Semantik komparierter Adjektive
|
|
- Thomas Meissner
- vor 7 Jahren
- Abrufe
Transkript
1 Semantik komparierter Adjektive Seminar Relationale Grammatik CIS, WS 2009/10 Hans Leiß Universität München Centrum für Informations- und Sprachverarbeitung
2 Die Semantik von Adjektiven bei Böttner Erinnerung: Klassifikatorische Adjektive (CA) Klassifikatorische Adjektive, z.b. Farb- und Formadjektive, können nicht (oder schlecht) kompariert werden, bezeichnen eine Eigenschaft von Individuen Sie haben in der Peirce-Algebra den Typ set. Prädikativ: S -> NP CopV CA (E(ProdS(NP,CA))) Attributiv: N -> CA CN (ProdS(CA,CN)) Die Reihenfolge mehrerer CA-Attribute hat keine Auswirkung: weißes rundes Blatt = rundes weißes Blatt
3 Intensive Adjektive (IA) Intensive Adjektive, z.b. klein, alt, hoch, können kompariert werden, können absolut (IApos: ist klein) und relativ (IAcomp: ist kleiner als) gebraucht werden, bezeichnen eine (partielle) Ordnung zwischen Individuen. Sie haben in der Peirce-Algebra den Typ rel. Prädikativ absolut: S -> PN CopV IA Prädikativ relativ: S -> PN CopV IA als PN Attributiv absolut: (E(ProdS(PN,PreIm(IA,{c})))) (E(ProdS(IA,PN1 x PN2))) N -> IApos CN (ProdS(CN,PreIm(IA,{c}))
4 Problem der IApos-Semantik von Böttner Böttner interpretiert absolut gebrauchte IA als Eigenschaften: ist klein = ist kleiner als das Standardelement c Problematisch an diesem IApos = PreIm(IA,{c}) ist: 1. das Standardelement muß von der Vergleichsrelation abhängen ( normal alt normal groß ), aber die Regeln benutzen ein von IA unabhängiges c, 2. das Modell muß für jede benannte Vergleichsrelation und jede definierbare Menge ein Standardelement c = c IA,N vorgeben: kleiner Hund kleiner weißer Elephant Damit wird selbst ein endliches Modell kaum noch definierbar!
5 Alternative Semantik der IA Wir wollen eine Semantik der IApos implementieren, die 1. die IApos über die Vergleichsrelation IAcomp gewinnt, 2. nicht auf der Existenz von Standardelementen beruht, 3. in nicht-monotoner Weise auf Begleitnomen relativierbar ist: a) IA CN CN, z.b. kleiner Hund Hund, b) CN 1 CN 2 IA CN 1 IA CN 2, da z.b. Elephant Tier kleiner Elephant kleines Tier 4. extensional ist und daher nicht geeignet für dimensionale Adjektive: Betrüger Mensch, aber: guter Betrüger = gut als Betrüger guter Mensch Wegen 3.a) ist die Semantik nicht geeignet für intensionale A.: vermeintlicher Betrüger Betrüger
6 Grundidee 1: Relativierung einer Ordnung Relativiere eine globale Ordnung < U auf Mengen N U zu < N := < U N N Das geht bei allen partiellen Ordnungen, die mit einer Abbildung : U S auf eine Skala (S, 0, < S ) definiert sind, also durch a < U b : 0 S a < S b, auch wenn sie in der Peirce-Algebra nur als < U : rel gegeben sind. Das heißt: kleines N = klein unter den N Ameisen kleine große kleine Tiere Elephanten kleine große große Tiere R
7 Grundidee 2: Halbierung einer Ordnung Die Menge der bzgl. < intuitiv kleinen Elemente von N berechnen wir (ohne ein Standardelement c N) rekursiv nach folgender Intuition: kein <-maximales Element von N ist klein, aber von den anderen sind alle <-minimalen Elemente von N klein, ist N die Menge der nicht-maximalen und nicht-minimalen Elementen von N, so sind die kleinen Elemente von N auch kleine Elemente von N. De facto berechnen wir rekursiv eine Teilrelation von < N, den unteren Teil <N u von < N, und nehmen dann das Urbild von N unter dieser Relation: kleine N := < N u : N
8 Berechnung in PA? Beachte: die Relativierung von A:rel auf N:set kann in der Peirce-Algebra durch A N N erfolgen, wobei A B := A c (B c ) = (A 1) (1 B) eine Relation A ist eine partielle Ordnung, falls I A A ; A A A A I die Berechung des unteren Teils von A:rel ist in einer Peirce-Algebra nicht möglich, da rekursive Berechnungen nicht vorgesehen sind! Aber: für endliches U terminiert in P(U) jede rekursive Berechnung entlang der Inklusion auf rel oder set.
9 Definition von R u = minor(r:rel):rel Der untere Teil < u einer (beliebigen!) Relation < sei (rekursiv):, falls R (R : 1 R : 1) minor(r) := R (R : 1 R : 1) minor(r (R : 1 R : 1)), sonst, wobei R : 1 = Urbildbereich von R, R : 1 = Bildbereich von R Also: minor(r) enthält (i) alle von R-minimalen Elementen ausgehenden R-Kanten, und (ii) minor(r Bild Urbild) Beispiele minor(kreis) = = minor(clique) minor{ a, b, b, c, c, d } = { a, b } minor{ b, c } = { a, b } ({ b, c } minor( )) = { a, b, b, c } minor(< N ) = {0} N minor(< N >0 ) =... (divergiert)
10 Berechnung des unteren Teils von R:rel Wir haben in der Signatur PEIRCE schon eine Operation val Minor : rel -> rel vorgesehen, die in der Konstruktion von P(U) so definiert wird: fun Minor(R) = let val domain = PreIm(R,UnitS) val range = PreIm(Conv R,UnitS) val S = ProdR(R,Cart(range,domain)) in if Set.size(R) = Set.size(S) then ZeroR else SumR(ProdR(R,Cart(CompS range,range)),minor(s)) end
11 Ebenso haben wir in PEIRCE schon eine Operation val Tc : rel -> rel zur Bildung der transitiven Hülle einer Relation vorgesehen, die in Peirce : UNIVERSUM -> PEIRCE rekursiv definiert ist: fun Tc(R) = let val T = SumR(Prod(R,R),R) in if Set.size(T) = Set.size(R) then R else Tc(T) end Beachte: Tc(R) und Minor(R) terminieren in P(U) mit endlichem R U U, sonst i.a. nicht.
12 Proposition(?): Für endliche R ist minor(r + ) : 1 = minor(r) : 1 Dann braucht man bei den IA im Lexikon die transitive Hülle nicht! Beweis: Nach Definition ist a minor(r) : 1 a ist R-minimal a minor(r Bild(R) Urbild(R)) : 1 Wegen Ur/Bild(R + ) = Ur/Bild(R) und R + -minimal = R-minimal bleibt für M(R) := Bild(R) Urbild(R) zu zeigen: minor(r M(R)) : 1 = minor(r + M(R)) : 1 Wegen (R M(R))-minmal = (R + M(R))-minimal bleibt z.z. minor(r M(R) M(R M(R)) : 1 = minor(r + M(R) M(R M(R)) : 1
13 Beispiel < Tiere PA-GLR-R31/pg3.sml structure Tiere = Peirce( datatype element = a1 a2 a3 (* Ameisen *) e1 e2 e3 e4 (* Elephanten *) h1 h2 h3 h4 (* Hunde *) val elements = [a1,a2,a3,h1,h2,h3,h4,e1,e2,e3,e4] exception NoValue fun ConS "arbeiten" = [a1,a2] ConS "gesund" = [a1,a3,e2,e3,h1,h4] ConS "Ameise" = [a1,a2,a3] ConS "Elephant" = [e1,e2,e3,e4] ConS "Hund" = [h1,h2,h3,h4] ConS "weiß" = [a1,a2,e1,e2,h1,h3,h4] ConS "Tier" = elements ConS = raise NoValue
14 Beispiel (Forts.) PA-GLR/pg3.sml fun ConR "größer" = [(e4,e2),(e3,e2),(e2,e1), (* partiell *) (h4,h3),(h3,h2),(h2,h1), (a3,a2),(a2,a1), (* total *) (e1,h4),(h1,a3)] ConR "kleiner" = map (fn (x,y) => (y,x)) (ConR "größer") ConR = raise NoValue ) structure NL3 : PARSE = Parse(structure Algebra = Tiere) Hier wurde nur das Hasse-Diagramm R R 2 angegeben; im Lexikon wird zur transitiven Hülle R = (R R 2 ) + übergegangen, mit A.Tc der Peirce-Algebra Tiere.
15 Erweiterung der Grammatik fun Dom(r) = PreIm(r,UnitS) fun Cart(s1,s2) = ProdR(Cylin s1,conv(cylin s2)) fun MinorS(s,r) = Dom(Minor(ProdR(r,Cart(s,s)))) %% %term... CA of set IA of rel IAcomp of rel als %% AP : CA (CA) (* R4 *) IAcomp UQ N (Exp(IAcomp,N )) (* R26 *) IAcomp EQ N (PreIm(IAcomp,N )) (* R27 *) IAcomp NQ N (CompS(PreIm(IAcomp,N ))) (* R28 *) N : CN (CN) (* R6a *)... CA N (ProdS(CA,N )) (* R29 *) IA N (MinorS(N,IA)) (* R31a *)
16 Erweiterung des Lexikons fun CN s t = ([T.CN(A.ConS s,!line,!line)],t) fun IA r t = ([T.IA(A.ConR r,!line,!line)],t) fun IAcomp r t = ([T.IAcomp(A.Tc(A.ConR r),!line,!line)],t) %% "älter" => (IAcomp "älter" yytext); "größer" => (IAcomp "größer" yytext); "kleiner" => (IAcomp "kleiner" yytext); ("alt" "alter" "alte" "altes") => (IA "älter" yytext); ("groß" "großer" "große" "großes") => (IA "größer" yytext); ("klein" "kleiner" "kleine" "kleines") => (IA "kleiner" yytext); "Ameise" "Ameisen" => (CN "Ameise" yytext); "Hund" "Hunde" => (CN "Hund" yytext); "Elephant" "Elephanten" => (CN "Elephant" yytext); "Tier" "Tiere" => (CN "Tier" yytext);
17 PA-GLR-R31/pg3.cm Group structure NL3 is pg3.sml pg.parse.cm
18 - CM.make "pg3.cm"; IA1 IA2 CN IA2 IA1 CN: Auswertungsbeispiele - NL3.evals "kleines Tier"; Absyn: (minor(kleiner. (Tier x Tier)) : 1) val it = [un (Set [h2,h1,a3,a2,a1])] - NL3.evals "großes Tier"; Absyn: (minor(größer. (Tier x Tier)) : 1) val it = [un (Set [h3,h4,e1,e2,e4,e3])] - NL3.evals "kleines großes Tier"; Absyn: (minor(kleiner. ((minor(größer. (Tier x Tier)) :1) x (minor(größer. (Tier x Tier)) : 1))) :1) val it = [un (Set [h4,h3])] - NL3.evals "großes kleines Tier"; val it = [un (Set [h1,h2])] : NL3.Semantics.value list
19 CA IA CN IA CA CN: - NL3.evals "kleine Hund"; Absyn: (minor(kleiner. (Hund x Hund)) : 1) val it = [un (Set [h2,h1])] : NL3.Semantics.value list - NL3.evals "weiße Hund"; Absyn: (weiß. Hund) val it = [un (Set [h4,h3,h1])] : NL3.Semantics.value list - NL3.evals "weiße kleine Hund"; Absyn: (weiß. (minor(kleiner. (Hund x Hund)) : 1)) val it = [un (Set [h1])] : NL3.Semantics.value list - NL3.evals "kleine weiße Hund"; Absyn: (minor(kleiner. ((weiß. Hund) x (weiß. Hund))) : val it = [un (Set [h3])] : NL3.Semantics.value list
20 CN 1 CN 2 CA CN 1 CA CN 2 : - NL3.evals "jede Ameise ist ein Tier"; Absyn: 1 = (-Ameise + Tier) val it = [nu true] : NL3.Semantics.value list - NL3.evals "jede große Ameise ist ein großes Tier"; Absyn: 1 = (-(minor(größer. (Ameise x Ameise)) : 1) + (minor(größer. (Tier x Tier)) : 1)) val it = [nu false] : NL3.Semantics.value list - NL3.evals "jede kleine Ameise ist ein kleines Tier"; Absyn: 1 = (-(minor(kleiner. (Ameise x Ameise)) : 1) + (minor(kleiner. (Tier x Tier)) : 1)) val it = [nu true] : NL3.Semantics.value list - NL3.evals "jede große Ameise ist ein kleines Tier"; Absyn: 1 = (-(minor(größer. (Ameise x Ameise)) : 1) + (minor(kleiner. (Tier x Tier)) : 1)) val it = [nu true] : NL3.Semantics.value list
21 Undokumentiert In PA-GLR-R31 sind neben den hier angedeuteten Dateien pg.lex, pg.glr, pg3.cm, pg.parse.cm auch entsprechende pg-num.lex, pg-num.glr, pg3-num.cm, pg-num.parse.cm angelegt, die in Grammatik und Lexikon Unterschiede im Numerus vorsehen. Das ist aber nicht bei allen Kategorien durchgeführt (z.b. nicht bei Qu und N.) Das ersetzt das Verzeichnis PA-GLR-R31-Num. In PA-GLR-R31-NumKas waren entsprechende Unterschiede für Numerus und Kasus angelegt; allerdings ist das ziemlich unzureichend: Da der Lexer nur den ersten Match an den Parser liefert, muß man pro Wortform eine Liste aller Lesarten angeben, nicht jede Lesart separat als Einerliste!
Verarbeitung unendlicher Datenstrukturen Jetzt können wir z.b. die unendliche Liste aller geraden Zahlen oder aller Quadratzahlen berechnen:
Verarbeitung unendlicher Datenstrukturen Jetzt können wir z.b. die unendliche Liste aller geraden Zahlen oder aller Quadratzahlen berechnen: take 1 0 ( f i l t e r ( fn x => x mod 2=0) nat ) ; val it =
Allgemeine Hinweise: TECHNISCHE UNIVERSITÄT MÜNCHEN. Name Vorname Studiengang Matrikelnummer. Hörsaal Reihe Sitzplatz Unterschrift
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen WS 2008/09 Einführung in die Informatik 2 Klausur Prof. Dr. Helmut Seidl, T. M. Gawlitza, S. Pott,
Abschnitt 3: Mathematische Grundlagen
Abschnitt 3: Mathematische Grundlagen 3. Mathematische Grundlagen 3.1 3.2 Induktion und Rekursion 3.3 Boolsche Algebra Peer Kröger (LMU München) Einführung in die Programmierung WS 14/15 48 / 155 Überblick
Programmierung 1 (Wintersemester 2015/16) Wiederholungstutorium Lösungsblatt 11 (Parser II)
Fachrichtung 6.2 Informatik Universität des Saarlandes Tutorenteam der Vorlesung Programmierung 1 Programmierung 1 (Wintersemester 2015/16) Wiederholungstutorium Lösungsblatt 11 (Parser II) Hinweis: Dieses
Lösungvorschlag zum Übungsblatt 6: Software-Entwicklung I (WS 2007/08)
Prof. Dr. A. Poetzsch-Heffter Dipl.-Inform. J. O. Blech Dipl.-Inform. M. J. Gawkowski Dipl.-Inform. N. Rauch TU Kaiserslautern Fachbereich Informatik AG Softwaretechnik Lösungvorschlag zum Übungsblatt
Diskrete Strukturen Kapitel 2: Grundlagen (Relationen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
Strukturelle Rekursion und Induktion
Kapitel 2 Strukturelle Rekursion und Induktion Rekursion ist eine konstruktive Technik für die Beschreibung unendlicher Mengen (und damit insbesondere für die Beschreibung unendliche Funktionen). Induktion
Programmierung 1 (Wintersemester 2015/16) Lösungsblatt: Aufgaben für die Übungsgruppen: 12 (Kapitel 13)
Fachrichtung 6.2 Informatik Universität des Saarlandes Tutorenteam der Vorlesung Programmierung 1 Programmierung 1 (Wintersemester 2015/16) Lösungsblatt: Aufgaben für die Übungsgruppen: 12 (Kapitel 13)
Abschnitt 3: Mathematische Grundlagen
Abschnitt 3: Mathematische Grundlagen 3. Mathematische Grundlagen 3.1 3.2 Boolsche Algebra 3.3 Induktion und Rekursion Peer Kröger (LMU München) Einführung in die Programmierung WS 16/17 46 / 708 Überblick
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK WS 11/12 Einführung in die Informatik II Übungsblatt 2 Univ.-Prof. Dr. Andrey Rybalchenko, M.Sc. Ruslán Ledesma Garza 8.11.2011 Dieses Blatt behandelt
Programmierung 1 - Repetitorium
WS 2002/2003 Programmierung 1 - Repetitorium Andreas Augustin und Marc Wagner Homepage: http://info1.marcwagner.info Donnerstag, den 10.04.03 Kapitel 7 Korrektheit 7.1 Abstrakte Prozeduren Abstrakte Prozedur
WS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
Berechnungsschemata: Funktion als Parameter abstrahiert Operation im Schema, wird bei Aufruf des Schemas konkretisiert
6. Funktionen als Daten, Übersicht Orthogonales Typsystem: Funktionen sind beliebig mit anderen Typen kombinierbar Notation für Funktionswerte (Lambda-Ausdruck): fn (z,k) => z*k Datenstrukturen mit Funktionen
Lemma Für jede monotone Grammatik G gibt es eine kontextsensitive
Lemma Für jede monotone Grammatik G gibt es eine kontextsensitive Grammatik G mit L(G) = L(G ). Beweis im Beispiel (2.): G = (V,Σ, P, S) : P = {S asbc, S abc, CB BC, ab ab, bb bb, bc bc, cc cc}. (i) G
2.5 Listen. Kurzschreibweise: [42; 0; 16] Listen werden mithilfe von [] und :: konstruiert.
2.5 Listen Listen werden mithilfe von [] und :: konstruiert. Kurzschreibweise: [42; 0; 16] # let mt = [];; val mt : a list = [] # let l1 = 1::mt;; val l1 : int list = [1] # let l = [1;2;3];; val l : int
Programmieren für Fortgeschrittene
Technische Universität Braunschweig Dr. Werner Struckmann Institut für Programmierung und Reaktive Systeme Wintersemester 2011/12 Programmieren für Fortgeschrittene Rekursive Spezifikationen Die folgende
Technische Universität München WS 2004/2005 Fakultät für Informatik 11. Dezember 2004 Prof. Dr. Seidl
Name: Vorname: Matr. Nr.: Technische Universität München WS 2004/2005 Fakultät für Informatik 11. Dezember 2004 Prof. Dr. Seidl Zwischenklausur zu Einführung in die Informatik I Hinweis: In dieser Zwischenklausur
Kapitel 2 Mathematische Grundlagen
Kapitel 2 Mathematische Grundlagen Ziel: Einführung/Auffrischung einiger mathematischer Grundlagen 2.1 Mengen, Relationen, Ordnungen Definition: Eine Menge ist eine Zusammenfassung von wohlbestimmten und
Was bisher geschah Chomsky-Hierarchie für Sprachen: L 0 Menge aller durch (beliebige) Grammatiken beschriebenen Sprachen L 1 Menge aller monotonen
Was bisher geschah Chomsky-Hierarchie für Sprachen: L 0 Menge aller durch (beliebige) Grammatiken beschriebenen Sprachen L 1 Menge aller monotonen (Kontextsensitive) Sprachen L 2 Menge aller kontextfreien
Programmierung und Modellierung
Programmierung und Modellierung Terme, Suchbäume und Pattern Matching Martin Wirsing in Zusammenarbeit mit Moritz Hammer SS 2009 2 Inhalt Kap. 7 Benutzerdefinierte Datentypen 7. Binärer Suchbaum 8. Anwendung:
Mathematische Grundlagen der Computerlinguistik Relationen und Funktionen
Mathematische Grundlagen der Computerlinguistik Relationen und Funktionen Dozentin: Wiebke Petersen 2. Foliensatz Wiebke Petersen math. Grundlagen 20 n-tupel und Cartesisches Produkt Mengen sind ungeordnet,
Formale Methoden 1. Gerhard Jäger 12. Dezember Uni Bielefeld, WS 2007/2008 1/22
1/22 Formale Methoden 1 Gerhard Jäger Gerhard.Jaeger@uni-bielefeld.de Uni Bielefeld, WS 2007/2008 12. Dezember 2007 2/22 Bäume Baumdiagramme Ein Baumdiagramm eines Satzes stellt drei Arten von Information
WS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
Diskrete Strukturen Kapitel 2: Grundlagen (Beweise)
WS 2014/15 Diskrete Strukturen Kapitel 2: Grundlagen (Beweise) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_14
Vorsicht bei redundanten und unvollständigen Matches!
Vorsicht bei redundanten und unvollständigen Matches! # let n = 7;; val n : int = 7 # match n with 0 -> "null";; Warning: this pattern-matching is not exhaustive. Here is an example of a value that is
Informatik I WS 07/08 Tutorium 24
Info I Tutorium 24 Informatik I WS 07/08 Tutorium 24 3.2.07 astian Molkenthin E-Mail: infotut@sunshine2k.de Web: http://infotut.sunshine2k.de Organisatorisches / Review is zum 2.2 müssen alle Praxisaufgaben
Rela%onale Gramma%k Katerina Krejcirikova
Rela%onale Gramma%k 25.01.2010 Katerina Krejcirikova 1 Überblick Koordina%on: 1. Koordina%on im Bezug auf Singular/Plural 2. Koordina%on von Eigennamen 3. Koordina%on von Gemeinnamen 4. Gemischte Koordina%on
Funktionale Programmierung Teil 2 Methodik: Spezifikation, Implementierung, Verifikation
Grundlagen der Programm- und Systementwicklung Funktionale Programmierung Teil 2 Methodik: Spezifikation, Implementierung, Verifikation Technische Universität München Institut für Informatik Software &
Spezifikation in Datalog:
Spezifikation in Datalog: darf_hinzufügen (X,W) :- editiert (Z,W), hat_mitglied (Z,X). darf_löschen (X,E) :- besitzt (X,E). darf_modifizieren (X,E) :- besitzt (X,E). darf_modifizieren (X,E) :- besitzt
2.2.2 Semantik von TL. Menge der Domänen. Zu jedem Typ gibt es eine Menge von möglichen Denotationen der Ausdrücke dieses Typs.
2.2.2 Semantik von TL Menge der Domänen Zu jedem Typ gibt es eine Menge von möglichen Denotationen der Ausdrücke dieses Typs. Diese Menge wird Domäne des betreffenden Typs genannt. Johannes Dölling: Formale
Diskrete Strukturen Kapitel 2: Grundlagen (Mengen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
Unterspezifikation in der Semantik Hole Semantics
in der Semantik Hole Semantics Laura Heinrich-Heine-Universität Düsseldorf Wintersemester 2011/2012 Idee (1) Reyle s approach was developed for DRT. Hole Semantics extends this to any logic. Distinction
1.4 Die Ackermannfunktion
a : N 2 N : Beispiele: a(0, y) = y + 1, a(x, 0) = a(x 1, 1), x > 0, a(x, y) = a(x 1, a(x, y 1)), x, y > 0. Beh.: a(1, y) = y + 2 Bew. durch Induktion über y: a(1, 0) = a(0, 1) = 2 = 0+2. a(1, y + 1) =
Theoretische Informatik SS 03 Übung 3
Theoretische Informatik SS 03 Übung 3 Aufgabe 1 a) Sind die folgenden Funktionen f : partiell oder total: f(x, y) = x + y f(x, y) = x y f(x, y) = x y f(x, y) = x DIV y? Hierbei ist x DIV y = x y der ganzzahlige
Mathematische Grundlagen der Computerlinguistik Relationen und Funktionen
Mathematische Grundlagen der Computerlinguistik Relationen und Funktionen Dozentin: Wiebke Petersen 2. Foliensatz Wiebke Petersen math. Grundlagen 25 n-tupel und Cartesisches Produkt Mengen sind ungeordnet,
Statt (r s) schreiben wir in Zukunft meistens rs, gelegentlich auch (r; s).
14 2 REGULÄRE AUSDRÜCKE 2 Reguläre Ausdrücke Wir wollen (i.a. unendliche) Sprachen mit endlichen Mitteln darstellen, z.b. durch Grammatiken, nach denen die Sätze der Sprache gebildet werden dürfen. Es
Musterlösung 11.Übung Mathematische Logik
Lehr- und Forschungsgebiet Mathematische Grundlagen der Informatik RWTH Aachen Prof. Dr. E. Grädel, F. Reinhardt SS 2015 Aufgabe 2 Musterlösung 11.Übung Mathematische Logik Geben Sie für die folgenden
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
Lösung Probeklausur Informatik I
Lösung Probeklausur Informatik I 1 Lösung Aufgabe 1 (5 Punkte) Algorithmen und Programme Was ist der Unterschied zwischen einem Algorithmus und einem Programm? Ein Algorithmus ist eine Vorschrift zur Durchführung
Grundlagen von Datenbanken SS 2010
Grundlagen von Datenbanken SS 2010 6. Tupelkalkül und relationale Vollständigkeit Prof. Dr. Stefan Böttcher Universität Paderborn mit Material von Prof. Dr. Gregor Engels Grundlagen von Datenbanken - SS
Vorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
Formale Methoden in der Informatik Wiederholung klassische Logik Konkrete Datentypen (algebraische Strukturen) Abstrakte Datentypen
Was bisher geschah Formale Methoden in der Informatik Wiederholung klassische Logik Konkrete Datentypen (algebraische Strukturen) Abstrakte Datentypen Syntax: Signatur Semantik: Axiome (FOL-Formeln, meist
Einführung in die Informatik 2
Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,
Kapitel MK:IV. IV. Modellieren mit Constraints
Kapitel MK:IV IV. Modellieren mit Constraints Einführung und frühe Systeme Konsistenz I Binarization Generate-and-Test Backtracking-basierte Verfahren Konsistenz II Konsistenzanalyse Weitere Analyseverfahren
Lösungen zum Aufgabenblatt 9 Symbolisches Programmieren
Lösungen zum Aufgabenblatt 9 Symbolisches Programmieren WS 2012/13 H.Leiß, CIS, Universität München Aufgabe 9.1 Wir beginnen mit der einfachen DCG-Grammatik: % --------------- Grammatik-1 ---------------------
Mathematische Grundlagen der Computerlinguistik
Centrum für Informations- und Sprachverarbeitung (CIS) 10. Juni 2014 Table of Contents 1 2 Äquivalenz Der Begriff der Äquivalenz verallgemeinert den Begriff der Gleichheit. Er beinhaltet in einem zu präzisierenden
Technische Universität München SoS 2005 Fakultät für Informatik 12. Oktober 2005 Prof. Dr. H. Seidl
Technische Universität München SoS 2005 Fakultät für Informatik 12. Oktober 2005 Prof. Dr. H. Seidl Lösungsvorschläge der Wiederholungsklausur zu Eführung die Informatik II Aufgabe 1 Java-GUI import java.awt.*;
Satz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
Einführung in die Theoretische Informatik
Technische Universität München Fakultät für Informatik Prof. Tobias Nipkow, Ph.D. Dr. Werner Meixner, Dr. Alexander Krauss Sommersemester 2010 Lösungsblatt 11 15. Juli 2010 Einführung in die Theoretische
Universität Zürich HS , Vorlesung #3
Algebraic Number Theory P. Habegger Universität Zürich HS 2010 6.10.2010, Vorlesung #3 1.4 Diskriminante Die primitivste Invariante eines Zahlkörpers ist sein Grad. Die Diskriminante eines Zahlkörpers
Diskrete Strukturen und Logik WiSe 2006/07 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2006/07 in Trier Henning Fernau Universität Trier fernau@informatik.uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik &
Kapitel 5. Fixpunktoperatoren
Kapitel 5 Fixpunktoperatoren Rekursion ist eine wichtige Definitionstechnik. Im Rahmen dieser Vorlesung haben wir bereits eine Vielzahl von rekursiven Definitionen gesehen. Dabei wurden überwiegend strukturelle
Lösungen zur 1. Klausur. Einführung in Berechenbarkeit, formale Sprachen und Komplexitätstheorie
Hochschuldozent Dr. Christian Schindelhauer Paderborn, den 21. 2. 2006 Lösungen zur 1. Klausur in Einführung in Berechenbarkeit, formale Sprachen und Komplexitätstheorie Name :................................
Transaktionen. Michael Löwe 04/15/16. FHDW Hannover, Freundallee 15, Hannover address:
Transaktionen Michael Löwe 04/15/16 FHDW Hannover, Freundallee 15, 30173 Hannover E-mail address: michael.loewe@fhdw.de KAPITEL 1 Isolation 1.1. Formales Modell für Transaktionen und Ablaufpläne Zustand.
Kapitel 7: Formaler Datenbankentwurf
7. Formaler Datenbankentwurf Seite 1 Kapitel 7: Formaler Datenbankentwurf Die Schwierigkeiten der konzeptuellen Modellierung sind zu einem großen Teil dadurch begründet, dass sich die relevanten Strukturen
2. Lernen von Entscheidungsbäumen
2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
FachPraktikum 1590 Erweiterbare Datenbanksysteme. Aufgaben Phase 1
FachPraktikum 1590 Erweiterbare Datenbanksysteme Aufgaben Phase 1 Wintersemester 2004/2005 Ralf Hartmut Güting, Dirk Ansorge, Thomas Behr, Markus Spiekermann Praktische Informatik IV, Fernuniversität Hagen
Programmierung 1 (Wintersemester 2015/16) Wiederholungstutorium Lösungsblatt 13 (Queues, Binary Search)
Fachrichtung 6.2 Informatik Universität des Saarlandes Tutorenteam der Vorlesung Programmierung 1 Programmierung 1 (Wintersemester 2015/16) Wiederholungstutorium Lösungsblatt 13 (Queues, Binary Search)
2. Universelle Algebra
2. Universelle Algebra Die Theorie der universellen Algebra verallgemeinert die Theorien der klassischen Algebren. Obwohl ursprünglich nur eine Sorte betrachtet wurde, werden wir hier gleich den mehrsortigen
Thomas Behr. 17. November 2011
in in Fakultät für Mathematik und Informatik Datenbanksysteme für neue Anwendungen FernUniversität in Hagen 17. November 2011 c 2011 FernUniversität in Hagen Outline in 1 2 3 4 5 6 - Was ist das? in über
Softwaretechnik WS 16/17. Übungsblatt 01
Softwaretechnik WS 16/17 Übungsblatt 01 Was ist eine Klasse? Definition der Object Management Group: A class describes a set of objects that share the same specifications of features, constraints, and
Programmierung 1 (Wintersemester 2012/13) Lösungsblatt 5 (Kapitel 6)
Fachrichtung 6.2 Informatik Universität des Saarlandes Tutorenteam der Vorlesung Programmierung 1 Programmierung 1 (Wintersemester 2012/13) Lösungsblatt 5 (Kapitel 6) Hinweis: Dieses Zusatzübungsblatt
Mathematische Grundlagen der Computerlinguistik Ordnungsrelationen
Mathematische Grundlagen der Computerlinguistik Ordnungsrelationen Dozentin: Wiebke Petersen 4. Foliensatz Wiebke Petersen math. Grundlagen 89 starke / schwache Ordnungen Eine Ordnung R einer Menge A ist
Theoretische Informatik SS 03 Übung 4
Fakten aus Übung 3 Theoretische Informatik SS 03 Übung 4 In Übung 3 wurden einigen Fakten bewiesen, die für diese Übung benötigt werden. Folgende Konstrukte können mit LOOP-Programmen simuliert werden:
Grundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Sommersemester 2015 23.04.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Bis jetzt 1. Terminologie 2. Endliche Automaten und reguläre Sprachen
Grundprinzipien der funktionalen Programmierung
Grundprinzipien der funktionalen Programmierung Funktionen haben keine Seiteneffekte Eine Funktion berechnet einen Ausgabewert der nur von den Eingabewerten abhängt: 12 inputs + output 46 34 2 Nicht nur
Verkettete Datenstrukturen: Bäume
Verkettete Datenstrukturen: Bäume 1 Graphen Gerichteter Graph: Menge von Knoten (= Elementen) + Menge von Kanten. Kante: Verbindung zwischen zwei Knoten k 1 k 2 = Paar von Knoten (k 1, k 2 ). Menge aller
1. Probeklausur zu Programmierung 1 (WS 07/08)
Fachschaft Informatikstudiengänge Fachrichtung 6.2 Informatik Das Team der Bremser 1. Probeklausur zu Programmierung 1 (WS 07/08) http://fsinfo.cs.uni-sb.de Name Matrikelnummer Bitte öffnen Sie das Klausurheft
3. Grundlagen relationaler Datenbanksysteme
3. Grundlagen relationaler Datenbanksysteme Hier nur kurze Rekapitulation, bei Bedarf nachlesen 3.1 Basiskonzepte des Relationenmodells 1 Darstellung der Miniwelt in Tabellenform (DB = Menge von Relationen
Kapitel 4. Induktive Definitionen und Beweise
Kapitel 4 Induktive Definitionen und Beweise Bei der Definition der Semantik der Programmiersprache IMP haben wir an vielen verschiedenen Stellen induktive Definitionen benutzt: angefangen bei der Syntax
Technische Universität München
Stand der Vorlesung Kapitel 2: Auffrischung einiger mathematischer Grundlagen Mengen, Potenzmenge, Kreuzprodukt (Paare, Tripel, n-tupel) Relation: Teilmenge MxN Eigenschaften: reflexiv, symmetrisch, transitiv,
Algorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
Programmierung 1 (Wintersemester 2012/13) Lösungsblatt 11 (Kapitel 12)
Fachrichtung 6.2 Informatik Universität des Saarlandes Tutorenteam der Vorlesung Programmierung 1 Programmierung 1 (Wintersemester 2012/13) Lösungsblatt 11 (Kapitel 12) Hinweis: Dieses Übungsblatt enthält
Logik für Informatiker. 1. Grundlegende Beweisstrategien. Viorica Sofronie-Stokkermans Universität Koblenz-Landau
Logik für Informatiker 1. Grundlegende Beweisstrategien Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Mathematisches Beweisen Mathematische ussagen - haben oft
Theoretische Informatik I (Grundzüge der Informatik I)
Theoretische Informatik I (Grundzüge der Informatik I) Literatur: Buch zur Vorlesung: Uwe Schöning, Theoretische Informatik - kurzgefasst. Spektrum Akademischer Verlag, Heidelberg/Berlin, 4. Auflage, 2001.
LOOP-Programme: Syntaktische Komponenten
LOOP-Programme: Syntaktische Komponenten LOOP-Programme bestehen aus folgenden Zeichen (syntaktischen Komponenten): Variablen: x 0 x 1 x 2... Konstanten: 0 1 2... Operationssymbole: + Trennsymbole: ; :=
WS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
Vorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz
Vorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz Datenstruktur BDD 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer: Booleschen Funktionen)
Grundlagen der Mathematik
Grundlagen der Mathematik Übungsaufgaben zu Kapitel 1 Einführung 1.1.1 Für reelle Zahlen a und b gilt (a+b) (a-b) = a 2 -b 2. Was ist die Voraussetzung? Wie lautet die Behauptung? Beweisen Sie die Behauptung.
Unabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
Universität Karlsruhe (TH)
Universität Karlsruhe (TH) Lehrstuhl für Programmierparadigmen prachtechnologie und Compiler W 2008/2009 http://pp.info.uni-karlsruhe.de/ Dozent: Prof. Dr.-Ing. G. nelting snelting@ipd.info.uni-karlsruhe.de
Theoretische Informatik Mitschrift
Theoretische Informatik Mitschrift 2. Grammatiken und die Chomsky-Hierarchie Beispiel: Syntaxdefinition in BNF :=
8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem
8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem 8.1 Der Kompaktheitssatz Kompaktheitssatz Endlichkeitssatz Der Kompaktheitssatz ist auch unter dem Namen Endlichkeitssatz bekannt. Unter Verwendung
Prädikate sind Funktionen. Prädikatenlogik. Quantoren. n stellige Prädikate. n stellige Prädikate:
Aussagenlogik: Aussagen Ausssageformen Prädikatenlogik beschäftigt sich mit Aussagen sind Sätze die entweder wahr oder falsch sind sind Sätze mit Variablen, die beim Ersetzen dieser Variablen durch Elemente
Semantik: Semantik von Merkmalsstrukturen
Spezielle Themen der KI : von Subsumption Notation: t 1 t 2 Definition: Eine Merkmalsstruktur t 1 subsumiert eine Merkmalsstruktur t 2 gdw. die Menge der von t 2 beschriebenen Elemente eine Teilmenge der
Lexikalische Programmanalyse der Scanner
Der Scanner führt die lexikalische Analyse des Programms durch Er sammelt (scanned) Zeichen für Zeichen und baut logisch zusammengehörige Zeichenketten (Tokens) aus diesen Zeichen Zur formalen Beschreibung
Mathematische Grundlagen der Computerlinguistik
Mengen und Mengenoperationen (Teil II) Centrum für Informations- und Sprachverarbeitung (CIS) 2. Juni 2014 Table of Contents 1 2 3 Definition Mengenfamilie Eine Menge, deren sämtliche Elemente selbst wiederum
Mathematische Grundlagen der Computerlinguistik Bäume
Mathematische Grundlagen der Computerlinguistik Dozentin: Wiebke Petersen 6. Foliensatz (basierend auf Folien von Gerhard Jäger) Wiebke Petersen math. Grundlagen 1 Baumdiagramme Ein Baumdiagramm eines
Der leckere Käse schmeckt dem kleinen Mäuschen sehr gut.
Adjektiv (Wie-Wort, Eigenschaftswort) Adjektive geben deinem Satz Farbe. Sie begleiten das Nomen, beschreiben es haargenau oder drücken Empfindungen aus. Du benötigst sie in Erzählungen und Beschreibungen.
6 Kontextfreie Grammatiken
6 Kontextfreie Grammatiken Reguläre Grammatiken und damit auch reguläre Ausdrücke bzw. endliche Automaten haben bezüglich ihres Sprachumfangs Grenzen. Diese Grenzen resultieren aus den inschränkungen,
Grundbegriffe der Informatik Tutorium 2
Grundbegriffe der Informatik Tutorium 2 Tutorium Nr. 32 Philipp Oppermann 13. November 2013 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
Kapitel 1. Grundlagen Mengen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
( )= c+t(n-1) n>1. Stand der Vorlesung Komplexität von Algorithmen (Kapitel 3)
Stand der Vorlesung Komplexität von Algorithmen (Kapitel 3) Motivation: IT gestützte Steuerung, Überwachung, Fertigung, Produktion,. : erfordert effiziente Berechnungsvorschriften Ziel: Methoden kennen
Agenda. 1 Einleitung. 2 Binäre Bäume. 3 Binäre Suchbäume. 4 Rose Trees. 5 Zusammenfassung & Ausblick. Haskell Bäume. Einleitung.
Vortrag: Bäume in Haskell Bäume in Haskell Vortrag Christoph Forster Thomas Kresalek Fachhochschule Wedel University of Applied Sciences 27. November 2009 Christoph Forster, Thomas Kresalek 1/53 Vortrag
13. Übungsblatt
Prolog für Linguisten 13. Übungsblatt 12.2.2011 Dieses Übungsblatt ist verpflichtend und wird benotet (48 Punkte + 8 Zusatzpunkte ). Achte besonders auf die Funktionalität des Programms mit verschiedenen
Kapitel 1. Grundlagen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
Grundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 21: Relationen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik
Einführung in die Semantik, 9. Sitzung Prädikate, definite NPs
Einführung in die Semantik, 9. Sitzung Prädikate, definite NPs, Modifikatoren Göttingen 12. Dezember 2006 Prädikate Adjektive Präpositionalphrasen Attributive Adjektive Attributive Präpositionalphrasen
Theoretische Informatik: Berechenbarkeit und Formale Sprachen
Prof. Dr. F. Otto 24.03.2011 Fachbereich Elektrotechnik/Informatik Universität Kassel Klausur zur Vorlesung Theoretische Informatik: Berechenbarkeit und Formale Sprachen WS 2010/2011 Name:................................