Kommunikation mit gesprochener Sprache...
|
|
- Marie Amsel
- vor 7 Jahren
- Abrufe
Transkript
1 Kommunikation mit gesprochener Sprache ist mehr als Hören und Sprechen: Mensch-Maschine-Kommunikation mit gesprochener Sprache 1
2 Kommunikation mit gesprochener Sprache ist mehr als Hören und Sprechen: Hören Kikala brint tovoluti? Mensch-Maschine-Kommunikation mit gesprochener Sprache 1
3 Kommunikation mit gesprochener Sprache ist mehr als Hören und Sprechen: Hören Erkennen Winter kochtest ganz Blatt? Mensch-Maschine-Kommunikation mit gesprochener Sprache 1
4 Kommunikation mit gesprochener Sprache ist mehr als Hören und Sprechen: Hören Erkennen Verstehen Wann steigt die Party? Mensch-Maschine-Kommunikation mit gesprochener Sprache 1
5 Kommunikation mit gesprochener Sprache ist mehr als Hören und Sprechen: Hören Erkennen Verstehen Sprechen Wann steigt die Party? Sintu högafi notsi! Mensch-Maschine-Kommunikation mit gesprochener Sprache 1
6 Kommunikation mit gesprochener Sprache ist mehr als Hören und Sprechen: Hören Erkennen Verstehen Formulieren Sprechen Wann steigt die Party? Sonderbar werfen die Wellen hinab! Mensch-Maschine-Kommunikation mit gesprochener Sprache 1
7 Kommunikation mit gesprochener Sprache ist mehr als Hören und Sprechen: Hören Erkennen Verstehen Planen Formulieren Sprechen Wann steigt die Party? Am Freitag, im Hirsch! Mensch-Maschine-Kommunikation mit gesprochener Sprache 1
8 Kommunikation mit gesprochener Sprache ist mehr als Hören und Sprechen: Hören Erkennen Verstehen Planen Formulieren Sprechen Wann steigt die Party? Am Freitag, im Hirsch! Mensch-Maschine-Kommunikation mit gesprochener Sprache 1
9 Gesprochene Sprache Segmentstruktur Äußerungen Und wie wäre es am Mittwoch? Mensch-Maschine-Kommunikation mit gesprochener Sprache 2
10 Gesprochene Sprache Segmentstruktur Äußerungen Und wie wäre es am Mittwoch? Phrasen wie wäre es am Mittwoch? Mensch-Maschine-Kommunikation mit gesprochener Sprache 2
11 Gesprochene Sprache Segmentstruktur Äußerungen Und wie wäre es am Mittwoch? Phrasen wie wäre es am Mittwoch? Wörter wie wäre es Mensch-Maschine-Kommunikation mit gesprochener Sprache 2
12 Gesprochene Sprache Segmentstruktur Äußerungen Und wie wäre es am Mittwoch? Phrasen wie wäre es am Mittwoch? Wörter wie wäre es Silben wä re Mensch-Maschine-Kommunikation mit gesprochener Sprache 2
13 Gesprochene Sprache Segmentstruktur Äußerungen Und wie wäre es am Mittwoch? Phrasen wie wäre es am Mittwoch? Wörter wie wäre es Silben Laute wä re w ä r e Mensch-Maschine-Kommunikation mit gesprochener Sprache 2
14 Gesprochene Sprache Segmentübergreifende Information (Prosodie) Mensch-Maschine-Kommunikation mit gesprochener Sprache 3
15 Gesprochene Sprache Segmentübergreifende Information (Prosodie) Grundfrequenz Mensch-Maschine-Kommunikation mit gesprochener Sprache 3
16 Gesprochene Sprache Segmentübergreifende Information (Prosodie) Grundfrequenz Rhythmus Mensch-Maschine-Kommunikation mit gesprochener Sprache 3
17 Gesprochene Sprache Segmentübergreifende Information (Prosodie) Grundfrequenz Rhythmus Lautstärke Mensch-Maschine-Kommunikation mit gesprochener Sprache 3
18 Gesprochene Sprache Segmentübergreifende Information (Prosodie) Grundfrequenz Rhythmus Lautstärke wird verwendet... Mensch-Maschine-Kommunikation mit gesprochener Sprache 3
19 Gesprochene Sprache Segmentübergreifende Information (Prosodie) Grundfrequenz Rhythmus Lautstärke wird verwendet für Hervorhebungen (Neues, Wichtiges, Unerwartetes,...) Mensch-Maschine-Kommunikation mit gesprochener Sprache 3
20 Gesprochene Sprache Segmentübergreifende Information (Prosodie) Grundfrequenz Rhythmus Lautstärke wird verwendet für Hervorhebungen (Neues, Wichtiges, Unerwartetes,...)... zur Gliederung (Phrasen, Sätze) Mensch-Maschine-Kommunikation mit gesprochener Sprache 3
21 Gesprochene Sprache Segmentübergreifende Information (Prosodie) Grundfrequenz Rhythmus Lautstärke wird verwendet für Hervorhebungen (Neues, Wichtiges, Unerwartetes,...)... zur Gliederung (Phrasen, Sätze)... zur Moduskennzeichnung (Aussage, Frage,...) Mensch-Maschine-Kommunikation mit gesprochener Sprache 3
22 Gesprochene Sprache Segmentübergreifende Information (Prosodie) Grundfrequenz Rhythmus Lautstärke wird verwendet für Hervorhebungen (Neues, Wichtiges, Unerwartetes,...)... zur Gliederung (Phrasen, Sätze)... zur Moduskennzeichnung (Aussage, Frage,...)... zur Dialogsteuerung (Vergabe der Initiative) Mensch-Maschine-Kommunikation mit gesprochener Sprache 3
23 Gesprochene Sprache Segmentübergreifende Information (Prosodie) Grundfrequenz Rhythmus Lautstärke wird verwendet für Hervorhebungen (Neues, Wichtiges, Unerwartetes,...)... zur Gliederung (Phrasen, Sätze)... zur Moduskennzeichnung (Aussage, Frage,...)... zur Dialogsteuerung (Vergabe der Initiative)... zum Ausdruck von Emotionen (Freude, Angst, Überraschung, Verlegenheit,...) Mensch-Maschine-Kommunikation mit gesprochener Sprache 3
24 Sprachsynthese Zwei Herangehensweisen: Mensch-Maschine-Kommunikation mit gesprochener Sprache 4
25 Sprachsynthese Zwei Herangehensweisen: Vollsynthese Erzeugen des Sprachsignals durch Ton- und Rauschgeneratoren akzeptable Verständlichkeit geringe Natürlichkeit Mensch-Maschine-Kommunikation mit gesprochener Sprache 4
26 Sprachsynthese Zwei Herangehensweisen: Vollsynthese Erzeugen des Sprachsignals durch Ton- und Rauschgeneratoren akzeptable Verständlichkeit geringe Natürlichkeit reproduktive Synthese Aufnehmen und Wiedergeben menschlicher Sprachsignale hohe Verständlichkeit gute bis hohe Natürlichkeit Mensch-Maschine-Kommunikation mit gesprochener Sprache 4
27 Sprachsynthese reproduktive Synthese Was sind geeignete Basiseinheiten? ganze Phrasen: nur für Spezialanwendungen Laute: schlechte Qualität Kompromiss: flexible Ermittlung der Basiselemente aus Korpusdaten Mensch-Maschine-Kommunikation mit gesprochener Sprache 5
28 Sprachsynthese reproduktive Synthese Was sind geeignete Basiseinheiten? ganze Phrasen: nur für Spezialanwendungen Laute: schlechte Qualität Kompromiss: flexible Ermittlung der Basiselemente aus Korpusdaten Wie werden die Basiselemente verkettet? harter Schnitt erzeugt Knackgeräusche weiche Übergänge erforderlich prosodische Variation durch spezielle Transformationsverfahren Mensch-Maschine-Kommunikation mit gesprochener Sprache 5
29 Spracherkennung nur Berücksichtigung von Lautcharakteristika Training von Modellen auf großen Sprachdatensammlungen Vernachlässigung der Prosodie nur Erkennung, kein Sprachverstehen! Mensch-Maschine-Kommunikation mit gesprochener Sprache 6
30 Spracherkennung Spracherkenner und wie wäre es am Montag Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
31 Spracherkennung Spracherkenner Merkmalsextraktion und wie wäre es am Montag Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
32 Spracherkennung Spracherkenner Merkmalsextraktion Worterkenner und wie wäre es am Montag Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
33 Spracherkennung Spracherkenner extraktion Lautmodelle Merkmals- Worterkenner und wie wäre es am Montag Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
34 Spracherkennung Spracherkenner Modelle für jeden Laut im Kontext seiner Nachbarlaute Merkmalsextraktion Worterkenner ѹ Ñ Ñ¹ Ò ¹ Ò ººº Berechnung der Wahrscheinlichkeit, dass das Sprachsignal durch das Modell erzeugt wurde Lautmodelle Zustände, Zustandsübergänge Transitionswahrscheinlichkeiten Emissionswahrscheinlichkeiten und wie wäre es am Montag Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
35 Spracherkennung trainiert auf Signaldaten Spracherkenner extraktion Lautmodelle Merkmals- Worterkenner und wie wäre es am Montag Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
36 Spracherkennung trainiert auf Signaldaten Spracherkenner extraktion Lautmodelle Aussprache- Wörterbuch Merkmals- Worterkenner und wie wäre es am Montag Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
37 Spracherkennung trainiert auf Signaldaten eine oder mehrere Spracherkenner Lautfolgen für jede Wortform Å ØØÛÓ Ñ Ø Ú Ó Ü Ô ÛÖ Ú Ö ¾ Ô Merkmals- Verkettung von Lautmodellen extraktion zu Wortmodellen Lautmodelle Aussprache- Wörterbuch Worterkenner und wie wäre es am Montag Å ØØÛÓ Ô¹Ñ Ñ¹ Ø ¹Ø Ú Ø¹Ú Ó ººº Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
38 Spracherkennung trainiert auf Signaldaten manuell erstellt Spracherkenner extraktion Lautmodelle Aussprache- Wörterbuch Merkmals- Worterkenner und wie wäre es am Montag Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
39 Spracherkennung trainiert auf Signaldaten manuell erstellt Spracherkenner Wörterbuch Worterkenner und wie wäre es am Montag Merkmalsextraktion Lautmodelle Aussprache- Sprachmodell Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
40 Spracherkennung trainiert auf Signaldaten manuell erstellt Wörterbuch und wie wäre es am Montag p(wir dann wollen) Merkmalsextraktion p(mittwoch dann wollen) Worterkenner wenig geeignet für Dialogsysteme Berechnung der Wahrscheinlichkeit Lautmodelle für komplette Spracherkenner Äußerungen Wahrscheinlichkeiten für Wortpaare, -tripel oder -quadrupel Aussprache- Sprachmodell Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
41 Spracherkennung trainiert auf Signaldaten manuell erstellt Spracherkenner Wörterbuch Worterkenner und wie wäre es am Montag Merkmalsextraktion Lautmodelle Aussprache- Sprachmodell trainiert auf Texten Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
42 Spracherkennung trainiert auf Signaldaten manuell erstellt Spracherkenner Wörterbuch Worterkenner und wie wäre es am Montag Merkmalsextraktion Lautmodelle Aussprache- Sprachmodell trainiert auf Texten Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
43 Spracherkennung trainiert auf Signaldaten manuell erstellt Spracherkenner Wörterbuch Worterkenner und wie wäre es am Montag Merkmalsextraktion Lautmodelle Aussprache- Sprachmodell Dialogmodell trainiert auf Texten Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
44 Spracherkennung trainiert auf Signaldaten manuell erstellt Spracherkenner Wörterbuch Worterkenner und wie wäre es am Montag Merkmalsextraktion Lautmodelle Aussprache- Sprachmodell Dialogmodell trainiert auf Texten manuell erstellt Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
45 Spracherkennung trainiert auf Signaldaten manuell erstellt Spracherkenner Wörterbuch Worterkenner und wie wäre es am Montag Merkmalsextraktion Lautmodelle Aussprache- Sprachmodell Dialogmodell trainiert auf Texten manuell erstellt Mensch-Maschine-Kommunikation mit gesprochener Sprache 7
46 Dialogmodellierung dynamische Einschränkung des Erkennerwortschatzes in Abhängigkeit vom Dialogzustand Mensch-Maschine-Kommunikation mit gesprochener Sprache 8
47 Dialogmodellierung dynamische Einschränkung des Erkennerwortschatzes in Abhängigkeit vom Dialogzustand Wozu braucht man das? Mensch-Maschine-Kommunikation mit gesprochener Sprache 8
48 Dialogmodellierung dynamische Einschränkung des Erkennerwortschatzes in Abhängigkeit vom Dialogzustand Wozu braucht man das? Erkennungssicherheit erhöhen Was wurde gesagt? Mensch-Maschine-Kommunikation mit gesprochener Sprache 8
49 Dialogmodellierung dynamische Einschränkung des Erkennerwortschatzes in Abhängigkeit vom Dialogzustand Wozu braucht man das? Erkennungssicherheit erhöhen Was wurde gesagt? ähnliche Aussprache: Mai oder drei? verschiedene Sprecher schlechte Übertragungsqualität Mensch-Maschine-Kommunikation mit gesprochener Sprache 8
50 Dialogmodellierung dynamische Einschränkung des Erkennerwortschatzes in Abhängigkeit vom Dialogzustand Wozu braucht man das? Erkennungssicherheit erhöhen Was wurde gesagt? ähnliche Aussprache: Mai oder drei? verschiedene Sprecher schlechte Übertragungsqualität semantische Interpretation erleichtern Was wird von der Maschine erwartet? Mensch-Maschine-Kommunikation mit gesprochener Sprache 8
51 Dialogmodellierung dynamische Einschränkung des Erkennerwortschatzes in Abhängigkeit vom Dialogzustand Wozu braucht man das? Erkennungssicherheit erhöhen Was wurde gesagt? ähnliche Aussprache: Mai oder drei? verschiedene Sprecher schlechte Übertragungsqualität semantische Interpretation erleichtern Was wird von der Maschine erwartet? Zahl Geldbetrag, Uhrzeit, Datum, Kontonummer,... Mehrdeutigkeit: Wann werden S/sie kommen? Referenzauflösung: Was wird durch sie bezeichnet? Mensch-Maschine-Kommunikation mit gesprochener Sprache 8
52 Dialogmodellierung dynamische Einschränkung des Erkennerwortschatzes in Abhängigkeit vom Dialogzustand Wozu braucht man das? Erkennungssicherheit erhöhen Was wurde gesagt? ähnliche Aussprache: Mai oder drei? verschiedene Sprecher schlechte Übertragungsqualität semantische Interpretation erleichtern Was wird von der Maschine erwartet? Zahl Geldbetrag, Uhrzeit, Datum, Kontonummer,... Mehrdeutigkeit: Wann werden S/sie kommen? Referenzauflösung: Was wird durch sie bezeichnet? eine Maschine hat keinen gesunden Menschenverstand! Mensch-Maschine-Kommunikation mit gesprochener Sprache 8
53 Dialogmodellierung Dialogzustände: Aufforderung zur Eingabe (Prompt) Übergänge zwischen Dialogzuständen: Erkennung von Nutzeräußerungen Mensch-Maschine-Kommunikation mit gesprochener Sprache 9
54 Dialogmodellierung Dialogzustände: Aufforderung zur Eingabe (Prompt) Übergänge zwischen Dialogzuständen: Erkennung von Nutzeräußerungen Bitte geben Sie Ihren Abfahrtsort ein! Mensch-Maschine-Kommunikation mit gesprochener Sprache 9
55 Dialogmodellierung Dialogzustände: Aufforderung zur Eingabe (Prompt) Übergänge zwischen Dialogzuständen: Erkennung von Nutzeräußerungen Berlin Dresden Bitte geben Sie Ihren Abfahrtsort ein! Düsseldorf Hamburg Köln München... Stuttgart Bitte geben Sie Ihren Zielort ein! Mensch-Maschine-Kommunikation mit gesprochener Sprache 9
56 Dialogmodellierung Dialogzustände: Aufforderung zur Eingabe (Prompt) Übergänge zwischen Dialogzuständen: Erkennung von Nutzeräußerungen Berlin Berlin Dresden Dresden Düsseldorf Düsseldorf Bitte geben Sie Ihren Abfahrtsort ein! Hamburg Köln München Bitte geben Sie Ihren Zielort ein! Hamburg Köln München Bitte geben Sie die Abfahrtszeit ein! Stuttgart Stuttgart Mensch-Maschine-Kommunikation mit gesprochener Sprache 9
57 Dialogmodellierung Mehrfachverwendung von Teilnetzen Bitte geben Sie Ihren Abfahrtsort ein! Mensch-Maschine-Kommunikation mit gesprochener Sprache 10
58 Dialogmodellierung Mehrfachverwendung von Teilnetzen Bitte geben Sie Ihren Abfahrtsort ein! Ortsangabe Bitte geben Sie Ihren Zielort ein! Mensch-Maschine-Kommunikation mit gesprochener Sprache 10
59 Dialogmodellierung Mehrfachverwendung von Teilnetzen Bitte geben Sie Ihren Abfahrtsort ein! Ortsangabe Bitte geben Sie Ihren Zielort ein! Ortsangabe Bitte geben Sie die Abfahrtszeit ein! Mensch-Maschine-Kommunikation mit gesprochener Sprache 10
60 Dialogmodellierung sprecherunabhängige Spracherkennung ist unsicher insbesondere bei Telefoneingabe Erhöhen der Zuverlässigkeit durch Rückfragen Bitte geben Sie Ihren Abfahrtsort ein! Mensch-Maschine-Kommunikation mit gesprochener Sprache 11
61 Dialogmodellierung sprecherunabhängige Spracherkennung ist unsicher insbesondere bei Telefoneingabe Erhöhen der Zuverlässigkeit durch Rückfragen Ortsangabe Sie wollen in A abfahren? Bitte geben Sie Ihren Abfahrtsort ein! Mensch-Maschine-Kommunikation mit gesprochener Sprache 11
62 Dialogmodellierung sprecherunabhängige Spracherkennung ist unsicher insbesondere bei Telefoneingabe Erhöhen der Zuverlässigkeit durch Rückfragen Ortsangabe Bitte geben Sie Ihren Abfahrtsort ein! Sie wollen in A abfahren? nein Mensch-Maschine-Kommunikation mit gesprochener Sprache 11
63 Dialogmodellierung sprecherunabhängige Spracherkennung ist unsicher insbesondere bei Telefoneingabe Erhöhen der Zuverlässigkeit durch Rückfragen Sie wollen in A abfahren? Ortsangabe nein ja Bitte geben Sie Ihren Abfahrtsort ein! Bitte geben Sie Ihren Zielort ein! Mensch-Maschine-Kommunikation mit gesprochener Sprache 11
64 Dialogmodellierung sprecherunabhängige Spracherkennung ist unsicher insbesondere bei Telefoneingabe Erhöhen der Zuverlässigkeit durch Rückfragen Ortsangabe Bitte geben Sie Ihren Abfahrtsort ein! Sie wollen in A abfahren? nein ja Ortsangabe Bitte geben Sie Ihren Zielort ein! Sie wollen nach Z fahren? Mensch-Maschine-Kommunikation mit gesprochener Sprache 11
65 Dialogmodellierung sprecherunabhängige Spracherkennung ist unsicher insbesondere bei Telefoneingabe Erhöhen der Zuverlässigkeit durch Rückfragen Ortsangabe Bitte geben Sie Ihren Abfahrtsort ein! Sie wollen in A abfahren? nein ja Ortsangabe Bitte geben Sie Ihren Zielort ein! nein Sie wollen nach Z fahren? Mensch-Maschine-Kommunikation mit gesprochener Sprache 11
66 Dialogmodellierung sprecherunabhängige Spracherkennung ist unsicher insbesondere bei Telefoneingabe Erhöhen der Zuverlässigkeit durch Rückfragen Sie wollen in A abfahren? Sie wollen nach Z fahren? Ortsangabe Ortsangabe nein ja nein ja Bitte geben Sie Ihren Abfahrtsort ein! Bitte geben Sie Ihren Zielort ein! Bitte geben Sie die Abfahrtszeit ein! Mensch-Maschine-Kommunikation mit gesprochener Sprache 11
67 Dialogmodellierung theoretische Grundlage: deterministischer endlicher Automat Mensch-Maschine-Kommunikation mit gesprochener Sprache 12
68 Dialogmodellierung theoretische Grundlage: deterministischer endlicher Automat einfachstes Automatenmodell der Informatik effiziente Implementierung gute Vorhersagefähigkeit starke Einschränkung des aktiven Wortschatzes Mensch-Maschine-Kommunikation mit gesprochener Sprache 12
69 Dialogmodellierung theoretische Grundlage: deterministischer endlicher Automat einfachstes Automatenmodell der Informatik effiziente Implementierung gute Vorhersagefähigkeit starke Einschränkung des aktiven Wortschatzes für natürliche Dialogführung zu rigide Erweiterungen nötig Mensch-Maschine-Kommunikation mit gesprochener Sprache 12
70 Dialogmodellierung theoretische Grundlage: deterministischer endlicher Automat einfachstes Automatenmodell der Informatik effiziente Implementierung gute Vorhersagefähigkeit starke Einschränkung des aktiven Wortschatzes für natürliche Dialogführung zu rigide Erweiterungen nötig wechselnde Prompts Hineinreden in den Prompt (barge in)... Mensch-Maschine-Kommunikation mit gesprochener Sprache 12
71 Dialogmodellierung Dialogmodellierung erfordert Vorhersehen möglicher Nutzerreaktionen Hineinversetzen in den Nutzer Wizard-of-Oz-Experimente Mensch-Maschine-Kommunikation mit gesprochener Sprache 13
72 Dialogmodellierung Dialogmodellierung erfordert Vorhersehen möglicher Nutzerreaktionen Hineinversetzen in den Nutzer Wizard-of-Oz-Experimente Dialogmodellierung schränkt die sprachliche Möglichkeiten eines Nutzers stark ein Lenkung des Nutzers durch Vorgabe zulässiger Äußerungen (akustisches Menü) Mensch-Maschine-Kommunikation mit gesprochener Sprache 13
Unterrichtseinheit Sprachdialogsysteme
Lehrerfortbildung I*Teach 29. November 2006 Inhaltlicher Ablauf - Sachanalyse - mögliche Einordnung in den Lehrplan - Didaktische Analyse - Ziele der - Vorstellung der mit integriertem Miniteaching 2 Die
MehrSpracherkennung und Sprachsynthese
Spracherkennung und Sprachsynthese Einführung in die Computerlinguistik Sommersemester 2012 Peter Kolb Spracherkennung / -synthese Spracherkennung (automatic speech recognition, ASR) Sprachsynthese (text-to-speech,
MehrEinführung in die Problematik der Sprachein- und -ausgabe
Einführung in die Problematik der Sprachein- und -ausgabe Donnerstag 6. 5. 2004 3-1 Richtziel: Erlernen möglicher Verwendung von Markup-Programmiersprachen für Modellierung der natürlichsprachlichen Mensch-Computer
MehrSpracherkennung. Gliederung:
Spracherkennung Gliederung: - Einführung - Geschichte - Spracherkennung - Einteilungen - Aufbau und Funktion - Hidden Markov Modelle (HMM) - HMM bei der Spracherkennung - Probleme - Einsatzgebiete und
MehrSprachverstehen. Vorlesung an der TU Chemnitz Wintersemester 2012/2013 Dr. Johannes Steinmüller
Sprachverstehen Vorlesung an der TU Chemnitz Wintersemester 2012/2013 Dr. Johannes Steinmüller Johannes Steinmüller 1/B309 Tel.: 531 35198 stj@informatik.tu-chemnitz.de Seite zur Vorlesung: http://www.tu-chemnitz.de/informatik/ki/edu/spraver/
Mehr6.5 Statistische Spracherkennung
6.5 Statistische Spracherkennung 6.5.1 Spracherkennung mit MAP Regel MAP Regel (Maximum-a-posteriori-Regel Wˆ = argmax W V * P( W X) optimale Wortfolge Wˆ = w w K w i V 1 2 w K Wortfolge Merkmalssequenz
MehrEinführung in die Computerlinguistik: Gesprochene Sprache. Dr. Marc Schröder, DFKI
Einführung in die Computerlinguistik: Gesprochene Sprache Dr. Marc Schröder, DFKI schroed@dfki.de Kurs-Homepage: http://www.coli.uni-saarland.de/~hansu/courses/ec07/index.html Überblick Eigenschaften gesprochener
MehrEinführung in die Computerlinguistik. Dialogsysteme. Wozu Dialogsysteme? Der sprechende Fahrstuhl (1) Der sprechende Fahrstuhl (5)
Einführung in die Computerlinguistik Dialogsysteme WS 2010/2011 Manfred Pinkal Der sprechende Fahrstuhl (1)! User: Fahrstuhl! System: In welches Stockwerk möchten Sie bitte?! User: Vier / Vierter Stock!
MehrFantastico Kalabrien zum Sparpreis
Ersparnis bis zu 269,- p.p. Fliegen Sie ab Hamburg oder Hannover ab Hamburg ab Hannover ab Hannover ab Hamburg alt 558,- alt 628,- alt 768,- Fliegen Sie ab Frankfurt alt 628,- Fliegen Sie ab Dresden oder
MehrSprachdialogsystem mit robuster automatischer Spracherkennung
Sprachdialogsystem mit robuster automatischer Spracherkennung Hans-Günter Hirsch Hochschule Niederrhein Fachbereich Elektrotechnik und Informatik Digitale Nachrichtentechnik http://dnt.kr.hs-niederrhein.de
MehrProseminar, wozu? Proseminar, wozu? Proseminar, wozu? Verarbeitung gesprochener Sprache
Proseminar, wozu? Verarbeitung gesprochener Sprache Proseminar Wolfgang Menzel menzel@informatik.uni-hamburg.de Arbeitsbereich Natürlichsprachliche Systeme Fachbereich Informatik Universität Hamburg Proseminare
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
MehrHidden-Markov-Modelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Hidden-Markov-Modelle Tobias Scheffer Thomas Vanck Hidden-Markov-Modelle: Wozu? Spracherkennung: Akustisches Modell. Geschriebene
MehrWie ein Rechner aus Schallwellen Wörter erkennt
Wie ein Rechner aus Schallwellen Wörter erkennt Spracherkennung mit statistischen Verfahren Franz Kummert Christoph Schillo Gernot A. Fink Technische Fakultät Arbeitsgruppe Angewandte Informatik Eine natürliche
Mehrbonn.de bonn.de
wgh@ikp.uni bonn.de http://www.ikp.uni bonn.de 023 Vorlesungsskripten deutsch bilingual deutsch/englisch Allgemein zur Sprachsignalverarbeitung Speziell zu Kapitel 1 gsv_1.1 t 250 ms/zeile gsv_1.2 t
MehrIch hasse Sprachcomputer!
Ich hasse Sprachcomputer! Warum eigentlich? Dieses Ding versteht mich nicht... Diese Zeiten sind vorbei. Aktuelle Spracherkennung und robuste Grammatiken ermöglichen umgangssprachliche Dialoge. i INFO
MehrChapter 1 : þÿ b e t a t h o m e B a n k i e r e r k l ä r t c h a p t e r
Chapter 1 : þÿ b e t a t h o m e B a n k i e r e r k l ä r t c h a p t e r þÿ S o m i t i s t e s e g a l, o b m a n A n d r o i d, i O S, W i n d o w s P h o n e, B l a c k b e r r y o d e r e i n e s.
MehrSprachsynthese - ein Überblick
Sprachsynthese - ein Überblick Florian Schiel Florian F Schiel: Sprachsynthese - Übersicht WS 05/06 1 Definition: Produktion von Sprache mit technischen Mitteln Gegensatz: Synthese vs. Wiedergabe (Übergang
MehrErkennung und Erzeugung gesprochener Sprache
Erkennung und Erzeugung gesprochener Sprache 8.11.2005 Sebastian Pado Einführung in die Computerlinguistik 2005/2006 M. Pinkal / S. Pado UdS 1 Einführung Viele computerlinguistische Anwendungen gehen von
MehrWarum haben es Schnellsprecher schwerer?
Warum haben es Schnellsprecher schwerer? Untersuchungen zur automatischen Spracherkennung und zum aphasischen Sprachverständnis Vivian Raithel und Britta Wrede Stellen Sie sich vor, Sie wollen schnell
MehrPhonetische Beiträge zur maschinellen Spracherkennung. ExInTra. "Extrem wertintervallgestützte Transkription",
LDV-Forum - Bd. 6, Nr. 2, Jg. 1989, S. 19-27 Phonetische Beiträge zur maschinellen Spracherkennung ExInTra Extremwertintervallgestützte Transkription Klaus Günther Schweisthal, Patrick Schweisthal Thomas
MehrComputerlinguistische Grundlagen. Jürgen Hermes Wintersemester 17/18 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Computerlinguistische Grundlagen Jürgen Hermes Wintersemester 17/18 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Was ist Computerlinguistik? Definition Anwendungen Fragestellung
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Hidden Markov Modelle - 2 - Idee Zu klassifizierende Merkmalvektorfolge wurde von einem (unbekannten) System erzeugt. Nutze Referenzmerkmalvektorfolgen um ein Modell Des erzeugenden Systems zu bauen
MehrMasterstudiengang Sprache und Kommunikation: Angewandte Kommunikations- und Sprachwissenschaft
Masterstudiengang Sprache und Kommunikation: Angewandte Kommunikations- und Sprachwissenschaft Markus Brückl Fachgebiet Kommunikationswissenschaft Master-Einführung Angewandte Kommunikations- und Sprachwissenschaft
MehrChapter 1 : þÿ b e t a t h o m e S y m b o l c h a p t e r
Chapter 1 : þÿ b e t a t h o m e S y m b o l c h a p t e r þÿ E i n e l e e r e T o n n e w o g e t w a e i n e n. F i g. 1 5.. d i e m a n d i e s e h l e e h t e n W e t t e r. G l ü c k s s p i e l
MehrSprachbasierte Informationssysteme
Sprachbasierte Informationssysteme Gunar Fiedler Arbeitsgruppe Technologie der Informationssysteme CAU Kiel WWW: http://www.is.informatik.uni-kiel.de/~fiedler E-Mail: fiedler@is.informatik.uni-kiel.de
MehrIvana Daskalovska. Willkommen zur Übung Einführung in die Computerlinguistik. Sarah Bosch,
Ivana Daskalovska Willkommen zur Übung Einführung in die Computerlinguistik Kontakt: ivana.bt.mk@gmail.com Betreff: EICL Wiederholung Aufgabe 1 Was ist Computerlinguistik? 4 Was ist Computerlinguistik?
MehrSprache beginnt ohne Worte. Vorsprachliche Entwicklung und die Bedeutung der frühen Elternarbeit
Sprache beginnt ohne Worte Vorsprachliche Entwicklung und die Bedeutung der frühen Elternarbeit Grundeigenschaften menschlicher Sprache gesprochene Sprache ist akustisch vermittelt kleine Zahl von Lauten
MehrErkennung und Erzeugung gesprochener Sprache
Erkennung und Erzeugung gesprochener Sprache Sebastian Pado Einführung in die Computerlinguistik 2004/2005 1 Einführung Viele computerlinguistische Anwendungen gehen von textbasierter Ein/Ausgabe aus (I.a.)
MehrEinführung in die Pragmatik und Diskurs: Dialog
Einführung in die Pragmatik und Diskurs: Dialog A. Palmer/A. Horbach Universität des Saarlandes Sommersemester 2014 Plan für heute Eigenschaften menschlicher Kommunikation Adjazenspaare Grounding Dialogsysteme
MehrSprachverarbeitung I
Institut für Technische Informatik und Kommunikationsnetze Eidgenössische Technische Hochschule Zürich Swiss Federal Institute of Technology Zurich Ecole polytechnique fédérale de Zurich Politecnico federale
MehrKapitel 2: Spracherkennung Automatisches Verstehen gesprochener Sprache
Automatisches Verstehen gesprochener Sprache. Spracherkennung Martin Hacker Bernd Ludwig Günther Görz Professur für Künstliche Intelligenz Department Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Mehr2 Sprachliche Einheiten
2 Sprachliche Einheiten Inhalt Semiotische Begriffe Wörter Wortbestandteile Wortzusammensetzungen Wortgruppen Text und Dialog Wort- und Satzbedeutung 2.1 Semiotische Begriffe Semiotische Begriffe Semiotik
MehrChapter 1 : þÿ b e t a t h o m e A k t i e n k u r s L e i s t u n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e A k t i e n k u r s L e i s t u n g c h a p t e r þÿ E s g i b t T u r n i e r e f ü r d i e C h a m p i o n s L e a g u e, P r e m i e r L e a g u e, L a L i g a & m e
MehrKapitel 2: Formale Sprachen Gliederung. 0. Grundbegriffe 1. Endliche Automaten 2. Formale Sprachen 3. Berechnungstheorie 4. Komplexitätstheorie
Gliederung. Grundbegriffe. Endliche Automaten 2. Formale Sprachen 3. Berechnungstheorie 4. Komplexitätstheorie 2.. Chomsky-Grammatiken 2.2. Reguläre Sprachen (noch weiter) 2.3. Kontextfreie Sprachen 2/4,
MehrEinführung in die Spracherkennung & Sprachsynthese. Lucia D. Krisnawati
Einführung in die Spracherkennung & Sprachsynthese Lucia D. Krisnawati Vorlesungsinhalt Spracherkennung: Einleitung Die Architektur der Spracherkennung Die Spracherkennungskomponente Sie Anwendungen &
MehrProf. Dr. Marcus Spies Institut f. Informatik LMU München
Planung für die Vorlesung Spracherkennung und integrierte Dialoganwendungen Sommersemester 2005 am Lehrstuhl Medieninformatik des Institut für Informatik der LMU München Prof. Dr. Marcus Spies Institut
MehrDie bedingte Wahrscheinlichkeit in der Spracherkennung. Wie rechnet man mit...?
Die bedingte Wahrscheinlichkeit in der Spracherkennung Florian Schiel Was ist...? Münchner Winterwetter Beispiele Statistik! Wozu braucht man...? Automatische Spracherkennung Wie rechnet man mit...? Florian
MehrChapter 1 : þÿ b e t a t h o m e m o b i l A p p c h a p t e r
Chapter 1 : þÿ b e t a t h o m e m o b i l A p p c h a p t e r þÿ r o c k & n b s p ;. E i n z a h l u n g e r h a l t e n.. A c h e t e z e t t é l é c h a r g e z e b o o k Q u a n t u m P o k e r (
MehrChapter 1 : þÿ b e t a t h o m e K o n t a k t - T e l e f o n n u m m e r c h a p t e r
Chapter 1 : þÿ b e t a t h o m e K o n t a k t - T e l e f o n n u m m e r c h a p t e r þÿ m i t d e m B a y e r i s c h e n T e n n i s v e r b a n d w i r d w e i t e r h i n f o r t g e f ü h r t..
MehrVE-WASSER. Vollentsalzung / Demineralisierung
VE-WASSER Vollentsalzung / Demineralisierung Wasserqualität Die Ausbeute eines Ionenaustauschers ist abhängig von der Wasserqualität. Ausbeute gering mittel Wasserqualität hoch Hamburg Ausbeute
MehrCIS. Dialogmanagement. IfI. Hauptseminar Dialogsysteme. 15. Dezember 2005 Cornelius Dirmeier Michael
CIS Hauptseminar Dialogsysteme Dialogmanagement 15. Dezember 2005 el IfI Agenda Dialoginitiative System initiativ gemischt initiativ Benutzer initiativ Dialogkontrolle Finite-state framebasiert agentenbasiert
MehrAnwendung Rechnernetze Thema: Spracheingabe. Michael Pöhnert Matrikel: INF04 Kennnummer: 12538
Anwendung Rechnernetze Thema: Spracheingabe Michael Pöhnert Matrikel: INF04 Kennnummer: 12538 Gliederung - Einleitung - Theoretische Grundlagen - Praktische Durchführung - Zusammenfassung - Quellenangaben
MehrChapter 1 : þÿ b e t a t h o m e b a y e r n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e b a y e r n c h a p t e r þÿ W a s v e r s t e h t m a n u n t e r C a s h o u t b e i S p o r t w e t t e n & a m p ; w e l c h e W e t t a n b i e t e r. H o m e» H o
MehrChapter 1 : þÿ A n m e l d u n g b e t a t h o m e A n g e b o t c h a p t e r
Chapter 1 : þÿ A n m e l d u n g b e t a t h o m e A n g e b o t c h a p t e r þÿ Y o u c a n n o w d o w n l o a d t h e S k y B e t a p p f o r A n d r o i d d i r e c t f r o m h e r e f o r a l l t
MehrChapter 1 : þÿ b e t a t h o m e. p a r t y d i g i t a l e n t e r t a i n m e n t p l c I n v e s t o r R e l a t i
Chapter 1 : þÿ b e t a t h o m e. p a r t y d i g i t a l e n t e r t a i n m e n t p l c I n v e s t o r R e l a t i þÿ e n t i c i n g o n l i n e c a s i n o f e a t u r e. P l a y e r s c a n g e t
MehrChapter 1 : þÿ b e t a t h o m e A d r e s s p r ü f u n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e A d r e s s p r ü f u n g c h a p t e r þÿ W o b e i d i e W e t t e n d e u t l i c h m e h r E r t r a g a b w e r f e n a l s d a s & n b s p ;. a n d C a s i n o B
MehrChapter 1 : þÿ b e t a t h o m e n e u k u n d e n b o n u s 5 e u r o c h a p t e r
Chapter 1 : þÿ b e t a t h o m e n e u k u n d e n b o n u s 5 e u r o c h a p t e r þÿ m a n d e n v o l l e n E r s t e i n z a h l u n g s b o n u s v o n 1 0 0 u n d h a t s o m i t 3 0 0 a u f d e
Mehr1. Sprachphilosophie: Das Was?
Plan für die heutige Sitzung Einführung in die Philosophie Sprachphilosophie: Vom Verstehen zur Homoehe Eine kurze Einführung in die Sprachphilosophie wird gegeben, und zwar in zwei Teilen: 1. Sprachphilosophie:
MehrChapter 1 : þÿ b e t a t h o m e R e n n R e p l a y s c h a p t e r
Chapter 1 : þÿ b e t a t h o m e R e n n R e p l a y s c h a p t e r þÿ. c o m A G M i t g l i e d d e r B e t C l i c E v e r e s t G r o u p, e i n e r. P f e r d e r e n n e n u n d e i n. C a s h o
MehrChapter 1 : þÿ t u t t o s e r i e b e t a t h o m e c h a p t e r
Chapter 1 : þÿ t u t t o s e r i e b e t a t h o m e c h a p t e r þÿ 2 2. A p r. 2 0 1 6 H o l e d i r d e n E x k l u s i v e n 1 0 0 % B o n u s b i s z u 4 0 0 i m B e t a t H o m e C a s i n o d e
MehrChapter 1 : þÿ b e t a t h o m e B i n g o A n z e i g e c h a p t e r
Chapter 1 : þÿ b e t a t h o m e B i n g o A n z e i g e c h a p t e r þÿ G e w i n n! 2 0 1 4 ] 5 9. G l ü c k s s p i e l s t a a t s v e r t r a g i m Z e i t p l a n - w e t t. i n f o. b r a u c h
MehrSommercamp 2010 Umweltbildung und Nachhaltigkeit Lernen in der Ökostation Freiburg vom 6. bis Bildungsplanbezug Englisch
7. Bildungsplanbezug Sommercamp 2010 Umweltbildung und Nachhaltigkeit Lernen in der Ökostation Freiburg vom 6. bis 10. 9.2010 Bildungsplanbezug Englisch Grundlage für die Konzeption und Vermittlung der
MehrTeil II. Automatische Spracherkennung. SPEZIELLE MUSTERANALYSESYSTEME Schrift- und Spracherkennung mit Hidden-Markov-Modellen
SPEZIELLE MUSTERANALYSESYSTEME Schrift- und Spracherkennung mit Hidden-Markov-Modellen Vorlesung im Wintersemester 2015 Teil II Automatische Spracherkennung Prof. E.G. Schukat-Talamazzini Stand: 24. Juli
MehrChapter 1 : þÿ b e t a t h o m e 5 f r e i c h a p t e r
Chapter 1 : þÿ b e t a t h o m e 5 f r e i c h a p t e r þÿ u n t e r s c h i e d l i c h h o h e n J a c k p o t a u f w e i s e n. J e d e r S p i e l e r i m C a s i n o h a t d i e s e l b e n. 1 3.
MehrSprachsynthese: Textnormalisierung
Sprachsynthese: (Änderungen von F. Schiel 2016) Institut für Phonetik und Sprachverarbeitung Ludwig-Maximilians-Universität München reichelu schiel@phonetik.uni-muenchen.de 24. Oktober 2016 Inhalt = Vorverarbeitung
MehrÜbung zur Vorlesung Theoretische Information. Produktautomat
Übung zur Vorlesung Theoretische Information Produktautomat Folie Produktautomat Was ist das? Zwei endliche Automaten Automat (A ) q q Automat 2 (A 2 ) z z Welche Sprachen akzeptieren die beiden Automaten
MehrChapter 1 : þÿ b e t c h a p t e r
Chapter 1 : þÿ 1 2 3 b e t 3 6 5 c h a p t e r þÿ b a n k e r s.. D o w n l o a d p r e v i o u s o r n e w v e r s i o n s o f M e t a l o g i x E s s e n t i a l s f o r O f f i c e 3 6 5.. 3. J a n.
MehrPreis: kostenfrei Buchungsnummer: VA_21469 Anmeldeschluss: Freitag, 27.11.2015 Zielgruppen: Beschäftigte der Vertragspartner
Adventsbetreuung 2015 bei den Wolkenzwergen in Berlin Uhrzeit: 10:00 Uhr bis 14:00 Uhr Ort: Berlin Adresse: Wolkenzwerge Markgrafenstr. 20 D-10969 Berlin Buchungsnummer: VA_21469 030-26 39 71 0 / berlin@familienservice.de
MehrChapter 1 : þÿ b e t a t h o m e k o s t e n l o s e O n l i n e - S l o t s c h a p t e r
Chapter 1 : þÿ b e t a t h o m e k o s t e n l o s e O n l i n e - S l o t s c h a p t e r þÿ 4 M a r 2 0 1 5 R e g u l a m i n l i g i b e t - a t - h o m e P o k e r d l a P o k e r K i n g s w m a r
MehrChapter 1 : þÿ p a r i u r i b e t a t h o m e c h a p t e r
Chapter 1 : þÿ p a r i u r i b e t a t h o m e c h a p t e r þÿ C o m p a r e t h e b e s t o d d s, a n d i n c r e a s e y o u r s p o r t s b e t t i n g p r o f i t s a t t h e b e s t o n l i n e.
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 18. Januar 2018 INSTITUT FÜR THEORETISCHE 0 18.01.2018 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrChapter 1 : þÿ b e t a t h o m e t e n n i s r o t h e n b a u m c h a p t e r
Chapter 1 : þÿ b e t a t h o m e t e n n i s r o t h e n b a u m c h a p t e r þÿ Z a h l u n g p e r L a s t s c h r i f t e r w a r t e n b i s d i e B e s t ä t i g u n g d e r. M i t t l e r w e i
MehrChapter 1 : þÿ b e t a t h o m e A p p C a s i n o c h a p t e r
Chapter 1 : þÿ b e t a t h o m e A p p C a s i n o c h a p t e r þÿ F R E E. M a k e m o n e y f a s t l e g a l f u t u r e s a n d t u t o r i a l n u m b e r s t a y a t h o m e j o b p a r t t i m
MehrChapter 1 : þÿ b e t a t h o m e F u ß b a l l - S t r e a m i n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e F u ß b a l l - S t r e a m i n g c h a p t e r þÿ s t o r i e s o f r a c e, W a n t t o s h a r e I M D b & # 3 9 ; s r a t i n g o n y o u r o w n s i t e? U s e t h
MehrElektronische Kommunikationshilfen. Raphael Kubke Einführung in die Computerlinguistik Sommersemester 2010 Heinrich-Heine-Universität
Gliederung - T9 (Text On 9 Keys) - Text-Telefonie / CTM (Cellular Text Telephone Modem) - Spracherkennungssysteme - Quellen 2 T9 (Text On 9 Keys) Allgemeines - Text On 9 Keys - von Clifford A. Kushler,
MehrChapter 1 : þÿ b e t a t h o m e s p a m m a i l c h a p t e r
Chapter 1 : þÿ b e t a t h o m e s p a m m a i l c h a p t e r þÿ D o w n l o a d t h e b e s t o f T r i p l e M & # 3 9 ; s F o o t y c o v e r a g e w h i l e o n t h e g o! h o m e. w i n b i g. B
MehrChapter 1 : þÿ b e t a t h o m e C h a m p i o n s - L e a g u e - S t r e a m i n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e C h a m p i o n s - L e a g u e - S t r e a m i n g c h a p t e r þÿ L i v e S t r e a m i n g : S p o r t s L i v e P r o b e t 3 6 5. S e p t e m b e r 2 0 1 5 S c h
MehrChapter 1 : þÿ b e t - a t - h o m e m o b i l e c h a p t e r
Chapter 1 : þÿ b e t - a t - h o m e m o b i l e c h a p t e r þÿ B e t - a t - h o m e h a t e s i n d e n l e t z t e n J a h r e n g e s c h a f f t, s i c h z u e i n e m a b s o l u t. f ü r. e i
MehrChapter 1 : þÿ q u e s i g n i f i c a e l b e t a c h a p t e r
Chapter 1 : þÿ q u e s i g n i f i c a e l b e t a c h a p t e r þÿ 1 1. S e p t. 2 0 1 5 b e t - a t - h o m e. c o m, e i n H S V - N e w s - T i p p, N a c h f o l g e n d e i n E i n H S V - N e w
MehrProgrammablaufplan. Vorkurs Informatik. Sommersemester Institut für Informatik Heinrich-Heine-Universität Düsseldorf
Programmablaufplan Vorkurs Informatik Institut für Informatik Heinrich-Heine-Universität Düsseldorf Sommersemester 2016 Gliederung Motivation - Was sind Programmablaufpläne? Programme sind vordefinierte
MehrAutomatisches Verstehen gesprochener Sprache
Automatisches Verstehen gesprochener Sprache 5. Sprachverstehen und Morphologie Martin Hacker Bernd Ludwig Günther Görz Professur für Künstliche Intelligenz Department Informatik Friedrich-Alexander-Universität
MehrChapter 1 : þÿ f l a e 0 1 b e t a t h o m e c h a p t e r
Chapter 1 : þÿ f l a e 0 1 b e t a t h o m e c h a p t e r þÿ G r a n d M ü n c h e n i m T h e W e s t i n S k y S u i t e o f f e r s m u c h s p a c e t o f e e l a t h o m e.. E i s h o c k e y I n
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik 4. Kellerautomaten und kontextfreie Sprachen (I) 3.06.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Organisatorisches 1. Teilklausur: Mittwoch,
MehrEndliche Automaten. Im Hauptseminar Neuronale Netze LMU München, WS 2016/17
Endliche Automaten Im Hauptseminar Neuronale Netze LMU München, WS 2016/17 RS- Flipflop RS-Flipflop Ausgangszustand 0 1 0 1 0 1 Set Reset neuer Zustand 0 0 0 0 0 1 1 0 1 1 0 1 0 1 0 0 1 0 Was ist ein endlicher
MehrChapter 1 : þÿ b w i n k o n t a k t d e u t s c h l a n d c h a p t e r
Chapter 1 : þÿ b w i n k o n t a k t d e u t s c h l a n d c h a p t e r þÿ s t e r n e. 0. 4 s t e r n e. 0. 3 s t e r n e. 0. 2 s t e r n e. 0. 1 s t e r n. 0 b w i n e r f a h r u n g e n.. b w i n
MehrChapter 1 : þÿ b e t a t h o m e f u s s b a l l w e t t e n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e f u s s b a l l w e t t e n c h a p t e r þÿ l o s g e h e n : W i e i m I n t e r n e t a u c h e i n f a c h W e t t e a u s w ä h l e n, d i e W e t t a r t u n d d
MehrChapter 1 : þÿ s i e h e C o d e f ü r b e t a t h o m e c h a p t e r
Chapter 1 : þÿ s i e h e C o d e f ü r b e t a t h o m e c h a p t e r þÿ 2 9 A u g 2 0 1 2 i n t o y o u r s m a r t p h o n e t o a v o i d e x p e n s i v e d a t a c h a r g e s a t h o m e a n d w
Mehr2 2 Reguläre Sprachen. 2.2 Endliche Automaten. Übersicht
Formale Systeme, Automaten, Prozesse Übersicht 2 2. Reguläre Ausdrücke 2.3 Nichtdeterministische endliche Automaten 2.4 Die Potenzmengenkonstruktion 2.5 NFAs mit ɛ-übergängen 2.6 Minimale DFAs und der
MehrChapter 1 : þÿ b e t a t h o m e a n m e l d e n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e a n m e l d e n c h a p t e r þÿ. s i z z l i n g h o t o n l i n e s p i e l e n & m i d d o t ; b e t a t h o m e c a s i n o e r f a h r u n g e n n o v o l i n e o
MehrDialogsysteme und VoiceXML Christoph Ringlstetter/Prof. Klaus U. Schulz Seminar im WS 2004/05
Dialogsysteme und VoiceXML Christoph Ringlstetter/Prof. Klaus U. Schulz Seminar im WS 2004/05 Aufgabe 7.1 Im zu erstellenden Programm soll es möglich sein, dass der Benutzer in einer Äußerung gleichzeitig
MehrFortgeschrittene emotionale Systeme
Fortgeschrittene emotionale Systeme Techniken für realistischere NPCs Motivation Probleme mit herkömmlichen FSMs Begrenzte Anzahl an Basisemotionen modellierbar => Systemkomplexität Statisches System =>
MehrEinführung in die Computerlinguistik D IALOGSYSTEME WS 2009/2010. Bojan Georgievski Prashanna Thangeswaran David Höfig
Einführung in die Computerlinguistik D IALOGSYSTEME WS 2009/2010 Bojan Georgievski Prashanna Thangeswaran David Höfig Einführung Was sind Dialogsysteme? Beispiele von Dialogsystemen Wo werden Dialogsysteme
MehrChapter 1 : þÿ b e t a t h o m e P a r t e i K o n t a k t n u m m e r c h a p t e r
Chapter 1 : þÿ b e t a t h o m e P a r t e i K o n t a k t n u m m e r c h a p t e r þÿ p o k e r n i c h t ü b e r m ä ß i g b e k a n n t b e t a t h o m e i n t e r n e t p o k e r v a r i a n t e i
MehrChapter 1 : þÿ W i e m a n G e l d a u f b e t a t h o m e c h a p t e r
Chapter 1 : þÿ W i e m a n G e l d a u f b e t a t h o m e c h a p t e r þÿ b e a t r a g i c c a s e o f m i s t a k e n i d e n t i t y. ( P r e m i u m C o n t e n t S u b s c r i b e r s O n l y ).
MehrDas AM Modell der Intonation. Jonathan Harrington
Das AM Modell der Intonation Jonathan Harrington Das Autosegmentelle-Metrische (A-M) Modell der Intonation: Haupteigenschaften Bruce (1977), Swedish Word Accents in Sentence Perspective, Gleerup, Pierrehumbert
MehrChapter 1 : þÿ b e t a t h o m e C r i c k e t L i v e - S c o r e c h a p t e r
Chapter 1 : þÿ b e t a t h o m e C r i c k e t L i v e - S c o r e c h a p t e r þÿ e v e n i n g w i t h t h e D e l h i D a r e d e v i l s w i n n i n g o n t h e i r h o m e t u r f.. h a t d e n b
MehrDie mathematische Seite
Kellerautomaten In der ersten Vorlesung haben wir den endlichen Automaten kennengelernt. Mit diesem werden wir uns in der zweiten Vorlesung noch etwas eingängiger beschäftigen und bspw. Ansätze zur Konstruktion
MehrChapter 1 : þÿ b e t a t h o m e S p o r t B o n u s g u t h a b e n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e S p o r t B o n u s g u t h a b e n c h a p t e r þÿ c o d e s j u n e r o u l e t t e S l o t s o b w o h l i c h d i e s m a l d a s s w i r b e t a t h o m e c a s i
MehrMagisterarbeit. Multimodale Interaktionsgestaltung bei dem mobilen Serviceroboter Care-O-bot 3 des Fraunhofer IPA
Stiftung Universität Hildesheim Fachbereich III Sprach- und Informationswissenschaften Institut für Informationswissenschaft und Sprachtechnologie Magisterarbeit Thema: Multimodale Interaktionsgestaltung
MehrChapter 1 : þÿ d e s c a r g a r b e t a t h o m e P o k e r g r a t i s c h a p t e r
Chapter 1 : þÿ d e s c a r g a r b e t a t h o m e P o k e r g r a t i s c h a p t e r þÿ B e t s a f e P o l e c a m y. b e t - a t - h o m e. W Y S O K I B O N U S O d w i e dz b e t - a t - h o m e.
MehrAutomaten und Formale Sprachen
Automaten und Formale Sprachen Einführung Ralf Möller Hamburg Univ. of Technology Übung Fr. 14:30-15:15 Max Berndt, D1025 Literatur Gottfried Vossen, Kurt-Ulrich Witt: Grundkurs Theoretische Informatik,
MehrInterdisziplinäre Fachdidaktik: Natürliche Sprachen und Formale Sprachen. Wie verstehen Computer natürliche Sprachen?
Interdisziplinäre Fachdidaktik: Natürliche Sprachen und Formale Sprachen Wie verstehen Computer natürliche Sprachen? LVA Leiter: Elizabeta Jenko Wilfried Grossmann erstellt von Egbert Althammer 9031924
MehrChapter 1 : þÿ b e t a t h o m e B i n g o a n d r o i d c h a p t e r
Chapter 1 : þÿ b e t a t h o m e B i n g o a n d r o i d c h a p t e r þÿ. W e r b e i b e t - a t - h o m e i m C a s i n o l o s l e g e n w i l l, k a n n s i c h ü b e r e i n e n 1 0 0 % b i s. 3
MehrChapter 1 : þÿ H a n d y b e t a t h o m e L o g i n c h a p t e r
Chapter 1 : þÿ H a n d y b e t a t h o m e L o g i n c h a p t e r þÿ E x t r a g e w i n n e z u d e r C o p a A m e r i c a e r h a l t e n & m i d d o t ; b e t - a t - h o m e & n b s p ;. 1 7. M a
MehrAdaptives Displacement Mapping unter Verwendung von Geometrieshadern
Fakultät Informatik Institut für Software- und Multimediatechnik, Professur für Computergraphik und Visualisierung Adaptives Displacement Mapping unter Verwendung von Geometrieshadern Diplomarbeit Timo
MehrChapter 1 : þÿ b e t a t h o m e B o n u s c o d e c h a p t e r
Chapter 1 : þÿ b e t a t h o m e B o n u s c o d e 2 0 1 6 c h a p t e r þÿ A b e r l e s e n S i e d i e E r g e b n i s s e s e l b s t d e t a i l l i e r t h i e r i n d i e s e m B e r i c h t.. o
MehrWort- und Satzbetonung. Jonathan Harrington
Wort- und Satzbetonung Jonathan Harrington Wortbetonung die relative Deutlichkeit der Silben eines Wortes. Die Wortbetonung desselben Wortes bleibt meistens konstant (in zb 'Kapelle' fällt in fast allen
MehrDialogsysteme. Vortrag zum Thema n-gramm-modelle 2. Teil: Lösungsansätze für Ausfall-N-Gramme. 12. Januar 2006, Susanne O'Shaughnessy
Dialogsysteme Vortrag zum Thema n-gramm-modelle 2. Teil: Lösungsansätze für Ausfall-N-Gramme 12. Januar 2006, Susanne O'Shaughnessy Smoothing - Glättung Problem bei Standard- n-gramm-modellen: - kein Trainingskorpus
Mehr