universität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5 Aufgabe 1: Projektion Datenbanksysteme I π A1,...,A n (π B1,...,B
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrMarkovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015
Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrTheoretische Informatik I
Theoretische Informatik I Einheit 2.4 Grammatiken 1. Arbeitsweise 2. Klassifizierung 3. Beziehung zu Automaten Beschreibungsformen für Sprachen Mathematische Mengennotation Prädikate beschreiben Eigenschaften
MehrWorkflow, Business Process Management, 4.Teil
Workflow, Business Process Management, 4.Teil 24. Januar 2004 Der vorliegende Text darf für Zwecke der Vorlesung Workflow, Business Process Management des Autors vervielfältigt werden. Eine weitere Nutzung
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrConstraint-Algorithmen in Kürze - Mit der Lösung zur Path-Consistency-Aufgabe 9
Constraint-Algorithmen in Kürze - Mit der Lösung zur Path-Consistency-Aufgabe 9 Prof. Dr. W. Conen Version 1.0c Januar 2009 Genereller Ablauf der Suche Gegeben: Variablen X, Domains D, Constraints R (explizit
MehrORM & OLAP. Object-oriented Enterprise Application Programming Model for In-Memory Databases. Sebastian Oergel
ORM & OLAP Object-oriented Enterprise Application Programming Model for In-Memory Databases Sebastian Oergel Probleme 2 Datenbanken sind elementar für Business-Anwendungen Gängiges Datenbankparadigma:
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrGliederung. Programmierparadigmen. Sprachmittel in SCHEME. Objekte: Motivation. Objekte in Scheme
Gliederung Programmierparadigmen D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg 1 Einführung Sprachmittel Sommer 2011, 20. Juni 2011,
MehrMai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln
Hauptseminar: Nichtrelationale Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Mai 2006 Was ist eine Datenbank? Erweiterung relationaler um eine Deduktionskomponente Diese
Mehrarlanis Software AG SOA Architektonische und technische Grundlagen Andreas Holubek
arlanis Software AG SOA Architektonische und technische Grundlagen Andreas Holubek Speaker Andreas Holubek VP Engineering andreas.holubek@arlanis.com arlanis Software AG, D-14467 Potsdam 2009, arlanis
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrEntwicklung des Dentalmarktes in 2010 und Papier versus Plastik.
Sehr geehrter Teilnehmer, hier lesen Sie die Ergebnisse aus unserer Umfrage: Entwicklung des Dentalmarktes in 2010 und Papier versus Plastik. Für die zahlreiche Teilnahme an dieser Umfrage bedanken wir
MehrObjektorientierte Programmierung
Objektorientierte Programmierung 1 Geschichte Dahl, Nygaard: Simula 67 (Algol 60 + Objektorientierung) Kay et al.: Smalltalk (erste rein-objektorientierte Sprache) Object Pascal, Objective C, C++ (wiederum
MehrKapitel MK:IV. IV. Modellieren mit Constraints
Kapitel MK:IV IV. Modellieren mit Constraints Einführung und frühe Systeme Konsistenz I Binarization Generate-and-Test Backtracking-basierte Verfahren Konsistenz II Konsistenzanalyse Weitere Analyseverfahren
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrProgrammierparadigmen
Programmierparadigmen D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Sommer 2011, 20. Juni 2011, c 2011 D.Rösner D. Rösner PGP 2011...
MehrHANDOUT VON: HTTP://BITWICHTL.DE EIGENES SSL-ZERTIFIKAT FÜR DEN WHS. Copyright 2011 by s.winkler all rights reserved!
HANDOUT VON: HTTP://BITWICHTL.DE EIGENES SSL-ZERTIFIKAT FÜR DEN WHS Copyright 2011 by s.winkler all rights reserved! Nachdem es mich schon nach rel. kurzer Zeit genervt hat, wenn ich den WHS über DDNS
MehrWas meinen die Leute eigentlich mit: Grexit?
Was meinen die Leute eigentlich mit: Grexit? Grexit sind eigentlich 2 Wörter. 1. Griechenland 2. Exit Exit ist ein englisches Wort. Es bedeutet: Ausgang. Aber was haben diese 2 Sachen mit-einander zu tun?
MehrSQL für Trolle. mag.e. Dienstag, 10.2.2009. Qt-Seminar
Qt-Seminar Dienstag, 10.2.2009 SQL ist......die Abkürzung für Structured Query Language (früher sequel für Structured English Query Language )...ein ISO und ANSI Standard (aktuell SQL:2008)...eine Befehls-
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrAnleitung zur Erstellung und Bearbeitung von Seiten in Typo3. Typo3. Anleitung. Wenpas Informatik
Anleitung zur Erstellung und Bearbeitung von Seiten in Typo3. Typo3 Anleitung Wenpas Informatik 1.0 Anmeldung im Backend Zum Backend einer Typo3 Seite gelangt man wenn man nichts anderes konfiguriert hat
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrSchreiben auf Englisch
Schreiben auf Englisch Folien zum Tutorium Internationalisierung Go West: Preparing for First Contacts with the Anglo- American Academic World Alexander Borrmann Historisches Institut Lehrstuhl für Spätmittelalter
MehrDie neue Aufgabe von der Monitoring-Stelle. Das ist die Monitoring-Stelle:
Die neue Aufgabe von der Monitoring-Stelle Das ist die Monitoring-Stelle: Am Deutschen Institut für Menschen-Rechte in Berlin gibt es ein besonderes Büro. Dieses Büro heißt Monitoring-Stelle. Mo-ni-to-ring
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
MehrAufabe 7: Baum-Welch Algorithmus
Effiziente Algorithmen VU Ausarbeitung Aufabe 7: Baum-Welch Algorithmus Florian Fest, Matr. Nr.0125496 baskit@generationfun.at Claudia Hermann, Matr. Nr.0125532 e0125532@stud4.tuwien.ac.at Matteo Savio,
Mehr3. Das Relationale Datenmodell
3. Das Relationale Datenmodell Das Relationale Datenmodell geht zurück auf Codd (1970): E. F. Codd: A Relational Model of Data for Large Shared Data Banks. Comm. of the ACM 13(6): 377-387(1970) DBMS wie
Mehr.htaccess HOWTO. zum Schutz von Dateien und Verzeichnissen mittels Passwortabfrage
.htaccess HOWTO zum Schutz von Dateien und Verzeichnissen mittels Passwortabfrage Stand: 21.06.2015 Inhaltsverzeichnis 1. Vorwort...3 2. Verwendung...4 2.1 Allgemeines...4 2.1 Das Aussehen der.htaccess
Mehrfile:///c:/users/wpzsco/appdata/local/temp/tmp373d.tmp.htm
Seite 1 von 5 Besucherinformation und -lenkung: Typ 09 Wegweiser Typenbeschreibungen File Geodatabase Table Thumbnail Not Available Tags Infrastruktur, Besucherinformation, Besucherlenkung, Schild, Standort,
MehrElementare statistische Methoden
Elementare statistische Methoden Vorlesung Computerlinguistische Techniken Alexander Koller 28. November 2014 CL-Techniken: Ziele Ziel 1: Wie kann man die Struktur sprachlicher Ausdrücke berechnen? Ziel
MehrLeichte-Sprache-Bilder
Leichte-Sprache-Bilder Reinhild Kassing Information - So geht es 1. Bilder gucken 2. anmelden für Probe-Bilder 3. Bilder bestellen 4. Rechnung bezahlen 5. Bilder runterladen 6. neue Bilder vorschlagen
MehrEin Beispiel: Tabelle DICHTER
Datenbanken Eine Datenbank ist eine Sammlung von Daten, die aus der Sicht des Benutzers zusammen gehören. Ein Datenbankverwaltungssystem (DBMS) ist ein informatisches System zur Verwaltung einer Datenbank.
MehrGrammatiken. Einführung
Einführung Beispiel: Die arithmetischen Ausdrücke über der Variablen a und den Operationen + und können wie folgt definiert werden: a, a + a und a a sind arithmetische Ausdrücke Wenn A und B arithmetische
MehrStep by Step-Anleitung Version 1.00 vom 03. März 2009 Christian Schnettelker, www.manoftaste.de
Step by Step-Anleitung Version 1.00 vom 03. März 2009 Christian Schnettelker, www.manoftaste.de Einleitung seit einiger Zeit steht allen Mitgliedern der Laborgemeinschaft Mediteam und den an das MVZ Dr.
MehrTextmining Klassifikation von Texten Teil 1: Naive Bayes
Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive
MehrMotivation. Formale Grundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen. Informales Beispiel. Informales Beispiel.
Kontextfreie Kontextfreie Motivation Formale rundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen Bisher hatten wir Automaten, die Wörter akzeptieren Frank Heitmann heitmann@informatik.uni-hamburg.de
MehrEinführung in die Informatik
Einführung in die Informatik Einleitung Organisatorisches, Motivation, Herangehensweise Wolfram Burgard 1.1 Vorlesung Zeit und Ort: Dienstags 10:00-12:00 Uhr Donnerstags 10:00-12:00 Uhr Gebäude 101 HS
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrÄnderungen bei der Mehrwertsteuerrückerstattung für den Export bestimmter Waren ab 1. August 2008
Legal Service Thema Titel Recht und Steuern Änderungen bei der Mehrwertsteuerrückerstattung für den Export bestimmter Waren ab 1. August 2008 Datum 6. August 2008 Am 30. Juli 2008 haben das chinesische
Mehrphp Hier soll ein Überblick über das Erstellen von php Programmen gegeben werden. Inhaltsverzeichnis 1.Überblick...2 2.Parameterübergabe...
php Hier soll ein Überblick über das Erstellen von php Programmen gegeben werden. Inhaltsverzeichnis 1.Überblick...2 2.Parameterübergabe...7 3.Zugriff auf mysql Daten...11 Verteilte Systeme: php.sxw Prof.
MehrStellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster
Es gibt in Excel unter anderem die so genannten Suchfunktionen / Matrixfunktionen Damit können Sie Werte innerhalb eines bestimmten Bereichs suchen. Als Beispiel möchte ich die Funktion Sverweis zeigen.
MehrSuchmaschinen. Universität Augsburg, Institut für Informatik SS 2014 Prof. Dr. W. Kießling 23. Mai 2014 Dr. M. Endres, F. Wenzel Lösungsblatt 6
Universität Augsburg, Institut für Informatik SS 2014 Prof. Dr. W. Kießling 23. Mai 2014 Dr. M. Endres, F. Wenzel Lösungsblatt 6 Aufgabe 1: Pareto mit SV-Semantik Suchmaschinen Pareto Definition: x < P
MehrMathematische Grundlagen der Informatik 2
Zusammenfassung Math2I Mathematische Grundlagen der Informatik 2 Emanuel Duss emanuel.duss@gmail.com 12. April 2013 1 Zusammenfassung Math2I Mathematische Grundlagen der Informatik 2 Dieses Dokument basiert
MehrDie Größe von Flächen vergleichen
Vertiefen 1 Die Größe von Flächen vergleichen zu Aufgabe 1 Schulbuch, Seite 182 1 Wer hat am meisten Platz? Ordne die Figuren nach ihrem Flächeninhalt. Begründe deine Reihenfolge. 1 2 3 4 zu Aufgabe 2
MehrKünstliches binäres Neuron
Künstliches binäres Neuron G.Döben-Henisch Fachbereich Informatik und Ingenieurwissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de
MehrGATE General Architecture for Text Engineering. Alexander Hein & Erik Dießler (VL Text Analytics - 08.05.2008)
GATE General Architecture for Text Engineering Alexander Hein & Erik Dießler (VL Text Analytics - 08.05.2008) Überblick GATE Die Idee Die Architektur Was noch - JAPE / DIFF / GUK ANNIE Einige Beispiele
MehrSemantische Datenintegration: von der Theorie zur Anwendung
Semantische Datenintegration: von der Theorie zur Anwendung Prof. Dr. Heiner Stuckenschmidt Institut für Enterprise Systems Name und Datum www.uni-mannheim.de Seite 1 Teil I: Grundlagen Das Problem der
Mehrhttps://portal.microsoftonline.com
Sie haben nun Office über Office365 bezogen. Ihr Account wird in Kürze in dem Office365 Portal angelegt. Anschließend können Sie, wie unten beschrieben, die Software beziehen. Congratulations, you have
MehrModellierung von Positionssensoren. Jörg Roth Fachbereich Informatik Fernuniversität Hagen
Modellierung von Positionssensoren Jörg Roth Fachbereich Informatik Fernuniversität Hagen Position und Positionssensorik Die Position ist eine der wichtigsten Einflussgrößen für ortsbezogenen Dienste Im
MehrSemestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7.
Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. 2004 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....
MehrInventur. mit Microsoft Dynamics NAV 2013 R2
Inventur mit Microsoft Dynamics NAV (2013 R2) Angaben zum Dokument Autor Pablo Maurer Revidiert von Armin Brack Version 2013 R2 Status Gültig In Arbeit: Ausgabedatum 26.05.14 Hinweise zu den Symbolen Wichtiger
MehrSharePoint 2010 Mobile Access
Erstellung 23.05.2013 SharePoint 2010 Mobile Access von TIMEWARP IT Consulting GmbH Stephan Nassberger Hofmühlgasse 17/1/5 A-1060 Wien Verantwortlich für das Dokument: - Stephan Nassberger (TIMEWARP) 1
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrEva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit
Eva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit Frau Dr. Eva Douma ist Organisations-Beraterin in Frankfurt am Main Das ist eine Zusammen-Fassung des Vortrages: Busines
MehrDieses erste Kreisdiagramm, bezieht sich auf das gesamte Testergebnis der kompletten 182 getesteten Personen. Ergebnis
Datenanalyse Auswertung Der Kern unseres Projektes liegt ganz klar bei der Fragestellung, ob es möglich ist, Biere von und geschmacklich auseinander halten zu können. Anhand der folgenden Grafiken, sollte
MehrEs gibt einige Kardinalstellen, an denen sich auf der Festplatte Müll ansammelt: Um einen Großteil davon zu bereinigen.
Windows Säubern: Es gibt einige Kardinalstellen, an denen sich auf der Festplatte Müll ansammelt: Um einen Großteil davon zu bereinigen. Internetdateien: Öffnen Sie den Internet Explorer (blaues e ). Öffnen
Mehr7. Übung - Datenbanken
7. Übung - Datenbanken Informatik I für Verkehrsingenieure Aufgaben inkl. Beispiellösungen 1. Aufgabe: DBS a Was ist die Kernaufgabe von Datenbanksystemen? b Beschreiben Sie kurz die Abstraktionsebenen
MehrACCOUNTINFO 1.01 VERWENDEN DER ACCOUNTINFO-SCHNITTSTELLE ABFARGE VON ACCOUNT-INFORMATIONEN IN ECHTZEIT 02. MÄRZ 2010
VERWENDEN DER ACCOUNTINFO-SCHNITTSTELLE ABFARGE VON ACCOUNT-INFORMATIONEN IN ECHTZEIT 02. MÄRZ 2010 VERTRIEBLICHE FRAGEN ZUM FITSMS-GATEWAY mpc networks GmbH Abteilung FitSMS Vertrieb tel +49 (0) 7154-17
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
MehrKVIrc installieren (win) i. KVIrc installieren (win)
i KVIrc installieren (win) ii REVISION HISTORY NUMBER DATE DESCRIPTION NAME 1.0 May 08 T iii Contents 1 Einleitung 1 1.1 Über KVIrc...................................................... 1 1.2 Vorbereitungen....................................................
MehrDaten fu r Navigator Mobile (ipad)
[Kommentare] Inhalte Navigator Mobile für das ipad... 3 Programme und Dateien... 4 Folgende Installationen sind erforderlich:... 4 Es gibt verschiedene Dateiformate.... 4 Die Installationen... 5 Installation
MehrInformatik GK 12 Klassen Klassen programmieren in Delphi am Beispiel der konkreten Klasse Auto
programmieren in Delphi am Beispiel der konkreten Klasse Auto Auto -Baujahr -Typ -Besitzer -Farbe -Kilometerstand -Fahren() -Bremsen() Objekt1: Auto Typ: Golf Baujahr: 1998 Besitzer: Peter Farbe: rot Kilometerstand:
MehrJeopardy and andere Quizformate im bilingualen Sachfachunterricht Tipps zur Erstellung mit Powerpoint
Bilingual konkret Jeopardy and andere Quizformate im bilingualen Sachfachunterricht Tipps zur Erstellung mit Powerpoint Moderner Unterricht ist ohne die Unterstützung durch Computer und das Internet fast
MehrEs wird das Struts <html:option> Element erläutert und anhand von kleinen Beispielen der Umgang veranschaulicht.
Struts Code Peaces Element Es wird das Struts Element erläutert und anhand von kleinen Beispielen der Umgang veranschaulicht. Allgemeines Autor: Sascha Wolski Sebastian Hennebrüder
MehrIdeation-Day Fit für Innovation
Your Partner in Change. Your Partner in Innovation. Ideation-Day Fit für Innovation Fotoprotokoll 12.07.2013 www.integratedconsulting.at 1 Einstieg www.integratedconsulting.at 2 Erwartungen und mögliche
MehrSo funktioniert die NetWorker 7.5 Eigenschaft zum Sichern umbenannter Verzeichnisse ( Backup renamed Directories )
NetWorker 7.5.0 - Allgemein Tip 8, Seite 1/7 So funktioniert die NetWorker 7.5 Eigenschaft zum Sichern umbenannter Verzeichnisse ( Backup renamed Directories ) Bisher war es der NetWorker Client Software
Mehr1) Mit welcher Zahl muss 18 multipliziert werden, um 234 zu erhalten? Kontrolliere! 2) Finde die Zahl, mit der 171 multipliziert werden muss, um 4104
1) Mit welcher Zahl muss 18 multipliziert werden, um 234 zu erhalten? Kontrolliere! 2) Finde die Zahl, mit der 171 multipliziert werden muss, um 4104 zu erhalten? Probe! 3) Von zwei Zahlen ist die eine
MehrHöchstpunktzahl / Max. of points 25 Mindestpunktzahl / Min of points 12,5 Assistenten Özbek
Institut für Chemie und Biochemie der Freien Universität Berlin Arbeitssicherheit (OC-Praktikum 1) Datum: 11.07.2008 Date: Verfasser Author: Dr. Thomas Lehmann Punkte/Points: Höchstpunktzahl / Max. of
MehrU4 Arbeiten mit eigenen PSpice-Modellen
U4-1 U4 Arbeiten mit eigenen PSpice-Modellen Umfeld In der Regel wird bei einer Simulation mit Standardkomponenten aus der Bibliothek gearbeitet. Diese Bibliothek deckt (in der Vollversion) praktisch alle
MehrAnwendungsbeispiele Buchhaltung
Rechnungen erstellen mit Webling Webling ist ein Produkt der Firma: Inhaltsverzeichnis 1 Rechnungen erstellen mit Webling 1.1 Rechnung erstellen und ausdrucken 1.2 Rechnung mit Einzahlungsschein erstellen
Mehr.procmailrc HOWTO. zur Mailfilterung und Verteilung. Stand: 01.01.2011
.procmailrc HOWTO zur Mailfilterung und Verteilung Stand: 01.01.2011 Copyright 2002-2003 by manitu. Alle Rechte vorbehalten. Alle verwendeten Bezeichnungen dienen lediglich der Kennzeichnung und können
MehrDatenbanken I - Übung 1
Datenbanken I - Übung 1 Oktober, 2010 1 von 11 Datenbanken I Lernkontrolle Beantworten Sie folgende Fragen (nach Möglichkeit ohne nachzuschlagen): Was bezeichnet man als Datenredundanz? Wieso führt Datenredundanz
MehrDesign Pattern - Strukturmuster. CAS SWE - OOAD Marco Hunziker Klaus Imfeld Frédéric Bächler Marcel Lüthi
Design Pattern - Strukturmuster CAS SWE - OOAD Marco Hunziker Klaus Imfeld Frédéric Bächler Marcel Lüthi Agenda Einleitung Strukturmuster Fassade Model View Controller Vergleich 2 Einleitung Strukturmuster
MehrEducase. Release Notes 1.7: Neue Funktionen und Verbesserungen. Base-Net Informatik AG Wassergrabe 14 CH-6210 Sursee
Educase Release Notes 1.7: Neue Funktionen und Verbesserungen Version: 1.0 Datum: 01.12.2015 08:34 Ersteller: Andreas Renggli Status: Abgeschlossen Base-Net Informatik AG Wassergrabe 14 CH-6210 Sursee
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrIndividuelle Formulare
Individuelle Formulare Die Vorlagen ermöglichen die Definition von Schnellerfassungen für die Kontenanlage sowie für den Im- und Export von Stammdaten. Dabei kann frei entschieden werden, welche Felder
MehrUntersuchung der Auswahl der Hauptfreiheitsgrade zum Import eines Modells von ANSYS nach SIMPACK
IMW - Institutsmitteilung Nr. 35 (2010) 103 Untersuchung der Auswahl der Hauptfreiheitsgrade zum Import eines Modells von ANSYS nach SIMPACK M. Leng; Z. Liang Die Auswahl der Hauptfreiheitsgrade spielt
MehrAlle gehören dazu. Vorwort
Alle gehören dazu Alle sollen zusammen Sport machen können. In diesem Text steht: Wie wir dafür sorgen wollen. Wir sind: Der Deutsche Olympische Sport-Bund und die Deutsche Sport-Jugend. Zu uns gehören
MehrFuzzy Logic. Seminar im Sommersemester 2006 an der TU-Darmstadt (Prof. Dr. Fürnkranz) 06/18/06 Knowledge Engineering in Computer Spielen 1
Fuzzy Logic Seminar im Sommersemester 2006 an der TU-Darmstadt (Prof. Dr. Fürnkranz) 06/18/06 Knowledge Engineering in Computer Spielen 1 Geschichte und Definition Grundlegende Begriffe Fuzzy Process Anwendungen
MehrSo gestalten Sie selbst!
So gestalten Sie selbst! Ganz einfach: der Weg zu Ihrem PICHL-ELEMENTS Produkt! Sie können mit "PICHL-ELEMENTS" Ihre individuellen Gestaltungsideen umsetzen. Dabei haben Sie zwei Optionen: > Sie lassen
MehrIT-Unternehmensarchitektur Übung 01: IT-Strategie
IT-Unternehmensarchitektur Übung 01: IT-Strategie 29. April 2010 (Donnerstag) Fachgebiet Software-Architekturen, Prof. Dr. Robert Hirschfeld Dipl.-Math. Gernot Dern, Dipl.-Inform. (univ.) Wolfgang Keller,
MehrEO Oszilloskop. Inhaltsverzeichnis. Moritz Stoll, Marcel Schmittfull (Gruppe 2) 25. April 2007. 1 Einführung 2
EO Oszilloskop Blockpraktikum Frühjahr 2007 (Gruppe 2) 25. April 2007 Inhaltsverzeichnis 1 Einführung 2 2 Theoretische Grundlagen 2 2.1 Oszilloskop........................ 2 2.2 Auf- und Entladevorgang
Mehr