Algorithmische Grundlagen des Internets VIII
|
|
- Bernt Lorentz
- vor 6 Jahren
- Abrufe
Transkript
1 Vrlesung Smmersemester 2003 Universität Paderbrn EIM Institut für Infrmatik Algrithmische Grundlagen des Internets VIII Universität Paderbrn Fakultät für Elektrtechnik, Infrmatik und Mathematik Institut für Infrmatik AG Theretische Infrmatik Algrithmen, Kmplexitätstherie, Paralleles Rechnen Algrithm. Grundlagen des Internets 1
2 Durchsatzptimierung in der Transprtschicht Universität Paderbrn EIM Institut für Infrmatik Hauptprblem vn TCP: Durchsatzptimierung Jacbsn: min. 99% aller verlrenen Pakete durch IP wegen Datenüberlaufs (cngestin) an Rutern Feedback in der Transprtschicht nur durch Ackn.-Pakete: Wird ein Paket nicht bestätigt, war der gewählte Datendurchsatz zu hch - TCP verringert Datendurchsatz Werden alle Pakete bestätigt, war der Datendurchsatz genau richtig der zu niedrig - TCP erhöht Datendurchsatz Algrithm. Grundlagen des Internets 2
3 Mdell Universität Paderbrn EIM Institut für Infrmatik Rundenmdell In Runde t steht Bandweite u t zur Verfügung Algrithmus frdert in Runde Bandweite x t an Feedback zu Beginn vn Runde t+1: Ist x t > u t? (d.h. sind Pakete verlren gegangen) Algrithmus erfährt nie die wirklich verfügbaren Bandweiten Runde Hst A Internet Hst B t sendet x t Pakete Bandweite läßt maximal u t Pakete durch erhält min(x t,u t ) Pakete erhält Ack. und berechnet x t+1 schickt Bestätigung (Ack.) t+1 sendet x t+1 Pakete Bandweite läßt maximal u t+1 Pakete durch erhält min(x t+1,u t+1 ) Pakete Algrithm. Grundlagen des Internets 3
4 Ksten Universität Paderbrn EIM Institut für Infrmatik Mdell nach Karp, Kutsupias, Papadimitriu, Shenker 2000 Prinzip: x t > u t : Datenrate ist größer als verfügbare Bandweite Zeitverlust und Overhead durch wiederhltes Senden vn verlrenen Paketen x t < u t : Nur ein kleiner Teil der verfügbaren Bandweite wird genutzt Opprtunitätsksten Algrithm. Grundlagen des Internets 4
5 Der statische Fall Universität Paderbrn EIM Institut für Infrmatik Bandweite ist fest: u 1 = u 2 = u 3 = = u Start mit Intervall [1..n] = {1,2,3, n} Sinnvller (rekursiver) Suchalgrithmus A(i,j) auf Intervall [i..j]: Falls i=j dann ist u=x. Ansnsten x = A(i,j) mit x [i+1..j] Teste x u - Falls ja: Untersuche Intervall [x,j] - Falls nein: Untersuche Intervall [i,x-1] Algrithm. Grundlagen des Internets 5
6 Kmplexitätsmaß Universität Paderbrn EIM Institut für Infrmatik C c,a (i,j,u): Ksten, die Algrithmus A bei Suche nach u mit Kstenfunktin c(x,u) entstehen wrst-case: average-case: wbei: Algrithm. Grundlagen des Internets 6
7 Überblick Prbing-Strategien im statischen Fall Universität Paderbrn EIM Institut für Infrmatik Algrithm. Grundlagen des Internets 7
8 Der dynamische Fall Universität Paderbrn EIM Institut für Infrmatik Ist die dynamische Bandbreite u 1, u 2, u 3, [1..B] beliebig bösartig Deterministischer Algrithmus: Ksten B/2 pr Runde Prbabilistischer Algrithmus: Ksten B/4 pr Runde (existiert trivialer Alg. mit Ksten B pr Runde) Keine Aussagekraft dieser Ksten Deswegen kmpetitive Analyse der Online-Algrithmen Vergleich der Ksten des Online-Algrithmus mit Ksten des ptimalen Offline-Algrithmus Online-Algrithmus = Prbing-Strategie Offline-Strategie = beste Strategie (mit vllständiger Inf.) Algrithm. Grundlagen des Internets 8
9 Das Leihski-Prblem Universität Paderbrn EIM Institut für Infrmatik Klassisches Prblem der Analyse vn Online-Algrithmen: Sll man als Skianfänger: Skier kaufen Ksten 100 Jeden Tag leihen für 10 /Tag Schlecht: Sfrtkauf - Ksten beste (ffline) Strategie: einen Tag mieten mit 10 - Kmpetitiver relativer Verlust: 100 /10 = 10 Immer Mieten - Relativer kmpetitiver Verlust (vgl. Sfrtkauf) Bessere Strategie: 10 Tage Skier mieten. Am 11. Tag kaufen Optimal weil: relativer kmpetitiver Verlust an jedem Tag 2 Algrithm. Grundlagen des Internets 9
10 Kmpetitive Analyse vn Prbing-Strategien Universität Paderbrn EIM Institut für Infrmatik Vergleich Online-Algrithmus mit Offline-Algrithmus Prblem: Ksten der besten Offline-Strategie = 0 (wähle x t = u t ) Deswegen Vergleich der Anzahl übertragener Pakete (bei Datenrate x und Bandweite u): Entspricht strengen Ksten S(x,u) = u-gain(x,u) Optimale Rate: Kmpetitives Verhältnis r: Algrithm. Grundlagen des Internets 10
11 Optimaler kmpetitiver Algrithmus Universität Paderbrn EIM Institut für Infrmatik Annahme: x,u [a..b] Algrithmus wählt x mit flgender Wahrscheinlichkeit und für x[a+1..b]: wbei und damit r = 1+H b -H a, wbei Therem: 1. Dieser Algrithmus hat ein kmpetitives Verhältnis r = pt T /E[ gain T ] für jede (bösartige) Wahl der Bandweiten. 2. Dieses Verhältnis ist bestmöglich. Algrithm. Grundlagen des Internets 11
12 Beweis vn 1. Universität Paderbrn EIM Institut für Infrmatik Damit ergibt sich für das Intervall [1..n] ein kmpetitives Verhältnis vn r = ln n + O(1) Algrithm. Grundlagen des Internets 12
13 Andere kmpetitive Mdelle Universität Paderbrn EIM Institut für Infrmatik Optimaler kmpetitiver Algrithmus nicht praxistauglich Benutzt kein Feedback! Prblem: Anfrderung an Prbing-Strategie zu hch Bandweite in Runde t+1 höchstens um Faktr α höher: u t+1 α u t Prbing-Strategie erreicht kmp. Verhältnis Verlust bezüglich der besten knstanten Datenrate Keine Einschränkung in der Wahl der Bandweite u t [1..n] Beste knstante Datenrate Erwarteter relativer Verlust bezgen auf dieser Datenrate: [Picclbni,S: 2000]: Es gibt Prbing-Strategie A mit sublinearen relativen Verlust: Algrithm. Grundlagen des Internets 13
14 Überblick Suchmaschinen (Stand März 2002) Universität Paderbrn EIM Institut für Infrmatik Gespeicherte Dkumentmenge: Search Engine Ggle WiseNut AllTheWeb Nrthern Light AltaVista Htbt MSN Search Shwdwn Estimate (millins) Claim (millins) 1,500 1, Algrithm. Grundlagen des Internets 14
15 Überblick Suchmaschinen (Stand Dez. 2002) Universität Paderbrn EIM Institut für Infrmatik Gespeicherte Dkumentmenge: Search Engine Ggle AlltheWeb AltaVista WiseNut Htbt MSN Search Tema NLResearch Gigablast Algrithm. Grundlagen des Internets Shwdwn Estimate (millins) 15 3,033 2,106 1,689 1,453 1,147 1,018 1, Claim (millins) 3,083 2,116 1,000 1,500 3,000 3,
16 Webseitensuche Universität Paderbrn EIM Institut für Infrmatik Mderne Websuchalgrithmen verlassen sich nicht nur auf textuelle Suche: Prblem des Überflusses an Trefferseiten Wörter decken 95% jedes Texts ab (Paretverteilung) Mehr Web-Seiten als Wörter Gesucht: wichtige Seiten, d.h. Seiten mit Autrität Wichtige Seiten enthalten nicht den Suchbegriff weder Sprtwagen der Aut weder Aircraft nch Airjet weder Search engine nch Suchmaschine Bestimmte Seiten besitzen fast alle Schlüsselwörter Web-Verzeichnisse, Z.B enthalten viele Begriffe, aber keine Autritäten für ein Gebiet Namensgebung der URL irreführend: ist Webverzeichnis Bestimmte Suchbegriffe fast überall z.b. WWW, Web, windws, java Algrithm. Grundlagen des Internets 16
17 Webseitensuche Universität Paderbrn EIM Institut für Infrmatik PageRank [Brin&Page 98] Vergibt jeder Web-Seite einen absluten Rang (rank)/autrität Rang berücksichtigt Eingrad und Autrität des Eingrads Idee Seiten sind wichtig, wenn wichtige Seite auf sie zeigen HITS (HyperText Induces Tpic Search) [Kleinberg 98] Ausgehend vn einem Seitenstamm aus einer textuellen Suche Betracht Hubs (Hinweisseiten) und Autritäten, Idee: Gute Hubs zeigen gute Autritäten an Gute Autritäten werden vn guten Hubs adressiert Algrithm. Grundlagen des Internets 17
18 Vereinfachter PageRank-Algrithmus Universität Paderbrn EIM Institut für Infrmatik Vereinfachter PageRank-Algrithmus Rank einer Web-Seite R(u) [0,1] Wichtige Seiten vererben ihr Gewicht (gleichmäßig unter ihren Nachflgern) c ist Nrmalisierungsfaktr, s dass R(u) 1 =1 Vrgängermenge B u Nachflgermenge F u Algrithm. Grundlagen des Internets 18
19 Vereinfachter PageRank Beispiel Universität Paderbrn EIM Institut für Infrmatik Algrithm. Grundlagen des Internets 19
20 Matrixdarstellung Universität Paderbrn EIM Institut für Infrmatik R c M R, wbei R Vektr (R(1),R(2), R(n)) und M flgende n n Matrix ist: Algrithm. Grundlagen des Internets 20
Verlinkung von Webseiten
Verlinkung von Webseiten Search Engine Strategies Conference & Expo, München 2007 Alan Webb CEO, ABAKUS Internet Marketing Warum ist Linkaufbau so wichtig? > Folgende Suchmaschinen bewerten Linkpopularität
MehrApplication Sheet DHCP - Server
EDV-Cnsulting Applicatin Sheet DHCP - Server Der DHCP-Server (Dynamic Hst Cnfiguratin Prtkl) ist ein standardisierter Client/Server-Dienst, der die Clients in einem Netzwerk mit gültigen IP-Adressen versrgt.
MehrRandomisierte Algorithmen 2. Erste Beispiele
Randomisierte Algorithmen Randomisierte Algorithmen 2. Erste Beispiele Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 35 Randomisierter Identitätstest
MehrEntwurf und simulative Bewertung eines Verfahrens zur dynamischen Steuerung des Overprovisioning durch Bandwidth Broker
Einleitungsvrtrag zur Diplmarbeit Entwurf und simulative Bewertung eines Verfahrens zur dynamischen Steuerung des Overprvisining durch Bandwidth Brker Marcus Drews 13.07.2001 Gliederung 1. Einleitung /
MehrAlgorithmen und Datenstrukturen
Algrithmen und Datenstrukturen Prf. Dr. Ralf Möller Universität zu Lübeck Institut für Infrmatinssysteme Tanya Braun (Übungen) swie viele Tutren Suchgraphen für 2-Persnen-Nullsummenspiele Typen vn Spielen
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 24.01.2013 Online Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrEine prägnante und sehr treffende Beschreibung der Problemstellungen in Webgraphen findet sich in [KL01]:
Kapitel 3 Der Webgraph 31 Eigenschaften des Webgraphs Eine prägnante und sehr treffende Beschreibung der Problemstellungen in Webgraphen findet sich in [KL01]: Innerhalb eines Jahrzehnts entwickelte sich
MehrArbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute
3.4 PageRank Arbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute Wichtigkeit von Webseiten; nicht Relevanz bezüglich Benutzeranfrage. Anfrageunabhängiges Ranking. Ausgangspunkt: Eingangsgrad.
Mehr5. Vorlesung. Das Ranking Problem PageRank HITS (Hubs & Authorities) Markov Ketten und Random Walks PageRank und HITS Berechnung
5. Vorlesung Das Ranking Problem PageRank HITS (Hubs & Authorities) Markov Ketten und Random Walks PageRank und HITS Berechnung Seite 120 The Ranking Problem Eingabe: D: Dokumentkollektion Q: Anfrageraum
MehrVertiefung NWI: 13. Vorlesung zur Wahrscheinlichkeitstheorie
Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 13. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 10.7.2013 13. Markoffketten 13.1 Beispiele 1. Irrfahrt auf dem zweidimensionalen
MehrApple OS: Fast 1 von 3 Visits im Vereinigten Königreich
Betriebssystem-Barmeter Apple OS: Fast 1 vn 3 Visits im Vereinigten Königreich Im Durchschnitt kmmen im Februar 2014 fast 1 vn 3 Visits im Vereinigten Königreich über das Betriebssystem vn Apple (19,3
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Suche im Web. Tobias Scheffer
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Suche im Web Tobias Scheffer WWW 1990 am CERN von Tim Berners Lee zum besseren Zugriff auf Papers entwickelt. HTTP, URLs, HTML,
MehrSuchmaschinenalgorithmen. Vortrag von: Thomas Müller
Suchmaschinenalgorithmen Vortrag von: Thomas Müller Kurze Geschichte Erste Suchmaschine für Hypertexte am CERN Erste www-suchmaschine World Wide Web Wanderer 1993 Bis 1996: 2 mal jährlich Durchlauf 1994:
MehrZusammenstellung aus ehemaligen DDR Prüfungsaufgaben (Aufgabe 6)
(Aufgabe 6) 0. Klasse Abschlussprüfungen Jahrgänge 970 99 Fach Mathematik Material für Fachberater, gedacht als Beispiele für die Aufgabe der neuen brandenburger Prüfungsaufgaben 970 6 a) Ermitteln Sie
MehrWS 2014/15 Diskrete Strukturen Kapitel 3: Kombinatorik (2)
WS 2014/15 Diskrete Strukturen Kapitel 3: Kombinatorik (2) 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
MehrWie Google Webseiten bewertet. François Bry
Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google
MehrSEO SEARCH ENGINE OPTIMIZATION
SEO SEARCH ENGINE OPTIMIZATION Warum Suchmaschinenoptimierung? Mehr als 80% der Nutzer kommen über Suchmaschinen und Web-Verzeichnisse zu neuen Websites 33% aller Suchmaschinen User glauben, dass die zuerst
MehrEinführung. Künstliche Intelligenz. Steuerungs- und Regelungstechnik. Psychologie. Reinforcement Learning (RL)
Einführung Künstliche Intelligenz Psychlgie Reinfrcement Learning (RL) Steuerungs- und Regelungstechnik Neurwissenschaft Künstliche Neurnale Netze W19, 10.5.2006, J. Zhang 1 +148 Was ist Reinfrcement Learning?
MehrErlä uterungen zu Meldungen IP Losses Art. 101 CRR
Erlä uterungen zu Meldungen IP Lsses Art. 101 CRR Rechtlicher Hintergrund Die Verlustdaten, welche in Art. 101 CRR gemeldet werden, werden vn der FMA herangezgen, um zu beurteilen, b die (begünstigten)
MehrRolf Wanka Sommersemester Vorlesung
Peer-to to-peer-netzwerke Rolf Wanka Sommersemester 2007 10. Vorlesung 28.06.2007 rwanka@cs.fau.de basiert auf einer Vorlesung von Christian Schindelhauer an der Uni Freiburg Inhalte Kurze Geschichte der
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
MehrGeschichte des Internets Suchmaschinen Fachinformationszentren. Institute for Science Networking
Geschichte des Internets Suchmaschinen Fachinformationszentren Kurze Geschichte des Internets Internet: Geschichte beginnt mit der Entwicklung paketvermittelter Netze. Bei der Paketvermittlung werden Nachrichten
MehrBrowser in Europa: Safari liegt vor Firefox und gleich hinter Internet Explorer
Brwser-Barmeter Brwser in Eurpa: Safari liegt vr Firefx und gleich hinter Internet Explrer Mit durchschnittlich 19,8 % der Visits in Eurpa im Oktber 2014 belegt Safari Platz 3 mit einem Abstand vn 0,1
MehrWagner M. Dienstag, 22. April 2014. Leitfaden für Semistrukturierte Interviews
Leitfaden für Semistrukturierte Interviews 1 Inhaltsverzeichnis Überblick... 3 Die wichtigsten Eckpunkte des Visualisierungssystems:... 3 Zusatzmaterial für die Interviews:... 3 Wichtig für die/den Interviewleitende(n):...
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrCCNA Exploration Network Fundamentals. ARP Address Resolution Protocol
CCNA Exploration Network Fundamentals ARP Address Resolution Protocol ARP: Address resolution protocol 1. Eigenschaften ARP-Cache Aufbau 2. Ablauf Beispiel Flussschema 3. ARP-Arten 4. Sicherheit Man-In-The-Middle-Attacke
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
MehrAufgabe 1 KAPSELUNG. »Programmieren«, WS 2006/2007. Nino Simunic M.A.
»Prgrammieren«, WS 2006/2007 Nin Simunic M.A. Nin Simunic (nin.simunic@uni-due.de) Übungsblatt 8 Die benötigten Quelltexte finden Sie hier: http://imperia.uni-due.de/imperia/md/cntent/cmputerlinguistik/uebungsblatt_8_cde.zip
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrAnwendungsfach (Nebenfach) gemäß PO 2008
Anwendungsfach (Nebenfach) gemäß PO 2008 Zu Prüfungen im Nebenfach ist mindestens 2 Wchen vr dem Prüfungstermin eine Anmeldung im Sekretariat des Prüfungsausschusses der Mathematik (Frau Simns, Geb. 25.13-03.34)
MehrNormalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b,
Normalengleichungen Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b, Normalengleichungen 1-1 Normalengleichungen Für eine beliebige
MehrGoogle s PageRank. Eine Anwendung von Matrizen und Markovketten. Vortrag im Rahmen der Lehrerfortbildung an der TU Clausthal 23.
Google s PageRank Eine Anwendung von Matrizen und Markovketten Vortrag im Rahmen der Lehrerfortbildung an der TU Clausthal 23. September 2009 Dr. Werner Sandmann Institut für Mathematik Technische Universität
MehrRolf Wanka Sommersemester Vorlesung
Peer-to to-peer-netzwerke Rolf Wanka Sommersemester 2007 12. Vorlesung 12.07.2007 rwanka@cs.fau.de basiert auf einer Vorlesung von Christian Schindelhauer an der Uni Freiburg Aufbau Viceroy Knoten in Viceroy
MehrPageRank-Algorithmus
Proseminar Algorithms and Data Structures Gliederung Gliederung 1 Einführung 2 PageRank 3 Eziente Berechnung 4 Zusammenfassung Motivation Motivation Wir wollen eine Suchmaschine bauen, die das Web durchsucht.
Mehr4 Der Gauß Algorithmus
4 Der Gauß Algorithmus Rechenverfahren zur Lösung homogener linearer Gleichungssysteme Wir betrachten ein GLS (1) a 11 x 1 + a 1 x + + a 1n x n = a 1 x 1 + a x + + a n x n = a m1 x 1 + a m x + + a mn x
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 016/17 Dr. K. Rothe Analsis I für Studierende der Ingenieurwissenschaften Hörsaalübung mit Beispielaufgaben zu Blatt 3 Gegeben sei eine Funktion f :
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
MehrWirkungsvoller Internetauftritt. 22. Januar 2014 Seite: 1
Wirkungsvller Internetauftritt 22. Januar 2014 Seite: 1 Richard Albrecht Siteway GmbH Gestaltung vn Websites seit 1998 Einzelberatung und Seminare seit 2006 22. Januar 2014 Seite: 2 Präsentatin anfrdern:!
MehrOnline-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung
Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Abgaben: 92 / 234 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 1 Durchschnitt: 4 Frage 1 (Diese Frage haben ca. 0% nicht beantwortet.)
MehrMusterlösung 7 Lineare Algebra für die Naturwissenschaften
Musterlösung 7 Lineare Algebra für die Naturwissenschaften Aufgabe Entscheiden Sie, ob folgende Abbildungen linear sind, und geben sie für die linearen Abbildungen eine Matrixdarstellung (in einer Basis
MehrÜbungsaufgaben zur Vorlesung ANALYSIS I (WS 12/13) Lösungsvorschlag Serie 12
Humboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen Übungsaufgaben zur Vorlesung ANALYSIS I (WS 2/3) Lösungsvorschlag
MehrInstitut für Informatik und Angewandte Kognitionswissenschaft
Veranstaltung: Dzent: Wissensrepräsentatin (»Grundlagen der KI«), SS08 Nin Simunic M.A., Cmputerlinguistik, Campus DU Übung (4), 09.06.2008-14.06.2008 Thema: Prbabilistisches Schließen / Statistische Verfahren
MehrCPA-Sicherheit ist ungenügend
CPA-Sicherheit ist ungenügend Definition CCA CCA (=Chosen Ciphertext Attack) ist ein Angriff, bei dem der Angreifer sich Chiffretext seiner Wahl entschlüsseln lassen kann. Beispiele in denen CPA nicht
MehrDiskrete Modellierung
Diskrete Modellierung Wintersemester 2013/14 Prof. Dr. Isolde Adler Letzte Vorlesung: Korrespondenz zwischen der Page-Rank-Eigenschaft und Eigenvektoren zum Eigenwert 1 der Page-Rank-Matrix Markov-Ketten
MehrHomepage-Optimierung. Mit der Homepage Kunden gewinnen!
Homepage-Optimierung Mit der Homepage Kunden gewinnen! Der heutige Abend... Suchmaschinen Was, Wer, Wie, Warum?!? Was hat das mit mir zu tun? Die eigene Homepage Grundlagen, Aufbau, Struktur, Zielausrichtung
MehrBesuchergewinnung über generische Suchergebnisse
1 Besuchergewinnung über generische Suchergebnisse Ziele und Nebenbedingungen Janus Strategie Relevanz Prinzip Potenzial Ermittlung Sofortfrage? Sofortantwort. Search Engine Optimization (SEO) 2 Die Suche
MehrKlausur Physik 1 (GPH1) am Fachbereich Elektrotechnik und Informatik, Fachbereich Mechatronik und Maschinenbau
Name, Matrikelnummer: Klausur Physik 1 (GPH1) am 1.10.10 Fachbereich Elektrtechnik und Infrmatik, Fachbereich Mechatrnik und Maschinenbau Zugelassene Hilfsmittel: Beiblätter zur Vrlesung Physik 1 ab WS
MehrSeminar. Der Ring O K der ganzen Zahlen über einem Zahlenkörper K. Armin Hecht, Sabine Naewe
Universität Paderborn SS 2007 Warburger Str. 100 33098 Paderborn Seminar Der Ring O K der ganzen Zahlen über einem Zahlenkörper K Armin Hecht, Sabine Naewe 04.Dezember 2007 Inhaltsverzeichnis 7 Der Ring
MehrALGORITHMEN- PARADIGMEN
4. Kapitel ALGORITHMEN- PARADIGMEN Algrithmen & Datenstrukturen Prf. Dr. Wlfgang Schramm Übersicht 1 1. Einführung 2. Algrithmen 3. EigenschaFen vn Prgrammiersprachen 4. Algrithmenparadigmen 5. Suchen
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
MehrSuchmaschinen-Platzierungs-Bericht
Suchmaschinen-Platzierungs-Bericht Erstellt von SunPage Gilbert Wyrsch Webdesign & PC-Schulung Am Bach 30 8400 Winterthur Tel 052 202 60 60 www.sunpage.ch Datum: Mittwoch, 19. November 2008 Empfänger:
MehrSEO Services. Mehr Erfolg durch Suchmaschinenoptimierung (SEO) von dmc Steigerung von Umsatz und Conversion-Rate Erhöhung der Markenbekanntheit
SEO Services Mehr Erflg durch Suchmaschinenptimierung (SEO) vn dmc Steigerung vn Umsatz und Cnversin-Rate Erhöhung der Markenbekanntheit Einführung Suchmaschinen sind zu einem unverzichtbaren Instrument
MehrLink Analysis and Web Search Jan Benedikt Führer
Link Analysis and Web Search Jan Benedikt Führer 16. Januar 2011 DKE TUD Jan Benedikt Führer 1 Gliederung Motivation Link-Analyse mit Hubs und Authorities PageRank Anwendung innerhalb des WWW Anwendungen
MehrThema 3 Folgen, Grenzwerte
Thema 3 Folgen, Grenzwerte Definition Eine Folge von reellen Zahlen ist eine Abbildung von N in R d.h. jedem n N ist eine Zahl a n zugeordnet. Wir schreiben für eine solche Folge. Beispiele. (a n ) n N
MehrPG520 - Webpageranking
12. Oktober 2007 Webpageranking - Quellen The PageRank citation ranking: Bringing order to the Web; Page, Brin etal. Technical report, 1998. A Unified Probabilistic Framework for Web Page Scoring Systems;
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)
MehrVom Suchen und Finden - Google und andere Ansätze
Vom Suchen und Finden - Google und andere Ansätze Norbert Fuhr Universität Duisburg Essen FB Ingenieurwissenschaften Abteilung Informatik 12. Mai 2005 Gliederung 1 Einführung 2 Grundlagen 3 Erweiterte
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Aufgabe 45. Polynome sind stets stetig. Höhere Mathematik für Informatiker II (Sommersemester
MehrErfahrungen, Einblicke, Experimente
Detaillierter Blick in eine Link-Datenbank Erfahrungen, Einblicke, Experimente 03/13/10 Überblick Erfahrungen mit dem Link-Graph der Suchmaschine Neomo Link-Datenbank Link-Algorithmen in Theorie und Praxis
MehrInternet und die Folgen
Internet und die Folgen Wissenschaftlicher Bibliothekarenkurs 2001/2002 2002 Trialog AG Lernziele Sie wissen, wie Sie Informationen im Internet beschaffen. wie Sie selbst Informationen im Internet publizieren.
MehrNach Google Chrome wird Firefox in Frankreich am häufigsten als Browser genutzt
Brwser-Barmeter Nach Ggle Chrme wird Firefx in Frankreich am häufigsten als Brwser genutzt Mit durchschnittlich 22,5 % der Visits in Frankreich im Juni hlt sich Firefx im Brwser-Ranking den 2. Platz vn
Mehr2. Mathematische Grundlagen
2. Mathematische Grundlagen Erforderliche mathematische Hilfsmittel: Summen und Produkte Exponential- und Logarithmusfunktionen 21 2.1 Endliche Summen und Produkte Betrachte n reelle Zahlen a 1, a 2,...,
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Große Übung #6 Phillip Keldenich, Arne Schmidt 26.02.2017 Heute: Master-Theorem Phillip Keldenich, Arne Schmidt Große Übung 2 Vorbetrachtungen Wir betrachten rekursive Gleichungen
Mehr34 5. FINANZMATHEMATIK
34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.
Mehr5. Woche Perfekte und Optimale Codes, Schranken. 5. Woche: Perfekte und Optimale Codes, Schranken 88/ 142
5 Woche Perfekte und Optimale Codes, Schranken 5 Woche: Perfekte und Optimale Codes, Schranken 88/ 142 Packradius eines Codes (Wiederholung) Definition Packradius eines Codes Sei C ein (n, M, d)-code Der
MehrRationale Zahlen. Umwandlung der verschiedenen Schreibweisen Erweitern auf eine Stufenzahl im Nenner: Relative Häufigkeit
Es gibt drei verschiedene Darstellungen: Zähler Nenner Brüche kann man kürzen und erweitern, hne dass sich der Wert ändert. Kürzen: Zähler und Nenner werden durch die selbe Zahl geteilt. Erweitern: Zähler
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
MehrÜbersicht. Grundidee des Indexing Lucene Wichtige Methoden und Klassen Lucene Indizierungsbeispiele Lucene Suchbeispiele Lucene QueryParser Syntax
Indizierung Lucene Übersicht Grundidee des Indexing Lucene Wichtige Methoden und Klassen Lucene Indizierungsbeispiele Lucene Suchbeispiele Lucene QueryParser Syntax Grundideen und Ziel des Indexing Effizientes
MehrKurzübersicht. Grundeinstellungen. 1) Im Rakuten Shop
Kurzübersicht Die Anbindung an Rakuten ermöglicht es Ihnen Bestellungen aus Ihrem Rakuten Shp zu imprtieren und hieraus Lieferscheine und Rechnungen zu erstellen. Prdukte lassen sich aus dem Rakuten Shp
Mehr9. IR im Web. bei Anfragen im Web gibt es eine Reihe von zusätzlichen Problemen, die gelöst werden
IR im Web 9. IR im Web bei Anfragen im Web gibt es eine Reihe von zusätzlichen Problemen, die gelöst werden müssen Einführung in Information Retrieval 394 Probleme verteilte Daten: Daten sind auf vielen
Mehr21. - 24. Juli 2011 in Cadenabbia
21. - 24. Juli 2011 in Cadenabbia Suchmaschinen, Soziale Netzwerke & Co. Müssen wir twittern, um unsere Kunden zu halten? Dr. Christoph Kexel Hochschule accadis Du Pont-Str. 4 61352 Bad Homburg vor der
MehrErfolg für die mobilen Betriebssysteme von Apple und Google
Betriebssystem-Barmeter Erflg für die mbilen Betriebssysteme vn Apple und Ggle Anstieg der Visitanteile um 2,6 Punkte für Andrid und 2,2 Punkte für ios zwischen März und August 2014 Studie veröffentlicht
MehrThe Cable Guy: Dynamische DNS-Aktualisierung in Windows 2000
The Cable Guy: Dynamische DNS-Aktualisierung in Windws 2000 (Engl. Originaltitel: The Cable Guy: DNS Dynamic Update in Windws 2000) DNS (Dmain Name System) unterstützt einen Mechanismus zum Auflösen vn
Mehr2. Übungsblatt 6.0 VU Theoretische Informatik und Logik
2. Übungsblatt 6.0 VU Theoretische Informatik und Logik 25. September 2013 Aufgabe 1 Geben Sie jeweils eine kontextfreie Grammatik an, welche die folgenden Sprachen erzeugt, sowie einen Ableitungsbaum
MehrA1 Cloud: Ihre IT immer verfügbar, sicher, aktuell.
A1 Cloud: Ihre IT immer verfügbar, sicher, aktuell. Einfach A1. ist Österreichs führendes Kommunikationsunternehmen und bietet Festnetz, Mobiltelefonie, Internet und Fernsehen aus einer Hand. Basis sind
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
Mehr6 Polynominterpolation
Vorlesungsskript HM-Numerik (SS 2014): Kapitel 6 Version: 1 Juli 2014 6 Polynominterpolation Gegeben: Wertepaare { (x i,f i ) R 2 i = 0,,n } Gesucht: Einfache Funktion g : R R mit g(x i ) = f i i {0,1,,n}
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrWebhost Unix Statistik
Webhost Unix Statistik Für jeden Betreiber eines Webservers ist es natürlich auch interessant zu wissen, welchen Erfolg das eigene Angebot hat und welche Seiten denn am öftesten abgerufen werden. Da jeder
MehrFachtagung Enterprise Search-Systeme Einführung Unternehmensweite Suche
1 www.namics.com Fachtagung Enterprise Search-Systeme Einführung Unternehmensweite Suche Zürich 28. November 2007 Markus Tressl, Senior Consultant Bern, Frankfurt, Hamburg, München, St. Gallen, Zug, Zürich
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrStochastische Prozesse. Woche 5
FS 2016 Stochastische Prozesse Woche 5 Aufgabe 1 PageRank-Algorithmus von Google Das Herz der Google-Suchmaschine ist ein Algorithmus, der alle Dokumente des WWW nach ihrer Wichtigkeit anordnet. Die Auflistung
MehrMit kombinatorischer Optimierung zur Nadel im Heuhaufen
Mit kombinatorischer Optimierung zur Nadel im Heuhaufen Rico Zenklusen ETH Zurich Was ist kombinatorische Optimierung? Finde beste/gute Lösung in einer riesigen Menge endlich vieler Möglichkeiten. / 0
MehrSEO Search Engine Optimization
SEO Search Engine Optimization 1 Der PageRank-Algorithmus Das Prinzip des PageRank-Algorithmus ist, dass jede Seite ein Gewicht (PageRank) besitzt, das umso grösser ist, je mehr Seiten (mit möglichst hohem
MehrAbiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit x f(x) = (x + 5) e. Aufgabe : ( VP) Gegeben ist die Funktion
MehrT6 THERMOELEMENT UND ABKÜHLUNGSGESETZ
PHYSIKALISCHE GRUNDLAGEN Wichtige Grndbegriffe: ermspannng, ermelement, ermkraft, Astrittsarbeit, Newtnsches Abkühlngsgesetz Beschreibng eines ermelementes: Ein ermelement besteht as zwei Drähten verschiedenen
MehrKarlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang. Sommersemester
Karlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang Sommersemester 03 6.06.03 Höhere Mathematik II für die Fachrichtungen Elektrotechnik und Informationstechnik
MehrENERGIESATZ BEIM FADENPENDEL
11 1) EINFÜHRUNG ENERGIESATZ BEIM FADENPENDEL In einem energetisch abgschlssenen System bleibt die Summe der mechanischen Energien knstant, slange die mechanischen Vrgänge reibungsfrei ablaufen. Energie
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrOnline-Algorithmen. Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01
Online-Algorithmen Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01 Vortrag Bin Packing von Thilo Geertzen 25. Oktober 2000 Online Algorithmen
MehrGLASmatic GLASwin Filiallösung
Mit der Weiterentwicklung der Sftware stellt GLASmatic dem Markt die Spitzenlösung der Warenwirtschaftssysteme für die Aut- Glaserbranche zur Verfügung. Die Windwslösung ist knzipiert für die Betriebssysteme
MehrProbabilistische Primzahltests
23.01.2006 Motivation und Überblick Grundsätzliches Vorgehen Motivation und Überblick Als Primzahltest bezeichnet man ein mathematisches Verfahren, mit dem ermittelt wird, ob eine gegebene Zahl eine Primzahl
Mehr4.4.1 Statisches perfektes Hashing. des Bildbereichs {0, 1,..., n 1} der Hashfunktionen und S U, S = m n, eine Menge von Schlüsseln.
4.4 Perfektes Hashing Das Ziel des perfekten Hashings ist es, für eine Schlüsselmenge eine Hashfunktion zu finden, so dass keine Kollisionen auftreten. Die Größe der Hashtabelle soll dabei natürlich möglichst
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrBenutzungsanleitung für die DVD Wenn mir die Worte fehlen
Wenn mir die Wrte fehlen DVD 3. Versin Seite 1/10 Benutzungsanleitung für die DVD Wenn mir die Wrte fehlen Inhalt Prgrammstart Seite 1 Startseite Seite 1 Benutzungsanleitung Seite 1 Standard Mdus Seite
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
MehrSuchmaschinenoptimierung. Dr. Lars Göhler
Suchmaschinenoptimierung Dr. Lars Göhler Suchmaschinenoptimierung search engine optimization (seo) optimiert Websites so, dass sie mit Suchmaschinen gefunden werden erhöht den Wert einer Website ist überlebenswichtig
MehrMein Internetauftritt auf dem Prüfstand
Mein Internetauftritt auf dem Prüfstand Praxisseminar am 13.03.2008 Dr. Wolfgang Krauß Krauß-Marketing Unternehmensberatung Chemnitz www.krauss-marketing.de Das Marketing befindet sich im Umbruch These:
Mehr