Natural Language Processing
|
|
- Jasper Brinkerhoff
- vor 6 Jahren
- Abrufe
Transkript
1 Natural Language Processing Kapitel 1: Einführung Prof. Dr. Johannes Maucher HdM MIB Version Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
2 Document History Version Date Changes Nr Initiale Version Korrekturen und Anpassungen; Grundlage für SS Umstellung der Lehrinhalte; Grundlage für SS Anpassungen für WS 13/ Übersicht NLP Prozesskette entfernt Anpassungen für WS 14/ Anpassungen für WS 16/ Komplette Überarbeitung/Neustrukturierung Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
3 Übersicht Kapitel Einführung 1 Was ist NLP Definition und Ziele Einordnung 2 Anwendungen 3 Schwerpunkt (Trend) in NLP allgemein 4 Herausforderungen und Probleme 5 NLP Ansätze 6 Die Vorlesung NLP Lernziele Inhalt Prüfung Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
4 Was ist NLP Definition und Ziele Definitionen In dieser Vorlesung liegt der Schwerpunkt eindeutig auf NL Understanding von Text. Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
5 Was ist NLP Definition und Ziele Vision und Ziel Vision Entwicklung von Computermodellen, die natürliche Sprache so gut verstehen und sprechen können wie Menschen. Ziel (realisitisch) Bau von Computermodellen, die Bedeutung in natürlich sprachlich verfassten Dokumenten und Sprache verstehen und daraus Schlüsse ziehen können. Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
6 Was ist NLP Definition und Ziele Es wäre schön, wenn uns ein Computer folgende Fragen beantworten könnte: Auf welches Produkt bezieht sich der Review? Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
7 Was ist NLP Definition und Ziele Es wäre schön, wenn uns ein Computer folgende Fragen beantworten könnte: Auf welches Produkt bezieht sich der Review? Wird das Produkt gut bewertet? Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
8 Was ist NLP Definition und Ziele Es wäre schön, wenn uns ein Computer folgende Fragen beantworten könnte: Auf welches Produkt bezieht sich der Review? Wird das Produkt gut bewertet? Werden Produktkomponenenten bzw. Produkteigenschaften individuell bewertet? Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
9 Was ist NLP Definition und Ziele Es wäre schön, wenn uns ein Computer folgende Fragen beantworten könnte: Auf welches Produkt bezieht sich der Review? Wird das Produkt gut bewertet? Werden Produktkomponenenten bzw. Produkteigenschaften individuell bewertet? Für welches Produkt dieser Kategorie wird eine bestimmte Eigenschaft insgesamt (über alle möglichen Reviews, Foren- und Blogbeiträge), am besten bewertet? Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
10 Was ist NLP Einordnung Informatik, Linguistik und Künstliche Intelligenz Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
11 Anwendungen Dialog Systeme / Question Answering Benötigt u.a.: Spracherkennung Sprache verstehen: Syntax und Semantik Semantische Suche, Information Retrieval Inferenzverfahren (Schlüsse ziehen) Sprachsynthese Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
12 Anwendungen Bedeutung des Textverstehens innerhalb der KI Ausschnitt aus Die ZEIT, Ausgabe : Ist er besser als wir?...ibm-konzern. Als dessen Computer Deep Blue 1997 den damaligen Schachweltmeister Garri Kasparow besiegte, war das beachtlich, aber auch zu erwarten. Schach ist ein Spiel nach mathematischen Regeln. Computer mögen so was. Doch ein bedeutender Teil der Datenwelt blieb den Computern verschlossen wie einem Analphabeten die Bücher: die im Netz und auf Computern Tag für Tag anschwellende Masse an Texten und Bildern. Das neue Forschungsziel der IBM-Führung nach dem Sieg im Schach war deshalb: ein alphabetisierter Computer, der unstrukturierte Texte verstehen kann. Das Kalkül: Kein Arzt der Erde kann alle Studien zu seinem Fach lesen und bewerten, kein Jurist binnen Sekunden Tausende Seiten erfassen, kein Risikoanalyst einer Bank alle Nachrichten zu einem Thema in seine Entscheidungen einbeziehen und kein Geheimagent das ganze Internet durchforsten. Ein Computer, der zu alldem in der Lage wäre und den Nutzern obendrein Antworten auf konkrete Fragen zu Medizin, Finanzen oder Terrorgefahren geben könnte, wäre ein Riesengeschäft. Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
13 Anwendungen Digitale Assistenten Gardner: Marktpotenzial Digitale Assistenten Siri Google Now, Google Pixel Cortana Amazon Echo Google Home Mini belauscht Nutzer Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
14 Anwendungen Automatische Übersetzung Skype-Echtzeitübersetzung in 8 Sprachen DeepL en Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
15 Anwendungen Dokumentklassifikation Allgemein: Automatische Einteilung von Dokumenten in verschiedene Klassen Beispiel: Spam-Filter Eingesetzt werden hierfür Verfahren des überwachten maschinellen Lernens in Verbindung mit NLP Techniken. Nutzerspezifische Klassifikation von Nachrichten, Posts,..., z.b. in Facebook Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
16 Anwendungen Opinion Mining (Sentiment Analysis) Document Level Sentiment Analysis bestimmt ob das Objekt, auf welches sich das Dokument bezieht, insgesamt eher gut oder schlecht beschrieben wird. Beispiele: Stimmungsanalyse auf Tweets Spiegel-Artikel vom Sentence Level Sentiment Analysis damit können auch einzelne Produktbestandteile und Produkteigenschaften analysiert werden. Quelle: Bing Liu; Sentiment Analysis: A Multifaced Problem; IEEE Intelligent Systems; June 2010 Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
17 Anwendungen Trendanalyse, z.b. mit Google Ngram Viewer Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
18 Anwendungen Weitere Anwendungen Textverarbeitung: Automatische Korrektur Information Retrieval: Suche nach bestimmten Inhalten in Texten. Herkömmliche Suche und semantische Suche. Sprachsynthese, eingesetzt in Dialogsystemen, Navigationsgeräten usw. Human Computer Interaction (HCI) z.b. als bevorzugte Schnittstelle im Auto Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
19 Schwerpunkt (Trend) in NLP allgemein Neural Network Language Models, Distributional Semantic Models Durch DSMs, speziell NNLMs, konnte in den vergangenen Monaten die Performanz vieler NLP Anwendungen trastisch verbessert werden. Semantische Ähnlichkeit wird auf Ähnlichkeit (Nähe) im Vektorraum abgebildet Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
20 Schwerpunkt (Trend) in NLP allgemein Beispiel für neuronal gelerntes Sprachmodell HdM Masterarbeit (Sascha Can): Erlernen von politisch ausgerichteten Sprachmodellen Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
21 Herausforderungen und Probleme Mehrdeutigkeit in der Phonologie / Homophonie Homophone sind Worte oder Wortfolgen, die gleich ausgesprochen werden, aber unterschiedliche Bedeutungen haben, z.b. bis - Biss Graf - Graph wahr - war Arm dran - arm dran fair tun - vertun einladen - ein Laden Relevant nur für das Sprachverstehen Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
22 Herausforderungen und Probleme Mehrdeutigkeit in der Morphologie Als Morphene werden die kleinsten bedeutungstragenden Einheiten einer Sprache bezeichnet. Morphologische Mehrdeutigkeit liegt vor, wenn ein Wort auf mehrere Arten in Morphene zerlegt werden kann, z.b. Stau becken - Staub ecken Kult urgeschichte - Kultur geschichte Uran brenner - Ur anbrenner Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
23 Herausforderungen und Probleme Lexikalische Mehrdeutigkeit / Homonyme Als Homonym bezeichnet man ein Wort, das für verschiedene Begriffe oder unterschiedliche Einzeldinge steht. Homonyme sind lexikalisch mehrdeutig (unterschiedliche Semantik) Beispiele: Bank Leitung Schloß Problematisch sind weiterhin Synonyme (Unterschiedliche Worte, die das gleiche bezeichnen, z.b. Bank und Geldinstitut) Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
24 Herausforderungen und Probleme Mehrdeutigkeit in der Syntax Komplexe sprachliche Zeichen (Wortfolgen) sind syntaktisch mehrdeutig, wenn ihnen mehr als eine syntaktische Interpretation zugeschrieben werden kann. Menschen können in diesem Fall meist aus der Semantik auf die Syntax schließen. Bei komplexeren Sätzen liefert die syntaktische Analyse oft mehrere Hundert Analysen. Die meisten von ihnen sind höchst unwahrscheinlich, werden aber durch die zugrunde liegende Grammatik gedeckt. Beispiel: Bert sah die Frau mit dem Fernglas Hierbei kann mit dem Fernglas entweder zum Prädikat (sah) oder zum Objekt (die Frau) gehören. Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
25 Herausforderungen und Probleme Mehrdeutigkeit in der Semantik Manchen komplexen Zeichen können mehrere Bedeutungen zugeordnet werden. Der Unterschied in der Bedeutung kann mit der Mehrdeutigkeit einzelner lexikalischer Zeichen oder mit der syntaktischen Mehrdeutigkeit des Satzes korrespondieren. Beispiel: Jeder Mann liebt eine Frau. Jeder Mann liebt mindestens eine Frau. Jeder Mann liebt genau eine Frau. Alle Männer lieben dieselbe Frau. Es gibt genau eine Frau, und alle Männer lieben sie. Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
26 Herausforderungen und Probleme Mehrdeutigkeit in der Aufeinanderfolge von Sätzen / Satzteilen Auf welches Wort im vorigen Satz /Satzteil bezieht sich das Pronomen? Beispiele: Die Kanne fiel gegen die Scheibe, dabei zerbrach sie. Das traurige Mädchen saß im Auto. Es kam nicht mehr weiter. Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
27 Herausforderungen und Probleme Pragmatische Mehrdeutigkeit Einer Äußerung, die syntaktisch und semantisch eindeutig ist, können in einem Sprechakt mehrere Bedeutungen zugeordnet werden. Beispiel: Mit dem Satz: Da ist etwas Grünes in der Suppe könnte der Sprecher folgendes beabsichtigen 1 : Sachebene: Ich sehe etwas Grünes. Selbstoffenbarung: Ich weiß nicht, was es ist. Beziehung: Du wirst es wissen. Appell: Sag mir bitte, was es ist! 1 Nach dem Vier-Seiten-Modell von Friedemann Schulz von Thun Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
28 NLP Ansätze Regelbasierter vs. Statistischer Ansatz Anytime a linguist leaves the group the recognition rate goes up 2 2 Zitat Fred Jelinek, früherer Chef der IBM Sprachgruppe Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
29 Die Vorlesung NLP Lernziele Lernziele Anwendungen Was kann man mit den NLP Verfahren alles machen? Welche Bedeutung kommt diesen Anwendungen heute und in Zukunft zu? Wie können Inhalt und Bedeutung von natürlichsprachlich verfassten Dokumenten maschinell erschlossen werden? Was sind die grundlegenden Techniken des NLP? Wie können diese Techniken implementiert werden? Link zu den Checker Fragen Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
30 Die Vorlesung NLP Inhalt Inhalte und Struktur der Vorlesung 1 Einführung: Definitionen, Ziele, Anwendungen und Übersicht 2 Textbeschaffung und Preprocessing 3 Vektorraummodell von Dokumenten, Ähnlichkeitsmaße 4 Latent Semantic Indexing 5 Textklassifikation, Grundlagen der Wahrscheinlichkeitsrechnung, Naive Bayes Classifier, Spam Filter 6 N-Gram Sprachmodelle 7 Distributional Semantic Models (DSM) 8 Neural Network Language Models (NNLM) 9 Tiefe Neuronale Netze für die Textklassifikation 10 Tiefe Neuronale Netze für die Automatische Übersetzung Optional: 1 Part Of Speech Tagging: Wortklassen, Bestimmung der Wortklassen 2 Information Extraction: Named Entity Recognition, Relation Recognition 3 Syntaktische Analyse, Syntax-Parsing Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
31 Die Vorlesung NLP Inhalt Checker-Fragen Link zu den Checker-Fragen Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
32 Die Vorlesung NLP Prüfung Prüfung Die Vorlesung Natural Language Processing (NLP) und das Praktikum Data Mining und Mustererkennung bilden zusammen das Modul Data Mining. Die Note im Praktikum Data Mining und Mustererkennung wird aus den Versuchen des Praktikums gebildet. Die Note der Vorlesung NLP wird in einer mündlichen Prüfung ermittelt. In die Modulnote fließt die NLP Note zu 2 Teilen und die Data Mining Note zu 3 Teilen ein. Die Modulprüfung ist in dem Semester anzumelden, in dem die letzte der beiden Teilnoten vorliegen wird. Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
33 Referenzen S. Bird, E. Klein, E. Loper Natural Language Processing with Python; O Reilly, 2009 D. Jurafsky, J.H. Martin; Speech and Language Processing Language Processing; Pearson International Edition, 2009 D. Manning, H. Schütze; Foundations of Statistical Language Processing; MIT Press, 1999 K.-U. Carstensen, Ch. Ebert, C. Ebert, S. Jekat, R. Klabunde, H. Langer Computerlinguistik und Sprachtechnologie Spektrum-Verlag, 3. Auflage 2010 N. Indurkhya, F.J. Damerau (Editors); Handbook of Natural Language Processing; Chapman & Hall/ CRC, 2010 G. Heyer, U. Quasthoff, T. Wittig; Text Mining: Wissensrohstoff Text; W3L-Verlag, Herdecke, Bochum, 2006 Ethem Alpaydin Maschinelles Lernen; deutschsprachige Ausgabe erschienen im Oldenbourg Verlag, München 2008 Wikipedia: Mehrdeutigkeit Prof. Dr. Johannes Maucher (HdM MIB) NLP Kapitel 1: Einführung Version / 30
EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN
EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,
MehrNLP - Analyse des Wissensrohstoffs Text
NLP - Analyse des Wissensrohstoffs Text Vorlesung Beginn: 8. April 2008 Dienstag 10.15 h - 11.45 h, in Raum 1607 oder 0443 Übungen Dr. Andreas Hotho Dominik Benz Beate Krause Sommersemester 2008 Beginn:
MehrComputerlinguistik und Sprachtechnologie
Computerlinguistik und Sprachtechnologie Eine Einführung Herausgegeben von: Kai-Uwe Carstensen, Christian Ebert, Cornelia Endriss, Susanne Jekat, Ralf Klabunde und Hagen Langer Spektrum Akademischer Verlag
MehrVO 340088 Sprachtechnologien. Informations- und Wissensmanagement. Bartholomäus Wloka. Zentrum für Translationswissenschaft
, Informations- und Wissensmanagement Zentrum für Translationswissenschaft Grundlagen und Definitionen Maschinelle Sprachverarbeitung Breites Spektrum an Methoden der Computerverarbeitung von Sprache.
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,
MehrText-Mining: Einführung
Text-Mining: Einführung Claes Neuefeind Fabian Steeg 22. April 2010 Organisatorisches Was ist Text-Mining? Definitionen Anwendungsbeispiele Textuelle Daten Aufgaben u. Teilbereiche Literatur Kontakt Sprechstunde:
MehrEinführung in die Computerlinguistik D IALOGSYSTEME WS 2009/2010. Bojan Georgievski Prashanna Thangeswaran David Höfig
Einführung in die Computerlinguistik D IALOGSYSTEME WS 2009/2010 Bojan Georgievski Prashanna Thangeswaran David Höfig Einführung Was sind Dialogsysteme? Beispiele von Dialogsystemen Wo werden Dialogsysteme
MehrEinführung in die Computerlinguistik Überblick
Einführung in die Computerlinguistik Überblick Hinrich Schütze & Robert Zangenfeind Centrum für Informations- und Sprachverarbeitung, LMU München 2015-10-12 1 / 19 Was ist Computerlinguistik? Definition
MehrOpinion Mining in der Marktforschung
Opinion Mining in der Marktforschung von andreas.boehnke@stud.uni-bamberg.de S. 1 Überblick I. Motivation Opinion Mining II. Grundlagen des Text Mining III. Grundlagen des Opinion Mining IV. Opinion Mining
MehrEinführung in die Computerlinguistik Statistische Grundlagen
Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume
MehrText- und Datamining
Text- und Datamining Verwaltungtechnisches und Themenübersicht Jan Schrader, Morgan Harvey, Martin Hacker .@cs.fau.de Organisatorisches Folien eine Woche vor Präsentation abgeben (per Email)
MehrParsing mit NLTK. Parsing mit NLTK. Parsing mit NLTK. Parsing mit NLTK. Beispiel: eine kleine kontextfreie Grammatik (cf. [BKL09], Ch. 8.
Gliederung Natürlichsprachliche Systeme I D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg 1 WS 2011/12, 26. Oktober 2011, c 2010-2012
MehrSudoku. Warum 6? Warum 6?
. / Sudoku Füllen Sie die leeren Felder so aus, dass in jeder Zeile, in jeder Spalte und in jedem x Kästchen alle Zahlen von bis stehen.. / Warum?. / Warum?. / Geschichte der Logik Syllogismen (I) Beginn
MehrNLP Eigenschaften von Text
NLP Eigenschaften von Text Dr. Andreas Hotho Dominik Benz Beate Krause Sommersemester 2008 Folie: 1 Übersicht Einführung Eigenschaften von Text Words I: Satzgrenzenerkennung, Tokenization, Kollokationen
MehrProseminar - Data Mining
Vorbesprechung Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2015 Vorbesprechung, SS 2015 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source:
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
MehrSports Data Mining. The Field and Methodology. Sublogo. 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1
Sports Data Mining The Field and Methodology 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1 Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten
MehrSentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser
Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung
MehrINFORMATIONSEXTRAKTION IN SUCHMASCHINEN
INFORMATIONSEXTRAKTION IN SUCHMASCHINEN S E M I N A R S U C H M A S C H I N E N S O M M E R S E M ESTER 2014 S T E FA N L A N G E R, C I S, U N I V E R S I TÄT M Ü N C H E N Schematische Architektur einer
MehrINFORMATIONSGEWINNUNG AUS KURZEN TEXTEN
INFORMATIONSGEWINNUNG AUS KURZEN TEXTEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 14. OKTOBER 2011 1. Schlüsselworte Semantik, Informationsextraktion, Automatisierte Syntaxanalyse, Validierung, Chunking, Tagging,
MehrInterdisziplinäre Fachdidaktik: Natürliche Sprachen und Formale Sprachen. Wie verstehen Computer natürliche Sprachen?
Interdisziplinäre Fachdidaktik: Natürliche Sprachen und Formale Sprachen Wie verstehen Computer natürliche Sprachen? LVA Leiter: Elizabeta Jenko Wilfried Grossmann erstellt von Egbert Althammer 9031924
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
MehrStatistische Verfahren in der Computerlinguistik
Statistische Verfahren in der Computerlinguistik Zweiter Teil Einführung in die Computerlinguistik Sommersemester 2009 Übersicht Statistische vs. symbolische Verfahren in der CL Statistik beschreibende
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung 01a: Einführung und Motivation Prof. Dr. Gudrun Socher Dozentin Dozentin Prof. Dr. Gudrun Socher (gudrun.socher@hm.edu) Sprechstunde Donnerstag 9:15-10:00 Uhr Anmeldung per E-Mail
Mehr20. Mitteilungsblatt Nr. 24
20. Mitteilungsblatt Nr. 24 Mitteilungsblatt der Medizinischen Universität Wien Studienjahr 2013/2014 20. Stück; Nr. 24 C U R R I C U L A Änderung des Curriculums für das Masterstudium Medizinische Informatik
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
MehrGrundlagen der natürlichsprachlichen Mensch-Computer Interaktion
Grundlagen der natürlichsprachlichen Mensch-Computer Interaktion Donnerstag 29. 04. 2004 2-1 Richtziel: Erlernen möglicher Verwendung von Markup-Programmiersprachen für Modellierung der natürlichsprachlichen
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation
MehrAnlage 1: Modularisierung des Bachelor-Studiengangs Theoretische und Angewandte Computerlinguistik
Anlage : Modularisierung des Bachelor-Studiengangs Theoretische und Angewandte Legende: PM = Pflichtmodul; WPM = Wahlpflichtmodul; WM = Wahlmodul VL = Vorlesung; PS = Proseminar; HS = Hauptseminar; Ü =
MehrV1/2.S Sprachwissenschaft
V1/2.S Sprachwissenschaft Die Studierenden verfügen über Kenntnisse, die sie befähigen, sprachliche Strukturen zu durchschauen. Sie sind in der Lage, die Einheiten und Regeln der sprachlichen Kommunikation
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
MehrText Mining. Joachim Schole. Fakultät Technik und Informatik Hochschule für angewandte Wissenschaften Hamburg. Grundseminar, WS 2014
Text Mining Joachim Schole Fakultät Technik und Informatik Hochschule für angewandte Wissenschaften Hamburg Grundseminar, WS 2014 Joachim Schole (HAW Hamburg) Text Mining Grundseminar, WS 2014 1 / 26 Agenda
MehrTextmining Klassifikation von Texten Teil 2: Im Vektorraummodell
Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten Teil
MehrModellierung eines Epidemie- Frühwarnsystems mit. Nicolas With Master Seminar WS 2012/13
Modellierung eines Epidemie- Frühwarnsystems mit SocialMedia Mining Nicolas With Master Seminar WS 2012/13 Agenda Einstieg Motivation Abgrenzung Ziel Status Projekt 1 Projekt 2 Ausblick Chancen Risiken
MehrNatürlichsprachliche Mensch-Computer Interaktion mit VoiceXML
Natürlichsprachliche Mensch-Computer Interaktion mit VoiceXML 1-1 Natürlichsprachliche Mensch-Computer Interaktion mit VoiceXML Prof. Dr.-Ing. Václav Matoušek Lehrstuhl für Informatik und Rechentechnik
MehrAutomatisches Verstehen gesprochener Sprache
Automatisches Verstehen gesprochener Sprache 5. Sprachverstehen und Morphologie Martin Hacker Bernd Ludwig Günther Görz Professur für Künstliche Intelligenz Department Informatik Friedrich-Alexander-Universität
MehrText Mining und Textzusammenfassung. Jürgen Kirkovits Doris Rongitsch Daniela Wagenhofer
Text Mining und Textzusammenfassung Jürgen Kirkovits Doris Rongitsch Daniela Wagenhofer Übersicht 1. Definition 2. Prozessablauf 3. Textzusammenfassung 4. Praxisbeispiel Definition Text Mining is the art
MehrStudienstruktur nach PO 2011 und PO (Projektseminar nur in PO 2014, in PO 2011 statt dessen Projektarbeit)
Vergleich der Studienstrukturen des Masterstudiengangs IMIT nach Prüfungsordnungen 2011 und 2014 1 Studienstruktur nach PO 2011 und PO 2014 (Projektseminar nur in PO 2014, in PO 2011 statt dessen Projektarbeit)
MehrAnhang III: Modulhandbuch
Anhang III: Modulhandbuch Das Modulhandbuch wird gemäß 1 Abs. (1) der Satzung der Technischen Universität Darmstadt zur Regelung der Bekanntmachung von Satzungen der Technischen Universität Darmstadt vom
MehrText Mining mit LingPipe
Text Mining mit LingPipe Hauptseminar Information Retrieval PD Dr. Karin Haenelt Universität Heidelberg Vortrag von Alexander Kappe im Wintersemester 2008/2009 Übersicht Text Mining Definition & Abgrenzung
MehrEinführung in die Phonetik und Phonologie. Allgemeiner Überblick
Einführung in die Phonetik und Phonologie Allgemeiner Überblick Phonetik und Phonologie Die beiden Bezeichnungen Phonetik und Phonologie sind aus dem griechischen Wort ϕωνþ (phōnē) abgeleitet, welches
Mehr8 Fakultät für Philologie
8 Fakultät für Philologie 8.1 Linguistik 8.1.1 Linguistik, PO 2004 Fach Linguistik (101) Abschluss 2-Fach Bachelor (81) PO-Version 2004 Folgendes ist zurzeit in HISPOS eingerichtet: Modul-Typen: o Nachgewiesene
Mehr!!!!T!!! Systems!() Multimedia Solutions
Inhalt. Was ist das semantische Web? Wie findet man einen Arzttermin mit Hilfe des semantischen Web? Wie gibt man Inhalten einen Sinn? Welche Werkzeuge stehen zur Verfügung? Wo können strukturierte Inhalte
MehrVortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012. Referent: Florian Kalisch (GR09)
Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012 Referent: Florian Kalisch (GR09) Einleitung Rückblick Opinion Mining Einführung Theoretische Grundlagen
MehrModulhandbuch. Module des beantragten Master-Studiengangs Sprach- und Texttechnologie (Nebenfach) im Fachbereich II an der Universität Trier SWS:
Modulhandbuch Module des beantragten Master-Studiengangs Sprach- und Texttechnologie (Nebenfach) im Fachbereich II an der Universität Trier Modul: Sprach- und Textverarbeitung STTMN1 Leistungspunkte pro
MehrOtto-Friedrich-Universität Bamberg Fakultät Wirtschaftsinformatik und Angewandte Informatik Bachelorstudiengang Angewandte Informatik
Module und Teilprüfungen der Bachelorprüfung im Bachelorstudiengang Angewandte Informatik gemäß Anhang 1 der Fachprüfungsordnung (FPO B AI) gültig ab SS 2007 ID Modul Semester ECTS SWS Prüfung A1 Modulgruppe:
MehrText Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818
Text Mining Praktikum Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Rahmenbedingungen Gruppen von 2- (max)4 Personen Jede Gruppe erhält eine Aufgabe Die
MehrBackground for Hybrid Processing
Background for Hybrid Processing Hans Uszkoreit Foundations of LST WS 04/05 Scope Classical Areas of Computational Linguistics: computational morphology, computational syntax computational semantics computational
MehrEinführung in die portugiesische Sprachwissenschaft
Annette Endruschat Jürgen Schmidt-Radefeldt Einführung in die portugiesische Sprachwissenschaft Gunter Narr Verlag Tübingen Inhalt Vorwort 9 Abkürzungen und Abbildungsverzeichnis 12 1 Weltsprache Portugiesisch
MehrBesuch der Gesellschaft für Wissensmanagement, Theseus Innovationszentrum, 04.05.2011. DFKI Fakten. Aljoscha Burchardt
Besuch der Gesellschaft für Wissensmanagement, Theseus Innovationszentrum, 04.05.20 DFKI Fakten Aljoscha Burchardt Deutsches Forschungszentrum für Künstliche Intelligenz, DFKI GmbH Alt-Moabit 9c 0559 Berlin,
MehrPart-Of-Speech-Tagging mit Viterbi Algorithmus
Part-Of-Speech-Tagging mit Viterbi Algorithmus HS Endliche Automaten Inna Nickel, Julia Konstantinova 19.07.2010 1 / 21 Gliederung 1 Motivation 2 Theoretische Grundlagen Hidden Markov Model Viterbi Algorithmus
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrMehrdeutigkeiten finden, auflösen, vermeiden. tekom Jahrestagung Wiesbaden November 2013
Mehrdeutigkeiten finden, auflösen, vermeiden tekom Jahrestagung Wiesbaden November 2013 euroscript title slide 2 Mehrdeutigkeiten finden, auflösen, vermeiden euroscript title slide 4 Vagheit Vagheit findet
MehrTeil II: Phrasen und Phrasenstruktur
Teil II: Phrasen und Phrasenstruktur Übersicht: Grammatische Funktionen Kategorien Konstituenten & Strukturbäume Konstituententest Endozentrizität 1 Einfacher Satzbau Drei allgemeine Grundfragen der Syntax:
MehrVertiefungsrichtung. Medieninformatik. Prof. Dr. Günther Görz (AG Digital Humanities) Prof. Dr. Klaus Meyer-Wegener (Inf. 6)
Vertiefungsrichtung. Medieninformatik Prof. Dr. Günther Görz (AG Digital Humanities) Prof. Dr. Klaus Meyer-Wegener (Inf. 6) Vertiefungsrichtung im Informatikstudium Gestaltung (Design) als Ergänzung zu
MehrSpracherkennung. Gliederung:
Spracherkennung Gliederung: - Einführung - Geschichte - Spracherkennung - Einteilungen - Aufbau und Funktion - Hidden Markov Modelle (HMM) - HMM bei der Spracherkennung - Probleme - Einsatzgebiete und
MehrNeue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung
Neue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung Hamburg 16.11.2016 Nmedia Fotolia Fraunhofer-Institut für Intelligente Analyseund Informationssysteme Fraunhofer IAIS - Wir
MehrWatson für Handelsunternehmen Kognitive Texterkennung für den deutschen Handelsmarkt
Watson für Handelsunternehmen Kognitive Texterkennung für den deutschen Handelsmarkt Dr. Stefan Heine, CTO Enterprise Business Unit West 23. Februar 2016, Düsseldorf, EuroCIS - The Leading Trade Fair for
MehrVO Sprachtechnologien. Informations- und Wissensmanagement. Bartholomäus Wloka. Zentrum für Translationswissenschaft
, Informations- und Wissensmanagement Zentrum für Translationswissenschaft Poesie in einer Programmiersprache #define ( bb!bb ) Übersetzungstechnologien Maschinelle Übersetzung Begriffe MÜS Maschinelles
MehrEinführung III. Lexikalisch-semantische Ressourcen
Semantik im automatischen Sprachverstehen Prof. Dr. Iryna Gurevych, Daniel Bär, Elisabeth Wolf Einführung III Lexikalisch-semantische Ressourcen Unser Seminar fängt mit einer Einführung in das Thema an:
MehrWissensbasierte Sprachverarbeitung Inhalt der Vorlesung 0. Einleitung
Wissensbasierte Sprachverarbeitung Inhalt der Vorlesung 0. Einleitung i) Worum geht es? ii) Aufgaben und Anwendungen iii) Mehrdeutigkeit - Das Kernproblem iv) linguistische Grundlagen I. Der synthetische
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Syntax II WS 2011/2012 Manfred Pinkal Geschachtelte Strukturen in natürlicher Sprache [ der an computerlinguistischen Fragestellungen interessierte Student im ersten
MehrEinführung in die Computerlinguistik. Semantik
Einführung in die Computerlinguistik Semantik WS 2006/2007 Manfred Pinkal Einführung in die Computerlinguistik 2006/2007 M. Pinkal UdS 1 Semantik für Dialogverarbeitung U: Ist der Flug um 2 nach London
MehrKlausurtermine Informatik Herbst 2016 Stand: Änderungen sind rot markiert Wochentag Prüfungstermin: Prüfungsbezeichnung: Raum/Räume:
Klausurtermine Informatik Herbst 2016 Stand: 20.07.2016 Änderungen sind rot markiert Wochentag Prüfungstermin: Prüfungsbezeichnung: Raum/Räume: Semester Montag 18.07.2016 11.00-14.00 Digitalschaltungen
MehrInformation Retrieval
Information Retrieval Norbert Fuhr 12. April 2010 Einführung 1 IR in Beispielen 2 Was ist IR? 3 Dimensionen des IR 4 Daten Information Wissen 5 Rahmenarchitektur für IR-Systeme IR in Beispielen IR-Aufgaben
MehrEvent Recognition Engine
Event Recognition Engine Eine Analysis Engine im UIMA Framework Hauptseminar Information Retrieval Tobias Beck 10.01.2011 2 Übersicht: Einordnung UIMA Komponenten einer UIMA Pipeline Selbst erstellte Event
MehrMaster of Science Internet- und Web-basierte Systeme. Gesamtkatalog (Stand: )
Master of Science Internet- und Web-basierte Systeme Gesamtkatalog (Stand: 31.10.2016) Pflichtbereich Bereich 1 V-Art FB Deutscher Titel / Englischer Titel Dozent Turnus WS16 CP TUCaN Internet V2 Ü2 20
MehrEinführung Grundbegriffe
Einführung Grundbegriffe 1.1 Der Modellbegriff Broy: Informatik 1, Springer 1998 (2) Die Modellbildung der Informatik zielt auf die Darstellung der unter dem Gesichtspunkt einer gegebenen Aufgabenstellung
MehrVertriebssteuerung & Kundenmanagement bei Finanzinstituten. 1. Dezember 2010, Frankfurt am Main
Vertriebssteuerung & Kundenmanagement bei Finanzinstituten 1. Dezember 2010, Frankfurt am Main Erweitern Sie Ihre Analyse auch um unstrukturierte Daten: mehr Einblicke, bessere Entscheidungen! Unsere Agenda
MehrWie geht man mit dem gestiegenen Interesse an Erkennung und Übersetzung arabischer Sprachen um?
Wie geht man mit dem gestiegenen Interesse an Erkennung und Übersetzung arabischer Sprachen um? Hassan Sawaf hassan@apptek.com 10 Jahre Verbmobil Rückblick und Ausblick 16. November 2010 by AppTek 2004-2010
MehrSocial Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG
Social Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG DB Fernverkehr AG Dr.-Ing. Axel Schulz, Dr. Matthias Platho P.FMB 2, DB Fernverkehr AG Frankfurt, 22.05.2015 Motivation An meinem
MehrKapitel IR:I. I. Einführung. Retrieval-Szenarien Begriffsbildung Einordnung Information Retrieval
Kapitel IR:I I. Einführung Retrieval-Szenarien Begriffsbildung Einordnung Information Retrieval IR:I-1 Introduction STEIN 2005-2010 Retrieval-Szenarien Liefere Dokumente, die die Terme «Information» und
Mehr2 Sprachliche Einheiten
2 Sprachliche Einheiten Inhalt Semiotische Begriffe Wörter Wortbestandteile Wortzusammensetzungen Wortgruppen Text und Dialog Wort- und Satzbedeutung 2.1 Semiotische Begriffe Semiotische Begriffe Semiotik
MehrPrüfungsplan Master of Science in Wirtschaftsinformatik
Prüfungsplan Master of Science in Wirtschaftsinformatik Modul Art Creditpunkte Schwerpunkt Very Large Business Applications Module aus dem Bereich Wirtschaftsinformatik SWS Empfohlenes Semester Prüfungsart
MehrOpinion Mining Herausforderungen und Anwendung in der Politik
Opinion Mining Herausforderungen und Anwendung in der Politik 28.09.2011 Umut Yilmaz Inhaltsübersicht 1. Einführung 2. Grundlagen 3. Anwendung in der Politik 4. Anwendungsbeispiel 5. Fazit 2 1. Einführung
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
MehrTerminus Sprache, Phonologie und Grammatik
Terminus Sprache, Phonologie und Grammatik Terminus Sprache Beinhaltet 4 verschiedene Bedeutungen Langage: menschliche Fähigkeit Langue: eine bestimmte Sprache, Untersuchungsgebiet der Linguistik Parole:
MehrBemerkung: Termine und Orte für die einzelnen Lehrveranstaltungen sind dem Stundenplan zu entnehmen.
Allgemeine Modulbeschreibungen für das erste Semester Bachelor Informatik 1. Objektorientierte Programmierung Bestehend aus - Vorlesung Objektorientierte Programmierung (Prof. Zimmermann) - Übung zu obiger
MehrText Mining - Wissensrohstoff Text
Text Mining - Wissensrohstoff Text Gerhard Heyer Universität Leipzig heyer@informatik.uni-leipzig.de Institut für Informatik Grundlagen und Begriff 2 Informatik und ihre Anwendungen 1940-1960 Wissenschaftliches
MehrEinführung Computerlinguistik. Überblick
Einführung Computerlinguistik Überblick Hinrich Schütze & Robert Zangenfeind Centrum für Informations- und Sprachverarbeitung, LMU München 2013-10-14 Schütze & Zangenfeind: Überblick 1 / 30 Take-away Schütze
MehrInaugural-Dissertation. Philosophie
Ontology On Demand Vollautomatische Ontologieerstellung aus deutschen Texten mithilfe moderner Textmining-Prozesse Inaugural-Dissertation zur Erlangung des Grades eines Doktors der Philosophie in der Fakultät
MehrÜbungen Softwaretechnik I
Universität Stuttgart Institut für Automatisierungstechnik und Softwaresysteme Prof. Dr.-Ing. M. Weyrich Übungen Softwaretechnik I Übung 5: Objektorientierte Analyse Einführung Objektorientierung in der
MehrKapitel 16. Begriffe. HHU Düsseldorf, WS 2008/09 Information Retrieval 250
Kapitel 16 Begriffe HHU Düsseldorf, WS 2008/09 Information Retrieval 250 Semantisches Umfeld "Find what I mean, not what I say" (Susan Feldman) natürlichsprachiges Umfeld Werkzeug: natürlichsprachiger
MehrDARIAH-DKPro-Wrapper Nils Reimers
DARIAH-DKPro-Wrapper Nils Reimers 1 Maschinelle Textverarbeitung In einer Pipeline werden unterschiedliche Komponenten zusammengeschaltet Word- / Satztrennung Stopp- Wörter Lemmatisierung Named- Entities
MehrIntelligente Systeme WS 2015/16
Lehrgebiet Intelligente Systeme WS 2015/16 Andreas Dengel Fragestellungen Automatisierung von intelligentem" Verhalten im Sinn eines Leistungsverstärkers für den Menschen, z.b. Verstehen von Bildern, Sprache
MehrSystemtheorie 1. Einführung Systemtheorie 1 Formale Systeme 1 # WS 2006/2007 Armin Biere JKU Linz Revision: 1.4
Einführung intro 1 Grobklassifizierung r Methoden in der Informatik intro 2 Systemtheorie 1 Systeme 1 #342234 http://fmv.jku.at/fs1 WS 2006/2007 Johannes Kepler Universität Linz, Österreich Univ. Prof.
MehrEinführung in die Computerlinguistik Einführung
Die Disziplin Anwendungen Sprache & Ambiguität Hausaufgaben Einführung in die Computerlinguistik Einführung Dozentin: Wiebke Petersen Wiebke Petersen Einführung CL (1. Sitzung) 1 Die Disziplin Anwendungen
MehrKSM. Willkommen in Flensburg!
KSM Willkommen in Flensburg! MA KSM Akkreditierung im WS 2007/08 Studienbeginn: WS 2008/09, dann immer zum WS 4 Semester 6 Kerndisziplinen: Kulturwissenschaft Literaturwissenschaft Linguistik Medienwissenschaft
MehrINFORMATIONSEXTRAKTION
INFORMATIONSEXTRAKTION Referentin: Syriane Kemayou Yamga Universität Heidelberg, Computerlinguistik, Hauptseminar: Information Retrieval PD. Dr. Karin Haenelt 16.01.2006 Informationsextraktion (IE) 1.
MehrKapitel 1.0. Aussagenlogik: Einführung. Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1
Kapitel 1.0 Aussagenlogik: Einführung Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1 Ziele der Aussagenlogik In der Aussagenlogik analysiert man die Wahrheitswerte zusammengesetzter
MehrSAS TEXT ANALYTICS EVENT
SAS TEXT ANALYTICS EVENT DIENSTAG, 21. APRIL 2015 AGENDA Zeit Inhalt 16:00-16:30 Registrierung & Willkommenskaffee 16:30-16:45 16:45-17:15 17:15-17:45 Begrüssung und Einleitung ins Thema Text Analytics
MehrSpezielle Themen der KI. NLP Natural Language Processing. Sprachverstehen
Spezielle Themen der KI NLP Natural Language Processing Sprachverstehen NLP - Verarbeitungsstufen des Sprachverstehen 2 Phonologie und Phonetik Phonologie Lautlehre oder Sprachgebilde-Lautlehre untersucht
Mehr1. Jurafsky und Martin
Vertiefung 1. Jurafsky und Martin Book Description (from amazon.com) This book offers a unified vision of speech and language processing, presenting state-of-the-art algorithms and techniques for both
MehrQualitative Aspekte Enterprise Search Volltextsuche & Text Mining. Franz Kögl Vorstand IntraFind Software AG
Qualitative Aspekte Enterprise Search Volltextsuche & Text Mining Franz Kögl Vorstand IntraFind Software AG Vorstellung IntraFind AG Qualitative Sucherweiterung: Search+ Wildcardsuche Einbindung von Synonymen
MehrSprachkontrastive Darstellung Deutsch-Türkisch
Germanistik Nuran Aksoy Sprachkontrastive Darstellung Deutsch-Türkisch Studienarbeit Freie Universität Berlin Wintersemester 2003/2004 Fachbereich Philosophie und Geisteswissenschaften: Fächergruppe deutsche
MehrAlgorithmen und Formale Sprachen
Algorithmen und Formale Sprachen Algorithmen und formale Sprachen Formale Sprachen und Algorithmen Formale Sprachen und formale Algorithmen (formale (Sprachen und Algorithmen)) ((formale Sprachen) und
MehrEigennamenerkennung mit großen lexikalischen Ressourcen. Jörg Didakowski BBAW
Eigennamenerkennung mit großen lexikalischen Ressourcen Jörg Didakowski BBAW Was sind Eigennamen? Sprachliche Zeichen (Eigennamen) das Bezeichnete (Named Entity) Was sind Eigennamen? Eigennamen bezeichnen
MehrMit Computerlinguistik und Sprachtechnologie in die Zukunft: Die Technik
1 Mit Computerlinguistik und Sprachtechnologie in die Zukunft: Die Technik Ein Fragebogen zur Einschätzung der Aktualität von Methoden und zum Zeithorizont von Entwicklungen. Karin Haenelt, 25.06.2002
MehrTextmining Klassifikation von Texten Teil 1: Naive Bayes
Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive
MehrGeometrie & Bedeutung
Geometrie & Bedeutung Seminar für Sprachwissenschaft Universität Tübingen Christian Ebert christian.ebert@uni-tuebingen.de Fritz Hamm friedrich.hamm@uni-tuebingen.de Wilhelmstr. 19 Wilhelmstr. 19 Zimmer
Mehr