D 1 D 2 D 3 D 4 D 5... D m S S S S n
|
|
- Walther Thomas
- vor 5 Jahren
- Abrufe
Transkript
1 Page-Rank Wir wollte in einem Corpus von Texten, wie z.b. Bücher, Webseiten, Anleitung usw., nach bestimmten Inhalten aus einer Menge von Schlüsselworten suchen Sei S = {S,S,...,S n,s n } eine eine alphabeitsch geordnete Liste der Schlüsselworte. Z.B. S = Aachen,S = Abel,...,S n = Zaun,S n = Zug und sei D = {D,D,...,D m } eine durchnummerierte Liste der Dokumente. Ein gegebenes Textdokument enthält bestimmte Schlüsselworte aus der Liste und kann daher durch eine Teilmenge der Liste dargestellt werde D D D D 4 D 5... D m S S S S n Das j-te Dokument D j ist also durch einen Spalten-vektor d j charakterisiert, der die für das Dokument relevante Terme auflistet. Das k-te Schlüsselwort S k ist verbunden mit einem Zeilen-Vektor s k, der die Dokumente kennzeichnet, in denen das Schlüsselwort auftaucht. Die Zahl D kj in der Term-Dokument-Matrix gibt an, wie wichtig der Term S k im Dokument D j ist (z.b. wie oft er auftaucht). Eine Suchanfrage ist eine Ansammlung von Termen und kann genauso durch einen Dokumentvektor d dargestellt werden. Einen Dokument D j aus dem Corpus passt am besten zu der Suchanfrage, wenn die Schlüsselworte aus der Anfrage auch im Dokumentvektor d j stehen. In Vektorsprache heißt das: d und d j sollen möglichst parallel sein (also einen kleinen Winkel bilden). Also wollen wir zur Anfrage d den Dokumentenvektor d j mit kleinsten Winkel bestimmen. Wir können den Winkel φ j zwischen den Vektoren d und d j über Cosinus bestimmen: d T dj cos(φ j ) = d d j. (.) Je kleiner der Winkel zwischen zwei Vektoren, desto näher an ist der Cosinus.
2 Betrachten wir nun einen Beispiel. Wir haben eine Term-Dokument-Matrix B: D D D D 4 D 5... Auto S Kfz S Kraftfahrzeug Und die Suchanfrage: Kfz mit d = (0,0,,0,0,...) T Die Winkelberechnung führt zu folgenden Ergebnissen: cos(φ ) = / = cos(φ 4 ) = / = Optimallösung! cos(φ 5 ) = / = Man würde aber eigentlich eher erwarten, dass D and D 5 die Suchanfrage besser beantworten. Das Problem mit dem Ansatz besteht darin das die Eigenartigkeit der natürlichen Sprache, wie z.b. Mehrdeutigkeit und Synonyme, ignoriert wird. Die Abhilfe schafft das Verfahren Latent Semantic Indexing. Dieses beseitig die Abhängigkeiten und Mehrdeutigkeiten der Sprache und verringert die Dimension des Term-Raumes durch Berücksichtigung von Mehrdeutigkeiten und Korrelationen. In der Sprache von Vektoren heißt das: zuerst werden die Zeilen von der Term-Dokument-Matrix orthogonalisiert und dann der Winkel mit den Spaltenvektoren in der reduzierten Matrix bestimmt. Nun widmen wir unsere Aufmerksamkeit den Web-Graphen. Erinnern wir uns nochmal, dass ein Graph G = (E,K) ist ein Tupel mit Ecken E = {E,...,E n }undkantenk = {K,...,K m }.ZumBeispiel,indiesemGraph
3 habenwirdiekanten(,),(,),(,4),(,),(,5),(4,),(4,5),(4,6),(5,6), (5,7),(5,8),(6,8),(7,),(7,5),(7,8),(8,6),(8,7) und n = 8, m = 7. Neben einer Menge von Tupeln, können wir die Verbindungen in einem Graph auch mithilfe einer Adjazenzmatrix abbilden. Die Adjazenzmatrix A hat in der i-ten Zeile und j-ten Spalte genau dann einen, wenn es eine Kante von Ecke i zur Ecke j existiert. Unser Graph induziert, z.b. folgende Adjazenzmatrix: A G = Diese Matrix ist nicht symmetrisch, weil unser Graph gerichtet ist. Gerichtete Graphen werden zur Modellierung diveres Strukturen mit Relationen und Abhängigkeiten verwendet. Ein prominenter Beispiel ist die Modellierung von Links zwischen Webseiten. So würde in unserem Beispiel oben die Webseite auf die Webseiten und verlinken, die Webseite 4 auf die Webseiten, 5 und 6 usw. Was kann man jetzt mit diesem Modell tun? Stelle dir einen Webnutzer vor, der von einer Seite zur nächsten über die Links springt. Dieser Webnutzer ist nicht wählerisch und entscheidet sich ueber die nächste Seite zufällig. So, wenn er sich z.b. auf der Webseite aufhält, wird er als nächstes entweder die Webseite oder Webseite mit gleichen Wahrscheinlichkeit 0.5 besuchen. Wir nennen dieses Verhaltensmodel Random Surfer. Was sind die von Random Surfer meist besuchten Webseiten? Um diese Frage beantworten zu können, führen wir wir den Vektor von Aufenthaltswahr-
4 scheinlichkeiten im k-ten Schritt: = (,,, 4, 5, 6, 7, 8 ) T. Und da er zu jedem Zeitpunkt nur eine Seite besuchen kann, verlangen wir zusätzlich dass alle Komponenten von sich zu addieren: =. Beim Schritt von k zu k+ klickt der Nutzer auf den nächsten Link und es ändern sich die Aufenthaltswahrscheinlichkeiten: x (k+) = x(k) 7 x(k) + x(k) + x(k) 4 x(k) x(k) + x(k) 4 + x(k) 7 x(k) 4 + x(k) 5 + x(k) 8 x(k) 5 + x(k) 8 x(k) x(k) 7. (.) Diese Transformation lässt sich auch in Form einer Matrix-Vektor Multiplikation schreiben: / 0 / 0 / / / x (k+) = / / 0 0 / 0 4 = A / / 0 0 / / 0 0 / / / 0 Die Matrix A wird stochastische Matrix oder auch Übergangsmatrix genannt. Ein aufmerksamer Student würde an dieser Stelle merken, dass die Matrix A genau so wie die Matrix A G aussieht. Nur die Einträge von A sind so normiert, dass die Spaltensumme immer ergibt. (k) k Wenn die Folge von Aufenthaltswahrscheinlichkeiten konvergiert, x x (k) k, dann gilt auch A x A x. Für die Aufenthaltswahrscheinlichkeiten im Gleichgewichtszustand gilt 8 A x = x. (.)
5 Im diesem Fall heißt Eigenwert von A und x der dazu gehörige Rechtseigenvektor. Außerdem gilt es (,,...,) A = T A = T. Und daher ist T = (,,...,) Linkseigenvektor zu Eigenwert. Die Perron-Frobenius-Theorie besagt, dass sochastische (nich-zerfallende) Matrizen einen Rechtseigenvektor mit positiven Einträgen zu maximalen Eigenwert haben. In unserem Beispiel ist der Rechtseigenvektor zu von der Matrix A: x = (0.060,0.068,0.00,0.068,0.098,0.0,0.80,0.95) T. Das ist der PageRank-Vektor. Unser PageRank Vektor besagt, dass die Webseiten 8, 6 und 7 die höhere Aufenthaltswahrscheinlichkeiten in stationären Zustand haben. Solche Webseiten werden von Google und anderen Suchmaschinen stärker gewichtet. Zwei Problemen haben wir noch zu berücksichtigen Aufgaben. Was passiert wenn wir Webseiten ohne jegliche ausgehende Links haben? Wir nehmen an, der Random Surfer wählt eine neue Webseite absolut zufällig aus. Dafür ersetzen wir die Nullspalten in der Matrix A durch den Spaltenvektor n.. Ist die Matrix zerfallend, dann verlieren wir die Konvergenzgarantie. Die Lösung ist einfach: A ρa+ ρ. n.... = ρa+( ρ) T /n.. Gegeben seien vier Dokumente D,...,D 4 und vier Suchbergriffe S,...,S 4. Das Vorkommen der Begriffe in den Dokumenten kann, wie gezeigt, in einer Term-Dokument-Matrix dargestellt werden. In dieser Aufgabe verwenden wir die Matrix B =
6 Hier entsprechen die Dokumente den Spaltenvektoren der Matrix und die Suchbegriffe den Zeilenvektoren. Suchbegriff S taucht also dreimal in Dokument D auf. Die Suchanfrage wird ebenfalls als Vektor dargestellt, ähnlich einem Dokumenten- (bzw. Spalten-) vektor von B. Der in dieser Aufgabe verwendete Anfragevektor lautet v = Es wird also nach dem Suchbegriff S gesucht. a) Berechne für jedes Dokument die Ähnlichkeit zur Suchanfrage. Die Ähnlichkeit sei hier definiert im Cosinusmaß cos(a, b), das wie folgt definiert ist cos(a,b) = cos(winkel zwischen Vektor a und Vektor b) = at b a b Welches Dokument entspricht der Anfrage am ehesten? b) Um das Suchergebnis zu verbessern, können wir die Abhängigkeiten zwischen den Dokumenten ausnutzen. Das ist die Grundlage des Latent Semantic Indexing. Dazu wird eine Singulärwertzerlegung benötigt. Glücklicherweise bietet beispielsweise NumPy Bibliothek der Programmiersprache Python diese bereits fertig implementiert als Funktion numpy.linalg.svd an. Wir berechnen die rechte bzw. linke ortogonale Matrix U bzw. V sowie die Singulärwertmatrix S. Nun gilt B = U S V U = V = S =
7
8 Die Wichtigkeit einer Station ermittelt sich also aus der Aufenthaltswahrscheinlichkeit des Random-Surfers. i. Schreibe Gleichung (.4) als Matrix S. Verwende dazu die Abbildung p 0 = Petuelring, p = Scheidplatz, p = Hohenzollernplatz, p = Milbertshofen, p 4 = Bonner Platz, p 5 = Münchner Freiheit, p 6 = Giselastr. und p 7 = Dietlindenstr.. ii. Welche Summe haben die Komponenten der Spaltenvektoren von S (Entspricht der -Norm der Spaltenvektoren)? Warum? iii. Bevor das tatsächliche Ergebnis berechnet wird: überlege, welche Stationen du intuitiv in dem gegebenen Beispielgraph als wichtig und welche als weniger wichtig einstufen würdest. b) Wie in der Vorlesung gezeigt, kann man die Aufenthaltswahrscheinlichkeiten u zu Zeitpunkt t+ aus den Wahrscheinlichkeiten zum Zeitpunkt t durch die Beziehung u t+ = Su t berechnen. Wenn dises iterative Vorgehen konvergiert, dann muss für das Ergebnis u gelten u = Su. Diese Gleichung zeigt, dass der Vektor der Aufenthaltswahrscheinlichkeiten ein Eigenvektor von S mit Eigenwert sein muss. Überprüfe, dass Vektor a = (0.065, 0.50, 0.065, 0.065, 0.5, 0.50, 0.5, 0.065) der rechte Eigenvektor von S zum Eigenwert ist. Wie könnte man diesen Vektor berechnen? Welche Stationen sind die wichtigsten? Stimmt das mit unserer Intuition überein?
Inhaltangabe. 1. Vektorraummodell und Latent Semantic Indexing. 2. PageRank und stochastische Matrizen
Inhaltangabe. Vetorraummodell und Latent Semantic Indeing. PageRan und stochastische Matrien Voraussetungen: -Vetoren, Winel wischen Vetoren, Orthonormieren -Graphen, Matrien, Matri-Vetorprodut . IR Vetrorraummodell
Mehrdie Relevanz von Webseiten bestimmt Alexander Pohl
Wie die Relevanz von Webseiten bestimmt Alexander Pohl Gliederung 1. Einleitung 2. Das Web als Graph 3. Das Random Surfer Modell 4. Gleichgewicht im Random Surfer Modell (?) 5. Vervollständigung des Modells:
MehrDie Mathematik hinter Google
Die Mathematik hinter Google Informationstag für Gymnasiastinnen und Gymnasiasten Universität Fribourg (Schweiz) georges.klein@unifr.ch Fribourg, 24. November 2010 georges.klein@unifr.ch Die Mathematik
MehrLatent Semantic Indexing: Einführung und Experiment
Latent Semantic Indexing: Einführung und Experiment Jonathan Geiger, Felix Hieber HS: Information Retrieval Dr. Haenelt 12.01.2009 WS 08/09 Motivation Grundsätzlich stecken zwei Ideen hinter, eine praktischer
MehrSuchmaschinen und Markov-Ketten 1 / 42
Suchmaschinen und Markov-Ketten 1 / 42 Zielstellung 1 Wir geben einen kurzen Überblick über die Arbeitsweise von Suchmaschinen für das Internet. Eine Suchmaschine erwartet als Eingabe ein Stichwort oder
MehrArbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute
3.4 PageRank Arbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute Wichtigkeit von Webseiten; nicht Relevanz bezüglich Benutzeranfrage. Anfrageunabhängiges Ranking. Ausgangspunkt: Eingangsgrad.
MehrDisMod-Repetitorium Tag 3
DisMod-Repetitorium Tag 3 Markov-Ketten 21. März 2018 1 Markov-Ketten Was ist eine Markov-Kette? Was gehört alles dazu? Darstellung als Graph und als Matrix Stationäre Verteilung und Grenzverteilung Ergodizität
MehrDie Mathematik hinter Google
Die Mathematik hinter Google Wolfram Decker TU Kaiserslautern Neustadt, 5. Dezember 05 Elemente einer Suchmaschine WWW Crawler Module Page Repository User query independent Indexing Module 000 000 000
Mehr5 Suchmaschinen Page Rank. Page Rank. Information Retrieval und Text Mining FH Bonn-Rhein-Sieg, SS Suchmaschinen Page Rank
Page Rank Google versucht die Bedeutung von Seiten durch den sogenannten Page Rank zu ermitteln. A C Page Rank basiert auf der Verweisstruktur des Webs. Das Web wird als großer gerichteter Graph betrachtet.
Mehr9. Vorlesung Lineare Algebra, SVD und LSI
9. Vorlesung Lineare Algebra, SVD und LSI Grundlagen lineare Algebra Vektornorm, Matrixnorm Eigenvektoren und Werte Lineare Unabhängigkeit, Orthogonale Matrizen SVD, Singulärwerte und Matrixzerlegung LSI:Latent
Mehr16. November 2011 Zentralitätsmaße. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87
16. November 2011 Zentralitätsmaße H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87 Darstellung in spektraler Form Zentralität genügt Ax = κ 1 x (Herleitung s. Tafel), daher ist x der Eigenvektor
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 206 Lineare Algebra und analytische Geometrie II Vorlesung 54 Stochastische Matrizen Definition 54.. Eine reelle quadratische Matrix M a ij i,j n heißt spaltenstochastisch,
MehrWie Google Webseiten bewertet. François Bry
Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google
MehrEigenwerte und Netzwerkanalyse. Page Rank
A Google versucht die Bedeutung von Webseiten mithilfe des sogenannten zu ermitteln. Der einer Seite basiert ausschließlich auf der Verweisstruktur des Webs. Der Inhalt einer Seite hat dagegen keinen direkten
MehrDas Prinzip der Suchmaschine Google TM
/9 Das Prinzip der Suchmaschine Google TM Numerische Mathematik WS 20/2 Basieren auf dem Paper The $25,000,000,000 Eigenvector: The Linear Algebra behind Google von Kurt Bryan und Tanya Leise (SIAM Review,
MehrZusatzmaterial zu Kapitel 4
1 ERMITTLUNG DER TRANSITIONSMATRIX MIT DER SYLVESTER-FORMEL 1 Zusatzmaterial zu Kapitel 4 1 Ermittlung der Transitionsmatrix mit der Sylvester- Formel Wir nehmen an, dass das Zustandsmodell eines linearen
MehrVorlesung Big Data Analytics in Theorie und Praxis Theorieteil
Vorlesung Big Data Analytics in Theorie und Praxis Theorieteil Prof. Dr. Nicole Schweikardt Lehrstuhl Logik in der Informatik Institut für Informatik Humboldt-Universität zu Berlin Kapitel 1: PageRank:
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2018/2019 1 / 40 Überblick Überblick Grundlegendes zu Markov-Ketten
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
MehrLineare Algebra und Geometrie II, Übungen
Lineare Algebra und Geometrie II, Übungen Gruppe (9 9 45 ) Sei A 2 Bestimmen Sie A und A Finden Sie weiters Vektoren u, v R 2 mit u und Au A, beziehungsweise v und Av A Zunächst die Berechnung der Norm
MehrLineare Algebra II Lösungen der Klausur
Prof Dr K Doerk 673 Jens Mandavid Christian Sevenheck Lineare Algebra II Lösungen der Klausur (a Diese Aussage ist richtig, sie stimmt nämlich für k = Sei nämlich n N beliebig und bezeichne N die Menge
MehrÜbungsaufgaben Lösungen
Übungsaufgaben Lösungen Stochastische Matrizen, Markov-Prozesse MV5.1 Eine N N-Matrix P heißt stochastisch, wenn ihre Matrixelemente nicht-negativ sind und alle Zeilensummen 1 ergeben. In Formeln: P ij
MehrMarkov-Ketten und Google s Page-Rank 1 / 70
Markov-Ketten und Google s Page-Rank 1 / 70 Zielstellung 1 Wir geben einen kurzen Überblick über die Arbeitsweise von Suchmaschinen für das Internet. Eine Suchmaschine erwartet als Eingabe ein Stichwort
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrÜbungen zur Vorlesung Lineare Algebra
Übungen zur Vorlesung Lineare Algebra Institut für Reine Mathematik WS 2009/10 & SS 2010 Kapitel 1. Vektorräume Was ist ein Vektorraum? Sei X und K ein Körper. Wie macht man Abb (X, K) zu einem K -Vektorraum?
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
Mehrfür die Wahrscheinlichkeit, dass die Markov-Kette in t Schritten von Zustand i in Zustand j übergeht. Es ist also P (t) = (P t ) ij.
8 Markov-Ketten 8.1 Grundlegendes zu Markov-Ketten Eine Markov-Kette ist ein stochastischer Prozess, der in diskreten Zeitschritten abläuft. Dabei wird jeweils von einem Zustand in einen nächsten übergegangen.
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrMultiplikation von Matrizen
Multiplikation von Matrizen Die Regeln der Multiplikation von Zahlen können nicht direkt auf die Multiplikation von Matrizen übertragen werden. 2-E Ma Lubov Vassilevskaya Multiplikation ccvon Matrizen
MehrVon der reinen Theorie zur Anwendung: Kodieren, suchen und verschlüsseln
Von der reinen Theorie zur Anwendung: Kodieren, suchen und verschlüsseln Meinolf Geck IAZ - Lehrstuhl für Algebra Tag der Wissenschaft, Juli 2014 Meinolf Geck (IAZ - Lehrstuhl für Algebra) Kodieren, suchen
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
MehrEigenwerte. Vorlesung Computergestützte Mathematik zur Linearen Algebra. Lehrstuhl für Angewandte Mathematik Sommersemester 2009
Eigenwerte Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2009 25. Juni + 2.+9. Juli 2009 Grundlagen Definition Ist für A C n,n, Ax = λx
MehrNumerik SS Musterlösung zu Hausaufgabenblatt 1
PROF DR BERND SIMEON CHRISTIAN GOBERT THOMAS MÄRZ Numerik SS 2009 Musterlösung zu Hausaufgabenblatt Aufgabe Links- und Rechtseigenpaare (20 P) Definition: Sei A C n n Ein Vektor 0 = x C n heißt (Rechts-)eigenvektor
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
MehrAnalytische Geometrie
Der fx-991 DE X im Mathematik- Unterricht Analytische Geometrie Station 1 Schnittgerade zweier Ebenen Da der Taschenrechner nur eindeutige Lösungen eines Gleichungssystems liefert, kann er nur Schnittpunkte
Mehr51 Numerische Berechnung von Eigenwerten und Eigenvektoren
5 Numerische Berechnung von Eigenwerten und Eigenvektoren 5. Motivation Die Berechnung der Eigenwerte einer Matrix A IR n n als Lösungen der charakteristischen Gleichung (vgl. Kapitel 45) ist für n 5 unpraktikabel,
MehrPr[X t+1 = k] = Pr[X t+1 = k X t = i] Pr[X t = i], also. (q t+1 ) k = p ik (q t ) i, bzw. in Matrixschreibweise. q t+1 = q t P.
2.2 Berechnung von Übergangswahrscheinlichkeiten Wir beschreiben die Situation zum Zeitpunkt t durch einen Zustandsvektor q t (den wir als Zeilenvektor schreiben). Die i-te Komponente (q t ) i bezeichnet
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrThema 8: Verbesserte Suchstrategien im WWW. Bearbeiter: Robert Barsch Betreuer: Dr. Oliver Ernst
Thema 8: Verbesserte Suchstrategien im WWW Bearbeiter: Robert Barsch Betreuer: Dr. Oliver Ernst Inhaltsverzeichnis 1. Einleitung 2. Grundlagen 3. Google PageRank Algorithmus 4. IBM Clever HITS Algorithmus
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 12 Hausaufgaben Aufgabe 12.1 Sei f : R 3 R 3 gegeben durch f(x) :=
MehrIn Anwendungen müssen oft hohe Potenzen einer quadratischen Matrix berechnet werden = = 83 79
Matrixpotenzen n Anwendungen müssen oft hohe Potenzen einer quadratischen Matrix berechnet werden. a) terative Berechnung = 2 = 2 2 2 5 = 7 = 2 2 2 2 = 5 4 4 5 = 5 4 4 5 5 = 29 25 = 5 4 4 5 2 3 = 4 2 3
MehrLANGZEITVERHALTEN VON MARKOW-KETTEN
LANGZEITVERHALTEN VON MARKOW-KETTEN NORA LOOSE. Buchstabensalat und Definition Andrei Andreewitsch Markow berechnete Anfang des 20. Jahrhunderts die Buchstabensequenzen in russischer Literatur. 93 untersuchte
MehrAbitur Matrizen und Prozesse (Teil 4 mit Hilfsmittel) Musteraufgaben Lösung A1 1.1 Übergangsmatrix Die Übergangsmatrix lautet (vgl.
Lösung A1 1.1 Übergangsmatrix Die Übergangsmatrix lautet (vgl. Diagramm): 0,4 0,2 0,1 0,5 0,7 0,5 0,4 0,1 0,1 0,4 0,2 0,1 0,5 0,1 0,7 0,4 Verteilung der Haushalte im Jahr 2015 Stand 2014: 1000 Haushalte
MehrMarkov-Ketten und Google s Page-Rank 1 / 70
Markov-Ketten und Google s Page-Rank 1 / 70 Zielstellung 1 Wir geben einen kurzen Überblick über die Arbeitsweise von Suchmaschinen für das Internet. Eine Suchmaschine erwartet als Eingabe ein Stichwort
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
MehrEndliche Markov-Ketten - eine Übersicht
Endliche Markov-Ketten - eine Übersicht Diese Übersicht über endliche Markov-Ketten basiert auf dem Buch Monte Carlo- Algorithmen von Müller-Gronbach et. al. und dient als Sammlung von Definitionen und
MehrProzesse dieser Art sind in der Informatik z.b. bei der Untersuchung der Auslastung von Servern wichtig (Warteschlangenmodelle).
77 Markowketten 77 Motivation Der Zustand eines Systems zur Zeit n N werde durch eine Zufallsvariable X n beschrieben und soll nur von X n abhängen (nicht jedoch von früheren Zuständen X n, X n 3, ) Wir
Mehr47 Singulärwertzerlegung
47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrBig Data Analytics in Theorie und Praxis Theorieteil
Big Data Analytics in Theorie und Praxis Theorieteil Vorlesung entspricht 2V+1Ü SWS) Prof. Dr. Nicole Schweikardt Lehrstuhl Logik in der Informatik Institut für Informatik Humboldt-Universität zu Berlin
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
MehrHans Humenberger. Das PageRank-System von Google eine aktuelle Anwendung im MU
Hans Humenberger Das PageRank-System von Google eine aktuelle Anwendung im MU Google und seine Gründer Google etwas Riesengroßes nach der unglaublichen Fülle des WWW Googol = 10^100 1938 durch E. Kasner
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Mehr1 Informationssuche im Internet
1 Informationssuche im Internet Das Internet enthält eine große Menge unterschiedlicher und sehr heterogener Daten, die in unterschiedlicher Art und Weise aufbereitet sind. Der interessante Teil des Internet
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
MehrEin Zustand i mit f i = 1 heißt rekurrent. DWT 2.5 Stationäre Verteilung 420/476 c Ernst W. Mayr
Definition 140 Wir bezeichnen einen Zustand i als absorbierend, wenn aus ihm keine Übergänge herausführen, d.h. p ij = 0 für alle j i und folglich p ii = 1. Ein Zustand i heißt transient, wenn f i < 1,
MehrAm Dienstag, den 16. Dezember, ist Eulenfest. 1/45
Am Dienstag, den 16. Dezember, ist Eulenfest. 1/45 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 15. April 2018 1/46 Die Dimension eines Vektorraums Satz 2.27 (Basisergänzungssatz) Sei V ein Vektorraum über einem Körper K. Weiter seien v 1,...,
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
MehrLineare Algebra I für Mathematiker Lösungen
Lineare Algebra I für Mathematiker Lösungen Anonymous 24. April 2016 Aufgabe 1 Beantworten Sie bitte die folgenden Fragen. Jeder Vektorraum hat mindestens ein Element. Q ist ein R-Vektorraum (mit der Multiplikation
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 3.4. Dr. Daniel Haase FS daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 4-6- U) 8 Zur Übungsstunde vom 3.4. Aufgabe (Ausgleichsrechnung) Gegeben sei das lineare Gleichungssystem
MehrZeigen sie, dass das gegebene Zustandssystem steuerbar ist. Die Anwendbarkeit der beiden Kriterien wird im Folgenden an dem gegebenen System gezeigt.
Priv.-Doz. G. Reißig, F. Goßmann M.Sc Universität der Bundeswehr München Institut für Steuer- und Regelungstechnik (LRT-5) Email: felix.gossmann@unibw.de Moderne Methoden der Regelungstechnik, HT 26 Übung
Mehr7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden?
Kapitel Lineare Abbildungen Verständnisfragen Sachfragen Was ist eine lineare Abbildung? Erläutern Sie den Zusammenhang zwischen Unterräumen, linearer Unabhängigkeit und linearen Abbildungen! 3 Was ist
MehrLANGZEITVERHALTEN VON MARKOW-KETTEN
LANGZEITVERHALTEN VON MARKOW-KETTEN NORA LOOSE. Buchstabensalat und Definition Andrei Andreewitsch Markow berechnete Anfang des 20. Jahrhunderts die Buchstabensequenzen in russischer Literatur. 93 untersuchte
MehrLösung 13: Unitäre Vektorräume und normale Abbildungen
D-MATH Lineare Algebra II FS 2017 Dr. Meike Akveld Lösung 13: Unitäre Vektorräume und normale Abbildungen 1. a) Im Folgenden sei γ : V V C die Abbildung γ(v, w) v + w 2 v w 2 i v + iw 2 + i v iw 2. : Wir
MehrLösungen zu Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Sommer 4 Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT. [ Punkte] Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in
MehrVorlesung Diskrete Strukturen Graphen: Wieviele Bäume?
Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter WS 2009/10 Isomorphie Zwei Graphen (V 1, E 1 ) und (V 2, E 2 ) heißen isomorph, wenn es eine bijektive, Kanten erhaltende und Kanten
MehrKapitel 16. Aufgaben. Verständnisfragen. Rechenaufgaben
Kapitel 16 Aufgaben Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2 Bekanntlich gilt im Allgemeinen
MehrAufgaben zu Kapitel 16
Aufgaben zu Kapitel 16 1 Aufgaben zu Kapitel 16 Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2
MehrEin Index zur Berechnung von Zentralität in Koautornetzwerken
Ein Index zur Berechnung von Zentralität in Koautornetzwerken Thomas Metz Universität Freiburg Seminar für Wissenschaftliche Politik 13. Dezember 2012 Zusammenfassung Bei der Analyse von Koautornetzwerken
MehrAm Dienstag, den 16. Dezember, ist Eulenfest. 1/48
Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
MehrVordiplomsklausur zur Linearen Algebra I
25.3.2002 Vordiplomsklausur zur Linearen Algebra I Prof. Dr. G. Hiß Tragen Sie bitte auf diesem Deckblatt leserlich und in Blockbuchstaben Ihren Namen und Ihre Matrikelnummer ein und unterschreiben Sie.
Mehr1 Die Jordansche Normalform
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 4/5 A Die Jordansche Normalform Vierter Tag (9.03.205) Im Zusammenhang mit der Lösung komplexer Differentialgleichungssysteme
MehrEin Index zur Berechnung von Prestige in Koautornetzwerken
Ein Index zur Berechnung von Prestige in Koautornetzwerken Thomas Metz, Universität Freiburg 5. März 2012 Zusammenfassung Bei der Analyse von Koautornetzwerken stellt sich oft die Frage, ob sich für ein
MehrT := {σ S 4 σ 3 = Id}. a) Es seien V ein Vektorraum und Φ ein Endomorphismus von V, sodass
I. a) Es sei (G, ) eine abelsche Gruppe mit neutralem Element e G. Zeigen Sie, dass U := {g G g 3 = e G } eine Untergruppe von G ist. b) In der symmetrischen Gruppe S 4 definieren wir analog zu a) die
Mehr8. Vorlesung, 5. April Numerische Methoden I. Eigenwerte und Eigenvektoren
8. Vorlesung, 5. April 2017 170 004 Numerische Methoden I Eigenwerte und Eigenvektoren 1 Eigenwerte und Eigenvektoren Gegeben ist eine n n-matrix A. Gesucht sind ein vom Nullvektor verschiedener Vektor
MehrKLAUSUR. Mathematik II (E-Techniker/Mechatroniker/W-Ingenieure) (W.Strampp) Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.
KLAUSUR Mathematik II (E-Techniker/Mechatroniker/W-Ingenieure) 39 (WStrampp) Name: Vorname: Matr Nr/Studiengang: Versuch Nr: Für jede Aufgabe gibt es Punkte Zum Bestehen der Klausur sollten 7 Punkte erreicht
MehrLineare Algebra I (WS 12/13)
Lineare Algebra I (WS 12/13) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 18.10.2012 Alexander Lytchak 1 / 12 Lineare Gleichungssysteme Wir untersuchen nun allgemeiner Gleichungssysteme der
Mehr(1) In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt.
() In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt. a) Es seien A und B beliebige n n-matrizen mit Einträgen in einem Körper K.
MehrLösung Semesterendprüfung (Nachprüfung)
MLAE Mathematik: Lineare Algebra für Ingenieure Frühlingssemester 6 Dr. Christoph Kirsch ZHAW Winterthur Lösung Semesterendprüfung (Nachprüfung Aufgabe : Aufgabe : a Gemäss Def. der Vorlesung müssen wir
MehrGrundbegriffe der Informatik Musterlösung zu Aufgabenblatt 9
Grundbegriffe der Informatik Musterlösung zu Aufgabenblatt 9 Aufgabe 9.1 (5+ Punkte) Für Graphen mit gewichteten Kanten steht in der Adjazenzmatrix an der Stelle i,j eine 0, falls es keine Kante von i
MehrVorlesung Diskrete Strukturen Graphen: Wieviele Bäume?
Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2009/10 1 Bernhard Ganter, TU Dresden Modul Einführung
MehrApl. Prof. Dr. N. Knarr Musterlösung , 120min. cos(x), y(0) = 1.
Apl. Prof. Dr. N. Knarr Musterlösung.9.6, min Aufgabe ( Punkte) Lösen Sie das folgende Anfangswertproblem: y = e y cos(x), y() =. Sei y : I R die maximale Lösung des gegebenen Anfangswertproblems (diese
MehrMatrix: Eine rechteckige Anordnung reeller Zahlen a ij (i = 1,..., n i ; j = 1,..., m) in Zeilen und Spalten. Die a ij heiÿen Elemente von A.
Matrizenrechnung Matrix: Eine rechteckige Anordnung reeller Zahlen a ij i = 1,..., n i ; j = 1,..., m in Zeilen und Spalten. Die a ij heiÿen Elemente von A. a 11 a 12... a ij... a 1m a 21 a 22.........
MehrEigenwertprobleme. 25. Oktober Autoren: 1. Herrmann, Hannes ( ) 2. Kraus, Michael ( ) 3. Krückemeier, Paul ( )
Eigenwertprobleme 5. Oktober Autoren:. Herrmann, Hannes (45969). Kraus, Michael (9). Krückemeier, Paul (899) 4. Niedzielski, Björn (7) Eigenwertprobleme tauchen in der mathematischen Physik an Stellen
MehrIR Seminar SoSe 2012 Martin Leinberger
IR Seminar SoSe 2012 Martin Leinberger Suchmaschinen stellen Ergebnisse häppchenweise dar Google: 10 Ergebnisse auf der ersten Seite Mehr Ergebnisse gibt es nur auf Nachfrage Nutzer geht selten auf zweite
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2017
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 7 L I N E A R E A L G E B R A F Ü R T P H, U E (.64). Haupttest (FR, 9..8) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
MehrÜbungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen
Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen Darstellungsmatrizen. Bestimme die Darstellungsmatrix M B,B (f ) für die lineare Abbildung f : 3, die durch f (x, y, z) = (4x + y z, y + z) definiert
MehrMatrizen. Stefan Keppeler. 28. November Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematik I für Biologen, Geowissenschaftler und Geoökologen Matrizen 28. November 2007 Summe & Produkt Beispiel: Einwohnerzahlen Beispiel Addition Multiplikation Inverse Addition & Multiplikation Anwendung
Mehr