Kapitel 2: Mathematik- und Informatik-Grundlagen
|
|
- Edith Keller
- vor 7 Jahren
- Abrufe
Transkript
1 Kapite 2: Mathematik- und Informatik-Grundagen einer Menge gibt an, wie zufäig die Daten in einer Menge verteit sind (bzw. wie zufäig die Ausprägung eines Attributs in einer Menge von Objekten ist), auch Maß für die Unordnung. Definition: E( S) = p j og p j p j reative Häufigkeit der Kasse j in S. ist minima, wenn p 1 =1; maxima, wenn p i =p j. j Kemens Böhm Data Warehousing und Mining - 1 Kemens Böhm Data Warehousing und Mining - 2 Modee und Statements Mode: M, Statement: x Beispie 1: u M irgendeine konkrete Wettervorhersage, u x = Heute scheint die Sonne, kein Regen. Beispie 2: u M Cassifier für Kreditwürdigkeit, u x = Kemens ist kreditwürdig., Gunter ist nicht kreditwürdig., Kaus ist nicht kreditwürdig., usw. Beispie : Beziehung zwischen Mode und Statement u x = Heute scheint die Sonne, kein Regen. u M irgendeine konkrete Wettervorhersage, Bei wenig ausführichen Vorhersagen muß man i. Ag. mehr sagen, wenn man aktuees Wetter in Abhängigkeit von Vorhersage beschreiben wi. Wenn x mit M übereinstimmt, kann man Kodierung von x kurz haten. Kemens Böhm Data Warehousing und Mining - 3 Kemens Böhm Data Warehousing und Mining - 4
2 Minimum Description Length (1) Minimum Description Length (2) Weche Form der Wettervorhersage ist adäquat? Wie kodieren wir Gatteis-Warnung? u Gatteis-Bit, u Freitext-Fed enthät Gatteis-Information. Was ist besser? u Wetter in Stockhom, u Wetter in Kairo. Wir woen mehrere Aussagen machen. Zwei grundsätziche Aternativen: 1.Ausgefeites Mode, Aussagen kann man dann kurz haten. 2.Primitives Mode, Aussagen tendenzie umständicher. Was ist besser? Minimum Description Length () Prinzip: Länge der Beschreibung des Modes pus Länge der Beschreibung der Aussagen sote minima sein. D. h. Anzah der zu treffenden Aussagen maßgebich. Kann man Zusammenhang quantifizieren? Kemens Böhm Data Warehousing und Mining - 5 Kemens Böhm Data Warehousing und Mining - Theorem zum Codierungsaufwand Index Iustration (1) Informationstheoretisches Theorem (Shannon). Sei x eine Aussage. Sei M ein Mode. Wieviee Bits sind ausreichend, um x in M zu codieren? D. h. um x in Abhängigkeit von M zu formuieren? Gemäß Theorem sind es og Pr[x M] Bits. (Pr[x M] Wahrscheinichkeit, daß x eintritt, gegeben Mode M.) (og1=, og=- ) Eräuterung: Seitenweise Anordnung der Daten. Daten müssen im Hauptspeicher voriegen, damit Seektion etc. durchgeführt werden kann. Seiten Einheiten des Zugriffs. Laden einer Seite in den Hauptspeicher ist teuer, Zugriffsücke. Beispie: u x= Heute scheint die Sonne, kein Regen. tatsächiches Wetter u M=irgendeine konkrete Wettervorhersage. Kemens Böhm Data Warehousing und Mining - 7 Kemens Böhm Data Warehousing und Mining - 8
3 Index Iustration (2) Index Eräuterungen Student(name, age, gpa, major); t(student) = 1. Non-custered primary B+-tree für Attribut gpa. 3. (2.3, (2, 3)) (2.5, (1,2)) (2.8, (1,4)) (3, (2,1)) (3.1, (2,2)) (3.2, (1,1) (3.7, (1, 3)) (3.8, (3,2)) (3.8, (3,3)) (3.9, (4,1)) (3.9, (4,2)) (4, (4,3)) (2.8, (3,1)) (3.5, (2,4)) (3.8, (3,4)) (4, (4,4)) Index für mehrere Attribute mögich. Index für (gpa, name) nicht dassebe wie für (name, gpa). Man kann Index nachträgich anegen; man kann Index wieder öschen, ohne die Daten sebst zu öschen. Index ist Bestandtei der physischen Ebene. Index-Definition ist Bestandtei des internen Schemas. Tom, 2, 3.2, EE Leia, 2, 3.5, LS Shideh, 1, 4, CS Kemens Böhm Data Warehousing und Mining - 9 Kemens Böhm Data Warehousing und Mining - 1 Index Iustration (3) Index Iustration (4) Index für (gpa, name): ((2.3, Chad), (2, 3)) ((3, Mary), (2, 1)) 3. ((3.7, Bob), (1, 3)) ((3.9, Chris), (4, 1)) Index für (name, gpa): Lc ((2.5, Chang), (1, 2)) ((3.1, James), (2, 2)) ((3.8, Kane), (3, 3)) ((3.9, Vera), (4, 2)) ((Bob, 3.7), (1, 3)) ((James, 3.1), (2, 2)) ((Leia, 3.5), (2, 4)) ((Pat, 2.8), (1, 4)) ((2.8, Lam), (3, 1)) ((3.2, Tom), (1, 1)) ((3.8, Kathy), (3, 2)) ((4, Louis), (4, 3)) ((Chad, 2.3), (2, 3)) ((Kane, 3.8), (3, 3)) ((Louis, 4), (4, 3)) ((Shideh, 4), (4, 4)) ((2.8, Pat), (1, 4)) ((3.5, Leia), (2, 4)) ((3.8, Martha), (3, 4)) ((4, Shideh), (4, 4)) ((Chang, 2.5), (1, 2)) ((Kathy, 3.8), (3, 2)) ((Mary, 3), (2, 1)) ((Tom, 3.2), (1, 1)) ((Chris, 3.9), (4, 1)) ((Lam, 2.8), (3, 1)) ((Martha, 3.8), (3, 4)) ((Vera, 3.9), (4, 2)) Tom, 2, 3.2, EE Leia, 2, 3.5, LS Shideh, 1, 4, CS Tom, 2, 3.2, EE Suche nach gpa sowie nach gpa und name. Suche nach name. (Ausgefeites DBMS würde es impementieren.) Leia, 2, 3.5, LS Shideh, 1, 4, CS Kemens Böhm Data Warehousing und Mining - 11 Kemens Böhm Data Warehousing und Mining - 12
4 Kemens Böhm Räumiche Motivation Motivation: u Grüne Punkte: Bars, die Ihr bevorzugtes Bier ausschenken. u Punkte enthaten in Reation Bar(X, Y, Name). u Stern: Dein Standort. u Weche Bar ist am nächsten? Offensichtiche Lösung: Reation scannen, Abstand jedes Tupes berechnen. Data Warehousing und Mining - 13 Tiefe des Baums nur abhängig von Anzah der Datenobjekte. y (x, y) (, --) 4 Kemens Böhm x (--, 2) (--, ) (--, 4) (4, --) (3, --) Baum NN-Distanz, NN-Sphäre, Einsparung: Nur ein paar Rechtecke inspizieren. Data Warehousing und Mining - 14 y (x, y) (, --) (--, ) (--, 4) n für Spatia Index Structures Punkt-n. Bereichsanfragen. Wie? NN-n. 4 (4, --) (3, --) (--, 2) x Baum 1. [(, --)]; 2. [(--, 4), (--, )]; 3. [,, (--, )]; 1. [, (--, )]; 2 2. [(--, )]; Ende Agorithmus. k-nn Kemens Böhm Data Warehousing und Mining - 15 Kemens Böhm Data Warehousing und Mining - 1
5 R-Baum Mögiche Prüfungsfragen Wurze Erkären Sie das Minimum Description Length Prinzip. Sie haben zwei unterschiediche Cassifier für Kreditwürdigkeit. Wechen soten Sie gemäß verwenden? (Erst beantwortbar, nachdem wir Cassifier besprochen haben.) Wie ist der R-Baum aufgebaut? R-Baum Was für n unterstützt der R-Baum? Wie funktioniert der Agorithmus für die Suche nach den nächsten Nachbarn/ nach den k nächsten Nachbarn? Kemens Böhm Data Warehousing und Mining - 17 Kemens Böhm Data Warehousing und Mining - 18
Kapitel 2: Mathematik- und Informatik-Grundlagen
Kapitel 2: Mathematik- und Informatik-Grundlagen Data Warehousing und Mining - 1 einer Menge gibt an, wie zufällig die Daten in einer Menge verteilt sind (bzw. wie zufällig die Ausprägung eines Attributs
MehrVorlesung Data Warehousing und Mining Kapitel 1: Einleitung
Data Warehousing und Mining Kapitel 1: Einleitung Data Warehousing und Mining - 1 Gliederung dieses Kapitels für Datenanalyse (und Thema der ), Begriffsbildung Data Warehousing, im Bereich Data Warehousing,
MehrKapitel 2: Geschachtelte relationale Algebra
Kapite 2: Geschachtete reationae Agebra Eineitung Motivation Aniegen der Voresung: Breitere Vorsteung was ist Datenmode, was ist Anfragesprache? Im Fogenden insbesondere ersteres. Andeutung, warum Einfachheit
MehrKapitel 13: Speicherung von XML Daten (2)
Kapitel 13: Speicherung von XML Daten (2) Evaluierung von XPath-Ausdrücken mit relationalen Datenbanken Wie bildet man XML auf Relationen ab? Ziel: Effiziente Evaluierung von XPath-Ausdrücken, d. h. Abbildung
MehrInformations- und Wissensmanagement
Informations- und Wissensmanagement Kapitel 2: Datenbankdefinitionssprachen IPD, Forschungsbereich Systeme der Informationsverwaltung Datenbank-Technologie Vielfalt Thema dieser Vorlesung (im wesentlichen):
MehrKapitel 3: Indices und Sichten
Kapite 3: Indices und Sichten Eineitung Eineitung Giederung im fogenden: Kassifikation Aggregationsfunktionen, Materiaisierte Sichten u Grundsätziche Aternativen beim Updaten materiaisierter Sichten, u
MehrEinleitung create table Integritätsbed. alter/ drop table Index ODL. Einleitung. create table. alter/ drop table Index ODL. Einleitung.
Thema dieser Vorlesung (im wesentlichen): Relationale Datenbanken zugrundeliegende Struktur sind Relationen. Es gibt auch andere Arten von Datenbanken, z. B. objektorientierte Datenbanken. Objekte anstelle
MehrData Warehousing und Mining
Organisatorisches (1) Data Warehousing und Mining Universität Karsruhe (TH) kemens.boehm@ipd.uni-karsruhe.de Was genau erwarte ich? u Nacharbeiten der in der geichen Woche wie die jeweiige Sitzung. u Nachdenken
MehrKommunikation und Datenhaltung
Kommunikation und Datenhaltung Sprachen zur Datenbankdefinition Überblick über den Datenhaltungsteil Motivation und Grundlagen Architektur von Datenbanksystemen Datenbankanfragen Relationenmodell und Relationenalgebra
MehrPharmakokinetik-Grundlagen, Teil 1
Pharmakokinetik-Grundagen, Tei 1 Thomas Schnider 29. ärz 2016 1 Grundbegriffe Die kassische Pharmakokinetik beschreibt u.a Begriffe wie Verteiungsvoumen, Cearance und Habwertszeit. Es ist wichtig diese
MehrÜbungen zur Vorlesung. Mobile und Verteilte Datenbanken. WS 2008/2009 Übung 2 Anfrageoptimierung in zentralisierten Datenbanksystemen LÖSUNG
Dr. rer. nat. Sven Groppe Übungen zur Voresung Mobie und Verteite Datenbanken WS 28/29 Übung 2 Anfrageoptimierung in zentraisierten Datenbanksystemen Aufgabe 1: Fogende Reationen seien gegeben: LÖSUNG
MehrEntscheidungsbäume aus großen Datenbanken: SLIQ
Entscheidungsbäume aus großen Datenbanken: SLIQ C4.5 iteriert häufig über die Trainingsmenge Wie häufig? Wenn die Trainingsmenge nicht in den Hauptspeicher passt, wird das Swapping unpraktikabel! SLIQ:
MehrAndreas Lux 26.01.2011. Verknüpfung unterschiedlicher Modellsprachen (BPMN, UML, DSL) zur Anforderungsanalyse
Andreas Lux 26.01.2011 Verknüpfung unterschiedicher Modesprachen (BPMN, UML, DSL) zur Anforderungsanayse Warum unterschiediche Sprachen? Nicht ae Probeme eignen sich, um mit Standardsprachen beschrieben
MehrC Mathematische Grundlagen
C Mathematische Grundagen C.1 Summen Mit dem Summenzeichen werden Rechenanweisungen zum Addieren kompakt geschrieben. Sie assen sich oft mit Hife der Summenregen vereinfachen. C.1 Gibt es insgesamt n Werte
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgaben und en Ausarbeitung der Übungsstunde zur Voresung Anaysis I Wintersemester 2008/2009 Übung 7 Eineitung Vor den übichen Fragen bezügich der Unkarheiten in dem Hausaufgabenbatt so eine 15-minutige
MehrKapitel 12: Schnelles Bestimmen der Frequent Itemsets
Einleitung In welchen Situationen ist Apriori teuer, und warum? Kapitel 12: Schnelles Bestimmen der Frequent Itemsets Data Warehousing und Mining 1 Data Warehousing und Mining 2 Schnelles Identifizieren
MehrDatenbanksysteme II Multidimensionale Indizes (Kapitel 14) Felix Naumann
Datenbanksysteme II Multidimensionale Indizes (Kapitel 14) 14.5.2007 Felix Naumann Motivation 2 Annahme bisher: Eine Dimension Ein einziger Suchschlüssel Suchschlüssel kann auch Kombination von Attributen
MehrGARTENGERÄTE? MIETE ICH MIR. FREUDE AM GARTEN. Was es bringt und wie es geht, erfahren Sie hier. TEILEN, WAS WIR BRAUCHEN
FREUDE AM GARTEN TEILEN, WAS WIR BRAUCHEN GARTENGERÄTE? MIETE ICH MIR. Was es bringt und wie es geht, erfahren Sie hier. Das Projekt MEHR WERT NRW wird gefördert durch: HERAUSGEBER Verbraucherzentrae NRW
Mehr6.6 Vorlesung: Von OLAP zu Mining
6.6 Vorlesung: Von OLAP zu Mining Definition des Begriffs Data Mining. Wichtige Data Mining-Problemstellungen, Zusammenhang zu Data Warehousing,. OHO - 1 Definition Data Mining Menge von Techniken zum
MehrKernfragen der Vorlesung. Allgemeines Problemlšsemodell. 3 Problemlösen und Suche. Methoden der KŸnstlichen Intelligenz
Was ist Probemšsen? 3 Probemösen und Suche 7. Voresung: Suchprobeme und Suchagorithmen; Heuristische Suche Methoden der KŸnstichen Inteigenz Ipke Wachsmuth ÊWS 2000/2001 Unter Probemšsen versteht man das
MehrIndexieren von PL-Formeln. Fetch-Pattern (ãhol-musterò) 4 Logik und Inferenz. Methoden der KŸnstlichen Intelligenz
Indexing Accessibiity is just as important as content 4 Logik und Inferenz 12. Voresung: Indexing; Assoziative Netzwerke Inferenz durch Graphsuche Methoden der KŸnstichen Inteigenz Ipke Wachsmuth ÊWS 2000/2001
MehrE > 0. V eff (r) r. V eff,min < E < 0. r min. V (r)
II.2 Zwei-Körper-Systeme 43 2 2µr 2 r min E > 0 r V eff (r) r max r min V eff,min < E < 0 V (r) E < V eff,min Abbidung II.4 Effektives Potentia V eff (r) für das Keper-Probem. Mit dem newtonschen Gravitationspotentia
MehrAbiturprüfung Mathematik 006 Baden-Württemberg (ohne CAS) Haupttermin Pfichttei - Aufgaben Aufgabe : ( VP) Biden Sie die Abeitung der Funktion f mit f(x) = sin(4x ). 8 Aufgabe : ( VP) Geben Sie eine Stammfunktion
MehrSFW-Block (1) SFW-Block (2)
Tupetabee Wert Attribute SFW-Bock (1 Grundgerüst einer SQL-Anfrage: SFW-Bock SELECT FROM [WHERE [GROUP BY [HAVING Projektionsiste Tabeenausdruck Prädikat] Attributiste] Gruppenprädikat] Was ist das Ergebnis
MehrKolmogoroffkomplexität Teil 3 Informationstheorie und Kodierung. Torsten Steinbrecher
Kolmogoroffkompleität Teil 3 Informationstheorie und Kodierung Torsten Steinbrecher Informationstheorie Information ist Δ Wahlfreiheit beim Sender Δ Unbestimmtheit beim Empfänger Information ist nicht
MehrBerechnung von Wurzeln
Sieginde Fürst Berechnung von Wurzen Rekursive Fogen Zinseszinsforme; Heronverfahren Inhate Berechnung eines mit Zinsesezins verzinsten Kapitas auf zwei Arten Heronforme Einschranken von Wurzen Ziee Erernen
MehrThüringer Kultusministerium
Thüringer Kutusministerium Abiturprüfung 000 Physik as Leistungsfach (Haupttermin) 1 Hinweise zur Korrektur Nicht für den Prüfungsteinehmer bestimmt Die Korrekturhinweise enthaten keine voständigen Lösungen,
MehrIn diesem Abschnitt wollen wir uns mit der Architektur von Datenbank Managements Systemen beschäftigen.
1 In diesem Abschnitt wollen wir uns mit der Architektur von Datenbank Managements Systemen beschäftigen. Zunächst stellt sich die Frage: Warum soll ich mich mit der Architektur eines DBMS beschäftigen?
MehrMathematische Methoden der Biowissenschaften II
Universität Bieefed SS 2007 Fakutät für Mathematik Prof. Dr. M. Baake Mathematische Methoden der Biowissenschaften II TEXed by Marc Paffen Kristina Petkau Eya Wiing Inhatsverzeichnis Eementare Konzepte
MehrBayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 10: Naive Bayes (V. 1.0)
MehrDatenbanken: Indexe. Motivation und Konzepte
Datenbanken: Indexe Motivation und Konzepte Motivation Warum sind Indexstrukturen überhaupt wünschenswert? Bei Anfrageverarbeitung werden Tupel aller beteiligter Relationen nacheinander in den Hauptspeicher
MehrWas sind»daten«? Prof. Dr. Hagen Knaf Studiengang Angewandte Mathematik WS 2015/16
Was sind»daten«? Studiengang Angewandte Mathematik WS 2015/16 Daten: Überblick Im Data Mining werden Daten analysiert um allgemein über Data Mining Verfahren sprechen zu können, benötigt man also eine
MehrJSP, Tomcat, JDBC. Agenda. Übung Informationsintegration 3.5.2004. JSP & Tomcat JDBC. l Syntax. l Implizite Objekte. l Direktiven
JSP, Tomcat, JDBC Übung Informationsintegration 03.05.2004 Agenda JSP & Tomcat Syntax Impizite Objekte Direktiven JDBC 2 Java Server Pages - JSP Was ist eine JSP? Bietet die Mögichkeit, dynamischen Inhat
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 17. Vorlesung Nächstes Paar Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Problem: Gegeben: Menge P von n Punkten in der Ebene, jeder Punkt
MehrDateiorganisation und Zugriffsstrukturen. Prof. Dr. T. Kudraß 1
Dateiorganisation und Zugriffsstrukturen Prof. Dr. T. Kudraß 1 Mögliche Dateiorganisationen Viele Alternativen existieren, jede geeignet für bestimmte Situation (oder auch nicht) Heap-Dateien: Geeignet
MehrVerteidigung Bakkalaureatsarbeit
Verteidigung Bakkaaureatsarbeit Beispiekataog für EJB- Entwurfsmuster Ronny Kinger 1 Aufgabensteung Einarbeitung in existierende EJB-Entwurfsmuster Aufarbeitung des Hotebeispies aus [Cheesman] unabhängig
MehrBedarfsorientierte Konzeptionierung von Photovoltaikanlagen
1 Bedarfsorientierte Konzeptionierung von Photovoltaikanlagen Martin Fürnschuß, Mike Alexander Lagler, Ernst Schmautzer Institut für Elektrische Anlagen und Netze der TU Graz www.tugraz.at 15. Symposium
MehrBayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 5: Naive Bayes + IBL (V.
MehrStochastische Erweiterungen von Prozess-Algebra
Stochastische Erweiterungen von Prozess-Agebra Zie : PA Kakü so nichtfunktionae (stochastische) Zusammenhänge wiedergeben Motivation für stoch. Erweiterungen Modeierung nichtfunktionaer Systemaspekte,
MehrVorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
MehrAlgorithmen und Komplexität, Teil II: Berechenbarkeit und Komplexität
Algorithmen und Komplexität, Teil II: Berechenbarkeit und Komplexität Ralph Keusch 21. November 2017 Berechenbarkeitstheorie RAM-Maschine 1: M 1 1 2: M 0 1 3: M 0 M 0 M 1 4: M 2 M 2 M 1 5: GOTO 3 IF M
MehrLaserstrahlformung. mit Akustooptik
48 M A K U S T O O P T I K Bid 1. Strahprofiformung mittes Akustooptik Laserstrahformung mit Akustooptik Die Akustooptik ermögicht eine ULTRASCHNELLE Laserstrah formung von gepusten und kontinuierichen
MehrSeminar Kolmogorovkomplexität. Universität Potsdam Wintersemester 2009/10
Universität Potsdam Wintersemester 2009/10 Kolmogorovkomplexität Kolmogorovkomplexität (auch Algorithmische Komplexität ) ist der zentrale Begriff der Algorithmischen Informationstheorie (AIT). Kombiniert
MehrPraktische Einführung in die Chemie Integriertes Praktikum:
Praktische Einführung in die Chemie Integriertes Praktikum: Versuch 1-1 (ABS) Optische Absorptionsspektroskopie Versuchs-Datum: 13. Juni 2012 Gruppenummer: 8 Gruppenmitgieder: Domenico Paone Patrick Küssner
MehrMichael Tomasello Die kulturelle Entwicklung des menschlichen Denkens. suhrkamp taschenbuch wissenschaft
Michae Tomaseo Die kuturee Entwickung des menschichen Denkens suhrkamp taschenbuch wissenschaft Inhat Vorwort... 7 1 EinRätseundeineVermutung... 12 2 Bioogische und kuturee Vererbung................ 25
Mehr2.7 Der Shannon-Fano-Elias Code
2.7 Der Shannon-Fano-Elias Code Die Huffman-Codierung ist ein asymptotisch optimales Verfahren. Wir haben auch gesehen, dass sich die Huffman-Codierung gut berechnen und dann auch gut decodieren lassen.
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
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
MehrIllustrierende Aufgaben zum LehrplanPLUS. Schaukeln
Jahrgangsstufen FOS 12, BOS 12 Schauken Stand: 08.12.2017 Fach/Fächer Übergreifende Bidungs- und Erziehungsziee Physik Medienbidung/digitae Bidung, sprachiche Bidung Benötigtes Materia - Kompetenzerwartungen
MehrCommon Warehouse Metamodel und Imperfektion
Common Warehouse Metamodel und Imperfektion Christoph Goebel Imperfektion und erweiterte Konzepte im Data Warehousing 2 Fragestellungen Welche Bedeutung haben Metadaten in der Information Supply Chain
MehrFür 2 bis 5 Spieler Ab 8 Jahren Minuten
Für 2 bis 5 Spieer Ab Jahren 30-90 Minuten CN Rues V2 DE DEF 2015_Mise en page 1 19/05/15 15:44 Page2 Spiemateria Spievorbe Macao und Häfen, in denen Hande stattfindet Macao mit... Schwarzmarkt Ein Hafen...
MehrVorkurs Mathematik B
Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 5. September 2011 Definition (Menge) Wir verstehen unter einer Menge eine Zusammenfassung von unterscheidbaren Objekten zu einem
MehrR. Brinkmann Seite Klassenarbeit Mathematik Bearbeitungszeit 90 min. Di SG14/24D Gruppe A NAME:
R. Brinkmann Seite 1 8..1 Klassenarbeit Mathematik Bearbeitungszeit 9 min. Di 8..6 SG14/4D Gruppe A NAME: Hilfsmittel: Taschenrechner und Formelsammlung 4 1. Gegeben ist die Funktion f ( ) = ( 1) e a)
MehrLösungsvorschlag Serie 1
D-HEST Dr. A. Caspar Prof. N. Hungerbüher Mathematik III HS 2016 Lösungsvorschag Serie 1 1. Dicker Pui - bad kommt der Winter Um eine Körpertemperatur von T M = 37 C auch bei küherem Wetter haten zu können,
MehrKOMPETENZHEFT STATISTIK I
KOMPETENZHEFT STATISTIK I Inhatsverzeichnis 1. Aufgabensteungen 1. Statistische Kenngrößen & Boxpot 1 3. Reative Häufikgeiten & Baumdiagramme 3 4. Diagramme 7 1. Aufgabensteungen Aufgabe 1.1. Nach Kar
MehrAPI FÜR DASWETTER.COM - 1 -
API FÜR DASWETTER.COM - 1 - INDEX I. Anmeldung und Zugriff auf die API... 3 II. Systemsteuerung A. Wettervorhersage für einen Ort... 6 B. Wettervorhersage für mehrere Orte... 9 C. Hilfe... 10 D. Ihr Konto...
MehrInhaltsverzeichnis. Vorwort...
Vorwort... V 1 Einleitung... 1 1.1 Geoinformationssysteme und -dienste... 1 1.1.1 Geoinformationssysteme... 1 1.1.2 Offene Geoinformationssysteme... 4 1.1.3 Geodienste... 5 1.2 Datenbanksysteme... 7 1.2.1
MehrRelationales Modell: SQL-DDL. SQL als Definitionssprache. 7. Datenbankdefinitionssprachen. Anforderungen an eine relationale DDL
Relationales Modell: SQLDDL SQL als Definitionssprache SQLDDL umfaßt alle Klauseln von SQL, die mit Definition von Typen Wertebereichen Relationenschemata Integritätsbedingungen zu tun haben Externe Ebene
MehrIndexe in Dateien. Thomas Behr. 19.November c 2015 FernUniversität in Hagen
Indexe in Dateien Fakultät für Mathematik und Informatik Datenbanksysteme für neue Anwendungen FernUniversität in Hagen 19.November 2015 c 2015 FernUniversität in Hagen Indexe ermöglichen schnellen Zugriff
Mehr3. Aufgabenblatt. Data Warehousing und Data Mining
3. Aufgabenblatt Data Warehousing und Data Mining Sebastian Wandelt Berlin, 27. November 2014 wandelt@informatik.hu-berlin.de Management von 4D-Trajektorien Achtung: Wettbewerbsaufgabe! Thema: Umgang mit
MehrAls Datenbanksystem wird ein Datenbankverwaltungssystem zusammen mit einer oder mehrerer Datenbanken bezeichnet.
Datenbankverwaltungssystem (DBVS/DBMS) Ein Datenbankverwaltungssystem (DBVS, data base management system : DBMS) ist die Gesamtheit aller Programme (Ressourcen) zur Erzeugung, Verwaltung (einschl. Daten-
Mehr6 Ü B E R S E T Z U N G E N U N D C O D I E R U N G E N. 6.1 von wörtern zu zahlen und zurück Dezimaldarstellung von Zahlen Num 10
6 Ü B E R S E T Z U N G E N U N D C O D I E R U N G E N 6.1 von wörtern zu zahlen und zurück 6.1.1 Dezimaldarstellung von Zahlen Num 10 Num10(ε) = 0 (6.1) für jedes w Z 10 für jedes x Z 10 Num 10 (wx)
MehrDatenbanken und Datenbanktypen Tag 1 : Kapitel 1. Christian Inauen. Lernziele. Entwicklung der Datenbanken.
Tag 1 : und 10.08.2015 Jede/r Lernende... kann in eigenen Worten die Entstehung von erläutern kennt die verschiedenen Arten von mit entsprechenden Eigenschaften kann die Abkürzungen ACID, BASE und CAP
MehrHiPath optipoint WL2 professional / optipoint WL2 professional S. LDAP-Funktion an optipoint WL2 professional / optipoint WL2 professional S
HiPath optipoint WL2 professiona / optipoint WL2 professiona S LDAP-Funktion an optipoint WL2 professiona / optipoint WL2 professiona S bktoc.fm Inhat Inhat 0 1 Übersicht..............................................................
MehrGeneral Problem Solver Ð GPS (Newell, Simon und Shaw) Hauptaspekt von ãmeans-endsò. 5 Problemlösen und Suche. Methoden der KŸnstlichen Intelligenz
Probemšsestrategien 5 Probemösen und Suche 8. Voresung: Means-Ends-Anaysis, Diskriminationsnetze; Goa Trees Methoden der KŸnstichen Inteigenz Ipke Wachsmuth ÊWS 000/00 8. Voresung Methoden der KŸnstichen
MehrVorlesung Inhaltsverzeichnis. 1. Einfache Rechnungen
1. Einfache Rechnungen. Hife! 3. Geitkommazahen 4. Listen 5. Kompexe und ganze Zahen Voresung 30.11.018 Inhatsverzeichnis Einfache Rechnungen Sage kann aes was ein Taschenrechner kann, und das entweder
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
MehrProjektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar
Business Intelligence Master Digitale Logistik und Management Projektbericht Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar Matthias Säger
MehrZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE
ZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE Indexierungsstrategie im Data Warehouse Dani Schnider, Trivadis AG DOAG Konferenz, Nürnberg BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR.
Mehr1./2. Klasse Daten und Zufall 4.1 Daten erfassen und strukturiert darstellen - Kompetenzerwartungen
Stochastik warum? Gründe: Begründungsfeld 1: Stochastik trägt zur Umwelterschließung bei Begründungsfeld 2: Entwicklung des Wahrscheinlichkeitsbegriffs braucht Zeit Begründungsfeld 3: Interesse am Gegenstand
MehrIntelligenter Agent: 1. Modell. Methoden der KI WS 2000/ Ausgewählte Themen
UniversitŠt Bieefed UniversitŠt Bieefed Ziee der KI, kurz gesagt 9 Ausgewähte Themen 29. Voresung: Wiederhoung und Zusammenfassung Tei 1 Methoden der KŸnstichen Inteigenz Ipke Wachsmuth ÊWS 2000/2001 KŸnstiche
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
MehrDifferentialrechnung. Bibliographisches Institut Mannheim/Wien/Zürich B. I.-Wissenschaftsverlag
Differentialrechnung von Henri Cartan Prof an der Faculte des Sciences, Paris mit Übungsaufgaben, zusammengestellt von C. Buttin, F. Rideau und J.-L. Verley Bibliographisches Institut Mannheim/Wien/Zürich
MehrVon den Bildungsstandards zum Schulkurrikulum
Gegenüberstellung der Inhalte der Bildungsstandards und der Inhalte in den Schülerbänden für die Klassen 5 und 6 Von den Bildungsstandards zum Schulkurrikulum 1. Leitidee Zahl Verschiedene Darstellungsformen
MehrPhysischer DB-Entwurf
Physischer DB-Entwurf Prof. Dr. T. Kudraß 1 Überblick Ausgangslage: Konzeptuelles und externes Schema sind erstellt: ER Modell, Schemaverfeinerung und Definition von Sichten Nächster Schritt: Physischer
MehrBusiness Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
MehrDiskrete Strukturen. Chair for Foundations of Software Reliability and Theoretical Computer Science Technische Universität München
Diskrete Strukturen c Javier Esparza und Michael Luttenberger Chair for Foundations of Software Reliability and Theoretical Computer Science Technische Universität München Montag 16 Oktober, 2017 p.2 Was
MehrSchulcurriculum (1/4 der Jahresstunden)
Mathematik: Curriculum Jahrgang 6 Jahresstundenzahl des Faches: 35 Schulwochen x 4 (Wochenstundenzahl laut Kontingentstundentafel) = 140 Themenblöcke Klasse 6 / Stundenanzahl 1.Lerneinheit: Rationale Zahlen
MehrMathematik 1 für Informatiker und Wirtschaftsinformatiker Wintersemester 07/08 (Winkler) Musterprüfung mit Lösungen
Mathematik für Informatiker und Wirtschaftsinformatiker Wintersemester 07/08 (Winkler Musterprüfung mit Lösungen. Sei T N. (a Unter welchen beiden Voraussetzungen an T garantiert das Induktionsaxiom (nach
MehrKern- und Schulcurriculum Mathematik Klasse 5/6. Stand Schuljahr 2009/10
Kern- und Schulcurriculum Mathematik Klasse 5/6 Stand Schuljahr 2009/10 Klasse 5 UE 1 Natürliche en und Größen Große en Zweiersystem Römische en Anordnung, Vergleich Runden, Bilddiagramme Messen von Länge
MehrSplitting. Impurity. c 1. c 2. c 3. c 4
Splitting Impurity Sei D(t) eine Menge von Lernbeispielen, in der X(t) auf die Klassen C = {c 1, c 2, c 3, c 4 } verteilt ist. Illustration von zwei möglichen Splits: c 1 c 2 c 3 c 4 ML: III-29 Decision
MehrStud.-Nummer: Datenstrukturen & Algorithmen Seite 1
Stud.-Nummer: Datenstrukturen & Algorithmen Seite 1 Aufgabe 1. / 16 P Instruktionen: 1) In dieser Aufgabe sollen Sie nur die Ergebnisse angeben. Diese können Sie direkt bei den Aufgaben notieren. 2) Sofern
MehrKapitel 1: Wiederholungsfragen Grundlagen DBS
Grundlagen DBS 1. Welche zentralen Anforderungen an ein DBS definierte Edgar Codd? 2. Was ist eine Transaktion? 3. Welche Eigenschaften muss das DBMS bei der Transaktionsverarbeitung sicherstellen? 4.
MehrProgrammieren Vorkurs
Programmieren Vorkurs Input/Output, If, Bedingungen Thole Goesmann, 10.10.2018 Über mich Thole Goesmann Studiere Mathematik und Informatik HiWi am Institut für Anwendungssicherheit gewähltes Mitglied im
MehrReferat: Hierarchical, Parameter-Free Community Discover. Spiros Papadimitriou, Jimeng Sun, Christos Faloutsos, and Philip S.
Referat: Hierarchical, Parameter-Free Community Discovery Spiros Papadimitriou, Jimeng Sun, Christos Faloutsos, and Philip S. Yu, 2008 Seminar: Aktuelle Arbeiten des Data Mining 14.07.2009 Gliederung 1
MehrKommunikationskomplexität
Kommunikationskomplexität Seminar über Algorithmen, Prof. Dr. Alt, Sommersemester 2010, Freie Universität Berlin Matthias Rost 13. Juli 2010 1 von 37 Matthias Rost Kommunikationskomplexität Inhaltsverzeichnis
MehrKonvektoren Preise und Technik I/2002
Konvektoren Preise und Technik I/2002 Nur für den Fachhande bestimmt. Unverbindiche Richtpreise ohne Mehrwersteuer. Inc. Venti-Konvektoren Mit Lagerprogramm Inhatsübersicht Inhat Seite Konvektoren Lagerprogram
MehrData Mining und Maschinelles Lernen Lösungsvorschlag für das 1. Übungsblatt
Data Mining und Maschinelles Lernen Lösungsvorschlag für das 1. Übungsblatt Knowledge Engineering Group Data Mining und Maschinelles Lernen Lösungsvorschlag 1. Übungsblatt 1 1. Anwendungsszenario Überlegen
Mehr3. Übung zum G8-Vorkurs Mathematik (WiSe 2011/12)
Technische Universität München Zentrum Mathematik PD Dr. Christian Karpfinger http://www.ma.tum.de/mathematik/g8vorkurs 3. Übung zum G8-Vorkurs Mathematik (WiSe 0/) Aufgabe 3.: Gehen Sie die Inhalte der
MehrInformationstheorethisches Theorem nach Shannon
Informationstheorethisches Theorem nach Shannon Beispiel zum Codierungsaufwand - Wiederholung: Informationstheorethisches Modell (Shannon) Sei x eine Aussage. Sei M ein Modell Wieviele Bits sind aussreichend,
MehrArbeitsblatt 7 Grössenbestimmung Speicher
Arbeitsbatt 7 Grössenbestimmung Speicher Lernziee: Den Warmwasserbedarf einer oder mehrerer Personen in einem gemeinsamen Haushat bestimmen. Den Warmwasserbedarf mehrerer Wohnungen (MFH) aus einer Tabee
MehrData Mining und Statistik: Gemeinsamkeiten und Unterschiede. Daniel Meschenmoser
Data Mining und Statistik: Gemeinsamkeiten und Unterschiede Daniel Meschenmoser Übersicht Gemeinsamkeiten von Data Mining und Statistik Unterschiede zwischen Data Mining und Statistik Assoziationsregeln
Mehr1.1 Grundbegriffe. Logik und Diskrete Strukturen (Sommer 2018) Prof. Dr. Ulrich Hertrampf
. Grundbegriffe Beispiele: Paris und Mäuse / Otto und der Arzt /... Definition: Syntax der Aussagenlogik ) Atomare Formeln (A i, i =, 2, 3,...)sindFormeln. 2) Falls F und G Formeln, dann auch (F ^ G) und
MehrRSA und IDA Durchgängige Entwicklungsprozesse. Von der Anforderung bis zur generierten Datenbank
RSA und IDA Durchgängige Entwicklungsprozesse Von der Anforderung bis zur generierten Datenbank Ziele dieses Vortrags Begründung Warum sich jeder Entwickler mit dem Thema Datenmodellierung auseinandersetzen
MehrEinleitung. Kapitel 1
Kapitel 1 Einleitung In diesem Abschnitt geben wir einen kurzen Überblick über den Inhalt der Vorlesung. Wir werden kurz die wesentlichen Probleme erläutern, die wir ansprechen wollen. Wir werden auch
MehrDatenstrukturen. Ziele
Datenstrukturen Ziele Nutzen von Datenstrukturen Funktionsweise verstehen Eigenen Datenstrukturen bauen Vordefinierte Datenstrukturen kennen Hiflsmethoden komplexer Datenstrukten kennen Datenstrukturen
Mehr1. Referenzpunkt Transformation
2.3 Featurereduktion Idee: Anstatt Features einfach wegzulassen, generiere einen neuen niedrigdimensionalen Featureraum aus allen Features: Redundante Features können zusammengefasst werden Irrelevantere
MehrThemenbereich A: Basiswissen und Recht
Anage: Kurz-Curricuum Präventionsschuung Krankenhaus 51 Themenbereich A: Basiswissen und Recht Zie: Vermittung und Sichersteung von grundegenden rechtichen und fachichen Basisinformationen. Inhate (Intensiv)
MehrMartin Goldstern Der logische Denker Kurt Gödel und sein Unvollständigkeitssatz. 6.
Martin Goldstern Der logische Denker Kurt Gödel und sein Unvollständigkeitssatz http://www.tuwien.ac.at/goldstern/ 6.September 2006 1 Kurt Gödel, 1906-1978 1906: geboren am 28.April in Brünn (heute Brno)
Mehr