-
Survey of text mining : clustering, classification, and retrieval (2004)
0.01
0.012267282 = product of:
0.11040554 = sum of:
0.11040554 = weight(_text_:intelligenz in 804) [ClassicSimilarity], result of:
0.11040554 = score(doc=804,freq=8.0), product of:
0.1759819 = queryWeight, product of:
5.678294 = idf(docFreq=410, maxDocs=44218)
0.030992035 = queryNorm
0.62736875 = fieldWeight in 804, product of:
2.828427 = tf(freq=8.0), with freq of:
8.0 = termFreq=8.0
5.678294 = idf(docFreq=410, maxDocs=44218)
0.0390625 = fieldNorm(doc=804)
0.11111111 = coord(1/9)
- BK
- 54.72 / Künstliche Intelligenz
- Classification
- ST 302 Informatik / Monographien / Künstliche Intelligenz / Expertensysteme; Wissensbasierte Systeme
54.72 / Künstliche Intelligenz
- RVK
- ST 302 Informatik / Monographien / Künstliche Intelligenz / Expertensysteme; Wissensbasierte Systeme
-
Bauckhage, C.: Moderne Textanalyse : neues Wissen für intelligente Lösungen (2016)
0.01
0.0098138265 = product of:
0.088324435 = sum of:
0.088324435 = weight(_text_:intelligenz in 2568) [ClassicSimilarity], result of:
0.088324435 = score(doc=2568,freq=2.0), product of:
0.1759819 = queryWeight, product of:
5.678294 = idf(docFreq=410, maxDocs=44218)
0.030992035 = queryNorm
0.501895 = fieldWeight in 2568, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
5.678294 = idf(docFreq=410, maxDocs=44218)
0.0625 = fieldNorm(doc=2568)
0.11111111 = coord(1/9)
- Abstract
- Im Zuge der immer größeren Verfügbarkeit von Daten (Big Data) und rasanter Fortschritte im Daten-basierten maschinellen Lernen haben wir in den letzten Jahren Durchbrüche in der künstlichen Intelligenz erlebt. Dieser Vortrag beleuchtet diese Entwicklungen insbesondere im Hinblick auf die automatische Analyse von Textdaten. Anhand einfacher Beispiele illustrieren wir, wie moderne Textanalyse abläuft und zeigen wiederum anhand von Beispielen, welche praktischen Anwendungsmöglichkeiten sich heutzutage in Branchen wie dem Verlagswesen, der Finanzindustrie oder dem Consulting ergeben.
-
Peters, G.; Gaese, V.: ¬Das DocCat-System in der Textdokumentation von G+J (2003)
0.01
0.008741678 = product of:
0.03933755 = sum of:
0.030939564 = weight(_text_:geschichte in 1507) [ClassicSimilarity], result of:
0.030939564 = score(doc=1507,freq=2.0), product of:
0.14729895 = queryWeight, product of:
4.7528 = idf(docFreq=1036, maxDocs=44218)
0.030992035 = queryNorm
0.21004607 = fieldWeight in 1507, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.7528 = idf(docFreq=1036, maxDocs=44218)
0.03125 = fieldNorm(doc=1507)
0.008397985 = product of:
0.01679597 = sum of:
0.01679597 = weight(_text_:22 in 1507) [ClassicSimilarity], result of:
0.01679597 = score(doc=1507,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.15476047 = fieldWeight in 1507, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.03125 = fieldNorm(doc=1507)
0.5 = coord(1/2)
0.22222222 = coord(2/9)
- Abstract
- Wir werden einmal die Grundlagen des Text-Mining-Systems bei IBM darstellen, dann werden wir das Projekt etwas umfangreicher und deutlicher darstellen, da kennen wir uns aus. Von daher haben wir zwei Teile, einmal Heidelberg, einmal Hamburg. Noch einmal zur Technologie. Text-Mining ist eine von IBM entwickelte Technologie, die in einer besonderen Ausformung und Programmierung für uns zusammengestellt wurde. Das Projekt hieß bei uns lange Zeit DocText Miner und heißt seit einiger Zeit auf Vorschlag von IBM DocCat, das soll eine Abkürzung für Document-Categoriser sein, sie ist ja auch nett und anschaulich. Wir fangen an mit Text-Mining, das bei IBM in Heidelberg entwickelt wurde. Die verstehen darunter das automatische Indexieren als eine Instanz, also einen Teil von Text-Mining. Probleme werden dabei gezeigt, und das Text-Mining ist eben eine Methode zur Strukturierung von und der Suche in großen Dokumentenmengen, die Extraktion von Informationen und, das ist der hohe Anspruch, von impliziten Zusammenhängen. Das letztere sei dahingestellt. IBM macht das quantitativ, empirisch, approximativ und schnell. das muss man wirklich sagen. Das Ziel, und das ist ganz wichtig für unser Projekt gewesen, ist nicht, den Text zu verstehen, sondern das Ergebnis dieser Verfahren ist, was sie auf Neudeutsch a bundle of words, a bag of words nennen, also eine Menge von bedeutungstragenden Begriffen aus einem Text zu extrahieren, aufgrund von Algorithmen, also im Wesentlichen aufgrund von Rechenoperationen. Es gibt eine ganze Menge von linguistischen Vorstudien, ein wenig Linguistik ist auch dabei, aber nicht die Grundlage der ganzen Geschichte. Was sie für uns gemacht haben, ist also die Annotierung von Pressetexten für unsere Pressedatenbank. Für diejenigen, die es noch nicht kennen: Gruner + Jahr führt eine Textdokumentation, die eine Datenbank führt, seit Anfang der 70er Jahre, da sind z.Z. etwa 6,5 Millionen Dokumente darin, davon etwas über 1 Million Volltexte ab 1993. Das Prinzip war lange Zeit, dass wir die Dokumente, die in der Datenbank gespeichert waren und sind, verschlagworten und dieses Prinzip haben wir auch dann, als der Volltext eingeführt wurde, in abgespeckter Form weitergeführt. Zu diesen 6,5 Millionen Dokumenten gehören dann eben auch ungefähr 10 Millionen Faksimileseiten, weil wir die Faksimiles auch noch standardmäßig aufheben.
- Date
- 22. 4.2003 11:45:36
-
Information visualization in data mining and knowledge discovery (2002)
0.01
0.007872533 = product of:
0.035426397 = sum of:
0.031227404 = weight(_text_:intelligenz in 1789) [ClassicSimilarity], result of:
0.031227404 = score(doc=1789,freq=4.0), product of:
0.1759819 = queryWeight, product of:
5.678294 = idf(docFreq=410, maxDocs=44218)
0.030992035 = queryNorm
0.1774467 = fieldWeight in 1789, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
5.678294 = idf(docFreq=410, maxDocs=44218)
0.015625 = fieldNorm(doc=1789)
0.0041989926 = product of:
0.008397985 = sum of:
0.008397985 = weight(_text_:22 in 1789) [ClassicSimilarity], result of:
0.008397985 = score(doc=1789,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.07738023 = fieldWeight in 1789, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.015625 = fieldNorm(doc=1789)
0.5 = coord(1/2)
0.22222222 = coord(2/9)
- BK
- 54.72 / Künstliche Intelligenz
- Classification
- 54.72 / Künstliche Intelligenz
- Date
- 23. 3.2008 19:10:22
-
Loonus, Y.: Einsatzbereiche der KI und ihre Relevanz für Information Professionals (2017)
0.01
0.00736037 = product of:
0.06624333 = sum of:
0.06624333 = weight(_text_:intelligenz in 5668) [ClassicSimilarity], result of:
0.06624333 = score(doc=5668,freq=2.0), product of:
0.1759819 = queryWeight, product of:
5.678294 = idf(docFreq=410, maxDocs=44218)
0.030992035 = queryNorm
0.37642127 = fieldWeight in 5668, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
5.678294 = idf(docFreq=410, maxDocs=44218)
0.046875 = fieldNorm(doc=5668)
0.11111111 = coord(1/9)
- Series
- Künstliche Intelligenz
-
Data mining : Theoretische Aspekte und Anwendungen (1998)
0.01
0.007203713 = product of:
0.06483342 = sum of:
0.06483342 = weight(_text_:forschung in 966) [ClassicSimilarity], result of:
0.06483342 = score(doc=966,freq=2.0), product of:
0.15077418 = queryWeight, product of:
4.8649335 = idf(docFreq=926, maxDocs=44218)
0.030992035 = queryNorm
0.43000343 = fieldWeight in 966, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.8649335 = idf(docFreq=926, maxDocs=44218)
0.0625 = fieldNorm(doc=966)
0.11111111 = coord(1/9)
- Abstract
- Behandelt werden u.a. die Themen: Ziele und Methoden des Data Mining, Prozeß der Wissensentdeckung, State of the Art in der Forschung und Anwendung des Data Mining, wichtige Data Mining Tools, die Rolle der Informationsverarbeitung im KDD Prozeß, Data Warehousing, OLAP, Ansätze zur Benutzerunterstüzung des Data Mining Prozesses, Modellselektion und Evaluierungsmethoden für Data Mining Algorithmen
-
Lischka, K.: Spurensuche im Datenwust : Data-Mining-Software fahndet nach kriminellen Mitarbeitern, guten Kunden - und bald vielleicht auch nach Terroristen (2002)
0.01
0.006802449 = product of:
0.03061102 = sum of:
0.024312532 = weight(_text_:forschung in 1178) [ClassicSimilarity], result of:
0.024312532 = score(doc=1178,freq=2.0), product of:
0.15077418 = queryWeight, product of:
4.8649335 = idf(docFreq=926, maxDocs=44218)
0.030992035 = queryNorm
0.16125129 = fieldWeight in 1178, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.8649335 = idf(docFreq=926, maxDocs=44218)
0.0234375 = fieldNorm(doc=1178)
0.006298489 = product of:
0.012596978 = sum of:
0.012596978 = weight(_text_:22 in 1178) [ClassicSimilarity], result of:
0.012596978 = score(doc=1178,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.116070345 = fieldWeight in 1178, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0234375 = fieldNorm(doc=1178)
0.5 = coord(1/2)
0.22222222 = coord(2/9)
- Content
- "Ob man als Terrorist einen Anschlag gegen die Vereinigten Staaten plant, als Kassierer Scheine aus der Kasse unterschlägt oder für bestimmte Produkte besonders gerne Geld ausgibt - einen Unterschied macht Data-Mining-Software da nicht. Solche Programme analysieren riesige Daten- mengen und fällen statistische Urteile. Mit diesen Methoden wollen nun die For- scher des "Information Awaren in den Vereinigten Staaten Spuren von Terroristen in den Datenbanken von Behörden und privaten Unternehmen wie Kreditkartenfirmen finden. 200 Millionen Dollar umfasst der Jahresetat für die verschiedenen Forschungsprojekte. Dass solche Software in der Praxis funktioniert, zeigen die steigenden Umsätze der Anbieter so genannter Customer-Relationship-Management-Software. Im vergangenen Jahr ist das Potenzial für analytische CRM-Anwendungen laut dem Marktforschungsinstitut IDC weltweit um 22 Prozent gewachsen, bis zum Jahr 2006 soll es in Deutschland mit einem jährlichen Plus von 14,1 Prozent so weitergehen. Und das trotz schwacher Konjunktur - oder gerade deswegen. Denn ähnlich wie Data-Mining der USRegierung helfen soll, Terroristen zu finden, entscheiden CRM-Programme heute, welche Kunden für eine Firma profitabel sind. Und welche es künftig sein werden, wie Manuela Schnaubelt, Sprecherin des CRM-Anbieters SAP, beschreibt: "Die Kundenbewertung ist ein zentraler Bestandteil des analytischen CRM. Sie ermöglicht es Unternehmen, sich auf die für sie wichtigen und richtigen Kunden zu fokussieren. Darüber hinaus können Firmen mit speziellen Scoring- Verfahren ermitteln, welche Kunden langfristig in welchem Maße zum Unternehmenserfolg beitragen." Die Folgen der Bewertungen sind für die Betroffenen nicht immer positiv: Attraktive Kunden profitieren von individuellen Sonderangeboten und besonderer Zuwendung. Andere hängen vielleicht so lauge in der Warteschleife des Telefonservice, bis die profitableren Kunden abgearbeitet sind. So könnte eine praktische Umsetzung dessen aussehen, was SAP-Spreche-rin Schnaubelt abstrakt beschreibt: "In vielen Unternehmen wird Kundenbewertung mit der klassischen ABC-Analyse durchgeführt, bei der Kunden anhand von Daten wie dem Umsatz kategorisiert werden. A-Kunden als besonders wichtige Kunden werden anders betreut als C-Kunden." Noch näher am geplanten Einsatz von Data-Mining zur Terroristenjagd ist eine Anwendung, die heute viele Firmen erfolgreich nutzen: Sie spüren betrügende Mitarbeiter auf. Werner Sülzer vom großen CRM-Anbieter NCR Teradata beschreibt die Möglichkeiten so: "Heute hinterlässt praktisch jeder Täter - ob Mitarbeiter, Kunde oder Lieferant - Datenspuren bei seinen wirtschaftskriminellen Handlungen. Es muss vorrangig darum gehen, einzelne Spuren zu Handlungsmustern und Täterprofilen zu verdichten. Das gelingt mittels zentraler Datenlager und hoch entwickelter Such- und Analyseinstrumente." Von konkreten Erfolgen sprich: Entlas-sungen krimineller Mitarbeiter-nach Einsatz solcher Programme erzählen Unternehmen nicht gerne. Matthias Wilke von der "Beratungsstelle für Technologiefolgen und Qualifizierung" (BTQ) der Gewerkschaft Verdi weiß von einem Fall 'aus der Schweiz. Dort setzt die Handelskette "Pick Pay" das Programm "Lord Lose Prevention" ein. Zwei Monate nach Einfüh-rung seien Unterschlagungen im Wert von etwa 200 000 Franken ermittelt worden. Das kostete mehr als 50 verdächtige Kassiererinnen und Kassierer den Job.
Jede Kasse schickt die Daten zu Stornos, Rückgaben, Korrekturen und dergleichen an eine zentrale Datenbank. Aus den Informationen errechnet das Programm Kassiererprofile. Wessen Arbeit stark Durchschnitt abweicht, macht sich verdächtig. Die Kriterien" legen im Einzelnen die Revisionsabteilungen fest, doch generell gilt: "Bei Auffälligkeiten wie überdurchschnittlichvielenStornierungen, Off nen der Kassenschublade ohne Verkauf nach einem Storno oder Warenrücknahmen ohne Kassenbon, können die Vorgänge nachträglich einzelnen Personen zugeordnet werden", sagt Rene Schiller, Marketing-Chef des Lord-Herstellers Logware. Ein Kündigungsgrund ist eine solche Datensammlung vor Gericht nicht. Doch auf der Basis können Unternehmen gezielt Detektive einsetzen. Oder sie konfrontieren die Mitarbeiter mit dem Material; woraufhin Schuldige meist gestehen. Wilke sieht Programme wie Lord kritisch:"Jeder, der in dem Raster auffällt, kann ein potenzieller Betrüger oder Dieb sein und verdient besondere Beobachtung." Dabei könne man vom Standard abweichen, weil man unausgeschlafen und deshalb unkonzentriert sei. Hier tut sich für Wilke die Gefahr technisierter Leistungskontrolle auf. "Es ist ja nicht schwierig, mit den Programmen zu berechnen, wie lange beispielsweise das Kassieren eines Samstagseinkaufs durchschnittlich dauert." Die Betriebsräte - ihre Zustimmung ist beim Einsatz technischer Kon trolleinrichtungen nötig - verurteilen die wertende Software weniger eindeutig. Im Gegenteil: Bei Kaufhof und Edeka haben sie dem Einsatz zugestimmt. Denn: "Die wollen ja nicht, dass ganze Abteilungen wegen Inventurverlusten oder dergleichen unter Generalverdacht fallen", erklärt Gewerkschaftler Wilke: "Angesichts der Leistungen kommerzieller Data-Mining-Programme verblüfft es, dass in den Vereinigten Staaten das "Information Awareness Office" noch drei Jahre für Forschung und Erprobung der eigenen Programme veranschlagt. 2005 sollen frühe Prototypen zur Terroristensuche einesgetz werden. Doch schon jetzt regt sich Protest. Datenschützer wie Marc Botenberg vom Informationszentrum für Daten schutz sprechen vom "ehrgeizigsten öffentlichen Überwachungssystem, das je vorgeschlagen wurde". Sie warnen besonders davor, Daten aus der Internetnutzung und private Mails auszuwerten. Das Verteidigungsministerium rudert zurück. Man denke nicht daran, über die Software im Inland aktiv zu werden. "Das werden die Geheimdienste, die Spionageabwehr und die Strafverfolger tun", sagt Unterstaatssekretär Edward Aldridge. Man werde während der Entwicklung und der Tests mit konstruierten und einigen - aus Sicht der Datenschützer unbedenklichen - realen Informationen arbeiten. Zu denken gibt jedoch Aldriges Antwort auf die Frage, warum so viel Geld für die Entwicklung von Übersetzungssoftware eingeplant ist: Damit man Datenbanken in anderen Sprachen nutzen könne - sofern man auf sie rechtmäßigen Zugriff bekommt."
-
Kipcic, O.; Cramer, C.: Wie Zeitungsinhalte Forschung und Entwicklung befördern (2017)
0.01
0.006303249 = product of:
0.05672924 = sum of:
0.05672924 = weight(_text_:forschung in 3885) [ClassicSimilarity], result of:
0.05672924 = score(doc=3885,freq=2.0), product of:
0.15077418 = queryWeight, product of:
4.8649335 = idf(docFreq=926, maxDocs=44218)
0.030992035 = queryNorm
0.376253 = fieldWeight in 3885, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.8649335 = idf(docFreq=926, maxDocs=44218)
0.0546875 = fieldNorm(doc=3885)
0.11111111 = coord(1/9)
-
Drees, B.: Text und data mining : Herausforderungen und Möglichkeiten für Bibliotheken (2016)
0.01
0.005402785 = product of:
0.048625063 = sum of:
0.048625063 = weight(_text_:forschung in 3952) [ClassicSimilarity], result of:
0.048625063 = score(doc=3952,freq=2.0), product of:
0.15077418 = queryWeight, product of:
4.8649335 = idf(docFreq=926, maxDocs=44218)
0.030992035 = queryNorm
0.32250258 = fieldWeight in 3952, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.8649335 = idf(docFreq=926, maxDocs=44218)
0.046875 = fieldNorm(doc=3952)
0.11111111 = coord(1/9)
- Abstract
- Text und Data Mining (TDM) gewinnt als wissenschaftliche Methode zunehmend an Bedeutung und stellt wissenschaftliche Bibliotheken damit vor neue Herausforderungen, bietet gleichzeitig aber auch neue Möglichkeiten. Der vorliegende Beitrag gibt einen Überblick über das Thema TDM aus bibliothekarischer Sicht. Hierzu wird der Begriff Text und Data Mining im Kontext verwandter Begriffe diskutiert sowie Ziele, Aufgaben und Methoden von TDM erläutert. Diese werden anhand beispielhafter TDM-Anwendungen in Wissenschaft und Forschung illustriert. Ferner werden technische und rechtliche Probleme und Hindernisse im TDM-Kontext dargelegt. Abschließend wird die Relevanz von TDM für Bibliotheken, sowohl in ihrer Rolle als Informationsvermittler und -anbieter als auch als Anwender von TDM-Methoden, aufgezeigt. Zudem wurde im Rahmen dieser Arbeit eine Befragung der Betreiber von Dokumentenservern an Bibliotheken in Deutschland zum aktuellen Umgang mit TDM durchgeführt, die zeigt, dass hier noch viel Ausbaupotential besteht. Die dem Artikel zugrunde liegenden Forschungsdaten sind unter dem DOI 10.11588/data/10090 publiziert.
-
Seidenfaden, U.: Schürfen in Datenbergen : Data-Mining soll möglichst viel Information zu Tage fördern (2001)
0.00
0.004293549 = product of:
0.03864194 = sum of:
0.03864194 = weight(_text_:intelligenz in 6923) [ClassicSimilarity], result of:
0.03864194 = score(doc=6923,freq=2.0), product of:
0.1759819 = queryWeight, product of:
5.678294 = idf(docFreq=410, maxDocs=44218)
0.030992035 = queryNorm
0.21957907 = fieldWeight in 6923, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
5.678294 = idf(docFreq=410, maxDocs=44218)
0.02734375 = fieldNorm(doc=6923)
0.11111111 = coord(1/9)
- Content
- "Fast alles wird heute per Computer erfasst. Kaum einer überblickt noch die enormen Datenmengen, die sich in Unternehmen, Universitäten und Verwaltung ansammeln. Allein in den öffentlich zugänglichen Datenbanken der Genforscher fallen pro Woche rund 4,5 Gigabyte an neuer Information an. "Vom potentiellen Wissen in den Datenbanken wird bislang aber oft nur ein Teil genutzt", meint Stefan Wrobel vom Lehrstuhl für Wissensentdeckung und Maschinelles Lernen der Otto-von-Guericke-Universität in Magdeburg. Sein Doktorand Mark-Andre Krogel hat soeben mit einem neuen Verfahren zur Datenbankrecherche in San Francisco einen inoffiziellen Weltmeister-Titel in der Disziplin "Data-Mining" gewonnen. Dieser Daten-Bergbau arbeitet im Unterschied zur einfachen Datenbankabfrage, die sich einfacher statistischer Methoden bedient, zusätzlich mit künstlicher Intelligenz und Visualisierungsverfahren, um Querverbindungen zu finden. "Das erleichtert die Suche nach verborgenen Zusammenhängen im Datenmaterial ganz erheblich", so Wrobel. Die Wirtschaft setzt Data-Mining bereits ein, um das Kundenverhalten zu untersuchen und vorherzusagen. "Stellen sie sich ein Unternehmen mit einer breiten Produktpalette und einem großen Kundenstamm vor", erklärt Wrobel. "Es kann seinen Erfolg maximieren, wenn es Marketing-Post zielgerichtet an seine Kunden verschickt. Wer etwa gerade einen PC gekauft hat, ist womöglich auch an einem Drucker oder Scanner interessiert." In einigen Jahren könnte ein Analysemodul den Manager eines Unternehmens selbständig informieren, wenn ihm etwas Ungewöhnliches aufgefallen ist. Das muss nicht immer positiv für den Kunden sein. Data-Mining ließe sich auch verwenden, um die Lebensdauer von Geschäftsbeziehungen zu prognostizieren. Für Kunden mit geringen Kaufinteressen würden Reklamationen dann längere Bearbeitungszeiten nach sich ziehen. Im konkreten Projekt von Mark-Andre Krogel ging es um die Vorhersage von Protein-Funktionen. Proteine sind Eiweißmoleküle, die fast alle Stoffwechselvorgänge im menschlichen Körper steuern. Sie sind daher die primären Ziele von Wirkstoffen zur Behandlung von Erkrankungen. Das erklärt das große Interesse der Pharmaindustrie. Experimentelle Untersuchungen, die Aufschluss über die Aufgaben der über 100 000 Eiweißmoleküle im menschlichen Körper geben können, sind mit einem hohen Zeitaufwand verbunden. Die Forscher möchten deshalb die Zeit verkürzen, indem sie das vorhandene Datenmaterial mit Hilfe von Data-Mining auswerten. Aus der im Humangenomprojekt bereits entschlüsselten Abfolge der Erbgut-Bausteine lässt sich per Datenbankanalyse die Aneinanderreihung bestimmter Aminosäuren zu einem Protein vorhersagen. Andere Datenbanken wiederum enthalten Informationen, welche Struktur ein Protein mit einer bestimmten vorgegebenen Funktion haben könnte. Aus bereits bekannten Strukturelementen versuchen die Genforscher dann, auf die mögliche Funktion eines bislang noch unbekannten Eiweißmoleküls zu schließen.- Fakten Verschmelzen - Bei diesem theoretischen Ansatz kommt es darauf an, die in Datenbanken enthaltenen Informationen so zu verknüpfen, dass die Ergebnisse mit hoher Wahrscheinlichkeit mit der Realität übereinstimmen. "Im Rahmen des Wettbewerbs erhielten wir Tabellen als Vorgabe, in denen Gene und Chromosomen nach bestimmten Gesichtspunkten klassifiziert waren", erläutert Krogel. Von einigen Genen war bekannt, welche Proteine sie produzieren und welche Aufgabe diese Eiweißmoleküle besitzen. Diese Beispiele dienten dem von Krogel entwickelten Programm dann als Hilfe, für andere Gene vorherzusagen, welche Funktionen die von ihnen erzeugten Proteine haben. "Die Genauigkeit der Vorhersage lag bei den gestellten Aufgaben bei über 90 Prozent", stellt Krogel fest. Allerdings könne man in der Praxis nicht davon ausgehen, dass alle Informationen aus verschiedenen Datenbanken in einem einheitlichen Format vorliegen. Es gebe verschiedene Abfragesprachen der Datenbanken, und die Bezeichnungen von Eiweißmolekülen mit gleicher Aufgabe seien oftmals uneinheitlich. Die Magdeburger Informatiker arbeiten deshalb in der DFG-Forschergruppe "Informationsfusion" an Methoden, um die verschiedenen Datenquellen besser zu erschließen."
-
Klein, H.: Web Content Mining (2004)
0.00
0.0036018565 = product of:
0.03241671 = sum of:
0.03241671 = weight(_text_:forschung in 3154) [ClassicSimilarity], result of:
0.03241671 = score(doc=3154,freq=2.0), product of:
0.15077418 = queryWeight, product of:
4.8649335 = idf(docFreq=926, maxDocs=44218)
0.030992035 = queryNorm
0.21500172 = fieldWeight in 3154, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.8649335 = idf(docFreq=926, maxDocs=44218)
0.03125 = fieldNorm(doc=3154)
0.11111111 = coord(1/9)
- Abstract
- Web Mining - ein Schlagwort, das mit der Verbreitung des Internets immer öfter zu lesen und zu hören ist. Die gegenwärtige Forschung beschäftigt sich aber eher mit dem Nutzungsverhalten der Internetnutzer, und ein Blick in Tagungsprogramme einschlägiger Konferenzen (z.B. GOR - German Online Research) zeigt, dass die Analyse der Inhalte kaum Thema ist. Auf der GOR wurden 1999 zwei Vorträge zu diesem Thema gehalten, auf der Folgekonferenz 2001 kein einziger. Web Mining ist der Oberbegriff für zwei Typen von Web Mining: Web Usage Mining und Web Content Mining. Unter Web Usage Mining versteht man das Analysieren von Daten, wie sie bei der Nutzung des WWW anfallen und von den Servern protokolliert wenden. Man kann ermitteln, welche Seiten wie oft aufgerufen wurden, wie lange auf den Seiten verweilt wurde und vieles andere mehr. Beim Web Content Mining wird der Inhalt der Webseiten untersucht, der nicht nur Text, sondern auf Bilder, Video- und Audioinhalte enthalten kann. Die Software für die Analyse von Webseiten ist in den Grundzügen vorhanden, doch müssen die meisten Webseiten für die entsprechende Analysesoftware erst aufbereitet werden. Zuerst müssen die relevanten Websites ermittelt werden, die die gesuchten Inhalte enthalten. Das geschieht meist mit Suchmaschinen, von denen es mittlerweile Hunderte gibt. Allerdings kann man nicht davon ausgehen, dass die Suchmaschinen alle existierende Webseiten erfassen. Das ist unmöglich, denn durch das schnelle Wachstum des Internets kommen täglich Tausende von Webseiten hinzu, und bereits bestehende ändern sich der werden gelöscht. Oft weiß man auch nicht, wie die Suchmaschinen arbeiten, denn das gehört zu den Geschäftsgeheimnissen der Betreiber. Man muss also davon ausgehen, dass die Suchmaschinen nicht alle relevanten Websites finden (können). Der nächste Schritt ist das Herunterladen der Websites, dafür gibt es Software, die unter den Bezeichnungen OfflineReader oder Webspider zu finden ist. Das Ziel dieser Programme ist, die Website in einer Form herunterzuladen, die es erlaubt, die Website offline zu betrachten. Die Struktur der Website wird in der Regel beibehalten. Wer die Inhalte einer Website analysieren will, muss also alle Dateien mit seiner Analysesoftware verarbeiten können. Software für Inhaltsanalyse geht davon aus, dass nur Textinformationen in einer einzigen Datei verarbeitet werden. QDA Software (qualitative data analysis) verarbeitet dagegen auch Audiound Videoinhalte sowie internetspezifische Kommunikation wie z.B. Chats.
-
Chowdhury, G.G.: Template mining for information extraction from digital documents (1999)
0.00
0.003265883 = product of:
0.029392948 = sum of:
0.029392948 = product of:
0.058785897 = sum of:
0.058785897 = weight(_text_:22 in 4577) [ClassicSimilarity], result of:
0.058785897 = score(doc=4577,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.5416616 = fieldWeight in 4577, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.109375 = fieldNorm(doc=4577)
0.5 = coord(1/2)
0.11111111 = coord(1/9)
- Date
- 2. 4.2000 18:01:22
-
KDD : techniques and applications (1998)
0.00
0.0027993284 = product of:
0.025193956 = sum of:
0.025193956 = product of:
0.05038791 = sum of:
0.05038791 = weight(_text_:22 in 6783) [ClassicSimilarity], result of:
0.05038791 = score(doc=6783,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.46428138 = fieldWeight in 6783, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.09375 = fieldNorm(doc=6783)
0.5 = coord(1/2)
0.11111111 = coord(1/9)
- Footnote
- A special issue of selected papers from the Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD'97), held Singapore, 22-23 Feb 1997
-
Matson, L.D.; Bonski, D.J.: Do digital libraries need librarians? (1997)
0.00
0.001866219 = product of:
0.01679597 = sum of:
0.01679597 = product of:
0.03359194 = sum of:
0.03359194 = weight(_text_:22 in 1737) [ClassicSimilarity], result of:
0.03359194 = score(doc=1737,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.30952093 = fieldWeight in 1737, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=1737)
0.5 = coord(1/2)
0.11111111 = coord(1/9)
- Date
- 22.11.1998 18:57:22
-
Lusti, M.: Data Warehousing and Data Mining : Eine Einführung in entscheidungsunterstützende Systeme (1999)
0.00
0.001866219 = product of:
0.01679597 = sum of:
0.01679597 = product of:
0.03359194 = sum of:
0.03359194 = weight(_text_:22 in 4261) [ClassicSimilarity], result of:
0.03359194 = score(doc=4261,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.30952093 = fieldWeight in 4261, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=4261)
0.5 = coord(1/2)
0.11111111 = coord(1/9)
- Date
- 17. 7.2002 19:22:06
-
Amir, A.; Feldman, R.; Kashi, R.: ¬A new and versatile method for association generation (1997)
0.00
0.001866219 = product of:
0.01679597 = sum of:
0.01679597 = product of:
0.03359194 = sum of:
0.03359194 = weight(_text_:22 in 1270) [ClassicSimilarity], result of:
0.03359194 = score(doc=1270,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.30952093 = fieldWeight in 1270, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=1270)
0.5 = coord(1/2)
0.11111111 = coord(1/9)
- Source
- Information systems. 22(1997) nos.5/6, S.333-347
-
Hofstede, A.H.M. ter; Proper, H.A.; Van der Weide, T.P.: Exploiting fact verbalisation in conceptual information modelling (1997)
0.00
0.0016329415 = product of:
0.014696474 = sum of:
0.014696474 = product of:
0.029392948 = sum of:
0.029392948 = weight(_text_:22 in 2908) [ClassicSimilarity], result of:
0.029392948 = score(doc=2908,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.2708308 = fieldWeight in 2908, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0546875 = fieldNorm(doc=2908)
0.5 = coord(1/2)
0.11111111 = coord(1/9)
- Source
- Information systems. 22(1997) nos.5/6, S.349-385
-
Lackes, R.; Tillmanns, C.: Data Mining für die Unternehmenspraxis : Entscheidungshilfen und Fallstudien mit führenden Softwarelösungen (2006)
0.00
0.0013996642 = product of:
0.012596978 = sum of:
0.012596978 = product of:
0.025193956 = sum of:
0.025193956 = weight(_text_:22 in 1383) [ClassicSimilarity], result of:
0.025193956 = score(doc=1383,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.23214069 = fieldWeight in 1383, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046875 = fieldNorm(doc=1383)
0.5 = coord(1/2)
0.11111111 = coord(1/9)
- Date
- 22. 3.2008 14:46:06
-
Hallonsten, O.; Holmberg, D.: Analyzing structural stratification in the Swedish higher education system : data contextualization with policy-history analysis (2013)
0.00
0.001166387 = product of:
0.0104974825 = sum of:
0.0104974825 = product of:
0.020994965 = sum of:
0.020994965 = weight(_text_:22 in 668) [ClassicSimilarity], result of:
0.020994965 = score(doc=668,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.19345059 = fieldWeight in 668, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0390625 = fieldNorm(doc=668)
0.5 = coord(1/2)
0.11111111 = coord(1/9)
- Date
- 22. 3.2013 19:43:01
-
Vaughan, L.; Chen, Y.: Data mining from web search queries : a comparison of Google trends and Baidu index (2015)
0.00
0.001166387 = product of:
0.0104974825 = sum of:
0.0104974825 = product of:
0.020994965 = sum of:
0.020994965 = weight(_text_:22 in 1605) [ClassicSimilarity], result of:
0.020994965 = score(doc=1605,freq=2.0), product of:
0.10852882 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.030992035 = queryNorm
0.19345059 = fieldWeight in 1605, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0390625 = fieldNorm(doc=1605)
0.5 = coord(1/2)
0.11111111 = coord(1/9)
- Source
- Journal of the Association for Information Science and Technology. 66(2015) no.1, S.13-22
