Einleitung. Komplexe Anfragen. Suche ist teuer. VA-File Verfeinerungen. A0-Algo. GeVAS. Schluß. Folie 2. Einleitung. Suche ist teuer.
|
|
- Astrid Glöckner
- vor 7 Jahren
- Abrufe
Transkript
1 Anwendung Input: Query-Bild, Ergebnis: Menge ähnlicher Bilder. Kapitel 8: Ähnlichkeitsanfragen und ihre effiziente Evaluierung Wie zu finden? Corbis, NASA: EOS Bilddatenbank Folie Folie 2 Ähnlichkeitssuche nach dem nächsten Nachbarn Bild-Ebene Feature-Ebene B R Beschränkung auf ein Anfrage-Objekt und einen Feature-Typ zu ungenau, Karikiertes Beispiel: Braunes Pferd gesucht. G Distanz im Merkmalsraum: Maß der Unähnlichkeit. Farbe & (ein bißchen) Folie 3 Folie 4
2 Struktur und Semantik der Anfrage Querytypen Multi- Feature Farbe. Drei (Einzel-)Distanzen Zwei Queryobjekte ( Multi- Object ) Farbe Single-Feature Single-Object Query ( einfache Anfrage) Farbe Multi-Feature Single-Object Query Atomare Teilquery. Mehrere Einzel-Distanzen eine Gesamtdistanz. Mögliche Berechnungen: Durchschnitt, Maximum. Single-Feature Multi-Object Query. Farbe Multi-Feature Multi-Object Query Folie 5 Folie WiesohelfenBäumenicht? Wie teuer ist also die NN-? Dimensional Curse. War Thema des letzten Kapitels. Sequential Scan. Beispiel: Objekte, 275 Dimensionen = GB Daten, Disk Zugriff: MB/s, 5ms Sequential Scan durch GB: t = GB / (MB/s) = s Folie 7 Folie 8
3 Exakte NN- mit dem (k=) Datenstruktur. Quantisierungen; Datenvolumen deutlich kleiner..phase Quantis. low Bnd up Bnd Vektoren Quantisierungen Datenstruktur up Bnd Query Distanz low Bnd Phase Vektordaten Distanz Faustregel: Beschleunigung um Faktor 4 gegenüber Scan. Verfahren linear in der Anzahl der Datenobjekte. Folie 9 Folie Approximative Queryergebnisse Szenario für A-Algorithmus Tausch: Ergebnisqualität kürzere Antwortzeit. Exaktes Ergebnis:. obj28 2. obj7 3. obj8 4. obj9 5. obj7 Approx. Ergebnis : Interaktive Antwortzeiten.. obj7 2. obj8 3. obj 4. obj28 5. obj7 2% unter optimaler Qualität Approx. Ergebnis 2:. obj7 2. obj8 3. obj 4. obj3 5. obj7 4% unter optimaler Qualität Search Engine Feature-Daten Ranking- Komponente Search Engine Feature-Daten Textur Client Search Engine Feature-Daten Farbe Komponenten liefern Stream von Objekten, geordnet nach Distanz. Folie Folie 2
4 A-Algorithmus A-Algorithmus - Beispiel Ranking-Komponente liest großen Teil des Streams. A-Algorithmus: Stattdessen Random-Zugriffe. Farbe () (a,.) (b,.3) (c,.5) (d,.) k= (2) (a,.) (d,.25) (b,.3) (z,.4) Schritt : a:,2; d: 3 Schritt 2: a:,2; b:, 3; d: 2, 3 Textur (3) (d,.2) (b,.25) (e,.8) (z,.9) Schritt 3: a:,2; b:, 2, 3; c: ; d: 2, 3; e: 3 Bestes Objekt ist in {a, b, c, d, e}. Folie 3 Folie 4 Eigenschaften des A-Algorithmus Gliederung im folgenden Random-Zugriffe: teuer. Random-Zugriffe gehen nicht immer. Client Ranking SE SE 2 SE n Client Ranking Multi-Feature Single-Object Queries, Single-Feature Multi-Object Queries, Multi-Feature Multi-Object Queries. ( Generalisierte basierte ) Q Q 2 Q n F F 2 F n F F 2 F n Q Q 2 Q n Folie 5 Folie
5 Feature Fusion, Multi-Feature Single-Object Queries Feature-Fusion-on-the-Fly, Multi-Feature Single-Object Queries Farbe Textur Kombination Inde- xierung/ für jeden Feature-Typ, gleiche Reihenfolge, Queryevaluierung wie im einfachen Fall. Farbe Textur exakt Quantis. exakt Quantis. exakt Quantis. Alle Kombinationen: Prohibitiv hoher Speicherbedarf! Kosten IO-Kosten. Folie 7 Folie 8 kdb-baum Single-Feature Multi-Object Queries y (x, y) (, --) y (x, y) (, --) 4 Anfrage x (--, 2) (--, ) (--, 4) (4, --) (3, --) kdb-baum Baum 4 Query Q2 x (--, 2) (--, ) (--, 4) (4, --) (3, --) kdb-tree. [(, --)]; 2. [(--, 4), (--, )]; 3. [,, (--, )];. [, (--, )]; 2 2. [(--, )];.5 3. Ende Algorithmus. Verfahren auf übertragbar. Optimierungen. Folie 9 Folie 2
6 Multi-Feature Multi-Object Queries Experimente, Multi-Object Queries Shared Iterators F 45, k=5, best case F 45, k=5, bad case Farbe =. Elapsed time [s].. M-Tree SR-Tree R*-Tree 4 7 Number of ref. objects (n) A Elapsed time [s].. M-Tree SR-Tree R*-Tree 4 7 Number of ref. objects (n) A Weitere Optimierungen für unterschiedliche Distance-Combining Functions. Warum hängt A-Algorithmus von Position der Anfrage-Punkte ab? Folie 2 Folie 22 Experimente, Multi-Feature Queries Improvement factor. Elapsed time, n=5, k=5, best case F 9 F 3 F 45 F 4 M-Tree R*-Tree SR-Tree A Improvement factor. Elapsed time, n=5, k=5, bad case F 9 F 3 F 45 F 4 M-Tree R*-Tree SR-Tree A Ähnlichkeitsanfragen (Multi-Feature Multi-Object Queries), Effiziente Evaluierung, Evaluierung einfacher : vs. Bäume, : Middleware-Architektur vs. integrierte Architektur. A-Algorithmus,, : Approximative Evaluierung und Parallelisierung. Folie 23 Folie 24
7 Prüfungsfragen, beispielhaft Literatur Was kann komplexe Ähnlichkeitssuche bedeuten (im Kontext der Vorlesung)? Was bedeutet 'approximatives Anfrageergebnis' im Kontext dieses Kapitels? Wie funktioniert der A-Algorithmus? Wo sehen Sie Schwächen des Algorithmus? Erklären Sie, wie die Evaluierung von Multi-Object Queries funktioniert. Klemens Böhm, Michael Mlivoncic, Hans-Jörg Schek, Roger Weber. Efficient Evaluation of Complex Similarity Queries. Proceedings of the 27 th Very Large Data Bases (VLDB) Conference, VLDB Endowment, Rom, September 2. Klemens Böhm, Michael Mlivoncic, Roger Weber. Quality-Aware and Load-Sensitive Planning of Image Similarity Queries. Proceedings of the 7 th International Conference on Data Engineering 2, Seiten 4-4, IEEE Computer Society, Heidelberg, April 2. Roger Weber, Klemens Böhm. Trading Quality for Time with Nearest-Neighbor Search. Proceedings of the 7 th Conference on Extending Database Technology (EDBT), Seiten 2-35, Konstanz, März 2. Folie 25 Folie 2
Eine Indexstruktur zur schnellen Nächste-Nachbar-Suche im metrischen Raum
Eine struktur zur schnellen Nächste-Nachbar-Suche im metrischen Raum (Zusammenarbeit mit Sören Balko) Brandenburgische Technische Universität Cottbus Institut für Informatik 4. Juli 2007 Gliederung 1 2
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
MehrBegriffsklärung: Dominanz
Einführung Begriffsklärung: Dominanz Gegeben: d-dimensionaler Raum, jeder Punkt p im Raum hat d Attribute: (p 1,,p d ) Definition Dominanz: 1 i d : p i p i und 1 i d : p i < p i Begriffsklärung: Dominanz
MehrSeminar Algorithmen für planare Graphen
Seminar Algorithmen für planare Graphen Reinhard Bauer, Marcus Krug, Ignaz Rutter, Dorothea Wagner Universität Karlsruhe (TH) Institut für Theoretische Informatik Lehrstuhl Algorithmik I 24. Oktober 2008
MehrLarge-scale Incremental Processing Using Distributed Transactions and Notifications
Percolator Large-scale Incremental Processing Using Distributed Transactions and Notifications Daniel Peng and Frank Dabek 1 Ausgangslage 10 12 10 16 10 9 Webseiten Byte Daten Updates/Tag 2 MapReduce Batch-Job
MehrAlgorithmen zur Berechnung der Transitiven Hülle einer Datenbankrelation
Algorithmen zur Berechnung der Transitiven Hülle einer Datenbankrelation Daniel Reinhold Shenja Leiser 6. Februar 2006 2/28 Gliederung Einführung Transitive Hülle Definition Iterative Algorithmen 1. Naive
MehrMassiv parallele knn-suche auf der GPU im Performancevergleich zur knn-suche über Indexstrukturen Exposé zur Studienarbeit
Massiv parallele knn-suche auf der GPU im Performancevergleich zur knn-suche über Indexstrukturen Exposé zur Studienarbeit eingereicht von: David Salomon geboren am: 07.08.1987 geboren in: Cottbus Gutachter/innen:
MehrKapitel 17: Identifikation von Outliern
Kapitel 17: Identifikation von Gliederung Motivation allgemeine Bemerkungen Übersicht über die Ansätze Abstand-basierte Ermittlung von Dichte-basierte Ermittlung von Evolutionärer Ansatz: Anwendung genetischer
MehrKapitel 16: Identifikation von Outliern
Kapitel 16: Identifikation von Gliederung Motivation allgemeine Bemerkungen Übersicht über die Ansätze Abstand-basierte Ermittlung von Dichte-basierte Ermittlung von Evolutionärer Ansatz: Anwendung genetischer
MehrImplizite Modellierung zur Objekterkennung in der Fernerkundung
Implizite Modellierung zur Objekterkennung in der Fernerkundung Mitarbeiterseminar 20.01.2011 (IPF) Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften KIT Universität des Landes Baden-Württemberg
MehrVektormodelle. Universität zu Köln HS: Systeme der maschinellen Sprachverarbeitung Prof. Dr. J. Rolshoven Referentin: Alena Geduldig
Vektormodelle Universität zu Köln HS: Systeme der maschinellen Sprachverarbeitung Prof. Dr. J. Rolshoven Referentin: Alena Geduldig Gliederung Vektormodelle Vector-Space-Model Suffix Tree Document Model
MehrBoole'sches Modell <is web>
Boole'sches Modell basiert auf Mengentheorie und Boole'scher Algebra sehr einfaches Modell mit klarer Semantik Dokumente als Mengen von Indextermen Termgewichte sind binär: im Dokument enthalten oder nicht
MehrAlgorithmische Geometrie 7. Punktsuche
Algorithmische Geometrie 7. Punktsuche JProf. Dr. Heike Leitte Computergraphik und Visualisierung Inhaltsverzeichnis 1. Einführung 2. Konvexe Hülle 3. Schnitte von Liniensegmenten 4. Schnitte planarer
MehrLexikalisch-semantische Disambiguierung mit WordNet
Lexikalische Semantik Lexikalisch-semantische Disambiguierung mit WordNet Conrad Steffens Paper: Rada Mihalcea & Dan I. Moldovan: A Method for Word Sense Disambiguation of Unrestricted Text Lexikalisch-semantische
MehrGEO-INFORMATIONSSYSTEME
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE GEO-INFORMATIONSSYSTEME Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2015/16 Ludwig-Maximilians-Universität
MehrKapitel 31 Bild- und Tonretrieval. HHU Düsseldorf, WS 2008/09 Information Retrieval 483
Kapitel 31 Bild- und Tonretrieval HHU Düsseldorf, WS 2008/09 Information Retrieval 483 Multimedia Information Retrieval Content-based Information Retrieval gesprochene Sprache Musik und weitere Audio-Dokumente
Mehr<Insert Picture Here> Oracle Spatial Die Plattform für Geo-Business-Intelligence. Carsten Czarski ORACLE Deutschland B.V. & Co KG
Oracle Spatial Die Plattform für Geo-Business-Intelligence Carsten Czarski ORACLE Deutschland B.V. & Co KG Oracle: Die offene Geodatenbank Native Datentypen Vektordaten und Rasterdaten
MehrTuning des Weblogic /Oracle Fusion Middleware 11g. Jan-Peter Timmermann Principal Consultant PITSS
Tuning des Weblogic /Oracle Fusion Middleware 11g Jan-Peter Timmermann Principal Consultant PITSS 1 Agenda Bei jeder Installation wiederkehrende Fragen WievielForms Server braucheich Agenda WievielRAM
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrIO Performance in virtualisierten Umgebungen
IO Performance in virtualisierten Umgebungen Bruno Harsch El. Ing. HTL/FH Managing Partner Tel +41 52 366 39 01 bruno.harsch@idh.ch www.idh.ch IDH GmbH Lauchefeld 31 CH-9548 Matzingen 2 Die Firma IDH wurde
MehrBeispielvortrag: HPCG auf Intel Haswell-EP
Beispielvortrag: HPCG auf Intel Haswell-EP Johannes Hofmann 1 Seminarvortrag Architekturen von Multi- und Vielkern-Prozessoren Erlangen, 19.4.2016 1 Computer Architecture, University Erlangen-Nuremberg
MehrIndexstrukturen in XML
Seminar XML und Datenbanken Indexstrukturen in XML Vanessa Schäfer 07.02.2003 Übersicht Einführung Indexstrukturen in XML Ein Vergleich SphinX vs. Lore Zusammenfassung und Ausblick Seminar XML und Datenbanken
MehrReduzierung der Netzwerklast von CEP unter Zuhilfenahme von Datenbanken
Projekt INF Reduzierung der Netzwerklast von CEP unter Zuhilfenahme von Datenbanken Benjamin Braun, Karsten Schatz, Vethiga Srikanthan 27. September 2012 Complex Event Processing (CEP) Techniken, Methoden
MehrP2P DATENBANKEN. Anwendungen 1 WS 2009/2010. Julissa Cusi Juarez. Department Informatik
P2P DATENBANKEN Anwendungen 1 WS 2009/2010 Julissa Cusi Juarez Department Informatik HAW Hamburg 02.12.2009 1 Agenda 1. Motivation 2. Klassische Datenbanksysteme 3. Verteilte Datenbanksysteme 4. Peer to
MehrKapitel 4: Data Mining
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2017 Kapitel 4: Data Mining Vorlesung:
MehrAlgorithmen und Datenstrukturen II
Algorithmen und Datenstrukturen II Algorithmen zur Textverarbeitung III: D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Sommer 2009,
Mehr(query by image content)
Proseminar Multimedia Information-Retrieval-Systeme (query by image content) Das QBIC Projekt 1. Einleitung 1.1 Was ist QBIC 1.2 Wo wird es verwendet 2. QBIC im Detail 2.1 technische Grundlagen 2.2 Aufbau
MehrKapitel 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
MehrAutomatische Verteilung in Pangaea. André Spiegel Freie Universität Berlin
Automatische Verteilung in Pangaea André Spiegel Freie Universität Berlin Einführung Pangaea ist ein System, das zentralisierte Java-Programme automatisch verteilen kann basierend auf statischer Quelltextanalyse
MehrPostgreSQL auf vielen CPUs. Hans-Jürgen Schönig Hans-Jürgen Schönig
PostgreSQL auf vielen CPUs Ansätze zur Skalierung PostgreSQL auf einer CPU Traditionell läuft eine Query auf nur einer CPU Historisch gesehen war das kein Problem Mittlerweile ist das ein großes Problem
MehrRAC auf Sun Cluster 3.0
RAC auf Sun Cluster 3.0 Schlüsselworte RAC, OPS, Sun Cluster, Performance, Availability Zusammenfassung Oracle hat mit dem Real Application Cluster (RAC) aus einer Hochverfügbarkeitslösung eine Höchstverfügbarkeitslösung
MehrCopyright 2013, Oracle and/or its affiliates. All rights reserved.
1 Effiziente Speicherung für SAP Jörn Bartels Architect Oracle Database Server Technologies 2 Oracle 12c Jörn Bartels Architect Oracle Database Server Technologies 3 1997 Effiziente Speicherung für SAP
MehrDatenstrukturen und Algorithmen. 7. Suchen in linearen Feldern
Datenstrukturen und Algorithmen 7. Suchen in linearen Feldern VO 708.031 Suchen in linearen Feldern robert.legenstein@igi.tugraz.at 1 Inhalt der Vorlesung 1. Motivation, Einführung, Grundlagen 2. Algorithmische
MehrCopyright 2013, Oracle and/or its affiliates. All rights reserved.
1 1997 Effiziente Speicherung für SAP 8.0 Jörn Bartels Architect Oracle Database Server Technologies 2 Effiziente Speicherungsformen Ziele Index Komprimierung Index Organized Tables Ergebnisse 3 Ziele
MehrAbschluss Einblick und Ausblick
Abschluss Einblick und Ausblick Prof. Dr. T. Kudraß 1 Benutzer Komponenten eines DBMS (Überblick) I/O-Prozessor Output-Generierung Parser für selbst. oder eingebettete Kommandos Precompiler Autorisierungs-Kontrolle
Mehr!! Waldemar Reger Köln,
Analyse und Evaluierung von Parameterabhängigkeiten anhand der Laufzeit von MapReduce-Jobs zur Konzeptionierung von Hadoop-Clustern Waldemar Reger Köln, 23.07.2014 Agenda 1. Hadoop Grundlagen 2. Cluster
MehrFederated Search: Integration von FAST DataSearch und Lucene
Federated Search: Integration von FAST DataSearch und Lucene Christian Kohlschütter L3S Research Center BSZ/KOBV-Workshop, Stuttgart 24. Januar 2006 Christian Kohlschütter, 24. Januar 2006 p 1 Motivation
MehrAlgorithmen für Routenplanung 11. Vorlesung, Sommersemester 2012 Daniel Delling 6. Juni 2012
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2012 Daniel Delling 6. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrMultimedia 2: Technologien ( ) Angabensammlung
Multimedia 2: Technologien (188.145) Angabensammlung SS 2003 30. Juni 2003 Beispiel 1, Punkte 10.5 (Videoretrieval) a. Beschreiben Sie kurz 3 Werkzeuge für die Inhaltsanzeige (Content Indication) von Video.[2]
MehrGoogle Earth: 3D-Modelle, Formate, Standards
Web 2.0-2 Sommersemester 2007 16.06.2007 Gliederung Allgemeines über Google Earth 1 Allgemeines über Google Earth Möglichkeiten Daten Versionen 2 Allgemeines Möglichkeiten andere 3 Allgemeines Allgemeines
MehrProjektpraktikum MultimediaGrid
Projektpraktikum MultimediaGrid WS 2005/06 Carsten Saathoff Bernhard Tausch Agenda Motivation Aufgaben Zeitplan Vortragsthemen Auswahl des Managements Motivation Grid Wikipedia: Grid computing offers a
MehrEinführung Point Cloud Library
Fakultät Umweltwissenschaften / Professur für Photogrammetrie Professur für Geoinformationssysteme Einführung Point Cloud Library Inhalt 1. Was ist PCL? 2. Was kann PCL? 3. Wie funktioniert PCL? 4. Module
MehrAutoSPARQL. Let Users Query Your Knowledge Base
AutoSPARQL Let Users Query Your Knowledge Base Christian Olczak Seminar aus maschinellem Lernen WS 11/12 Fachgebiet Knowledge Engineering Dr. Heiko Paulheim / Frederik Janssen 07.02.2012 Fachbereich Informatik
MehrErkennung von Kontext aus Sensordaten in einer intelligenten Wohnung
Erkennung von Kontext aus Sensordaten in einer intelligenten Wohnung Jens Ellenberg 12.01.2011 Jens Ellenberg 1 Inhalt Motivation Ziel der Arbeit Vorarbeiten Architektur Vorgehen Zusammenfassung Literatur
MehrMulti-Port-Speichermanager für die Java-Plattform SHAP
Fakultät Informatik Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Multi-Port-Speichermanager für die Java-Plattform SHAP DASS 2008 Martin Zabel, Peter
Mehr4. Algorithmen und Datenstrukturen I Grundlagen der Programmierung 1 (Java)
4. Algorithmen und Datenstrukturen I Grundlagen der Programmierung 1 (Java) Fachhochschule Darmstadt Haardtring 100 D-64295 Darmstadt Prof. Dr. Bernhard Humm FH Darmstadt, 8./15. November 2005 Einordnung
MehrKapitel 11: Association Rules
Kapitel 11: Association Association Einleitung Association : Eine wichtige Art von Mustern, an der man im Data-Mining Kontext interessiert ist. Muster mit einfacher Struktur. Ziel im folgenden: Finden
MehrEinführung. Information Retrieval. IR-Aufgaben. IR in Beispielen. Adhoc-Suche: Web. IR in Beispielen. Was ist IR? Norbert Fuhr
Einführung Information Retrieval Norbert Fuhr 13. Oktober 2011 IR in Beispielen Was ist IR? Daten Information Wissen Dimensionen des IR Rahmenarchitektur für IR-Systeme Adhoc-Suche: Web IR in Beispielen
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
MehrNicht-funktionale Anforderungen
Juristisches IT-Projektmanagement Michael Braun Nicht-funktionale Anforderungen 12.1.2016 Nicht-funktionale Anforderungen 12.1.2016 Folie 1 Unterscheidung Anforderungen an ein Software System Funktionale
MehrA Big Data Change Detection System. Carsten Lanquillon und Sigurd Schacht
A Big Data Change Detection System Carsten Lanquillon und Sigurd Schacht Digitale Transformation in Unternehmen u Umfassende Erfassung, Speicherung und Verfügbarkeit von Daten à Big Data Quelle: Rolland
MehrUsability Metrics. Related Work. Von Torsten Rauschan (torsten.rauschan@haw-hamburg.de) HAW Hamburg M-Inf2 Anwendungen 2 Betreuer: Prof. Dr.
Usability Metrics Related Work Von Torsten Rauschan (torsten.rauschan@haw-hamburg.de) HAW Hamburg M-Inf2 Anwendungen 2 Betreuer: Prof. Dr. Zukunft Agenda Rückblick AW1 Motivation Related work QUIM SUM
MehrKapitel 11* Grundlagen ME. Aufbau eines ME-Systems Entwicklung eines ME-Systems. Kapitel11* Grundlagen ME p.1/12
Kapitel 11* Kapitel11* Grundlagen ME p.1/12 Grundlagen ME Aufbau eines ME-Systems Entwicklung eines ME-Systems Kapitel11* Grundlagen ME p.2/12 Aufbau eines ME-Systems (1) on line Phase digitalisiertes
MehrMulticore Architektur vs. Amdahl`s Gesetz
Fakultätsname Informatik, Professur Technische Informatik Multicore Architektur vs. Amdahl`s Gesetz Dresden, 21.Juli.2010 Motivation Veröffentlichung von IEEE Computer 2008 von Mark D. Hill (University
MehrDatenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15.
Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Indexstrukturen Indexstrukturen insbesondere Mehrdimensionale Indexstrukturen, Ausgedehnte
MehrKapitel 1 Einleitung. Definition: Algorithmus nach M. Broy: aus: Informatik: Eine grundlegende Einführung, Band 1, Springer-Verlag, Berlin
Kapitel 1 Einleitung 1.1. Begriff des Algorithmus Eine der ältesten Beschreibungstechniken für Abläufe: Benannt nach dem Mathematiker Al-Khwarizmi (ca. 780...840), der am Hof der Kalifen von Bagdad wirkte.
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Stefan Werner (Übungen) sowie viele Tutoren Teilnehmerkreis und Voraussetzungen Studiengänge
MehrProgrammierung im Grossen
1 Letzte Aktualisierung: 16. April 2004 Programmierung im Grossen Bertrand Meyer 2 Vorlesung 4: Abstrakte Daten-Typen Übungen 3 Passe die vorhergehende Spezifikation von Stacks (LIFO, Last-In First-Out
MehrAbstandsmessung mit Schall und Funk
Abstandsmessung mit Schall und Funk Steven Fluck (steven@student.ethz.ch) Fachseminar: Verteilte Systeme SS2006 Betreuer: Kay Römer 1 Motivation und Einleitung Die meisten Lokalisierungstechniken basieren
MehrKapitel Andere dynamische Datenstrukturen
Institute of Operating Systems and Computer Networks Algorithms Group Kapitel 4.8-4.11 Andere dynamische Datenstrukturen Algorithmen und Datenstrukturen Wintersemester 2017/2018 Vorlesung#13, 12.12.2017
MehrTH Köln Institute of Agricultural Engineering and Renewable Energies. TU-Dresden Chair of Agricultural Systems and Technology
TH Köln Institute of Agricultural Engineering and Renewable Energies TU-Dresden Chair of Agricultural Systems and Technology Contributing Project Partners: Slide 1 AGENDA 1. Complexity of AG Processes
MehrVorlesung 4 BETWEENNESS CENTRALITY
Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/
MehrInfrastrukturanalyse Ihr Weg aus dem Datenstau
Waltenhofen * Düsseldorf * Wiesbaden Infrastrukturanalyse Ihr Weg aus dem Datenstau SCALTEL Webinar am 20. Februar 2014 um 16:00 Uhr Unsere Referenten Kurze Vorstellung Stefan Jörg PreSales & Business
MehrExalytics - Deep dive with OBIEE, Timesten and Essbase
Exalytics - Deep dive with OBIEE, Timesten and Essbase Renate Wendlik Senior DWH Consultant Matthias Fuchs DWH Architekt ISE Information Systems Engineering GmbH Agenda Einleitung Exalytics Konfiguration
MehrInteraktive Simulation von Menschenmengen mittels Virtueller Welten
Interaktive Simulation von Menschenmengen mittels Virtueller Welten Prof. Sergei Gorlatch Alexander Ploss, Frank Glinka, Allaithy Raed Arbeitsgruppe Parallele und Verteilte Systeme Projektseminar WS 08/09
MehrHigh Level-Synthese eines Keypoint-Detection- Algorithmus für FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Belegarbeit High Level-Synthese eines Keypoint-Detection- Algorithmus für FPGAs Max
Mehr... Text Clustern. Clustern. Einführung Clustern. Einführung Clustern
Clustern Tet Clustern Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so daß: Beispiele innerhalb eines Clusters sich sehr ähnlich Beispiele in verschiedenen Clustern
MehrWebLogic Server im Zusammenspiel mit Real Application Cluster
WebLogic Server im Zusammenspiel mit Real Application Cluster Michael Bräuer Leitender Systemberater Sylvie Lübeck Leitende Systemberaterin ORACLE Deutschland B.V. & Co. KG The following is intended to
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrFelder. November 5, 2014
Felder Universität Bielefeld AG Praktische Informatik November 5, 2014 Felder: Datenstrukturen mit konstantem Zugriff Felder nennt man auch, Vektoren, Matrizen,... Konstanter Zugriff heisst: Zugriff auf
MehrKontextbasiertes Information Retrieval
Kontextbasiertes Information Retrieval Modell, Konzeption und Realisierung kontextbasierter Information Retrieval Systeme Karlheinz Morgenroth Lehrstuhl für Medieninformatik Fakultät Wirtschaftsinformatik
MehrFortgeschrittene Routenplanung. Transportnetzen. Advanced Route Planning in Transportation Networks
Fortgeschrittene Routenplanung in Transportnetzen Advanced Route Planning in Transportation Networks Dissertationsvortrag von Dipl.-Inform. Robert Geisberger 1 KIT Robert Universität Geisberger: des Landes
MehrData Warehousing. Sommersemester Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2004 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
MehrBeschleunigung von Bild-Segmentierungs- Algorithmen mit FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Algorithmen mit FPGAs Vortrag von Jan Frenzel Dresden, Gliederung Was ist Bildsegmentierung?
MehrErgebnisse: Middleware für Sensor-Netzwerke
Ergebnisse: Middleware für Sensor-Netzwerke Jan Blumenthal, Dirk Timmermann Universität Rostock SPP 1140 - DFG Jahreskolloquium 2003 Frankfurt/Main, 25. November 2003 Gliederung Arbeitsbericht Positionsbestimmung
MehrRanking by Reordering Tobias Joppen
Ranking by Reordering Tobias Joppen 09.07.2014 Fachbereich Informatik Knowledge Engineering Prof. Johannes Fürnkranz 1 Überblick Einleitung Rank-differential Methode Idee Problemdefinition Beispiel Vereinfachung
MehrMeteorological measurements at the Offshore Platform FINO 2 - new insights -
FINO 2011 Conference May 11 th 2011, Hamburg, Germany Meteorological measurements at the Offshore Platform FINO 2 - new insights - Dipl.-Geoök. Stefan Müller, Dipl.-Ing Joachim Schwabe Content 1. FINO
MehrÜberblick. Seminar Beauty is our Business Tipps zur Ausarbeitung. 12.7.2007 Felix Naumann
Seminar Beauty is our Business Tipps zur Ausarbeitung 12.7.2007 Felix Naumann Überblick 2 Organisatorisches Tipps zur Ausarbeitung Literatur Ihre Gliederungen 1 Organisatorisches 3 Heute letzter Termin
MehrKollaboratives Editieren von XML-Dokumenten in P2P-Systemen
Seminar-Ringvorlesung Kollaboratives Editieren von XML-Dokumenten in P2P-Systemen Hamburg, 19. Januar 2007 Übersicht Einführung Szenario Themenbereiche Vergleich mit existierenden Projekten Weiteres Vorgehen
MehrDatenstrukturen und Algorithmen D-INFK
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik Peter Widmayer
MehrMehrwegbäume Motivation
Mehrwegbäume Motivation Wir haben gute Strukturen (AVL-Bäume) kennen gelernt, die die Anzahl der Operationen begrenzen Was ist, wenn der Baum zu groß für den Hauptspeicher ist? Externe Datenspeicherung
MehrMultimedia-Datenbanken im SS 2010 Effiziente Algorithmen und Datenstrukturen II
Multimedia-Datenbanken im SS 2010 Effiziente und Datenstrukturen II Dr.-Ing. Marcin Grzegorzek 05.07.2010 Inhalte und Termine 1. Einführung in MMDB 1.1 Grundlegende Begriffe 1.2 Suche in einem MMDBS 1.3
MehrSeminar im Sommersemester 2004 an der Universität Karlsruhe (TH)
Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian
MehrSemantische Reputationsinteroperabilität
Semantische sinteroperabilität Adrian Paschke (CSW) und Rehab Alnemr (HPI) Corporate Semantic Web Workshop, Xinnovations 2010, 14. September 2010, Berlin Agenda Motivation Unternehmensreputation Probleme
MehrDicomStar. DicomStar. Dateien. True IT Solutions For You
DicomStar DicomStar Ein Google für DICOM-Dateien Dateien Motivation... Sie brauchen bestimmte DICOM-Bilder und DICOM-Dateien...... Das Finden der Bilder in Archiven dauert lange...... Sie müssen spezielle
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 11 (4.6.2014) Binäre Suchbäume II Algorithmen und Komplexität Binäre Suchbäume Binäre Suchbäume müssen nicht immer so schön symmetrisch sein
MehrCloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann
Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Adam Stambulski Project Manager Viessmann R&D Center Wroclaw Dr. Moritz Gomm Business Development Manager Zühlke Engineering
MehrDeclarative Data Cleaning
Declarative Data Cleaning Vortragsgrundlage: Helena Galhardas, Daniela Florescu, Dennis Shasha, Eric Simon, Cristian Augustin Saita: Declarative Data Cleaning: Language, Model, and Algorithms, in VLDB
MehrSpatial Data Management for Virtual Product Development
Seminar Sommersemester 06 Spatial Data Management for Virtual Product Development Maik Siegemund Otto-von-Guericke Universität Magdeburg Gliederung Einleitung Digital Mockup CAD Datenbanksysteme Repräsentation
MehrCITRA-Forum. Nutzen Sie das Potential all Ihrer Daten: Geodata Warehouse mit der Oracle Plattform. CITRA-Forum im Schloß 2009
Nutzen Sie das Potential all Ihrer Daten: Geodata Warehouse mit der Oracle Plattform im Schloß 2009 Sinzig, 15.09.2009 Carsten Czarski, Oracle Deutschland GmbH Agenda Geodaten gestern, heute, morgen Geo-DWH
MehrEntwurf eines FPGA-Cores zur Simulationsbeschleunigung zeitkontinuierlicher Modelle im HiL Kontext
Entwurf eines FPGA-Cores zur Simulationsbeschleunigung zeitkontinuierlicher Modelle im HiL Kontext Till Fischer 03.11.2011 FZI Forschungszentrum Informatik Embedded Systems & Sensors Engineering (ESS)
MehrKommissionierung unter Nebenbedingungen aus der Praxis
Kommissionierung unter Nebenbedingungen aus der Prais Konstantin Behne, Jürgen Branke Institut Karlsruhe Institute of Technology Michael Gräf, Christian Schmidt Karlsruhe Projektbüro KIT 2 March, 2008
MehrDependency-Based Construction of Semantic Space Models ( Padó, Lapata 2007) Distributionelle Semantik WS 11/
Dependency-Based Construction of Semantic Space Models ( Padó, Lapata 2007) Distributionelle Semantik WS 11/12 21.11.2011 Lena Enzweiler 1 Was ist das Problem? Wortbasierte Vektormodelle betrachten nur
MehrRavenDB, schnell und skalierbar
RavenDB, schnell und skalierbar Big Data & NoSQL, Aydin Mir Mohammadi bluehands GmbH & Co.mmunication KG am@bluehands.de Immer mehr Mehr Performance Mehr Menge Mehr Verfügbarkeit Skalierung http://www.flickr.com/photos/39901968@n04/4864698533/
MehrÜberblick. Zeit Motivation Network Time Protocol (NTP) Logische Uhren. c td VS (SS16) Zeit 9 1
Überblick Zeit Motivation Network Time Protocol (NTP) Logische Uhren c td VS (SS16) Zeit 9 1 Motivation Zeit als Mittel zur Reihenfolgebestimmung (Beispiele) Erkennung von Modifikationen an Dateien (z.
MehrInformation Retrieval in P2P-Netzen
Information Retrieval in P2P-Netzen Vorstellung der Vortragsthemen zum Seminar Henrik Nottelmann 30. Oktober 2003 Henrik Nottelmann 1/21 Grundstruktur A) Filesharing-Systeme (3 Themen) B) Zugriffsstrukturen
MehrKap. 14: Ähnlichkeitssuche in Bilddatenbanken
Kap. 14: Ähnlichkeitssuche in Bilddatenbanken Motivation Ähnlichkeit zwischen zwei Bildern Nächste-Nachbar Suchproblem und Indexstrukturen Komplexe Anfragen Verbesserung des Retrievals durch Relevanz Feedback
MehrÜbung Datenbanksysteme II Physische Speicherstrukturen. Maximilian Jenders. Folien basierend auf Thorsten Papenbrock
Übung Datenbanksysteme II Physische Speicherstrukturen Maximilian Jenders Folien basierend auf Thorsten Papenbrock Organisatorisches: Übung Datenbanksysteme II 2 Übung Maximilian Jenders (Maximilian.Jenders@hpi.de)
MehrComputer Vision: AdaBoost. D. Schlesinger () Computer Vision: AdaBoost 1 / 10
Computer Vision: AdaBoost D. Schlesinger () Computer Vision: AdaBoost 1 / 10 Idee Gegeben sei eine Menge schwacher (einfacher, schlechter) Klassifikatoren Man bilde einen guten durch eine geschickte Kombination
MehrClustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
Mehr