Textmining Information Extraction (probabilistisch)

Größe: px
Ab Seite anzeigen:

Download "Textmining Information Extraction (probabilistisch)"

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

Algorithmische Bioinformatik

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

Mehr

STRATEGISCHES BETEILIGUNGSCONTROLLING BEI KOMMUNALEN UNTERNEHMEN DER FFENTLICHE ZWECK ALS RICHTSCHNUR FR EIN ZIELGERICHTETE

STRATEGISCHES BETEILIGUNGSCONTROLLING BEI KOMMUNALEN UNTERNEHMEN DER FFENTLICHE ZWECK ALS RICHTSCHNUR FR EIN ZIELGERICHTETE BETEILIGUNGSCONTROLLING BEI KOMMUNALEN UNTERNEHMEN DER FFENTLICHE ZWECK ALS RICHTSCHNUR FR EIN ZIELGERICHTETE PDF-SBBKUDFZARFEZ41-APOM3 123 Page File Size 5,348 KB 3 Feb, 2002 TABLE OF CONTENT Introduction

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

J RG IMMENDORFF STANDORT F R KRITIK MALEREI UND INSPIRATION ERSCHEINT ZUR AUSSTELLUNG IM MUSEUM LU

J RG IMMENDORFF STANDORT F R KRITIK MALEREI UND INSPIRATION ERSCHEINT ZUR AUSSTELLUNG IM MUSEUM LU J RG IMMENDORFF STANDORT F R KRITIK MALEREI UND INSPIRATION ERSCHEINT ZUR AUSSTELLUNG IM MUSEUM LU 8 Feb, 2016 JRISFRKMUIEZAIMLAPOM-PDF33-0 File 4,455 KB 96 Page If you want to possess a one-stop search

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

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

Part-Of-Speech-Tagging mit Viterbi Algorithmus

Part-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

Mehr

DIE NEUORGANISATION IM BEREICH DES SGB II AUSWIRKUNGEN AUF DIE ZUSAMMENARBEIT VON BUND LNDERN UND KOMMUNEN

DIE NEUORGANISATION IM BEREICH DES SGB II AUSWIRKUNGEN AUF DIE ZUSAMMENARBEIT VON BUND LNDERN UND KOMMUNEN DIE NEUORGANISATION IM BEREICH DES SGB II AUSWIRKUNGEN AUF DIE ZUSAMMENARBEIT VON BUND LNDERN UND KOMMUNEN WWOM537-PDFDNIBDSIAADZVBLUK 106 Page File Size 4,077 KB 16 Feb, 2002 COPYRIGHT 2002, ALL RIGHT

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

1 Part-of-Speech Tagging

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

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

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

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

Mehr

Einführung in die Computerlinguistik reguläre Sprachen und endliche Automaten

Einführung in die Computerlinguistik reguläre Sprachen und endliche Automaten Einführung in die Computerlinguistik reguläre Sprachen und endliche Automaten Dozentin: Wiebke Petersen May 3, 2010 Wiebke Petersen Einführung CL (SoSe2010) 1 Operationen auf Sprachen Seien L Σ und K Σ

Mehr

HUMANGENETIK IN DER WELT VON HEUTE: 12 SALZBURGER VORLESUNGEN (GERMAN EDITION) BY FRIEDRICH VOGEL

HUMANGENETIK IN DER WELT VON HEUTE: 12 SALZBURGER VORLESUNGEN (GERMAN EDITION) BY FRIEDRICH VOGEL FRIEDRICH VOGEL READ ONLINE AND DOWNLOAD EBOOK : HUMANGENETIK IN DER WELT VON HEUTE: 12 SALZBURGER VORLESUNGEN (GERMAN EDITION) BY Click button to download this ebook READ ONLINE AND DOWNLOAD HUMANGENETIK

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

file:///c:/users/wpzsco/appdata/local/temp/tmp373d.tmp.htm

file:///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,

Mehr

IDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz

IDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz IDS Lizenzierung für IDS und HDR Primärserver IDS Lizenz HDR Lizenz Workgroup V7.3x oder V9.x Required Not Available Primärserver Express V10.0 Workgroup V10.0 Enterprise V7.3x, V9.x or V10.0 IDS Lizenz

Mehr

Automatentheorie und formale Sprachen rechtslineare Grammatiken

Automatentheorie und formale Sprachen rechtslineare Grammatiken Automatentheorie und formale Sprachen rechtslineare Grammatiken Dozentin: Wiebke Petersen 17.6.2009 Wiebke Petersen Automatentheorie und formale Sprachen - SoSe09 1 Pumping lemma for regular languages

Mehr

Wissenschaftliches Denken und Arbeiten

Wissenschaftliches Denken und Arbeiten Wissenschaftliches Denken und Arbeiten GradUS Workshop Wissenschaftliches Denken und Arbeiten 3 4 Juli 2009 Einleitung Gegenstand, Zielsetzung und Aufbau GradUS Workshop Wissenschaftliches Denken und Arbeiten

Mehr

DAS ZUFRIEDENE GEHIRN: FREI VON DEPRESSIONEN, TRAUMATA, ADHS, SUCHT UND ANGST. MIT DER BRAIN-STATE-TECHNOLOGIE DAS LEBEN AUSBALANCIEREN (GE

DAS ZUFRIEDENE GEHIRN: FREI VON DEPRESSIONEN, TRAUMATA, ADHS, SUCHT UND ANGST. MIT DER BRAIN-STATE-TECHNOLOGIE DAS LEBEN AUSBALANCIEREN (GE DAS ZUFRIEDENE GEHIRN: FREI VON DEPRESSIONEN, TRAUMATA, ADHS, SUCHT UND ANGST. MIT DER BRAIN-STATE-TECHNOLOGIE DAS LEBEN AUSBALANCIEREN (GE READ ONLINE AND DOWNLOAD EBOOK : DAS ZUFRIEDENE GEHIRN: FREI

Mehr

Maschinelles Lernen in der Bioinformatik

Maschinelles Lernen in der Bioinformatik Maschinelles Lernen in der Bioinformatik Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) VL 2 HMM und (S)CFG Jana Hertel Professur für Bioinformatik Institut für Informatik

Mehr

Anmeldung Application

Anmeldung Application Angaben zum Unternehmen Company Information Vollständiger Firmenname / des Design Büros / der Hochschule Entire company name / Design agency / University Homepage facebook Straße, Nr. oder Postfach* Street

Mehr

Statistics, Data Analysis, and Simulation SS 2015

Statistics, Data Analysis, and Simulation SS 2015 Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler

Mehr

Extract of the Annotations used for Econ 5080 at the University of Utah, with study questions, akmk.pdf.

Extract of the Annotations used for Econ 5080 at the University of Utah, with study questions, akmk.pdf. 1 The zip archives available at http://www.econ.utah.edu/ ~ ehrbar/l2co.zip or http: //marx.econ.utah.edu/das-kapital/ec5080.zip compiled August 26, 2010 have the following content. (they differ in their

Mehr

Modell/Metamodell. Generated Source Code. Generator. Model. Fakultät für Informatik und Wirtschaftsinformatik MDSD - SS 2014

Modell/Metamodell. Generated Source Code. Generator. Model. Fakultät für Informatik und Wirtschaftsinformatik MDSD - SS 2014 Modell/Metamodell Model Generator Generated Source Code Andreas Schmidt Modellierung 1/18 Modell Modell beschreibt die zu generierende Anwendung Modell ist... abstrakt kompakt formal Modell kann in unterschiedlichen

Mehr

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management Integrating Knowledge Discovery into Knowledge Management Katharina Morik, Christian Hüppe, Klaus Unterstein Univ. Dortmund LS8 www-ai.cs.uni-dortmund.de Overview Integrating given data into a knowledge

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

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

Fundamentals of Electrical Engineering 1 Grundlagen der Elektrotechnik 1

Fundamentals of Electrical Engineering 1 Grundlagen der Elektrotechnik 1 Fundamentals of Electrical Engineering 1 Grundlagen der Elektrotechnik 1 Chapter: Operational Amplifiers / Operationsverstärker Michael E. Auer Source of figures: Alexander/Sadiku: Fundamentals of Electric

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

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

Sprachen/Grammatiken eine Wiederholung

Sprachen/Grammatiken eine Wiederholung Sprachen/Grammatiken eine Wiederholung Was sind reguläre Sprachen? Eigenschaften regulärer Sprachen Sprachen Begriffe Symbol: unzerlegbare Grundzeichen Alphabet: endliche Menge von Symbolen Zeichenreihe:

Mehr

Blitzlicht: MES Produktionsplanung und Unternehmensmodelle IEC 62264 Integration von Unternehmensführungs und Leitsystemen

Blitzlicht: MES Produktionsplanung und Unternehmensmodelle IEC 62264 Integration von Unternehmensführungs und Leitsystemen Blitzlicht: MES Produktionsplanung und Unternehmensmodelle IEC 62264 Integration von Unternehmensführungs und Leitsystemen Tagung: Normen für Industrie 4.0 BMWi, Berlin 19.02.2015 Max Weinmann, Emerson

Mehr

Kuhnke Technical Data. Contact Details

Kuhnke Technical Data. Contact Details Kuhnke Technical Data The following page(s) are extracted from multi-page Kuhnke product catalogues or CDROMs and any page number shown is relevant to the original document. The PDF sheets here may have

Mehr

Algorithms for graph visualization

Algorithms for graph visualization Algorithms for graph visualization Project - Orthogonal Grid Layout with Small Area W INTER SEMESTER 2013/2014 Martin No llenburg KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum

Mehr

Vorlesung Information Retrieval Wintersemester 04/05

Vorlesung 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

Mehr

NLP Eigenschaften von Text

NLP Eigenschaften von Text NLP Eigenschaften von Text Dr. Andreas Hotho Dominik Benz Beate Krause Sommersemester 2008 Folie: 1 Übersicht Einführung Eigenschaften von Text Words I: Satzgrenzenerkennung, Tokenization, Kollokationen

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

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

Employment and Salary Verification in the Internet (PA-PA-US)

Employment and Salary Verification in the Internet (PA-PA-US) Employment and Salary Verification in the Internet (PA-PA-US) HELP.PYUS Release 4.6C Employment and Salary Verification in the Internet (PA-PA-US SAP AG Copyright Copyright 2001 SAP AG. Alle Rechte vorbehalten.

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

p^db=`oj===pìééçêíáåñçêã~íáçå=

p^db=`oj===pìééçêíáåñçêã~íáçå= p^db=`oj===pìééçêíáåñçêã~íáçå= How to Disable User Account Control (UAC) in Windows Vista You are attempting to install or uninstall ACT! when Windows does not allow you access to needed files or folders.

Mehr

Customer-specific software for autonomous driving and driver assistance (ADAS)

Customer-specific software for autonomous driving and driver assistance (ADAS) This press release is approved for publication. Press Release Chemnitz, February 6 th, 2014 Customer-specific software for autonomous driving and driver assistance (ADAS) With the new product line Baselabs

Mehr

Durchführungsbestimmung Metadaten. Kristian Senkler, con terra GmbH, k.senkler@conterra.de

Durchführungsbestimmung Metadaten. Kristian Senkler, con terra GmbH, k.senkler@conterra.de Durchführungsbestimmung Metadaten Kristian Senkler, con terra GmbH, k.senkler@conterra.de Inhalt Wer hat die Durchführungsbestimmungen für Metadaten spezifiziert? Wie wurden die Durchführungsbestimmungen

Mehr

After sales product list After Sales Geräteliste

After sales product list After Sales Geräteliste GMC-I Service GmbH Thomas-Mann-Str. 20 90471 Nürnberg e-mail:service@gossenmetrawatt.com After sales product list After Sales Geräteliste Ladies and Gentlemen, (deutsche Übersetzung am Ende des Schreibens)

Mehr

GATE 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) 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

Mehr

Chart-Technik Indizes. Technical Analysis 03.07.2010

Chart-Technik Indizes. Technical Analysis 03.07.2010 Chart-Technik Indizes Technical Analysis 03.07.2010 Dow Jones Future Letzter Kurs / Last Price: 9596 Strategie / Strategy: Sell 9540 Kursziel / Target: 9380-9310 VK-Signal bei 10160 -> 9000 ausgelöst.

Mehr

Weiterbildungskolleg der Stadt Bielefeld Abendrealschule Fachbereich Englisch Frachtstraße 8 33602 Bielefeld

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

Mehr

The projectivity of the moduli space of stable curves. I: Preliminaries on "det"...

The projectivity of the moduli space of stable curves. I: Preliminaries on det... The projectivity of the moduli space of stable curves. I: Preliminaries on "det"... Knudsen, Finn; Mumford, David pp. 19-55 Terms and Conditions The Göttingen State and University Library provides access

Mehr

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

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

Mehr

Part-of-Speech- Tagging

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

Mehr

Stefan Engelberg (IDS Mannheim), Workshop Corpora in Lexical Research, Bucharest, Nov. 2008 [Folie 1] DWDS-Kernkorpus / DWDS corpus analysis

Stefan Engelberg (IDS Mannheim), Workshop Corpora in Lexical Research, Bucharest, Nov. 2008 [Folie 1] DWDS-Kernkorpus / DWDS corpus analysis Content 1. Empirical linguistics 2. Text corpora and corpus linguistics 3. Concordances 4. Application I: The German progressive 5. Part-of-speech tagging 6. Fequency analysis 7. Application II: Compounds

Mehr

Applying Pléiades in the ASAP project HighSens

Applying Pléiades in the ASAP project HighSens Applying Pléiades in the ASAP project HighSens Highly versatile, new satellite Sensor applications for the Austrian market and International Development (Contract number: 833435) Dr. Eva Haas, GeoVille

Mehr

XML Template Transfer Transfer project templates easily between systems

XML Template Transfer Transfer project templates easily between systems Transfer project templates easily between systems A PLM Consulting Solution Public The consulting solution XML Template Transfer enables you to easily reuse existing project templates in different PPM

Mehr

DATA ANALYSIS AND REPRESENTATION FOR SOFTWARE SYSTEMS

DATA ANALYSIS AND REPRESENTATION FOR SOFTWARE SYSTEMS DATA ANALYSIS AND REPRESENTATION FOR SOFTWARE SYSTEMS Master Seminar Empirical Software Engineering Anuradha Ganapathi Rathnachalam Institut für Informatik Software & Systems Engineering Agenda Introduction

Mehr

Datenmodelle im Kontext von Europeana. Stefanie Rühle (SUB Göttingen)

Datenmodelle im Kontext von Europeana. Stefanie Rühle (SUB Göttingen) Datenmodelle im Kontext von Europeana Stefanie Rühle (SUB Göttingen) Übersicht Datenmodelle RDF DCAM ORE SKOS FRBR CIDOC CRM Datenmodelle "Datenmodellierung bezeichnet Verfahren in der Informatik zur formalen

Mehr

CABLE TESTER. Manual DN-14003

CABLE TESTER. Manual DN-14003 CABLE TESTER Manual DN-14003 Note: Please read and learn safety instructions before use or maintain the equipment This cable tester can t test any electrified product. 9V reduplicated battery is used in

Mehr

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

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

Mehr

COSMOS-Portal - Benutzerhandbuch

COSMOS-Portal - Benutzerhandbuch COSMOS-Portal - Benutzerhandbuch Erstellt von: Christian Reimers Version: draft1 (Nov. 2008) Inhaltsverzeichnis Erste Schritte Startseite des COSMOS Portals Registrierung Anmeldung (Log in) Reiter Home

Mehr

Informationsextraktion

Informationsextraktion Informationsextraktion Bestimmte Anwendungen bei der semantischen Verarbeitung erfordern keine tiefe linguistische Analyse mit exakter Disambiguierung (= eine einzige und korrekte Lesart). Hierzu gehört

Mehr

Featuremodellbasiertes und kombinatorisches Testen von Software-Produktlinien

Featuremodellbasiertes und kombinatorisches Testen von Software-Produktlinien Featuremodellbasiertes und kombinatorisches Testen von Software-Produktlinien Sebastian Oster, Philipp Ritter, Andy Schürr Sebastian Oster oster@es.tu-darmstadt.de Tel.+49 6151/16-3776 ES Real-Time Systems

Mehr

Tuning des Weblogic /Oracle Fusion Middleware 11g. Jan-Peter Timmermann Principal Consultant PITSS

Tuning des Weblogic /Oracle Fusion Middleware 11g. Jan-Peter Timmermann Principal Consultant PITSS Tuning des Weblogic /Oracle Fusion Middleware 11g Jan-Peter Timmermann Principal Consultant PITSS 1 Agenda Bei jeder Installation wiederkehrende Fragen WievielForms Server braucheich Agenda WievielRAM

Mehr

German Trail Early Adolescence (Years 8 10)

German Trail Early Adolescence (Years 8 10) German Trail Early Adolescence (Years 8 10) Teacher Support Pack Purpose To improve students understanding of the German language. Prior Knowledge Students should have a general ability to comprehend German

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

The Mrs.Sporty Story Founders and History

The Mrs.Sporty Story Founders and History Welcome to The Mrs.Sporty Story Founders and History 2003: vision of Mrs. Sporty is formulated 2004: pilot club opened in Berlin 2005: launch of Mrs.Sporty franchise concept with Stefanie Graf Stefanie

Mehr

Friedrich-Alexander-Universität Professur für Computerlinguistik. Nguyen Ai Huong

Friedrich-Alexander-Universität Professur für Computerlinguistik. Nguyen Ai Huong Part-of-Speech Tagging Friedrich-Alexander-Universität Professur für Computerlinguistik Nguyen Ai Huong 15.12.2011 Part-of-speech tagging Bestimmung von Wortform (part of speech) für jedes Wort in einem

Mehr

ONLINE LICENCE GENERATOR

ONLINE LICENCE GENERATOR Index Introduction... 2 Change language of the User Interface... 3 Menubar... 4 Sold Software... 5 Explanations of the choices:... 5 Call of a licence:... 7 Last query step... 9 Call multiple licenses:...

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

Anmeldung zum UNIVERSAL DESIGN favorite 2016 Registration for UNIVERSAL DESIGN favorite 2016

Anmeldung zum UNIVERSAL DESIGN favorite 2016 Registration for UNIVERSAL DESIGN favorite 2016 Anmeldung zum UNIVERSAL DESIGN favorite 2016 Registration for UNIVERSAL DESIGN favorite 2016 Teil 1 Anmeldung Teilnehmer Part 1 Registration Participant Angaben zum Teilnehmer Participant Address Information

Mehr

ColdFusion 8 PDF-Integration

ColdFusion 8 PDF-Integration ColdFusion 8 PDF-Integration Sven Ramuschkat SRamuschkat@herrlich-ramuschkat.de München & Zürich, März 2009 PDF Funktionalitäten 1. Auslesen und Befüllen von PDF-Formularen 2. Umwandlung von HTML-Seiten

Mehr

Background for Hybrid Processing

Background for Hybrid Processing Background for Hybrid Processing Hans Uszkoreit Foundations of LST WS 04/05 Scope Classical Areas of Computational Linguistics: computational morphology, computational syntax computational semantics computational

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

Mash-Up Personal Learning Environments. Dr. Hendrik Drachsler

Mash-Up Personal Learning Environments. Dr. Hendrik Drachsler Decision Support for Learners in Mash-Up Personal Learning Environments Dr. Hendrik Drachsler Personal Nowadays Environments Blog Reader More Information Providers Social Bookmarking Various Communities

Mehr

Exploring the knowledge in Semi Structured Data Sets with Rich Queries

Exploring the knowledge in Semi Structured Data Sets with Rich Queries Exploring the knowledge in Semi Structured Data Sets with Rich Queries Jürgen Umbrich Sebastian Blohm Institut AIFB, Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 www.kit.ed Overview

Mehr

Network premium POP UP Display

Network premium POP UP Display Premium Pop Up System seamless graphic precision very compact and versatile pop-up system quick to set up at any location comes in a number of different shapes; straight, curved, wave-shaped, stair formations,

Mehr

Kybernetik Das Kybernetische Modell

Kybernetik Das Kybernetische Modell Kybernetik Das Kybernetische Modell Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 05. 06. 2012 Das Modell Das Modell Was ist ein Modell? Ein Modell

Mehr

Textmining Klassifikation von Texten Teil 1: Naive Bayes

Textmining Klassifikation von Texten Teil 1: Naive Bayes Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive

Mehr

AS Path-Prepending in the Internet And Its Impact on Routing Decisions

AS Path-Prepending in the Internet And Its Impact on Routing Decisions (SEP) Its Impact on Routing Decisions Zhi Qi ytqz@mytum.de Advisor: Wolfgang Mühlbauer Lehrstuhl für Netzwerkarchitekturen Background Motivation BGP -> core routing protocol BGP relies on policy routing

Mehr

Objekterkennung Visuelle Verarbeitung von Gesichtern Orientierungseffekte. Objekterkennung Visuelle Verarbeitung von Gesichtern Orientierungseffekte

Objekterkennung Visuelle Verarbeitung von Gesichtern Orientierungseffekte. Objekterkennung Visuelle Verarbeitung von Gesichtern Orientierungseffekte Orientierungseffekte Orientierungseffekte Inversionseffekt Thatcher Illusion Rotierte Gesichter sind schwieriger zu erkennen als andere mono-orientierte Objekte (Yin, 1969). Der groteske Gesichtsausdruck,

Mehr

Prediction Market, 28th July 2012 Information and Instructions. Prognosemärkte Lehrstuhl für Betriebswirtschaftslehre insbes.

Prediction Market, 28th July 2012 Information and Instructions. Prognosemärkte Lehrstuhl für Betriebswirtschaftslehre insbes. Prediction Market, 28th July 2012 Information and Instructions S. 1 Welcome, and thanks for your participation Sensational prices are waiting for you 1000 Euro in amazon vouchers: The winner has the chance

Mehr

Parameter-Updatesoftware PF-12 Plus

Parameter-Updatesoftware PF-12 Plus Parameter-Updatesoftware PF-12 Plus Mai / May 2015 Inhalt 1. Durchführung des Parameter-Updates... 2 2. Kontakt... 6 Content 1. Performance of the parameter-update... 4 2. Contact... 6 1. Durchführung

Mehr

1. General information... 2 2. Login... 2 3. Home... 3 4. Current applications... 3

1. General information... 2 2. Login... 2 3. Home... 3 4. Current applications... 3 User Manual for Marketing Authorisation and Lifecycle Management of Medicines Inhalt: User Manual for Marketing Authorisation and Lifecycle Management of Medicines... 1 1. General information... 2 2. Login...

Mehr

Prädikatenlogik in der Praxis. Richard Cubek (Teil der Master Thesis, 2011)

Prädikatenlogik in der Praxis. Richard Cubek (Teil der Master Thesis, 2011) Richard Cubek (Teil der Master Thesis, 2011 Übersicht Symbolische Repräsentationen in der KI Planning Domain Definition Language (PDDL Anwendungsbeispiel aus der Servicerobotik Symbolische Repräsentationen

Mehr

Softwareschnittstellen

Softwareschnittstellen P4.1. Gliederung Rechnerpraktikum zu Kapitel 4 Softwareschnittstellen Einleitung, Component Object Model (COM) Zugriff auf Microsoft Excel Zugriff auf MATLAB Zugriff auf CATIA Folie 1 P4.2. Einleitung

Mehr

PART 3: MODELLING BUSINESS PROCESSES EVENT-DRIVEN PROCESS CHAINS (EPC)

PART 3: MODELLING BUSINESS PROCESSES EVENT-DRIVEN PROCESS CHAINS (EPC) Information Management II / ERP: Microsoft Dynamics NAV 2009 Page 1 of 5 PART 3: MODELLING BUSINESS PROCESSES EVENT-DRIVEN PROCESS CHAINS (EPC) Event-driven Process Chains are, in simple terms, some kind

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

Application Form ABOUT YOU INFORMATION ABOUT YOUR SCHOOL. - Please affix a photo of yourself here (with your name written on the back) -

Application Form ABOUT YOU INFORMATION ABOUT YOUR SCHOOL. - Please affix a photo of yourself here (with your name written on the back) - Application Form ABOUT YOU First name(s): Surname: Date of birth : Gender : M F Address : Street: Postcode / Town: Telephone number: Email: - Please affix a photo of yourself here (with your name written

Mehr

MATLAB driver for Spectrum boards

MATLAB driver for Spectrum boards MATLAB driver for Spectrum boards User Manual deutsch/english SPECTRUM SYSTEMENTWICKLUNG MICROELECTRONIC GMBH AHRENSFELDER WEG 13-17 22927 GROSSHANSDORF GERMANY TEL.: +49 (0)4102-6956-0 FAX: +49 (0)4102-6956-66

Mehr

Semantic Web. www.geo-spirit.org. Metadata extraction

Semantic Web. www.geo-spirit.org. Metadata extraction Semantic Web www.geo-spirit.org WP 6 WP 3 Metadata extraction Ontologies Semantic Web Tim Berners Lee Was wäre, wenn der Computer den Inhalt einer Seite aus dem World Wide Web nicht nur anzeigen, sondern

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

Statistische Verfahren in der Künstlichen Intelligenz, Bayesische Netze

Statistische Verfahren in der Künstlichen Intelligenz, Bayesische Netze Statistische Verfahren in der Künstlichen Intelligenz, Bayesische Netze Erich Schubert 6. Juli 2003 LMU München, Institut für Informatik, Erich Schubert Zitat von R. P. Feynman Richard P. Feynman (Nobelpreisträger

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

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

Objektorientierte Datenbanken

Objektorientierte Datenbanken OODB 11 Slide 1 Objektorientierte Datenbanken Vorlesung 11 Sebastian Iwanowski FH Wedel OODB 11 Slide 2 Wesentliche Eigenschaften von Hibernate Transparente Persistenz Transitive Persistenz (Persistenz

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

Aufnahmeuntersuchung für Koi

Aufnahmeuntersuchung für Koi Aufnahmeuntersuchung für Koi Datum des Untersuchs: Date of examination: 1. Angaben zur Praxis / Tierarzt Vet details Name des Tierarztes Name of Vet Name der Praxis Name of practice Adresse Address Beruf

Mehr

3. Ontologien und Wissensbasen

3. Ontologien und Wissensbasen Ontologien Ontologien stellen mittlerweile die Basis für viele innovative wissensbasierte Systeme dar: 3. Ontologien und Wissensbasen ecommerce/elearning Knowledge Management Informationsextraktion/Data-mining

Mehr

Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen

Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen

Mehr

Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System

Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System AG Computeranwendungen und QuanLtaLve Methoden in der Archäologie 5. Workshop Tübingen 14. 15. Februar 2014 Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System Volker Hochschild, Michael

Mehr