Übersicht über die Tests
|
|
- Eduard Kalb
- vor 7 Jahren
- Abrufe
Transkript
1 Übersicht über die Tests Lexikontest Einige Hersteller machen Angaben zum Lexikonumfang ihrer Systeme. Diese Angaben sind jedoch nicht zwischen den Systemen vergleichbar, da es keine standardisierte Zählweise für Lexikoneinträge gibt. Soll zum Beispiel ein Wort, das zwei gänzlich unterschiedliche Bedeutungen hat (DE Bank => EN bank oder bench, zum Beispiel) als ein oder als zwei Einträge gezählt werden? Deshalb haben wir ein Verfahren entwickelt, das einen prozentualen Vergleichswert für die Systemlexika ergibt. Die Vorgehensweise Für jedes Sprachpaar wurde ein Korpus von je 300 Substantiven, Verben und Adjektiven zusammengestellt. Je 100 der 300 Wörter pro Wortart gehören zu einer Häufigkeitsklasse d.h., werden in einem repräsentativen Korpus sehr häufig, mittelhäufig oder selten benutzt. Für das deutsche und das englische Korpus konnten wir die Substantive, Verben und Adjektive der CELEX-Datenbank entnehmen, in der die Wörter bereits mit ihrer jeweiligen Häufigkeit bzgl. eines IdS-Korpus verzeichnet sind. Die Wortliste für den französischen Ausgangstext haben wir manuell erstellt: In einem Textkorpus mit 2,5 Millionen Wörtern wurde die Auftretenshäufigkeit aller Wörter maschinell ausgezählt und dann von Hand den entsprechenden Wortklassen zugeordnet. Da einige Systeme keine Wortlisten, sondern nur Sätze übersetzen können, wurden die ausgewählten Substantive, Verben und Adjektive dann in einfache Sätze gekleidet. Diese Sätze wurden vom jeweiligen System in die Zielsprache übersetzt und manuell bewertet. Jeder Satz wurde mit einer der folgenden Abkürzungen versehen: u (unknown word): Das fragliche Wort der Ausgangssprache ist unbekannt und wird in die Zielsprache übernommen. Seltener: Ein Teil eines Kompositums ist unbekannt. w (wrong translation): Das Wort wird falsch übersetzt, zum Beispiel aufgrund falscher Kompositasegmentierung (Es ist vollstreckbar. => It is executing cash.) oder aufgrund eines falschen Lexikoneintrags. m (missing word): Das Wort wird gar nicht übersetzt und fehlt im Zieltext. wf (wrong form): Das Wort wurde zwar im Lexikon gefunden, aber in einer unangemessenen Weise übersetzt - zum Beispiel als Verb, obwohl es ein Substantiv sein müsste, oder als Substantiv, obwohl es ein Adjektiv sein müsste (This is transoceanic. => Dies ist Übersee.) Zu dieser Kategorie wurden auch die Bindestrich-Adjektive gezählt (This is twin-bedded. => Dies ist Zweibett-.), die vor allem der Personal Translator oft erzeugt hat. IV/1
2 s (sense preservingly segmented): Das Wort wurde segmentiert und die Einheiten einzeln übersetzt (Es ist trostlos. => It is comfort rid.). Zwar nicht korrekt, aber verständlich. Nur für Substantive: f und wd f (missing interfix): Das Substantiv wurde segmentiert und richtig übersetzt, zwischen den einzelnen Teilen des Kompositums fehlt jedoch ein Bindeglied (The wire-puller is nice. => Die Leitung-Abziehvorrichtung ist nett.) wd (wrong determiner): Das Substantiv wurde korrekt übersetzt, der Artikel ist jedoch falsch (The physiotherapist is nice. => Die Physiotherapeut ist schön.) c (correct): Die Übersetzung ist korrekt. Die Punkte-Skala Beurteilung des Satzes c (correct) s (sense preservingly segmented) f (missing interfix) wd (wrong determiner) wf (wrong form) u (unknown word) w (wrong translation) m (missing word) Punktzahl 2 Punkte 1 Punkt 1 Punkt 1 Punkt 1 Punkt 0 Punkte 0 Punkte 0 Punkte Alle mit c annotierten Übersetzungen wurden mit 2 Punkten gezählt, für s, f, wd und wf gab es jeweils einen Punkt. Die mit u, w und m bewerteten Sätze erhielten keine Punkte. Die Ergebnisse In den Tabellen auf den nächsten Seiten wird für jede Sprachrichtung einzeln aufgezeigt, wie die einzelnen Systeme im Test abgeschnitten haben. Die erste Tabelle enthält dabei jeweils die sowie die Prozentzahlen für alle Wortklassen; in den folgenden drei Tabellen sind die Bewertungen je Wortklasse (Adjektive, Nomen, Verben) enthalten. Die ergibt sich aus der Aufaddierung aller Punkte pro Satz, wie sie in obenstehender Tabelle aufgelistet sind. Die Prozentzahlen der korrekten Übersetzungen werden aus dem Verhältnis der realen zur höchstmöglichen Summe der Noten errechnet (d.h., 600 mögliche Punkte je Kategorie für alle Wortklassen, 200 für die einzelnen Wortklassen). IV/2
3 Deutsch-Französisch Alle Wortklassen Häufig ,8 % % Mittel ,8 % ,2 % Selten ,8 % ,2 % Der Power Translator schneidet in allen drei Kategorien besser ab als Reverso. Während die Systeme im oberen Häufigkeitsbereich noch relativ dicht beieinanderliegen, beträgt der Unterschied im seltenen Häufigkeitsbereich beinahe zehn Prozent. Adjektive Häufig % ,5 % Mittel % % Selten ,5 % ,5 % Nomen Häufig % % Mittel % ,5 % Selten ,5 % ,5 % Verben Häufig ,5 % ,5 % Mittel ,5 % % Selten 89 44,5 % ,5 % Die Diskrepanz zwischen Reverso und Power Translator ist am grössten in den Kategorien der seltenen Verben und der mittelhäufigen Adjektive, wo die Zahlen um beinahe zwölf Prozent auseinanderliegen. IV/3
4 Französisch-Deutsch Alle Wortklassen Häufig ,5 % ,7 % Mittel ,8 % ,2 % Selten ,7 % ,8 % Wie auch in der Übersetzungsrichtung Deutsch-Französisch ist der Power Translator in allen drei Kategorien leicht besser als Reverso. Adjektive Häufig % % Mittel % ,5 % Selten ,5 % % Nomen Häufig % ,5 % Mittel ,5 % ,5 % Selten ,5 % % Verben Häufig ,5 % ,5 % Mittel % ,5 % Selten % ,5 % Beide Systeme schneiden im Bereich der häufigen bzw. mittelhäufigen Nomen sehr gut ab Reverso mit 100 bzw. 95,5%, der PowerTranslator mit jeweils 98,5 %. Auffällig ist, dass in dieser Sprachrichtung auch im Bereich der seltenen Adjektive, Nomen und Verben die Werte noch über 80% Prozent liegen, teilweise sogar bei über 90%. IV/4
5 Deutsch-Englisch Alle Wortklassen Häufig 580 (96,7 %) 573 (95,5%) 588 (98,0%) 583 (97,2%) Mittel 584 (97,3%) 559 (93,2%) 487 (81,2%) 529 (88,2%) Selten 429 (71,5%) 397 (66,2%) 297 (49,5%) 375 (62,5%) Spitzenreiter im Sprachpaar Deutsch-Englisch in allen drei Kategorien ist der Personal Translator, dicht gefolgt vom Power Translator und Langenscheidts T1. Systran liegt auf dem letzten Platz, wenngleich das System auch bei der Übersetzung der häufigen Wörter die höchste Prozentzahl erreicht hat. Die übrigen Werte im mittleren und seltenen Häufigkeitsbereich liegen jedoch deutlich unter denen der anderen Systeme. Adjektive Häufig 198 (99,0%) 199 (99,5%) 197 (98,5%) 196 (98,0%) Mittel 199(99,5%) 187 (93,5%) 153 (76,5%) 164 (82,0%) Selten 149 (74,5%) 138 (69,0%) 86 (43,0%) 102 (51,0%) Nomen Häufig 190 (95,0%) 186 (93,0%) 194 (97,0%) 196 (98,0%) Mittel 191 (95,5%) 175 (87,5%) 166 (83,0%) 184 (92,0%) Selten 159 (79,5%) 141 (70,5%) 113(56,5%) 143 (71,5%) Verben Häufig 192 (96,0%) 188 (94,0%) 197 (98,5%) 191 (95,5%) Mittel 194 (97,0%) 197 (98,5%) 168 (84,0%) 181 (90,5%) Selten 121 (60,5%) 118 (59,0%) 98 (49,0%) 130 (65,0%) Betrachtet man die einzelnen Wortarten, so zeigt sich, dass Systran im Bereich der häufigen Verben besser abschneidet als die drei anderen Systeme. Der Personal Translator ist am stärksten in der Kategorie der mittleren und seltenen Adjektive und Nomen. Häufige Adjektive übersetzt der Power Translator am zuverlässigsten. Langenscheidts T1 ist sehr stark im Bereich der häufigen Nomen. IV/5
6 Englisch-Deutsch Alle Wortklassen Häufig 599 (99,8%) 592 (98,7%) 595 (99,2%) 593 (98,8%) Mittel 554 (92,3%) 543 (90,5%) 311 (51,8%) 514(85,7%) Selten 435 (72,5%) 306 (51,0%) 133 (22,2%) 242 (40,3%) Der Personal Translator schneidet im Sprachpaar Englisch-Deutsch eindeutig am besten ab: In allen drei Häufigkeitskategorien erreicht das System die höchsten Prozentzahlen. Die häufigen Wörter übersetzen jedoch auch die drei anderen Systeme sehr zuverlässig zu mindestens 98,7%. Insgesamt liegt der Power Translator an zweiter Stelle, gefolgt von Langenscheidts T1 und Systran. Auffällig ist die extrem niedrige Punktzahl, die Systran im Bereich der seltenen Wörter erreicht das System übersetzt nur zu 22,2% korrekt. Adjektive Häufig 199 (99,5%) 193 (96,5%) 197 (98,5%) 197 (98,5%) Mittel 182 (91,0%) 179 (89,5%) 89 (44,5%) 165 (82,5%) Selten 136 (68,0%) 99 (49,5%) 42 (21,0%) 63 (31,5%) Nomen Häufig 200 (100%) 199 (99,5%) 200 (100%) 200 (100%) Mittel 187 (93,5%) 186 (93,0%) 112 (56,0%) 169 (84,5%) Selten 146 (73,0%) 96 (48,0%) 47 (23,5%) 90 (45,0%) Verben Häufig 200 (100%) 200 (100%) 198 (99%) 196 (98,0%) Mittel 185(92,5%) 178 (89,0%) 110 (55,0%) 180 (90,0%) Selten 153 (76,5%) 111 (55,5%) 44 (22,0%) 89 (44,5%) Sehr zuverlässig übersetzen alle Systeme die häufigen Nomen gleich drei erreichen 100%, der Power Translator immerhin auch 99,5%. Auch bei den häufigen Verben gibt es zweimal 100% (Personal Translator und Power Translator). Die Diskrepanzen im mittleren und seltenen Bereich sind ebenso augenfällig: Bei den seltenen Verben, zum Beispiel, erreicht der Personal Translator 76,5%, der Power Translator immerhin noch 55,5%, T1 schon nur noch 44,5% und Systran gerade mal 22%. Ein ähnliches Bild ergibt sich bei den Adjektiven und Nomen. IV/6
7 Zusammenfassung der Ergebnisse des Lexikontests In beiden Übersetzungsrichtungen des Sprachpaares Deutsch/Französisch schneidet der Power Translator besser ab als Reverso, mit unterschiedlich grossen Abständen zwischen beiden Systemen. Ebenso klar ist das Bild beim Sprachpaar Deutsch/Englisch: Spitzenreiter ist der Personal Translator, gefolgt von Power Translator und Langenscheidts T1. Am schlechtesten schneidet jeweils Systran ab. Ein Vergleich zwischen den Übersetzungsrichtungen: Am schlechtesten sind die Zahlen im seltenen Häufigkeitsbereich in der Sprachrichtung Englisch-Deutsch, wo im Falle von Systran sogar nur 22,2 Prozent aller Wörter richtig übersetzt wurden dies ist ein Indiz dafür, dass der grosse Wortschatz des Englischen offenbar schwer zu erfassen ist. Im Bereich der häufigen Wörter schneiden die Systeme dagegen in der Sprachrichtung Englisch-Deutsch sehr gut ab mit mindestens 98,7%. Zwischen den Sprachpaaren der Ausgangssprache Deutsch (Deutsch-Englisch und Deutsch-Französisch) gibt es keine derart grossen Unterschiede. Die Prozentzahlen liegen zwischen maximal 98 im häufigen und knapp 50 % im seltenen Bereich. Man beachte, dass ein grosses Systemlexikon nicht bedeutet, dass die Wörter jeweils in ihrer korrekten Bedeutung eingesetzt werden. Unser Test hat auch nicht überprüfen können, wieviele Bedeutungen (d.h. zielsprachliche Entsprechungen) zu einem gegebenen Wort vorliegen. IV/7
8 Grammatiktest In diesem Test wurde mit Hilfe von speziell konstruierten Testsätzen überprüft, ob die Übersetzungssysteme mit unterschiedlichen grammatischen Konstruktionen zurechtkommen und diese angemessen in die Zielsprache übertragen können. Die Sammlung enthält Frageund Aufforderungssätze, Sätze mit komplexen Nominal- und Verbalgruppen, Sätze mit Relativ- oder Reflexivpronomen und eine ganze Reihe von Sätzen, die unterschiedliche Wortstellungsvarianten enthalten. Die Sätze wurden durch die Systeme übersetzt und manuell bewertet. Dabei gab es folgende Noten: Note 1 Note 2 Note 3 Die Übersetzung ist korrekt. In der Übersetzung wurde die geprüfte grammatische Eigenschaft korrekt erkannt und übersetzt, es traten jedoch ein oder mehrere andere Fehler auf. Die geprüfte grammatische Eigenschaft ist falsch, zusätzlich gibt es weitere Fehler im Satz. In den untenstehenden Tabellen sind die Ergebnisse des Grammatiktests für jedes Sprachpaar zusammengefasst: In der ersten Spalte sind die getesteten Systeme aufgelistet, in der zweiten Spalte wird die Gesamtzahl der bewerteten Sätze genannt. Die folgenden drei Spalten zeigen, wie oft die Noten 1-3 vergeben wurden. In den beiden letzten Spalten jeder Tabelle finden sich die Gesammtsumme aller Noten sowie der Notendurchschnitt für jedes einzelne System je niedriger dieser Durchschnitt ist, desto besser ist das System. (Die bestmögliche Note wäre 1,0). Deutsch-Französisch Sätze # Note 1 # Note 2 # Note 3 Summe Durchschnitt Reverso ,05 Power Transl ,03 Beide Systeme können als gleich gut eingestuft werden. Der Power Translator hat mit einem Notendurchschnitt von 2,03 in der Sprachrichtung Deutsch => Französisch nur leicht besser abgeschnitten als Reverso mit 2,05. Französisch-Deutsch Sätze # Note 1 # Note 2 # Note 3 Summe Durchschnitt Reverso ,13 Power Transl ,10 Der Power Translator hat mit einem Notendurchschnitt von 2,10 in der Sprachrichtung Französisch => Deutsch leicht besser abgeschnitten als Reverso mit 2,13. Die Unterschiede bezüglich der Grammatikabdeckung sind jedoch zwischen beiden Systemen so gering, dass sie als gleichwertig betrachtet werden sollten. Beide Systeme haben in der Übersetzungsrichtung Deutsch => Französisch besser abgeschnitten als in der Übersetzungsrichtung Französisch => Deutsch. IV/8
9 Englisch-Deutsch Sätze # Note 1 # Note 2 # Note 3 Summe Durchschnitt Power Transl ,96 T ,99 Pers. Transl ,78 Systran ,10 Spitzenreiter im Sprachpaar Englisch => Deutsch ist der Personal Translator mit einem Notendurchschnitt von 1,78. Power Translator (1,96) und Langenscheidts T1 (1,99) liegen in der Bewertung relativ dicht beieinander. Systran hat mit einem Notendurchschnitt von 2,10 deutlich am schlechtesten abgeschnitten. Deutsch-Englisch Sätze # Note 1 # Note 2 # Note 3 Summe Durchschnitt Power Transl ,81 T ,83 Pers. Transl ,67 Systran ,99 Spitzenreiter im Sprachpaar Deutsch => Englisch ist der Personal Translator mit einem Notendurchschnitt von 1,67. Power Translator (1,81) und Langenscheidts T1 (1,83) liegen in der Bewertung relativ dicht beieinander. Systran hat mit einem Notendurchschnitt von 1,99 am schlechtesten abgeschnitten. Alle Systeme haben in der Übersetzungsrichtung Deutsch => Englisch jedoch bessere Ergebnisse erzielt als in der Übersetzungsrichtung Englisch => Deutsch. Zusammenfassend kann man sagen, dass die Systeme für das Sprachpaar Deutsch <=> Englisch deutlich besser abschnitten als für das Sprachpaar Deutsch <=> Französisch. Dies entspricht den Ergebnissen der Evaluation des letzten Jahres. Der Spitzenreiter unter allen Systemen ist der Personal Translator, gefolgt von T1, Power Translator und Reverso im Mittelfeld. Am schlechtesten schnitt Systran ab. Eine Anmerkung zu den Testergebnissen: Eine gute Grammatikleistung garantiert noch nicht eine gute Übersetzungsqualität. In diesem Test wurden mit Hilfe relativ kurzer Sätze gezielt spezielle grammatische Phänomene getestet. In natürlichen Texten treten jedoch häufig komplexe Sätze auf, in denen diese Phänomene zusammenspielen. Unsere Beobachtung ist, dass insbesondere der T1 dann schlechte Ergebnisse liefert, wenn er in einem komplexen Satz nicht alle Phänomene erkennen kann, während er bei einfachen Sätzen im guten Mittelfeld liegt. IV/9
30 Minuten zum Thema Terminologie: Terminologiearbeit mit Excel Grundregeln und Tipps. Mittwoch, 29. Juni - 11:00 CET
30 Minuten zum Thema Terminologie: Terminologiearbeit mit Excel Grundregeln und Tipps Mittwoch, 29. Juni - 11:00 CET Technische Hinweise Bedienpult von GoToWebinar > Bedienpult ein-/ausblenden > Vollbildmodus
MehrSimullda. Structured Interlingua MultiLingual Lexical Database Application. Sonja Weber
Simullda Structured Interlingua MultiLingual Lexical Database Application Sonja Weber 1 Gliederung Background Begriffsklärung Multilinguale Datenbanken WordNet Maschinelle Übersetzung Formale Begriffsanalyse
MehrAlgorithmen und Formale Sprachen
Algorithmen und Formale Sprachen Algorithmen und formale Sprachen Formale Sprachen und Algorithmen Formale Sprachen und formale Algorithmen (formale (Sprachen und Algorithmen)) ((formale Sprachen) und
MehrÜbersicht über die Systembeschreibungen
Übersicht über die Systembeschreibungen Die Systembeschreibungen dienen dazu, die wichtigsten Eigenschaften der Maschinellen Übersetzungssysteme systematisch zu erfassen. Jede Systembeschreibung gliedert
MehrLexikalisch-semantische Disambiguierung mit WordNet
Lexikalische Semantik Lexikalisch-semantische Disambiguierung mit WordNet Conrad Steffens Paper: Rada Mihalcea & Dan I. Moldovan: A Method for Word Sense Disambiguation of Unrestricted Text Lexikalisch-semantische
MehrInformationen zur Auswertung des Energiebezugs mit dem Progamm EBA
Informationen zur Auswertung des Energiebezugs mit dem Progamm EBA 31. Juli 2014 Inhaltsverzeichnis 1 Einleitung 1 2 Auswertungen in EBA 2 3 Rechengrößen 2 3.1 Lastgang...................................
MehrKompetenzen und Aufgabenbeispiele Englisch Schreiben (6. Klasse)
Institut für Bildungsevaluation Assoziiertes Institut der Universität Zürich Kompetenzen und Aufgabenbeispiele Englisch Schreiben (6. Klasse) Informationen für Lehrpersonen und Eltern 1. Wie sind die Ergebnisse
MehrDas Evaluieren von Software für die maschinenunterstützte Übersetzung
Das Evaluieren von Software für die maschinenunterstützte Übersetzung Martin Volk Universität Zürich Institut für Informatik Computerlinguistik volk@ifi.unizh.ch Tel. (+41)-1-635-4325 1. Einleitung Computer-Werkzeuge
MehrMaschinelle Übersetzung
Maschinelle Übersetzung Kluge Andreas, 13IN-M basierend auf Computerlinguistik und Sprachtechnologie, 3. Auflage, Spektrum, Heidelberg 2010 19. Juni 2014 Übersicht Gewünschte Funktionalität Schwierigkeiten
MehrDarstellung der Berechnungsproblematik der neuen PTVS 1 anhand des Beispiels vollständig erfüllt bei 3 von 4 Bewohnern
Darstellung der Berechnungsproblematik der neuen PTVS 1 anhand des Beispiels vollständig erfüllt bei 3 von 4 Bewohnern (Zum besseren Verständnis des Folgenden sollte ein Pflegetransparenzbericht einer
MehrLateinische Morphologie: Anleitung
Im Folgenden geht es darum, eine knappe Anleitung für die morphologische Analyse einiger einfacher lateinischer Sätze zu geben. Diese folgt den Schritten, die in der ersten Einführung in die Arbeitsweise
MehrÖsterreichisches Sprachdiplom Deutsch
Österreichisches Sprachdiplom Deutsch Allgemeiner Aufbau der Lernziellisten - Die Inhalte der Lernzielbeschreibungen im Detail A1. Sprechhandlungen Im jeweiligen Themenbereich werden unter Punkt Sprechhandlungen
Mehr2 ARISTRANS WÖRTERBUCHAKTUALISIERUNG Morphologiereihen Semantische Angaben Verben...
Seite 10 Schwanke: Sprachdidaktik und Computer Inhalt VORWORT... 9 INHALT... 10 1 EINLEITUNG... 13 2 ARISTRANS... 16 2.1 WÖRTERBUCHAKTUALISIERUNG... 17 2.1.1 Morphologiereihen... 19 2.1.2 Semantische Angaben...
MehrLernfortschritt und Statistik im Test
! Lernfortschritt und Statistik im Test Erläuterungen zu den Kennzahlen Stand: 06. März 07! Supportstelle für ICT-gestützte Lehre und Forschung Hochschulstrasse 6 0 Bern http://www.ilub.unibe.ch info@ilub.unibe.ch
MehrPraktikum Maschinelle Übersetzung Lexikon and Word Alignment
Praktikum Maschinelle Übersetzung Lexikon and Word Alignment Um die Aufgaben auszuführen, können Sie ihre Daten in folgendem Verzeichnis speichern: /project/smtstud/ss10/systems/username/ Wir werden zunächst
MehrDaten zum Wortschatz von 20 25 Monate alten Kindern
Daten zum Wortschatz von 20 25 Monate alten Kindern Waldemar v. Suchodoletz Version vom 19.01.2010 Die frühe lexikalische Entwicklung von deutschsprachig aufwachsenden Kindern wurde bislang erst an einzelnen
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2010 / 2011 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
MehrSprachtechnologien und maschinelle Übersetzung heute und morgen eine Einführung Martin Kappus (ZHAW)
Martin Kappus (ZHAW) Ablauf: Warum sprechen wir heute über maschinelle Übersetzung? Geschichte und Ansätze Eingabe-/Ausgabemodi und Anwendungen 2 WARUM SPRECHEN WIR HEUTE ÜBER MASCHINELLE ÜBERSETZUNG?
MehrErgebnisbericht. Vergleichsarbeit Mathematik 8. Schuljahrgang. Schuljahr 2006/2007. Klasse 8 Freies Gymnasium - Ersatzschule
Ergebnisbericht Vergleichsarbeit Mathematik 8. Schuljahrgang Schuljahr 6/7 Klasse 8 Freies Gymnasium - Ersatzschule 1 Ziele der Vergleichsarbeit Sehr geehrte Damen und Herren, dieser Ergebnisbericht enthält
MehrVorlesung Dokumentation und Datenbanken Klausur
Dr. Stefan Brass 2. Juli 2002 Institut für Informatik Universität Giessen Vorlesung Dokumentation und Datenbanken Klausur Name: Geburtsdatum: Geburtsort: (Diese Daten werden zur Ausstellung des Leistungsnachweises
MehrDELA Wörterbücher ===========================================================
DELA Wörterbücher =========================================================== Der Umgang mit externen Ressourcen in Unitex Was man beim Erstellen eigener Lexika beachten sollte? Ein Vortrag von Michaela
MehrDynamische Geometrie
Dynamische Geometrie 1) Die Mittelsenkrechten, die Seitenhalbierenden, die Höhen und die Winkelhalbierenden eines beliebigen Dreiecks schneiden sich jeweils in einem Punkt. a) Untersuchen Sie die Lage
MehrMake your world simpler
Automatische Vervollständigung von Wikipedia-Listen Make your world simpler Universität Freiburg Lehrstuhl für Algorithmen und Datenstrukturen Universität Freiburg Simon Skilevic, Robin Schirrmeister 26.4.2012
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Grundlagen Laura Kallmeyer Heinrich-Heine-Universität Düsseldorf Summer 2016 1 / 21 Diskrete Wahrscheinlichkeitsräume (1) Carstensen et al. (2010), Abschnitt
MehrAuswertung Lernstandsergebnisse 2014
Auswertung Lernstandsergebnisse 2014 Die Ergebnisse der Lernstandserhebung 2014 liegen schulintern sowie im Landesvergleich vor. Bevor auf die Einzelauswertung eingegangen wird, zunächst einige Vorbemerkungen
MehrVollständige Liste mit Könnens-Standards zur Erstellung didaktischer Analysen
@ 8005-21, Seite 1 Vollständige Liste mit Könnens-Standards zur Erstellung didaktischer Analysen Abschnitt 1 (allgemeine Lernvoraussetzungen) Die Lerner kennen die Eigennamen, können die Personen auf Abbildungen
MehrDas Bewertungswerkzeug in meinem OLAT-Kurs
Das Bewertungswerkzeug in meinem OLAT-Kurs Eine Schritt-für-Schritt Anleitung 29.12.2015 Überblick Was ist das Bewertungswerkzeug? Wo finde ich das Bewertungswerkzeug? Das Bewertungswerkzeug Bewertung
MehrMittelwert, Standardabweichung, Median und Bereich für alle durchgeführten Messungen (in Prozent)
3. Ergebnisse 3.1 Kennwerte, Boxplot Die Kennwerte der deskriptiven Statistik sind in der Tabelle 1 für alle Messungen, in der Tabelle 2 für die Messungen, bei denen mit der Referenzmethode eine festgestellt
MehrBayerische Deutschtests an Realschulen 2004
Teilnehmer: Schülerinnen und Schüler der 6. Jahrgangsstufe Schülerinnen und Schüler der 8. Jahrgangsstufe Bayernweit nahmen teil: in : 34868 Schülerinnen und Schüler in Jahrgangsstufe 8: 26858 Schülerinnen
MehrJahresschlusstest 2018
Jahresschlusstest 2018 Datum Klasse 18. und 19. Juni 1. Real Lernziele MA / DE / EN (E, M, G) Prüfungsinhalt Mathematik Mathematik 1, ohne Taschenrechner Ich kann Zahlen in unterschiedlichen Schreibweisen
MehrLEITFADEN FÜR DAS PRÜFUNGSPROJEKT (BA) KOMMENTIERTE ÜBERSETZUNG
KOMMENTIERTE ÜBERSETZUNG A) Rahmenbedingungen Bearbeitungszeit: Für das Prüfungsprojekt Übersetzung und Kommentar steht den KandidatInnen eine Bearbeitungszeit von 180 Minuten zur Verfügung. Textlänge:
MehrFriedrich-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
MehrHandbuchübersetzung vs. Softwarelokalisierung. "Übersetzung braucht Kontext - Visualisierungen brauchen einen Acceptance Test"
Handbuchübersetzung vs. Softwarelokalisierung "Übersetzung braucht Kontext - Visualisierungen brauchen einen Acceptance Test" Ausgangssituation Übersetzungen vom Fachmann Von einem ausgewiesenen Fachmann
MehrFach: Deutsch Jahrgang: 7
In jeder Unterrichtseinheit muss bei den überfachlichen Kompetenzen an je mindestens einer Selbst-, sozialen und lernmethodischen Kompetenz gearbeitet werden, ebenso muss in jeder Einheit mindestens eine
MehrIhr Kind und das standardisierte Testverfahren
Ihr Kind und das standardisierte Testverfahren Informationsbroschüre für Eltern Im Laufe seiner Grundschulzeit wird Ihr Kind an standardisierten Tests zum englischen Leseverständnis und in Mathematik teilnehmen.
MehrElektronische Postkorbübung (e-tray): Verwaltungsräte
Elektronische Postkorbübung (e-tray): Verwaltungsräte Was ist ein elektronischer Postkorb? Bei der elektronischen Postkorbübung handelt es sich um eine rechnergestützte Simulation einer realen Arbeitssituation
MehrInhaltsverzeichnis. Danksagung. Abbildungs Verzeichnis
Inhaltsverzeichnis Danksagung Inhaltsverzeichnis Abbildungs Verzeichnis Teil 1 1 1. Fragestellung 3 2. Einleitung : 4 3. Aspekte des Zweitspracherwerbs 9 3.1 Neurophysiologische Aspekte des Zweitspracherwerbs
MehrLösungsvorschlag für das Übungsblatt 8. Aufgabe1.
Lösungsvorschlag für das Übungsblatt 8. Aufgabe1. 3 Det A N VP R6 4 Any A N VP L3 5 Any intelligent N VP L4 6 Any intelligent cat VP L2 Nach den Regeln kann der Satz weiter nicht erzeugt warden, deswegen
MehrMaschinelles Übersetzen natürlicher Sprachen 2. Praktikum. SS 2012 Torsten Stüber
Maschinelles Übersetzen natürlicher Sprachen 2 Praktikum SS 2012 Torsten Stüber Zielstellung Entwicklung eines einfachen Übersetzungssystems I saw her duck. Übersetzer Ich sah ihre Ente. SMT-System Statistical
MehrHandreichung: Zielvereinbarung und Bewertungsprozess im Bonus-Programm
Senatsverwaltung für Bildung, Jugend und Wissenschaft Handreichung: Zielvereinbarung und Bewertungsprozess im Bonus-Programm Der Zielvereinbarungsprozess im Rahmen des Bonus-Programms orientiert sich am
MehrProjekt 18plus - Psychologische Kleingruppenberatung
Evaluierung Projekt 18plus - Psychologische Kleingruppenberatung Die Kleingruppenberatung des Projektes 18plus für die teilnehmenden oberösterreichischen und auch zum Teil niederösterreichischen Schulen
MehrNotenverwaltung. 1. Eröffnung. 2. Tabellen. Für jede Klasse wird pro Notenperiode eine eigene Datei geführt.
. Eröffnung Für jede Klasse wird pro Notenperiode eine eigene Datei geführt. Öffnen Sie die Datei Noten.xls. Wählen Sie bei entsprechender Nachfrage "Makros aktivieren". Speichern Sie die Datei unter einem
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2011 / 2012 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
MehrNLP 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
MehrKASUS NUMERUS GENUS DEKLIN. MUSTER/PARA. -en Gen (Sg) Schw 10 / 26
Adjektiv-Schema Deutsche Nomen und Adjektive haben wesentlich mehr Paradigmen als unterschiedliche lexikalische Formen. Für die Endungsformen -en und -e ergeben sich 26 bzw. 11 Paradigmen. Eine Darstellung
Mehreine eye-tracking Studie
Transfereffekte und wortartenabhängige Verbesserung von fremdsprachlichem Textverständnis eine eye-tracking Studie Manuel Neurauter, Marco R. Furtner, Pierre Sachse Übersicht Theoretischer Hintergrund
MehrErfolgreich starten am Gymnasium
3 Monate Premium-Mitgliedschaft nur 0,89 bei www.lernhelfer.de mit digitalen Lernkarten Gute Noten von Anfang an Erfolgreich starten am Gymnasium Englisch Duden Erfolgreich starten am Gymnasium Englisch
MehrWidder, Zwilling, Steinbock welche Sternzeichen haben Münchner Ehepaare?
, Zwilling, welche Sternzeichen haben Münchner Ehepaare? Text, Tabellen und Grafiken: Adriana Kühnl Bezugnehmend auf den Artikel Ein Drittel der Münchner Bevölkerung ist am 30.06.2018 verheiratet aus der
MehrLFG-basierter Transfer
Inhaltsverzeichnis 1 2 2 Ein Beispiel 4 3 Strukturaufbau 7 4 Alternative Übersetzungen 8 5 Adjunkte 9 6 Kodeskription 10 http://www.ims.uni-stuttgart.de/ gojunaa/mue_tut.html 1 1 Um einen quellsprachlichen
MehrTerminologie zum Dreyer & Bosse BHKW 110 kw
Terminologie zum Dreyer & Bosse BHKW 110 kw Teilgruppe 1: Terminologische Erfassung der Fachwörter des Dreyer & Bosse BHKW 110 kw Begriffe des Textkorpus von % bis Bedienelement Bearbeitet von: Lars Nordmann
MehrFächerwahl Realschule
06.04.2018 21:07 1/14 Dieser Artikel behandelt die realschulspezifischen Besonderheiten im Modul Fächerwahl. Wenn Sie zunächst allgemeine Informationen benötigen, lesen sie hierzu diesen Artikel. Die Einstellungen
MehrSynopse. Sechster Beschluss des Fachbereichs 09 Agrarwissenschaften, Ökotrophologie und Umweltmanagement - vom 21. Dezember 2011
Synopse Sechster Beschluss des Fachbereichs 09 Agrarwissenschaften, Ökotrophologie und Umweltmanagement - vom 21. Dezember 2011 zur Änderung der Speziellen Ordnung der Bachelor- und Masterstudiengänge
MehrNamed Entity Recognition auf Basis von Wortlisten
Named Entity Recognition auf Basis von Wortlisten EDM SS 2017 Lukas Abegg & Tom Schilling Named Entity Recognition auf Basis von Wortlisten Lukas Abegg - Humboldt Universität zu Berlin Tom Schilling -
MehrKap.1: Was ist Wissen? 1.1 Begriff des Wissens (1)
Kap.1: Was ist Wissen? 1.1 Begriff des Wissens (1) Zusammenfassung: Diskutiert wurde: A) Wissensbegriff in verschiedenen Wissenschaften B) Daten Information Wissen Ebenen: (E1) Übermittlung physikalischer
MehrUSB PluS. Unterrichtsbegleitende Sprachstandsbeobachtung, Profilanalysen und Sprachbildung. Referenzprofile des Instruments USB PluS
Unterrichtsbegleitende Sprachstandsbeobachtung, Profilanalysen und Sprachbildung Referenzprofile des Instruments Bundesinstitut für Bildungsforschung, Innovation & Entwicklung des österreichischen Schulwesens
Mehr3. Grundbegriffe der Wahrscheinlichkeitstheorie
03. JULI 2006: BLATT 17 3. Grundbegriffe der Wahrscheinlichkeitstheorie (v.a. nach Manning/Schütze: 40ff und Fahrmeir /Künstler/Pigeot/Tutz: 171ff) Übersicht Um entscheiden zu können, ob eine statistische
MehrAbschlussklausur , 10:30 bis 13:30
FU Berlin: SoSe 18 (Mathematik I, Weber) Abschlussklausur 26.7.2018, 10:30 bis 13:30 Name: Matrikelnummer: Unterschrift: Bewertung (vom Dozenten auszufüllen): Aufgabe 1 2 3 4 5 6 7 8 Summe Maximal erreichbare
MehrAuswertung: !!!!! Tabelle 1
Auswertung: An dem Projekt nahmen 13 Buben und 9 Mädchen teil, davon waren 4 Buben Linkshänder alle anderen Kinder Rechtshänder (vgl. Tabelle 1). Der Vollständigkeit halber muss ebenfalls darauf hingewiesen
MehrLatein und Griechisch
Die kompetenzorientierte Reifeprüfung Latein und Griechisch Vorschlag eines Beurteilungsschemas Impressum: Herausgeber und Verleger: Bundesministerium für Bildung und Frauen, 1010 Wien Koordination: Renate
MehrSDLXLIFF in TagEditor. SDLXLIFF-Dateien aus SDL Trados Studio 2009 in TagEditor übersetzen. Leitfaden
SDLXLIFF in TagEditor SDLXLIFF-Dateien aus SDL Trados Studio 2009 in TagEditor übersetzen Leitfaden Autor Daniel Zielinski, info@loctimize.com Druck 13. April 2011 Copyright 2011 Loctimize GmbH Dieses
MehrEinführung Computerlinguistik. Konstituentensyntax II
Einführung Computerlinguistik Konstituentensyntax II Hinrich Schütze & Robert Zangenfeind Centrum für Informations- und Sprachverarbeitung, LMU München 2013-11-18 1 / 31 Take-away Phrasenstrukturgrammatik:
MehrKorrekturschema Mathematik
Zentrale Aufnahmeprüfung 2012 für die Langgymnasien des Kantons Zürich Korrekturschema Mathematik Lösungen 1. 196.225 (und nicht 196 9 ) 40 2. 3 h 30 min oder 3 Std. 30 min oder 3 Stunden 30 Minuten (und
MehrGrammatikformalismen SS 2007 Ausgewählte Musterlösungen Schreiben Sie eine LFG-Grammatik, die Sätze der folgenden Form erkennt:
Grammatikformalismen SS 2007 Ausgewählte usterlösungen 1 LFG Übungsblatt LFG 1 1. Schreiben Sie eine LFG-Grammatik, die Sätze der folgenden Form erkennt: (1) Der Lehrer schläft. (2) Sie schenkt dem Lehrer
MehrAkademische Sprache. Unterscheidung zwischen. Akademische Sprache: Konversationssprache: Mitteln verständigen können.
Handreichung Akademische Sprache Unterscheidung zwischen Konversationssprache: Fähigkeit, sich im Alltag mit verbalen und nonverbalen Mitteln verständigen können. Akademische Sprache: Fähigkeit, die grundlegenden
MehrMapping the Words 1 / 15
Mapping the Words 1 / 15 Übersetzungsforschung in den DH Linguistik als zentrales Feld in der Entwicklung der DH bilinguale Projekte unterrepräsentiert Übersetzungsbewegungen von zentraler Bedeutung für
MehrEinführung in die Computerlinguistik
Mehrdeutigkeit der Wortart Einführung in die Computerlinguistik Statistische Modellierung und Evaluation WS 2008/2009 Manfred Pinkal Sie haben in Moskau liebe genossen Sie haben in Moskau liebe Genossen
MehrBP S600 Schlusspraktikum Diagnoseaufgaben Fremdsprachen. Nikola Mayer Clément Zürn
BP S600 Schlusspraktikum Diagnoseaufgaben Fremdsprachen Nikola Mayer Clément Zürn Auftrag Fremdsprachen In den Modulen zur Fremdsprachendidaktik und zum Fachdidaktischen Coaching haben Sie bereits intensiv
MehrAuswertungsbericht zur Lehrveranstaltungsbefragung FACH FAKULTÄT STUDIENDEKAN SEMESTER ABRUFDATUM
Auswertungsbericht zur Lehrveranstaltungsbefragung FACH FAKULTÄT STUDIENDEKAN SEMESTER ABRUFDATUM Hintergrundinformationen zum Auswertungsbericht Auszug aus der Evaluationsordnung i.d.f vom 14.09.2010
MehrJahresschlusstest 2019
Jahresschlusstest 2019 Datum Klasse 17. und 18. Juni 1. Real Lernziele MA / DE / EN (E, M, G) Prüfungsinhalt Mathematik Mathematik 1, ohne Taschenrechner LU 8 Brüche-Dezimalbrüche-Prozente Zahlen in unterschiedlichen
MehrDie Funktionen des Programms für Office Excel 2007
Die Funktionen des Programms für Office Excel 2007 Wichtiger Hinweis: Die Tabellenblätter enthalten aufwendige Rechenfunktionen, die gegen unbeabsichtigtes Überschreiben geschützt sind. Heben Sie also
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
MehrAggregatfunktionen in SQL
Aggregatfunktionen in SQL Michael Dienert 14. April 2008 1 Definition von Aggregatfunktionen Ihren Namen haben die Aggregatfunktionen vom englischen Verb to aggregate, was auf deutsch anhäufen, vereinigen,
Mehr3 Jahre Zertifizierungen der Aufbereitung
ÖGSV-wfhss-Congress 2007, Baden bei Wien, 05.05.2007 3 Jahre Zertifizierungen der Aufbereitung auf Basis der deutschen RKI/BfArM-Empfehlung Ein Erfahrungsbericht Dr. Thomas Kießling Sachverständiger für
MehrZusammenfassung der Prüfungsergebnisse. für IKK gesund plus. Prüfungsergebnisse für Zertifizierung: TÜV Service tested
Zusammenfassung der Prüfungsergebnisse für IKK gesund plus Prüfungsergebnisse für Zertifizierung: TÜV Service tested Die Prüfungsergebnisse im Detail 1. Rahmendaten Geprüftes Unternehmen: IKK gesund plus
MehrHPSG. Referat zu dem Thema Kongruenz im Englischen Von Anja Nerstheimer
HPSG Referat zu dem Thema Kongruenz im Englischen Von Anja Nerstheimer Gliederung Einleitung Kongruenz Allgemein Zwei Theorien der Kongruenz Probleme bei ableitungsbasierenden Kongruenztheorien Wie syntaktisch
MehrSchlusspraktikum. Diagnoseaufgaben Fremdsprachen Caroline Müller
Schlusspraktikum Diagnoseaufgaben Fremdsprachen Caroline Müller Auftrag Fremdsprachen In den Modulen zur Fremdsprachendidaktik und zum Fachdidaktischen Coaching haben Sie bereits intensiv mit Bedingungsanalysen
MehrSoftwareprojektpraktikum Maschinelle Übersetzung Automatische Evaluation
Softwareprojektpraktikum Maschinelle Übersetzung Automatische Evaluation Julian Schamper, Jan Rosendahl mtprak18@i6.informatik.rwth-aachen.de 11. April 2018 Human Language Technology and Pattern Recognition
MehrUnser Problem lässt sich relativ leicht lösen, indem wir eine so genannte Internet Suchmaschine benutzen.
Internet Suche 1 Ein Problem Für unsere Gruppenarbeit in Geographie wollen wir wissen, wie viel Einwohner die Stadt Moskau hat. Auch hätten wir gern eine Karte Russlands, welche die Lage der Hauptstadt
MehrSchriftliche Prüfung B1
Aufbau und Ablauf der Prüfung Schriftliche Prüfung B1 Du musst bei der schriftlichen Prüfung einen persönlichen oder formellen Brief mit ca. 100-150 Wörtern schreiben, und dabei auf einen Brief, eine E-Mail,
MehrDer folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre 1990.
Ein polynomieller Algorithmus für das N-Damen Problem 1 Einführung Der folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre
MehrBeispiel-basierte Maschinelle Übersetzung
Beispiel-basierte Maschinelle Übersetzung Cristina Vertan 27.10.2005 MTPraktikum WiSe04/05 1 Terminologie und Abkürzungen Ein Korpus ist eine Sammlung von Texten in einer Domäne, die die wesentlichen Sprachmerkmale
MehrAngaben zum Schuljahresbeginn an den Europäischen Schulen
Schola Europaea Büro des Generalsekretärs Réf. : 2017-10-D-31-de-1 Orig. : FR Angaben zum Schuljahresbeginn 2017-2018 an den Europäischen Schulen Oberster Rat der Europäischen Schulen Sitzung vom 5., 6.
Mehr... Anzahl Aufgaben-Blätter: 30 Anzahl Lösungs-Blätter: 30. DHBW Taschenrechner und DHBW Formelsammlung
Klausur: T2WIW1001 Ausbildungsbereich Technik Studiengang Wirtschaftsingenieurwesen Datum:.04.2013 Matrikel-Nr: (Bitte deutlich schreiben)... Anzahl Aufgaben-Blätter: 30 Anzahl Lösungs-Blätter: 30 Dozent:
MehrSemantik und Pragmatik
Semantik und Pragmatik SS 2005 Universität Bielefeld Teil 4, 6. Mai 2005 Gerhard Jäger Semantik und Pragmatik p.1/35 Prädikatenlogik: atomare Formeln Syntax JO, BERTIE, ETHEL, THE-CAKE... sind Individuenkonstanten
MehrFinite-State-Morphologie in XLE. Grammatikentwicklung, SS 2010
Finite-State-Morphologie in XLE Grammatikentwicklung, SS 2010 1 / 20 Worum es heute geht: Nutzen von Finite-State-Morphologien... und wie man sie in XLE einbaut 2 / 20 Lexikon in XLE Bis jetzt: so genanntes
MehrDEUTSCH LEHRERHANDREICHUNG. 9 e Pratique Régime préparatoire - Modules 6, 7, 8, 9 EPREUVE COMMUNE 2013 / 2014
EPREUVE COMMUNE 20 / 204 DEUTSCH LEHRERHANDREICHUNG 9 e Pratique Régime préparatoire - Modules 6, 7, 8, 9 LEHRERHANDREICHUNG - LESEVERSTEHEN RICHTIGE ANTWORTEN IM BEREICH LESEVERSTEHEN TEXT AUFGABE ITEM
Mehrbwz uri Datenanalyse Minuten Ich wünsche Ihnen viel Erfolg! Name und Vorname Aufgabe Gesamtpunkte Punkte
Datenanalyse 2017 Prüfungsdauer Hilfsmittel Bedingungen 60 Minuten Taschenrechner erlaubt, CAS-Rechner im Prüfungsmodus! Formelsammlung Dokumentieren Sie den Lösungsweg sauber. Der Lösungsweg muss klar
MehrMaster Management AG Monica Master. ACE Allgemeines Problemlösen (hohe Präzision)
Master Management AG - www.master.ch - 044 919 88 44 Erstellt: 11.02.2016 15:34:47. Zertifizierter Benutzer: Master Administrator Monica Master ACE Allgemeines Problemlösen (hohe Präzision) - 12.02.2014
MehrErgebnisse VitA und VitVM
Ergebnisse VitA und VitVM 1 Basisparameter... 2 1.1 n... 2 1.2 Alter... 2 1.3 Geschlecht... 5 1.4 Beobachtungszeitraum (von 1. Datum bis letzte in situ)... 9 2 Extraktion... 11 3 Extraktionsgründe... 15
MehrInhalt Schreibe n im Beruf Beliebte Schreibfehler
Inhalt 1 Schreiben im Beruf.................................... 12 1.1 Warum dieses Buch?.................................. 12 1.2 Was geht mich Grammatik an?......................... 15 1.2.1 Grammatik:
MehrMaschinelle Übersetzung
Maschinelle Übersetzung Wissensmanagement VO 340088 Bartholomäus Wloka https://www.adaptemy.com MÜ Ansätze Zwei Dimensionen: Verarbeitungstiefe Art der verwendeten Technik Seite 2 Verarbeitunstiefe Seite
Mehr3.1.2 Der Beitrag von Wortarten für die Sprachbeschreibung Bisherige Forschungsarbeiten und ihre Anwendung auf das Kreolische...
Inhaltsverzeichnis 1. Mauritius und das Kreolische auf Mauritius... 13 1.1 Landeskundlicher Teil ein Vorwort... 13 1.2 Zu Geographie, Bevölkerungsgruppen und Sprachen auf Mauritius... 14 1.3 Definition:
MehrNachklausur Statistik
Aufgabe 1 2 3 4 5 6 7 8 9 10 Punkte Summe Punkte Gesamtpunkte: Nachklausur Statistik Hinweise: Die Klausur besteht aus 5 Seiten mit insgesamt 10 Aufgaben. Sie müssen aus jeder der beiden Kategorien jeweils
MehrSchulinternes Curriculum im Fach Latein. auf der Grundlage des Bildungsplans 2016 Gymnasium für die Klasse 6
Schulinternes Curriculum im Fach Latein auf der Grundlage des Bildungsplans 2016 Gymnasium für die Klasse 6 Inhaltsverzeichnis Vorbemerkung Curriculum für das Fach Latein Klasse 6 Sprachkompetenz Textkompetenz
MehrMusterlösung zur Übungsklausur Statistik
Musterlösung zur Übungsklausur Statistik WMS4A Oettinger 6/205 Aufgabe (a) Falsch: der Modus ist die am häufigsten auftretende Merkmalsausprägung in einer Stichprobe. (b) Richtig: ein ordinales Merkmal
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2009 / 2010 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
Mehr