@inproceedings{SchreiberKraftZuendorf2017,
  author    = {Schreiber, Marc and Kraft, Bodo and Z{\"u}ndorf, Albert},
  title     = {Metrics Driven Research Collaboration: Focusing on Common Project Goals Continuously},
  series = {39th International Conference on Software Engineering, May 20-28, 2017 - Buenos Aires, Argentina},
  booktitle = {39th International Conference on Software Engineering, May 20-28, 2017 - Buenos Aires, Argentina},
  pages     = {8 Seiten},
  year      = {2017},
  abstract  = {Research collaborations provide opportunities for both practitioners and researchers: practitioners need solutions for difficult business challenges and researchers are looking for hard problems to solve and publish. Nevertheless, research collaborations carry the risk that practitioners focus on quick solutions too much and that researchers tackle theoretical problems, resulting in products which do not fulfill the project requirements. In this paper we introduce an approach extending the ideas of agile and lean software development. It helps practitioners and researchers keep track of their common research collaboration goal: a scientifically enriched software product which fulfills the needs of the practitioner's business model. This approach gives first-class status to application-oriented metrics that measure progress and success of a research collaboration continuously. Those metrics are derived from the collaboration requirements and help to focus on a commonly defined goal. An appropriate tool set evaluates and visualizes those metrics with minimal effort, and all participants will be pushed to focus on their tasks with appropriate effort. Thus project status, challenges and progress are transparent to all research collaboration members at any time.},
  language  = {en}
}
@misc{Schreiber2016,
  author    = {Schreiber, Marc},
  title     = {Mit Maximum-Entropie das Parsing nat{\"u}rlicher Sprache erlernen},
  publisher = {FH Aachen},
  address   = {Aachen},
  pages     = {23 Seiten},
  year      = {2016},
  abstract  = {F{\"u}r die Verarbeitung von nat{\"u}rlicher Sprache ist ein wichtiger Zwischenschritt das Parsing, bei dem f{\"u}r S{\"a}tze der nat{\"u}rlichen Sprache Ableitungsb{\"a}ume bestimmt werden. Dieses Verfahren ist vergleichbar zum Parsen formaler Sprachen, wie z. B. das Parsen eines Quelltextes. Die Parsing-Methoden der formalen Sprachen, z. B. Bottom-up-Parser, k{\"o}nnen nicht auf das Parsen der nat{\"u}rlichen Sprache {\"u}bertragen werden, da keine Formalisierung der nat{\"u}rlichen Sprachen existiert [3, 12, 23, 30]. In den ersten Programmen, die nat{\"u}rliche Sprache verarbeiten [32, 41], wurde versucht die nat{\"u}rliche Sprache mit festen Regelmengen zu verarbeiten. Dieser Ansatz stieß jedoch schnell an seine Grenzen, da die Regelmenge nicht vollst{\"a}ndig sowie nicht minimal ist und wegen der ben{\"o}tigten Menge an Regeln schwer zu verwalten ist. Die Korpuslinguistik [22] bot die M{\"o}glichkeit, die Regelmenge durch Supervised-Machine-Learning-Verfahren [2] abzul{\"o}sen. Teil der Korpuslinguistik ist es, große Textkorpora zu erstellen und diese mit sprachlichen Strukturen zu annotieren. Zu diesen Strukturen geh{\"o}ren sowohl die Wortarten als auch die Ableitungsb{\"a}ume der S{\"a}tze. Vorteil dieser Methodik ist es, dass repr{\"a}sentative Daten zur Verf{\"u}gung stehen. Diese Daten werden genutzt, um mit Supervised-Machine-Learning-Verfahren die Gesetzm{\"a}ßigkeiten der nat{\"u}rliche Sprachen zu erlernen. Das Maximum-Entropie-Verfahren ist ein Supervised-Machine-Learning-Verfahren, das genutzt wird, um nat{\"u}rliche Sprache zu erlernen. Ratnaparkhi [25] nutzt Maximum-Entropie, um Ableitungsb{\"a}ume f{\"u}r S{\"a}tze der nat{\"u}rlichen Sprache zu erlernen. Dieses Verfahren macht es m{\"o}glich, die nat{\"u}rliche Sprache (abgebildet als Σ∗) trotz einer fehlenden formalen Grammatik zu parsen.},
  language  = {de}
}