Refine
Year of publication
Institute
- Fachbereich Wirtschaftswissenschaften (48)
- Fachbereich Medizintechnik und Technomathematik (9)
- Fachbereich Elektrotechnik und Informationstechnik (8)
- Fachbereich Energietechnik (4)
- Fachbereich Luft- und Raumfahrttechnik (3)
- IfB - Institut für Bioengineering (3)
- ZHQ - Bereich Hochschuldidaktik und Evaluation (3)
- INB - Institut für Nano- und Biotechnologien (2)
- FH Aachen (1)
Language
- German (62)
- English (10)
- Portuguese (4)
Document Type
- Other (76) (remove)
Keywords
- Evaluation (3)
- Hochschuldidaktik (3)
- Mentorenprogramm (3)
- Führung (2)
- Leadership (2)
- Motivation (2)
- Analogue Environments (1)
- Angewandte Forschung (1)
- Biocomposites (1)
- Cryobot (1)
Is part of the Bibliography
- no (76)
Unwirksamkeit von Allgemeinverbindlicherklärungen des Tarifvertrages über das Sozialkassenverfahren
(2017)
Doppelte Abfindung für Arbeitnehmer: Abfindung gemäß § 1 a KSchG und Abfindung gemäß Sozialplan
(2017)
Vorbeschäftigungszeiten als Leiharbeitnehmer zählen für Kündigungsschutz grundsätzlich nicht mit
(2014)
Vergabe öffentlicher Aufträge kann von der Zahlung eines Mindestlohns abhängig gemacht werden
(2016)
Wirksamkeit einer OT-Mitgliedschaft im Arbeitgeberverband – Anforderungen an die Verbandssatzung
(2016)
Software Stories Guide
(2017)
Für die Verarbeitung von natürlicher Sprache ist ein wichtiger Zwischenschritt das Parsing, bei dem für Sätze der natürlichen Sprache Ableitungsbäume 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, können nicht auf das Parsen der natürlichen Sprache übertragen werden, da keine Formalisierung der natürlichen Sprachen existiert [3, 12, 23, 30].
In den ersten Programmen, die natürliche Sprache verarbeiten [32, 41], wurde versucht die natürliche Sprache mit festen Regelmengen zu verarbeiten. Dieser Ansatz stieß jedoch schnell an seine Grenzen, da die Regelmenge nicht vollständig sowie nicht minimal ist und wegen der benötigten Menge an Regeln schwer zu verwalten ist. Die Korpuslinguistik [22] bot die Möglichkeit, die Regelmenge durch Supervised-Machine-Learning-Verfahren [2] abzulösen.
Teil der Korpuslinguistik ist es, große Textkorpora zu erstellen und diese mit sprachlichen Strukturen zu annotieren. Zu diesen Strukturen gehören sowohl die Wortarten als auch die Ableitungsbäume der Sätze. Vorteil dieser Methodik ist es, dass repräsentative Daten zur Verfügung stehen. Diese Daten werden genutzt, um mit Supervised-Machine-Learning-Verfahren die Gesetzmäßigkeiten der natürliche Sprachen zu erlernen.
Das Maximum-Entropie-Verfahren ist ein Supervised-Machine-Learning-Verfahren, das genutzt wird, um natürliche Sprache zu erlernen. Ratnaparkhi [25] nutzt Maximum-Entropie, um Ableitungsbäume für Sätze der natürlichen Sprache zu erlernen. Dieses Verfahren macht es möglich, die natürliche Sprache (abgebildet als Σ∗) trotz einer fehlenden formalen Grammatik zu parsen.
Surgical clip applicator
(1996)
Die Erfindung betrifft eine Vorrichtung zur Messung biomedizinischer Daten eines Probanden, mit einem Messsystem zur Erhebung der Daten sowie einer ersten Hardware-Komponente zur Aufzeichnung der Daten. In einer Verbindungsleitung zur Übertragung der Daten vom Messsystem zur ersten Hardware-Komponente zur Aufzeichnung der Daten ist erfindungsgemäss ein Mittel zur galvanischen Auftrennung der Daten angeordnet. Auf diese Weise ist wenigstens die Duplizierung der Daten für Datenverarbeitungszwecke gewährleistet. Die auf diese Weise verarbeiteten Daten werden für ein Verfahren zur Echtzeit-Stimulation eines Probanden genutzt.
Die vorliegende Erfindung betrifft eine Vorrichtung zum Halten eines lebenden Objektes bei physiologischen Messungen mit einem Basiselement und Mitteln zum Arretieren des lebenden Objektes, die atraumatische Ohrenhalter sowie ein Mundstück aufweisen, das mit einer Aussparung für die Zähne des Lebewesens versehen ist, mit einem Masseanteil von wenigstens 95% an glasfaserverstärktem Kunststoff.
Forschung und Entwicklung an der FH Aachen: interdisziplinär, praxisorientiert und vielfältig Die Kompetenzen der Wissenschaftlerinnen und Wissenschaftler unserer zehn Fachbereiche und sechs Institute sind das Forschungs- und Entwicklungspotenzial der FH Aachen. In dieser Broschüre finden Sie Spezialistinnen und Spezialisten unterschiedlicher Disziplinen, die es gewohnt sind, mit ihrem Fachwissen und ihren Erfahrungen in interdisziplinären Teams praxisnah an kreativen Lösungen zu arbeiten. Die FH Aachen forscht schwerpunktmäßig in den drei Bereichen Energie, Mobilität und Life Science. Darüber hinaus verfügt sie auch in Disziplinen wie Produkt- und Kommunikationsdesign, Architektur und Bauingenieurwesen, Wirtschaft und Logistik sowie Elektro- und Informationstechnik über herausragende Expertise. Durch ihre wissenschaftliche Vielfalt und die Praxisnähe gehört die FH Aachen zu den forschungsstärksten Fachhochschulen Deutschlands. Der Technologie- und Wissenstransfer der FH Aachen möchte Ihnen mit dieser Broschüre einen „Einblick“ in die Forschungs- und Entwicklungstätigkeiten der FH Aachen geben und Ihnen die Suche nach passenden Kooperationspartnerinnen und -partner erleichtern. Auf den folgenden Seiten erhalten Sie zu jedem unserer Forscher unter anderem folgende Informationen: Forschungsgebiet, Ausstattung, aktuelle Forschungsprojekte sowie die jeweiligen Kontaktdaten. Ein Stichwortverzeichnis sowie ein alphabetisches Namensregister im hinteren Teil der Broschüre erleichtern ihnen die gezielte Suche. Unser Ziel ist es, wissenschaftliches Know-how mit unternehmerischem Forschungs- und Entwicklungsbedarf zusammenzubringen. Sie haben spezielle Aufgabenstellungen? Unsere Wissenschaftlerinnen und Wissenschaftler machen aus Ihren Ideen konkrete und wirtschaftlich nutzbare Lösungen. Nehmen Sie Kontakt zu uns auf – wir würden uns freuen! Prof. Dr. rer. nat. Christiane Vaeßen Prorektorin für Forschung, Entwicklung und Technologietransfer