Opinion Mining Herausforderungen und Anwendung in der Politik
|
|
- Rosa Maier
- vor 7 Jahren
- Abrufe
Transkript
1 Opinion Mining Herausforderungen und Anwendung in der Politik Umut Yilmaz
2 Inhaltsübersicht 1. Einführung 2. Grundlagen 3. Anwendung in der Politik 4. Anwendungsbeispiel 5. Fazit 2
3 1. Einführung Leitfragen Welche Herausforderungen existieren bei Anwendung von Opinion Mining? Unterschied zum Text Mining Wie kann Opinion Mining in der Politik angewendet werden? Nutzung von Meinungen in Social Media Plattformen 3
4 2. Grundlagen Text Mining Analyse von Texten, um Informationen bzw. Fakten zu extrahieren unstrukturierte Form Methoden von Data Mining, maschinelles Lernen und Statistik Opinion Mining Erweiterung von Text Mining Analyse von Texten, um Meinungen zu extrahieren 4
5 2. Grundlagen Text Mining Methoden Verschlüsselung Filtermethoden: Wegfall von Wörtern ohne nützliche Informationen Lemmatisierungsmethode: Beschränkung von Wortformen auf die Grundform Stemming-Methode: Zurückführens eines Wortes auf den Wortstamm Klassifizierung Naive Bayes: Zuordnung des Objektes zu einer Klasse zu dem es mit der größten Wahrscheinlichkeit gehört Support Vector Machine: Unterteilung von Objekten im Vektorraum 5
6 2. Grundlagen Text Mining Methoden (Fortsetzung) Clustering Gruppierung von Objekten Heterogenität zwischen den Clustern Homogenität innerhalb von Clustern Ähnlichkeitsmaß notwendig: Fachgebiet, Länge, etc. 6
7 2. Grundlagen Opinion Mining Methoden Part-of-Speech Zuordnung von Wörtern eines Textes zu Wortarten n-gramme Zerlegung von Texten in einzelne Fragmente Negation Änderung der Bedeutung 7
8 2. Grundlagen Herausforderungen UNTERSCHIED Text Mining sucht nach Fakten bildet Kategorien z.b. Sport, Politik, Gesundheit, etc. Opinion Mining sucht nach Meinungen bildet Kategorien z.b. positiv, negativ, neutral PROBLEM Text Mining Opinion Mining Ausdrucksweisen Kontextsensivität Differenzierung 8
9 2. Grundlagen Herausforderungen Ausdruckweisen Ironie, Übertreibungen, Social Media Dialekt Beispielsatz von Mark Twain: Jane Austen s books madden me so that I can t conceal my frenzy from the reader. Analyse Thema: Jane Austen Polarität: negativ madden und frenzy (deutsch: rasend machen und Wahnsinn ) 9
10 2. Grundlagen Herausforderungen Kontextsensivität Meinungen sind domainabhängig gleiche Ausdrücke können unterschiedliche Polaritäten besitzen Beispiel: lese das Buch positiv bei Buchbewertungen lese das Buch negativ bei Filmbewertungen trinke Cola positiv: Cola-Werbung trinke Cola negativ: Diabetes-Kranke 10
11 2. Grundlagen Herausforderungen Differenzierung Beispiel von Lui: (1) I bought an iphone a few days ago. (2) It was such a nice phone. (3) The touch screen was really cool. (4) The voice quality was clear too. (5) Although the battery life was not long, that is ok for me. (6) However, my mother was mad with me as I did not tell her before I bought it. (7) She also thought the phone was too expensive, and wanted me to return it to the shop. 2, 3, 4 : positiv 5, 6, 7 : negativ 2, 3, 4, 5, 7 iphone 6 me Meinungen können nur für ein bestimmtes Objekt extrahiert werden!!! 11
12 3. Anwendung in der Politik Meinungsumfragen zahlreiche Möglichkeiten z.b. Telefoninterview, Fragebogen, Online- Umfragen etc. teuer zeitintensiv Teilnahme sehr niedrig neue Möglichkeit Anwendung von Opinion Mining auf Kommunikationsplattformen wie z.b. Twitter günstig, schnell, öffentliche (teilweise) 12
13 3. Anwendung in der Politik Studie von O`Connor et al. zwei Themen: US-Präsidentschaftswahlen : Obama oder McCain (Jahr 2008) Zustimmungsrate für Barack Obama (Jahr 2009) möglicher Ersatz für konv. Umfragen : Twitter-Umfragen Aber: Verbesserungen notwendig (Smilies, Social Media Dialekt) Fazit/Ausblick: teure, zeitintensive (politische) Umfragen können durch Extraktion von Daten aus Sozialen Netzwerken ersetzt werden Funktionsweise: Suche nach Schlüsselwörtern: Obama für Thema 1 und Obama & McCain für Thema 2 Ermittlung der Polarität anhand des Subjektivitätslexikons von OpinionFinder 13
14 4. Anwendungsbeispiel Twitter Sentiment Automatische Klassifizierung von Schlagwörtern Suche Schlagwörter werden in Twitter-Nachrichten Einteilung der Meinung des Twitter-Users in positive, negative oder neutrale Klassen Einsatz Markenpositionierung Produktbewertung Umfragen Funktionsweise Merkmalextraktoren wie Uni- und Bigramme mit Part-of-Speech-Tags Klassifikation mit Hilfe von Naive Bayes und SVM 14
15 4. Anwendungsbeispiel Funktionsweise (sehr grob) Beispiel: Angela Merkel ist seit 2005 deutsche Bundeskanzlerin gute Leistung! 1. Schritt: Tokenisierung {Angela, Merkel, ist, seit, 2005, deutsche, Bundeskanzlerin,, gute, Leistung,!} 2. Schritt: Normalisierung, d. h. Sonderzeichen, Usernamen, URLs, wiederholte Buschstaben, Zahlen etc. entfernt. {Angela, Merkel, ist, seit, deutsche, Bundeskanzlerin, gute, Leistung} 3. Schritt: Zerlegung in n-gramme (hier: n=1 8) n=2: {Angela Merkel, Merkel ist, ist seit, seit deutsche, deutsche Bundeskanzlerin, Bundeskanzlerin gute, gute Leistung} 4. Schritt: Klassifizierung anhand von Trainingsdaten 15
16 4. Anwendungsbeispiel Wie ist die Meinung von Twitter-Usern zum Thema: Papst Benedikt XVI im Bundestag 16
17 4. Anwendungsbeispiel 17
18 4. Anwendungsbeispiel 18
19 5. Fazit Vorteile möglicher Ersatz für konv. Umfragen kostengünstiger, schneller, einfacher Nachteile Verbesserungen in den Bereichen Ironie, Übertreibungen etc. notwendig nur in englischer Sprache 19
20 Diskussion Vielen Dank für Ihre Aufmerksamkeit! 20
Opinion Mining. Herausforderungen und Anwendung in der Politik
Opinion Mining Herausforderungen und Anwendung in der Politik S e m i n a r a r b e i t an der Otto-Friedrich-Universität Bamberg Professur für Angewandte Informatik insb. Kognitive Systeme Fakultät Wirtschaftsinformatik
MehrThumbs up? Sentiment Classification using Machine Learning Techniques
Thumbs up? Sentiment Classification using Machine Learning Techniques Eine Präsentation von Aikaterini Azoidou. Das ist meine Präsentation für das Proseminar: Selected Topics of Sentiment Analysis WS17/18
MehrVortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012. Referent: Florian Kalisch (GR09)
Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012 Referent: Florian Kalisch (GR09) Rückblick Aktueller Status Einführung in Text-Mining Der Text-Mining Prozess
MehrAutomatische Erkennung von Trends Sprachtechnologische Auswertung von Twitter-Daten zu Politikerinnen und Politikern
Automatische Erkennung von Trends Sprachtechnologische Auswertung von Twitter-Daten zu Politikerinnen und Politikern Bericht über ein Projekt im Master Informationswissenschaft Studierende: Jennifer Deuschle,
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrSentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser
Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung
MehrProjekt-INF Folie 1
Folie 1 Projekt-INF Entwicklung eines Testbed für den empirischen Vergleich verschiedener Methoden des maschinellen Lernens im Bezug auf die Erlernung von Produktentwicklungswissen Folie 2 Inhalt Ziel
MehrVortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012. Referent: Florian Kalisch (GR09)
Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012 Referent: Florian Kalisch (GR09) Rückblick Aktueller Status Opinion Mining Einführung Einblicke Nächste
Mehr^~ Read Angebotsbeschreibungen fr Online-Einkaufsportale zur automatischen Klassifizierung und Informationsextraktion... free books to read online no
^~ Read Angebotsbeschreibungen fr Online-Einkaufsportale zur automatischen Klassifizierung und Informationsextraktion... free books to read online no downloading ID:kaamhe Click Here to Read Angebotsbeschreibungen
MehrCOOL CLOTHES CODE 331
COOL CLOTHES Fertigkeit Hören Relevante(r) Deskriptor(en) Deskriptor 1: Kann Gesprächen über vertraute Themen die Hauptpunkte entnehmen, wenn Standardsprache verwendet und auch deutlich gesprochen wird.
MehrLITTLE RED RIDING HOOD AND THE WOLF
LITTLE RED RIDING HOOD AND THE WOLF Fertigkeit Lesen Relevante(r) Deskriptor(en) Deskriptor 6: Kann einfache literarische Texte (z.b. fiktionale Texte, Lieder und Gedichte) verstehen. (B1) Themenbereich(e)
MehrTextmining Matthias Stöckl
Textmining 30.01.04 Matthias Stöckl 1. Einführung und Grundlagen 1. Einführung und Grundlagen Definition : Informationen, die sprachlich gegeben sind explizit zu machen um sie maschinell zu erschließen.
Mehr30.9. (B) Freitag Vokabeln lernen: Unit 1 Liste 3 Tag (B) Vokabeln lernen: Unit 1 Liste 3 Tag 3 plus Verben: to shine to stand
German II B @ PHS prelimimary Syllabus 2016-2017: Woche Deutsch II Lernstoff Hausaufgaben für die nächste Klasse (hw for the next class) 30.8. (B) Dienstag K 1.0.1 Einführung / Intro to German II Syllabus,
Mehr1. Hello, I m Francis Docherty. a. No, sorry. I m not. 2. I m sorry. What was your b. I don t think he
A1 Hello, I m Francis Docherty. Was passt zusammen? 1. Hello, I m Francis Docherty. a. No, sorry. I m not. 2. I m sorry. What was your b. I don t think he name again? is at the moment. 3. Excuse me. Are
MehrOpinion Spam Detection
Emotion Mining in Images and Text Opinion Spam Detection Tobias Goldbach S. 1 Motivation S. 2 Motivation Problem Keine Qualitätskontrolle vorhanden Folge: Opinion Spam Aufdeckung durch Menschen kaum möglich
MehrMastering Social Media, Web, Satellite and Spatial Data with R. Dr. Martin Vogt Seminar
Mastering Social Media, Web, Satellite and Spatial Data with R Dr. Martin Vogt Seminar Big Data und Data Literacy Daten sind der Rohstoff der Zukunft. (Angela Merkel) Big data is at the foundation of all
MehrText Mining als Impulsgeber für mehr Kunden und innovative Produkte
Text Mining als Impulsgeber für mehr Kunden und innovative Produkte Marco Nätlitz I Data Scientist Foto: Robert Kneschke fotolia.de Über uns areto consulting gmbh Business Intelligence Spezialist Köln,
MehrBRITISH TEENAGERS TALKING ABOUT WHAT THEY EAT
BRITISH TEENAGERS TALKING ABOUT WHAT THEY EAT CODE 024 Fertigkeit Hören Relevante(r) Deskriptor(en) Deskriptor 5: Kann einfachen Interviews, Berichten, Hörspielen und Sketches zu vertrauten Themen folgen.
Mehr(Pro-)Seminar - Data Mining
(Pro-)Seminar - Data Mining Vorbesprechung SCCS, Fakultät für Informatik Technische Universität München SS 2018 Data Mining: Beispiele (1) Hausnummererkennung (Klassikation) Source: http://arxiv.org/abs/1312.6082
MehrBenjamin Whorf, Die Sumerer Und Der Einfluss Der Sprache Auf Das Denken (Philippika) (German Edition)
Benjamin Whorf, Die Sumerer Und Der Einfluss Der Sprache Auf Das Denken (Philippika) (German Edition) Sebastian Fink Click here if your download doesn"t start automatically Benjamin Whorf, Die Sumerer
MehrDokument Klassifikation. Thomas Uhrig: Data-Mining SS10
Agenda: 1: Klassifizierung allgemein 2: der naive Bayes-Klassifizierer 3: Beispiel 4: Probleme 5: Fazit 6: Quellen 1: Klassifizierung allgemein: 1: Klassifizierung allgemein: - Einordnung von Objekten
MehrDAS 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
MehrCompanion Technologie
Companion Technologie Emotionen erkennen, verstehen und kai.bielenberg@haw-hamburg.de Agenda 1. Einleitung a. Was war nochmal Companion Technologie? b. Teilbereiche c. Warum Emotionen? 2. Ansätze a. Facial
MehrInhalt. 6.1 Motivation. 6.2 Klassifikation. 6.3 Clusteranalyse. 6.4 Asszoziationsanalyse. Datenbanken & Informationssysteme / Kapitel 6: Data Mining
6. Data Mining Inhalt 6.1 Motivation 6.2 Klassifikation 6.3 Clusteranalyse 6.4 Asszoziationsanalyse 2 6.1 Motivation Data Mining and Knowledge Discovery zielt darauf ab, verwertbare Erkenntnisse (actionable
MehrData Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
MehrData Mining auf Datenströmen Andreas M. Weiner
Technische Universität Kaiserslautern Fachbereich Informatik Lehrgebiet Datenverwaltungssysteme Integriertes Seminar Datenbanken und Informationssysteme Sommersemester 2005 Thema: Data Streams Andreas
MehrJOBS OF TEENAGERS CODE 250
JOBS OF TEENAGERS Fertigkeit Hören Relevante(r) Deskriptor(en) Deskriptor 1: Kann Gesprächen über vertraute Themen die Hauptpunkte entnehmen, wenn Standardsprache verwendet und auch deutlich gesprochen
MehrLASSEN. The many meanings of the German Verb. with English subs. Ich benutze nur typische Sätze, die man im Alltag benutzt!
The many meanings of the German Verb LASSEN with English subs Das Verb lassen ist wirklich wichtig in Umgangssprache. Es gibt viele Verben, die mit lassen kombiniert werden In diesem Video lernst du alle
MehrHow to get Veränderung: Krisen meistern, Ängste loslassen, das Leben lieben! (German Edition)
How to get Veränderung: Krisen meistern, Ängste loslassen, das Leben lieben! (German Edition) Click here if your download doesn"t start automatically How to get Veränderung: Krisen meistern, Ängste loslassen,
MehrPONS DIE DREI??? FRAGEZEICHEN, ARCTIC ADVENTURE: ENGLISCH LERNEN MIT JUSTUS, PETER UND BOB
Read Online and Download Ebook PONS DIE DREI??? FRAGEZEICHEN, ARCTIC ADVENTURE: ENGLISCH LERNEN MIT JUSTUS, PETER UND BOB DOWNLOAD EBOOK : PONS DIE DREI??? FRAGEZEICHEN, ARCTIC ADVENTURE: Click link bellow
MehrRelevante(r) Deskriptor(en) Deskriptor 5: Kann einfachen Interviews, Berichten, Hörspielen und Sketches zu vertrauten Themen folgen.
RULES IN THE FAMILY Fertigkeit Hören Relevante(r) Deskriptor(en) Deskriptor 5: Kann einfachen Interviews, Berichten, Hörspielen und Sketches zu vertrauten Themen folgen. (B1) Themenbereich(e) Familie und
MehrHEART OF DARKNESS / DAS HERZ DER FINSTERNIS - ZWEISPRACHIGE AUSGABE ENGLISCH-DEUTSCH / BILINGUAL ENGLISH-GERMAN EDITION BY JOSEPH CONRAD
HEART OF DARKNESS / DAS HERZ DER FINSTERNIS - ZWEISPRACHIGE AUSGABE ENGLISCH-DEUTSCH / BILINGUAL ENGLISH-GERMAN EDITION BY JOSEPH CONRAD DOWNLOAD EBOOK : HEART OF DARKNESS / DAS HERZ DER FINSTERNIS - BILINGUAL
MehrTschernobyl: Auswirkungen des Reaktorunfalls auf die Bundesrepublik Deutschland und die DDR (German Edition)
Tschernobyl: Auswirkungen des Reaktorunfalls auf die Bundesrepublik Deutschland und die DDR (German Edition) Melanie Arndt Click here if your download doesn"t start automatically Tschernobyl: Auswirkungen
MehrMotivation. Klassifikationsverfahren sagen ein abhängiges nominales Merkmal anhand einem oder mehrerer unabhängiger metrischer Merkmale voraus
3. Klassifikation Motivation Klassifikationsverfahren sagen ein abhängiges nominales Merkmal anhand einem oder mehrerer unabhängiger metrischer Merkmale voraus Beispiel: Bestimme die Herkunft eines Autos
MehrEnglish grammar BLOCK F:
Grammatik der englischen Sprache UNIT 24 2. Klasse Seite 1 von 13 English grammar BLOCK F: UNIT 21 Say it more politely Kennzeichen der Modalverben May and can Adverbs of manner Irregular adverbs Synonyms
MehrAnalyse von News-Artikeln
Projekt Big Data Abschlusspräsentation Analyse von News-Artikeln Sentimentanalyse mit Word2vec Raffael Diestel, Maike Schubert Inhalt Einleitung Ziele Realisierung Vorläufige Ergebnisse TODO Einleitung
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Comparison - Nie mehr Probleme mit Steigerungs- und Vergleichsformen im Englischen! Das komplette Material finden Sie hier: Download
MehrSocial Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG
Social Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG DB Fernverkehr AG Dr.-Ing. Axel Schulz, Dr. Matthias Platho P.FMB 2, DB Fernverkehr AG Frankfurt, 22.05.2015 Motivation An meinem
MehrDer Buddhismus im Vergleich mit dem Evangelium der Bibel: Ist das Leben Leiden? Missionstheologischer Exkurs Christentum- Buddhismus (German Edition)
Der Buddhismus im Vergleich mit dem Evangelium der Bibel: Ist das Leben Leiden? Missionstheologischer Exkurs Christentum- Buddhismus (German Edition) Click here if your download doesn"t start automatically
MehrKünstliche Intelligenz Text Mining
Künstliche Intelligenz Text Mining Stephan Schwiebert Sommersemester 2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Data Mining Sammelbegriff für die Extraktion von
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrOOSE_02E Testen mit BlueJ/JUnit 4
OOSE_02E Testen mit BlueJ/JUnit 4 Lehrstuhl Softwaretechnologie, Dr. Birgit Demuth Sommersemester 2018 Vorgehen beim Unit-Test allgemein 1. Testfälle ausdenken / Testfalltabellen erstellen 2. Testfälle
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
MehrReported speech. Indirekte Rede
Reported speech Indirekte Rede Wenn du etwas erzählst, dann möchtest du manchmal ausdrücken, was jemand gesagt hat. Dafür brauchst du die indirekte Rede oder reported speech. Abhängig von der Zeit, in
MehrNOREA Sprachführer Norwegisch: Ein lustbetonter Sprachkurs zum Selbstlernen (German Edition)
NOREA Sprachführer Norwegisch: Ein lustbetonter Sprachkurs zum Selbstlernen (German Edition) Click here if your download doesn"t start automatically NOREA Sprachführer Norwegisch: Ein lustbetonter Sprachkurs
MehrSpace Usage Rules. Neele Halbur, Helge Spieker InformatiCup 2015 19. März 2015
Space Usage Rules? InformatiCup 2015 1 Agenda 1. Vorstellung des Teams 2. Entwicklungsprozess und Umsetzung 3. Verbesserung der Strategien 4. Auswertung der Strategien 5. Ausblick 6. Fazit 2 Vorstellung
MehrAus FanLiebe zu Tokio Hotel: von Fans fã¼r Fans und ihre Band
Aus FanLiebe zu Tokio Hotel: von Fans fã¼r Fans und ihre Band Click here if your download doesn"t start automatically Aus FanLiebe zu Tokio Hotel: von Fans fã¼r Fans und ihre Band Aus FanLiebe zu Tokio
MehrBIRTHDAY PRESENTS FOR GRANDMOTHERS
BIRTHDAY PRESENTS FOR GRANDMOTHERS Fertigkeit Hören Relevante(r) Deskriptor(en) Deskriptor 5: Kann einfachen Interviews, Berichten, Hörspielen und Sketches zu vertrauten Themen folgen. (B1) Themenbereich(e)
MehrFrühling, Sommer, Herbst und Tod: Vier Kurzromane (German Edition)
Frühling, Sommer, Herbst und Tod: Vier Kurzromane (German Edition) Stephen King Click here if your download doesn"t start automatically Frühling, Sommer, Herbst und Tod: Vier Kurzromane (German Edition)
MehrOOSE4 Testen mit BlueJ/JUnit 4
OOSE4 Testen mit BlueJ/JUnit 4 Lehrstuhl Softwaretechnologie, Dr. Birgit Demuth Sommersemester 2016 Vorgehen beim Unit-Test allgemein 1. Testfälle ausdenken / Testfalltabellen erstellen 2. Testfälle nach
MehrGeteilte Freude oder Neid und Eifersucht? Wie die Persönlichkeit die Effekte der social media Nutzung beeinflusst
24.4.2015 Dresden / Freundschaftstagung Geteilte Freude oder Neid und Eifersucht? Wie die Persönlichkeit die Effekte der social media Nutzung beeinflusst Prof. Dr. Sonja Utz Leibniz-Institut für Wissensmedien
MehrFranz Joseph. Ennemoser. Click here if your download doesn"t start automatically
Eine Reise Vom Mittelrhein (Mainz) Über Cöln Paris Und Havre Nach Den Nordamerikanischen Freistaaten: Beziehungsweise Nach New-Orleans Erinnerungen... Und Rückreise Über Bremen, (German Edition) Franz
MehrDie einfachste Diät der Welt: Das Plus-Minus- Prinzip (GU Reihe Einzeltitel)
Die einfachste Diät der Welt: Das Plus-Minus- Prinzip (GU Reihe Einzeltitel) Stefan Frà drich Click here if your download doesn"t start automatically Die einfachste Diät der Welt: Das Plus-Minus-Prinzip
MehrHashtags aus dem Bundestag
Informationen aus dem Institut der deutschen Wirtschaft Köln Twitter 07.11.2016 Lesezeit 3 Min Hashtags aus dem Bundestag Barack Obama und Wladimir Putin tun es, ebenso François Hollande und Hillary Clinton:
MehrTravelPilot 55/65 Active Connect. Bluetooth TELEFONMENÜ /TELEPHONE MENU
TravelPilot 55/65 Active Connect Bluetooth TELEFONMENÜ /TELEPHONE MENU Inhaltsverzeichnis / Table of content 3-10 DE 11-18 EN 2 Bluetooth Telefonmenü DE 3 Start Um Ihr Mobiltelefon zusammen mit Ihrem TravelPilot
MehrENGLISCH EINSTUFUNGSTEST 1 A1-A2 SPRACHNIVEAU
ENGLISCH EINSTUFUNGSTEST 1 A1-A2 SPRACHNIVEAU Liebe Kundin, lieber Kunde Wir freuen uns, dass Sie sich für einen Englischkurs im Präsenzunterricht interessieren. Dieser Einstufungstest soll Ihnen dabei
MehrUnterrichtsmaterialien 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
MehrFamily and relatives. Lesen / Verstehen (LV) Zusammenhängendes Sprechen (ZS) Schreiben (Sch) Fertigkeit/en. Relevante Grundkompetenz/en
Family and relatives Fertigkeit/en Relevante Grundkompetenz/en Lesen / Verstehen (LV) Zusammenhängendes Sprechen (ZS) Schreiben (Sch) LV 3b: Kann sehr einfache, kurze Texte zu Themen wie Familie und Freundeskreis,
MehrKlassenarbeit - Vokabeln Englisch 5
5. Klasse / Englisch / Monat November Klassenarbeit - Vokabeln Englisch 5 Schule Aufgabe 1 Translate. Unsere Mutter ist aus Deutschland. Danke ich hab genug. Wirf den Ball. Bitte schreib mit dem gelbem
MehrDie Bibel nach Martin Luther (1984) - Leseausgabe: revidierte Fassung von 1984 mit Apokryphen (German Edition)
Die Bibel nach Martin Luther (1984) - Leseausgabe: revidierte Fassung von 1984 mit Apokryphen (German Edition) Martin Luther Click here if your download doesn"t start automatically Die Bibel nach Martin
MehrPONS DIE DREI??? FRAGEZEICHEN, ARCTIC ADVENTURE: ENGLISCH LERNEN MIT JUSTUS, PETER UND BOB
Read Online and Download Ebook PONS DIE DREI??? FRAGEZEICHEN, ARCTIC ADVENTURE: ENGLISCH LERNEN MIT JUSTUS, PETER UND BOB DOWNLOAD EBOOK : PONS DIE DREI??? FRAGEZEICHEN, ARCTIC ADVENTURE: Click link bellow
MehrDatenbanken Unit 10: Ranking und Data Mining Erstellen und Ändern von Datenbanken
Datenbanken Unit 10: Ranking und Data Mining Erstellen und Ändern von Datenbanken 7. VI. 2016 Organisatorisches nächste Woche am 14. Juni Abschlusstest (Gruppe 1: 10:00 11:15, Gruppe 2: 11:30 12:45 ) Übungsblatt
MehrSAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH
SAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH GERHARD SVOLBA COMPETENCE CENTER ANALYTICS WIEN, 17. NOVEMBER 2015 SAS CONTEXTUAL ANALYSIS 14.1 EIN BLICK IN DIE PRODUKTBESCHREIBUNG
MehrSemestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2006 Termin:
Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2006 Termin: 26. 7. 2006 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....
MehrKategorisierungsverfahren. Rocchio k-nearest neighbour (knn) Naive Bayes Support Vector Machines n-gramm-sprachmodelle
Kategorisierung deduktiver Schluss, Schema: Alle A sind X p ist ein A p ist X logisch gültig abduktiver Schluss: p ist X Alle A sind X p ist ein A logisch nicht gültig (kann ein Fehlschluss sein) z.b.
MehrLearning to Rank Sven Münnich
Learning to Rank Sven Münnich 06.12.12 Fachbereich 20 Seminar Recommendersysteme Sven Münnich 1 Übersicht 1. Einführung 2. Methoden 3. Anwendungen 4. Zusammenfassung & Fazit 06.12.12 Fachbereich 20 Seminar
Mehr~` Read Chronisch entzndliche Darmerkrankungen (CED) und der Einfluss von Sport und Bewegung (German Edition) digital books free download ID:yeixve
~` Read Chronisch entzndliche Darmerkrankungen (CED) und der Einfluss von Sport und Bewegung (German Edition) digital books free download ID:yeixve Click Here to Read Chronisch entzndliche Darmerkrankungen
MehrProgrammier-Befehle - Woche 10
Funktionen Rekursion Selbstaufruf einer Funktion Jeder rekursive Funktionsaufruf hat seine eigenen, unabhängigen Variablen und Argumente. Dies kann man sich sehr gut anhand des in der Vorlesung gezeigten
MehrSupport of Basic Needs Scales for Adolescent Students (SBN-S) Skalen zur wahrgenommenen Basic Needs Unterstützung von Schüler/innen
Support of Basic Needs Scales for Adolescent Students (SBN-S) Skalen zur wahrgenommenen Basic Needs Unterstützung von Schüler/innen Klagenfurt, im August 2011 Alpen-Adria Universität Klagenfurt Institut
MehrRATAVA. COMPUTER: Mission Berlin. November 9, 2006, ten thirty am. You ve got 75 minutes, 2 lives and some help:
07 RATAVA RATAVA? RATAVA? Manuscript of the Episode INTRODUCTION. November 9, 2006, ten thirty am. You ve got 75 minutes, 2 lives and some help: Anna, Ihre Mission ist riskant. Sie sind in Gefahr. Die
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
Mehr1 Kopiervorlagen. KV 2 a: Hello. KV 2 b: What s the number? Greenwich. mouse. school. name. mobile. one. how. . Thomas Tallis is my new
KV 2 a: Hello. Write in English. Hello. I m a mouse. My name is Tom. I m from Greenwich. Thomas Tallis is my new school. I m one and how old are you? My mobile number is 0 77 40 91 54 62. KV 2 b: What
MehrSentiment Analysis und Ontologien
Sentiment Analysis und Ontologien Universität zu Köln Sprachliche Informationsverarbeitung Künstliche Intelligenz Dozent: C. Neuefeind 13.06.2012 Linus Franzke und Carina Berning Inhalt Was ist Sentiment
MehrIndustrial Data Intelligence Datenbasierte Produktionsoptimierung. Hannover, HMI Peter Seeberg
Industrial Data Intelligence Datenbasierte Produktionsoptimierung Hannover, 26.04.2017 HMI Peter Seeberg Algorithmus Daten Entscheidung Peter Seeberg / Softing, 2016 Copyright 2016 Softing Industrial.
MehrData Science Made in Berlin Dr. Thomas Hoppe
Data Science Made in Berlin Dr. Thomas Hoppe Reales Problem der Klassifikation Smart Content durch Data Science Evaluation der Güte der Lösung Inspired by Drew Conway Datenaufbereitung Datenanalyse Social
MehrUmgangssprache für Anfänger. Übungen
Übungen Ergänze die Sätze machst Wetter geht Prüfung Terminkalender sind spät wo dir es mein besorge Deutschkurs können auf Tickets zu Ihre nicht vielen los Neues Frage mit ich 1. Was du? 2. Wie ist das?
MehrBIG UNIVERSITÄTSRECHENZENTRUM
UNIVERSITÄTS RECHENZENTRUM LEIPZIG BIG DATA @ UNIVERSITÄTSRECHENZENTRUM Forschung und Entwicklung Entwicklung eines E-Science-Angebots für die Forschenden an der Universität Leipzig Stefan Kühne Axel Ngonga
MehrGliederung. 1. Einleitung (1) 1. Einleitung (2) On detecting differences between groups
Seminar im Fach Informatik Sommersemester 2006 Sascha Rüger Gliederung 1. Einleitung 2. Data Mining Systeme 3. Auswertung 4. Weitere Untersuchungen 5. Fazit 1. Einleitung (1) wichtige Aufgabe der Datenanalyse:
MehrCNC 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
Mehrsimple past Aussagesätze
22 simple past Aussagesätze Mit dem simple past berichtet man über Vergangenes, daher steht es oft zusammen mit Zeitangaben wie yesterday, 15 years ago, last week. Das simple past bildet man, indem man
MehrLevel 1 German, 2016
90886 908860 1SUPERVISOR S Level 1 German, 2016 90886 Demonstrate understanding of a variety of German texts on areas of most immediate relevance 2.00 p.m. Wednesday 23 November 2016 Credits: Five Achievement
MehrGeschriebene Sprache inhaltlich verstehen
Geschriebene Sprache inhaltlich verstehen Herausforderungen, Anwendungsmöglichkeiten, Potential IBM Developer Days 2014 Marcus Hassler, CEO & CTO econob GmbH 21.05.2014, Wien, AUT Informationssysteme Informationen
Mehrdacore Datenbanksysteme AG Neue Konzepte zur Optimierung der Auslastungsplanung und Big Data im Informationsmanagement
dacore Datenbanksysteme AG Neue Konzepte zur Optimierung der Auslastungsplanung und Big Data im Informationsmanagement dacore Datenbanksysteme AG Neue Konzepte zur Optimierung der Auslastungsplanung Die
MehrInformationssuche in Sozialen Medien. Adam Horvath Universität Pecs Institut für Wirtschaftsmethodologie
Informationssuche in Sozialen Medien Adam Horvath Universität Pecs Institut für Wirtschaftsmethodologie Übersicht über sozielle Medien Bezug auf Person, Gemeinde, Unternehmen, Events, usw. Verschiede Formate
Mehrjob and career for women 2015
1. Überschrift 1.1 Überschrift 1.1.1 Überschrift job and career for women 2015 Marketing Toolkit job and career for women Aussteller Marketing Toolkit DE / EN Juni 2015 1 Inhalte Die Karriere- und Weiter-
MehrPredictive Analytics VON PAUL BAUMGARTEN
Predictive Analytics VON PAUL BAUMGARTEN 1 Der Fall Target Werbemail an minderjährige mit Babyartikeln regt Vater auf. Vater beschwert sich beim Manager der entschuldigt sich. Manager ruft nach ein paar
MehrH E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z
H E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z 2 0 1 6 A D V A N C E D A N A L Y T I C S : V O N S E M I - S T R U K T U R I E R T E N D A T E N Z U W I S S E N T O M S E I D E L &
Mehr+ROLGD\V 1LYHDX$ )HUWLJNHLW+ UYHUVWHKHQ
+ROLGD\V )HUWLJNHLW+ UYHUVWHKHQ 1LYHDX$ Wenn langsam und deutlich gesprochen wird, kann ich kurze Texte und Gespräche aus bekannten Themengebieten verstehen, auch wenn ich nicht alle Wörter kenne. 'HVNULSWRU
MehrProjektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar
Business Intelligence Master Digitale Logistik und Management Projektbericht Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar Matthias Säger
MehrEXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN
EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,
Mehr`# Online Read Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... download books from
`# Online Read Programmieren: Software entwickeln fr Einsteiger: Lernen Sie die Grundlagen von Java, SQL und C++ (Codierung,... download books from google ebooks ID:jiajsi Click Here to Read Programmieren:
MehrBusiness Analytics Day Predictive Sales in CRM
Business Analytics Day Predictive Sales in CRM Business Analytics Day 07.03.2019 Artur Felic, CAS Software AG in Zahlen CAS Software AG eine Netzwerkorganisation Jedem Kunden seine CAS CAS Mittelstand:
MehrTextmining Klassifikation von Texten Teil 2: Im Vektorraummodell
Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten Teil
MehrInformation Mining - Einführung
Information Mining - Einführung Norbert Fuhr Abteilung Informatik und Angewandte Kognitionswissenschaften Fachgebiet Informationssysteme norbert.fuhr@uni-due.de 1 Aufgabenstellungen im Data Mining Klassifikation
Mehr1 Kopiervorlagen. KV 2 a: Hello. KV 2 b: What s the number? Greenwich. mouse. school. name. one. how. . My. Hello. I m a. . Thomas Tallis is my new
KV 2 a: Hello. Write in English. Hello. I m a mouse. My name is Tom. I m from Greenwich. Thomas Tallis is my new school. I m one and how old are you? My mobile number is 0 77 40 91 54 62. KV 2 b: What
MehrBig Data Analytics Mit Daten Vorhersagen treffen Dr. Thomas Keil, SAS,
Big Data Analytics Mit Daten Vorhersagen treffen Dr. Thomas Keil, SAS, 8.5.2017 SAS und Heidelberg 14.000 Mitarbeiter weltweit, etwa 380 davon in Heidelberg (seit 1982 hier) 3,2 Mrd. $ Umsatz weltweit,
MehrGrundkurs des Glaubens: Einführung in den Begriff des Christentums (German Edition)
Grundkurs des Glaubens: Einführung in den Begriff des Christentums (German Edition) Karl Rahner Click here if your download doesn"t start automatically Grundkurs des Glaubens: Einführung in den Begriff
Mehr