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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Ingenics Project Portal

Ingenics Project Portal Version: 00; Status: E Seite: 1/6 This document is drawn to show the functions of the project portal developed by Ingenics AG. To use the portal enter the following URL in your Browser: https://projectportal.ingenics.de

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

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

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

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

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

Aber genau deshalb möchte ich Ihre Aufmehrsamkeit darauf lenken und Sie dazu animieren, der Eventualität durch geeignete Gegenmaßnahmen zu begegnen.

Aber genau deshalb möchte ich Ihre Aufmehrsamkeit darauf lenken und Sie dazu animieren, der Eventualität durch geeignete Gegenmaßnahmen zu begegnen. NetWorker - Allgemein Tip 618, Seite 1/5 Das Desaster Recovery (mmrecov) ist evtl. nicht mehr möglich, wenn der Boostrap Save Set auf einem AFTD Volume auf einem (Data Domain) CIFS Share gespeichert ist!

Mehr

Sequential Pattern Analysis und Markov-Modelle. Christian Weiß Institut für Angewandte Mathematik und Statistitik Universität Würzburg

Sequential Pattern Analysis und Markov-Modelle. Christian Weiß Institut für Angewandte Mathematik und Statistitik Universität Würzburg Sequential Pattern Analysis und Markov-Modelle. Christian Weiß Institut für Angewandte Mathematik und Statistitik Universität Würzburg Sequential Pattern Analysis Historische Aspekte Data Mining als Teildisziplin

Mehr

Transaktionen in der Praxis. Dr. Karsten Tolle

Transaktionen in der Praxis. Dr. Karsten Tolle Transaktionen in der Praxis Dr. Karsten Tolle Praxisbeispiel in Java Connection con = null; try { con = DriverManager.getConnection("jdbc:db2:sample"); } catch (Exception e) { e.printstacktrace(); } con.setautocommit(false);

Mehr

Instruktionen Mozilla Thunderbird Seite 1

Instruktionen Mozilla Thunderbird Seite 1 Instruktionen Mozilla Thunderbird Seite 1 Instruktionen Mozilla Thunderbird Dieses Handbuch wird für Benutzer geschrieben, die bereits ein E-Mail-Konto zusammenbauen lassen im Mozilla Thunderbird und wird

Mehr

Seminar Text- und Datamining Datamining-Grundlagen

Seminar Text- und Datamining Datamining-Grundlagen Seminar Text- und Datamining Datamining-Grundlagen Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 23.05.2013 Gliederung 1 Klassifikationsprobleme 2 Evaluation

Mehr

Identifizierung regulärer Ausdrücke zum Blockieren von Email-Kampagnen

Identifizierung regulärer Ausdrücke zum Blockieren von Email-Kampagnen Identifizierung regulärer Ausdrücke zum Blockieren von Email-Kampagnen Paul Prasse, Tobias Scheffer Universität Potsdam Motivation Spammer verbreitet Postmaster schreibt I m a [a-z]+ russian (girl lady).

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

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

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

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

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

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

August Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln

August Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln August Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln Ideas for the classroom 1. Introductory activity wer?, was?, wo?, wann?, warum? 2. Look at how people say farewell in German. 3. Look at how people

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

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

Assessment of disgn-flows in water management, Classical methods, nonstationary and multidimensional extensions of Extreme Value Modeling (EVM)

Assessment of disgn-flows in water management, Classical methods, nonstationary and multidimensional extensions of Extreme Value Modeling (EVM) Assessment of disgn-flows in water management, Classical methods, nonstationary and multidimensional extensions of Extreme Value Modeling (EVM) Dr. Winfried Willems, IAWG Outline Classical Approach, short

Mehr

Mit Legacy-Systemen in die Zukunft. adviion. in die Zukunft. Dr. Roland Schätzle

Mit Legacy-Systemen in die Zukunft. adviion. in die Zukunft. Dr. Roland Schätzle Mit Legacy-Systemen in die Zukunft Dr. Roland Schätzle Der Weg zur Entscheidung 2 Situation Geschäftliche und softwaretechnische Qualität der aktuellen Lösung? Lohnen sich weitere Investitionen? Migration??

Mehr

SAP PPM Enhanced Field and Tab Control

SAP PPM Enhanced Field and Tab Control SAP PPM Enhanced Field and Tab Control A PPM Consulting Solution Public Enhanced Field and Tab Control Enhanced Field and Tab Control gives you the opportunity to control your fields of items and decision

Mehr

Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation

Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Eine Betrachtung im Kontext der Ausgliederung von Chrysler Daniel Rheinbay Abstract Betriebliche Informationssysteme

Mehr

Gewöhnliche Differentialgleichungen (ODEs) I

Gewöhnliche Differentialgleichungen (ODEs) I Gewöhnliche Differentialgleichungen (ODEs) I Autor: Harald Höller letzte Änderung: 17.03.10 Lizenz: Creative Commons Lizenz by-nc-sa 3.0 at Differentialgleichungen lösen und plotten in Mathematica Grundlegendes

Mehr

Granite Gerhard Pirkl

Granite Gerhard Pirkl Granite Gerhard Pirkl 2013 Riverbed Technology. All rights reserved. Riverbed and any Riverbed product or service name or logo used herein are trademarks of Riverbed Technology. All other trademarks used

Mehr

Restschmutzanalyse Residual Dirt Analysis

Restschmutzanalyse Residual Dirt Analysis Q-App: Restschmutzanalyse Residual Dirt Analysis Differenzwägeapplikation, mit individueller Proben ID Differential weighing application with individual Sample ID Beschreibung Gravimetrische Bestimmung

Mehr

ISO 15504 Reference Model

ISO 15504 Reference Model Prozess Dimension von SPICE/ISO 15504 Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define

Mehr

ORM & 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 ORM & OLAP Object-oriented Enterprise Application Programming Model for In-Memory Databases Sebastian Oergel Probleme 2 Datenbanken sind elementar für Business-Anwendungen Gängiges Datenbankparadigma:

Mehr

Verzeichnisdienste in heterogenen Systemen

Verzeichnisdienste in heterogenen Systemen Verzeichnisdienste in heterogenen Systemen Zielsetzungen Implementierung Aufbau: Active Directory (AD) auf Basis von Windows Server 008 R mit Windows Client(s), Linux Client(s) und einem Linux Server (Dateiserver).

Mehr

Field Librarianship in den USA

Field Librarianship in den USA Field Librarianship in den USA Bestandsaufnahme und Zukunftsperspektiven Vorschau subject librarians field librarians in den USA embedded librarians das amerikanische Hochschulwesen Zukunftsperspektiven

Mehr

XV1100K(C)/XV1100SK(C)

XV1100K(C)/XV1100SK(C) Lexware Financial Office Premium Handwerk XV1100K(C)/XV1100SK(C) All rights reserverd. Any reprinting or unauthorized use wihout the written permission of Lexware Financial Office Premium Handwerk Corporation,

Mehr

Softwareanforderungen für Microsoft Dynamics CRM Server 2015

Softwareanforderungen für Microsoft Dynamics CRM Server 2015 Softwareanforderungen für Microsoft Dynamics CRM Server 2015 https://technet.microsoft.com/de-de/library/hh699671.aspx Windows Server-Betriebssystem Microsoft Dynamics CRM Server 2015 kann nur auf Computern

Mehr

Umstellung Versand der täglichen Rechnungen Auktionsmarkt

Umstellung Versand der täglichen Rechnungen Auktionsmarkt EEX Kundeninformation 2004-05-04 Umstellung Versand der täglichen Rechnungen Auktionsmarkt Sehr geehrte Damen und Herren, die Rechnungen für den Handel am Auktionsmarkt werden täglich versandt. Dabei stehen

Mehr

CHAMPIONS Communication and Dissemination

CHAMPIONS Communication and Dissemination CHAMPIONS Communication and Dissemination Europa Programm Center Im Freistaat Thüringen In Trägerschaft des TIAW e. V. 1 CENTRAL EUROPE PROGRAMME CENTRAL EUROPE PROGRAMME -ist als größtes Aufbauprogramm

Mehr

Event Stream Processing & Complex Event Processing. Dirk Bade

Event Stream Processing & Complex Event Processing. Dirk Bade Event Stream Processing & Complex Event Processing Dirk Bade Die Folien sind angelehnt an eine Präsentation der Orientation in Objects GmbH, 2009 Motivation Business Activity Monitoring Sammlung, Analyse

Mehr

Programmentwicklung ohne BlueJ

Programmentwicklung ohne BlueJ Objektorientierte Programmierung in - Eine praxisnahe Einführung mit Bluej Programmentwicklung BlueJ 1.0 Ein BlueJ-Projekt Ein BlueJ-Projekt ist der Inhalt eines Verzeichnisses. das Projektname heißt wie

Mehr

Cloud for Customer Learning Resources. Customer

Cloud for Customer Learning Resources. Customer Cloud for Customer Learning Resources Customer Business Center Logon to Business Center for Cloud Solutions from SAP & choose Cloud for Customer https://www.sme.sap.com/irj/sme/ 2013 SAP AG or an SAP affiliate

Mehr

Hallo, ich heiße! 1 Hallo! Guten Tag. a Listen to the dialogs. 1.02. b Listen again and read along.

Hallo, ich heiße! 1 Hallo! Guten Tag. a Listen to the dialogs. 1.02. b Listen again and read along. We will learn: how to say hello and goodbye introducing yourself and others spelling numbers from 0 to 0 W-questions and answers: wer and wie? verb forms: sein and heißen Hallo, ich heiße! Hallo! Guten

Mehr

Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds

Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds 3rd JUQUEEN Porting and Tuning Workshop Jülich, 2-4 February 2015 Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds Tobias Schruff, Roy M. Frings,

Mehr

General Architecture for Text Engineering - GATE

General Architecture for Text Engineering - GATE General Architecture for Text Engineering - GATE basierend auf dem GATE-Benutzerhandbuch sowie dem Tutorial des CLab-Teams der Universität Zürich 3. Juni 2011 1 1 Lernziele Grundkenntnisse in GATE Development

Mehr

Cassandra Query Language (CQL)

Cassandra Query Language (CQL) Cassandra Query Language (CQL) Seminar: NoSQL Wintersemester 2013/2014 Cassandra Zwischenpräsentation 1 Gliederung Basic facts Datentypen DDL/DML ähnlich zu SQL Besonderheiten Basic facts CQL kurz für

Mehr

Social Business Erfolgsmessung

Social Business Erfolgsmessung Social Business Erfolgsmessung Praxisbericht aus dem Social Business Projekt bei der Robert Bosch GmbH 8.10.2013, Cordula Proefrock (Robert Bosch GmbH), Dr. Christoph Tempich (inovex GmbH) 1 The Bosch

Mehr

Satellite 6. Next Generation System Provisioning, Configuration and Patch Management

Satellite 6. Next Generation System Provisioning, Configuration and Patch Management Peter Mumenthaler Head of System Engineering Senior Systems Architekt Andreas Zuber Senior System Engineer Philipp Gassman System Technician Satellite 6 Next Generation System Provisioning, Configuration

Mehr

Support Technologies based on Bi-Modal Network Analysis. H. Ulrich Hoppe. Virtuelles Arbeiten und Lernen in projektartigen Netzwerken

Support Technologies based on Bi-Modal Network Analysis. H. Ulrich Hoppe. Virtuelles Arbeiten und Lernen in projektartigen Netzwerken Support Technologies based on Bi-Modal Network Analysis H. Agenda 1. Network analysis short introduction 2. Supporting the development of virtual organizations 3. Supporting the development of compentences

Mehr

Der Viterbi-Algorithmus.

Der Viterbi-Algorithmus. Der Viterbi-Algorithmus. Eine Erläuterung der formalen Spezifikation am Beispiel des Part-of-Speech Tagging. Kursskript Karin Haenelt, 9..7 (.5.) Einleitung In diesem Skript wird der Viterbi-Algorithmus

Mehr

Group and Session Management for Collaborative Applications

Group and Session Management for Collaborative Applications Diss. ETH No. 12075 Group and Session Management for Collaborative Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZÜRICH for the degree of Doctor of Technical Seiences

Mehr

Einkommensaufbau mit FFI:

Einkommensaufbau mit FFI: For English Explanation, go to page 4. Einkommensaufbau mit FFI: 1) Binäre Cycle: Eine Position ist wie ein Business-Center. Ihr Business-Center hat zwei Teams. Jedes mal, wenn eines der Teams 300 Punkte

Mehr

Want to have more impressions on our daily activities? Just visit our facebook homepage:

Want to have more impressions on our daily activities? Just visit our facebook homepage: Dear parents, globegarden friends and interested readers, We are glad to share our activities from last month and wish you lots of fun while looking at all we have been doing! Your team from globegarden

Mehr

CORBA. Eine kurze Einführung. Common Object Request Broker Architecture. Ying Lu

CORBA. Eine kurze Einführung. Common Object Request Broker Architecture. Ying Lu CORBA Common Object Request Broker Architecture Eine kurze Einführung Ying Lu Verlauf der Präsentation Was ist CORBA CORBA-Architektur Ein Beispiel CORBA im Einsatz CORBA im Vergleich Was ist CORBA Begriffe

Mehr

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

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

Delivering services in a user-focussed way - The new DFN-CERT Portal -

Delivering services in a user-focussed way - The new DFN-CERT Portal - Delivering services in a user-focussed way - The new DFN-CERT Portal - 29th TF-CSIRT Meeting in Hamburg 25. January 2010 Marcus Pattloch (cert@dfn.de) How do we deal with the ever growing workload? 29th

Mehr

If you have any issue logging in, please Contact us Haben Sie Probleme bei der Anmeldung, kontaktieren Sie uns bitte 1

If you have any issue logging in, please Contact us Haben Sie Probleme bei der Anmeldung, kontaktieren Sie uns bitte 1 Existing Members Log-in Anmeldung bestehender Mitglieder Enter Email address: E-Mail-Adresse eingeben: Submit Abschicken Enter password: Kennwort eingeben: Remember me on this computer Meine Daten auf

Mehr

Gobos Gobos Lasergefertigte Präzisionsscheiben für individuelle Projektionen Laser manufactured Precision Discs for individual Projections

Gobos Gobos Lasergefertigte Präzisionsscheiben für individuelle Projektionen Laser manufactured Precision Discs for individual Projections 38 Lasergefertigte Präzisionsscheiben für individuelle Projektionen Laser manufactured Precision Discs for individual Projections Gobos sind die Motivvorlagen für die Projektionen. Sie sind dauerbeständig

Mehr

SQL für Trolle. mag.e. Dienstag, 10.2.2009. Qt-Seminar

SQL 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-

Mehr

php 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... 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.

Mehr

HARTNAGEL Etikettiermaschinen für Verpackungsbecher und Automation. Etikettierautomat - EMR 8-200 / EMR 8-400

HARTNAGEL Etikettiermaschinen für Verpackungsbecher und Automation. Etikettierautomat - EMR 8-200 / EMR 8-400 Etikettierautomat - EMR 8-200 / EMR 8-400 Die Firma Hartnagel, begann vor über 15 Jahren den ersten Etikettierautomaten zu entwickeln und zu bauen. Geleitet von der Idee, das hinsichtlich der Produktführung

Mehr

TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010

TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010 TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010 Reinhard Bernsteiner MCiT Management, Communication & IT MCI MANAGEMENT CENTER INNSBRUCK Universitätsstraße 15 www.mci.edu

Mehr

Kapitel 11* Grundlagen ME. Aufbau eines ME-Systems Entwicklung eines ME-Systems. Kapitel11* Grundlagen ME p.1/12

Kapitel 11* Grundlagen ME. Aufbau eines ME-Systems Entwicklung eines ME-Systems. Kapitel11* Grundlagen ME p.1/12 Kapitel 11* Kapitel11* Grundlagen ME p.1/12 Grundlagen ME Aufbau eines ME-Systems Entwicklung eines ME-Systems Kapitel11* Grundlagen ME p.2/12 Aufbau eines ME-Systems (1) on line Phase digitalisiertes

Mehr

Frequently asked Questions for Kaercher Citrix (apps.kaercher.com)

Frequently asked Questions for Kaercher Citrix (apps.kaercher.com) Frequently asked Questions for Kaercher Citrix (apps.kaercher.com) Inhalt Content Citrix-Anmeldung Login to Citrix Was bedeutet PIN und Token (bei Anmeldungen aus dem Internet)? What does PIN and Token

Mehr

Untersuchung der Zusammenhänge zwischen der gebauten Struktur einer Stadt und der

Untersuchung der Zusammenhänge zwischen der gebauten Struktur einer Stadt und der Ein agentenbasiertes t Simulationsmodell ll zur Untersuchung der Zusammenhänge zwischen der gebauten Struktur einer Stadt und der sozialen Organisation ihrer Bevölkerung Reinhard König, Informatik in der

Mehr

Besonderheiten von syndizierten Krediten und empirischer Vergleich zwischen Industrie- und Entwicklung

Besonderheiten von syndizierten Krediten und empirischer Vergleich zwischen Industrie- und Entwicklung Besonderheiten von syndizierten Krediten und empirischer Vergleich zwischen Industrie- und Entwicklungsländern Download: Besonderheiten von syndizierten Krediten und empirischer Vergleich zwischen Industrie-

Mehr

XML-Frameworks in verschiedenen Programmiersprachen Proseminar Textkodierung und Auszeichnung

XML-Frameworks in verschiedenen Programmiersprachen Proseminar Textkodierung und Auszeichnung XML-Frameworks in verschiedenen Programmiersprachen Proseminar Textkodierung und Auszeichnung Matthias Bethke bethke@linguistik.uni-erlangen.de Linguistische Informatik Universität Erlangen-Nürnberg Sommersemester

Mehr

Role Play I: Ms Minor Role Card. Ms Minor, accountant at BIGBOSS Inc.

Role Play I: Ms Minor Role Card. Ms Minor, accountant at BIGBOSS Inc. Role Play I: Ms Minor Role Card Conversation between Ms Boss, CEO of BIGBOSS Inc. and Ms Minor, accountant at BIGBOSS Inc. Ms Boss: Guten Morgen, Frau Minor! Guten Morgen, Herr Boss! Frau Minor, bald steht

Mehr

MARKET DATA CIRCULAR DATA AMENDMENT

MARKET DATA CIRCULAR DATA AMENDMENT MARKET DATA CIRCULAR DATA AMENDMENT Anpassung Schlussabrechnungspreise Financial Power Futures May 2015 Leipzig, 10.07.2015 - Die Schlussabrechnungspreise für die Financial Power Futures werden nach der

Mehr

USBASIC SAFETY IN NUMBERS

USBASIC SAFETY IN NUMBERS USBASIC SAFETY IN NUMBERS #1.Current Normalisation Ropes Courses and Ropes Course Elements can conform to one or more of the following European Norms: -EN 362 Carabiner Norm -EN 795B Connector Norm -EN

Mehr

Software / CRM, ERP and ProjectManagement. Work4all CRM 50 User Lizenz

Software / CRM, ERP and ProjectManagement. Work4all CRM 50 User Lizenz Software / CRM, ERP and ProjectManagement Work4all CRM 50 User Lizenz page 1 / 7 Work4all Die work4all CRM Software verwaltet Ihre Kunden, Lieferanten, Mitarbeiter, Gruppen- und Kategorien-Zuordnung (Marketingmerkmale),

Mehr

Part I Learning Agreement for Studies Academic Year 2015/16

Part I Learning Agreement for Studies Academic Year 2015/16 Part I Learning Agreement for Studies Academic Year 2015/16 Bitte beachten Sie auch die Ausfüllhilfe auf der letzten Seite. The Student Last name(s): First name(s): Date of birth: Nationality: Sex: Phone:

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

The world has changed: always on Marken erfordern neue, innovative Wege des Denken und Handeln um Konsumenten zu aktivieren und zu betreuen.

The world has changed: always on Marken erfordern neue, innovative Wege des Denken und Handeln um Konsumenten zu aktivieren und zu betreuen. welcome.success TO EMPORER YOUR BRAND AND SERVICE VALUES Über uns WE BUILD GREAT VALUES Als "full service marketing and brand communication"- Unternehmen verfügen wir über einen breiten Kompetenzpool,

Mehr

A) Durchsuchen von Datenbanken im Internet durch Endnote

A) Durchsuchen von Datenbanken im Internet durch Endnote EINLEITUNG/ANWEISUNGEN ZU DIESEM TEXT Wir werden die obere Liste (File/ Edit usw.) benutzen, obwohl die meisten Funktionen auch möglich mit rechtem Mausklick, mit Kombinationen der Tastatur oder mit den

Mehr

HiOPC Hirschmann Netzmanagement. Anforderungsformular für eine Lizenz. Order form for a license

HiOPC Hirschmann Netzmanagement. Anforderungsformular für eine Lizenz. Order form for a license HiOPC Hirschmann Netzmanagement Anforderungsformular für eine Lizenz Order form for a license Anforderungsformular für eine Lizenz Vielen Dank für Ihr Interesse an HiOPC, dem SNMP/OPC Gateway von Hirschmann

Mehr

DAS ENTITY-RELATIONSHIP MODELL (E-R MODEL)

DAS ENTITY-RELATIONSHIP MODELL (E-R MODEL) DAS ENTITY-RELATIONSHIP MODELL (E-R MODEL) P. Chen (76, ACM-TODS) Einfache graphische Darstellung Hauptelemente: Entitäten (entities) Beziehungen (relationships) Attribute (attributes) Weitere Elemente:

Mehr

Virtualisierung fur Einsteiger

Virtualisierung fur Einsteiger Brochure More information from http://www.researchandmarkets.com/reports/3148674/ Virtualisierung fur Einsteiger Description: Virtualisierung von Grund auf verstehen Für die meisten Administratoren gehört

Mehr

Visualisierung von Geschäftsgrafiken. Dr. Wolfram Schroers

Visualisierung von Geschäftsgrafiken. Dr. Wolfram Schroers Visualisierung von Geschäftsgrafiken Dr. Wolfram Schroers iphone & ipad im geschäftlichen Umfeld Ein Bild sagt mehr als tausend Worte: Charting/Business-Reporting unter ios PowerPlot Live-Demo Design der

Mehr

(Prüfungs-)Aufgaben zum Thema Scheduling

(Prüfungs-)Aufgaben zum Thema Scheduling (Prüfungs-)Aufgaben zum Thema Scheduling 1) Geben Sie die beiden wichtigsten Kriterien bei der Wahl der Größe des Quantums beim Round-Robin-Scheduling an. 2) In welchen Situationen und von welchen (Betriebssystem-)Routinen

Mehr

Oracle JD Edwards EnterpriseOne Investment. Delivery. Proof. Oracle JD Edwards EnterpriseOne All You Need Without The Risk. CLOUD JDE and TRY IT

Oracle JD Edwards EnterpriseOne Investment. Delivery. Proof. Oracle JD Edwards EnterpriseOne All You Need Without The Risk. CLOUD JDE and TRY IT 1 PREISBEISPIELE für ein KMU mit 100 Usern JDE in einer CLOUD CLOUD JDE and TRY IT JD Edwards E1: Die schlanke und umfassende IT-Lösung für den Mittelstand vom Weltmarktführer by Full Speed Systems AG

Mehr