Text Mining Wissensrohstoff Text
|
|
- Katarina Schmitz
- vor 7 Jahren
- Abrufe
Transkript
1 Text Mining Wissensrohstoff Text Gerhard Heyer, Stefan Bordag Universität Leipzig Institut für Informatik
2 Polysemie Problem und Lösungsansätze 2
3 1. Polysemie - Problem Mit Ambiguität wird die Eigenschaft von Ausdrücken natürlicher Sprache bezeichnet, denen mehrere Interpretationen zugeordnet werden können. Ambiguität dabei auf mehreren Ebenen: lexikalische Ebene: Ball Ball semantische Ebene (oder auch Strukturelle oder auch kompositionellsemantische): Jeder Mann tanzte mit einer Frau syntaktische Ebene: Mann mit dem Fernrohr sehen Phonemebene: Miene Mine morphologische Ebene: Staubecken Staubecken Der Ambiguität liegen etymologische Entwicklungen zugrunde, semantische Zusammenhänge und v. a. Durch Redundanz in Sprache und Kontext ist es für Menschen kein Problem, diese aufzulösen. 3
4 1.1. Paraphrasierungen Viele Möglichkeiten der Ambiguitätsbehandlung mit Grammatik hier aber lexikalische Ambiguität im Vordergrund Auflösung von A. im normalen Sprachgebrauch: Paraphrasierung lexikalische A.: Dieses Schloss hat mir sehr gut gefallen. Paraphrasiert: Dieses Herrschaftshaus hat mir sehr gut gefallen semantische A.: Jeder Mann tanzte mit einer Frau. -> Jeder Mann tanzte jeweils mit einer Frau. syntaktische A.: I saw mountains flying to New York. -> I saw mountains out of the window when flying to New York. Ambiguität im Text kein Problem durch genügend Kontext. Weitere Auflösungsmöglichkeiten: Grammatische Analyse Außersprachlicher Kontext 4
5 1.2. Polysemie Lösungen space WSI space1: planets space2: office space3: computer space? WSD The space shuttle launched today. This office offers 200 square feet of space. There is no space left on your hard disk. The Hamiltonian space and its properties. WSI Word Sense Induction: Finden der unterschiedlichen Bedeutungen eines Wortes WSD Word Sense Disambiguation: Entscheiden der konkreten Verwendung in einem Satz. 5
6 1.3. Bedeutungsdefinitionen Definitionen der einzelnen Bedeutungen eines Wortes können konstruktiv, beschreibend oder differenzierend sein Es gibt keine wirklich vollständigen konstruktiven Definitionen Beschreibende Definitionen: Der Begriff wird kurz, in ein einem oder zwei Sätzen für einen durchschnittlichen Menschen verständlich erläutert Differenzierende Definitionen: Es werden für jede Bedeutung soviele Begriffe gegeben, dass die konkrete Bedeutung klar von allen anderen abgrenzbar wird. Die Definitionen sind für verschiedene Zwecke ausgelegt: Beschreibende für den Menschen, als Nachschlagemöglichkeit. Differenzierende auch für Menschen nutzbar, aber besser für Algorithmen geeignet (Da Beschreibungen meist zu kurz). 6
7 1.4. Bsp. Bedeutungsdefinitionen lock WordNet (insgesamt 15): 1. [n] any wrestling hold in which some part of the opponent's body is twisted or pressured 2. [n] a fastener fitted to a door or drawer to keep it firmly closed 3. [n] a restraint incorporated into the ignition switch to prevent the use of a vehicle by persons who do not have the key 4. [n] enclosure consisting of a section of canal that can be closed to control the water level; used to raise or lower vessels that pass through it 5. [n] a mechanism that detonates the charge of a gun Webster A tuft of hair; a flock or small quantity of wool, hay, or other like substance 2. the fastening of a door (Hier 8 weitere Unterbedeutungen!) 3. to lock (6 weitere Unterbedeutungen) 7
8 1.5. Berechnung von Bedeutungsdefinitionen Berechnung von Beschreibungen soweit nicht bekannt, dazu müßten ungefähr folgende Komponenten existieren 1. Semantik, um zu beschreibenden Inhalt formalisieren zu können 2. Algorithmen, die Inhalte in diese Semantik bringen können 3. Algorithmen, die diese Inhalte in natürliche Sprache bringen können Andere, unzuverlässige und bislang ebenfalls nicht erprobte Methode wäre Auswahl von Sätzen mit Definitionen: 1. Clustere alle Sätze eines Wortes nach Bedeutungen 2. Wähle die Sätze/Satzteile aus, die wie Definitionen aussehen Schließlich Methode der Berechnung von Kookkurrenzen / Wortassoziationen und Clustering dieser für lediglich distinktive Definition von Bedeutungen 8
9 1.6. Supervised vs. Unsupervised Berechnung kann mit Kontrolle durch Menschen (supervised) oder völlig automatisch (unsupervised) ablaufen Angestrebt: unsupervised, weil am billigsten und am vielversprechendsten als Beitrag zum Verstehen von Sprache das Modell, was am besten funktioniert, ist evtl. auch am ähnlichsten zum tatsächlichen unbekannten Sprachmodell Supervised Methoden aber einfacher und liefern, je nach Menge der hineingesteckten Arbeit bessere Ergebnisse Eine der supervised Methoden ist von Yarowsky 95: Manuelle Zuweisung von Bedeutungen in einem kleinen Teil des gesamt verfügbaren Korpuses, was Ausgangsbasis für Iteratives weiterclustern von weiteren Sätzen ist. 9
10 2. Beispiel WSI Algorithmus WSI Clustering von Kookkurrenzen (Stefan Bordag) Ausgangspunkt: Statistische Kookkurrenzanalyse auf Satzebene am Projekt Deutscher Wortschatz Leipzig Ziel: Gruppierung der Kookkurrenzen eines Wortes entsprechend der Bedeutungen dieses Wortes 10
11 2.1. One sense per Collocation(triplet) feet square leased represented memory storage space spacecraft orbit satellite international MIR broadcast NASA manned shuttle pad planet mission flight radio railway subway police gas TV gasoline nearby station countdown Discovery Atlantis liftoff scheduled plans wheather delayed date next unmanned launch 11
12 2.2. Triplet-Based Clustering Erstelle Tripel vom Eingabewort w i und seiner Kookkurrenzen w 1 w n und bestimme Schnittmenge derer Kookkurrenzen c 1 w i w 1 w 2 c 1 c 2 c 3 c 4 2 w i w 1 w 3 c 2 c 4 c 5 c 6 k w i w 2 w 3 c 6 c 7 c 8 c 9 k +1 w i w 2 w 4 <Schnittmenge leer> m w i w n-1 w n c 10 c 11 c 12 Beim clustern einfach sowohl Schlüssel- (w1 wn) als auch Eigenschaftsmengen (c1 cn) mergen: 1 und 2 werden geclustert, weil c 2 und c 4 übereinstimmen Lösche 1 und 2, neues Element: m +1 w i w 1 (2) w 2 w 3 c 1 c 2 (2) c 3 c 4 (2) c 5 c 6 Resultierende Gruppen von Wörtern definieren (möglicherweise) Bedeutungen des Wortes 12
13 2.3. Bemerkungen zum Algorithmus Annahmen Drei beliebige Wörter entweder Identifizieren eindeutig ein bestimmtes Thema Oder habe gar nichts miteinander zu tun Kookkurrenzen helfen vor allem zwischen lexicalischen Bedeutungen zu unterscheiden, manchmal aber auch zwischen syntaktischen Probleme: Redewendungsverwendungen von Wörtern (zu wenige Kookkurrenzen) Speziell syntaktische Ambiguität resultiert nicht immer im Gebrauch unterschiedlicher lexikalischer Einheiten: to have a walk around my home, to walk home 13
14 2.4. Evaluierung Gold-standard Wenn ein Wörterbuch gegeben ist, könnte man versuchen, jede gefundene Bedeutungsunterscheidung mit den aus Wörterbuch abzugleichen Performanz des Verfahrens wäre dann eine direkte Funtion der Anzahl korrekt gefundener Bedeutungsunterscheidungen Selbstevaluierung Künstliche Elemente Vereinfacht: Polysemie ist, wenn zwei verschiedene Wörter die gleiche Wortform haben Allerdings gibt es auch überlappende Bedeutungen oder abgeleitete (Metaphern) Ist reproduzierbar: Zwei zufällig gewählte Wörter banana und door und ersetze alle Vorkommen mit bananadoor und rechne Kookkurrenzen neu aus 14
15 2.5. Zwei Wörter kombinieren Zwei Wörter werden kombiniert, indem ihre Kookkurrenzen kombiniert werden: banana: Chiquita, republic, fruit, slug, plantations, door: open, front, opened, next, cargo, through, Neues Wort: Bananadoor: open, front, opened, Chiquita, next, cargo, republic, Mögliches Resultat: Bananadoor1: open, front, Chiquita Bananadoor2: cargo, republic, fruit, plantations WSI soll dann die ursprünglichen Vektoren auseinanderdividieren: Ohne zu wissen, wieviele Bedeutungen überhaupt vermischt wurden Ohne zu wissen, ob das Wort überhaupt mehrdeutig ist Es können dann einzelne Fragen untersucht werden: Was passiert, wenn ein sehr frequentes mit einem sehr seltenen Wort vermischt wird? Was, wenn ein Substantiv mit einem Verb vermischt wird (syntaktische Ambiguität)? 15
16 2.6. Evaluierungsmaße Wiederhole den Test mehrere Tausend mal mit verschiedenen Wortpaaren: Eine Bedeutung gilt als korrekt wiederhergestellt, wenn wenigstens 25% der ursprünglichen Wörter wiederhergestellt wurden = retrieval recall (rr) Und wenn wenigstens 60% der gefundenen Wörter wirklich aus dem Originalvektor stammen = retrieval precision (rp) Schlimmste anzunehmende Fälle: (rf=35%): Von 200 Kookkurrenzen nur 50 gefunden, aber alle korrekt Oder 82 gefunden, aber nur 50 aus dem Originalvektor Oder 330 gefunden, aber nur 200 aus Originalvektor Globale Maße: Recall (R): Wie oft wurden die 2 ursprünglichen Bedeutungen gefunden? Precision (P): Wie oft wurden exakt die 2 ursprünglichen Bedeutungen gefunden? (statt 5, z.b.)? 16
17 2.7. Baseline rp und rr drücken die Qualität der Resultate aus P und R repräsentieren die Anzahl der Fälle, wo die word sense induction erfolgreich war (entsprechend den Regeln: (min rr=25% und min rp=60%) Zwei baselines: Gar nichts tun: Das Ergebnis ist dann eine Bedeutung, die nicht als korrekt gilt, daher: P=100%, R=0%, weil rp=50% und das ist unter den 60% für diese eine Bedeutung (rr=100%) Die Menge zufällig in zwei Mengen teilen: P=100%, R=0%, weil wiederum keines der senses den Regeln entspricht: für beide nämlich rp=50% und rr=50% (Falls nichts gefunden wurde, ist Precision definiert als 100%, nicht 0%) Baseline F-measure ist F=0% 17
18 2.8. Versuchsaufbau Um konkrete Fragestellungen zu untersuchen, wurden mehrere Testsets konstruiert: Drei Frequenzklassen von Wörtern (hoch, mittel(250), niedrig(50)) (je 15 Wörter), um zu bestimmen, ob die Frequenz einer Bedeutung Einfluss hat auf die Disambiguierung Drei Wortklassen (Substantive, Verben, Adjektive), um zu bestimmen, ob verschiedene Wortklassen unterschiedlich schwer zu disambiguieren sind Das ermöglicht die Untersuchung von vier Fragestellungen: 1. Ob es z.b. einfacher ist, Bedeutungen von Substantiven als von Verben zu unterscheiden 2. Ob konkrete syntaktische Wortklassen schwerer zu unterscheiden sind als lexikalische Unterscheidungen (to have a walk, to walk) 3. Ob zwei sehr frequente Bedeutungen einfacher zu unterscheiden sind (aber mehr Rauschen) als ein häufiges von einem seltenen (weniger Daten) 4. Ob Überrepräsentation einer Bedeutung über einer anderen das Finden dieser anderen erschwert 18
19 2.9. Die verwendeten Wörter Substantive: high-fr.: picture, average, blood, committee, economy med.-fr.: disintegration, substrate, emigration, thirst, saucepan low-fr.: paratuberculosis, gravitation, pharmacology, papillomavirus, sceptre Verben: high-fr.: avoid, accept, walk, agree, write med.-fr.: rend, confine, uphold, evoke, varnish low-fr.: immerse, disengage, memorize, typify, depute Adjektive: high-fr.: useful, deep, effective, considerable, traditional med.-fr.: ferocious, normative, phenomenal, vibrant, inactive low-fr.: astrological, crispy, unrepresented, homoclinic, bitchy 19
20 2.10. Test 1: Intrawortklassenkombinationen N hml (Wie oft es klappt) P R F 87% 87% 87% (Wie gut es klappt) rp rr rf 91% 64% 75% V hml 78% 64% 70% 80% 55% 65% Al hm 89% 71% 79% 88% 65% 74% Es ist viel schwerer Verbbedeutungen voneinander zu unterscheiden und die unterschiedenen Bedeutungen sind nicht so klar getrennt wie bei den Substantiven Vermutlich weil Verben deutlich weniger semantisch spezifisch sind und in verschiedenen Kontexten benutzt werden können Erfordert analyse von syntaktischen Patterns oder andere syntaktische Information, die nicht von Satzkookkurrenzen verfügbar ist Adjektive sind etwa in der Mitte zwischen Substantiven und Verben, wenn es um die Menge geht, Qualität ist gleich gut wie bei Substantiven 20
21 2.11. Test 2: Einfluss syntaktischer Klassen N/V (Wie oft es klappt) P R F 87% 77% 82% (Wie gut es klappt) rp rr rf 91% 62% 74% N/A 91% 78% 84% 90% 67% 77% V/A 81% 64% 72% 82% 61% 70% Die Performanz sinkt sobald Substantive mit ihren eindeutigen lexikalischen unterscheidungen die Gleichung verlassen Adjektive haben wieder spezifischere Kookkurrenzen, was zu bester Performance führt, wenn Verben gar nicht involviert sind 21
22 2.12. Test 3: Einfluss von Frequenz hoch (Wie oft es klappt) P R F 94% 78% 85% (Wie gut es klappt) rp rr rf 90% 81% 85% mitt 85% 85% 85% 90% 55% 70% nied 75% 50% 60% 71% 42% 52% Je höher die Frequenz, umso besser das Ergebnis Sehr niedrige Frequenz verschlechtert Ergebnisse drastisch data sparseness Höherer Recall für mittelfrequente Wörter im Vergleich zu hochfrequenten Wörtern wegen geringerer Precision (sie splitten häufiger, was es einfacher macht, akzeptable Unterscheidungen zu finden) 22
23 2.13. Test 4: Einfluss von Überrepresentierung h/m (Wie oft es klappt) P R F 86% 80% 83% (Wie gut es klappt) rp rr rf 93% 72% 81% h/n 91% 68% 78% 91% 75% 82% m/n 82% 74% 78% 85% 50% 63% Überrepresentierung einer Bedeutung über eine andere hat leicht verschlechternden Einfluss, der stärker wird, je seltener die kleinere Bedeutung Das erklärt auch, warum WSI Algorithmen nicht die Unterscheidungen in Wörterbüchern wiederfinden können Weil meiste Unterscheidungen extrem selten vorkommen Und hier ist der Einfluss schon sehr stark, obwohl die niedrigfrequenten Wörter immer noch eine vergleichsweise hohe Frequenz von 50 Vorkommen haben! 23
24 2.14. Gesamtresultate Gesamt gemessene Resultate: P=85% R=73% F=79% rp=87% rr=62% rf=72% Wenn Paare statt Tripel genutzt werden: P=91% R=60% F=72% rp=84% rr=63% rf=72% Insgesamt Resultate noch lange nicht perfekt Satzkookkurrenzen nützlich, um grobe Bedeutungsunterscheidungen zu finden, speziell wenn diese durch viele sehr spezifische Wörter ausgedrückt werden Feinere Unterscheidungen, speziell solche zwischen syntaktischen Wortklassen sind schwer zu finden mit Satzkookkurrenzen Syntaktische Patterns würden sehr wahrscheinlich helfen (mehr Forschung nötig) Alternative Ansätze wie Clusterung von Sätzen auch denkbar 24
25 2.15. Beispiele gefundener Unterscheidungen (BNC) sheet: beneath, blank, blanket, blotting, bottom, canvas, cardboard accounts, amount, amounts, asset, assets, attributable, balance line angle, argument, assembly, axis, bottom, boundary, cell, circle, column lines, link, locomotive, locomotives, loop, metres, mouth, north, parallel space astronaut, launch, launched, manned, mission, orbit, rocket, satellite air, allocated, atmosphere, blank, breathing, buildings, ceiling, confined 25
26 2.16. Weitere Verfahren Es gibt noch ChineseWhispers basierene Version von Christian Biemann Im Wesentlichen gleich gut wie WSI SIGIL Verfahren von Daniel B. Neill Basiert auf globalem Clustering aller Wörter Performanz unbekannt Unabhängigkeitsanalyse von R. Rapp Basiert auf Signaltrennung mittels independent component analysis (ICA) Funktioniert nur auf kleinen Datenmengen, Performanz unbekannt 26
27 3.1. Beispiel WSD Algorithmus Disambiguierung mittels sprachunabhängiger, kookkurrenzbasierter Algorithmen Bachelorarbeit Sven Reuter (Folien mit Erlaubnis adaptiert von Sven Reuter) Gegeben: Von WSI produzierte Daten Gesucht: Für jedes Wort entscheiden, welche Bedeutung in welchem Satz verwendet wurde 27
28 3.2. Verfahren (Vorbereitung) Für jedes Wort im Satz: Hole Nummer des Wortes wenn Wort nicht mehrdeutig Hole Kookkurrenzen sonst: Hole Nummern von Wort_0 Hole Kookkurrenzen zu Wort_0 weiter mit ~_1, usw. 28
29 3.3. Verfahren (Analyse) Maximale Bewertung ermitteln Für jedes mehrdeutige Wort: Für jede Bedeutung: Wie viele der anderen Satzwörter in Kookk.-Liste? (mit Faktor gewichten) Wie viele gemeinsame Kookk.-Elemente (akt. Kookk. mit jeder Kookk.- Liste aus Satz)? (mit Faktor gewichten) Bewertung (Summieren) in Output-String richtige Bedeutung setzen x 2 x 3 29
30 3.4. Evaluierung(Verfahren) Benutze Wortpaar, z. B. sitze und Haus Bilde Kunstwort sitzehaus mit den zwei Bedeutungen sitze und Haus Ersetze jedes Vorkommen von sitze / Haus durch sitzehaus Analyse sollte sitze disambiguieren Qualität = richtige Ersetzungen / alle Ersetzungen (WSI & WSD) 30
31 3.5. Evaluierung Verwendete Evaluations-Wörter: hochfrequent, mittelfreq., niedrigfreq. Je 15 Wörter => 3 *15 = Tests pro Auftreten gleich viele Evaluationssätze / Freq.klasse Evaluationsgruppen: 1. Kombinationen innerhalb Frequenzklasse 2. Kombination der Frequenzklassen, z. B. hoch-mittel 31
32 3.6. Evaluierung Warum? Abdeckung aller Klassen Aufzeigen, welchen Einfluss die einzelnen Klassen haben Wo gibt es Probleme und warum? Offensichtliche Probleme: Sinnnahe Wörter / Synonyme als Wortpaar Z. B. richtig & korrekt 32
33 3.7. Evaluierung Sprache: Englisch erstes Ergebnis: 63% nach Kalibrierung der Faktoren: 69% mit Beachtung des Abstands: 71% mit Beachtung des Ranges: 71% (aber: weniger Abweichung) Liegt 7 bis 17% unter der Qualität des WSI 33
34 3.8. Evaluierung mit Beachtung des Abstands: 71% h m l h 79% 83% 86% Qualität m 60% 66% 69% 71% l 62% 65% 65% mittlere Abw. 8% mit Beachtung des Ranges: 71% (aber: weniger Abweichung) h m l h 79% 82% 85% Qualität m 63% 67% 68% 71% l 63% 66% 67% mittlere Abw. 7% 34
35 4. Fazit Für das Problem der Polysemie existieren bereits sprachunabhängige Ansätze Ebenfalls Wissen darüber, welche spezifischen Unterscheidungen besser und welche weniger gut funktionieren Weitere Forschung noch nötig: Unterschiedung feinerer, syntaktischer oder Redewendungsverwendungen von Wörtern Evaluierung in welchen Applikationen bring es wie viel? 35
Lexikalisch-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
Mehr1 Word Sense Disambiguation - Grundlagen
7. Übung zur Vorlesung NLP Analyse des Wissensrohstoes Text im Sommersemester 2008 mit Musterlösungen Dr. Andreas Hotho, Dipl.-Inform. Dominik Benz, Wi.-Inf. Beate Krause 2. Juli 2008 1 Word Sense Disambiguation
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrLexikalische Semantik und semantische Lexika. Manfred Pinkal PJS Word Sense Disambiguation SS 2004
Lexikalische Semantik und semantische Lexika Manfred Pinkal PJS Word Sense Disambiguation SS 2004 Wortbedeutung Wortbedeutungen sind vielschichtig Wortbedeutungen sind offen Unterschiedliche Aspekte von
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de 5. Mai 2017 Human Language Technology and Pattern Recognition Lehrstuhl
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Verfahren in der lexikalischen Semantik WS 2/22 Manfred Pinkal Beispiel: Adjektive im Wahrig-Korpus Frequenzen in einem kleinen Teilkorpus: n groß - -
MehrA Topical/Local Classifier for Word Sense Idendification (TLC) Anne Schwartz
A Topical/Local Classifier for Word Sense Idendification (TLC) Anne Schwartz anne@coli.uni-sb.de A Topical/Local Classifier for Word Sense Idendification (TLC) entwickelt von: - Martin Chodorow (Dep. of
MehrKraftwerk Berlin. Today, this formerly silenced Berlin power station is a vibrant place for exhibitions and events. A space resonating with energy.
Kraftwerk At the centre of, on the Köpenicker Straße, is the former power station Mitte a piece of s industrial history. Built approximately at the same time as the Wall during the years 1960-1964, its
MehrDependency Locality Theory von Edward (Ted) Gibson. Die. Seminar Konnektionistische Sprachverarbeitung, Benjamin Udiljak. 10.
Die Dependency Locality Theory von Edward (Ted) Gibson Seminar Konnektionistische Sprachverarbeitung, 2009 Benjamin Udiljak 10. November 2009 Problemstellung und neue Erkenntnisse Komplexität durch eingebettete
MehrProjektgruppe. Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten
Projektgruppe Jennifer Post Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten 2. Juni 2010 Motivation Immer mehr Internet-Seiten Immer mehr digitale Texte Viele Inhalte ähnlich oder gleich
MehrMagic Figures. We note that in the example magic square the numbers 1 9 are used. All three rows (columns) have equal sum, called the magic number.
Magic Figures Introduction: This lesson builds on ideas from Magic Squares. Students are introduced to a wider collection of Magic Figures and consider constraints on the Magic Number associated with such
MehrKLAUSUR ZUM BACHELORMODUL PROBEKLAUSUR VORLESUNG COMPUTERLINGUISTISCHE ANWENDUNGEN PROBEKLAUSUR, DR. BENJAMIN ROTH KLAUSUR AM
KLAUSUR ZUM BACHELORMODUL PROBEKLAUSUR VORLESUNG COMPUTERLINGUISTISCHE ANWENDUNGEN PROBEKLAUSUR, DR. BENJAMIN ROTH KLAUSUR AM VOR NACH MATRIKELNUMMER: STUDIENGANG: B.Sc. Computerlinguistik, B.Sc. Informatik,
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Verfahren in der lexikalischen Semantik Evaluation Annotation eines Goldstandard : Testkorpus mit der relevanten Zielinformation (z.b. Wortart) Automatische
MehrASKING THE WAY CODE 175
ASKING THE WAY Fertigkeit Hören Relevante(r) Deskriptor(en) Deskriptor 3: Kann Anweisungen, Fragen und Auskünfte in einem sprachlich vertrauten Kontext (z.b. Wegerklärungen) meistens verstehen. (A2) Themenbereich(e)
MehrGerman translation: technology
A. Starter Write the gender and the English translation for each word, using a dictionary if needed. Gender (der/die/das) German English Handy Computer Internet WLAN-Verbindung Nachricht Drucker Medien
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
Mehr(Bamberg)
Konzeption eines Frameworks für die Evaluation von Tag-Suggestion-Algorithmen Martin Garbe Steffen Oldenburg Lukas Zielinski Prof. Dr. Clemens Cap (Universität Rostock) 08.05.2008 (Bamberg) Übersicht Tags
MehrWhere are we now? The administration building M 3. Voransicht
Let me show you around 9 von 26 Where are we now? The administration building M 3 12 von 26 Let me show you around Presenting your company 2 I M 5 Prepositions of place and movement There are many prepositions
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
MehrExercise (Part V) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part V) 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
MehrTUD Computer Poker Challenge
TUD Computer Poker Challenge The Challenge of Poker Björn Heidenreich 31. März 2008 The Challenge of Poker Björn Heidenreich 1 Anforderungen an einen guten Poker-Spieler Hand Strength Hand Potential Bluffing
MehrClustern: Voraussetzungen
Clustering Gruppen (Cluster) ähnlicher Elemente bilden Elemente in einem Cluster sollen sich möglichst ähnlich sein, u. den Elementen in anderen Clustern möglichst unähnlich im Gegensatz zu Kategorisierung
MehrInformationen zur Verwendung des TFE-Portals / Information for Using the TFE portal
Informationen zur Verwendung des TFE-Portals / Information for Using the TFE portal Inhalt / Content Vorraussetzungen für Java Web Start /... 3 Prerequisited for Java-WebStart... 3 Datenempfang /... 3
MehrPaper Reference. Paper Reference(s) 4375/01 London Examinations IGCSE German Paper 1: Listening
Centre No. Candidate No. Paper Reference 4 3 7 5 0 1 Surname Signature Paper Reference(s) 4375/01 London Examinations IGCSE German Paper 1: Listening Tuesday 22 May 2007 Afternoon Time: 30 minutes (plus
Mehr5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
MehrBrandbook. How to use our logo, our icon and the QR-Codes Wie verwendet Sie unser Logo, Icon und die QR-Codes. Version 1.0.1
Brandbook How to use our logo, our icon and the QR-Codes Wie verwendet Sie unser Logo, Icon und die QR-Codes Version 1.0.1 Content / Inhalt Logo 4 Icon 5 QR code 8 png vs. svg 10 Smokesignal 11 2 / 12
MehrPräsentation. Bachelorarbeit: A keyword translator for Broccoli. Iradj Solouk
Präsentation Bachelorarbeit: A keyword translator for Broccoli Iradj Solouk Übersicht Einleitung Algorithmus Evaluation Verfeinerung 2 Übersicht Einleitung Motivation Definition Algorithmus Evaluation
MehrIntroduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2016
to to May 2016 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
MehrCan you tell me the way and a bit more? Zufällige Begegnungen sprachlich nutzen VORANSICHT. Das Wichtigste auf einen Blick.
I/B Communication Speaking 7 Can you tell me the way? (Kl. 6/7) 1 von 24 Can you tell me the way and a bit more? Zufällige Begegnungen sprachlich nutzen (Klassen 6 und 7) Ein Beitrag von Sylvia Schmidt,
MehrAutomatische Rekonstruktion und Spezifizierung von Attributnamen in Webtabellen
Automatische Rekonstruktion und Spezifizierung von Attributnamen in Webtabellen Mark Reinke Bachelorarbeit TU Dresden 17. Februar 2014 Webtabellen Warum sind Webtabellen von Bedeutung? Sie können relationale
MehrSpeech Recognition Grammar Compilation in Grammatikal Framework. von Michael Heber
Speech Recognition Grammar Compilation in Grammatikal Framework von Michael Heber Agenda 1. Einführung 2. Grammatical Framework (GF) 3. Kontextfreie Grammatiken und Finite-State Modelle 4. Quellen 2 1.
MehrNumber of Maximal Partial Clones
Number of Maximal Partial Clones KARSTEN SCHÖLZEL Universität Rostoc, Institut für Mathemati 26th May 2010 c 2010 UNIVERSITÄT ROSTOCK MATHEMATISCH-NATURWISSENSCHAFTLICHE FAKULTÄT, INSTITUT FÜR MATHEMATIK
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
MehrKurfzassung Deutsch. Poier Lorenz. MMag. Wilhelm Loibl
Kurfzassung Deutsch Novelty Mining Algorithmus zur Trendsporterkennung Poier Lorenz MMag. Wilhelm Loibl Einleitung Diese Arbeit versucht ein Instrument für die Erkennung von Trends im Tourismus durch die
MehrATEX-Check list. Compiled by: Date: Signature: Acceptable practice at the determination of flash point: Closed cup according to ISO 2719
Fire and explosion hazard ATEX 137 1999/92/EG und ATEX 95 2014/34/EU Danger assessment and determination of explosion protection zone for the test space as well as the installation site ATEX-Check list
MehrMock Exam Behavioral Finance
Mock Exam Behavioral Finance For the following 4 questions you have 60 minutes. You may receive up to 60 points, i.e. on average you should spend about 1 minute per point. Please note: You may use a pocket
MehrLange Abhängigkeiten in Brosziewski-Derivationen
Lange Abhängigkeiten in Brosziewski-Derivationen (UiL-OTS, Universiteit Utrecht) C.Unger@uu.nl GGS, Leipzig, 22. 24. Mai 2009 > Ziel Ziel W-Bewegung in einer derivationellen Syntax mit strikt lokalen Operationen,
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
MehrWordNet Eine elektronische lexikalische Datenbank
WordNet Eine elektronische lexikalische Datenbank Michael Zilske WordNet enthält 95600 Wortformen, davon 51500 einfache Wörter und 44100 Kollokationen) in 70100 Bedeutungen mit kurzen Umschreibungen, manchmal
MehrInterdisziplinäre fachdidaktische Übung: Formale Sprache Definitionen, Funktionen
Interdisziplinäre fachdidaktische Übung: Formale Sprache Definitionen, en SS 2013: Grossmann, Jenko 1 Definitionen Folgenden Begriffe werden oft synonym verwendet: Formale Sprache Programmiersprache Computersprache
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
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
MehrAutomatische Textzusammenfassung
Ruprecht Karls Universität Heidelberg Lehrstuhl für Computerlinguistik HS Information Retrieval Automatische Textzusammenfassung Referat von Elena Loupanova 23.01.2006 Definition Textzusammenfassung The
MehrRelationen zwischen Nomen und ihren Assoziationen. Michael Roth
Relationen zwischen Nomen und ihren Assoziationen Michael Roth 2 Assoziationen sind psychologisch interessant. Wie erfolgt der Zugriff auf sie? Welche Bedeutung haben sie? erfüllen einen linguistischen
MehrVery simple methods for all pairs network flow analysis
Very simple methods for all pairs network flow analysis obias Ludes 0.0.0. Einführung Um den maximalen Flusswert zwischen allen Knoten eines ungerichteten Graphen zu berechnen sind nach Gomory und Hu nur
MehrSeminar Sicherheit und Softwareengineering WS 2013 / Isabell Kullack FEHLERANALYSE VON REQUIREMENTS DOCUMENTS
Isabell Kullack FEHLERANALYSE VON REQUIREMENTS DOCUMENTS Requirements Documents Was sind Requirements Documents? Anforderungsdokumente in industriellen Software-Projekten Häufig in natürlicher Sprache
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,
MehrWalter Buchmayr Ges.m.b.H.
Seite 1/10 Chapter Description Page 1 Advantages 3 2 Performance description 4 3 Settings 5 4 Options 6 5 Technical data 7 6 Pictures 8 http://members.aon.at/buchmayrgmbh e-mail: walter.buchmayr.gmbh@aon.at
MehrEnglisch-Grundwortschatz
Englisch-Grundwortschatz Die 100 am häufigsten verwendeten Wörter also auch so so in in even sogar on an / bei / in like wie / mögen their with but first only and time find you get more its those because
MehrEinführung in die Computerlinguistik Tokenizer und Textstatistik mit Perl
Einführung in die Computerlinguistik Tokenizer und mit Perl Dozentin: Wiebke Petersen 7.6.2010 Wiebke Petersen Einführung CL (SoSe 2010) 1 Tokenisierung Segmentierung von Flieÿtext in Wörter. Segmentierung
MehrTube Analyzer LogViewer 2.3
Tube Analyzer LogViewer 2.3 User Manual Stand: 25.9.2015 Seite 1 von 11 Name Company Date Designed by WKS 28.02.2013 1 st Checker 2 nd Checker Version history Version Author Changes Date 1.0 Created 19.06.2015
MehrName: Klasse: Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS. 21. September Englisch. Schreiben. öffentliches Dokument
Name: Klasse: Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS 21. September 2016 Englisch (B2) Schreiben Hinweise zum Beantworten der Fragen Sehr geehrte Kandidatin, sehr geehrter Kandidat!
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 7 (21.5.2014) Binäre Suche, Hashtabellen I Algorithmen und Komplexität Abstrakte Datentypen : Dictionary Dictionary: (auch: Maps, assoziative
MehrLexikalische Semantik. Was ist ein Wort? Was ist in einem Wort?
Lexikalische Semantik Was ist ein Wort? Was ist in einem Wort? Was ist ein Wort? Er machte nicht viele Wörter. Deine Wörter in Gottes Ohr! Ich stehe zu meinen Wörtern Ein Essay von 4000 Worten Im Deutschen
MehrExercise (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
MehrEin Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten. Click here if your download doesn"t start automatically
Ein Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten Click here if your download doesn"t start automatically Ein Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten Ein Stern in dunkler
MehrEinführung in die Computerlinguistik Tokenizer und Textstatistik mit Perl
Einführung in die Computerlinguistik Tokenizer und mit Perl Dozentin: Wiebke Petersen 7.6.2010 Wiebke Petersen Einführung CL (SoSe 2010) 1 Tokenisierung Segmentierung von Flieÿtext in Wörter. Segmentierung
MehrLevel 1 German, 2012
90886 908860 1SUPERVISOR S Level 1 German, 2012 90886 Demonstrate understanding of a variety of German texts on areas of most immediate relevance 9.30 am Tuesday 13 November 2012 Credits: Five Achievement
MehrBausatz Lichtschranke Kit Light Barrier
Verwendung des Nachrüstsatzes Der Bausatz Lichtschranke - Teile Nr. 0806 49000 ist für Nähanlagen der Klasse 806 vorgesehen. Inhalt des Teilesatzes Lichtschranke für Transferplatte Lichtschranke für automatisches
MehrSPINNER MOBILE COMMUNICATION
KOAXIALE VERTEILER & RICHTKOPPLER COAXIAL SPLITTERS & COUPLERS SPINNER bietet seinen Kunden extrem breitbandige Komponenten, die eine gemeinsame Nutzung eines Verteilersystems für alle Mobilfunkanwendungen
MehrFrequent Itemset Mining + Association Rule Mining
Frequent Itemset Mining + Association Rule Mining Studiengang Angewandte Mathematik WS 2015/16 Frequent Itemset Mining (FIM) 21.10.2015 2 Einleitung Das Frequent-Itemset-Mining kann als Anfang des modernen,
MehrSnap-in switch for switches PSE, MSM and MCS 30
Product manual Snap-in switch for switches PSE, MSM and MCS 30 CONTENTS 1. PRODUCT DESCRIPTION 2. DATA AND DIMENSIONAL DRAWINGS 2.1. Technical Data 2.2. Dimensions of PSE with a Mounting Diameter 19 mm
MehrBRUUDT Kennzeichenhalter für die Honda NC750X ab 2016 BRUUDT Tail Tidy for the Honda NC750X 2016 and onwards.
Montageanleitung Mounting instructions BRUUDT Kennzeichenhalter für die Honda NC750X ab 2016 BRUUDT Tail Tidy for the Honda NC750X 2016 and onwards. Noch einmal vielen Dank, dass Sie sich für unsere Produkte
Mehrschnelle Herringbone-Kette
Anleitung Pattern schnelle Herringbone-Kette Level: einfach/easy Technik: Herringbone deutsch english Vorwort Vorab möchte ich mich herzlich für den Kauf meiner Anleitung bedanken! Diese E-Books entstehen
MehrLevel 1 German, 2014
90886 908860 1SUPERVISOR S Level 1 German, 2014 90886 Demonstrate understanding of a variety of German texts on areas of most immediate relevance 9.30 am Wednesday 26 November 2014 Credits: Five Achievement
MehrGrundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
MehrPanorama der Mathematik und Informatik
Panorama der Mathematik und Informatik 7: Don Knuth II Dirk Frettlöh Technische Fakultät / richtig einsteigen Recall: Bei kombinatorischen Problemen sucht man: Rekursionsgleichung (gut) Erzeugende Funktion
MehrAdventure-Problem. Vorlesung Automaten und Formale Sprachen Sommersemester Adventure-Problem
-Problem Vorlesung Automaten und Formale Sprachen Sommersemester 2018 Prof. Barbara König Übungsleitung: Christina Mika-Michalski Zum Aufwärmen: wir betrachten das sogenannte -Problem, bei dem ein Abenteurer/eine
MehrExercise (Part VIII) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part VIII) 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.
MehrDein Babbel Englisch-Lernplan für die nächsten 6 Monate
Dein Babbel Englisch-Lernplan für die nächsten 6 Monate So benutzt du deinen Lernplan Good luck! b a b b e l h o m e p a g e : Auf deinem Babbel Home- Bildschirm findest du die Auswahlmöglichkeiten Mein
MehrState of the Art in Anti- Automation Technologies in Today s Web. Markus Haudum Stefan Panhuber
State of the Art in Anti- Automation Technologies in Today s Web Markus Haudum Stefan Panhuber Übersicht Einführung (HIP) Yahoo Altavista Variationen von CAPTCHAs Gimpy, EZ-Gimpy PIX Bongo Sounds Formeln
MehrDiskriminatives syntaktisches Reranking für SMT
Diskriminatives syntaktisches Reranking für SMT Fortgeschrittene Themen der statistischen maschinellen Übersetzung Janina Nikolic 2 Agenda Problem: Ranking des SMT Systems Lösung: Reranking-Modell Nutzung
MehrLevel 2 German, 2015
91126 911260 2SUPERVISOR S Level 2 German, 2015 91126 Demonstrate understanding of a variety of written and / or visual German text(s) on familiar matters 2.00 p.m. Friday 4 December 2015 Credits: Five
MehrSemantic Web für Menschen wie du und ich
Semantic Web für Menschen wie du und ich benutzerfreundliche Anwendung semantischer Technologien Tobias Kuhn Institut für Informatik Universität Zürich 16. KnowTalk 1. Februar 2011 KnowGravity Inc., Zürich
MehrSchwierigkeitsbestimmung von C-Test-Lücken. Lisa Beinborn Assozierte Doktorandin UKP-DIPF UKP Lab, TU Darmstadt 09 July 2013
Schwierigkeitsbestimmung von C-Test-Lücken Lisa Beinborn Assozierte Doktorandin UKP-DIPF UKP Lab, TU Darmstadt 09 July 2013 Virtualisierung vereinfacht individuelle Förderung Anpassung von Lernmaterialien
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
MehrThere are 10 weeks this summer vacation the weeks beginning: June 23, June 30, July 7, July 14, July 21, Jul 28, Aug 4, Aug 11, Aug 18, Aug 25
Name: AP Deutsch Sommerpaket 2014 The AP German exam is designed to test your language proficiency your ability to use the German language to speak, listen, read and write. All the grammar concepts and
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrGÜNTHER ÖLSCHLÄGER 3.3 MEHRDEUTIGKEIT SPRACHLICHER AUSDRÜCKE
1 GÜNTHER ÖLSCHLÄGER 3.3 MEHRDEUTIGKEIT SPRACHLICHER AUSDRÜCKE MEHRDEUTIGKEIT SPRACHLICHER AUSDRÜCKE 2 GLIEDERUNG Vermeintliche Mehrdeutigkeit im Alltag Vagheit Ambiguität - Übersicht Kompositional Lexikalisch
MehrWireless Earbuds. D39 Trouble Shooting
Wireless Earbuds D39 Trouble Shooting Q: Pairing failed. A:1) Put the earbuds back to the charging case and make sure that they are off. 2) Take the earbuds out of the case and they are automatically on.
MehrDOWNLOAD. At home. Erste Schritte in Englisch. zur Vollversion. Anne Scheller. Downloadauszug aus dem Originaltitel: Klasse 3 4
DOWNLOAD Anne Scheller At home Erste Schritte in Englisch Klasse 3 4 auszug aus dem Originaltitel: Mit Geschichten, vielfältigen Übungen und Materialien zur Portfolio-Arbeit MY SHIP IS MY HOME Luke and
MehrDOWNLOAD. At home. Erste Schritte in Englisch. Anne Scheller. Downloadauszug aus dem Originaltitel: Klasse 3 4
DOWNLOAD Anne Scheller At home Erste Schritte in Englisch Klasse 3 4 auszug aus dem Originaltitel: Mit Geschichten, vielfältigen Übungen und Materialien zur Portfolio-Arbeit MY SHIP IS MY HOME Luke and
MehrSo bewerten Sie einen Test
Fortgeschrittene Themen der statistische maschinelle Übersetzung (Advanced SMT) Evaluierung Miriam Kaeshammer Heinrich-Heine-Universität Düsseldorf Folien angepasst von T. Schoenemann Wintersemester 2014/15
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
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Musterlösung für das 7. Übungsblatt Aufgabe 1 Gegeben sei folgende Beispielmenge: Day Outlook Temperature Humidity Wind PlayTennis D1? Hot High Weak No D2 Sunny
MehrEinführung in die Finite Element Methode Projekt 2
Einführung in die Finite Element Methode Projekt 2 Juri Schmelzer und Fred Brockstedt 17.7.2014 Juri Schmelzer und Fred Brockstedt Einführung in die Finite Element Methode Projekt 2 17.7.2014 1 / 29 Project
MehrINFORMATIONSEXTRAKTION Computerlinguistik Referenten: Alice Holka, Sandra Pyka
INFORMATIONSEXTRAKTION 1 22.12.09 Computerlinguistik Referenten: Alice Holka, Sandra Pyka INFORMATIONSEXTRAKTION(IE) 1. Einleitung 2. Ziel der IE 3. Funktionalität eines IE-Systems 4. Beispiel 5. Übung
MehrOntologiesprachen. 1.Was ist eine Ontologie 2.Aufbau einer Ontologie 3.RDF 4.RDFSchema 5.DAML+OIL / OWL 6.Frame-Logic
Ontologiesprachen 1.Was ist eine Ontologie 2.Aufbau einer Ontologie 3.RDF 4.RDFSchema 5.DAML+OIL / OWL 6.Frame-Logic 1.Was ist eine Ontologie Der Begriff leitet sich vom griechischen onta (das Seiende)
MehrDAS ERSTE MAL UND IMMER WIEDER. ERWEITERTE SONDERAUSGABE BY LISA MOOS
Read Online and Download Ebook DAS ERSTE MAL UND IMMER WIEDER. ERWEITERTE SONDERAUSGABE BY LISA MOOS DOWNLOAD EBOOK : DAS ERSTE MAL UND IMMER WIEDER. ERWEITERTE Click link bellow and free register to download
MehrBedienungsanleitung SUNNYHEAT Standfuß (Art. Nr )
Bedienungsanleitung SUNNYHEAT Standfuß (Art. Nr. 221012) Der SUNNYHEAT Standfuß ist zur Positionierung Ihres Heizpaneels auf dem Standfuß gedacht. Anwendung findet der Standfuß bei allen Paneelen außer
MehrWeb-basierte Geoinformation im Planungsprozess , VU, 2013W; TU Wien, IFIP
Group exercise: Web maps EPSG: 3857 and EPSG: 4326 are used in the Your first online map example. What does EPSG mean, and what do the numbers mean? Find the South Pole on http://openstreetmap.org/. Are
MehrLogik für Informatiker Logic for computer scientists
Logik für Informatiker Logic for computer scientists Till Mossakowski WiSe 2007/08 2 Rooms Monday 13:00-15:00 GW2 B1410 Thursday 13:00-15:00 GW2 B1410 Exercises (bring your Laptops with you!) either Monday
Mehrp^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
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
MehrHow to create a Gift Certificate Wie man ein Gift Certificate (Gutschein) erstellt
1) Login www.lopoca.com Username, Password 2) Click My Finances Gift Certificates Summary: Overview of your Gift Certificates Übersicht Ihrer Gift Certificates Create new: Create new Gift Certificate Neues
MehrLevel 2 German, 2016
91126 911260 2SUPERVISOR S Level 2 German, 2016 91126 Demonstrate understanding of a variety of written and / or visual German texts on familiar matters 2.00 p.m. Tuesday 29 November 2016 Credits: Five
MehrThe Silly People Rap and other fun poems Kreatives Schreiben anhand von Gedichten üben (Klassen 6/7) VORANSICHT. Das Wichtigste auf einen Blick
Communicativeskills Writing4 TheSillyPeopleRap(Kl.6/7) 1 von16 The Silly People Rap and other fun poems Kreatives Schreiben anhand von Gedichten üben (Klassen 6/7) EinBeitragvonDörteMüller,Düsseldorf Die
MehrRadio Frequency Systems
Radio Frequency Systems by Manfred Thumm and Werner Wiesbeck Forschungszentrum Karlsruhe in der Helmholtz - Gemeinschaft Universität Karlsruhe (TH) Research University founded 1825 Receiver Forschungszentrum
Mehr