-
Ester, M.; Sander, J.: Knowledge discovery in databases : Techniken und Anwendungen (2000)
0.06
0.05905229 = product of:
0.23620915 = sum of:
0.12518968 = weight(_text_:281 in 1374) [ClassicSimilarity], result of:
0.12518968 = score(doc=1374,freq=2.0), product of:
0.21349068 = queryWeight, product of:
6.634292 = idf(docFreq=157, maxDocs=44218)
0.032179873 = queryNorm
0.58639413 = fieldWeight in 1374, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
6.634292 = idf(docFreq=157, maxDocs=44218)
0.0625 = fieldNorm(doc=1374)
0.07405269 = weight(_text_:informatik in 1374) [ClassicSimilarity], result of:
0.07405269 = score(doc=1374,freq=2.0), product of:
0.16419695 = queryWeight, product of:
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.032179873 = queryNorm
0.4509992 = fieldWeight in 1374, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.0625 = fieldNorm(doc=1374)
0.03696679 = weight(_text_:und in 1374) [ClassicSimilarity], result of:
0.03696679 = score(doc=1374,freq=14.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.51830536 = fieldWeight in 1374, 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=1374)
0.25 = coord(3/12)
- Abstract
- Knowledge Discovery in Databases (KDD) ist ein aktuelles Forschungs- und Anwendungsgebiet der Informatik. Ziel des KDD ist es, selbständig entscheidungsrelevante, aber bisher unbekannte Zusammenhänge und Verknüpfungen in den Daten großer Datenmengen zu entdecken und dem Analysten oder dem Anwender in übersichtlicher Form zu präsentieren. Die Autoren stellen die Techniken und Anwendungen dieses interdisziplinären Gebiets anschaulich dar.
- Content
- Einleitung.- Statistik- und Datenbank-Grundlagen.Klassifikation.- Assoziationsregeln.- Generalisierung und Data Cubes.- Spatial-, Text-, Web-, Temporal-Data Mining. Ausblick.
- Pages
- VIII, 281 S
-
Wiegmann, S.: Hättest du die Titanic überlebt? : Eine kurze Einführung in das Data Mining mit freier Software (2023)
0.02
0.022527602 = product of:
0.09011041 = sum of:
0.055393662 = weight(_text_:software in 876) [ClassicSimilarity], result of:
0.055393662 = score(doc=876,freq=4.0), product of:
0.12766245 = queryWeight, product of:
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.032179873 = queryNorm
0.43390724 = fieldWeight in 876, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.0546875 = fieldNorm(doc=876)
0.024451233 = weight(_text_:und in 876) [ClassicSimilarity], result of:
0.024451233 = score(doc=876,freq=8.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.34282678 = fieldWeight in 876, 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=876)
0.010265512 = product of:
0.030796535 = sum of:
0.030796535 = weight(_text_:29 in 876) [ClassicSimilarity], result of:
0.030796535 = score(doc=876,freq=2.0), product of:
0.113198735 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.032179873 = queryNorm
0.27205724 = fieldWeight in 876, 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=876)
0.33333334 = coord(1/3)
0.25 = coord(3/12)
- Abstract
- Am 10. April 1912 ging Elisabeth Walton Allen an Bord der "Titanic", um ihr Hab und Gut nach England zu holen. Eines Nachts wurde sie von ihrer aufgelösten Tante geweckt, deren Kajüte unter Wasser stand. Wie steht es um Elisabeths Chancen und hätte man selbst das Unglück damals überlebt? Das Titanic-Orakel ist eine algorithmusbasierte App, die entsprechende Prognosen aufstellt und im Rahmen des Kurses "Data Science" am Department Information der HAW Hamburg entstanden ist. Dieser Beitrag zeigt Schritt für Schritt, wie die App unter Verwendung freier Software entwickelt wurde. Code und Daten werden zur Nachnutzung bereitgestellt.
- Date
- 28. 1.2022 11:05:29
-
Jäger, L.: Von Big Data zu Big Brother (2018)
0.02
0.016232867 = product of:
0.06493147 = sum of:
0.037026346 = weight(_text_:informatik in 5234) [ClassicSimilarity], result of:
0.037026346 = score(doc=5234,freq=2.0), product of:
0.16419695 = queryWeight, product of:
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.032179873 = queryNorm
0.2254996 = fieldWeight in 5234, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.03125 = fieldNorm(doc=5234)
0.022091882 = weight(_text_:und in 5234) [ClassicSimilarity], result of:
0.022091882 = score(doc=5234,freq=20.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = 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)
0.0058132387 = product of:
0.017439716 = sum of:
0.017439716 = weight(_text_:22 in 5234) [ClassicSimilarity], result of:
0.017439716 = score(doc=5234,freq=2.0), product of:
0.11268844 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.032179873 = 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)
0.25 = coord(3/12)
- 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
- Field
- Informatik
-
Bauckhage, C.: Moderne Textanalyse : neues Wissen für intelligente Lösungen (2016)
0.02
0.015635379 = product of:
0.09381227 = sum of:
0.07405269 = weight(_text_:informatik in 2568) [ClassicSimilarity], result of:
0.07405269 = score(doc=2568,freq=2.0), product of:
0.16419695 = queryWeight, product of:
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.032179873 = queryNorm
0.4509992 = fieldWeight in 2568, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.0625 = fieldNorm(doc=2568)
0.01975958 = weight(_text_:und in 2568) [ClassicSimilarity], result of:
0.01975958 = score(doc=2568,freq=4.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.27704588 = fieldWeight in 2568, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.0625 = fieldNorm(doc=2568)
0.16666667 = coord(2/12)
- 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.
- Field
- Informatik
-
Heyer, G.; Quasthoff, U.; Wittig, T.: Text Mining : Wissensrohstoff Text. Konzepte, Algorithmen, Ergebnisse (2006)
0.01
0.014062892 = product of:
0.08437735 = sum of:
0.052363165 = weight(_text_:informatik in 5218) [ClassicSimilarity], result of:
0.052363165 = score(doc=5218,freq=4.0), product of:
0.16419695 = queryWeight, product of:
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.032179873 = queryNorm
0.3189046 = fieldWeight in 5218, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.03125 = fieldNorm(doc=5218)
0.03201418 = weight(_text_:und in 5218) [ClassicSimilarity], result of:
0.03201418 = score(doc=5218,freq=42.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.44886562 = fieldWeight in 5218, product of:
6.4807405 = tf(freq=42.0), with freq of:
42.0 = termFreq=42.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.03125 = fieldNorm(doc=5218)
0.16666667 = coord(2/12)
- 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.
-
Witschel, H.F.: Text, Wörter, Morpheme : Möglichkeiten einer automatischen Terminologie-Extraktion (2004)
0.01
0.013819854 = product of:
0.08291912 = sum of:
0.065453954 = weight(_text_:informatik in 126) [ClassicSimilarity], result of:
0.065453954 = score(doc=126,freq=4.0), product of:
0.16419695 = queryWeight, product of:
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.032179873 = queryNorm
0.39863077 = fieldWeight in 126, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.0390625 = fieldNorm(doc=126)
0.017465167 = weight(_text_:und in 126) [ClassicSimilarity], result of:
0.017465167 = score(doc=126,freq=8.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.24487628 = fieldWeight in 126, product of:
2.828427 = tf(freq=8.0), with freq of:
8.0 = termFreq=8.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.0390625 = fieldNorm(doc=126)
0.16666667 = coord(2/12)
- Abstract
- Die vorliegende Arbeit beschäftigt sich mit einem Teilgebiet des TextMining, versucht also Information (in diesem Fall Fachterminologie) aus natürlichsprachlichem Text zu extrahieren. Die der Arbeit zugrundeliegende These besagt, daß in vielen Gebieten des Text Mining die Kombination verschiedener Methoden sinnvoll sein kann, um dem Facettenreichtum natürlicher Sprache gerecht zu werden. Die bei der Terminologie-Extraktion angewandten Methoden sind statistischer und linguistischer (bzw. musterbasierter) Natur. Um sie herzuleiten, wurden einige Eigenschaften von Fachtermini herausgearbeitet, die für deren Extraktion relevant sind. So läßt sich z.B. die Tatsache, daß viele Fachbegriffe Nominalphrasen einer bestimmten Form sind, direkt für eine Suche nach gewissen POS-Mustern ausnützen, die Verteilung von Termen in Fachtexten führte zu einem statistischen Ansatz - der Differenzanalyse. Zusammen mit einigen weiteren wurden diese Ansätze in ein Verfahren integriert, welches in der Lage ist, aus dem Feedback eines Anwenders zu lernen und in mehreren Schritten die Suche nach Terminologie zu verfeinern. Dabei wurden mehrere Parameter des Verfahrens veränderlich belassen, d.h. der Anwender kann sie beliebig anpassen. Bei der Untersuchung der Ergebnisse anhand von zwei Fachtexten aus unterschiedlichen Domänen wurde deutlich, daß sich zwar die verschiedenen Verfahren gut ergänzen, daß aber die optimalen Werte der veränderbaren Parameter, ja selbst die Auswahl der angewendeten Verfahren text- und domänenabhängig sind.
- Imprint
- Leipzig : Universität / Fakultät für Mathematik und Informatik Institut für Informatik
-
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
0.012696529 = product of:
0.050786115 = sum of:
0.016786814 = weight(_text_:software in 1833) [ClassicSimilarity], result of:
0.016786814 = score(doc=1833,freq=2.0), product of:
0.12766245 = queryWeight, product of:
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.032179873 = queryNorm
0.13149375 = fieldWeight in 1833, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.0234375 = fieldNorm(doc=1833)
0.02963937 = weight(_text_:und in 1833) [ClassicSimilarity], result of:
0.02963937 = score(doc=1833,freq=64.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.41556883 = fieldWeight in 1833, product of:
8.0 = tf(freq=64.0), with freq of:
64.0 = termFreq=64.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.0234375 = fieldNorm(doc=1833)
0.004359929 = product of:
0.013079786 = sum of:
0.013079786 = weight(_text_:22 in 1833) [ClassicSimilarity], result of:
0.013079786 = score(doc=1833,freq=2.0), product of:
0.11268844 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.032179873 = 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)
0.25 = coord(3/12)
- Abstract
- Als in den siebziger Jahren des vergangenen Jahrhunderts immer häufiger die Bezeichnung Informationsmanager für Leute propagiert wurde, die bis dahin als Dokumentare firmierten, wurde dies in den etablierten Kreisen der Archivare und Bibliothekare gelegentlich belächelt und als Zeichen einer Identitätskrise oder jedenfalls einer Verunsicherung des damit überschriebenen Berufsbilds gewertet. Für den Berufsstand der Medienarchivare/Mediendokumentare, die sich seit 1960 in der Fachgruppe 7 des Vereins, später Verbands deutscher Archivare (VdA) organisieren, gehörte diese Verortung im Zeichen neuer inhaltlicher Herausforderungen (Informationsflut) und Technologien (EDV) allerdings schon früh zu den Selbstverständlichkeiten des Berufsalltags. "Halt, ohne uns geht es nicht!" lautete die Überschrift eines Artikels im Verbandsorgan "Info 7", der sich mit der Einrichtung von immer mächtigeren Leitungsnetzen und immer schnelleren Datenautobahnen beschäftigte. Information, Informationsgesellschaft: diese Begriffe wurden damals fast nur im technischen Sinne verstanden. Die informatisierte, nicht die informierte Gesellschaft stand im Vordergrund - was wiederum Kritiker auf den Plan rief, von Joseph Weizenbaum in den USA bis hin zu den Informations-Ökologen in Bremen. Bei den nationalen, manchmal auch nur regionalen Projekten und Modellversuchen mit Datenautobahnen - auch beim frühen Btx - war nie so recht deutlich geworden, welche Inhalte in welcher Gestalt durch diese Netze und Straßen gejagt werden sollten und wer diese Inhalte eigentlich selektieren, portionieren, positionieren, kurz: managen sollte. Spätestens mit dem World Wide Web sind diese Projekte denn auch obsolet geworden, jedenfalls was die Hardware und Software anging. Geblieben ist das Thema Inhalte (neudeutsch: Content). Und - immer drängender im nicht nur technischen Verständnis - das Thema Informationsmanagement. MedienInformationsManagement war die Frühjahrstagung der Fachgruppe 7 im Jahr 2000 in Weimar überschrieben, und auch die Folgetagung 2001 in Köln, die der multimedialen Produktion einen dokumentarischen Pragmatismus gegenüber stellte, handelte vom Geschäftsfeld Content und von Content-Management-Systemen. Die in diesem 6. Band der Reihe Beiträge zur Mediendokumentation versammelten Vorträge und Diskussionsbeiträge auf diesen beiden Tagungen beleuchten das Titel-Thema aus den verschiedensten Blickwinkeln: archivarischen, dokumentarischen, kaufmännischen, berufsständischen und juristischen. Deutlich wird dabei, daß die Berufsbezeichnung Medienarchivarln/Mediendokumentarln ziemlich genau für all das steht, was heute mit sog. alten wie neuen Medien im organisatorischen, d.h. ordnenden und vermittelnden Sinne geschieht. Im besonderen Maße trifft dies auf das Internet und die aus ihm geborenen Intranets zu. Beide bedürfen genauso der ordnenden Hand, die sich an den alten Medien, an Buch, Zeitung, Tonträger, Film etc. geschult hat, denn sie leben zu großen Teilen davon. Daß das Internet gleichwohl ein Medium sui generis ist und die alten Informationsberufe vor ganz neue Herausforderungen stellt - auch das durchzieht die Beiträge von Weimar und Köln.
Vorliegender Band umgreift den gegenwärtigen Stand der Diskussion um das Handling von Informationen in und mit Hilfe von neuen und alten Medien und liefert außerdem dem Verein Fortbildung für Medienarchivare/ Mediendokumentare (VFM), der seit dem 5. Band die Reihe herausgibt, eine weitere Handreichung für die zusammen mit dem Deutschen Institut, für publizistische Bildungsarbeit in Hagen veranstalteten Seminare. Im Anhang sind außer den vollständigen Programmen der beiden Frühjahrstagungen die Namen und institutionellen Anbindungen der Referenten nachzulesen. Allen Autoren des Bandes sei für ihre Bereitschaft, an dieser Publikation mitzuwirken, gedankt, insbesondere denen, die sich auch noch der Mühe unterziehen mußten, das Transkript ihres in freier Rede gehaltenen Vortrags in eine lesbare Fassung zu bringen. Manche Eigentümlichkeiten des Stils sind dieser freien Rede geschuldet - oder vielleicht auch gedankt, denn sie geben damit umso lebendiger die Atmosphäre jener Frühlingstage in Weimar und Köln wieder.
- Classification
- AP 11500 Allgemeines / Medien- und Kommunikationswissenschaften, Kommunikationsdesign / Bibliographien und Sammelschriften / Tagungs- und Kongreßberichte (CSN)
- 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
- RVK
- AP 11500 Allgemeines / Medien- und Kommunikationswissenschaften, Kommunikationsdesign / Bibliographien und Sammelschriften / Tagungs- und Kongreßberichte (CSN)
-
Brückner, T.; Dambeck, H.: Sortierautomaten : Grundlagen der Textklassifizierung (2003)
0.01
0.011494214 = product of:
0.06896528 = sum of:
0.044764835 = weight(_text_:software in 2398) [ClassicSimilarity], result of:
0.044764835 = score(doc=2398,freq=2.0), product of:
0.12766245 = queryWeight, product of:
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.032179873 = queryNorm
0.35064998 = fieldWeight in 2398, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.0625 = fieldNorm(doc=2398)
0.024200445 = weight(_text_:und in 2398) [ClassicSimilarity], result of:
0.024200445 = score(doc=2398,freq=6.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = 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)
0.16666667 = coord(2/12)
- 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
-
Klein, H.: Web Content Mining (2004)
0.01
0.010953839 = product of:
0.06572303 = sum of:
0.044764835 = weight(_text_:software in 3154) [ClassicSimilarity], result of:
0.044764835 = score(doc=3154,freq=8.0), product of:
0.12766245 = queryWeight, product of:
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.032179873 = queryNorm
0.35064998 = fieldWeight in 3154, product of:
2.828427 = tf(freq=8.0), with freq of:
8.0 = termFreq=8.0
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.03125 = fieldNorm(doc=3154)
0.0209582 = weight(_text_:und in 3154) [ClassicSimilarity], result of:
0.0209582 = score(doc=3154,freq=18.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.29385152 = fieldWeight in 3154, product of:
4.2426405 = tf(freq=18.0), with freq of:
18.0 = termFreq=18.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.03125 = fieldNorm(doc=3154)
0.16666667 = coord(2/12)
- 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.
- 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
-
Loonus, Y.: Einsatzbereiche der KI und ihre Relevanz für Information Professionals (2017)
0.01
0.009873679 = product of:
0.059242073 = sum of:
0.033573627 = weight(_text_:software in 5668) [ClassicSimilarity], result of:
0.033573627 = score(doc=5668,freq=2.0), product of:
0.12766245 = queryWeight, product of:
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.032179873 = queryNorm
0.2629875 = fieldWeight in 5668, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.046875 = fieldNorm(doc=5668)
0.025668446 = weight(_text_:und in 5668) [ClassicSimilarity], result of:
0.025668446 = score(doc=5668,freq=12.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.35989314 = fieldWeight in 5668, product of:
3.4641016 = tf(freq=12.0), with freq of:
12.0 = termFreq=12.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.046875 = fieldNorm(doc=5668)
0.16666667 = coord(2/12)
- Abstract
- Es liegt in der Natur des Menschen, Erfahrungen und Ideen in Wort und Schrift mit anderen teilen zu wollen. So produzieren wir jeden Tag gigantische Mengen an Texten, die in digitaler Form geteilt und abgelegt werden. The Radicati Group schätzt, dass 2017 täglich 269 Milliarden E-Mails versendet und empfangen werden. Hinzu kommen größtenteils unstrukturierte Daten wie Soziale Medien, Presse, Websites und firmeninterne Systeme, beispielsweise in Form von CRM-Software oder PDF-Dokumenten. Der weltweite Bestand an unstrukturierten Daten wächst so rasant, dass es kaum möglich ist, seinen Umfang zu quantifizieren. Der Versuch, eine belastbare Zahl zu recherchieren, führt unweigerlich zu diversen Artikeln, die den Anteil unstrukturierter Texte am gesamten Datenbestand auf 80% schätzen. Auch wenn nicht mehr einwandfrei nachvollziehbar ist, woher diese Zahl stammt, kann bei kritischer Reflexion unseres Tagesablaufs kaum bezweifelt werden, dass diese Daten von großer wirtschaftlicher Relevanz sind.
-
Fonseca, F.; Marcinkowski, M.; Davis, C.: Cyber-human systems of thought and understanding (2019)
0.01
0.0089249145 = product of:
0.053549483 = sum of:
0.046282936 = weight(_text_:informatik in 5011) [ClassicSimilarity], result of:
0.046282936 = score(doc=5011,freq=2.0), product of:
0.16419695 = queryWeight, product of:
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.032179873 = queryNorm
0.2818745 = fieldWeight in 5011, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
5.1024737 = idf(docFreq=730, maxDocs=44218)
0.0390625 = fieldNorm(doc=5011)
0.0072665485 = product of:
0.021799644 = sum of:
0.021799644 = weight(_text_:22 in 5011) [ClassicSimilarity], result of:
0.021799644 = score(doc=5011,freq=2.0), product of:
0.11268844 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.032179873 = queryNorm
0.19345059 = fieldWeight in 5011, 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=5011)
0.33333334 = coord(1/3)
0.16666667 = coord(2/12)
- Date
- 7. 3.2019 16:32:22
- Field
- Informatik
-
Wrobel, S.: Lern- und Entdeckungsverfahren (2002)
0.01
0.007872899 = product of:
0.047237393 = sum of:
0.02963937 = weight(_text_:und in 1105) [ClassicSimilarity], result of:
0.02963937 = score(doc=1105,freq=4.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = 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)
0.017598022 = product of:
0.05279406 = sum of:
0.05279406 = weight(_text_:29 in 1105) [ClassicSimilarity], result of:
0.05279406 = score(doc=1105,freq=2.0), product of:
0.113198735 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.032179873 = 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(2/12)
- Abstract
- Betrügerische Kreditkartenkäufe, besonders fähige Basketballspieler und umweltbewusste Saftverkäufer ausfindig machen - Data-Mining-Verfahren lernen selbständig das Wesentliche
- Date
- 31.12.1996 19:29:41
-
Kraker, P.; Kittel, C,; Enkhbayar, A.: Open Knowledge Maps : creating a visual interface to the world's scientific knowledge based on natural language processing (2016)
0.01
0.0073421216 = product of:
0.044052728 = sum of:
0.033573627 = weight(_text_:software in 3205) [ClassicSimilarity], result of:
0.033573627 = score(doc=3205,freq=2.0), product of:
0.12766245 = queryWeight, product of:
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.032179873 = queryNorm
0.2629875 = fieldWeight in 3205, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.046875 = fieldNorm(doc=3205)
0.0104791 = weight(_text_:und in 3205) [ClassicSimilarity], result of:
0.0104791 = score(doc=3205,freq=2.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.14692576 = fieldWeight in 3205, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.046875 = fieldNorm(doc=3205)
0.16666667 = coord(2/12)
- Abstract
- The goal of Open Knowledge Maps is to create a visual interface to the world's scientific knowledge. The base for this visual interface consists of so-called knowledge maps, which enable the exploration of existing knowledge and the discovery of new knowledge. Our open source knowledge mapping software applies a mixture of summarization techniques and similarity measures on article metadata, which are iteratively chained together. After processing, the representation is saved in a database for use in a web visualization. In the future, we want to create a space for collective knowledge mapping that brings together individuals and communities involved in exploration and discovery. We want to enable people to guide each other in their discovery by collaboratively annotating and modifying the automatically created maps.
- Content
- Beitrag in einem Themenschwerpunkt 'Computerlinguistik und Bibliotheken'. Vgl.: http://0277.ch/ojs/index.php/cdrs_0277/article/view/157/355.
-
Lackes, R.; Tillmanns, C.: Data Mining für die Unternehmenspraxis : Entscheidungshilfen und Fallstudien mit führenden Softwarelösungen (2006)
0.01
0.0072458507 = product of:
0.043475103 = sum of:
0.034755245 = weight(_text_:und in 1383) [ClassicSimilarity], result of:
0.034755245 = score(doc=1383,freq=22.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.48729765 = fieldWeight in 1383, product of:
4.690416 = tf(freq=22.0), with freq of:
22.0 = termFreq=22.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.046875 = fieldNorm(doc=1383)
0.008719858 = product of:
0.026159571 = sum of:
0.026159571 = weight(_text_:22 in 1383) [ClassicSimilarity], result of:
0.026159571 = score(doc=1383,freq=2.0), product of:
0.11268844 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.032179873 = 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)
0.33333334 = coord(1/3)
0.16666667 = coord(2/12)
- Abstract
- Das Buch richtet sich an Praktiker in Unternehmen, die sich mit der Analyse von großen Datenbeständen beschäftigen. Nach einem kurzen Theorieteil werden vier Fallstudien aus dem Customer Relationship Management eines Versandhändlers bearbeitet. Dabei wurden acht führende Softwarelösungen verwendet: der Intelligent Miner von IBM, der Enterprise Miner von SAS, Clementine von SPSS, Knowledge Studio von Angoss, der Delta Miner von Bissantz, der Business Miner von Business Object und die Data Engine von MIT. Im Rahmen der Fallstudien werden die Stärken und Schwächen der einzelnen Lösungen deutlich, und die methodisch-korrekte Vorgehensweise beim Data Mining wird aufgezeigt. Beides liefert wertvolle Entscheidungshilfen für die Auswahl von Standardsoftware zum Data Mining und für die praktische Datenanalyse.
- Content
- Modelle, Methoden und Werkzeuge: Ziele und Aufbau der Untersuchung.- Grundlagen.- Planung und Entscheidung mit Data-Mining-Unterstützung.- Methoden.- Funktionalität und Handling der Softwarelösungen. Fallstudien: Ausgangssituation und Datenbestand im Versandhandel.- Kundensegmentierung.- Erklärung regionaler Marketingerfolge zur Neukundengewinnung.Prognose des Customer Lifetime Values.- Selektion von Kunden für eine Direktmarketingaktion.- Welche Softwarelösung für welche Entscheidung?- Fazit und Marktentwicklungen.
- Date
- 22. 3.2008 14:46:06
-
Witten, I.H.; Frank, E.: Data Mining : Praktische Werkzeuge und Techniken für das maschinelle Lernen (2000)
0.01
0.0064260373 = product of:
0.038556222 = sum of:
0.0209582 = weight(_text_:und in 6833) [ClassicSimilarity], result of:
0.0209582 = score(doc=6833,freq=2.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.29385152 = fieldWeight in 6833, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.09375 = fieldNorm(doc=6833)
0.017598022 = product of:
0.05279406 = sum of:
0.05279406 = weight(_text_:29 in 6833) [ClassicSimilarity], result of:
0.05279406 = score(doc=6833,freq=2.0), product of:
0.113198735 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.032179873 = 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(2/12)
- Date
- 27. 1.1996 10:29:55
-
Information visualization in data mining and knowledge discovery (2002)
0.01
0.0057006734 = product of:
0.03420404 = sum of:
0.03129742 = weight(_text_:281 in 1789) [ClassicSimilarity], result of:
0.03129742 = score(doc=1789,freq=2.0), product of:
0.21349068 = queryWeight, product of:
6.634292 = idf(docFreq=157, maxDocs=44218)
0.032179873 = queryNorm
0.14659853 = fieldWeight in 1789, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
6.634292 = idf(docFreq=157, maxDocs=44218)
0.015625 = fieldNorm(doc=1789)
0.0029066193 = product of:
0.008719858 = sum of:
0.008719858 = weight(_text_:22 in 1789) [ClassicSimilarity], result of:
0.008719858 = score(doc=1789,freq=2.0), product of:
0.11268844 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.032179873 = 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)
0.33333334 = coord(1/3)
0.16666667 = coord(2/12)
- Date
- 23. 3.2008 19:10:22
- Footnote
- In 13 chapters, Part Two provides an introduction to KDD, an overview of data mining techniques, and examples of the usefulness of data model visualizations. The importance of visualization throughout the KDD process is stressed in many of the chapters. In particular, the need for measures of visualization effectiveness, benchmarking for identifying best practices, and the use of standardized sample data sets is convincingly presented. Many of the important data mining approaches are discussed in this complementary context. Cluster and outlier detection, classification techniques, and rule discovery algorithms are presented as the basic techniques common to the KDD process. The potential effectiveness of using visualization in the data modeling process are illustrated in chapters focused an using visualization for helping users understand the KDD process, ask questions and form hypotheses about their data, and evaluate the accuracy and veracity of their results. The 11 chapters of Part Three provide an overview of the KDD process and successful approaches to integrating KDD, data mining, and visualization in complementary domains. Rhodes (Chapter 21) begins this section with an excellent overview of the relation between the KDD process and data mining techniques. He states that the "primary goals of data mining are to describe the existing data and to predict the behavior or characteristics of future data of the same type" (p. 281). These goals are met by data mining tasks such as classification, regression, clustering, summarization, dependency modeling, and change or deviation detection. Subsequent chapters demonstrate how visualization can aid users in the interactive process of knowledge discovery by graphically representing the results from these iterative tasks. Finally, examples of the usefulness of integrating visualization and data mining tools in the domain of business, imagery and text mining, and massive data sets are provided. This text concludes with a thorough and useful 17-page index and lengthy yet integrating 17-page summary of the academic and industrial backgrounds of the contributing authors. A 16-page set of color inserts provide a better representation of the visualizations discussed, and a URL provided suggests that readers may view all the book's figures in color on-line, although as of this submission date it only provides access to a summary of the book and its contents. The overall contribution of this work is its focus an bridging two distinct areas of research, making it a valuable addition to the Morgan Kaufmann Series in Database Management Systems. The editors of this text have met their main goal of providing the first textbook integrating knowledge discovery, data mining, and visualization. Although it contributes greatly to our under- standing of the development and current state of the field, a major weakness of this text is that there is no concluding chapter to discuss the contributions of the sum of these contributed papers or give direction to possible future areas of research. "Integration of expertise between two different disciplines is a difficult process of communication and reeducation. Integrating data mining and visualization is particularly complex because each of these fields in itself must draw an a wide range of research experience" (p. 300). Although this work contributes to the crossdisciplinary communication needed to advance visualization in KDD, a more formal call for an interdisciplinary research agenda in a concluding chapter would have provided a more satisfying conclusion to a very good introductory text.
-
Borgelt, C.; Kruse, R.: Unsicheres Wissen nutzen (2002)
0.01
0.005355031 = product of:
0.032130186 = sum of:
0.017465167 = weight(_text_:und in 1104) [ClassicSimilarity], result of:
0.017465167 = score(doc=1104,freq=2.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.24487628 = fieldWeight in 1104, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.078125 = fieldNorm(doc=1104)
0.014665018 = product of:
0.043995053 = sum of:
0.043995053 = weight(_text_:29 in 1104) [ClassicSimilarity], result of:
0.043995053 = score(doc=1104,freq=2.0), product of:
0.113198735 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.032179873 = 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)
0.16666667 = coord(2/12)
- 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
-
Peters, G.; Gaese, V.: ¬Das DocCat-System in der Textdokumentation von G+J (2003)
0.01
0.0050022807 = product of:
0.030013684 = sum of:
0.024200445 = weight(_text_:und in 1507) [ClassicSimilarity], result of:
0.024200445 = score(doc=1507,freq=24.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.33931053 = fieldWeight in 1507, product of:
4.8989797 = tf(freq=24.0), with freq of:
24.0 = termFreq=24.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.03125 = fieldNorm(doc=1507)
0.0058132387 = product of:
0.017439716 = sum of:
0.017439716 = weight(_text_:22 in 1507) [ClassicSimilarity], result of:
0.017439716 = score(doc=1507,freq=2.0), product of:
0.11268844 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.032179873 = 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)
0.16666667 = coord(2/12)
- 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
- Source
- Medien-Informationsmanagement: Archivarische, dokumentarische, betriebswirtschaftliche, rechtliche und Berufsbild-Aspekte. Hrsg.: Marianne Englert u.a
-
Tiefschürfen in Datenbanken (2002)
0.00
0.0042840247 = product of:
0.025704147 = sum of:
0.013972133 = weight(_text_:und in 996) [ClassicSimilarity], result of:
0.013972133 = score(doc=996,freq=2.0), product of:
0.07132241 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.032179873 = queryNorm
0.19590102 = fieldWeight in 996, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.0625 = fieldNorm(doc=996)
0.011732014 = product of:
0.03519604 = sum of:
0.03519604 = weight(_text_:29 in 996) [ClassicSimilarity], result of:
0.03519604 = score(doc=996,freq=2.0), product of:
0.113198735 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.032179873 = 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)
0.16666667 = coord(2/12)
- 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
-
Amir, A.; Feldman, R.; Kashi, R.: ¬A new and versatile method for association generation (1997)
0.00
0.0038930818 = product of:
0.04671698 = sum of:
0.04671698 = product of:
0.07007547 = sum of:
0.03519604 = weight(_text_:29 in 1270) [ClassicSimilarity], result of:
0.03519604 = score(doc=1270,freq=2.0), product of:
0.113198735 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.032179873 = 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)
0.03487943 = weight(_text_:22 in 1270) [ClassicSimilarity], result of:
0.03487943 = score(doc=1270,freq=2.0), product of:
0.11268844 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.032179873 = 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)
0.083333336 = coord(1/12)
- Date
- 5. 4.1996 15:29:15
- Source
- Information systems. 22(1997) nos.5/6, S.333-347
