Aspekte der Texttechnologie ÜBERSICHT II. Susanne J. Jekat Zürcher Hochschule Winterthur

Größe: px
Ab Seite anzeigen:

Download "Aspekte der Texttechnologie ÜBERSICHT II. Susanne J. Jekat Zürcher Hochschule Winterthur E-mail: jes@zhwin.ch http://www.home.zhwin."

Transkript

1 Aspekte der Texttechnologie Susanne J. Jekat Zürcher Hochschule Winterthur ÜBERSICHT I Thema 1 Grundlagen der Textlinguistik und Motivation der Texttechnologie Termine: 22. und 29. März 2007 Lernfrage: Wozu Texttechnologie? Thema 2 Information Retrieval, Information Extraction und Text Mining: statistische und linguistische Methoden Termin: 12. April Lernfrage: Wie kann Information aus Texten extrahiert werden? Thema 3 Kennzeichnungssprachen und Tagsets - z.b. xml und xhtml Termin: 19. April 2007 Lernfrage: Wie sind digitalisierte Texte aufgebaut? 2 ÜBERSICHT II Thema 4 Standardisierungsbestrebungen Termin: 26. April 2007 Lernfrage: Wie sollten digitalisierte Texte aufgebaut sein und wie wird ihre Wiederverwertbarkeit gesichert? Thema 5 Aufbau und Auswertung von Text- und Sprachkorpora Termin: 3. Mai 2007 Lernfrage: Wie werden Textsammlungen aufgebaut und wie wird ihre Wiederverwertbarkeit gesichert? Thema 6 Lexikologie und Terminologie Termin: 10. Mai 2007 Lernfrage: Wie können Lexikologie und Terminologie für die Erstellung wiederverwertbarer digitaler Texte eingesetzt werden? 3

2 ÜBERSICHT III Thema 7 Semantic Web Termine: 24. Mai und 31. Mai 2007 Lernfrage: Was ist das Semantic Web und welche Bedeutung hat es für die Texttechnologie? Thema 8: Textproduktion Termin: 7. und 14. Juni 2007 Lernfrage: Wie werden Texte generiert und welche Möglichkeiten hat die automatische Textproduktion? Thema 9: Besprechung der Klausur Termin: 21. Juni Aspekte der Texttechnologie Thema 1: Grundlagen der Textlinguistik und Motivation der Texttechnologie Termine: 22. und 29. März 2007 Lernfrage: Wozu Texttechnologie? 5 Grundlagen der Textlinguistik Fachsprachen Eigenschaften von Texten (Mikroebene) Eigenschaften von Texten (Makroebene) Theorien zur Beschreibung von Texten 6

3 Fachsprachen 7 Fachsprachen Sprachliche Varietät mit der Funktion einer präzisen, effektiven Kommunikation über meist berufsspezifische Sachbereiche und Tätigkeitsfelder. Wichtigstes Merkmal ist der differenziert ausgebaute, z. T. terminologisch normierte Fachwortschatz [...] Bussmann (2002:211) 8 Merkmale von Fachsprachen horizontal (in verschiedene Fachgebiete) und vertikal (in verschiedene Abstraktionsstufen, z.b. Wissenschaftler, Facharbeiter) gegliedert Verb ohne Zeitbezug (Präsens, 3. Pers. Sing., oft Passiv Verb spielt geringe Rolle Pronomen tritt selten auf Substantiv meist im Singular, zentral Adjektiv, ebenfalls zentral zur Spezifikation von Substantiven (vgl. Schmitz 2002) 9

4 Fachsprachen: Merkmale Fachwortschatz Wortbildungsregeln Katachrese (Fachmetaphorik): metaphorische Benennung einer Sache, für die es keine nichtmetaphorische Benennung gibt, z. B. Fuchsschwanz (Säge) 10 Fachsprachen: Merkmale Vorherrschen des Nominalstils und unpersönlicher Konstruktionen (Unterdrückung der subjektiven Sprecherrolle) Kohärenz, z.b. durch Überschriften, Konnektive, Rekurrenz und andere Mittel der Kohäsion 11 Eigenschaften von Texten: Mikroebene 12

5 Konnektive Bezeichnung der Textgrammatik für sprachliche Ausdrücke mit satzverknüpfender Funktion Konjunktionen: z.b. aber, denn bestimmte Partikel: z.b. auch, nur Satzzeichen: z.b. Doppelpunkt 13 Kohärenz und Kohäsion Kohärenz: semantischer und pragmatischer Zusammenhang von aufeinander folgenden Sätzen, darstellbar in Form von Konzeptnetzen Kohäsion: linguistische Mittel, die Zusammenhänge an der Textoberfläche widerspiegeln, z.b. Pronomen oder parallele Satzstrukturen. 14 Kohärenz und Kohäsion ein kohärenter, nicht kohäsiver Text behandelt konsequent ein Thema, verwendet jedoch keine linguistischen Mittel, um den Zusammenhang zu verstärken: Sally is crying. Nanny has thrown out the time-worn teddy bear. The holes were getting too large to fix. Take those dirty shoes off! There s a brand new carpet in the hallway. Mom s ALREADY mad at me. 15

6 Kohärenz und Kohäsion ein kohäsiver, nicht kohärenter Text erscheint zusammenhängend, hat aber keinen Sinnzusammenhang: Am Samstag kam ich spät zur Schule. Darüberhinaus hat sie weiße Pfoten und einen braunen Fleck auf dem Bauch. Als nächstes mögen Elefanten große Ohren. Die Getränkeverordnung muß ebenfalls zu dieser Zeit überarbeitet werden. 16 Koreferenz Koreferenz: Eigenschaft verschiedener Ausdrücke, sich auf dasselbe aussersprachliche Objekt zu beziehen, mittels eigenständig referierender Ausdrücke Dr. Hermann Wirth, bisheriger Leiter der Musikhochschule München, verabschiedete sich heute aus dem Amt. Der 65-jährige tritt seinen wohlverdienten Ruhestand an. 17 Koreferenz oder durch Anaphern (dann auch Anaphernresolution, s. dort) direkte Anapher: Sprachliche Einheit, die zu einer sprachlichen Einheit im vorangehenden Kontext (Antezedens) in einer anaphorischen Beziehung steht Bussmann (2002:78f) Bardo 2 kauft sich 2 ein Fahrrad 3. Er 2 will damit 3 nach Norwegen fahren. 18

7 Eigenschaften von Texten: Makroebene (Hat Text eine Struktur?) 19 Text: Was ist das? Halliday & Hasan 1976: text is used to refer to any passage, spoken or written, of whatever length, that does form a unified whole. 20 Text: Was ist das? Heinemann & Viehweger 1991:...es bisher nicht gelungen ist, einen Konsens herzustellen hinsichtlich des Begriffs Text ; die Frage nach den Wesensmerkmalen von Texten schlechthin muß heute noch als offenes Problem angesehen werden. 21

8 Text: Was ist das? de Beaugrande & Dressler 1981: Wir definieren einen TEXT als eine KOMMUNIKATIVE OKKURENZ, die sieben Kriterien der Textualität erfüllt. Kohäsion Kohärenz Intentionalität Akzeptabilität Informativität Situationalität Intertextualität 22 Intentionalität [...] bei H.P. Grice und J. Searle dann grundlegende Kategorie für jede Theorie der sprachlichen Bedeutung, wonach sprachliche Handlungen wesentlich intentionale, also von einer bestimmten, nämlich der kommunikativen Handlungsabsicht geleitete Akte sind. Bussmann (2002:313) 23 Akzeptabilität eingeführt von Chomsky (1965) A. ist ein relationaler Begriff, insofern ein sprachlicher Ausdruck (mehr oder minder) akzeptabel ist in Abhängigkeit von der je spezifischen Verwendungssituation. Bussmann (2002:64) 24

9 Kriterien für Nicht-Akzepabilität (in Relation zum Kontext) Ungrammatische Äusserungen zu komplexe Satzkonstruktionen (wiederholte eingebettete Konstruktionen) Widersprüchlichkeiten in der Bedeutung Falschheit der Äusserung Nicht-Interpretierbarkeit Unangemessenheit des Ausdrucks 25 Situationalität gültige sprachliche Aussagen beziehen sich auf Teile der wirklichen Welt (Situationen) 26 Intertextualität I Bussmann (2002:317) Die zweckmässige Festlegung des Begriffs für die Linguistik ist noch umstritten, doch zeichnen sich [...] Verwendungsbereiche ab: 1. Beziehung zwischen Texten innerhalb einer Textsorte, (oft unbewusstes) Wissen zur Textgestaltung und Konstruktion des Textsinns 27

10 Intertextualität II 2. spezieller für die direkte oder indirekte Bezugnahme auf konkrete Prätexte durch z.b. Zitat, Anspielung, Montage von Textbausteinen! Eine spezielle Ausprägung von Intertextualität ist der Hypertext. 28 Textgrammatik Satz-Grammatik S -> NP VP NP -> Det {Adj} N VP -> V NP Dito: Ersetzungsregeln für die Textebene? 29 Textsorten Schematischer Aufbau von Wetterberichten Kochrezepten Bedienungsanweisungen Zeitungsnachrichten Reports, wissenschaftl. Berichten... Sorten-typische sprachliche Mittel (s. Fachsprachen): Man nehme die Schraube ist sorgfältig festzuziehen.. 30

11 Story Grammars NARR -> GESCHICHTE MORAL GESCHICHTE -> PLOT EVALUATION PLOT -> EPISODE(N) EPISODE -> RAHMEN EREIGNIS(SE) EREIGNIS -> KOMPLIKATION LÖSUNG 31 Text als Sprechhandlung Grundlage: Sprechakttheorie nach Austin, Searle Idee: Text als Komposition von Sprechakten Textproduktion und rezeption als gezielte konstruktive Handlungsprozesse, 32 Text als Sprechhandlung z.b. A zu C And what day in May did you want to travel? (A will, dass C ein Reisedatum nennt) 33

12 Text als Sprechhandlung Grosz & Sidner 1986: Sprechakte benachbarter Textteile stehen entweder in dominance oder in satisfaction-precedence Beziehung Dominance: Die Erfüllung des Zwecks eines Textteiles unterstützt den nächsten Textteil Satisfaction-Precedence: die Erfüllung des Zwecks eines Textteiles geht der Erfüllung des Zwecks eines anderen voraus 34 Text als Sprechhandlung z.b. Flugbuchung Der Kunde möchte, dass Verkäufer einen passenden Flug für ihn findet (dieser Zweck dominiert die gesamte Verhandlung) Der Verkäufer erfragt in einzelnen Schritten die Details der Reisedaten (diese Textteile stehen in satisfaction-precedence Relation) 35 Textstruktur 1: referentiell Während der Bundeskanzler noch abwartet, ob das Rentenmodell von Arbeitsminister Riester sich durchsetzen kann, prescht sein Koalitionspartner bereits mit einem Gegenmodell vor. Die Grünen legen dar, dass Riesters Modell zum einen nicht finanzierbar, zum anderen nicht gerecht sei. Der Kanzler ist über diesen Vorstoß seines Regierungspartners natürlich wenig glücklich und findet, die Partei sollte stärker darauf achten, keine weiteren Konflikte in die Koalition hineinzutragen. Wittert Schröder bereits einen handfesten Krach? 36

13 Textstruktur: Thema/Rhema? Thema, Topik Rhema, Comment semant.: Rhema, Comment enthält die neue Information synt.: Prädikat eines Satzes Thema, Topik semant.: kontextuell gebundene bzw. vorerwähnte Information synt.: Subjekt eines Satzes 37 Textstruktur 2: thematisch Dieser Satz hat ein Thema und ein Rhema. THEMA RHEMA Am Sonnabend gehen wir ins Olympiastadion. THEMA RHEMA 38 Textstruktur: Thema/Rhema, given/new In the literature, the given-new distinction is presented under various different names, for instance: given-new, old-new, known-new, presupposition-focus, presuppositionassertion, etc. (...) However, these notions have never been characterized satisfactorily, so that researchers can use them adequately and make them operational. van Donzel (1999:20) 39

14 Textstruktur 2: thematisch Astonishing questions have been raised by scientists exploring black holes in space. A black hole is created when a dead star collapses into a point perhaps no larger than a marble. 40 Textstruktur 2: thematisch Astonishing questions have been raised by scientists exploring black holes in space. When a dead star collapses into a point perhaps no larger than a marble, this creates a black hole. 41 Textstruktur 3: rhetorisch RST (Rhetorical Structure Theory) zur Beschreibung der Beziehung zwischen den Segmenten eines Textes ( Mann & Thompson,

15 Textstruktur 3: rhetorisch Beispiele: RESTATEMENT S (Satellit = Nebensegment) reformuliert N (Nucleus = Hauptsegment) ELABORATION S präsentiert zusätzliche Detailinformation zu N 43 Textstruktur 3: rhetorisch 1. A well-groomed car reflects its owner. 2. The car you drive says a lot about you. Satz 2 ist nach Mann und Thompson 1991 ein Restatement, s. k WhatIsARestatementRelation.htm 44 Textstruktur 3: rhetorisch Ein Text ist kohärent, wenn er durch einen Baum von rhetorischen Relationen und elementaren Texteinheiten dargestellt werden kann. Relationen: CAUSE, RESULT, ELABORATION, CONTRAST, SEQUENCE, LIST, CONCESSION,...RESTATEMENT 45

16 Textstruktur 3: rhetorisch Gestern habe ich im Wohnzimmer eine Vase umgeworfen (1). Siezerbrach in tausend Stücke (2), und Susanne hat sich deswegen mächtig aufgeregt (3). Paul hingegen war nichts anzumerken (4). CAUSE RESULT CONTRAST Wozu Texttechnologie? 47 Wozu Texttechnologie: Motivation Es gibt: Elektronische Bücher, Dokumente, Web-Seiten, s, Blogs, Chats, New, Forschungsberichte... etwa 80 85% aller Daten in Datenbanken sind natürlichsprachliche Texte alle zugänglich mit Hilfe von Information Retrieval (IR), aber Menschen können diese Datenmassen nicht manuell verarbeiten 48

17 Ein Beispiel 80% des Biologie-Wissens ist nur in Forschungspapieren niedergelegt wenn ein Mensch 60 davon in einer Woche liest und 10% davon für seine Recherche wichtig sind, können pro Woche 6 oder pro Jahr etwa 300 dieser Papiere verarbeitet werden. 49 Ein Beispiel aber: MedLine (s. ) fügt etwa Abstracts im Monat hinzu Chemical Abstracts Registry (CAS) (s. registriert 4000 Einheiten pro Tag, allein in ,5 Millionen 50 Aufgaben der Texttechnologie? s, Blogs...: Suche nach Entitäten (Personen, Firmen, Organisationen) Ereignissen (Erfindungen, Aktionen, Angeboten) grosses System: ECHELON 51

18 Aufgaben der Texttechnologie? Verarbeitung von Software- Dokumentationen, Software Anforderungen: Suche nach Softwarespezifikationen Problem: Unterscheidung von Quellcode und seiner Dokumentation 52 Aufgaben der Texttechnologie? Verarbeitung von Nachrichten: Suche nach Artikelsammlungen (z.b. von verschiedenen Agenturen, die dasselbe Ereignis beschreiben) unterschiedlichen Zusammenfassungen (z.b. Beschreibung eines Ereignisses in einer arabischen und in einer amerikanischen Zeitung) Entwicklungen (zeitliche Analyse) Probleme: Analyse zwischen verschiedenen Sprachen und Dokumenten Systeme z.b. Google News, Newsblaster 53 Aufgaben der Texttechnologie? Verarbeitung von Wissenschaftlichen Bücher und Papieren: Neue Forschungstrends finden Forschungsergebnisse zusammenstellen Problem: Verarbeitung von Fachsprache 54

19 Aufgaben der Texttechnologie? Verarbeitung von Texten im WWW: Suche nach zuverlässigen Informationen versteckten Informationen Neuheiten etc. Problem: Kennzeichnungssprachen, Hyperlinks und versteckte Information ( deep web ) 55 Aufgaben der Texttechnologie 56 Aufgaben der Texttechnologie WWW: Zusammenstellung von Trends, Meinungen, Neuigkeiten Aufbau von Ontologien Aufinden von Information und Entitäten 57

20 Aufgaben der Texttechnologie Klassifizierung und Clustering: z.b. Spam-Filter, Textklassifizierung Clustering grosser Dokumentensammlungen (vivisimo.com) Aufbau von Themenkarten ( 58 Aufgaben der Texttechnolgie klassische Aufgaben von NLP Maschinelle Übersetzung Automatische Zusammenfassung Beantworten von Fragen (Question- Answering) 59 Aspekte der Texttechnologie Thema 2 Information Retrieval, Information Extraction und Text Mining: statistische und linguistische Methoden Lernfrage: Wie kann Information aus Texten extrahiert werden? 60

21 Methoden der Texttechnologie 61 Methoden Problem: Wie kann man Informationen in Texten lokalisieren und maschinell weiterverarbeiten? Für diese Aufgaben werden drei verschiedene Strategien angewandt: 1. Information Retrieval (IR) 2. Information Extraktion (IE) 3. Text Mining 62 Information Retrieval Volltextsuche (engl. Information Retrieval): relevante Termini und ihre Position in elektronisch gespeicherten Texten werden ermittelt, indem zunächst der gesamte Text (Volltext) indiziert wird 63

22 Information Retrieval (Volltextsuche) - relevante Termini und ihre Position in elektronisch gespeichertentexten werden ermittelt - Erstellung eines Volltextindex` (entsprechend einem Schlagwortverzeichnis) 64 Informationsextraktion (IE) (Neumann 2004: , in Carstensen et al.) IE-Systeme versuchen keine umfassende Analyse des gesamten Inhaltes aller Textdokumente, sondern sollen nur die Textpassagen analysieren bzw. verstehen, die relevante Information beinhalten. Was als relevant gilt, wird dabei durch vordefinierte domänenspezifische Lexikoneinträge oder Regeln dem System fest vorgegeben. 65 Informationsextraktion (Neumann 2004: , in Carstensen et al.) Auffinden und Strukturieren domänenspezifischer Information in freien Texten bei gleichzeitigem Überlesen irrelevanter Informationen Eingabe: Spezifikation des Typs der relevanten Information in Form von Templates und Menge freier Dokumente Ausgabe: eine Menge von instanziierten Templates gefüllt mit den als relevant identifizierten und normalisierten Textfragmenten 66

23 Text Mining Wkipedia: Text mining, also known as intelligent text analysis, text data mining or knowledge-discovery in text (KDT), refers generally to the process of extracting interesting and non-trivial information and knowledge from unstructured text. Text mining is a young interdisciplinary field which draws on information retrieval, data mining, machine learning, statistics and computational linguistics. As most information (over 80%) is stored as text, text mining is believed to have a high commercial potential value [Hervorheb. S.J]. 67 Vertiefung Information Retrieval (IR) 68 Vorgehensweise Information Retrieval 1. Tokenisierung (Vorverarbeitung, Segmentierung) 2. Ausfiltern von Funktionswörtern (durch Stoppwortlisten) sowie von besonders häufigen Inhaltswörtern (da wenig informationshaltig, z.b. System, Computer) 3. Normieren (meist Reduzieren von Wortformen) durch Trunkierung oder Stemming 69

24 Tokenisierung (Vorverarbeitung von Texten) Bereinigung der Eingabekette von nicht-relevanten Zeichen Zerlegung der Eingabekette in einzelne Einheiten (d.h. Tokenisierung) Satzenderkennung 70 Tokenisierung Problem: Wie kann ein kontinuierlicher Zeichenstrom so in isolierte Einheiten zerlegt werden, dass er von nachfolgenden computerlinguistischen Operationen verarbeitet werden kann? 71 Textbereinigung Phase 1 Textbereinigung: 1. Entfernen von Markups (z.b. HTML-Tags, Formatieranweisungen etc.) 2. Entfernen von Trennungsstrichen (d.h. das Zusammenfügen getrennter Wörter) ( De-Hyphenation ) 72

25 Tokenisierung Probleme: Entfernen von Markups bei schwer als kohärent erkennbaren Einheiten, z.b. URLs und Adressen Unterscheidung von Trennungs- und Bindestrichen end-of-file, end-offile Lösung: Vorschalten eines Lexikon-Lookups 73 Tokenisierung Phase 2 Tokenisierung: 1. Abkürzungen erkennen und isolieren 2. Interpunktionen und Sonderzeichen erkennen 3. kontrahierte Formen expandieren 4. komplexe Token erkennen und isolieren 5. ggf. Token normalisieren 6. ggf. Token klassifizieren (d.h. Tokenklassen bilden) 74 Tokenisierung Abkürzungen erkennen: wichtig, um Abkürzungen mit Punkt vom Satzendzeichen Punkt unterscheiden zu können, Vergleich der aufgefundenen Abkürzungen mit Liste von Abkürzungen Interpunktion und Sonderzeichen erkennen: Probleme: Sonderzeichen als Quasiwortformen und Sonderzeichen als Teil von Token, jes@zhwin.ch sie sollten nicht isoliert werden 75

26 Tokenisierung Kontrahierte Formen expandieren: l auto => la auto du frère => de le frère Komplexe Token (enthalten Zeichen, die normalerweise Worttrenner sind) erkennen und isolieren: Bill Gates, CEO (Chief Executive Officer) of Microsoft 76 Tokenisierung abhängig von der Art der Weiterverarbeitung z.b. Maschinelle Übersetzung: Bill Gates CEO of Microsoft z.b. Informationsextraktion Bill Gates ist CEO of Microsoft Lösung: named entitiy recognition 77 Tokenisierung: Verfahren Symbolische Verfahren: Heuristiken über Wortformen in der Zielsprache; Konstruktion eines entsprechenden Regelwerks z.b. zur Erkennung von Zeichensequenzen, die mit einem Punkt enden (aus Grefenstette und Tapanainen 1994, zitiert von Halama in Carstensen et al. 2004:222) 1. Folgt dieser Sequenz ein kleingeschriebener Buchstabe, ein Komma oder ein Semikolon, ist es eine Abkürzung 2. Ist das Wort eine kleingeschriebene Zeichenkette und existiert das gleiche Wort im Lexikon ohne Punkt, ist es keine Abkürzung, andernfalls wird es als Abkürzung klassifiziert 78

27 Tokenisierung: Verfahren 3. Beginnt die Sequenz mit einem Grossbuchstaben, ist keine bekannte Abkürzung, findet sich im Korpus ohne abschliessenden Punkt und besitzt nur eine sehr geringe Häufigkeit, handelt es sich nicht um eine Abkürzung, sondern wahrscheinlich um einen Eigennamen. 4. Andernfalls handelt es sich um eine Abkürzung. in Kombination mit einer manuell oder mit einfachen statistischen Verfahren erstellten Liste häufiger Abkürzungen lässt sich eine Genauigkeit von 99% erzielen. Abhängigkeit von Korpus und hoher Arbeitsaufwand 79 Tokenisierung: Verfahren Statistische Verfahren: Annahme: Satzgrenzen können durch die morphosyntaktische Analyse eines Wortes am potentiellen Satzende und dessen Kontext klassifiziert werden (vgl. Halama 2004 in Carstensen et al.) Beschreibung der Kontexte in n-gramm Modellen, Annahme: das Auftreten eines Wortes hängt nur von n 1 Worten vorher ab, gängige Vertreter : 1. Unigramm- Modelle (n=1, Vorkommenshäufigkeit einzelner Wörter) 2. Bigramm- Modelle (n=2, Wahrscheinlichkeit, dass ein Wort abhängig von einem vorhergehenden Wort auftritt) 80 Tokenisierung: Verfahren 3. Trigramm- Modelle (n=3, Wahrscheinlichkeit, dass ein Wort abhängig von den beiden vorherigen auftritt.) wiederum: Abhängigkeit vom Korpus, a) einige Verfahren benötigen ein Referenzkorpus als Trainingsmaterial, b) je kleiner das zu analysierende Korpus ist, desto geringer ist die Wahrscheinlichkeit, eine Sequenz der Länge n zu finden Beschränkung auf Bi- oder Trigramm-Modelle 81

28 Named entitiy recognition Bezeichnungen (Namen) Personen Orte Organisationen Datums-, Zeit- und Prozentangaben Geldbeträge 82 Named entitiy recognition Verfahren, z.b.: Listenbasiert: einfach zu implementieren, relativ sprachunabhängig, aber oft unzureichend, da offene Klasse Regelbasiert: aus Beispieldokumenten werden Regeln abgeleitet 83 Tokenisierung Token normalisieren und vereinheitlichen: U.S.A. USA U.S. of America => U.S.A Aug August 97 84

29 Tokenisierung Tokenklassen bilden: z.b. Zahlen, Währung, Datumsangaben drei => 3? drei => nbr (3) 85 Information Retrieval: Trunkierung Wortformen werden um eine Anzahl von Zeichen gekürzt z.b. analys ieren? analys Analys e? analys analyt isch? analyt 86 Information Retrieval: Stemming Rückführung der Wortform auf einen Stamm: kaufen? kauf Problem: Informationsverlust durch Ignorieren der linguistischen Information (hier die Beziehungen zwischen den einzelnen Begriffen) 87

30 Eigenschaften Volltextindex enthält die Indexterme in alphabetischer Reihenfolge sowie zusätzliche Informationen zu jedem Indexterm (Verweise auf Textstellen) 88 Eigenschaften Volltextindex die Art der Verweise ist an die Anfrage angepasst z.b. Auflistung kodierter Webadressen oder Angabe der Seitenzahlen, auf denen der Indexterm im aufgefundenen Text vorkommt 89 Eigenschaften Volltextindex Indexterme: Teilmenge der Wörter eines Dokumentes, normiert Suchterme: Teilmenge der Wörter einer Anfrage Suchterme? Indexterme 1 Indexterme? Suchterme: Deskriptoren 1) liefert den Wert true falls die Menge der Suchterme in der Menge der Indexterme enthalten ist 90

31 Eigenschaften: Volltextindex Beispiel: a big green apple ergibt die komplexen Deskriptoren big green big apple green apple big green apple (vgl. Hess, 2005) 91 Probleme Volltextsuche A formal specification language for the automatic design of chips by computer Modell automatic chip computer design formal language specification Daher: Dokument wird (korrekterweise) gefunden bei Anfragen wie? designlanguages for computer chips? specification languages for design? languages for the design by computer 92 Probleme Volltextsuche Aber: folgende Anfragen werden dieses Dokument fälschlicherweise finden:? the formal design of chips? formal specifications of chips? the specification of computer languages? the automatic design of specifications 93

32 Ausführung der Suchanfragen bei Volltextsuche Ein-Wort-Anfrage: Nachschlagen der Liste der Textpositionen Anfragen, die komplexe Operationen beinhalten, z.b. Boolesches Retrievalmodell (Verknüpfung der Terme mit Booleschen Operatoren) 94 Boolesche Operatoren AND: Seiten, die beide Begriffe enthalten, werden angezeigt OR: Zugriff auf Seiten, die entweder den einen oder den anderen Begriff enthalten NOT nach dem folgenden Begriff soll nicht gesucht werden, z.b. Kohl AND Gemüse NOT CDU Susanne J. Jekat 96

33 Wichtige Modi und Operationen in Suchanfragen fuzzy search: es werden auch Begriffe gesucht, die nur ungefähr mit dem Suchbegriff übereinstimmen Phonetische Suche: sucht nach Wörtern, die in der Aussprache mit dem Suchbegriff übereinstimmen, z.b. Maier mit Meyer, (Ask Jeeves, witch.de) Phrasensuche: sucht nach Textstellen, an der die Sequenz von Suchbegriffen in derselben Reihenfolge auftritt ( Suche in Feldern: beim Indexieren werden Felder festgelegt, z.b. suche Donald in Feld Autor Susanne J. Jekat Volltextsuche Die Tatsache, dass in Volltextsuchsystemen die Suche nach Einzeltermen auf komplexe Weise miteinander verbunden werden kann, macht sie gerade erst zu den mächtigen Recherche-Werkzeugen, die sie sind. (Dörre, Gerstl & Seiffert 2004:482, in Carstensen et al.) 98 Informationsextraktion (IE) 99

34 Informationsextraktion (Neumann 2004: , in Carstensen et al.) Auffinden und Strukturieren domänenspezifischer Information in freien Texten bei gleichzeitigem Überlesen irrelevanter Informationen Eingabe: Spezifikation des Typs der relevanten Information in Form von Templates und Menge freier Dokumente Ausgabe: eine Menge von instanziierten Templates gefüllt mit den als relevant identifizierten und normalisierten Textfragmenten 100 Informationsextraktion Vorgehensweise: 1. Tokenisierung 2. Lexikalische Analyse: Bestimmung der Wortart und der Flexionsform, z.b. Plural oder Singular 3. Chunk Parsing: Identifikation von Teilstrukturen (Chunks), die in einer zweiten Phase zu komplexen Einheiten kombiniert werden (z.b. NP Koordination) 101 Chunk Parsing partielles Parsing: Identifikation von Teilstrukturen (chunks 1, z.b. eine NP), denen phrasale Tags zugeordnet werden. Warum Chunk Parsing? 1. auch Menschen verarbeiten beim Sprachverstehen Teilstrukturen [I begin] [with an intuition]: [when I read] [a sentence], [I read it] [a chunk] [at a time] Abney durch Beschränkung höhere Genauigkeit und Robustheit als bei vollständigen Parsern 1 Textregionen zwischen chunks werden auch chinks genannt 102

35 Chunk Parsing Einfache Chunks sind: nicht-überlappende Regionen eines Textes nicht-rekursiv (kein Chunk enthält andere Chunks desselben Typs) nicht-exhaustiv (ein Text wird nicht notwendigerweise durch Chunks abgedeckt) (vgl. chinks) 103 Chunk Parsing Spezifizierung eines NP-Chunks in der Form einer Regel wäre etwa: NP ART (NN NE) Eine NP ist ein Artikel, gefolgt von einem normalen Nomen oder einem Eigennamen. 104 Informationsextraktion Vorgehensweise: 4. Koreferenzauflösung: welche linguistischen Objekte nehmen auf dieselbe Template- Instanz Bezug: Dr. Hermann Wirth, bisheriger Leiter der Musikhochschule München, verabschiedete sich heute aus dem Amt. Der 65-jährige tritt seinen wohlverdienten Ruhestand an. 105

36 Informationsextraktion Vorgehensweise: 5. Erkennung domänenrelevanter Muster: z.b. Prolog-ähnliche Template-Regel noun-group (PNG, head(isa(person))), noungroup(tng, head(isa(title))), noun-group (CNG,head(isa(company))),... passt zu (PNG) Sue Smith(/PNG), 39, of Menlo Park, was appointed (TNG)president (/TNG) of (CNG) Foo Inc.(/CNG) PNG: Person Name Group, TNG: Title Name Group, CNG: Company Name Group 106 Informationsextraktion 6. Template-Unifikation: Motivation: Information kann über mehrere Sätze verteilt sein, Vereinigung von Information aus unterschiedlichen Template-Instanzen 107 Exkurs: Unifikation Vereinigung der Information aus zwei Merkmalstrukturen in einer 108

37 Exkurs: Koreferenzauflösung Bestimmen des Antezedenten durch den Einsatz von Filtern (Einschränkung der möglichen Antezedenten) und Präferenzen (Sortieren der verbleibenden möglichen Antezedenten) Filter z.b. Kongruenz mit dem Antezedenten in Numerus und Genus bei Pronomen, in Numerus bei definiten Nominalphrasen 109 Exkurs: Koreferenzauflösung Bildung der Präferenz aufgrund von Salienzmerkmalen, z.b. Distanz zwischen Anapher und möglichem Antezedenten oder möglichen koreferenten Ausdrücken grammatische Funktion von Anapher und möglichem Antezedenten oder möglichen koreferenten Ausdrücken, Präferenz für Subjekt, Parallelismus 110 Informationsextraktion: Beispiel Ausgangsfrage: Welche Person (PersonOut) hat welche Position in welcher Organisation wann (TimeOut) verlassen und welche Person (PersonIn) hat wann (TimeIn) diese Position wieder aufgenommen? 111

38 Informationsextraktion: Beispiel Template: 112 Informationsextraktion: Beispiel Text: Dr. Hermann Wirth, bisheriger Leiter der Musikhochschule München, verabschiedete sich heute aus dem Amt. Der 65-jährige tritt seinen wohlverdienten Ruhestand an. Als seine Nachfolgerin wurde Sabine Klinger benannt. 113 Informationsextraktion: Beispiel Instanziiertes Template: 114

39 Text Mining 115 Data Mining Wie lässt sich automatisch neue Information aus Texten erschliessen? Data mining ist ein mitterweile etabliertes Anwendungsfeld der KI, in dem mit statistischen Methoden versucht wird, interessante Ähnlichkeiten (Tendenzen, Zusammenhänge, Gruppierungen etc.) in grossen Datenmengen zu entdecken. 116 Data Mining Ziel: to discover or derive new information from data, finding patterns across datasets, and/or separating signal from noise. (Hearst 1999, zitiert in Hess 2005) Typische Anwendungen sind Kundenbindungsprogramme (wie z.b. Cumulus der Migros), wo aufgrund der Einkäufe eines Kunden ein Käuferprofil ermittelt wird, auf Grund dessen z.b. massgeschneiderte Angebote gemacht werden (Käufer von Babywindeln erhalten Angebote für Kinderkleider). 117

40 Text Mining Wenn es sich bei den Daten nicht um strukturierte Daten sondern um Texte handelt, ist die Bezeichnung Text Data Mining oder kurz Text Mining. 118 Aufgabe Text Mining im Suchprozess: Analyse der Suchresultate aus der Volltextsuche allgemein: Analyse von Ähnlichkeiten und Zusammenhängen zwischen verstreuten Fakten in Texten 119 Vorgehensweise Text Mining Analyse von Einzeltexten: 1. Extraktion und Analyse von Texteinheiten durch: Erkennung des Datenformates der Zeichenkodierung der Dokumentstruktur (Titel, Paragraphen) Informationen hierzu stammen aus unterschiedlichen Quellen wie Dateiname, Datenbankeintrag, Markierungen im Dokumenttext (Markup) oder (bei fehlender Information aus Annahmen: n-gramme von typischen Zeichenfolgen einer Sprache => zu 90% korrekte Aussage über Zeichenkodierung/Sprache eines Textes 120

41 Vorgehensweise Text Mining 2. Merkmalsextraktion: (einfachste Form) z.b. ein Text enthält die Wörter mouse und mice (Ergebnis der Tokenisierung) durch Nachschlagen in einem maschinenauswertbaren Wörterbuch kann mice auf mouse zurückgeführt werden 121 Terminologie Vorgehensweise Text Mining: a) Extraktion und Analyse von Texteinheiten b) Merkmalsextraktion, Ergebnis: Merkmalsmatrix: repräsentiert den Textinhalt in einer Form, die sich als Eingabe für statistische Analyseverfahren eignet enthält den normalisierten Merkmalsterm und eine Reihe von statistischen und sprachlichen Eigenschaften, die diesem Ausdruck zugeschrieben werden 122 Beispiel für eine Merkmalsmatrix (hier aus der strukturellen Semantik): Terminologie 123

42 Ergebnisse der Merkmalsextraktion Hervorhebung wichtiger Ausdrücke eines Textes Extraktion von Schlüsselwörtern oder Schlüsselsätzen Basis für weitergehende Mining-Verfahren, z.b. Clustering 124 Text Mining: Definition von Distanzmassen zwischen Texten 1. Alle Texte einer Textsammlung werden einer Merkmalsextraktion unterzogen 2. die Summe aller ermittelten Merkmale bildet den Merkmalsraum 3. Merkmalsreduktion: Stoppwörter, nieder- und hochfrequente Terme 4. Dokumente können entsprechend der sie repräsentierenden Merkmalsmatrix (welche Merkmale kommen wie oft vor) angeordnet werden 125 Text Mining: Clustering Clustering: Aufteilung der Dokumente in Gruppen inhaltlich ähnliche Texte sollen nahe zusammen auftreten die Distanz zwischen inhaltlich verschiedenen Texten soll gross sein Abstand innerhalb eines Clusters möglichst minimal Abstand zwischen Clustern möglichst maximal 126

43 Text Mining: Clustering z.b. lineares Clustering bei jedem Dokument wird entschieden, ob es einem bereits bestehenden Cluster zuzurechnen ist oder ob ein neues Cluster dafür angelegt werden soll (Verfahren ist reihenfolgenabhängig), deshalb wird der Prozess meistens mit einer anderen Reihenfolge der Texte wiederholt zusätzlich wird das Distanzmass zwischen den einzelnen Clustern berechnet 127 Text Mining: Clustering (Dörre et al. 2004:491, in Carstensen et al.) 128 Textfilterung z.b. durch Verwendung von Informationen über HTML: Phrasen, die in der Umgebung <strong> oder <em> stehen, enthalten wichtige Informationen ein als Überschrift markierter Text (<h1> bis <h6>) ist wahrscheinlich kein vollständiger Satz Da verschiedene Versionen von HTML existieren und Dokumente oft fehlerhaft annotiert sind, ist Normalisierung empfehlenswert, z.b. durch Konvertierung nach XHTML => beliebige XML - Werkzeuge können eingesetzt werden 129

44 Textfilterung Beispiel XDOC (XML basiertes Document Processing, vgl. Kunze & Rösner 2003) soll Experten den Zugriff auf Fachinformation, die u.a. aus Webseiten gewonnen werden, erleichtern die in den Webseiten enthaltene Strukturinformation wird genutzt: der Parser akzeptiert in Überschriften nur Nominalphrasen, während im Fliesstext ganze Sätze erwartet werden semantische Analyseergebnisse werden in XML repräsentiert 130 Quellen Beaugrande, R. de & Dressler, W. (1981) Einführung in die Textlinguistik, Tübingen. Bussmann, H. (2002) Lexikon der Sprachwissenschaft. Stuttgart: Kröner. Carstensen, K. et al., ed, (2004) Computerlinguistik und Sprachtechnologie. Eine Einführung. 2. erweiterte und überarbeitete Auflage, Heidelberg: Spektrum. Donzel, M. van (1999) Prosodic Aspects of Information Structure in Discourse, Diss., Universität Amsterdam Heinemann, W. & Viehweger, D. (1991) Textlinguistik. Eine Einführung, Tübingen. Grosz, B.J. & Sidner, C.L. (1986) Attention, intention, and the structure of discourse, Computational Linguistics 12, Halliday, M.A.K. & Hasan, R.(1976): Cohesion in English. London:Longman. 131 Quellen Hess, M. (2005) Einführung in die Computerlinguistik I, Interaktives Skript zur Vorlesung, Universität Zürich: Zürich, Kunze, M. & Rösner, D. (2003) XDOC XML-basierte Werkzeuge für die Extraktion und Repräsentation von Informationen, in Mehler, A. & Lobin, H., ed, Automatisierte Textanalyse, Wiesbaden: Westdeutscher Verlag. Mann, W. & Thompson; S. (1991) Rhetorical Structure Theory: Towards a functional theory of text organisation. In: Text 3, Stede, M. (2001) Folien zum Thema Textplanung, zuletzt besucht Schmitz, K.-D. (2002) Übersetzungsbezogene Terminologielehre, Folien zum Nachdiplomkurs Terminologie 2002/2003 an der ZHW. Witte, R. (2006) Introduction to Text Mining, Tutorial at EDBT 2006, Universität Karlsruhe. 132

Part-of-Speech- Tagging

Part-of-Speech- Tagging Part-of-Speech- Tagging In: Einführung in die Computerlinguistik Institut für Computerlinguistik Heinrich-Heine-Universität Düsseldorf WS 2004/05 Dozentin: Wiebke Petersen Tagging Was ist das? Tag (engl.):

Mehr

1 Mathematische Grundlagen

1 Mathematische Grundlagen Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.

Mehr

Web-Kürzel. Krishna Tateneni Yves Arrouye Deutsche Übersetzung: Stefan Winter

Web-Kürzel. Krishna Tateneni Yves Arrouye Deutsche Übersetzung: Stefan Winter Krishna Tateneni Yves Arrouye Deutsche Übersetzung: Stefan Winter 2 Inhaltsverzeichnis 1 Web-Kürzel 4 1.1 Einführung.......................................... 4 1.2 Web-Kürzel.........................................

Mehr

Formale Sprachen und Grammatiken

Formale Sprachen und Grammatiken Formale Sprachen und Grammatiken Jede Sprache besitzt die Aspekte Semantik (Bedeutung) und Syntax (formaler Aufbau). Die zulässige und korrekte Form der Wörter und Sätze einer Sprache wird durch die Syntax

Mehr

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen

Mehr

Leichte-Sprache-Bilder

Leichte-Sprache-Bilder Leichte-Sprache-Bilder Reinhild Kassing Information - So geht es 1. Bilder gucken 2. anmelden für Probe-Bilder 3. Bilder bestellen 4. Rechnung bezahlen 5. Bilder runterladen 6. neue Bilder vorschlagen

Mehr

Mit der Maus im Menü links auf den Menüpunkt 'Seiten' gehen und auf 'Erstellen klicken.

Mit der Maus im Menü links auf den Menüpunkt 'Seiten' gehen und auf 'Erstellen klicken. Seite erstellen Mit der Maus im Menü links auf den Menüpunkt 'Seiten' gehen und auf 'Erstellen klicken. Es öffnet sich die Eingabe Seite um eine neue Seite zu erstellen. Seiten Titel festlegen Den neuen

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

4. AUSSAGENLOGIK: SYNTAX. Der Unterschied zwischen Objektsprache und Metasprache lässt sich folgendermaßen charakterisieren:

4. AUSSAGENLOGIK: SYNTAX. Der Unterschied zwischen Objektsprache und Metasprache lässt sich folgendermaßen charakterisieren: 4. AUSSAGENLOGIK: SYNTAX 4.1 Objektsprache und Metasprache 4.2 Gebrauch und Erwähnung 4.3 Metavariablen: Verallgemeinerndes Sprechen über Ausdrücke von AL 4.4 Die Sprache der Aussagenlogik 4.5 Terminologie

Mehr

Das große ElterngeldPlus 1x1. Alles über das ElterngeldPlus. Wer kann ElterngeldPlus beantragen? ElterngeldPlus verstehen ein paar einleitende Fakten

Das große ElterngeldPlus 1x1. Alles über das ElterngeldPlus. Wer kann ElterngeldPlus beantragen? ElterngeldPlus verstehen ein paar einleitende Fakten Das große x -4 Alles über das Wer kann beantragen? Generell kann jeder beantragen! Eltern (Mütter UND Väter), die schon während ihrer Elternzeit wieder in Teilzeit arbeiten möchten. Eltern, die während

Mehr

Grundbegriffe der Informatik

Grundbegriffe der Informatik Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen

Mehr

Jeopardy and andere Quizformate im bilingualen Sachfachunterricht Tipps zur Erstellung mit Powerpoint

Jeopardy and andere Quizformate im bilingualen Sachfachunterricht Tipps zur Erstellung mit Powerpoint Bilingual konkret Jeopardy and andere Quizformate im bilingualen Sachfachunterricht Tipps zur Erstellung mit Powerpoint Moderner Unterricht ist ohne die Unterstützung durch Computer und das Internet fast

Mehr

Erläuterung des Begriffs Plagiat

Erläuterung des Begriffs Plagiat Erläuterung des Begriffs Plagiat 1 Definition Plagiat Unter einem Plagiat versteht man allgemein die Wiedergabe eines Textteils ohne Herkunftsangabe. Besonders zu beachten ist, dass es unerheblich ist,

Mehr

1 topologisches Sortieren

1 topologisches Sortieren Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung

Mehr

Datenbanken Kapitel 2

Datenbanken Kapitel 2 Datenbanken Kapitel 2 1 Eine existierende Datenbank öffnen Eine Datenbank, die mit Microsoft Access erschaffen wurde, kann mit dem gleichen Programm auch wieder geladen werden: Die einfachste Methode ist,

Mehr

Use Cases. Use Cases

Use Cases. Use Cases Use Cases Eigenschaften: Ein Use Case beschreibt einen Teil des Verhaltens eines Systems aus externer Sicht (Formuliert in der der Fachsprache der Anwendung) Dies geschieht, indem ein Systemdialog beschrieben

Mehr

4 Aufzählungen und Listen erstellen

4 Aufzählungen und Listen erstellen 4 4 Aufzählungen und Listen erstellen Beim Strukturieren von Dokumenten und Inhalten stellen Listen und Aufzählungen wichtige Werkzeuge dar. Mit ihnen lässt sich so ziemlich alles sortieren, was auf einer

Mehr

Zeichen bei Zahlen entschlüsseln

Zeichen bei Zahlen entschlüsseln Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren

Mehr

AutoTexte und AutoKorrektur unter Outlook verwenden

AutoTexte und AutoKorrektur unter Outlook verwenden AutoTexte und AutoKorrektur unter Outlook verwenden Die Hilfsmittel "AutoKorrektur" und "AutoTexte", die schon unter Microsoft Word das Arbeiten erleichtern, sind natürlich auch unter Outlook verfügbar.

Mehr

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes. Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel

Mehr

Dokumentation von Ük Modul 302

Dokumentation von Ük Modul 302 Dokumentation von Ük Modul 302 Von Nicolas Kull Seite 1/ Inhaltsverzeichnis Dokumentation von Ük Modul 302... 1 Inhaltsverzeichnis... 2 Abbildungsverzeichnis... 3 Typographie (Layout)... 4 Schrift... 4

Mehr

Suche schlecht beschriftete Bilder mit Eigenen Abfragen

Suche schlecht beschriftete Bilder mit Eigenen Abfragen Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere

Mehr

Step by Step Webserver unter Windows Server 2003. von Christian Bartl

Step by Step Webserver unter Windows Server 2003. von Christian Bartl Step by Step Webserver unter Windows Server 2003 von Webserver unter Windows Server 2003 Um den WWW-Server-Dienst IIS (Internet Information Service) zu nutzen muss dieser zunächst installiert werden (wird

Mehr

Wenn Russland kein Gas mehr liefert

Wenn Russland kein Gas mehr liefert Ergänzen Sie die fehlenden Begriffe aus der Liste. abhängig Abhängigkeit bekommen betroffen bezahlen Gasspeicher Gasverbrauch gering hätte helfen importieren liefert 0:02 Pläne politischen Projekte Prozent

Mehr

In diesem Tutorial lernen Sie, wie Sie einen Termin erfassen und verschiedene Einstellungen zu einem Termin vornehmen können.

In diesem Tutorial lernen Sie, wie Sie einen Termin erfassen und verschiedene Einstellungen zu einem Termin vornehmen können. Tutorial: Wie erfasse ich einen Termin? In diesem Tutorial lernen Sie, wie Sie einen Termin erfassen und verschiedene Einstellungen zu einem Termin vornehmen können. Neben den allgemeinen Angaben zu einem

Mehr

Barrierefreie Webseiten erstellen mit TYPO3

Barrierefreie Webseiten erstellen mit TYPO3 Barrierefreie Webseiten erstellen mit TYPO3 Alternativtexte Für jedes Nicht-Text-Element ist ein äquivalenter Text bereitzustellen. Dies gilt insbesondere für Bilder. In der Liste der HTML 4-Attribute

Mehr

20. Algorithmus der Woche Online-Algorithmen: Was ist es wert, die Zukunft zu kennen? Das Ski-Problem

20. Algorithmus der Woche Online-Algorithmen: Was ist es wert, die Zukunft zu kennen? Das Ski-Problem 20. Algorithmus der Woche Online-Algorithmen: Was ist es wert, die Zukunft zu kennen? Das Ski-Problem Autor Susanne Albers, Universität Freiburg Swen Schmelzer, Universität Freiburg In diesem Jahr möchte

Mehr

Stellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster

Stellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster Es gibt in Excel unter anderem die so genannten Suchfunktionen / Matrixfunktionen Damit können Sie Werte innerhalb eines bestimmten Bereichs suchen. Als Beispiel möchte ich die Funktion Sverweis zeigen.

Mehr

Kommunikations-Management

Kommunikations-Management Tutorial: Wie importiere und exportiere ich Daten zwischen myfactory und Outlook? Im vorliegenden Tutorial lernen Sie, wie Sie in myfactory Daten aus Outlook importieren Daten aus myfactory nach Outlook

Mehr

Hilfe zur Urlaubsplanung und Zeiterfassung

Hilfe zur Urlaubsplanung und Zeiterfassung Hilfe zur Urlaubsplanung und Zeiterfassung Urlaubs- und Arbeitsplanung: Mit der Urlaubs- und Arbeitsplanung kann jeder Mitarbeiter in Coffee seine Zeiten eintragen. Die Eintragung kann mit dem Status anfragen,

Mehr

Programmiersprachen und Übersetzer

Programmiersprachen und Übersetzer Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch

Mehr

Windows. Workshop Internet-Explorer: Arbeiten mit Favoriten, Teil 1

Windows. Workshop Internet-Explorer: Arbeiten mit Favoriten, Teil 1 Workshop Internet-Explorer: Arbeiten mit Favoriten, Teil 1 Wenn der Name nicht gerade www.buch.de oder www.bmw.de heißt, sind Internetadressen oft schwer zu merken Deshalb ist es sinnvoll, die Adressen

Mehr

Kapitel 4 Die Datenbank Kuchenbestellung Seite 1

Kapitel 4 Die Datenbank Kuchenbestellung Seite 1 Kapitel 4 Die Datenbank Kuchenbestellung Seite 1 4 Die Datenbank Kuchenbestellung In diesem Kapitel werde ich die Theorie aus Kapitel 2 Die Datenbank Buchausleihe an Hand einer weiteren Datenbank Kuchenbestellung

Mehr

Umstellung News-System auf cms.sn.schule.de

Umstellung News-System auf cms.sn.schule.de Umstellung News-System auf cms.sn.schule.de Vorbemerkungen Hinweis: Sollten Sie bisher noch kein News-System verwendet haben, nutzen Sie die Anleitung unter http://cms.sn.schule.de/admin/handbuch/grundlagen/page/25/

Mehr

Optimieren Sie Ihre n2n Webseite

Optimieren Sie Ihre n2n Webseite N2N Autor: Bert Hofmänner 5.10.2011 Optimieren Sie Ihre n2n Webseite Einer der wichtigsten Faktoren für den Erfolg Ihrer Webseite in Suchmaschinen sind deren Inhalte. Diese können Sie mit einem Content

Mehr

Die Statistiken von SiMedia

Die Statistiken von SiMedia Die Statistiken von SiMedia Unsere Statistiken sind unter folgender Adresse erreichbar: http://stats.simedia.info Kategorie Titel Einfach Erweitert Übersicht Datum und Zeit Inhalt Besucher-Demographie

Mehr

Überprüfung der digital signierten E-Rechnung

Überprüfung der digital signierten E-Rechnung Überprüfung der digital signierten E-Rechnung Aufgrund des BMF-Erlasses vom Juli 2005 (BMF-010219/0183-IV/9/2005) gelten ab 01.01.2006 nur noch jene elektronischen Rechnungen als vorsteuerabzugspflichtig,

Mehr

kleines keyword brevier Keywords sind das Salz in der Suppe des Online Marketing Gordian Hense

kleines keyword brevier Keywords sind das Salz in der Suppe des Online Marketing Gordian Hense Keywords sind das Salz in der Suppe des Online Marketing Keywords - Das Salz in der Suppe des Online Marketing Keyword Arten Weitgehend passende Keywords, passende Wortgruppe, genau passende Wortgruppe

Mehr

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

Mehr

Binäre Bäume. 1. Allgemeines. 2. Funktionsweise. 2.1 Eintragen

Binäre Bäume. 1. Allgemeines. 2. Funktionsweise. 2.1 Eintragen Binäre Bäume 1. Allgemeines Binäre Bäume werden grundsätzlich verwendet, um Zahlen der Größe nach, oder Wörter dem Alphabet nach zu sortieren. Dem einfacheren Verständnis zu Liebe werde ich mich hier besonders

Mehr

Tevalo Handbuch v 1.1 vom 10.11.2011

Tevalo Handbuch v 1.1 vom 10.11.2011 Tevalo Handbuch v 1.1 vom 10.11.2011 Inhalt Registrierung... 3 Kennwort vergessen... 3 Startseite nach dem Login... 4 Umfrage erstellen... 4 Fragebogen Vorschau... 7 Umfrage fertigstellen... 7 Öffentliche

Mehr

Handbuch. Artologik EZ-Equip. Plug-in für EZbooking version 3.2. Artisan Global Software

Handbuch. Artologik EZ-Equip. Plug-in für EZbooking version 3.2. Artisan Global Software Artologik EZ-Equip Plug-in für EZbooking version 3.2 Artologik EZbooking und EZ-Equip EZbooking, Ihre webbasierte Software zum Reservieren von Räumen und Objekten, kann nun durch die Ergänzung um ein oder

Mehr

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung. Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,

Mehr

Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut, keine vorgegebenen Klassen

Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut, keine vorgegebenen Klassen 7. Clusteranalyse (= Häufungsanalyse; Clustering-Verfahren) wird der multivariaten Statistik zugeordnet Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut,

Mehr

Motivation. Formale Grundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen. Informales Beispiel. Informales Beispiel.

Motivation. Formale Grundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen. Informales Beispiel. Informales Beispiel. Kontextfreie Kontextfreie Motivation Formale rundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen Bisher hatten wir Automaten, die Wörter akzeptieren Frank Heitmann heitmann@informatik.uni-hamburg.de

Mehr

Eine der Aktien hat immer einen höheren Gewinn als die andere Aktie. Ihre Aufgabe ist es diese auszuwählen.

Eine der Aktien hat immer einen höheren Gewinn als die andere Aktie. Ihre Aufgabe ist es diese auszuwählen. Instruktionen am Anfang von Experiment 1 (auf Papier ausgeteilt: grünmarkierte Textstellen zeigen den Instruktionstext in der jeweiligen Bedingung an; Kommentare sind gelb markiert.) Stellen Sie sich vor,

Mehr

LinguLab GmbH. Bedienungsanleitung Allgemeine Definition

LinguLab GmbH. Bedienungsanleitung Allgemeine Definition LinguLab GmbH Bedienungsanleitung Allgemeine Definition LinguLab GmbH T: +49.711.49030.370 Maybachstr. 50 F: +49.711.49030.22.370 70469 Stuttgart E: mba@lingulab.de I: www.lingulab.de Inhaltsverzeichnis

Mehr

Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt?

Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Behandelte Fragestellungen Was besagt eine Fehlerquote? Welche Bezugsgröße ist geeignet? Welche Fehlerquote ist gerade noch zulässig? Wie stellt

Mehr

RT Request Tracker. Benutzerhandbuch V2.0. Inhalte

RT Request Tracker. Benutzerhandbuch V2.0. Inhalte RT Request Tracker V2.0 Inhalte 1 Was ist der RT Request Tracker und wo finde ich ihn?...2 2 Was möchten wir damit erreichen?...2 3 Wie erstelle ich ein Ticket?...2 4 Wie wird das Ticket abgearbeitet?...4

Mehr

Professionelle Seminare im Bereich MS-Office

Professionelle Seminare im Bereich MS-Office Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion

Mehr

UNTERRICHTSPLaN LEkTIoN 6

UNTERRICHTSPLaN LEkTIoN 6 Lektion 6 Ich brauche kein Büro. UNTERRICHTSPLaN LEkTIoN 6 1 Arbeiten am See a CD 1.36 führen Sie ein kurzes Einstiegsgespräch auf Deutsch zum foto. Was sehen die TN? Wie geht es der Person? Welche Gegenstände

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Portfolio: "Die Ratten" von Gerhart Hauptmann

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Portfolio: Die Ratten von Gerhart Hauptmann Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Portfolio: "Die Ratten" von Gerhart Hauptmann Das komplette Material finden Sie hier: Download bei School-Scout.de Titel: man zum

Mehr

Sich einen eigenen Blog anzulegen, ist gar nicht so schwer. Es gibt verschiedene Anbieter. www.blogger.com ist einer davon.

Sich einen eigenen Blog anzulegen, ist gar nicht so schwer. Es gibt verschiedene Anbieter. www.blogger.com ist einer davon. www.blogger.com Sich einen eigenen Blog anzulegen, ist gar nicht so schwer. Es gibt verschiedene Anbieter. www.blogger.com ist einer davon. Sie müssen sich dort nur ein Konto anlegen. Dafür gehen Sie auf

Mehr

ONLINE-AKADEMIE. "Diplomierter NLP Anwender für Schule und Unterricht" Ziele

ONLINE-AKADEMIE. Diplomierter NLP Anwender für Schule und Unterricht Ziele ONLINE-AKADEMIE Ziele Wenn man von Menschen hört, die etwas Großartiges in ihrem Leben geleistet haben, erfahren wir oft, dass diese ihr Ziel über Jahre verfolgt haben oder diesen Wunsch schon bereits

Mehr

Wir beraten Sie. Wir unterstützen Sie. Wir schaffen Lösungen. Wir bringen Qualität. Wir beraten Sie. Wir unterstützen Sie. Wir schaffen Lösungen

Wir beraten Sie. Wir unterstützen Sie. Wir schaffen Lösungen. Wir bringen Qualität. Wir beraten Sie. Wir unterstützen Sie. Wir schaffen Lösungen Was bedeutet es, ein Redaktionssystem einzuführen? Vorgehensmodell für die Einführung eines Redaktionssystems Die Bedeutung Fast alle Arbeitsabläufe in der Abteilung werden sich verändern Die inhaltliche

Mehr

Erklärung zum Internet-Bestellschein

Erklärung zum Internet-Bestellschein Erklärung zum Internet-Bestellschein Herzlich Willkommen bei Modellbahnbau Reinhardt. Auf den nächsten Seiten wird Ihnen mit hilfreichen Bildern erklärt, wie Sie den Internet-Bestellschein ausfüllen und

Mehr

OECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland

OECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben

Mehr

Thematische Abfrage mit Computerlinguistik

Thematische Abfrage mit Computerlinguistik Thematische Abfrage mit Computerlinguistik Autor: Dr. Klaus Loth (ETH-Bibliothek Zürich) Zusammenfassung Der Beitrag befasst sich mit dem Einsatz der Computerlinguistik bei der thematischen Abfrage einer

Mehr

Für die Verwendung des Wikis wird dringend der Microsoft Internet Explorer Version 7.0 empfohlen!

Für die Verwendung des Wikis wird dringend der Microsoft Internet Explorer Version 7.0 empfohlen! Sie finden das FH-Wiki unter der folgenden Adresse: http://wiki.fh-kehl.de:9454 Falls Sie Anregungen, Fragen oder Hinweise haben wenden Sie sich bitte an Herrn Fetterer oder Frau Prof. Dr. Schenk. Für

Mehr

40-Tage-Wunder- Kurs. Umarme, was Du nicht ändern kannst.

40-Tage-Wunder- Kurs. Umarme, was Du nicht ändern kannst. 40-Tage-Wunder- Kurs Umarme, was Du nicht ändern kannst. Das sagt Wikipedia: Als Wunder (griechisch thauma) gilt umgangssprachlich ein Ereignis, dessen Zustandekommen man sich nicht erklären kann, so dass

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Abi-Retter-Strategien: Texterörterung. Das komplette Material finden Sie hier:

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Abi-Retter-Strategien: Texterörterung. Das komplette Material finden Sie hier: Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Das komplette Material finden Sie hier: Download bei School-Scout.de Thema: TMD: 47047 Kurzvorstellung des Materials: Teil der Abi-Retter-Strategie-Serie:

Mehr

Web Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion

Web Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion Web Information Retrieval Hauptseminar Sommersemester 2003 Thomas Mandl Überblick Mehrsprachigkeit Multimedialität Heterogenität Qualität, semantisch, technisch Struktur Links HTML Struktur Technologische

Mehr

Ihr Weg in die Suchmaschinen

Ihr Weg in die Suchmaschinen Ihr Weg in die Suchmaschinen Suchmaschinenoptimierung Durch Suchmaschinenoptimierung kann man eine höhere Platzierung von Homepages in den Ergebnislisten von Suchmaschinen erreichen und somit mehr Besucher

Mehr

Verband der TÜV e. V. STUDIE ZUM IMAGE DER MPU

Verband der TÜV e. V. STUDIE ZUM IMAGE DER MPU Verband der TÜV e. V. STUDIE ZUM IMAGE DER MPU 2 DIE MEDIZINISCH-PSYCHOLOGISCHE UNTERSUCHUNG (MPU) IST HOCH ANGESEHEN Das Image der Medizinisch-Psychologischen Untersuchung (MPU) ist zwiespältig: Das ist

Mehr

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN

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,

Mehr

teischl.com Software Design & Services e.u. office@teischl.com www.teischl.com/booknkeep www.facebook.com/booknkeep

teischl.com Software Design & Services e.u. office@teischl.com www.teischl.com/booknkeep www.facebook.com/booknkeep teischl.com Software Design & Services e.u. office@teischl.com www.teischl.com/booknkeep www.facebook.com/booknkeep 1. Erstellen Sie ein neues Rechnungsformular Mit book n keep können Sie nun Ihre eigenen

Mehr

Diese Ansicht erhalten Sie nach der erfolgreichen Anmeldung bei Wordpress.

Diese Ansicht erhalten Sie nach der erfolgreichen Anmeldung bei Wordpress. Anmeldung http://www.ihredomain.de/wp-admin Dashboard Diese Ansicht erhalten Sie nach der erfolgreichen Anmeldung bei Wordpress. Das Dashboard gibt Ihnen eine kurze Übersicht, z.b. Anzahl der Beiträge,

Mehr

Auswertung qualitativer Interviews

Auswertung qualitativer Interviews Auswertung qualitativer Interviews Problem: umfangreiche Texte in eine Form zu bringen, die als Erzählung, als Leseangebot für den Leser dienen können Texte müssen eingedickt werden, sie müssen im Rahmen

Mehr

Mathematische Grundlagen der Informatik 2

Mathematische Grundlagen der Informatik 2 Zusammenfassung Math2I Mathematische Grundlagen der Informatik 2 Emanuel Duss emanuel.duss@gmail.com 12. April 2013 1 Zusammenfassung Math2I Mathematische Grundlagen der Informatik 2 Dieses Dokument basiert

Mehr

Access Verbrecherdatenbank Teil 3

Access Verbrecherdatenbank Teil 3 Access Verbrecherdatenbank Teil 3 Allgemeines Im letzten Teil des Lehrgangs zu Microsoft Access erfährst du, wie man aus einer Datenbank Informationen herausfiltert, indem an Filter und Abfragen anwendet.

Mehr

Suchmaschinenoptimierung (SEO) für Ihren Shop. Mario Rieß Chief Technology Officer mriess@epages.com

Suchmaschinenoptimierung (SEO) für Ihren Shop. Mario Rieß Chief Technology Officer mriess@epages.com Suchmaschinenoptimierung (SEO) für Ihren Shop Mario Rieß Chief Technology Officer mriess@epages.com Agenda 1. Allgemeine Vorbemerkungen 2. Technischer Teil was erledigt die Software 3. Inhaltlicher Teil

Mehr

juergen.vogt@uni-ulm.de

juergen.vogt@uni-ulm.de Benutzerregistrierung für SciFinder on WWW Mitglieder, auch Studenten, der Universität Ulm können SciFinder Scholar für nicht-kommerzielle Zwecke nutzen. Allerdings ist der Zugang personalisiert. Damit

Mehr

12. Dokumente Speichern und Drucken

12. Dokumente Speichern und Drucken 12. Dokumente Speichern und Drucken 12.1 Überblick Wie oft sollte man sein Dokument speichern? Nachdem Sie ein Word Dokument erstellt oder bearbeitet haben, sollten Sie es immer speichern. Sie sollten

Mehr

SCHRITT 1: Öffnen des Bildes und Auswahl der Option»Drucken«im Menü»Datei«...2. SCHRITT 2: Angeben des Papierformat im Dialog»Drucklayout«...

SCHRITT 1: Öffnen des Bildes und Auswahl der Option»Drucken«im Menü»Datei«...2. SCHRITT 2: Angeben des Papierformat im Dialog»Drucklayout«... Drucken - Druckformat Frage Wie passt man Bilder beim Drucken an bestimmte Papierformate an? Antwort Das Drucken von Bildern ist mit der Druckfunktion von Capture NX sehr einfach. Hier erklären wir, wie

Mehr

Die Beschreibung bezieht sich auf die Version Dreamweaver 4.0. In der Version MX ist die Sitedefinition leicht geändert worden.

Die Beschreibung bezieht sich auf die Version Dreamweaver 4.0. In der Version MX ist die Sitedefinition leicht geändert worden. In einer Website haben Seiten oft das gleiche Layout. Speziell beim Einsatz von Tabellen, in denen die Navigation auf der linken oder rechten Seite, oben oder unten eingesetzt wird. Diese Anteile der Website

Mehr

Partitionieren in Vista und Windows 7/8

Partitionieren in Vista und Windows 7/8 Partitionieren in Vista und Windows 7/8 Windows Vista und Windows 7 können von Haus aus Festplatten partitionieren. Doch die Funktion ist etwas schwer zu entdecken, denn sie heißt "Volume verkleinern".

Mehr

Eva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit

Eva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit Eva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit Frau Dr. Eva Douma ist Organisations-Beraterin in Frankfurt am Main Das ist eine Zusammen-Fassung des Vortrages: Busines

Mehr

L10N-Manager 3. Netzwerktreffen der Hochschulübersetzer/i nnen Mannheim 10. Mai 2016

L10N-Manager 3. Netzwerktreffen der Hochschulübersetzer/i nnen Mannheim 10. Mai 2016 L10N-Manager 3. Netzwerktreffen der Hochschulübersetzer/i nnen Mannheim 10. Mai 2016 Referentin: Dr. Kelly Neudorfer Universität Hohenheim Was wir jetzt besprechen werden ist eine Frage, mit denen viele

Mehr

Formale Vorgaben für die Seminararbeit

Formale Vorgaben für die Seminararbeit Hermann-Kesten-Kolleg Nürnberg Formale Vorgaben für die Seminararbeit Inhaltsverzeichnis Umfang...2 Layout...2 Bibliografie...3 Erstellen von einzelnen bibliografischen Nachweisen...3 Zusammenstellen der

Mehr

Datensicherung. Beschreibung der Datensicherung

Datensicherung. Beschreibung der Datensicherung Datensicherung Mit dem Datensicherungsprogramm können Sie Ihre persönlichen Daten problemlos Sichern. Es ist möglich eine komplette Datensicherung durchzuführen, aber auch nur die neuen und geänderten

Mehr

Proxy. Krishna Tateneni Übersetzer: Stefan Winter

Proxy. Krishna Tateneni Übersetzer: Stefan Winter Krishna Tateneni Übersetzer: Stefan Winter 2 Inhaltsverzeichnis 1 Proxy-Server 4 1.1 Einführung.......................................... 4 1.2 Benutzung.......................................... 4 3 1

Mehr

Studieren- Erklärungen und Tipps

Studieren- Erklärungen und Tipps Studieren- Erklärungen und Tipps Es gibt Berufe, die man nicht lernen kann, sondern für die man ein Studium machen muss. Das ist zum Beispiel so wenn man Arzt oder Lehrer werden möchte. Hat ihr Kind das

Mehr

Wichtige Hinweise zu den neuen Orientierungshilfen der Architekten-/Objektplanerverträge

Wichtige Hinweise zu den neuen Orientierungshilfen der Architekten-/Objektplanerverträge Wichtige Hinweise zu den neuen Orientierungshilfen der Architekten-/Objektplanerverträge Ab der Version forma 5.5 handelt es sich bei den Orientierungshilfen der Architekten-/Objektplanerverträge nicht

Mehr

Um zusammenfassende Berichte zu erstellen, gehen Sie folgendermaßen vor:

Um zusammenfassende Berichte zu erstellen, gehen Sie folgendermaßen vor: Ergebnisreport: mehrere Lehrveranstaltungen zusammenfassen 1 1. Ordner anlegen In der Rolle des Berichterstellers (siehe EvaSys-Editor links oben) können zusammenfassende Ergebnisberichte über mehrere

Mehr

Zitieren leicht gemacht // Die amerikanische sowie die deutsche Art der Zitation

Zitieren leicht gemacht // Die amerikanische sowie die deutsche Art der Zitation Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Zitieren leicht gemacht // Die amerikanische sowie die deutsche Art der Zitation Mike Siedersleben, 20. April 2010 Agenda Tutorium Was

Mehr

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 2.800.000.000.000.000.000.000 Bytes Daten im Jahr 2012* * Wenn jedes Byte einem Buchstaben entspricht und wir 1000 Buchstaben auf

Mehr

Das System sollte den Benutzer immer auf dem Laufenden halten, indem es angemessenes Feedback in einer angemessenen Zeit liefert.

Das System sollte den Benutzer immer auf dem Laufenden halten, indem es angemessenes Feedback in einer angemessenen Zeit liefert. Usability Heuristiken Karima Tefifha Proseminar: "Software Engineering Kernkonzepte: Usability" 28.06.2012 Prof. Dr. Kurt Schneider Leibniz Universität Hannover Die ProSeminar-Ausarbeitung beschäftigt

Mehr

Lehrer: Einschreibemethoden

Lehrer: Einschreibemethoden Lehrer: Einschreibemethoden Einschreibemethoden Für die Einschreibung in Ihren Kurs gibt es unterschiedliche Methoden. Sie können die Schüler über die Liste eingeschriebene Nutzer Ihrem Kurs zuweisen oder

Mehr

E-Mail-Inhalte an cobra übergeben

E-Mail-Inhalte an cobra übergeben E-Mail-Inhalte an cobra übergeben Sie bieten ihren potentiellen oder schon bestehenden Kunden über ihre Website die Möglichkeit, per Bestellformular verschiedene Infomaterialien in Papierform abzurufen?

Mehr

Technische Dokumentation: wenn Englisch zur Herausforderung wird

Technische Dokumentation: wenn Englisch zur Herausforderung wird Praxis Technische Dokumentation: wenn Englisch zur Herausforderung wird Anforderungsspezifikation, Requirements-Engineering, Requirements-Management, Terminologieverwaltung www.sophist.de Über Englischkenntnisse

Mehr

FlowFact Alle Versionen

FlowFact Alle Versionen Training FlowFact Alle Versionen Stand: 29.09.2005 Rechnung schreiben Einführung Wie Sie inzwischen wissen, können die unterschiedlichsten Daten über verknüpfte Fenster miteinander verbunden werden. Für

Mehr

Prozessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements. von Stephanie Wilke am 14.08.08

Prozessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements. von Stephanie Wilke am 14.08.08 Prozessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements von Stephanie Wilke am 14.08.08 Überblick Einleitung Was ist ITIL? Gegenüberstellung der Prozesse Neuer

Mehr

Abenteuer e-commerce Erfolgreich mit dem eigenen Onlineshop.

Abenteuer e-commerce Erfolgreich mit dem eigenen Onlineshop. Content & Contentpflege in oscommerce CMS - oder geht es auch günstiger? Seit Jahren gibt es keine Fachzeitschrift, welche das Thema Wichtigkeit von Content im Bezug auf Suchmaschinenoptimierung ausließ.

Mehr

Geld Verdienen im Internet leicht gemacht

Geld Verdienen im Internet leicht gemacht Geld Verdienen im Internet leicht gemacht Hallo, Sie haben sich dieses E-book wahrscheinlich herunter geladen, weil Sie gerne lernen würden wie sie im Internet Geld verdienen können, oder? Denn genau das

Mehr

Hilfe Bearbeitung von Rahmenleistungsverzeichnissen

Hilfe Bearbeitung von Rahmenleistungsverzeichnissen Hilfe Bearbeitung von Rahmenleistungsverzeichnissen Allgemeine Hinweise Inhaltsverzeichnis 1 Allgemeine Hinweise... 3 1.1 Grundlagen...3 1.2 Erstellen und Bearbeiten eines Rahmen-Leistungsverzeichnisses...

Mehr

Outlook. sysplus.ch outlook - mail-grundlagen Seite 1/8. Mail-Grundlagen. Posteingang

Outlook. sysplus.ch outlook - mail-grundlagen Seite 1/8. Mail-Grundlagen. Posteingang sysplus.ch outlook - mail-grundlagen Seite 1/8 Outlook Mail-Grundlagen Posteingang Es gibt verschiedene Möglichkeiten, um zum Posteingang zu gelangen. Man kann links im Outlook-Fenster auf die Schaltfläche

Mehr

1. Richtig oder falsch? R F

1. Richtig oder falsch? R F FRANZ KAFKA: GIB S AUF! 1 Es war sehr früh am Morgen, die Straßen rein und leer, ich ging zum Bahnhof. Als ich eine Turmuhr mit meiner Uhr verglich 1, sah ich, dass es schon viel später war, als ich geglaubt

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5) Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff

Mehr

Einrichten einer Festplatte mit FDISK unter Windows 95/98/98SE/Me

Einrichten einer Festplatte mit FDISK unter Windows 95/98/98SE/Me Einrichten einer Festplatte mit FDISK unter Windows 95/98/98SE/Me Bevor Sie die Platte zum ersten Mal benutzen können, muss sie noch partitioniert und formatiert werden! Vorher zeigt sich die Festplatte

Mehr