Search (53 results, page 2 of 3)

0.0035628022 = product of:
  0.026721016 = sum of:
    0.019158851 = weight(_text_:und in 5234) [ClassicSimilarity], result of:
      0.019158851 = score(doc=5234,freq=20.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.3097467 = fieldWeight in 5234, product of:
          4.472136 = tf(freq=20.0), with freq of:
            20.0 = termFreq=20.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.03125 = fieldNorm(doc=5234)
    0.007562165 = product of:
      0.01512433 = sum of:
        0.01512433 = weight(_text_:22 in 5234) [ClassicSimilarity], result of:
          0.01512433 = score(doc=5234,freq=2.0), product of:
            0.09772735 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.027907511 = 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)
      0.5 = coord(1/2)
  0.13333334 = coord(2/15)

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

0.003102731 = product of:
  0.02327048 = sum of:
    0.014994173 = weight(_text_:und in 6923) [ClassicSimilarity], result of:
      0.014994173 = score(doc=6923,freq=16.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.24241515 = fieldWeight in 6923, product of:
          4.0 = tf(freq=16.0), with freq of:
            16.0 = termFreq=16.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.02734375 = fieldNorm(doc=6923)
    0.008276306 = weight(_text_:des in 6923) [ClassicSimilarity], result of:
      0.008276306 = score(doc=6923,freq=2.0), product of:
        0.077284485 = queryWeight, product of:
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.027907511 = queryNorm
        0.10708885 = fieldWeight in 6923, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.02734375 = fieldNorm(doc=6923)
  0.13333334 = coord(2/15)

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."

0.0024074535 = product of:
  0.018055901 = sum of:
    0.010493736 = weight(_text_:und in 2403) [ClassicSimilarity], result of:
      0.010493736 = score(doc=2403,freq=6.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.16965526 = fieldWeight in 2403, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.03125 = fieldNorm(doc=2403)
    0.007562165 = product of:
      0.01512433 = sum of:
        0.01512433 = weight(_text_:22 in 2403) [ClassicSimilarity], result of:
          0.01512433 = score(doc=2403,freq=2.0), product of:
            0.09772735 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.027907511 = queryNorm
            0.15476047 = fieldWeight in 2403, 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=2403)
      0.5 = coord(1/2)
  0.13333334 = coord(2/15)

Content

"Vor Google gibt es kein Entrinnen. Nun macht sich die größte Internetsuchmaschine daran, auch gefährliche Grippewellen in den USA vorauszusagen - und das schneller als die US-Gesundheitsbehörde. In den Regionen, in denen die Influenza grassiert, häufen sich erfahrungsgemäß auch die Online-Anfragen im Internet speziell zu diesem Thema. "Wir haben einen engen Zusammenhang feststellen können zwischen Personen, die nach themenbezogenen Informationen suchen, und Personen, die tatsächlich an der Grippe erkrankt sind", schreibt Google. Ein Webtool namens "Google Flu Trends" errechnet aus den Anfragen die Ausbreitung von Grippeviren. Auch wenn nicht jeder Nutzer erkrankt sei, spiegele die Zahl der Anfragen doch ziemlich genau die Entwicklung einer Grippewelle wider. Das belege ein Vergleich mit den Daten der US-Seuchenkontrollbehörde CDC, die in den meisten Fällen nahezu identisch seien. Die Internet-Suchmaschine könne anders als die Gesundheitsbehörde täglich auf aktuelle Daten zurückgreifen. Dadurch sei Google in der Lage, die Grippesaison ein bis zwei Wochen früher vorherzusagen. Und Zeit bedeutet Leben, wie Lyn Finelli sagt, Leiter der Abteilung Influenza der USSeuchenkontrollbehörde: "Je früher wir gewarnt werden, desto früher können wir handeln. Dies kann die Anzahl der Erkrankten erheblich minimieren." "Google Flu Trends" ist das erste Projekt, das Datenbanken einer Suchmaschine nutzt, um einen auftretenden Grippevirus zu lokalisieren - zurzeit nur in den USA, aber weltweite Prognosen wären ein folgerichtiger nächster Schritt. Philip M. Polgreen von der Universität von Iowa verspricht sich noch viel mehr: "Theoretisch können wir diese Flut an Informationen dazu nutzen, auch den Verlauf anderer Krankheiten besser zu studieren." Um das Grippe-Ausbreitungsmodell zu erstellen, hat Google mehrere hundert Milliarden Suchanfragen aus den vergangenen Jahren analysiert. Datenschützer haben den Internetgiganten bereits mehrfach als "datenschutzfeindlich" eingestuft. Die Anwender wüssten weder, was mit den gesammelten Daten passiere, noch wie lange gespeicherte Informationen verfügbar seien. Google versichert jedoch, dass "Flu Trends" die Privatsphäre wahre. Das Tool könne niemals dazu genutzt werden, einzelne Nutzer zu identifizieren, da wir bei der Erstellung der Statistiken lediglich anonyme Datenmaterialien nutzen. Die Muster, die wir in den Daten analysieren, ergeben erst in einem größeren Kontext Sinn." An einer echten Virus-Grippe - nicht zu verwechseln mit einer Erkältung - erkranken weltweit mehrere Millionen Menschen, mehr als 500 000 sterben daran."

Date

3. 5.1997 8:44:22

0.0021372596 = product of:
  0.03205889 = sum of:
    0.03205889 = weight(_text_:und in 1380) [ClassicSimilarity], result of:
      0.03205889 = score(doc=1380,freq=14.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.51830536 = fieldWeight in 1380, product of:
          3.7416575 = tf(freq=14.0), with freq of:
            14.0 = termFreq=14.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=1380)
  0.06666667 = coord(1/15)

Abstract

Neben den operativen Informationssystemen treten heute verstärkt Informationssysteme für die analytischen Aufgaben der Fach- und Führungskräfte in den Vordergrund. In fast allen Unternehmen werden derzeit Begriffe und Konzepte wie Data Warehouse, On-Line Analytical Processing und Data Mining diskutiert und die zugehörigen Produkte evaluiert. Vor diesem Hintergrund zielt der vorliegende Sammelband darauf, einen aktuellen Überblick über Technologien, Produkte und Trends zu bieten. Als Entscheidungsgrundlage für den Praktiker beim Aufbau und Einsatz derartiger analytischer Informationssysteme können die unterschiedlichen Beiträge aus Wirtschaft und Wissenschaft wertvolle Hilfestellung leisten

0.0019158853 = product of:
  0.028738277 = sum of:
    0.028738277 = weight(_text_:und in 3952) [ClassicSimilarity], result of:
      0.028738277 = score(doc=3952,freq=20.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.46462005 = fieldWeight in 3952, product of:
          4.472136 = tf(freq=20.0), with freq of:
            20.0 = termFreq=20.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.046875 = fieldNorm(doc=3952)
  0.06666667 = coord(1/15)

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.

0.0018917273 = product of:
  0.028375909 = sum of:
    0.028375909 = weight(_text_:des in 1086) [ClassicSimilarity], result of:
      0.028375909 = score(doc=1086,freq=2.0), product of:
        0.077284485 = queryWeight, product of:
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.027907511 = queryNorm
        0.36716178 = fieldWeight in 1086, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.09375 = fieldNorm(doc=1086)
  0.06666667 = coord(1/15)

Abstract

Visualisierungen, die möglichst instruktive grafische Darstellung von Daten, ist wesentlicher Bestandteil des Data Mining

0.001870102 = product of:
  0.02805153 = sum of:
    0.02805153 = weight(_text_:und in 5808) [ClassicSimilarity], result of:
      0.02805153 = score(doc=5808,freq=14.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.4535172 = fieldWeight in 5808, product of:
          3.7416575 = tf(freq=14.0), with freq of:
            14.0 = termFreq=14.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=5808)
  0.06666667 = coord(1/15)

Abstract

Das World Wide Web kann als die größte uns bekannte "Datenbank" angesehen werden. Leider ist das heutige Web großteils auf die Präsentation für menschliche Benutzerinnen ausgelegt und besteht aus sehr heterogenen Datenbeständen. Überdies fehlen im Web die Möglichkeiten Informationen strukturiert und aus verschiedenen Quellen aggregiert abzufragen. Das heutige Web ist daher für die automatische maschinelle Verarbeitung nicht geeignet. Um Webdaten dennoch effektiv zu nutzen, wurden Sprachen, Methoden und Werkzeuge zur Extraktion und Aggregation dieser Daten entwickelt. Dieser Artikel gibt einen Überblick und eine Kategorisierung von verschiedenen Ansätzen zur Datenextraktion aus dem Web. Einige Beispielszenarien im B2B Datenaustausch, im Business Intelligence Bereich und insbesondere die Generierung von Daten für Semantic Web Ontologien illustrieren die effektive Nutzung dieser Technologien.

0.0017645053 = product of:
  0.026467578 = sum of:
    0.026467578 = product of:
      0.052935157 = sum of:
        0.052935157 = weight(_text_:22 in 4577) [ClassicSimilarity], result of:
          0.052935157 = score(doc=4577,freq=2.0), product of:
            0.09772735 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.027907511 = 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)
  0.06666667 = coord(1/15)

Date

2. 4.2000 18:01:22

0.0017489559 = product of:
  0.026234338 = sum of:
    0.026234338 = weight(_text_:und in 713) [ClassicSimilarity], result of:
      0.026234338 = score(doc=713,freq=6.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.42413816 = fieldWeight in 713, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.078125 = fieldNorm(doc=713)
  0.06666667 = coord(1/15)

Source

Grundlagen der praktischen Information und Dokumentation. Handbuch zur Einführung in die Informationswissenschaft und -praxis. 6., völlig neu gefaßte Ausgabe. Hrsg. von R. Kuhlen, W. Semar u. D. Strauch. Begründet von Klaus Laisiepen, Ernst Lutterbeck, Karl-Heinrich Meyer-Uhlenried

0.001731378 = product of:
  0.02597067 = sum of:
    0.02597067 = weight(_text_:und in 774) [ClassicSimilarity], result of:
      0.02597067 = score(doc=774,freq=12.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.41987535 = fieldWeight in 774, product of:
          3.4641016 = tf(freq=12.0), with freq of:
            12.0 = termFreq=12.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=774)
  0.06666667 = coord(1/15)

Abstract

Text und Data Mining sind ein Bündel von Technologien, die eng mit den Themenfeldern Statistik, Maschinelles Lernen und dem Erkennen von Mustern verbunden sind. Die üblichen Definitionen beziehen eine Vielzahl von verschiedenen Verfahren mit ein, ohne eine exakte Grenze zu ziehen. Data Mining bezeichnet die Suche nach Mustern, Regelmäßigkeiten oder Auffälligkeiten in stark strukturierten und vor allem numerischen Daten. "Any algorithm that enumerates patterns from, or fits models to, data is a data mining algorithm." Numerische Daten und Datenbankinhalte werden als strukturierte Daten bezeichnet. Dagegen gelten Textdokumente in natürlicher Sprache als unstrukturierte Daten.

Source

Grundlagen der Informationswissenschaft. Hrsg.: Rainer Kuhlen, Dirk Lewandowski, Wolfgang Semar und Christa Womser-Hacker. 7., völlig neu gefasste Ausg

0.0017136199 = product of:
  0.025704298 = sum of:
    0.025704298 = weight(_text_:und in 3425) [ClassicSimilarity], result of:
      0.025704298 = score(doc=3425,freq=4.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.41556883 = fieldWeight in 3425, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.09375 = fieldNorm(doc=3425)
  0.06666667 = coord(1/15)

0.0017136199 = product of:
  0.025704298 = sum of:
    0.025704298 = weight(_text_:und in 1105) [ClassicSimilarity], result of:
      0.025704298 = score(doc=1105,freq=4.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.41556883 = fieldWeight in 1105, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.09375 = fieldNorm(doc=1105)
  0.06666667 = coord(1/15)

Abstract

Betrügerische Kreditkartenkäufe, besonders fähige Basketballspieler und umweltbewusste Saftverkäufer ausfindig machen - Data-Mining-Verfahren lernen selbständig das Wesentliche

0.0016156164 = product of:
  0.024234245 = sum of:
    0.024234245 = weight(_text_:und in 673) [ClassicSimilarity], result of:
      0.024234245 = score(doc=673,freq=8.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.39180204 = fieldWeight in 673, product of:
          2.828427 = tf(freq=8.0), with freq of:
            8.0 = termFreq=8.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=673)
  0.06666667 = coord(1/15)

Abstract

Der Artikel gibt einen Überblick über die Möglichkeiten der Anwendung von Text and Data Mining (TDM) und ähnlichen Verfahren auf der Grundlage bestehender Regelungen in Lizenzverträgen zu kostenpflichtigen elektronischen Ressourcen, die Debatte über zusätzliche Lizenzen für TDM am Beispiel von Elseviers TDM Policy und den Stand der Diskussion über die Einführung von Schrankenregelungen im Urheberrecht für TDM zu nichtkommerziellen wissenschaftlichen Zwecken.

Content

Beitrag in einem Themenschwerpunkt 'Computerlinguistik und Bibliotheken'. Vgl.: http://0277.ch/ojs/index.php/cdrs_0277/article/view/153/350.

0.0015805247 = product of:
  0.02370787 = sum of:
    0.02370787 = weight(_text_:und in 30) [ClassicSimilarity], result of:
      0.02370787 = score(doc=30,freq=10.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.38329202 = fieldWeight in 30, product of:
          3.1622777 = tf(freq=10.0), with freq of:
            10.0 = termFreq=10.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=30)
  0.06666667 = coord(1/15)

Abstract

Das World Wide Web stellt umfangreiche Datenmengen zur Verfügung. Für den Benutzer wird es zunehmend schwieriger, diese Datenmengen zu sichten, zu bewerten und die relevanten Daten herauszufiltern. Einen Lösungsansatz für diese Problemstellung bieten Visualisierungsinstrumente, mit deren Hilfe Rechercheergebnisse nicht mehr ausschließlich über textbasierte Dokumentenlisten, sondern über Symbole, Icons oder graphische Elemente dargestellt werden. Durch geeignete Visualisierungstechniken können Informationsstrukturen in großen Datenmengen aufgezeigt werden. Informationsvisualisierung ist damit ein Instrument, um Rechercheergebnisse in einer digitalen Bibliothek zu strukturieren und relevante Daten für den Benutzer leichter auffindbar zu machen.

Series

Beiträge zur Bibliotheks- und Informationswissenschaft; 1

0.0015764395 = product of:
  0.023646591 = sum of:
    0.023646591 = weight(_text_:des in 3723) [ClassicSimilarity], result of:
      0.023646591 = score(doc=3723,freq=2.0), product of:
        0.077284485 = queryWeight, product of:
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.027907511 = queryNorm
        0.30596817 = fieldWeight in 3723, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.078125 = fieldNorm(doc=3723)
  0.06666667 = coord(1/15)

Footnote

Übers. des Titels: Perspectives on the retrieval and exploitation of electronic information: data mining

0.001512433 = product of:
  0.022686495 = sum of:
    0.022686495 = product of:
      0.04537299 = sum of:
        0.04537299 = weight(_text_:22 in 6783) [ClassicSimilarity], result of:
          0.04537299 = score(doc=6783,freq=2.0), product of:
            0.09772735 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.027907511 = 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)
  0.06666667 = coord(1/15)

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

0.0014517541 = product of:
  0.021776311 = sum of:
    0.021776311 = product of:
      0.043552622 = sum of:
        0.043552622 = weight(_text_:kommunikationswissenschaften in 3540) [ClassicSimilarity], result of:
          0.043552622 = score(doc=3540,freq=2.0), product of:
            0.1483304 = queryWeight, product of:
              5.315071 = idf(docFreq=590, maxDocs=44218)
              0.027907511 = queryNorm
            0.29361898 = fieldWeight in 3540, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              5.315071 = idf(docFreq=590, maxDocs=44218)
              0.0390625 = fieldNorm(doc=3540)
      0.5 = coord(1/2)
  0.06666667 = coord(1/15)

Field

Kommunikationswissenschaften

0.0014136643 = product of:
  0.021204963 = sum of:
    0.021204963 = weight(_text_:und in 4782) [ClassicSimilarity], result of:
      0.021204963 = score(doc=4782,freq=2.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.34282678 = fieldWeight in 4782, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.109375 = fieldNorm(doc=4782)
  0.06666667 = coord(1/15)

Imprint

Köln : Fachhochschule, Fachbereich Bibliotheks- und Informationswesen

0.0014136643 = product of:
  0.021204963 = sum of:
    0.021204963 = weight(_text_:und in 3885) [ClassicSimilarity], result of:
      0.021204963 = score(doc=3885,freq=8.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.34282678 = fieldWeight in 3885, product of:
          2.828427 = tf(freq=8.0), with freq of:
            8.0 = termFreq=8.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=3885)
  0.06666667 = coord(1/15)

Abstract

Das F.A.Z.-Archiv ist nach innen das Informationszentrum der F.A.Z. Hier ist seine oberste Aufgabe die Informationsversorgung der Redaktionen der F.A.Z. GmbH und der Nachweis der F.A.Z. mit allen Teilen und Ausgaben. Nach außen tritt es als Vermarkter von Zeitungsdaten auf, dies sowohl für das eigene Haus wie auch für Dritte. Klarer Auftrag ist dabei die Generierung von Erlösen für die F.A.Z.-Gruppe durch Informations- und Datenbankdienste für externe Kunden.

0.0013991648 = product of:
  0.020987472 = sum of:
    0.020987472 = weight(_text_:und in 2398) [ClassicSimilarity], result of:
      0.020987472 = score(doc=2398,freq=6.0), product of:
        0.061853286 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.027907511 = queryNorm
        0.33931053 = fieldWeight in 2398, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=2398)
  0.06666667 = coord(1/15)

Abstract

Rechnung, Kündigung oder Adressänderung? Eingehende Briefe und E-Mails werden immer häufiger von Software statt aufwändig von Menschenhand sortiert. Die Textklassifizierer arbeiten erstaunlich genau. Sie fahnden auch nach ähnlichen Texten und sorgen so für einen schnellen Überblick. Ihre Werkzeuge sind Linguistik, Statistik und Logik