Referat zum Thema: Exemplartheorien
|
|
- Lioba Ursler
- vor 6 Jahren
- Abrufe
Transkript
1
2 Thema: Speech Perception without Speaker Normalization An Exemplar Model Ein Paper von Keith Johnson (1997)
3 Thema: Speech Perception without Speaker Normalization An Exemplar Model Ein Paper von Keith Johnson (1997) Details und Resultate einiger Simulationen
4 Das Versuchssetting Korpus 39 englische Muttersprachler (14 m/ 25 w) mussten die Wörter aid, awed, had, head, heed, hid, hood, hud, odd, owed und who'd fünf mal sprechen Parameterextraktion: F0-F3 (im Vokalzentrum) + Vokaldauer
5 Das Versuchssetting Korpus 39 englische Muttersprachler (14 m/ 25 w) mussten die Wörter aid, awed, had, head, heed, hid, hood, hud, odd, owed und who'd fünf mal sprechen Parameterextraktion: F0-F3 (im Vokalzentrum) + Vokaldauer Merkmalsvektoren == Exemplare
6 Das Versuchssetting Korpus 39 englische Muttersprachler (14 m./ 25 w.) mussten die Wörter aid, awed, had, head, heed, hid, hood, hud, odd, owed und who'd 5 mal sprechen Parameterextraktion: F0-F3 (im Vokalzentrum) + Vokaldauer Exemplare wurden mit folgenden Lables versehen: Intendiertes Wort Geschlecht des Sprechers Identität des Sprechers
7 Die Vokalidentifizierung Jeweils ein Exemplar wurde aus dem bestehenden Korpus entnommen, um es danach wieder zu identifizieren. Formeln:
8 Die Vokalidentifizierung Jeweils ein Exemplar wurde aus dem bestehenden Korpus entnommen um es danach wieder zu identifizieren. Formeln: wurden durch ein simulated annealing algorithm ermittelt
9 Die Vokalidentifizierung Jeweils ein Exemplar wurde aus dem bestehenden Korpus entnommen um es danach wieder zu identifizieren. Formeln: wurden durch ein simulated annealing algorithmus ermittelt base activation level=1 kein Gauss-sches Rauschen wurde addiert (e=0)
10 Die Vokalidentifizierung Model Parameters and Errors
11 Die Vokalidentifizierung Model Parameters and Errors ACHTUNG: gleiche Gewichte bedeuten nicht gleichgroße Gewichtung
12 Die Vokalidentifizierung Vowel Confusion Matrix
13 Die Geschlechtsidentifizierung
14 Die Geschlechtsidentifizierung Model Parameters and Errors
15 Erkennung synthetischer Stimuli
16 Erkennung synthetischer Stimuli Erzeugung eines hood/hud-kontinuums mit folgenden Formantwerten (einmal mit F0=120 Hz und einmal mit F0=240 Hz) :
17 Erkennung synthetischer Stimuli Verwendung derselben, im Vokalidentifizierungsprozess ermittelten, Gewichte und Sensitivitätsparameter Um mit Hörer-Identifikationstest vergleichbare Ergebnisse zu ermitteln wurde die Wahrscheinlichkeit, dass ein Token als hood identifiziert wird, mit der Ähnlichkeit des Tokens zur hood Kategorie geteilt durch die Summe der Ähnlichkeiten der hood und hud Kategorien, verglichen.
18 Erkennung synthetischer Stimuli
19 Erkennung synthetischer Stimuli Grenzen können durch die Base Activation manipuliert werden
20 Simulation des Presentation Type Effekts
21 Simulation des Presentation Type Effekts Die Gewichtung der F0 wird in einem Sprecherisoliertem-Setting wesentlich geringer ausfallen als bei einem nicht isoliertem Getrennte Ermittlung der Gewichte eines isolierten- und unisolierten Settings an Hand des simulated annealing Algorithmuses
22 Simulation des Presentation Type Effekts
23 Simulation des Presentation Type Effekts
24 Vielen Dank für Eure Aufmerksamkeit Quellen: - Johnson Keith. Speech Perception without Speaker Normalization. An Exemplar Model. In Keith Johnson and John W. Mullennix, editors, Talker Variability in Speech Processing, pages Academic Press, San Diego, (letzter Zugriff: :00)
Item-based Collaborative Filtering
Item-based Collaborative Filtering Paper presentation Martin Krüger, Sebastian Kölle 28.04.2011 Seminar Collaborative Filtering KDD Cup 2011: Aufgabenbeschreibung Track 1 Item-based Collaborative Filtering
MehrLexikalische Substitutionen. Seminar: Sprachproduktion Dozentin: Prof. Dr. Helen Leuninger WS 09/10 Referenten: Anna Schmidt und Tim Krones
Lexikalische Substitutionen Seminar: Sprachproduktion Dozentin: Prof. Dr. Helen Leuninger WS 09/10 Referenten: Anna Schmidt und Tim Krones Gliederung 1 Substitutionen: Arten und Eigenschaften 2 Entstehung
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrFlächen- und Volumenmessung lokaler Objekte in DICOM-Bildern und Bildfolgen
Flächen- und Volumenmessung lokaler Objekte in ICOM-Bildern und Bildfolgen Sergei Hludov, Christoph Meinel und Thomas Engel Institut für Telematik Bahnhofsstr. 30-3, 549 Trier Email: hludov@ti.fhg.de Zusammenfassung.
MehrPerzeptionsexperiment zur Koartikulation in Anlehnung an Fowler, 1981
Hoole, Artikulation für Fortgeschrittene Perzeptionsexperiment zur Koartikulation in Anlehnung an Fowler, 1981 Ausgangspunkt In Äußerungen wie /ibebi/, /abeba/, /ubebu/ können wir erwarten, daß die unbetonten
MehrBayesianische Netzwerke - Lernen und Inferenz
Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel
MehrImplementierung eines N-Queens-Solvers mit koronaler Vorbesetzung
Implementierung eines N-Queens-Solvers mit koronaler Vorbesetzung Presentation zum Lehrstuhlseminar Benedikt Reuter Dresden, 08.02.2015 Betreuer: Dr.-Ing. Thomas B. Preußer Gliederung 1. Einleitung 2.
MehrMidas Metadata yield by Data Analysis
Midas Metadata yield by Data Analysis Glossar powered by Was ist Text Mining? Unter Text Mining versteht sich im Allgemeinen die Extraktion von strukturierten Informationen aus unstrukturierten oder semistrukturierten
MehrFormanten im Detail. Jochen Trommer Phonetikanalyse SS Universität Leipzig Institut für Linguistik
Formanten schematisch im Spektrogramm Formanten Hören Jochen Trommer jtrommer@uni-leipzig.de Universität Leipzig Institut für Linguistik Phonetikanalyse SS 2007 Artikulation von Vokalen Vokale unterscheiden
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
Mehr5 Suchmaschinen Page Rank. Page Rank. Information Retrieval und Text Mining FH Bonn-Rhein-Sieg, SS Suchmaschinen Page Rank
Page Rank Google versucht die Bedeutung von Seiten durch den sogenannten Page Rank zu ermitteln. A C Page Rank basiert auf der Verweisstruktur des Webs. Das Web wird als großer gerichteter Graph betrachtet.
MehrVariation in natürlicher Sprache
Priming Kurs Sommersemester 2007 JWG Frankfurt, 12.06.2007 Themenbereiche der Sitzung Variation in natürlicher Sprache 1. Kurzer Überblick 2. Rückblick Assimilation 3. Reduktion - Einführung 4. Papers
Mehr3rd IQ Best Practice Day 2007
1 3rd IQ Best Practice Day 2007 Klaus Koch, Torsten Kaup, Felix Michels, Daniel Elsner, Bernhard Kurpicz, Dirk Malzahn Schema Matching Automatische Erkennung semantisch gleicher Attribute Frankfurt am
MehrLanguage Identification XXL
Ruprecht-Karls Universität Heidelberg Seminar für Computerlinguistik Software Projekt WS 2009/10 Language Identification XXL Referenten: Galina Sigwarth, Maria Semenchuk, George Kakish, Ulzhan Kadirbayeva
MehrItem-based Collaborative Filtering
Item-based Collaborative Filtering Initial implementation Martin Krüger, Sebastian Kölle 12.05.2011 Seminar Collaborative Filtering Projektplan Implementierung Ideen Wdh.: Item-based Collaborative Filtering
MehrSchulung Handkarte Umgang mit Risiken
Schulung Handkarte Umgang mit Risiken Inhalte Ziele Inhalt der Handkarte Beispiele und Diskussion Beantwortung von Fragen Befehlserteilung 2 Ziele Jeder mil Vorgesetzte ist betreffend Umgang mit Risiken
MehrSpracherkennung. Gliederung:
Spracherkennung Gliederung: - Einführung - Geschichte - Spracherkennung - Einteilungen - Aufbau und Funktion - Hidden Markov Modelle (HMM) - HMM bei der Spracherkennung - Probleme - Einsatzgebiete und
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
MehrModelle und Verfahren zur innerbetrieblichen Standortplanung
Andreas Bölte Modelle und Verfahren zur innerbetrieblichen Standortplanung Mit 73 Abbildungen Physica-Verlag Ein Unternehmen des Springer-Verlags Inhaltsverzeichnis 1. Einleitung 1 2. Layoutplanung für
MehrKapitel IR:III (Fortsetzung)
Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches
MehrFriedrich-Alexander-Universität Professur für Computerlinguistik. Nguyen Ai Huong
Part-of-Speech Tagging Friedrich-Alexander-Universität Professur für Computerlinguistik Nguyen Ai Huong 15.12.2011 Part-of-speech tagging Bestimmung von Wortform (part of speech) für jedes Wort in einem
MehrEXEMPLARMODELLE DER SPRACHPRODUKTION UND IHRE RELEVANZ FÜR DIE SPRACHSYNTHESE
EXEMPLARMODELLE DER SPRACHPRODUKTION UND IHRE RELEVANZ FÜR DIE SPRACHSYNTHESE Bernd Möbius FR 4.7, Phonetik, Universität des Saarlandes moebius@coli.uni-saarland.de Kurzfassung: Sprachsynthese nach der
MehrDer Erwerb und die Verarbeitung der Laute bilingualer Sprecher
Der Erwerb und die Verarbeitung der Laute bilingualer Sprecher Referat von Angelika Giglberger am 22.05.2007 Hauptseminar Spracherwerb SS 2007 Prof. Dr. Jonathan Harrington Der Erwerb und die Verarbeitung
MehrVorab : Von dem indischen Mathematiker D. R. Kaprekar stammt folgender Zusammenhang :
Seite 1 Algorithmen zur Erzeugung von Kaprekar- Konstanten Autor : Dipl.- Ing. Josef Meiler ; Datum : März 015 Vorab : Von dem indischen Mathematiker D. R. Kaprekar stammt folgender Zusammenhang : a) man
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrEmotion Recognition of Call Center Conversations Robert Bosch Engineering and Business Solutions Private Limited
Emotion Recognition of Call Center Conversations Robert Bosch Engineering and Business Solutions Private Limited 1 Agenda 1 Introduction 2 Problem Definition 3 Solution Overview 4 Why Consider Emotions
MehrGeo 241 Modellierung von Systemen Modulverantwortlicher: Dr. Krause. Sommersemester 2009
Geo 241 Modellierung von Systemen Modulverantwortlicher: Dr. Krause Sensitivität Tino Wunderlich Matrikel 100028 Gliederung 1. Sensitivität in der Statistik ( Berechnung / Beispiel) 2. Sensitivität in
MehrGrundlagen der Objektmodellierung
Grundlagen der Objektmodellierung Daniel Göhring 30.10.2006 Gliederung Grundlagen der Wahrscheinlichkeitsrechnung Begriffe zur Umweltmodellierung Bayesfilter Zusammenfassung Grundlagen der Wahrscheinlichkeitsrechnung
MehrÜber das Lesen mathematischer Texte Teil 2: Definition, Satz, Beweis
Über das Lesen mathematischer Texte Teil 2: Definition, Satz, Beweis Hagen Knaf Prof. Dr. H. Knaf, Mathematisches Beweisen 1 Struktur mathematischer Texte Ein mathematischer Text enthält neben dem fortlaufenden
MehrInwiefern zeigen die Monophthong Vokalverschiebungen in Neuseeland Englisch Evidenzen von 'chain shifting'?
Inwiefern zeigen die Monophthong Vokalverschiebungen in Neuseeland Englisch Evidenzen von 'chain shifting'? Jonathan Harrington: "Die phonetischen Grundlagen des Lautwandels Referent: Matthias Mahrhofer
MehrGefühl*** vorher / nachher. Situation* Essen (was und wie viel?) Ess- Motiv** Tag Datum Frühstück Zeit: Allgemeines Befinden
Name: Größe: cm Gewicht: kg Alter: Jahre Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation*
MehrLautwandel in den Vokalen im Standardenglischen. Jonathan Harrington
Lautwandel in den Vokalen im Standardenglischen Jonathan Harrington Lautwandel Verbreitung in der Gemeinscha: nehmen Erwachsene an Lautwandel teil, oder entsteht Lautwandel nur wegen Unterschiede zwischen
Mehr5. Lokale Suchverfahren. Beispiel TSP: k-change Nachbarschaft. Nachbarschaft. k-opt Algorithmus
5. Lokale Suchverfahren Lokale Suche 5. Lokale Suchverfahren Beispiel TSP: k-change Nachbarschaft Optimale Lösungen können oft nicht effizient ermittelt werden. Heuristiken liefern zwar zulässige Lösungen,
MehrAngriffe auf RC4. Andreas Klein. Tagung der Fachgruppe Computeralgebra, Kassel Universität Kassel
Universität Kassel Tagung der Fachgruppe Computeralgebra, Kassel 2005 1 Geschichte Beschreibung des Algorithmus Angriffe 1 Geschichte Beschreibung des Algorithmus Angriffe 2 Beispiel 1 Geschichte Beschreibung
MehrLexikalische Semantik. Was ist ein Wort? Was ist in einem Wort?
Lexikalische Semantik Was ist ein Wort? Was ist in einem Wort? Was ist ein Wort? Er machte nicht viele Wörter. Deine Wörter in Gottes Ohr! Ich stehe zu meinen Wörtern Ein Essay von 4000 Worten Im Deutschen
MehrNormierungstabelle/Entscheidungsmatrix zu Delfin 4 Stufe 1 Test Besuch im Zoo
Normierungstabelle/Entscheidungsmatrix zu Delfin 4 Stufe 1 Test Besuch im Zoo Anleitung zur Entscheidungsfindung Der Test Besuch im Zoo (BiZ) liefert die Grundlage für die Entscheidung, ob für ein Kind
MehrGesichtsidentifikation mit dem Erkennungssystem FaceVACS SDK der Firma Cognitec
Gesichtsidentifikation mit dem Erkennungssystem FaceVACS SDK der Firma Cognitec Zwischenpräsentation Autoren: Alexander Mielchen und Lorenz Kaipf 20.05.2014 1 Gliederung Aufgabenstellung und Randbedingungen
MehrModerne IR / Language Models / Page Ranking
Moderne IR / Language Models / Page Ranking Paul Raab 10.11.2011 Paul Raab () Moderne IR / Language Models / Page Ranking 10.11.2011 1 / 14 Überblick Statistische Methoden auf Sprachmodelle angewandt sind
MehrAnwendung von Vektormodell und boolschem Modell in Kombination
Anwendung von Vektormodell und boolschem Modell in Kombination Julia Kreutzer Seminar Information Retrieval Institut für Computerlinguistik Universität Heidelberg 12.01.2015 Motivation Welche Filme sind
MehrVortrag zum Hauptseminar Hardware/Software Co-Design
Fakultät Informatik Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Vortrag zum Hauptseminar Hardware/Software Co-Design Robert Mißbach Dresden, 02.07.2008
MehrParallele Rechenmodelle
Organisatorisches und Themenvorstellung, 21. Oktober 2016 Henning Meyerhenke, Moritz von Looz, Roland Glantz 1 Meyerhenke, Looz, Glantz: Institute for Theoretical Computer www.kit.edu Science Termine Bis
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrToken Bucket Algorithmus
Token Bucket Algorithmus Förg Sebastian, Gritsch Marc, Pühl Gerd, Schoof Martin, Zohner Stephanie Programmierung verteilter Systeme Lab Institut für Informatik Universität Augsburg Universitätsstraße 14,
MehrLösungsvorschlag für das Übungsblatt 1. Aufgabe 1.
Lösungsvorschlag für das Übungsblatt 1. Aufgabe 1. Zusammengefasst aus Ihren Beiträgen Wie bewerten sie das System ingesamt? Das Watson System verdeutlicht den Fortschritt der Künstlichen Intelligenz Forschung/Computerlinguistik/Informatik
MehrRechenaufwand der LR- und LDL T - Zerlegung
6. Großübung Rechenaufwand der LR- und LDL T - Zerlegung Rückwärtseinsetzen Der Algorithmus kann der Folie 3.0 entnommen werden. Dieser kann in die folgenden Rechenoperationen aufgesplittet werden: Für
MehrKuKi. Synthetisches Bewusstsein. Ablauf. Neurologisches oder psychoanalytisches Modell des menschlichen Bewusstseins?
Synthetisches Bewusstsein Institut für Computertechnik ICT Institute of Computer Technology Neuro-Psychoanalytisches Modell nach Mark Solms, Kritik von John Searle Oliver Schürer, Architekturtheorie, TU
MehrNaive Bayes für Regressionsprobleme
Naive Bayes für Regressionsprobleme Vorhersage numerischer Werte mit dem Naive Bayes Algorithmus Nils Knappmeier Fachgebiet Knowledge Engineering Fachbereich Informatik Technische Universität Darmstadt
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrPotenzen mit gleichem Exponenten
Potenzen mit gleichem Exponenten Seite 01 Kapitel mit 544 Aufgaben Seite WIKI Regeln und Formeln 03 Level 1 Grundlagen Aufgabenblatt 1 (176 Aufgaben) 04 Lösungen zum Aufgabenblatt 1 06 Aufgabenblatt 2
MehrAdditional Cycle Index (ACIX) Thomas Theuerzeit
Additional Cycle Index (ACIX) Thomas Theuerzeit Der nachfolgende Artikel über den ACIX stammt vom Entwickler des Indikators Thomas Theuerzeit. Weitere Informationen über Projekte von Thomas Theuerzeit
MehrMaschinelle Sprachverarbeitung: KollokaKonen (Teil 2: Modelle von Wortsequenzen)
basierend auf H Schmid snlp 4 KollokaKonen Maschinelle Sprachverarbeitung: KollokaKonen (Teil 2: Modelle von Wortsequenzen) Basierend auf Kap 3 McEnery & Wilson (2001) & H Schmid snlp Vorlesungsskript
MehrDer Gaußsche Algorithmus
Der Gaußsche Algorithmus Der Gaußsche Algorithmus beinhaltet das Vertauschen der Zeilen der erweiterten Koeffizientenmatrix (A, b) und das Additionsverfahren. Ziel ist es, möglichst viele Nullen unterhalb
MehrProbe-Klausur zur Vorlesung Multilinguale Mensch-Maschine Kommunikation 2013
Probe-Klausur zur Vorlesung Multilinguale Mensch-Maschine Kommunikation 2013 Klausurnummer Name: Vorname: Matr.Nummer: Bachelor: Master: Aufgabe 1 2 3 4 5 6 7 8 max. Punkte 10 5 6 7 5 10 9 8 tats. Punkte
MehrStudiengang Informatik der FH Gießen-Friedberg. Sequenz-Alignment. Jan Schäfer. WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel
Studiengang Informatik der FH Gießen-Friedberg Sequenz-Alignment Jan Schäfer WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel Überblick Einführung Grundlagen Wann ist das Merkmal der Ähnlichkeit erfüllt?
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Mehr6. Vorlesung. Rechnen mit Matrizen.
6. Vorlesung. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt
MehrTag der gewerblichen Schutzrechte, Dienstag, 05. Juli Haus der Wirtschaft, Stuttgart TAG DER GEWERBLICHEN SCHUTZRECHTE S 2016
Tag der gewerblichen Schutzrechte, Dienstag, 05. Juli 2016 - Haus der Wirtschaft, Stuttgart TAG DER GEWERBLICHEN SCHUTZRECHTE T 1 G S 2016 Portfoliobewertung: Zentrales Element der IP-Strategie mit freundlicher
MehrLogistische Regression
Logistische Regression Markus Kalisch 30.09.2014 1 Big Picture: Statistisches Lernen Supervised Learning (X,Y) Unsupervised Learning X VL 7, 11, 12 Regression Y kontinuierlich VL 1, 2, 4, 5, 6 Klassifikation
Mehr18. Matrizen 2: Gleichungssysteme, Gauß-Algorithmus
18. Matrizen 2: Gleichungssysteme, Gauß-Algorithmus Conrad Donau 8. Oktober 2010 Conrad Donau 18. Matrizen 2: Gleichungssysteme, Gauß-Algorithmus 8. Oktober 2010 1 / 7 18.1 Wiederholung: Ebenen in R 3
MehrBildung von Noten-Durchschnitten
Bildung von Noten-Durchschnitten Sinn der Noten-Erfassung mit einer Software ist natürlich das schnelle bzw. automatische Ermitteln von Noten- Durchschnitten. Hier hat jeder Lehrer so seine eigene Methode
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
MehrWie erreiche ich was?
Wie erreiche ich was? Projekt: Bezeichnung: Warenwirtschaft (WWSBAU) EAN-Nummer Version: 7.0 Datum: 02.06.2007 Kurzbeschreibung: Mit diesem Leitfaden erhalten Sie eine tabellarische Kurzanleitung, um in
MehrAlgebraische Statistik ein junges Forschungsgebiet. Dipl.-Math. Marcus Weber
Algebraische Statistik ein junges Forschungsgebiet Dipl.-Math. Marcus Weber Disputationsvortrag 15. Februar 2006 Gliederung 1. Statistische Modelle 2. Algebraische Interpretation statistischer Probleme
MehrRandomisierte Algorithmen am Beispiel Quicksort
Randomisierte Algorithmen am Beispiel Quicksort Mathias Katzer Universität 28. Juli 2003 Mathias Katzer 0 Überblick Motivation: Begriff Randomisierung Quicksort Stochastik-Ausflug Effizienzanalyse Allgemeineres
Mehr#CRYPTO888 MITGLIEDER CLUB
MITGLIEDER CLUB Crypto888 die Crypto Programm Präsenta4on Das Crypto888 Programm Das Crypto Programm ist ein Sportwettensystem, in dem das Crypto888 Programm Einsätze auf verschiedene Sportwetten zur Gewinnmaximierung
Mehra i j (B + C ) j k = n (a i j b j k + a i j b j k ) =
Lösungen Lineare Algebra für Physiker, Serie 2 Abgabe am 25.10.2007 1. Es seien A K m n, B,C K n p und D K p q gegeben. 9 P (a) Beweisen Sie das Distributivgesetz A(B + C ) = A B + AC. (b) Beweisen Sie
MehrKorpus. Was ist ein Korpus?
Was ist ein Korpus? Korpus Endliche Menge von konkreten sprachlichen Äußerungen, die als empirische Grundlage für sprachwiss. Untersuchungen dienen. Stellenwert und Beschaffenheit des Korpus hängen weitgehend
MehrHopfield Netze. Neuronale Netze WS 2016/17
Hopfield Netze Neuronale Netze WS 2016/17 Rekursive Netze Definition: Ein rekursives Netz enthält mindestens eine Feedback-Schleife Gegensatz: Feedforward-Netze Beispiel: Hopfield-Netze, Boltzmann-Maschinen
MehrElementare Begriffe der Wahrscheinlichkeitstheorie für die Sprachverarbeitung
Elementare Begriffe der Wahrscheinlichkeitstheorie für die Sprachverarbeitung Kursfolien Karin Haenelt 1 Übersicht Wahrscheinlichkeitsfunktion P Wahrscheinlichkeit und bedingte Wahrscheinlichkeit Bayes-Formeln
MehrVon Aachen nach Halle...
Von Aachen nach Halle... Koeln? Aachen Halle 14. 6. 15. 6. 16. 6. Saarbruecken? Effiziente Algorithmen fr Graphtraversierungen Ulrich Meyer p. 3 Von Aachen nach Halle... Koeln? Aachen Halle 14. 6. 15.
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
MehrAlgorithmus zum Graphen-Matching. und. Anwendung zur inhaltsbasierten Bildersuche
Algorithmus zum Graphen-Matching und Anwendung zur inhaltsbasierten Bildersuche Gliederung 1. Einführung 2. Algorithmus Beschreibung Beispiel Laufzeit 3. Anwendung des Algorithmus Seite 1 von 18 1. Einführung
MehrVorträge der Hochschulen der
BUGA 2011 Vorträge der Hochschulen der Region Mittelrhein Prof. Dr. Albert Brühl Philosophisch Theologische Hochschule Vallendar Pflegewissenschaftliche Fakultät Lehrstuhl Statistik und standardisierte
MehrArbeitslosigkeit, berufliche Qualifikation und Gesundheit
Arbeitslosigkeit, berufliche Qualifikation und Gesundheit Eine Analyse auf Basis von Daten der Studie "Gesundheit in Deutschland aktuell" (GEDA) aus den Jahren 2010 und 2012 01.06.2017 Julia Dobrindt -
MehrSteady-State VEP-Based Brain-Computer Interface Control in an Immersive 3D Gaming Environment
Steady-State VEP-Based Brain-Computer Interface Control in an Immersive 3D Gaming Environment 20.01.10 Paper E. C. Lalor, S. P. Kelly, C. Finucane, R. Burke, R. Smith, R. B. Reilly, and G. McDarby. Steady-State
Mehr4 Prinzipien für die Bewertung der biologischen Beurteilung von Werkstoffen und Medizinprodukten
1 Zweck Diese Checkliste ergänzt die Prozessbeschreibung Produktzertifizierung und regelt die Details der Vorgehensweise für die Bewertung im Rahmen der Risikoanalyse. 1.1 Anwendungsbereich Bei der Überprüfung
MehrBioinformatik. Substitutionsmatrizen BLAST. Ulf Leser Wissensmanagement in der. Bioinformatik
Bioinformatik Substitutionsmatrizen BLAST Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Substitutionsmatrizen: PAM und BLOSSUM Suche in Datenbanken: Basic Local Alignment Search
MehrInhalt und Überblick. Visuelle Kognition. Visuelle Kognition WS 2001/2002 Adrian Schwaninger
Einleitung WS 2001/2002 Adrian Schwaninger Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle Diskussion Gesichterwahrnehmung
MehrMaschinelle Sprachverarbeitung: Part-of-Speech-Tagging
HUMBOLDT-UNIVERSITÄT ZU BERLIN Institut für Informatik Lehrstuhl Wissensmanagement Maschinelle Sprachverarbeitung: Part-of-Speech-Tagging Tobias Scheffer Ulf Brefeld POS-Tagging Zuordnung der Wortart von
Mehrlibrary(lattice) # Für den Data-Frame dip dip = read.table(file.path(pfadu, "dip.txt"))
library(lattice) ################################################ # Die Dauern (ms) wurden gemessen von 5 /a/ (z.b. `Lamm`) # und 5 /a:/ (z.b. `Lahm`) Vokale wie folgt: # /a/: 91 87 83 69 73 # /a:/: 114
MehrInterne Strukturen des DRK
DRK-Landesverband Rheinland-Pfalz e V Interne Strukturen des DRK Der DRK Planungsstab Risiko- und Krisenkommunikation Organigramm Krisenmanagement- Vorschrift Folie 2 DRK-Landesverband Rheinland-Pfalz
MehrWas wird in öfftl. Performanztests wie dem Fingerprint Verification Competition getestet? Uwe Reinbacher
Was wird in öfftl. Performanztests wie dem Fingerprint Verification Competition getestet? Uwe Reinbacher 1 Fingerprint Verification Competition Was ist die FVC? FVC2000 FVC2002 FVC2004 FVC2006 FVC ongoing
Mehr# Proportionen berechnen: die Proportion vom Erfolg (0 <= p <= 1) p = with(ovokal.m, P/(P+Q)) ovokal.m = cbind(ovokal.m, p)
library(lattice) 0. Einleitung: Logistische Regression Mit der logistischen Regression wird geprüft, ob Proportionen (abhängige Variable) von einem (oder mehreren) unabhängigen Faktoren beeinflusst werden.
MehrANFRAGE-/BESTELL-FORMULARE FÜR
ANFRAGE-/BESTELL-FOURE FÜR FOURE ZUM KOPIEREN! Welches Formular ist das Richtige? Typen: S20-O1 slider s20 Oberbau, Typ 1 Inliegendes System S20-O2 slider s20 Oberbau, Typ 2 Aufliegendes System S20-O3
MehrNormierungstabelle/Entscheidungsmatrix zu Delfin 4 Stufe 2 Test Besuch im Pfiffikus-Haus (BiP)
Normierungstabelle/Entscheidungsmatrix zu Delfin 4 Stufe 2 Test Besuch im Pfiffikus-Haus (BiP) Anleitung zur Entscheidungsfindung Der Test Besuch im Pfiffikus-Haus (BiP) ist im Rahmen der 2. Stufe der
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik HMM POS-Tagging Laura Kallmeyer Heinrich-Heine-Universität Düsseldorf Summer 2016 1 / 20 POS Tags (1) Jurafsky and Martin (2009) POS = part-of-speech Tags sind morphosyntaktische
MehrKalkulation der Selbstkosten zur Entwicklung eines Anwendungssystems auf der Grundlage eines Datenbanksystems. Data-Point-Verfahren
Informationsblatt 14 Projekt Reisebüro Seite 1 Kalkulation der Selbstkosten zur Entwicklung eines Anwendungssystems auf der Grundlage eines Datenbanksystems -Verfahren Für die Kalkulation der Selbstkosten
MehrRechnet mein Taschenrechner richtig?
Rechnet mein Taschenrechner richtig? René Lamour Humboldt-Universität zu Berlin Institut für Mathematik Lange Nacht der Wissenschaften 2011 Unser Institutsgebäude c 2010 WISTA-MANAGEMENT GMBH www.adlershof.de
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
MehrSprachproduktionstheorien (5) Perturbationsexperimente
Sprachproduktionstheorien (5) Perturbationsexperimente Ergänzung der unter Afferente Information (Sprachproduktionstheorien (4)) diskutierten Perturbationsexperimente Schwerpunkt hier auf Bite-block experiments
MehrUnterscheidung: Workflowsystem vs. Informationssystem
1. Vorwort 1.1. Gemeinsamkeiten Unterscheidung: Workflowsystem vs. Die Überschneidungsfläche zwischen Workflowsystem und ist die Domäne, also dass es darum geht, Varianten eines Dokuments schrittweise
MehrInvestitionsentscheidungsrechnung Interne Zinsfußmethode
Der interne Zinsfuss ist der Zinssatz, der zu einem Kapitalbarwert von Null führt. Seite 1 Mittels folgender graphischen Lösung kann der interne Zinsfuss ermittelt werden: Seite 2 Für die numerische Lösung
Mehr1 Messfehler. 1.1 Systematischer Fehler. 1.2 Statistische Fehler
1 Messfehler Jede Messung ist ungenau, hat einen Fehler. Wenn Sie zum Beispiel die Schwingungsdauer eines Pendels messen, werden Sie - trotz gleicher experimenteller Anordnungen - unterschiedliche Messwerte
MehrAnalyse von Kontingenztafeln
Analyse von Kontingenztafeln Mit Hilfe von Kontingenztafeln (Kreuztabellen) kann die Abhängigkeit bzw. die Inhomogenität der Verteilungen kategorialer Merkmale beschrieben, analysiert und getestet werden.
MehrAufwandsabschätzung in der Programmierung. Von Betül Oruc, Johannes Wild
Aufwandsabschätzung in der Programmierung Von Betül Oruc, Johannes Wild Inhaltsverzeichnis Definition & Grundlagen die Bestimmungsfaktoren... Methoden Probleme bei der Aufwandsabschätzung COCOMO-Verfahren
MehrMathematische Grundlagen der Computerlinguistik III: Statistische Methoden Probeklausur
Mathematische Grundlagen der Computerlinguistik III: Statistische Methoden Probeklausur Crocker/Demberg/Staudte Sommersemester 2014 17.07.2014 1. Sie haben 90 Minuten Zeit zur Bearbeitung der Aufgaben.
MehrFachhochschule Südwestfalen Wir geben Impulse. Vektorrechnung in Octave
Fachhochschule Südwestfalen Wir geben Impulse Vektorrechnung in Octave Inhalt Erzeugung von Vektoren Zugriff auf Vektorelemente Addition und Subtraktion von Vektoren Betrag eines Vektors Berechnung des
MehrGrundlagen der Mathematik von Ansgar Schiffler - Seite 1 von 7 -
- Seite von 7 -. Wie lautet die allgemeine Geradengleichung? (Mit Erklärung). Ein Telefontarif kostet 5 Grundgebühr und pro Stunde 8 cent. Wie lautet allgemein die Gleichung für solch einen Tarif? (Mit
MehrErmittlung des Ausfallrisikos
Ermittlung des Ausfallrisikos Das Ausfallrisiko, dessen Ermittlung maßgeblich von der Datenqualität der Vorsysteme abhängt, nimmt in der Berechnung der Eigenmittelanforderung einen relativ geringen Stellenwert
MehrMehrdimensionale Verteilungen und Korrelation
Vorlesung: Computergestützte Datenauswertung Mehrdimensionale Verteilungen und Korrelation Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in
Mehr