Workshop Datenreinigung Duplikaterkennung Felix Naumann
|
|
- Matthias Schreiber
- vor 7 Jahren
- Abrufe
Transkript
1 Workshop Datenreinigung Duplikaterkennung Felix Naumann
2 Überblick 2 Das Problem der Duplikaterkennung Ähnlichkeitsmaße Edit Distance et al. Algorithmen Naiv Blocking Sorted-Neighborhood Methode Naive, Multipass Effizient Evaluierung
3 Wie entstehen Duplikate? 3 Original Zugestellt
4 Wie entstehen Duplikate? 4
5 5
6 Duplikaterkennung 6 Duplikaterkennung ist das Finden mehrerer Repräsentationen desselben Realweltobjekts. Problem 1: Repräsentationen sind nicht identisch. Fuzzy duplicates Lösung: Ähnlichkeitsmaße Wert- und Datensatzvergleiche Domänenunabhängig oder -abhängig Problem 2: Die Datenmenge ist groß. Quadratischer Aufwand: Jedes Paar muss verglichen werden. Lösung: Algorithmen Z.B. Vergleiche durch Partitionierung vermeiden
7 Duplikaterkennung 7 R 1 R 2 R 1 R 2 Ähnlichkeitsmaß Algorithmus Duplikate? Nicht- Duplikate
8 Wirkungen von Duplikaten 8 Mehrfache Zusendung von Katalogen Rechnungen werden doppelt bezahlt Banken Überschreiten des Kreditlimits wird nicht erkannt Lagerhaltung / Einkauf Zu niedriger Lagerbestand einzelner Waren wird ausgewiesen. Kein Ausnutzen von Mengenrabatten bei Bestellungen Gesamtumsatz eines Kunden bleibt unbekannt. Mehraufwand in der IT Sinkende Kundenzufriedenheit Potenziale und Gefahren nicht erkannt Inkorrekte Kennzahlen Kunde Umsatz BMW BaMoWe Bayerische Motorenwerke
9 Duplikaterkennung hat viele Duplikate 9 Household matching Dubletten Duplicate detection Mixed and split citation problem Match Object identification Record linkage Deduplication Entity resolution Identity uncertainty Hardening soft databases Object consolidation Fuzzy match Entity clustering Approximate match Reference reconciliation Merge/purge Householding Reference matching
10 Duplikaterkennung 10 Duplikaterkennung Identität Ähnlichkeitsmaß Algorithmus Evaluation Relational XML DWH Partitionierung Beziehungen Clustering / Lernen Precision/ Recall Effizienz Domänenunabhängig Domänenabhängig Filter Inkrementell / Suche Edit-basiert Token-basiert Regeln Datentypen Relationship-aware
11 Überblick 11 Das Problem der Duplikaterkennung Ähnlichkeitsmaße Edit Distance et al. Algorithmen Naiv Blocking Sorted-Neighborhood Methode Naive, Multipass Effizient Evaluierung
12 Overview Similarity Measures Jaccard 12 Damerau- Levenshtein Hamming Jaro-Winkler Levenshtein Jaro Words / n-grams Dice Smith- Waterman Edit-based Token-based Cosine Similarity Smith- Waterman-Gotoh Similarity Measures Monge-Elkan Hybrid Dates Domaindependent Phonetic Soft TF-IDF Numerical attributes Rules Metaphone Soundex Kölner Phonetik Double Metaphone
13 Overview Similarity Measures Jaccard 13 Damerau- Levenshtein Hamming Jaro-Winkler Levenshtein Jaro Words / n-grams Dice Smith- Waterman Edit-based Token-based Cosine Similarity Smith- Waterman-Gotoh Similarity Measures Monge-Elkan Hybrid Dates Domaindependent Phonetic Soft TF-IDF Numerical attributes Rules Metaphone Soundex Kölner Phonetik Double Metaphone
14 Levenshtein Distance 14 Minimum number of character insertions, deletions, and replacements necessary to transform s 1 into s 2 Computation based on dynamic programming 1. Initialize matrix M of size ( s 1 +1) x ( s 2 +1) 2. Fill matrix: M M i,0 i, j = i M M i 1, j 1 = 1+ min 0, j = j ( M, M, M ) i 1, j i, j 1 i 1, j 1 if s 1, i = s 2, j otherwise 3. Levenshtei ndist = M i, j Levenshtein Similarity: sim Levenshtein = 1 LevenshteinDist max( s 1, s 2 )
15 M i,0 = i M 0, j = j Levenshtein Distance M i, j = M i 1, j 1 1+ min ( M, M, M ) i 1, j i, j 1 i 1, j 1 if s 1, i = s 2, j otherwise 15 J O N E S J O N E S J O N E S J 1 J J O 2 O 2 O H 3 H 3 H N 4 N 4 N S 5 S 5 S O 6 O 6 O N 7 N 7 N sim Levenshtein = 1 LevenshteinDist max( s 1, s 2 ) s 1 s 2 Levenshtein Distance sim Levenshtein Jones Johnson Paul Pual Paul Jones Jones, Paul 11 0
16 Damerau Levenshtein distance 16 Similar to Levenshtein distance, but considers additionally transposed characters M M i,0 i, j = = i M 1+ M i 1, j 1 0, j M M min M M = j i 1, j i, j 1,, i 1, j 1 i 2, j 2 if s 1, i = s 2, j 1 and s 1, i 1 = s 2, j if s 1, i = s 2, j otherwise s 1 s 2 Levenshtein Distance sim Levenshtein Jones Johnson Paul Pual Paul Jones Jones, Paul 11 0
17 Jaro 17 Search for common characters m: number of matching characters sim 1 m m = + jaro 3 s s m t m t : half the number of transpositions Search range matching characters: ( s, s ) max Example: s 1 P A U L s 1 J O N E S s 2 P U A L s 2 J O H N S O N m = 4 sim jaro 2 t = = = m = 4 sim jaro 0 t = = =
18 Jaro-Winkler 18 Extension of Jaro distance, considering a common prefix if sim jaro 0.7 : sim otherwise : sim jarowinkler jarowinkler = sim = sim jaro jaro + l p (1 sim jaro ) l : length of common prefix up to a maximum of 4 characters p : constant scaling factor for how much the score is adjusted upwards for having common prefixes (typically p=0.1) Example: s 1 sim = PAUL jaro l = 1 p = 0.1 sim = 0.92 jarowinkler s 2 = PUAL = ( ) = s 1 sim = JONES jaro l = 2 p = 0.1 sim = 0.79 jarowinkler s 2 = JOHNSON = ( ) =
19 Overview Similarity Measures Jaccard 19 Damerau- Levenshtein Hamming Jaro-Winkler Levenshtein Jaro Words / n-grams Dice Smith- Waterman Edit-based Token-based Cosine Similarity Smith- Waterman-Gotoh Similarity Measures Monge-Elkan Hybrid Dates Domaindependent Phonetic Soft TF-IDF Numerical attributes Rules Metaphone Soundex Kölner Phonetik Double Metaphone
20 Token-based Similarity Measures 20 Tokens ( Paul Jones ) Words / Terms ( Paul Jones ) n-grams ( _P, Pa, au, ul, l_, _J, Jo, on, ne, es, s_ ) Token similarity Jaccard coefficient sim Jaccard tokenize( s = tokenize( s 1 1 ) ) tokenize( s tokenize( s 2 2 ) ) Dice's coefficient 2 tokenize( s1) tokenize( s sim Dice = tokenize( s ) + tokenize( s ) ) s 1 s 2 Jaccard Dice Jones Johnson Paul Pual Paul Jones Jones, Paul
21 Overview Similarity Measures Jaccard 21 Damerau- Levenshtein Hamming Jaro-Winkler Levenshtein Jaro Words / n-grams Dice Smith- Waterman Edit-based Token-based Cosine Similarity Smith- Waterman-Gotoh Similarity Measures Monge-Elkan Hybrid Dates Domaindependent Phonetic Soft TF-IDF Numerical attributes Rules Metaphone Soundex Kölner Phonetik Double Metaphone
22 22 Soundex Soundex codes a last name based on the way a last name sounds 1. Retain first letter of the name and drop all other occurrences of A, E, H, I, O, U, W, Y 2. Replace consonants with digits 3. Two adjacent letters with the same number are coded as a single number 4. Continue until you have one letter and three numbers. If you run out of letters, fill in 0s until there are three numbers If a surname has a prefix, such as Van, Con, De, Di, La, or Le, code both with and without the prefix Digit Letters 1 B, F, P, V 2 C, G, J, K, Q, S, X, Z 3 D, T 4 L 5 M, N 6 R Example PAUL: PUAL: JONES: P400 P400 J520 JOHNSON: J525 Jenkins, Jansen, Jameson
23 23 Kölner Phonetik Like Soundex, but especially for German last names Letters get different codes based on the context Code length is not restricted Multiple occurrences of the same code and 0 are removed Example PAUL: 15 PUAL: 15 JONES: 68 JOHNSON:686 Letter Context Code A, E, I, J, O, U, Y 0 H - B P not before H D, T not before C, S, Z 2 F, V, W P G, K, Q C before H in the initial sound before A, H, K, L, O, Q, R, U, X before A, H, K, O, Q, U, X but not after S, Z X not after C, K, Q 48 L 5 M, N 6 R 7 S, Z C after S, Z D, T before C, S, Z X in the initial sound, but not before A, H, K, L, O, Q, R, U, X not before A, H, K, O, Q, U, X after C, K, Q
24 Overview Similarity Measures Jaccard 24 Damerau- Levenshtein Hamming Jaro-Winkler Levenshtein Jaro Words / n-grams Dice Smith- Waterman Edit-based Token-based Cosine Similarity Smith- Waterman-Gotoh Similarity Measures Monge-Elkan Hybrid Dates Domaindependent Phonetic Soft TF-IDF Numerical attributes Rules Metaphone Soundex Kölner Phonetik Double Metaphone
25 Monge-Elkan 25 Find best match for each token sim MongeElkan s1 s 1 2 = max sim' s j= 1 1 i= 1 ( s, s ) 1, i 2, j s = number of tokensin s sim' = in ternal similarity function ( e. g. Smith Waterman) Example: s 1 = Paul Jones s 2 = Jones, Paul ( ) Monge-Elkan is not symmetric: sim' = JaroWinkler sim MongeElkan 1 = 2 + = s 1 = aaa xaa yaa s 1 = aaa xaa yaa s 2 = aaa s 2 = aaa xxx yyy
26 Overview Similarity Measures Jaccard 26 Damerau- Levenshtein Hamming Jaro-Winkler Levenshtein Jaro Words / n-grams Dice Smith- Waterman Edit-based Token-based Cosine Similarity Smith- Waterman-Gotoh Similarity Measures Monge-Elkan Hybrid Dates Domaindependent Phonetic Soft TF-IDF Numerical attributes Rules Metaphone Soundex Kölner Phonetik Double Metaphone
27 Domain-dependent Similarity Measures 27 Data Types Special similarity for dates Special similarity for numerical attributes... Rules [Hernandez Stolfo 1998], [Lee et al. 2000] Given two records, r1 and r2. IF last name of r1 = last name of r2, AND first names differ slightly, AND address of r1 = address of r2 THEN r1 is equivalent to r2.
28 Classification 28 Pairwise classification 1. Use 1-n similarity functions to calculate attribute similarities 2. Aggregate attribute similarities to an overall similarity 3. Compare overall similarity with threshold Thresholds Attribute similarity thresholds Overall similarity thresholds Java Libraries Sim Metrics: Second String:
29 Überblick 29 Das Problem der Duplikaterkennung Ähnlichkeitsmaße Edit Distance et al. Algorithmen Naiv & Blocking Sorted-Neighborhood Methode Naive, Multipass Effizient Evaluierung
30 Record Pairs as Matrix
31 Naiver Algorithmus 31 Zwei geschachtelte Schleifen Java SQL SELECT FROM WHERE Aufwand C1.*, genid(c1,c2) R as C1, R as C2 sim(c1,c2) > theta Nur inter-source Duplikate: * * * = Mit intra-source Duplikaten: ² = Eigentlich: (n²-n)/2
32 Number of comparisons: All pairs comparisons
33 Reflexivity of Similarity comparisons
34 Symmetry of Similarity comparisons
35 Complexity 35 Still: Too many comparisons customers => comparisons (n ² n) / 2 Each comparison is expensive (complex similarity measures). Idea: Avoid comparisons by heuristics Filtering of records Partitionierung
36 Partitioning / Blocking 36 Partition the records (horizontally) and compare pairs of records only within a partition. Partitioning by first two zip-digits Ca. 100 partitions in Germany Ca. 100 customers per partition => comparisons Partition by first letter of surname Idea: Partition multiple times by different criteria. Source: wikipedia.de Then apply transitive closure on discovered duplicates.
37 Records sorted by ZIP comparisons
38 Blocking by ZIP comparisons
39 Blocking / Gruppierung / Partitionierung 39 Die Kunst: Geeignete Kriterien finden Gruppiere nach Stadt Gruppiere nach erstem Buchstaben des Nachnamen Gruppiere nach PLZ und Vorname Jede Gruppe sollte in den Hauptspeicher passen Gruppierungskriterium sollten möglichst fehlerfreie Attribute sein Praktisch: Sortierung mit SQL (nicht GROUP BY) Weiter: Mehrere Durchläufe mit unterschiedlichen Kriterien
40 Mehrfache Partitionierung 40 Probleme Datenfehler in PLZ Umzug => Duplikat nicht erkannt Idee: Partitioniere mehrfach nach unterschiedlichen Kriterien PLZ, Nachname, zusammengesetzter Schlüssel Bilde Transitive Hülle Durchgang 1: A = B Durchgang 2: B = C Transitive Hülle: A = C
41 Überblick 41 Das Problem der Duplikaterkennung Ähnlichkeitsmaße Edit Distance et al. Algorithmen Naiv & Blocking Sorted-Neighborhood Methode Naive, Multipass Effizient Evaluierung
42 Die Sorted Neighborhood Methode 42 Input: Tabelle mit N Tuplen Ähnlichkeitsmaß (basierend auf Edit distance) Output: Klassen (clusters) der äquivalenten Tupel (= Duplikate) Problem: Viele Tupel Vergleich eines jeden Tupelpaares zu aufwendig (Effizienz). Tabelle passt nicht in den Speicher (Skalierbarkeit).
43 Sorted Neighborhood 43 Idee Daten geschickt partitionieren. Nur innerhalb dieser Partitionen Duplikate suchen. Algorithmus nach [HS98] 1. Create Key: Schlüssel mittels relevanter Feldern erzeugen. Sequenz einer Teilmenge von Attributen oder der Teilketten innerhalb der Attribute. Effektivität des Algorithmus ist von Schlüsselauswahl abhängig. Schlüssel ist nur virtuell und nicht eindeutig. Wird nur für Sortierung benutzt. 2. Sort: Daten nach dem Schlüssel sortieren. 3. Merge: Fenster (der Größe w) über sortierte Tupel schieben. Nur Tupel innerhalb des Fensters miteinander vergleichen.
44 Sorted Neighborhood Methode [HS98] ID 17 Key MSKAD98 ID Title Year Genre Mask of Zorro 1998 Adventure 18 Addams Family 1991 Comedy 25 Rush Hour 1998 Comedy 31 Matrix 1999 Sci-Fi 52 Return of Dschafar 1994 Children 113 Adams Family 1991 Comedie 207 Return of Djaffar 1995 Children Create key DDMCO91 RSHCO98 MTRSC99 RTRCH94 DMSCO91 RTRCH95 2. Sort classify(18,113) duplicates classify(52,207) duplicates ID Key 18 DDMCO DMSCO91 17 MSKAD98 31 MTRSC99 25 RSHCO98 52 RTRCH RTRCH95 Merge 3. ID Key DDMCO91 DMSCO91 MSKAD98 MTRSC99 RSHCO98 RTRCH94 RTRCH95
45 SNM by ZIP (window size 4) comparisons
46 Sorted Neighborhood Aufwand 46 Aufwand N : Anzahl der Tupel, w: Fenstergröße (window) Theoretisch: O(N) + O(N logn) + O(w N) = O(N logn) bei w < logn; O(wN) sonst Praktisch: Drei Läufe über die Daten auf der Festplatte
47 Sorted Neighborhood Aufwand 47 Kommentare Wahl des Schlüssels Formulierung durch Experten Aufwändig Schwer vergleichbare Ergebnisse Für Effektivität entscheidend Wahl der Fenstergröße w = N : O(N²) max. accuracy & max. Zeit w = 2 : O(N) min. accuracy & min. Zeit Entscheidung ob ein Duplikat vorliegt, ist eine komplexe Berechnung (edit distance).
48 Sorted Neighborhood Multipass Verfahren 48 Problematische Schlüsselwahl Beispiel: Schlüssel beginnt mit ID r 1 : und r 2 : Problemlösung 1: Vergrößerung des Fensters: w N Problemlösung 2: Multipass Verfahren
49 Sorted Neighborhood Multipass Verfahren 49 Mehrmalige Durchführung von Sorted Neighborhood Methode mit verschiedenen Schlüsseln w relativ klein Transitive Hülle auf Ergebnissen jedes Durchgangs: Equivalent(a, b) && Equivalent (b, c) Equivalent (a, c) Dadurch werde neue Duplikate gefunden.
50 Überblick 50 Das Problem der Duplikaterkennung Ähnlichkeitsmaße Edit Distance et al. Algorithmen Naiv & Blocking Sorted-Neighborhood Methode Naive, Multipass Effizient Evaluierung
51 Precision & Recall 51 Data set False negatives True duplicates Precision = True positives Declared duplicates True positives False positives True negatives Declared duplicates Recall = True positives True duplicates F-Measure = 2 Precision Recall Precision + Recall
52 Arithmetisches Mittel ( Durchschnitt ) vs. Harmonisches Mittel ( F-Maß ) z = ½ (x + y) z = 2 (x y) / (x + y) 52
53 Duplikaterkennung Zielkonflikte 53 Precision Ähnlichkeitsschwellwert Recall Effizienz
54 54 Zusammenfassung des Vorgehens Gegeben zwei Tupelmengen A und B Kernidee: Bilde Kreuzprodukt aller Tupel. Für jedes Paar berechne Ähnlichkeit Z.B. bzgl. Attributwerte usw. Wähle Duplikatpaare aus Ähnlichste Paare bis Schwellwert Nebenbedingungen Bilde Duplikatcluster Transitive Hülle Probleme Edit Distance etc. Anzahl und Komplexität der Vergleiche (Effizienz) Güte des Ähnlichkeitsmaßes (Effektivität) Große Datenmengen (Skalierbarkeit) Containment metric Sorted Neighborhood Methode
55 Datenfusion 55 amazon.de H. Melville $3.98 ID max_length MIN CONCAT Herman Melville Moby Dick $5.99 bol.de
56 Abgabe bis 18 Uhr und 23 Uhr 56 Liste mit IDs der Duplikatpaare Kleinere ID eines Paares zuerst Numerisch! Sonstige Sortierung ist egal Ein Paar pro Zeile Trennung der IDs durch Komma 3, 25 5, 11 2, 39 45, 123 Trick 1 Leere Liste abgeben Precision = 1 Aber Recall schlecht Trick 2 Alle Paare abgeben Passt nicht in Recall = 1 Aber precision schlecht
Duplikaterkennung. 3.7.2012 Felix Naumann
Duplikaterkennung 3.7.2012 Felix Naumann Quality 2 Even though quality cannot be defined, you know what it is. Robert Pirsig Zoom in die Informationsqualität 3 1 Fitness for use 15 Accuracy, Objectivity,
MehrDuplikaterkennung. Dr. Armin Roth arminroth.de. Dr. Armin Roth (arminroth.de) II Duplikaterkennung / 17
Dr. Armin Roth arminroth.de 27.04.2013 Dr. Armin Roth (arminroth.de) II Duplikaterkennung 27.04.2013 1 / 17 Agenda 1 Wiederholung: Datenwertintegration 2 Duplikaterkennung Dr. Armin Roth (arminroth.de)
MehrInformationsqualität Antrittsvorlesung am
Informationsqualität Antrittsvorlesung am 26.4.2007 Felix Naumann Hasso-Plattner-Institut Fachgebiet Informationssysteme Überblick 2 Informationsqualität Informationsintegration Duplikaterkennung Ähnlichkeit
MehrDatenqualität und Datenreinigung
Datenqualität und Datenreinigung FGBS Herbsttreffen 10. November 2011 Felix Naumann Hasso-Plattner-Institut Fachgebiet Informationssysteme Überblick 2 Datenqualität Datenfehler und ihre Ursachen Datenreinigung
MehrDuplikaterkennung - Motivation Masterseminar. Felix Naumann Hasso-Plattner-Institut
Duplikaterkennung - Motivation Masterseminar 16.4.2008 Felix Naumann Hasso-Plattner-Institut Fachgebiet Informationssysteme Überblick 2 Datenqualität Datenfehler und ihre Ursachen Datenreinigung i Duplikaterkennung
MehrInformationsintegration Große Datenräume in Web-basierten Umgebungen
Informationsintegration Große Datenräume in Web-basierten Umgebungen Felix Naumann Humboldt-Universität zu Berlin naumann@informatik.hu-berlin.de Einige Untertitel Content Merging Objekt Fusion Datenintegration
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
MehrDuplikaterkennung und Datenfusion
Duplikaterkennung und Datenfusion Kolloquium Stuttgart, 6.7.2004 Felix Naumann Humboldt-Universität zu Berlin Humboldt-Universität zu Berlin 22.04.2004 Felix Naumann, Humboldt-Universität zu Berlin 2 Humboldt-Universität
MehrDomain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing
SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0
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
MehrGrundlagen der Bioinformatik Assignment 3: Hierarchical Clustering SS Yvonne Lichtblau/Johannes Starlinger
Grundlagen der Bioinformatik Assignment 3: Hierarchical Clustering SS 2017 Yvonne Lichtblau/Johannes Starlinger Presentations Assignment 2 Yvonne Lichtblau Übungen Grundlagen der Bioinformatik SS 2017
MehrFunktionen. Überblick über Stored Functions. Syntax zum Schreiben einer Funktion. Schreiben einer Funktion
Überblick über Stored Functions Funktionen Eine Funktion ist ein benannter PL/SQL- Block, der einen Wert zurückgibt. Eine Funktion kann in der Datenbank als Objekt zur wiederholbaren Ausführung gespeichert
MehrInformationsintegration II Data Cleansing 2 Duplikaterkennung
Informationsintegration II Data Cleansing Duplikaterkennung 7.05.004 Felix Naumann Überblick Motivation und Data Cleansing Prozess Datenfehler Edit Distance als Ähnlichkeitsmaß Sorted-Neighborhood Methode
MehrISU 1. Ue_08/02_Datenbanken/SQL. 08 Datenbanken. Übung. SQL Einführung. Eckbert Jankowski. www.iit.tu-cottbus.de
08 Datenbanken Übung SQL Einführung Eckbert Jankowski www.iit.tu-cottbus.de Datenmodell (Wiederholung, Zusammenfassung) Objekte und deren Eigenschaften definieren Beziehungen zwischen den Objekten erkennen/definieren
MehrOracle Database 12c Was Sie immer schon über Indexe wissen wollten
Oracle Database 12c Was Sie immer schon über Indexe wissen wollten Marco Mischke, 08.09.2015 DOAG Regionaltreffen B* Indexe - Aufbau 0-Level Index A-F G-Z 1-Level Index A-F G-Z 2-Level Index A-F G-M N-Z
MehrGrundlagen der Bioinformatik Assignment 2: Substring Search SS Yvonne Lichtblau
Grundlagen der Bioinformatik Assignment 2: Substring Search SS 2016 Yvonne Lichtblau Vorstellung Lösungen Übung 1 Yvonne Lichtblau Übungen Grundlagen der Bioinformatik SS 2016 2 Aufgetretene Probleme Sourcecode
MehrGeometrie und Bedeutung: Kap 5
: Kap 5 21. November 2011 Übersicht Der Begriff des Vektors Ähnlichkeits Distanzfunktionen für Vektoren Skalarprodukt Eukidische Distanz im R n What are vectors I Domininic: Maryl: Dollar Po Euro Yen 6
Mehr25 teams will compete in the ECSG Ghent 2017 Senior Class Badminton.
ECSG 2017 Badminton Briefing : Senior Class 25 teams will compete in the ECSG Ghent 2017 Senior Class Badminton. Including 8 Belgian, 1 Danish, 1 French, 21 German, and 1 Maltese Teams. Teams have been
MehrUnit 1. Motivation and Basics of Classical Logic. Fuzzy Logic I 6
Unit 1 Motivation and Basics of Classical Logic Fuzzy Logic I 6 Motivation In our everyday life, we use vague, qualitative, imprecise linguistic terms like small, hot, around two o clock Even very complex
MehrUnit 4. The Extension Principle. Fuzzy Logic I 123
Unit 4 The Extension Principle Fuzzy Logic I 123 Images and Preimages of Functions Let f : X Y be a function and A be a subset of X. Then the image of A w.r.t. f is defined as follows: f(a) = {y Y there
MehrDIBELS TM. German Translations of Administration Directions
DIBELS TM German Translations of Administration Directions Note: These translations can be used with students having limited English proficiency and who would be able to understand the DIBELS tasks better
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
MehrExercise (Part I) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part I) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
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
MehrHIR Method & Tools for Fit Gap analysis
HIR Method & Tools for Fit Gap analysis Based on a Powermax APML example 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality- & Risk- Management etc. Main processes
MehrFuture plans. Exercise 1: Read the text below.
Exercise 1: Read the text below. Future plans Nächstes Jahr werde ich die Schule verlassen, weil ich die Schule hasse. Mit 18 werde ich einen Job finden. Ich möchte in einem Büro arbeiten, weil ich als
MehrExercise 6. Compound Types and Control Flow. Informatik I für D-MAVT. M. Gross, ETH Zürich, 2017
Exercise 6 Compound Types and Control Flow Daniel Bogado Duffner Slides auf: Informatik I für D-MAVT bodaniel@student.ethz.ch n.ethz.ch/~bodaniel Agenda Recap/Quiz Structures Unions Enumerations Loops
MehrACCESS SQL ACCESS SQL
ACCESS SQL Datenbankabfragen mit der Query-Language ACCESS SQL Datenbankpraxis mit Access 34 Was ist SQL Structured Query Language Bestehend aus Datendefinitionssprache (DDL) Datenmanipulationssprache
MehrRegistration of residence at Citizens Office (Bürgerbüro)
Registration of residence at Citizens Office (Bürgerbüro) Opening times in the Citizens Office (Bürgerbüro): Monday to Friday 08.30 am 12.30 pm Thursday 14.00 pm 17.00 pm or by appointment via the Citizens
MehrKapitel Andere dynamische Datenstrukturen
Institute of Operating Systems and Computer Networks Algorithms Group Kapitel 4.8-4.11 Andere dynamische Datenstrukturen Algorithmen und Datenstrukturen Wintersemester 2017/2018 Vorlesung#13, 12.12.2017
MehrGrade 12: Qualifikationsphase. My Abitur
Grade 12: Qualifikationsphase My Abitur Qualifikationsphase Note 1 Punkte Prozente Note 1 15 14 13 85 % 100 % Note 2 12 11 10 70 % 84 % Note 3 9 8 7 55 % 69 % Note 4 6 5 4 40 % 54 % Note 5 3 2 1 20 % 39
MehrNEWSLETTER. FileDirector Version 2.5 Novelties. Filing system designer. Filing system in WinClient
Filing system designer FileDirector Version 2.5 Novelties FileDirector offers an easy way to design the filing system in WinClient. The filing system provides an Explorer-like structure in WinClient. The
MehrIntroduction FEM, 1D-Example
Introduction FEM, D-Example /home/lehre/vl-mhs-/inhalt/cover_sheet.tex. p./22 Table of contents D Example - Finite Element Method. D Setup Geometry 2. Governing equation 3. General Derivation of Finite
MehrMitglied der Leibniz-Gemeinschaft
Methods of research into dictionary use: online questionnaires Annette Klosa (Institut für Deutsche Sprache, Mannheim) 5. Arbeitstreffen Netzwerk Internetlexikografie, Leiden, 25./26. März 2013 Content
MehrCycling. and / or Trams
Cycling and / or Trams Experiences from Bern, Switzerland Roland Pfeiffer, Departement for cycling traffic, City of Bern Seite 1 A few words about Bern Seite 2 A few words about Bern Capital of Switzerland
MehrBeyond Information Integration: Content Merging Forschungskolloquium CIS/ISST
Beyond Information Integration: Content Merging Forschungskolloquium CIS/ISST Felix Naumann naumann@informatik.hu-berlin.de Einige Untertitel Content Merging Objekt/Data Fusion Data Amalgamation Data Consolidation
MehrNoSQL mit Postgres 15. Juni 2015
Tag der Datenbanken 15. Juni 2015 Dipl.-Wirt.-Inform. Agenda l Vorstellung l Marktübersicht l Warum PostgreSQL? l Warum NoSQL? l Beispielanwendung Seite: 2 Vorstellung Dipl.-Wirt.-Inform. [1990] Erste
MehrPerformance Verbesserung BIRT-BERICHTE
ClassiX Software GmbH Performance Verbesserung der BIRT-BERICHTE Tipps zur Performance Verbesserung der Berichte unabhängig von der Engine Jana Fischereit 21.01.2013 1 Inhalt 2 Allgemeine Aussagen... 2
Mehr"What's in the news? - or: why Angela Merkel is not significant
"What's in the news? - or: why Angela Merkel is not significant Andrej Rosenheinrich, Dr. Bernd Eickmann Forschung und Entwicklung, Unister GmbH, Leipzig UNISTER Seite 1 Unister Holding UNISTER Seite 2
MehrSAMPLE EXAMINATION BOOKLET
S SAMPLE EXAMINATION BOOKLET New Zealand Scholarship German Time allowed: Three hours Total marks: 24 EXAMINATION BOOKLET Question ONE TWO Mark There are three questions. You should answer Question One
MehrÜbungsblatt 6. Analysis 1, HS14
Übungsblatt 6 Analysis, HS4 Ausgabe Donnerstag, 6. Oktober. Abgabe Donnerstag, 23. Oktober. Bitte Lösungen bis spätestens 7 Uhr in den Briefkasten des jeweiligen Übungsleiters am J- oder K-Geschoss von
MehrCycling and (or?) Trams
Cycling and (or?) Trams Can we support both? Experiences from Berne, Switzerland Roland Pfeiffer, Departement for cycling traffic, City of Bern Seite 1 A few words about Bern Seite 2 A few words about
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
MehrInformationsextraktion
Informationsextraktion Bestimmte Anwendungen bei der semantischen Verarbeitung erfordern keine tiefe linguistische Analyse mit exakter Disambiguierung (= eine einzige und korrekte Lesart). Hierzu gehört
MehrAlgebraische Spezifikation von Software und Hardware II
Algebraische Spezifikation von Software und Hardware II Markus Roggenbach Mai 2008 3. Signaturen 3. Signaturen 2 Grundlegende Frage Wie lassen sich Interfaces beschreiben? Signaturen = Sammlung aller bekannten
MehrMicrosoft SQL Server Überblick über Konfiguration, Administration, Programmierung (German Edition)
Microsoft SQL Server 2012 - Überblick über Konfiguration, Administration, Programmierung (German Edition) Markus Raatz, Jörg Knuth, Ruprecht Dröge Click here if your download doesn"t start automatically
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken SQL, Häufige Mengen Nico Piatkowski und Uwe Ligges 11.05.2017 1 von 16 Überblick Was bisher geschah... Modellklassen Verlustfunktionen Numerische Optimierung Regularisierung
MehrIngenics Project Portal
Version: 00; Status: E Seite: 1/6 This document is drawn to show the functions of the project portal developed by Ingenics AG. To use the portal enter the following URL in your Browser: https://projectportal.ingenics.de
MehrExercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
MehrAlgorithm Theory 3 Fast Fourier Transformation Christian Schindelhauer
Algorithm Theory 3 Fast Fourier Transformation Institut für Informatik Wintersemester 2007/08 Chapter 3 Fast Fourier Transformation 2 Polynomials Polynomials p over real numbers with a variable x p(x)
MehrSlide 3: How to translate must not and needn t with two sentences to illustrate this.
Teaching notes This resource is designed to revise the use of modal verbs in the present tense and includes a starter card sort, PowerPoint presentation and Word worksheet. Suggested starter activities
MehrAnalyzing a TCP/IP-Protocol with Process Mining Techniques
Fakultät für Mathematik und Informatik Analyzing a TCP/IP-Protocol with Process Mining Techniques Christian Wakup rubecon information technologies GmbH Düsseldorf, Germany Jörg Desel FernUniversität in
MehrDie besten Chuck Norris Witze: Alle Fakten über den härtesten Mann der Welt (German Edition)
Die besten Chuck Norris Witze: Alle Fakten über den härtesten Mann der Welt (German Edition) Click here if your download doesn"t start automatically Die besten Chuck Norris Witze: Alle Fakten über den
Mehrids-system GmbH Tipp #3 Leer-Strings in SQL oder die Frage nach CHAR oder VARCHAR
ids-system GmbH Tipp #3 Leer-Strings in SQL oder die Frage Zusammenfassung Dieses Dokument beschreibt die Unterschiede zwischen CHAR und VARCHAR Datentyp sowie die Behandlung im SQL Michael Tiefenbacher
MehrRandy Adam. Click here if your download doesn"t start automatically
Bürgerschaftliches Engagement in einer gemeinnützigen Organisation. Praktikumsbericht aus der Freiwilligenagentur Halle-Saalkreis e.v. (German Edition) Randy Adam Click here if your download doesn"t start
Mehr1. General information... 2 2. Login... 2 3. Home... 3 4. Current applications... 3
User Manual for Marketing Authorisation and Lifecycle Management of Medicines Inhalt: User Manual for Marketing Authorisation and Lifecycle Management of Medicines... 1 1. General information... 2 2. Login...
MehrAu Pair Bewerbung für Deutschland ( Application for Germany )
agentureva Europäische Vermittlungsagentur für Au-pair Eva Stefani In der Schranne 41 70569 Stuttgart Tel: +49-711-1 28 72 23 Fax: +49-711-1-20-75-57 Email: info@agentureva.de Au Pair Bewerbung für Deutschland
MehrSQL. Ziele. Grundlagen von SQL. Beziehung zur relationalen Algebra SELECT, FROM, WHERE. Joins ORDER BY. Aggregatfunktionen. dbis.
SQL Lehr- und Forschungseinheit Datenbanken und Informationssysteme Ziele Grundlagen von SQL Beziehung zur relationalen Algebra SELECT, FROM, WHERE Joins ORDER BY Aggregatfunktionen Lehr- und Forschungseinheit
Mehr19. STL Container Programmieren / Algorithmen und Datenstrukturen 2
19. STL Container Programmieren / Algorithmen und Datenstrukturen 2 Prof. Dr. Bernhard Humm FB Informatik, Hochschule Darmstadt Wintersemester 2012 / 2013 1 Agenda Kontrollfragen STL Container: Übersicht
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
MehrInvitation - Benutzerhandbuch. User Manual. User Manual. I. Deutsch 2. 1. Produktübersicht 2. 1.1. Beschreibung... 2
Invitation - Inhaltsverzeichnis I. Deutsch 2 1. Produktübersicht 2 1.1. Beschreibung......................................... 2 2. Installation und Konfiguration 2 2.1. Installation...........................................
MehrPraktikum Experience Design From Experience Story to Scheme
Praktikum Experience Design From Experience Story to Scheme Daniel Ullrich Stina Schick Folie: 1 Analysis of the elements of a story. Experience Design gernerates a story from the experience produced by
MehrProf. S. Krauter Kombinatorik. WS Blatt03.doc
Prof. S. Krauter Kombinatorik. WS 05-06 Blatt03.doc Zahlpartitionen: 1. Gegeben ist folgende Gleichung: x 1 + x 2 + x 3 + + x s = n. a) Wie viele verschiedene Lösungen besitzt diese Gleichung mit Werten
Mehrprorm Budget Planning promx GmbH Nordring Nuremberg
prorm Budget Planning Budget Planning Business promx GmbH Nordring 100 909 Nuremberg E-Mail: support@promx.net Content WHAT IS THE prorm BUDGET PLANNING? prorm Budget Planning Overview THE ADVANTAGES OF
MehrVORANSICHT. Halloween zählt zu den beliebtesten. A spooky and special holiday Eine Lerntheke zu Halloween auf zwei Niveaus (Klassen 8/9)
IV Exploringlifeandculture 12 Halloween(Kl.8/9) 1 von28 A spooky and special holiday Eine Lerntheke zu Halloween auf zwei Niveaus (Klassen 8/9) EinBeitragvonKonstanzeZander,Westerengel Halloween zählt
MehrÜbersicht der wichtigsten MySQL-Befehle
Übersicht der wichtigsten MySQL-Befehle 1. Arbeiten mit Datenbanken 1.1 Datenbank anlegen Eine Datenbank kann man wie folgt erstellen. CREATE DATABASE db_namen; 1.2 Existierende Datenbanken anzeigen Mit
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
Mehr3 Query Language (QL) Einfachste Abfrage Ordnen Gruppieren... 7
1 Data Definition Language (DDL)... 2 1.1 Tabellen erstellen... 2 1.1.1 Datentyp...... 2 1.1.2 Zusätze.... 2 1.2 Tabellen löschen... 2 1.3 Tabellen ändern (Spalten hinzufügen)... 2 1.4 Tabellen ändern
MehrAusgezeichnete Arbeiten zur Informationsqualität
Ausgezeichnete Arbeiten zur Informationsqualität Herausgegeben von M. Gebauer, Hannover R. Giebichenstein, Köln Bewertungskommission des Information Quality Best Master Degree Award 2010: H. Hinrichs,
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
MehrWas heißt Denken?: Vorlesung Wintersemester 1951/52. [Was bedeutet das alles?] (Reclams Universal-Bibliothek) (German Edition)
Was heißt Denken?: Vorlesung Wintersemester 1951/52. [Was bedeutet das alles?] (Reclams Universal-Bibliothek) (German Edition) Martin Heidegger Click here if your download doesn"t start automatically Was
MehrIntroduction FEM, 1D-Example
Introduction FEM, 1D-Example home/lehre/vl-mhs-1-e/folien/vorlesung/3_fem_intro/cover_sheet.tex page 1 of 25. p.1/25 Table of contents 1D Example - Finite Element Method 1. 1D Setup Geometry 2. Governing
Mehrdbis Praktikum DBS I SQL Teil 2
SQL Teil 2 Übersicht Fortgeschrittene SQL-Konstrukte GROUP BY HAVING UNION / INTERSECT / EXCEPT SOME / ALL / ANY IN / EXISTS CREATE TABLE INSERT / UPDATE / DELETE 2 SELECT Syntax SELECT FROM [WHERE [GROUP
MehrKonkret - der Ratgeber: Die besten Tipps zu Internet, Handy und Co. (German Edition)
Konkret - der Ratgeber: Die besten Tipps zu Internet, Handy und Co. (German Edition) Kenny Lang, Marvin Wolf, Elke Weiss Click here if your download doesn"t start automatically Konkret - der Ratgeber:
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei
MehrUsing TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web.
Using TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web.de Damages caused by Diprion pini Endangered Pine Regions in Germany
MehrTicketing Service by München Ticket. 1 Enter here the name of the event Halls and Walls and press enter.
Ticketing Service by München Ticket https://www.muenchenticket.de/ 1 2 1 Enter here the name of the event Halls and Walls and press enter. 2 Click on TICKETS SICHERN to buy a ticket. How to get your tickets
MehrCausal Analysis in Population Studies
Causal Analysis in Population Studies Prof. Dr. Henriette Engelhardt Prof. Dr. Alexia Prskawetz Randomized experiments and observational studies for causal inference inference Historical dichotomy between
MehrRätsel 1: Buchstabensalat klassisch, 5 5, A C (10 Punkte) Puzzle 1: Standard As Easy As, 5 5, A C (10 points)
Rätsel 1: uchstabensalat klassisch, 5 5, (10 Punkte) Puzzle 1: Standard s Easy s, 5 5, (10 points) Rätsel 2: uchstabensalat klassisch, 5 5, (5 Punkte) Puzzle 2: Standard s Easy s, 5 5, (5 points) Rätsel
MehrZWISCHEN TRADITION UND REBELLION - FRAUENBILDER IM AKTUELLEN BOLLYWOODFILM (GERMAN EDITION) BY CHRISTINE STöCKEL
Read Online and Download Ebook ZWISCHEN TRADITION UND REBELLION - FRAUENBILDER IM AKTUELLEN BOLLYWOODFILM (GERMAN EDITION) BY CHRISTINE STöCKEL DOWNLOAD EBOOK : ZWISCHEN TRADITION UND REBELLION - FRAUENBILDER
MehrVGM. VGM information. HAMBURG SÜD VGM WEB PORTAL - USER GUIDE June 2016
Overview The Hamburg Süd VGM-Portal is an application which enables to submit VGM information directly to Hamburg Süd via our e-portal web page. You can choose to insert VGM information directly, or download
MehrVermessene Wissenschaft. Etablierte und alternative Ansätze der Bibliometrie
Vermessene Wissenschaft Etablierte und alternative Ansätze der Bibliometrie http://www.uni-hamburg.de/biologie/bioz/zis/hb/dieckhof.html LunchLesson zur Bibliometrie 19.03.2015 S. 2 http://www.uniklinikum-saarland.de/forschung/lom/
MehrFEM Isoparametric Concept
FEM Isoparametric Concept home/lehre/vl-mhs--e/folien/vorlesung/4_fem_isopara/cover_sheet.tex page of 25. p./25 Table of contents. Interpolation Functions for the Finite Elements 2. Finite Element Types
MehrDatenbank und Tabelle mit SQL erstellen
Datenbank und Tabelle mit SQL erstellen 1) Übung stat Mit dem folgenden Befehlen legt man die Datenbank stat an und in dieser die Tabelle data1 : CREATE DATABASE stat; USE stat; CREATE TABLE data1 ( `id`
MehrAlgorithms for graph visualization
Algorithms for graph visualization Project - Orthogonal Grid Layout with Small Area W INTER SEMESTER 2013/2014 Martin No llenburg KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum
MehrHarry gefangen in der Zeit Begleitmaterialien
Episode 011 Grammar 1. Plural forms of nouns Most nouns can be either singular or plural. The plural indicates that you're talking about several units of the same thing. Ist das Bett zu hart? Sind die
MehrGuidance Notes for the eservice 'Marketing Authorisation & Lifecycle Management of Medicines' Contents
Guidance Notes for the eservice 'Marketing Authorisation & Lifecycle Management of Medicines' Contents Login... 2 No active procedure at the moment... 3 'Active' procedure... 4 New communication (procedure
MehrDOWNLOAD. Englisch in Bewegung. Spiele für den Englischunterricht. Britta Buschmann. Downloadauszug aus dem Originaltitel:
DOWNLOAD Britta Buschmann Englisch in Bewegung Spiele für den Englischunterricht auszug aus dem Originaltitel: Freeze Hör-/ und Sehverstehen Folgende Bewegungen werden eingeführt: run: auf der Stelle rennen
MehrBacken mit Biskuit: Einfach, erfolgreich, die besten Rezepte (German Edition)
Backen mit Biskuit: Einfach, erfolgreich, die besten Rezepte (German Edition) Hanna Renz Click here if your download doesn"t start automatically Backen mit Biskuit: Einfach, erfolgreich, die besten Rezepte
MehrA Classification of Partial Boolean Clones
A Classification of Partial Boolean Clones DIETLINDE LAU, KARSTEN SCHÖLZEL Universität Rostock, Institut für Mathematik 25th May 2010 c 2010 UNIVERSITÄT ROSTOCK MATHEMATISCH-NATURWISSENSCHAFTLICHE FAKULTÄT,
MehrONLINE LICENCE GENERATOR
Index Introduction... 2 Change language of the User Interface... 3 Menubar... 4 Sold Software... 5 Explanations of the choices:... 5 Call of a licence:... 7 Last query step... 9 Call multiple licenses:...
MehrLies doch mal! 2: 50 wichtige Jugendbücher (German Edition)
Lies doch mal! 2: 50 wichtige Jugendbücher (German Edition) Click here if your download doesn"t start automatically Lies doch mal! 2: 50 wichtige Jugendbücher (German Edition) Lies doch mal! 2: 50 wichtige
MehrKursbuch Naturheilverfahren: Curriculum der Weiterbildung zur Erlangung der Zusatzbezeichnung Naturheilverfahren (German Edition)
Kursbuch Naturheilverfahren: Curriculum der Weiterbildung zur Erlangung der Zusatzbezeichnung Naturheilverfahren (German Edition) Click here if your download doesn"t start automatically Kursbuch Naturheilverfahren:
MehrKünstliche Intelligenz
Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data
MehrProgrammier-Befehle - Woche 10
Funktionen Rekursion Selbstaufruf einer Funktion Jeder rekursive Funktionsaufruf hat seine eigenen, unabhängigen Variablen und Argumente. Dies kann man sich sehr gut anhand des in der Vorlesung gezeigten
MehrZu + Infinitiv Constructions
Zu + Infinitiv Constructions You have probably noticed that in many German sentences, infinitives appear with a "zu" before them. These "zu + infinitive" structures are called infinitive clauses, and they're
MehrVGM. VGM information. HAMBURG SÜD VGM WEB PORTAL USER GUIDE June 2016
Overview The Hamburg Süd VGM Web portal is an application that enables you to submit VGM information directly to Hamburg Süd via our e-portal Web page. You can choose to enter VGM information directly,
Mehr