Innovative Information Retrieval Verfahren
|
|
- Roland Böhler
- vor 8 Jahren
- Abrufe
Transkript
1 Thomas Mandl Innovative Information Retrieval Verfahren Hauptseminar Wintersemester 2004/2005 Letzte Sitzung Grundlagen Heterogenität Ursachen Beispiele Lösungsansätze Visualisierung 2D-Karten heute Maschinelles Lernen im IR (v.a. neuronale Netze) Visualisierung Überblick Boolesche Logik Ausblick Qualität (PageRank et al.) Multimedia-Retrieval Überblick: Neuronale Netze Grundlagen Nicht überwacht lernende Netze Überwacht lernende Netze 1
2 Ausgangssituation Serielle Computer arbeiten sehr schnell Das menschliche Gehirn ist für viele Aufgaben überlegen -> Parallelverarbeitung Neuronale Netze Neuronale Netze stehen im Kontet der Vagheitsmodellierung werden eingesetzt, wenn ein Gegenstandsbereich nicht durch Regeln oder Fuzzy Regeln erfaßt werden kann z.b. bei kompleen Diagnosen oder kompleen Klassifikationsproblemen wie Handschriftenerkennung Kognitiver Prozess Formales Computer-Modell Kognitiver Such-Prozeß Formales Computer-Modell Nicht-adäquate Modellierung Mögliche Lösung? Vage Methoden der Informationsverarbeitung (z.b. probabilistische Modelle) Kognitiver Prozess Vages Computer-Modell 2
3 What is Soft-Computing? "Soft computing differs from conventional (hard) computing in that, unlike hard computing, it is tolerant of imprecision, uncertainty and partial truth. In effect, the role model for soft computing is the human mind. The guiding principle of soft computing is: Eploit the tolerance for imprecision, uncertainty and partial truth to achieve tractability, robustness and low solution cost. (Zadeh 1994) What is Soft-Computing? At this juncture, the principal constituents of soft computing (SC) are fuzzy logic (FL), neural network theory (NN) and probabilistic reasoning (PR), with the latter subsuming belief networks, genetic algorithms, chaos theory and parts of learning theory. (Zadeh 1994) Ausgangssituation: neuronale Netze Vorbild menschliches Gehirn Aufbau aus zahlreichen einfachen Prozessoren Neuronen senden Signale über Synapsen an andere Neuronen Bedeutung entsteht durch Zusammenspiel vieler einzelner Prozesse Nervenzelle Ausgangssituation Überschreiten die ankommenden Signale einen bestimmten Schwellenwert, so wird ein Neuron aktiv und sendet wieder Signale weiter Die Durchlässigkeit der Synapsen verändert sich (Lernen) Konnektionismus These der klassischen Künstlichen Intelligenz (KI): Physical Symbol System: Denken ist Symbolverarbeitung (Newell/Simon 1976) Smolensky 1988: subsymbolic paradigma Neuronen implementieren Vorgänge auf tieferer Ebene als der symbolischen Neuronale Netze realisieren "intuitive processor -> intuitives Wissen kann besser von neuronalen Netzen modelliert werden 3
4 Grundprinzip neuronaler Netze "Die Informationsverarbeitung geschieht durch eine große Anzahl von relativ einfachen Prozessoren, die in einem dichten Netzwerk miteinander verbunden sind. Diese Prozessoren (auch Units genannt) arbeiten lokal, jeder für sich allein, und kommunizieren mit anderen Units nur via Signale, die sie über die Verbindungen senden. " (Dorffner 1991: 16) Grundprinzip neuronaler Netze Neuronen werden senden und empfangen flüchtige Aktivität Verbindungen ändern langsam ihre Gewichte (= Durchlässigkeit) Veränderung der Gewichte entspricht dem Lernen Gewichte sind Parameter des Modells Grundprinzip neuronaler Netze Aktivität der Neuronen entspricht dem Kurzzeitgedächtnis Gewichte der Verbindungen entsprechen dem Langzeitgedächtnis Bestandteile neuronaler Netze Eine Menge von Prozessoren (Neuronen) Ausbreitungsfunktion Aktivierungsfunktion Ausgabefunktion (oft Identitätsfunktion) Vernetzung Lernregel Schnittstelle zur Umgebung Neuron (Unit) Berechnung des Inputs Meistens ist der Input das Produkt von Aktivierung und Gewicht Neuron i Gewicht w ik Neuron k Schema einer Unit: (cf. Dorffner 1991: 17) a n : Aktivierung der Unit n o i : Output der Unit i w : Gewicht einer Verbindung net-input n : Gesamter Input in Unit n Input k = w ik a i bei mehreren Input-Verbindungen wird die Summe gebildet: Input k = Σ w ik a i 4
5 Aktivierungsfunktion Schwellwertfunktion Schwellwertfunktion: sobald ein bestimmter Schwellwert überschritten ist, wird das Neuron aktiviert, ansonsten nicht Sinnvoller sind häufig stetig steigende, ableitbare und nicht lineare Funktionen 1 Aktivierung Aktivierungsfunktion Abschnittsweise lineare Aktivierungsfunktion Logistische Aktivierungsfunktion F () = 1 / (1+e -/g ) 1 Aktivierung 1 Aktivierung Input Input Überblick: Neuronale Netze Grundlagen Nicht überwacht lernende Netze Überwacht lernende Netze Spreading-Activation- Netzwerk für IR Dokument-Schicht (Objekt-Schicht) Dok 2 Dok 3 Dok 4 Dok 5 Dok 6 Dok 7 Dok 1 Dok 8 Netze neuronal LAN Kabel Server Client Term-Schicht (Eigenschafts-Schicht) nicht alle Verbindungen sind eingezeichnet 5
6 Initialisierung der Gewichte Dokument-Schicht Query: Aktivierung einer Unit Dokument-Schicht Dok 2 Dok 3 Dok 4 Dok 5 Dok 6 Dok 7 Dok 1 Dok 8 Dok 2 Dok 3 Dok 4 Dok 5 Dok 6 Dok 7 Dok 1 Dok 8 Netze neuronal LAN Kabel Server Client network connection LAN TCP/IP Server Client Term-Schicht Nutzer Term-Schicht Aktivierungsausbreitung Document-Layer Aktivierungsausbreitung: Term-Erweiterung Document-Layer Doc 2 Doc 3 Doc 4 Doc 5 Doc 6 Doc 7 Doc 1 Doc 8 Doc 2 Doc 3 Doc 4 Doc 5 Doc 6 Doc 7 Doc 1 Doc 8 network connection LAN TCP/IP server client network connection LAN TCP/IP server client User Term-Layer User Term-Layer Relevance Feedback Document-Layer Doc 2 Doc 3 Doc 4 Doc 5 Doc 6 Doc 7 Doc 1 Doc 8 network connection LAN TCP/IP server client User positiv negativ Term-Layer Spreading-Activation- Netzwerke für IR Günstigen Moment für Ende der Aktivierung finden Integration von in-layer Verbindungen möglich (z.b. für synonyme Terme) Integration weiterer Layer möglich (z.b. Autoren) intuitive Modellerweiterung: relevance feedback 6
7 Spreading-Activation-Netzwerke für IR: Bewertung Sehr intuitives IR Modell (Termerweiterung als inhärente Eigenschaft) in empirischen Untersuchungen mit Massendaten evaluiert Spreading-Activation-Netzwerke für IR: Bewertung Term-Dokument-Matri entspricht der Verbindungs-Matri Spreading-Activation-Netzwerke lediglich eine Umsetzung des Vektorraum-Modells von außen gesteuertes Lernen kaum möglich Erfolgreiche Systeme nutzen Fleibilität kaum aus (z.b. nur maimal zwei Aktivierungsschritte) Lernen Einfachste Lernregel bei neuronalen Netzen: use it or lose it häufig benutzte Verbindungen werden gestärkt formal ausgedrückt: Delta-Regel w ij = w ij + w ij w ij = ε akt j akt i Änderung des Verbindungsgewichts ist abhängig von der Aktivierung der verbundenen Neuronen Überblick: Neuronale Netze Grundlagen Nicht überwacht lernende Netze Überwacht lernende Netze Das Perceptron Das Perceptron Vernetzung und Lernregel an einem einfachen Beispiel Zwei Schichten Input- und Output-Schicht Verbindungen nur in eine Richtung Beispiel: l Output i j Input 7
8 Lernregeln Hebb sches Lernen häufig benutzte Verbindungen werden gestärkt w ij = η Output i Aktivierung j η Lernrate Delta-Regel w ij = η Output i (teacher j - Aktivierung j ) teacher gewünschte Aktivierung Lernregel für das Perceptron Delta-Regel w ij = η Output i (teacher j - Aktivierung j ) teacher gewünschte Aktivierung l Output i j Input Ablauf des Lernens Input Berechnen des Outputs Vergleich Output mit gewünschtem Output Einstellen der Verbindungen, um das Ziel besser zu erreichen l Output Perceptron Lernfähig Kann aber nur bestimmte formale Klassen von Funktionen lernen (Linear separierbare Probleme) lernt zwar z.b. Boolesches AND und OR, aber nicht XOR (entweder oder, eklusives oder) dies reicht für viele reale Probleme nicht aus i j Input Wichtig XOR ist ein Beispiel, das an sich keine praktische Relevanz hat grafische Darstellungen sind immer 2- oder 3- dimensional reale Anwendungen sind immer vieldimensional und nicht anschaulich! Lineare Separierbarkeit in mehrdimensionalen Räumen ist nicht anschaulich darstellbar Historischer Abriß Blüte neuronaler Netze in 60er Jahren Hauptmodell: Perzeptron Minsky/Papert 1969: Perceptrons beschreiben Schwächen des Peceptrons kann formal viele Probleme nicht lösen kaum weitere Forschungstätigkeit Mitte 80er Jahre: eine Lernregel für mehrschichtige Perzeptronen wird entdeckt Backpropagation Lernregel Rumelhart/McClelland 1986 Anfang 90er: Boom neuronaler Netze 8
9 Backpropagation Backpropagation (BP) oder Multilayer-Perceptron Die am meisten benutzte Netzarchitektur als Erweiterung des Perceptrons Lösung des Perceptron-Problems: Einführung von weiteren Schichten Diese Schichten sind weder Input noch Output Versteckte Schichten Formal können damit mehr Funktionen gelernt werden, z.b. auch XOR Problem: Eine Lernregel für versteckte Schichten muß gefunden werden Beispiel für ein BP Netz Verbindungsrichtung Backpropagation: Aufbau Ausgangsschicht Schichten in der Regel voll verknüpft (nicht alle Verbindungen sind eingezeichnet) Versteckte Schicht Gewichte der Verbindungen sind die veränderbaren Parameter (zufällige Initialisierung) Eingangsschicht Aktivierungsausbreitung Backpropagation: Lernen Ausgangsschicht Backpropagation lernt eine Abbildung vom Input auf den Output Eingangsschicht Backpropagation: Beispiel Diagnose Kreditwürdigkeit (Wahrscheinlichkeit, mit der ein Kredit zurückgezahlt wird) 0,9 Kunden-Daten Als Trainingdaten dienen Kunden, bei denen bekannt ist, ob sie zurückgezahlt haben Netz findet die Funktion Kunden-Daten -> Kreditwürdigkeit bei neuen Kunden sind nur die Kunden-Daten bekannt Das Netz erstellt eine Prognose zur Kreditwürdigkeit 9
10 Aktivierungsausbreitung Backpropagation: Beispiel Der für dieses Beispiel gewünschte 0,6 Output (= Teacher) Berechnung des Fehlers 0,9 Verändern der Das Netz errechnet Gewichte die Aktivierung der Ausgangs-Schicht Ursachen der Heterogenität Unterschiedliche Inhaltserschließung Unterschiedliche Eigenschaften der Tet-Dokumente (Qualität, Länge, Sprache...) Heterogene Objekte (Multimedia) Input wird angelegt Das Netz lernt bei jedem Schritt ein Beispiel Heterogenitätsbehandlung? Wie kann eine Beziehung zwischen zwei heterogenen Repräsentationen hergestellt werden? Wie kann eine Repräsentation in die andere überführt werden? Heterogenitätsbehandlung Traditionelle, eakte Ansätze wie auf Thesauri basierende Konkordanzen Statistische Ansätze basierend auf Kookkurrenzen und Assoziationen Transformations-Netzwerk basierend auf Backpropagation (cf. Crestani/v. Rijsbergen 1997) Backpropagation Netzwerk Transformations-Netzwerk Repräsentation II Repräsentation I Output Layer Hidden Layer Input Layer Backpropagation Vorteile: keine epliziten Regeln nötig, ab wann ein Kunde einen Kredit erhält ganzheitliche Betrachtung des Falls (alle Parameter tragen zum Ergebnis bei) Nachteile: eine nachträgliche Begründung ist nicht möglich 10
11 Backpropagation Versteckte Schicht Neuronen haben keine symbolische Bedeutung/Entsprechung Sie repräsentieren komplee Kombinationen und Zusammenhänge zwischen den interpretierbaren Knoten Backpropagation Lernregel Verallgemeinerte Delta-Regel Delta-Regel muß die versteckte Schicht überspringen Für die Input-Schicht steht kein Fehlersignal mehr zur Verfügung Daher muß das Fehlersignal gemittelt werden Mathematisch erfordert dies die Ableitung der Aktivierungsfunktion Backpropagation Lernregel Beim Lernen werden zahlreiche Beispiele präsentiert Diese werden in zahlreichen Durchläufen (epochs) präsentiert Konvergenz Erfolgreiches Lernen: Minimierung des Fehlers sinkt der Fehler stetig, so spricht man von Konvergenz Dann hat das Netz die präsentierten Beispiele richtig gelernt Generalisierbarkeit Die Leistungsfähigkeit eines Netzes zeigt sich jedoch erst an unbekannten Beispielen kann ein Netz auch neue Muster, die nicht in der Trainingsmenge waren richtig zuordnen, dann generalisiert es Trainings- und Testmenge Um zu prüfen, wie gut ein Netz generalisiert, wird beim Lernen eine Testmenge mit unbekannten Beispielen genutzt Der Fehler in der Testmenge ist ein besserer Maßstab für die Qualität 11
12 Lernen als Näherung Pflanzenwachtstum Kreditwürdigkeit Ausgangssituation Kundenparameter anzunähernde Funktion (unbekannt) bekannte Punkte der Funktion (Messungen) Zwei Möglichkeiten Modell finden Formel ableiten:? Kein Modell zu finden modellfreie Modellierung: solange Formeln ausprobieren, bis der Fehler minimal ist Lernen als Näherung Qualität der Näherung Kreditwürdigkeit Pflanzenwachtstum Kundenparameter Näherung anzunähernde Funktion (unbekannt) bekannte Punkte der Funktion (Messungen) Modellfreie Näherung hat eine Funktion gefunden, die durch alle Meßpunkte läuft in anderen Fällen hat die Näherung verschiedene Qualität Einige Meßpunkte werden nicht für die Näherung benutzt mit ihnen wird die Qualität der Funktion bewertet Kreditwürdigkeit Pflanzenwachtstum Vorsicht Kundenparameter anzunähernde Funktion (unbekannt) bekannte Punkte der Funktion (Messungen) Grafik ist zweidimensional Funktion ist eindimensional Die Realität ist immer vieldimensional Näherung Trainings- und Testmenge Um zu prüfen, wie gut ein Netz generalisiert, wird beim Lernen eine Testmenge mit unbekannten Beispielen genutzt Der Fehler in der Testmenge ist der Maßstab für die Qualität 12
13 Typischer Lernverlauf Übergeneralisierung (Overlearning) Overlearning Der Fehler in der Trainingsmenge konvergiert mit steigender Epochenzahl. Der Testfehler sinkt nur bis zu einem bestimmten Zeitpunkt und steigt dann wieder Durch längeres Training sinkt also die Generalisierungsfähigkeit. Bei längerer Lernzeit spezialisiert sich das Netz immer mehr auf die Eigenheiten in den Trainingsfällen. Das Training sollte daher bei einem Minimum in der Testmenge beendet werden Lernen als Fehlerminimierung Wunsch: geringsten möglichen Fehler erreichen Globales Minimum Problem: Zahlreiche lokale Minima ziehen den Lernalgorithmus an Lernen als Fehlerminimierung Der Lernalgorithmus minimiert den Fehler zwischen Output und teaching oder target Output Fehlermaße: Summe der Fehlerquadrate (SSE) Durchschnittlicher SSE pro Muster Durchschnittlicher SSE pro Output Unit (Klasse) Lernen als Fehlerminimierung Fehlerfunktion: Lokale Minima Aus Mitchell 1997: Machine Learning Der Fehler als Funktion der Verbindungsgewichte 13
14 Lokale Minima In der Prais bleibt der Algorithmus häufig in einem lokalen Minimum Dies ist unproblematisch, wenn das lokale Minimum nahe am globalen Minimum liegt Maßnahmen gegen lokale Minima verschiedene Ausgangsstadien Momentum stochastische Elemente im Lernverfahren Literatur Andreas Scherer (1997): Neuronale Netze. Sehr leicht lesbare Einführung. In Bibliothek vorhanden 14
Neuronale Netze (I) Biologisches Neuronales Netz
Neuronale Netze (I) Biologisches Neuronales Netz Im menschlichen Gehirn ist ein Neuron mit bis zu 20.000 anderen Neuronen verbunden. Milliarden von Neuronen beteiligen sich simultan an der Verarbeitung
MehrKapitel LF: IV. IV. Neuronale Netze
Kapitel LF: IV IV. Neuronale Netze Perzeptron-Lernalgorithmus Gradientenabstiegmethode Multilayer-Perzeptrons und ackpropagation Self-Organizing Feature Maps Neuronales Gas LF: IV-39 Machine Learning c
MehrJan Parthey, Christin Seifert. 22. Mai 2003
Simulation Rekursiver Auto-Assoziativer Speicher (RAAM) durch Erweiterung eines klassischen Backpropagation-Simulators Jan Parthey, Christin Seifert jpar@hrz.tu-chemnitz.de, sech@hrz.tu-chemnitz.de 22.
MehrErfahrungen mit Hartz IV- Empfängern
Erfahrungen mit Hartz IV- Empfängern Ausgewählte Ergebnisse einer Befragung von Unternehmen aus den Branchen Gastronomie, Pflege und Handwerk Pressegespräch der Bundesagentur für Arbeit am 12. November
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrKapitel LF: IV. Multilayer-Perzeptrons und Backpropagation. Multilayer-Perzeptrons und Backpropagation. LF: IV Machine Learning c STEIN 2005-06
Kapitel LF: IV IV. Neuronale Netze Perzeptron-Lernalgorithmus Gradientenabstiegmethode Multilayer-Perzeptrons und ackpropagation Self-Organizing Feature Maps Neuronales Gas 39 Multilayer-Perzeptrons und
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrLehrer: Einschreibemethoden
Lehrer: Einschreibemethoden Einschreibemethoden Für die Einschreibung in Ihren Kurs gibt es unterschiedliche Methoden. Sie können die Schüler über die Liste eingeschriebene Nutzer Ihrem Kurs zuweisen oder
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrAGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b
AGROPLUS Buchhaltung Daten-Server und Sicherheitskopie Version vom 21.10.2013b 3a) Der Daten-Server Modus und der Tresor Der Daten-Server ist eine Betriebsart welche dem Nutzer eine grosse Flexibilität
MehrGEVITAS Farben-Reaktionstest
GEVITAS Farben-Reaktionstest GEVITAS Farben-Reaktionstest Inhalt 1. Allgemeines... 1 2. Funktionsweise der Tests... 2 3. Die Ruhetaste und die Auslösetaste... 2 4. Starten der App Hauptmenü... 3 5. Auswahl
MehrMatrix42. Use Case - Sicherung und Rücksicherung persönlicher Einstellungen über Personal Backup. Version 1.0.0. 23. September 2015 - 1 -
Matrix42 Use Case - Sicherung und Rücksicherung persönlicher Version 1.0.0 23. September 2015-1 - Inhaltsverzeichnis 1 Einleitung 3 1.1 Beschreibung 3 1.2 Vorbereitung 3 1.3 Ziel 3 2 Use Case 4-2 - 1 Einleitung
Mehr1 Part-of-Speech Tagging
2. Übung zur Vorlesung NLP Analyse des Wissensrohstoes Text im Sommersemester 2008 Dr. Andreas Hotho, Dipl.-Inform. Dominik Benz, Wi.-Inf. Beate Krause 28. Mai 2008 1 Part-of-Speech Tagging 1.1 Grundlagen
MehrHautkrebsscreening. 49 Prozent meinen, Hautkrebs sei kein Thema, das sie besorgt. Thema Hautkrebs. Ist Hautkrebs für Sie ein Thema, das Sie besorgt?
Hautkrebsscreening Datenbasis: 1.004 gesetzlich Krankenversicherte ab 1 Jahren Erhebungszeitraum:. bis 4. April 01 statistische Fehlertoleranz: +/- Prozentpunkte Auftraggeber: DDG Hautkrebs ist ein Thema,
MehrDeutliche Mehrheit der Bevölkerung für aktive Sterbehilfe
Allensbacher Kurzbericht 6. Oktober 2014 Deutliche Mehrheit der Bevölkerung für aktive Sterbehilfe Zwei Drittel sind für die Erlaubnis aktiver Sterbehilfe, 60 Prozent für die Zulassung privater Sterbehilfe-Organsationen.
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrFuzzy Logik und Genetische Algorithmen für adaptive Prozesskontrolle
Fuzzy Logik und Genetische Algorithmen für adaptive Prozesskontrolle Umgang mit unsicherem Wissen VAK 03-711.08 Oliver Ahlbrecht 8. Dezember 2005 Struktur 1. Einleitung 2. Beispiel Cart-Pole 3. Warum Hybride
Mehr14 Schmiegeparabel und Freunde, Taylor-Reihe
14 Schmiegeparabel und Freunde, Taylor-Reihe Jörn Loviscach Versionsstand: 20. März 2012, 16:01 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu: http://www.j3l7h.de/videos.html
MehrPrüfungsfach Mathematik Samstag, 08. Juni 2002
MANAGEMENT CENTER INNSBRUCK Bitte auf jedem Blatt den Vor- und Nachnamen angeben:... Prüfungsfach Mathematik Samstag, 08. Juni 2002 Sollten Sie bereits in einem der vorangegangenen Jahre an der Vorbereitungsprüfung
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrEinführung in neuronale Netze
Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrEnigmail Konfiguration
Enigmail Konfiguration 11.06.2006 Steffen.Teubner@Arcor.de Enigmail ist in der Grundkonfiguration so eingestellt, dass alles funktioniert ohne weitere Einstellungen vornehmen zu müssen. Für alle, die es
MehrGliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron
Neuronale Netzwerke Gliederung Biologische Motivation Künstliche neuronale Netzwerke Das Perzeptron Aufbau Lernen und Verallgemeinern Anwendung Testergebnis Anwendungsbeispiele Zusammenfassung Biologische
MehrGrundlagen der Theoretischen Informatik, SoSe 2008
1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)
MehrWichtiges Thema: Ihre private Rente und der viel zu wenig beachtete - Rentenfaktor
Wichtiges Thema: Ihre private Rente und der viel zu wenig beachtete - Rentenfaktor Ihre private Gesamtrente setzt sich zusammen aus der garantierten Rente und der Rente, die sich aus den über die Garantieverzinsung
MehrPlotten von Linien ( nach Jack Bresenham, 1962 )
Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels
MehrWLAN Konfiguration. Michael Bukreus 2014. Seite 1
WLAN Konfiguration Michael Bukreus 2014 Seite 1 Inhalt Begriffe...3 Was braucht man für PureContest...4 Netzwerkkonfiguration...5 Sicherheit...6 Beispielkonfiguration...7 Screenshots Master Accesspoint...8
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrKünstliches binäres Neuron
Künstliches binäres Neuron G.Döben-Henisch Fachbereich Informatik und Ingenieurwissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
Mehr10.3.1.8 Übung - Konfigurieren einer Windows 7-Firewall
5.0 10.3.1.8 Übung - Konfigurieren einer Windows 7-Firewall Drucken Sie diese Übung aus und führen Sie sie durch. In dieser Übung werden Sie erfahren, wie man die Windows 7-Firewall konfiguriert und einige
MehrFuxMedia Programm im Netzwerk einrichten am Beispiel von Windows 7
FuxMedia Programm im Netzwerk einrichten am Beispiel von Windows 7 Die Installation der FuxMedia Software erfolgt erst NACH Einrichtung des Netzlaufwerks! Menüleiste einblenden, falls nicht vorhanden Die
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrSichere E-Mail Anleitung Zertifikate / Schlüssel für Kunden der Sparkasse Germersheim-Kandel. Sichere E-Mail. der
Sichere E-Mail der Nutzung von Zertifikaten / Schlüsseln zur sicheren Kommunikation per E-Mail mit der Sparkasse Germersheim-Kandel Inhalt: 1. Voraussetzungen... 2 2. Registrierungsprozess... 2 3. Empfang
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrWas ist das Budget für Arbeit?
1 Was ist das Budget für Arbeit? Das Budget für Arbeit ist ein Persönliches Geld für Arbeit wenn Sie arbeiten möchten aber nicht mehr in einer Werkstatt. Das gibt es bisher nur in Nieder-Sachsen. Und in
MehrSMS/ MMS Multimedia Center
SMS/ MMS Multimedia Center der BEYOND THE NET GmbH BEYOND THE NET GmbH Seite 1 Unser Multimedia Center ist eine WEB basierende Anwendung, die es ermöglicht von einer Zentrale aus, viele Mitarbeiter zu
MehrHandbuch. Artologik EZ-Equip. Plug-in für EZbooking version 3.2. Artisan Global Software
Artologik EZ-Equip Plug-in für EZbooking version 3.2 Artologik EZbooking und EZ-Equip EZbooking, Ihre webbasierte Software zum Reservieren von Räumen und Objekten, kann nun durch die Ergänzung um ein oder
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrSpeicher in der Cloud
Speicher in der Cloud Kostenbremse, Sicherheitsrisiko oder Basis für die unternehmensweite Kollaboration? von Cornelius Höchel-Winter 2013 ComConsult Research GmbH, Aachen 3 SYNCHRONISATION TEUFELSZEUG
MehrZwischenablage (Bilder, Texte,...)
Zwischenablage was ist das? Informationen über. die Bedeutung der Windows-Zwischenablage Kopieren und Einfügen mit der Zwischenablage Vermeiden von Fehlern beim Arbeiten mit der Zwischenablage Bei diesen
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrDer monatliche Tarif für ein Handy wurde als lineare Funktion der Form f(x) = k x + d modelliert (siehe Grafik).
1) Handytarif Der monatliche Tarif für ein Handy wurde als lineare Funktion der Form f(x) = k x + d modelliert (siehe Grafik). Euro Gesprächsminuten Tragen Sie in der folgenden Tabelle ein, welche Bedeutung
MehrFolgende Voraussetzungen für die Konfiguration müssen erfüllt sein: - Ein Bootimage ab Version 7.4.4. - Optional einen DHCP Server.
1. Dynamic Host Configuration Protocol 1.1 Einleitung Im Folgenden wird die Konfiguration von DHCP beschrieben. Sie setzen den Bintec Router entweder als DHCP Server, DHCP Client oder als DHCP Relay Agent
MehrOutlook. sysplus.ch outlook - mail-grundlagen Seite 1/8. Mail-Grundlagen. Posteingang
sysplus.ch outlook - mail-grundlagen Seite 1/8 Outlook Mail-Grundlagen Posteingang Es gibt verschiedene Möglichkeiten, um zum Posteingang zu gelangen. Man kann links im Outlook-Fenster auf die Schaltfläche
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrPrint2CAD 2017, 8th Generation. Netzwerkversionen
Installation der Netzwerkversion Kazmierczak Software Print2CAD 2017, 8th Generation Print2CAD 2017, 8th Generation Netzwerkversionen Einführung Installationshinweise Die Programme von Kazmierczak Software
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrDer Leverage-Effekt wirkt sich unter verschiedenen Umständen auf die Eigenkapitalrendite aus.
Anhang Leverage-Effekt Leverage-Effekt Bezeichnungs- Herkunft Das englische Wort Leverage heisst Hebelwirkung oder Hebelkraft. Zweck Der Leverage-Effekt wirkt sich unter verschiedenen Umständen auf die
MehrNutzung von GiS BasePac 8 im Netzwerk
Allgemeines Grundsätzlich kann das GiS BasePac Programm in allen Netzwerken eingesetzt werden, die Verbindungen als Laufwerk zu lassen (alle WINDOWS Versionen). Die GiS Software unterstützt nur den Zugriff
Mehr11. Anhang Häufigkeitsverteilungen Ich bin häufig unsicher, wie ich mich gegenüber Behinderten verhalten soll. (N=1289; I=2,71) 7 19,2 34 39,8 Wenn ich Behinderte auf der Straße sehe, versuche ich, ihnen
Mehrteamsync Kurzanleitung
1 teamsync Kurzanleitung Version 4.0-19. November 2012 2 1 Einleitung Mit teamsync können Sie die Produkte teamspace und projectfacts mit Microsoft Outlook synchronisieren.laden Sie sich teamsync hier
MehrWas bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
MehrAnleitung über den Umgang mit Schildern
Anleitung über den Umgang mit Schildern -Vorwort -Wo bekommt man Schilder? -Wo und wie speichert man die Schilder? -Wie füge ich die Schilder in meinen Track ein? -Welche Bauteile kann man noch für Schilder
MehrE-Mails aus E-Mail-Programm sichern Wählen Sie auf der "Startseite" die Option "E-Mails archivieren" und dann die entsprechende Anwendung aus.
MailStore Home Das E-Mail Postfach ist für viele Anwender mehr als ein Posteingang. Hier wird geschäftliche Kommunikation betrieben, werden Projekte verwaltet, Aufträge und Rechnungen archiviert und vieles
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrMultimedia und Datenkommunikation
Multimedia und Datenkommunikation Einteilung in Unterpunkte Netzwerk Audioausgabe Internetzugang Basis des Projektes Büro 5 Mitarbeiter Datenaustausch via Diskette Kein Netzwerk Ein Nadeldrucker Netzwerke
MehrMINDMAP. HANDREICHUNG (Stand: August 2013)
MINDMAP HANDREICHUNG (Stand: August 2013) Seite 2, Mindmap Inhalt Eine Mindmap anlegen... 3 Einstellungen für die Mindmap... 3 Inhalte in der Mindmap voranlegen... 4 Inhalte in der Mindmap anlegen... 5
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrVersion smarter mobile(zu finden unter Einstellungen, Siehe Bild) : Gerät/Typ(z.B. Panasonic Toughbook, Ipad Air, Handy Samsung S1):
Supportanfrage ESN Bitte füllen Sie zu jeder Supportanfrage diese Vorlage aus. Sie helfen uns damit, Ihre Anfrage kompetent und schnell beantworten zu können. Verwenden Sie für jedes einzelne Thema jeweils
MehrGrundlagen verteilter Systeme
Universität Augsburg Insitut für Informatik Prof. Dr. Bernhard Bauer Wolf Fischer Christian Saad Wintersemester 08/09 Übungsblatt 3 12.11.08 Grundlagen verteilter Systeme Lösungsvorschlag Aufgabe 1: a)
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
MehrDatenbank LAP - Chefexperten Detailhandel
AJR Informatique Conseil Datenbank LAP - Chefexperten Detailhandel Kurzanleitung Version 01-17 Februar 2009 1 Zugang zur Datenbank Zugang zur Datenbank erhalten Sie unter www.dblap.ch. Zum Training können
MehrAlgorithmische Mathematik
Algorithmische Mathematik Wintersemester 2013 Prof. Dr. Marc Alexander Schweitzer und Dr. Einar Smith Patrick Diehl und Daniel Wissel Übungsblatt 6. Abgabe am 02.12.2013. Aufgabe 1. (Netzwerke und Definitionen)
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training des XOR-Problems mit einem Künstlichen Neuronalen Netz (KNN) in JavaNNS 11.04.2011 2_CI2_Deckblatt_XORbinaer_JNNS_2
MehrDokumentation zur Versendung der Statistik Daten
Dokumentation zur Versendung der Statistik Daten Achtung: gem. 57a KFG 1967 (i.d.f. der 28. Novelle) ist es seit dem 01. August 2007 verpflichtend, die Statistikdaten zur statistischen Auswertung Quartalsmäßig
MehrDoing Business : China Do s und Don ts
Dr. Kraus & Partner Werner-von-Siemens-Str. 2-6 76646 Bruchsal Tel: 07251-989034 Fax: 07251-989035 http://www.kraus-und-partner.de Doing Business : China Do s und Don ts China Das Land der Mitte 2 Grundlegende
MehrWir arbeiten mit Zufallszahlen
Abb. 1: Bei Kartenspielen müssen zu Beginn die Karten zufällig ausgeteilt werden. Wir arbeiten mit Zufallszahlen Jedesmal wenn ein neues Patience-Spiel gestartet wird, muss das Computerprogramm die Karten
MehrLeseprobe. Bruno Augustoni. Professionell präsentieren. ISBN (Buch): 978-3-446-44285-6. ISBN (E-Book): 978-3-446-44335-8
Leseprobe Bruno Augustoni Professionell präsentieren ISBN (Buch): 978-3-446-44285-6 ISBN (E-Book): 978-3-446-44335-8 Weitere Informationen oder Bestellungen unter http://wwwhanser-fachbuchde/978-3-446-44285-6
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrMathematik. UND/ODER Verknüpfung. Ungleichungen. Betrag. Intervall. Umgebung
Mathematik UND/ODER Verknüpfung Ungleichungen Betrag Intervall Umgebung Stefan Gärtner 004 Gr Mathematik UND/ODER Seite UND Verknüpfung Kommentar Aussage Symbolform Die Aussagen Hans kann schwimmen p und
MehrAnwahlprogramm. zur. Modem-Schnittstelle TH004
Anwahlprogramm zur Modem-Schnittstelle TH004 INHALTSVERZEICHNIS 1. Einleitung...2 2. Programmbeschreibung...2 2.1 Starten des Programmes...2 2.2 Hauptfenster...3 2.3 Anlagen Verwaltung...4 2.3.1 Hinzufügen
MehrLange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege
Lange Nacht der Wissenschaft Ein Klassiker Die Mathematik der Kürzesten Wege 09.06.2007 schlechte@zib.de Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) http://www.zib.de/schlechte 2 Überblick
MehrAufgaben. 2.1. Leiten Sie die Formeln (9) und (10) her! Vorbetrachtungen. Der High-Fall
Aufgaben 2.1. Leiten Sie die Formeln (9) und (10) her! Vorbetrachtungen I. Die open-collector-gatter auf der "in"-seite dürfen erst einen High erkennen, wenn alle open-collector-gatter der "out"-seite
Mehrsondern alle Werte gleich behandelt. Wir dürfen aber nicht vergessen, dass Ergebnisse, je länger sie in der Vergangenheit
sondern alle Werte gleich behandelt. Wir dürfen aber nicht vergessen, dass Ergebnisse, je länger sie in der Vergangenheit liegen, an Bedeutung verlieren. Die Mannschaften haben sich verändert. Spieler
MehrBundesverband Flachglas Großhandel Isolierglasherstellung Veredlung e.v. U g -Werte-Tabellen nach DIN EN 673. Flachglasbranche.
Bundesverband Flachglas Großhandel Isolierglasherstellung Veredlung e.v. U g -Werte-Tabellen nach DIN EN 673 Ug-Werte für die Flachglasbranche Einleitung Die vorliegende Broschüre enthält die Werte für
MehrDie Software ActiveSync solte standardmäßig bei Ihrem PDA enthalten sein. Fals nicht, dann finden Sie auch hierfür einen Link unter www.tvsgmbh.de.
TVS TVS Seeshaupt GmbH Thermo-Verbund-Systeme Am Grundwassersee 10 82402 Seeshaupt GmbH thermo verbund systeme Tel: 08801-912-605 FAX: 08801-912-606 email: zentrale@tvsgmbh.de Internet: www.tvsgmbh.de
MehrTipp III: Leiten Sie eine immer direkt anwendbare Formel her zur Berechnung der sogenannten "bedingten Wahrscheinlichkeit".
Mathematik- Unterrichts- Einheiten- Datei e. V. Klasse 9 12 04/2015 Diabetes-Test Infos: www.mued.de Blutspenden werden auf Diabetes untersucht, das mit 8 % in der Bevölkerung verbreitet ist. Dabei werden
MehrONLINE-AKADEMIE. "Diplomierter NLP Anwender für Schule und Unterricht" Ziele
ONLINE-AKADEMIE Ziele Wenn man von Menschen hört, die etwas Großartiges in ihrem Leben geleistet haben, erfahren wir oft, dass diese ihr Ziel über Jahre verfolgt haben oder diesen Wunsch schon bereits
MehrMikroökonomik 9. Vorlesungswoche
Mikroökonomik 9. Vorlesungswoche Tone Arnold Universität des Saarlandes 18. Dezember 2007 Tone Arnold (Universität des Saarlandes) 9. Vorlesungswoche 18. Dezember 2007 1 / 31 Volkswirtschaftliche Rente
MehrAnlage eines neuen Geschäftsjahres in der Office Line
Leitfaden Anlage eines neuen Geschäftsjahres in der Office Line Version: 2016 Stand: 04.11.2015 Nelkenweg 6a 86641 Rain am Lech Stand: 04.11.2015 Inhalt 1 Zielgruppe... 3 2 Zeitpunkt... 3 3 Fragen... 3
MehrIntegrated Services Realtime Remote Network
Integrated Services Realtime Remote Network How to CEyeClon Viewer V2 HT-A-003-V2-DE-2013-02-17-TZ-TZ CEyeClon AG Reitschulstrasse 5 2502 Biel / Bienne info@ceyeclon.com www.ceyeclon.com CEyeClon AG, Biel
MehrDNÜ-Tutorium HS Niederrhein, WS 2014/2015. Probeklausur
Probeklausur Diese Probeklausur ist auf eine Bearbeitungsdauer von 90 Minuten (= 90 maximal erreichbare Punkte) angelegt. Beachten Sie, dass die echte Klausur 120 Minuten dauern wird und entsprechend mehr
MehrWinVetpro im Betriebsmodus Laptop
WinVetpro im Betriebsmodus Laptop Um Unterwegs Daten auf einem mobilen Gerät mit WinVetpro zu erfassen, ohne den Betrieb in der Praxis während dieser Zeit zu unterbrechen und ohne eine ständige Online
MehrSchnell, sicher, umweltfreundlich und sparsam
Schnell, sicher, umweltfreundlich und sparsam 1 E-Dokumente Einfach, sicher und umweltfreundlich Profitieren Sie von der Dienstleistung «e-dokumente»! Mit wenigen Mausklicks gelangen Sie so zu Ihren Bankdokumenten.
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrGruppenrichtlinien und Softwareverteilung
Gruppenrichtlinien und Softwareverteilung Ergänzungen zur Musterlösung Bitte lesen Sie zuerst die gesamte Anleitung durch! Vorbemerkung: Die Begriffe OU (Organizational Unit) und Raum werden in der folgenden
MehrIntegrierte Dienstleistungen regionaler Netzwerke für Lebenslanges Lernen zur Vertiefung des Programms. Lernende Regionen Förderung von Netzwerken
Integrierte Dienstleistungen regionaler Netzwerke für Lebenslanges Lernen zur Vertiefung des Programms Lernende Regionen Förderung von Netzwerken Gefördert vom Bundesministerium für Bildung und Forschung
MehrPTV VISWALK TIPPS UND TRICKS PTV VISWALK TIPPS UND TRICKS: VERWENDUNG DICHTEBASIERTER TEILROUTEN
PTV VISWALK TIPPS UND TRICKS PTV VISWALK TIPPS UND TRICKS: VERWENDUNG DICHTEBASIERTER TEILROUTEN Karlsruhe, April 2015 Verwendung dichte-basierter Teilrouten Stellen Sie sich vor, in einem belebten Gebäude,
MehrTutorial about how to use USBView.exe and Connection Optimization for VNWA.
Tutorial about how to use USBView.exe and Connection Optimization for VNWA. Tutorial über den Gebrauch von USBView.exe und die Anschluss-Optimierung für den VNWA. Es wurde beobachtet, dass bestimmte VNWA
MehrAccess [basics] Rechnen in Berichten. Beispieldatenbank. Datensatzweise berechnen. Berechnung im Textfeld. Reporting in Berichten Rechnen in Berichten
Berichte bieten die gleichen Möglichkeit zur Berechnung von Werten wie Formulare und noch einige mehr. Im Gegensatz zu Formularen bieten Berichte die Möglichkeit, eine laufende Summe zu bilden oder Berechnungen
MehrZID Hotline hotline@boku.ac.at
Plagiatsprüfung Die unüberblickbare Informationsfülle des Internet macht es Lehrenden schwierig, Plagiate in Abschlussarbeiten zu entdecken. Plagiatsprüfungssoftware unterstützt Lehrende bei dieser Aufgabe.
MehrEin Vorwort, das Sie lesen müssen!
Ein Vorwort, das Sie lesen müssen! Sehr geehrte Teilnehmerin, sehr geehrter Teilnehmer am Selbststudium, herzlichen Glückwunsch, Sie haben sich für ein ausgezeichnetes Stenografiesystem entschieden. Sie
Mehr2 Evaluierung von Retrievalsystemen
2. Evaluierung von Retrievalsystemen Relevanz 2 Evaluierung von Retrievalsystemen Die Evaluierung von Verfahren und Systemen spielt im IR eine wichtige Rolle. Gemäß der Richtlinien für IR der GI gilt es,...
MehrErstellen einer Collage. Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu])
3.7 Erstellen einer Collage Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu]) Dann Größe des Dokuments festlegen beispielsweise A4 (weitere
MehrBerechnung der Erhöhung der Durchschnittsprämien
Wolfram Fischer Berechnung der Erhöhung der Durchschnittsprämien Oktober 2004 1 Zusammenfassung Zur Berechnung der Durchschnittsprämien wird das gesamte gemeldete Prämienvolumen Zusammenfassung durch die
Mehr