-
Borgelt, C.; Kruse, R.: Unsicheres Wissen nutzen (2002)
0.04
0.042605944 = product of:
0.12781782 = sum of:
0.110492796 = weight(_text_:wissen in 1104) [ClassicSimilarity], result of:
0.110492796 = score(doc=1104,freq=4.0), product of:
0.1639626 = queryWeight, product of:
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.038016807 = queryNorm
0.67389023 = fieldWeight in 1104, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.078125 = fieldNorm(doc=1104)
0.017325027 = product of:
0.05197508 = sum of:
0.05197508 = weight(_text_:29 in 1104) [ClassicSimilarity], result of:
0.05197508 = score(doc=1104,freq=2.0), product of:
0.13373125 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.038016807 = queryNorm
0.38865322 = fieldWeight in 1104, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.078125 = fieldNorm(doc=1104)
0.33333334 = coord(1/3)
0.33333334 = coord(2/6)
- Abstract
- Probabilistische Schlussfolgerungsnetze sind ein probates Mittel, unsicheres Wissen sauber und mathematisch fundiert zu verarbeiten. In neuerer Zeit wurden Verfahren entwickelt, um sie automatisch aus Beispieldaten zu erlernen
- Date
- 31.12.1996 19:29:41
-
Tiefschürfen in Datenbanken (2002)
0.03
0.02545473 = product of:
0.07636419 = sum of:
0.062504165 = weight(_text_:wissen in 996) [ClassicSimilarity], result of:
0.062504165 = score(doc=996,freq=2.0), product of:
0.1639626 = queryWeight, product of:
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.038016807 = queryNorm
0.38120988 = fieldWeight in 996, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.0625 = fieldNorm(doc=996)
0.013860021 = product of:
0.041580062 = sum of:
0.041580062 = weight(_text_:29 in 996) [ClassicSimilarity], result of:
0.041580062 = score(doc=996,freq=2.0), product of:
0.13373125 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.038016807 = queryNorm
0.31092256 = fieldWeight in 996, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.0625 = fieldNorm(doc=996)
0.33333334 = coord(1/3)
0.33333334 = coord(2/6)
- Content
- Enthält die Beiträge: Kruse, R., C. Borgelt: Suche im Datendschungel - Borgelt, C. u. R. Kruse: Unsicheres Wissen nutzen - Wrobel, S.: Lern- und Entdeckungsverfahren - Keim, D.A.: Data Mining mit bloßem Auge
- Date
- 31.12.1996 19:29:41
-
Jäger, L.: Von Big Data zu Big Brother (2018)
0.02
0.020332623 = product of:
0.060997866 = sum of:
0.054130197 = weight(_text_:wissen in 5234) [ClassicSimilarity], result of:
0.054130197 = score(doc=5234,freq=6.0), product of:
0.1639626 = queryWeight, product of:
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.038016807 = queryNorm
0.33013746 = fieldWeight in 5234, product of:
2.4494898 = tf(freq=6.0), with freq of:
6.0 = termFreq=6.0
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.03125 = fieldNorm(doc=5234)
0.0068676695 = product of:
0.020603009 = sum of:
0.020603009 = weight(_text_:22 in 5234) [ClassicSimilarity], result of:
0.020603009 = score(doc=5234,freq=2.0), product of:
0.13312837 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.038016807 = queryNorm
0.15476047 = fieldWeight in 5234, 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=5234)
0.33333334 = coord(1/3)
0.33333334 = coord(2/6)
- Abstract
- 1983 bewegte ein einziges Thema die gesamte Bundesrepublik: die geplante Volkszählung. Jeder Haushalt in Westdeutschland sollte Fragebögen mit 36 Fragen zur Wohnsituation, den im Haushalt lebenden Personen und über ihre Einkommensverhältnisse ausfüllen. Es regte sich massiver Widerstand, hunderte Bürgerinitiativen formierten sich im ganzen Land gegen die Befragung. Man wollte nicht "erfasst" werden, die Privatsphäre war heilig. Es bestand die (berechtigte) Sorge, dass die Antworten auf den eigentlich anonymisierten Fragebögen Rückschlüsse auf die Identität der Befragten zulassen. Das Bundesverfassungsgericht gab den Klägern gegen den Zensus Recht: Die geplante Volkszählung verstieß gegen den Datenschutz und damit auch gegen das Grundgesetz. Sie wurde gestoppt. Nur eine Generation später geben wir sorglos jedes Mal beim Einkaufen die Bonuskarte der Supermarktkette heraus, um ein paar Punkte für ein Geschenk oder Rabatte beim nächsten Einkauf zu sammeln. Und dabei wissen wir sehr wohl, dass der Supermarkt damit unser Konsumverhalten bis ins letzte Detail erfährt. Was wir nicht wissen, ist, wer noch Zugang zu diesen Daten erhält. Deren Käufer bekommen nicht nur Zugriff auf unsere Einkäufe, sondern können über sie auch unsere Gewohnheiten, persönlichen Vorlieben und Einkommen ermitteln. Genauso unbeschwert surfen wir im Internet, googeln und shoppen, mailen und chatten. Google, Facebook und Microsoft schauen bei all dem nicht nur zu, sondern speichern auf alle Zeiten alles, was wir von uns geben, was wir einkaufen, was wir suchen, und verwenden es für ihre eigenen Zwecke. Sie durchstöbern unsere E-Mails, kennen unser persönliches Zeitmanagement, verfolgen unseren momentanen Standort, wissen um unsere politischen, religiösen und sexuellen Präferenzen (wer kennt ihn nicht, den Button "an Männern interessiert" oder "an Frauen interessiert"?), unsere engsten Freunde, mit denen wir online verbunden sind, unseren Beziehungsstatus, welche Schule wir besuchen oder besucht haben und vieles mehr.
- Date
- 22. 1.2018 11:33:49
-
Peters, G.; Gaese, V.: ¬Das DocCat-System in der Textdokumentation von G+J (2003)
0.01
0.014940037 = product of:
0.04482011 = sum of:
0.03795244 = weight(_text_:geschichte in 1507) [ClassicSimilarity], result of:
0.03795244 = score(doc=1507,freq=2.0), product of:
0.18068628 = queryWeight, product of:
4.7528 = idf(docFreq=1036, maxDocs=44218)
0.038016807 = 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)
0.0068676695 = product of:
0.020603009 = sum of:
0.020603009 = weight(_text_:22 in 1507) [ClassicSimilarity], result of:
0.020603009 = score(doc=1507,freq=2.0), product of:
0.13312837 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.038016807 = 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)
0.33333334 = coord(1/3)
0.33333334 = coord(2/6)
- 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
-
Heyer, G.; Quasthoff, U.; Wittig, T.: Text Mining : Wissensrohstoff Text. Konzepte, Algorithmen, Ergebnisse (2006)
0.01
0.010417361 = product of:
0.062504165 = sum of:
0.062504165 = weight(_text_:wissen in 5218) [ClassicSimilarity], result of:
0.062504165 = score(doc=5218,freq=8.0), product of:
0.1639626 = queryWeight, product of:
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.038016807 = queryNorm
0.38120988 = fieldWeight in 5218, product of:
2.828427 = tf(freq=8.0), with freq of:
8.0 = termFreq=8.0
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.03125 = fieldNorm(doc=5218)
0.16666667 = coord(1/6)
- Abstract
- Ein großer Teil des Weltwissens befindet sich in Form digitaler Texte im Internet oder in Intranets. Heutige Suchmaschinen nutzen diesen Wissensrohstoff nur rudimentär: Sie können semantische Zusammen-hänge nur bedingt erkennen. Alle warten auf das semantische Web, in dem die Ersteller von Text selbst die Semantik einfügen. Das wird aber noch lange dauern. Es gibt jedoch eine Technologie, die es bereits heute ermöglicht semantische Zusammenhänge in Rohtexten zu analysieren und aufzubereiten. Das Forschungsgebiet "Text Mining" ermöglicht es mit Hilfe statistischer und musterbasierter Verfahren, Wissen aus Texten zu extrahieren, zu verarbeiten und zu nutzen. Hier wird die Basis für die Suchmaschinen der Zukunft gelegt. Das erste deutsche Lehrbuch zu einer bahnbrechenden Technologie: Text Mining: Wissensrohstoff Text Konzepte, Algorithmen, Ergebnisse Ein großer Teil des Weltwissens befindet sich in Form digitaler Texte im Internet oder in Intranets. Heutige Suchmaschinen nutzen diesen Wissensrohstoff nur rudimentär: Sie können semantische Zusammen-hänge nur bedingt erkennen. Alle warten auf das semantische Web, in dem die Ersteller von Text selbst die Semantik einfügen. Das wird aber noch lange dauern. Es gibt jedoch eine Technologie, die es bereits heute ermöglicht semantische Zusammenhänge in Rohtexten zu analysieren und aufzubereiten. Das For-schungsgebiet "Text Mining" ermöglicht es mit Hilfe statistischer und musterbasierter Verfahren, Wissen aus Texten zu extrahieren, zu verarbeiten und zu nutzen. Hier wird die Basis für die Suchmaschinen der Zukunft gelegt. Was fällt Ihnen bei dem Wort "Stich" ein? Die einen denken an Tennis, die anderen an Skat. Die verschiedenen Zusammenhänge können durch Text Mining automatisch ermittelt und in Form von Wortnetzen dargestellt werden. Welche Begriffe stehen am häufigsten links und rechts vom Wort "Festplatte"? Welche Wortformen und Eigennamen treten seit 2001 neu in der deutschen Sprache auf? Text Mining beantwortet diese und viele weitere Fragen. Tauchen Sie mit diesem Lehrbuch ein in eine neue, faszinierende Wissenschaftsdisziplin und entdecken Sie neue, bisher unbekannte Zusammenhänge und Sichtweisen. Sehen Sie, wie aus dem Wissensrohstoff Text Wissen wird! Dieses Lehrbuch richtet sich sowohl an Studierende als auch an Praktiker mit einem fachlichen Schwerpunkt in der Informatik, Wirtschaftsinformatik und/oder Linguistik, die sich über die Grundlagen, Verfahren und Anwendungen des Text Mining informieren möchten und Anregungen für die Implementierung eigener Anwendungen suchen. Es basiert auf Arbeiten, die während der letzten Jahre an der Abteilung Automatische Sprachverarbeitung am Institut für Informatik der Universität Leipzig unter Leitung von Prof. Dr. Heyer entstanden sind. Eine Fülle praktischer Beispiele von Text Mining-Konzepten und -Algorithmen verhelfen dem Leser zu einem umfassenden, aber auch detaillierten Verständnis der Grundlagen und Anwendungen des Text Mining. Folgende Themen werden behandelt: Wissen und Text Grundlagen der Bedeutungsanalyse Textdatenbanken Sprachstatistik Clustering Musteranalyse Hybride Verfahren Beispielanwendungen Anhänge: Statistik und linguistische Grundlagen 360 Seiten, 54 Abb., 58 Tabellen und 95 Glossarbegriffe Mit kostenlosen e-learning-Kurs "Schnelleinstieg: Sprachstatistik" Zusätzlich zum Buch gibt es in Kürze einen Online-Zertifikats-Kurs mit Mentor- und Tutorunterstützung.
-
Bauckhage, C.: Moderne Textanalyse : neues Wissen für intelligente Lösungen (2016)
0.01
0.010417361 = product of:
0.062504165 = sum of:
0.062504165 = weight(_text_:wissen in 2568) [ClassicSimilarity], result of:
0.062504165 = score(doc=2568,freq=2.0), product of:
0.1639626 = queryWeight, product of:
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.038016807 = queryNorm
0.38120988 = fieldWeight in 2568, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.0625 = fieldNorm(doc=2568)
0.16666667 = coord(1/6)
-
Medien-Informationsmanagement : Archivarische, dokumentarische, betriebswirtschaftliche, rechtliche und Berufsbild-Aspekte ; [Frühjahrstagung der Fachgruppe 7 im Jahr 2000 in Weimar und Folgetagung 2001 in Köln] (2003)
0.01
0.009529939 = product of:
0.028589815 = sum of:
0.023439063 = weight(_text_:wissen in 1833) [ClassicSimilarity], result of:
0.023439063 = score(doc=1833,freq=2.0), product of:
0.1639626 = queryWeight, product of:
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.038016807 = queryNorm
0.14295371 = fieldWeight in 1833, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.0234375 = fieldNorm(doc=1833)
0.005150752 = product of:
0.015452256 = sum of:
0.015452256 = weight(_text_:22 in 1833) [ClassicSimilarity], result of:
0.015452256 = score(doc=1833,freq=2.0), product of:
0.13312837 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.038016807 = queryNorm
0.116070345 = fieldWeight in 1833, 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=1833)
0.33333334 = coord(1/3)
0.33333334 = coord(2/6)
- Content
- Enthält u.a. die Beiträge (Dokumentarische Aspekte): Günter Perers/Volker Gaese: Das DocCat-System in der Textdokumentation von Gr+J (Weimar 2000) Thomas Gerick: Finden statt suchen. Knowledge Retrieval in Wissensbanken. Mit organisiertem Wissen zu mehr Erfolg (Weimar 2000) Winfried Gödert: Aufbereitung und Rezeption von Information (Weimar 2000) Elisabeth Damen: Klassifikation als Ordnungssystem im elektronischen Pressearchiv (Köln 2001) Clemens Schlenkrich: Aspekte neuer Regelwerksarbeit - Multimediales Datenmodell für ARD und ZDF (Köln 2001) Josef Wandeler: Comprenez-vous only Bahnhof'? - Mehrsprachigkeit in der Mediendokumentation (Köln 200 1)
- Date
- 11. 5.2008 19:49:22
-
Amir, A.; Feldman, R.; Kashi, R.: ¬A new and versatile method for association generation (1997)
0.01
0.009198454 = product of:
0.055190723 = sum of:
0.055190723 = product of:
0.08278608 = sum of:
0.041580062 = weight(_text_:29 in 1270) [ClassicSimilarity], result of:
0.041580062 = score(doc=1270,freq=2.0), product of:
0.13373125 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.038016807 = queryNorm
0.31092256 = fieldWeight in 1270, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.0625 = fieldNorm(doc=1270)
0.041206017 = weight(_text_:22 in 1270) [ClassicSimilarity], result of:
0.041206017 = score(doc=1270,freq=2.0), product of:
0.13312837 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.038016807 = 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)
0.6666667 = coord(2/3)
0.16666667 = coord(1/6)
- Date
- 5. 4.1996 15:29:15
- Source
- Information systems. 22(1997) nos.5/6, S.333-347
-
Huvila, I.: Mining qualitative data on human information behaviour from the Web (2010)
0.01
0.009115191 = product of:
0.054691143 = sum of:
0.054691143 = weight(_text_:wissen in 4676) [ClassicSimilarity], result of:
0.054691143 = score(doc=4676,freq=2.0), product of:
0.1639626 = queryWeight, product of:
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.038016807 = queryNorm
0.33355865 = fieldWeight in 4676, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.0546875 = fieldNorm(doc=4676)
0.16666667 = coord(1/6)
- Source
- Information und Wissen: global, sozial und frei? Proceedings des 12. Internationalen Symposiums für Informationswissenschaft (ISI 2011) ; Hildesheim, 9. - 11. März 2011. Hrsg.: J. Griesbaum, T. Mandl u. C. Womser-Hacker
-
Hofstede, A.H.M. ter; Proper, H.A.; Van der Weide, T.P.: Exploiting fact verbalisation in conceptual information modelling (1997)
0.01
0.008048648 = product of:
0.048291884 = sum of:
0.048291884 = product of:
0.07243782 = sum of:
0.036382552 = weight(_text_:29 in 2908) [ClassicSimilarity], result of:
0.036382552 = score(doc=2908,freq=2.0), product of:
0.13373125 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.038016807 = queryNorm
0.27205724 = fieldWeight in 2908, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.0546875 = fieldNorm(doc=2908)
0.036055267 = weight(_text_:22 in 2908) [ClassicSimilarity], result of:
0.036055267 = score(doc=2908,freq=2.0), product of:
0.13312837 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.038016807 = 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)
0.6666667 = coord(2/3)
0.16666667 = coord(1/6)
- Date
- 5. 4.1996 15:29:15
- Source
- Information systems. 22(1997) nos.5/6, S.349-385
-
Klein, H.: Web Content Mining (2004)
0.01
0.0052086804 = product of:
0.031252082 = sum of:
0.031252082 = weight(_text_:wissen in 3154) [ClassicSimilarity], result of:
0.031252082 = score(doc=3154,freq=2.0), product of:
0.1639626 = queryWeight, product of:
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.038016807 = queryNorm
0.19060494 = fieldWeight in 3154, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.03125 = fieldNorm(doc=3154)
0.16666667 = coord(1/6)
- Source
- Wissensorganisation und Edutainment: Wissen im Spannungsfeld von Gesellschaft, Gestaltung und Industrie. Proceedings der 7. Tagung der Deutschen Sektion der Internationalen Gesellschaft für Wissensorganisation, Berlin, 21.-23.3.2001. Hrsg.: C. Lehner, H.P. Ohly u. G. Rahmstorf
-
Seidenfaden, U.: Schürfen in Datenbergen : Data-Mining soll möglichst viel Information zu Tage fördern (2001)
0.00
0.0045575956 = product of:
0.027345572 = sum of:
0.027345572 = weight(_text_:wissen in 6923) [ClassicSimilarity], result of:
0.027345572 = score(doc=6923,freq=2.0), product of:
0.1639626 = queryWeight, product of:
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.038016807 = queryNorm
0.16677932 = fieldWeight in 6923, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.3128977 = idf(docFreq=1609, maxDocs=44218)
0.02734375 = fieldNorm(doc=6923)
0.16666667 = coord(1/6)
- 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."
-
Budzik, J.; Hammond, K.J.; Birnbaum, L.: Information access in context (2001)
0.00
0.004042506 = product of:
0.024255035 = sum of:
0.024255035 = product of:
0.072765104 = sum of:
0.072765104 = weight(_text_:29 in 3835) [ClassicSimilarity], result of:
0.072765104 = score(doc=3835,freq=2.0), product of:
0.13373125 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.038016807 = queryNorm
0.5441145 = fieldWeight in 3835, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.109375 = fieldNorm(doc=3835)
0.33333334 = coord(1/3)
0.16666667 = coord(1/6)
- Date
- 29. 3.2002 17:31:17
-
Chowdhury, G.G.: Template mining for information extraction from digital documents (1999)
0.00
0.004006141 = product of:
0.024036845 = sum of:
0.024036845 = product of:
0.07211053 = sum of:
0.07211053 = weight(_text_:22 in 4577) [ClassicSimilarity], result of:
0.07211053 = score(doc=4577,freq=2.0), product of:
0.13312837 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.038016807 = 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)
0.33333334 = coord(1/3)
0.16666667 = coord(1/6)
- Date
- 2. 4.2000 18:01:22
-
Witten, I.H.; Frank, E.: Data Mining : Praktische Werkzeuge und Techniken für das maschinelle Lernen (2000)
0.00
0.0034650052 = product of:
0.020790031 = sum of:
0.020790031 = product of:
0.06237009 = sum of:
0.06237009 = weight(_text_:29 in 6833) [ClassicSimilarity], result of:
0.06237009 = score(doc=6833,freq=2.0), product of:
0.13373125 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.038016807 = queryNorm
0.46638384 = fieldWeight in 6833, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.09375 = fieldNorm(doc=6833)
0.33333334 = coord(1/3)
0.16666667 = coord(1/6)
- Date
- 27. 1.1996 10:29:55
-
Keim, D.A.: Data Mining mit bloßem Auge (2002)
0.00
0.0034650052 = product of:
0.020790031 = sum of:
0.020790031 = product of:
0.06237009 = sum of:
0.06237009 = weight(_text_:29 in 1086) [ClassicSimilarity], result of:
0.06237009 = score(doc=1086,freq=2.0), product of:
0.13373125 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.038016807 = queryNorm
0.46638384 = fieldWeight in 1086, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.09375 = fieldNorm(doc=1086)
0.33333334 = coord(1/3)
0.16666667 = coord(1/6)
- Date
- 31.12.1996 19:29:41
-
Kruse, R.; Borgelt, C.: Suche im Datendschungel (2002)
0.00
0.0034650052 = product of:
0.020790031 = sum of:
0.020790031 = product of:
0.06237009 = sum of:
0.06237009 = weight(_text_:29 in 1087) [ClassicSimilarity], result of:
0.06237009 = score(doc=1087,freq=2.0), product of:
0.13373125 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.038016807 = queryNorm
0.46638384 = fieldWeight in 1087, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.09375 = fieldNorm(doc=1087)
0.33333334 = coord(1/3)
0.16666667 = coord(1/6)
- Date
- 31.12.1996 19:29:41
-
Wrobel, S.: Lern- und Entdeckungsverfahren (2002)
0.00
0.0034650052 = product of:
0.020790031 = sum of:
0.020790031 = product of:
0.06237009 = sum of:
0.06237009 = weight(_text_:29 in 1105) [ClassicSimilarity], result of:
0.06237009 = score(doc=1105,freq=2.0), product of:
0.13373125 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.038016807 = queryNorm
0.46638384 = fieldWeight in 1105, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.09375 = fieldNorm(doc=1105)
0.33333334 = coord(1/3)
0.16666667 = coord(1/6)
- Date
- 31.12.1996 19:29:41
-
KDD : techniques and applications (1998)
0.00
0.0034338348 = product of:
0.020603009 = sum of:
0.020603009 = product of:
0.061809026 = sum of:
0.061809026 = weight(_text_:22 in 6783) [ClassicSimilarity], result of:
0.061809026 = score(doc=6783,freq=2.0), product of:
0.13312837 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.038016807 = 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)
0.33333334 = coord(1/3)
0.16666667 = coord(1/6)
- 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
-
Cardie, C.: Empirical methods in information extraction (1997)
0.00
0.0023100036 = product of:
0.013860021 = sum of:
0.013860021 = product of:
0.041580062 = sum of:
0.041580062 = weight(_text_:29 in 3246) [ClassicSimilarity], result of:
0.041580062 = score(doc=3246,freq=2.0), product of:
0.13373125 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.038016807 = queryNorm
0.31092256 = fieldWeight in 3246, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.0625 = fieldNorm(doc=3246)
0.33333334 = coord(1/3)
0.16666667 = coord(1/6)
- Date
- 6. 3.1999 13:50:29
