Refine
Year of publication
Institute
- Fachbereich Wirtschaftswissenschaften (935)
- Fachbereich Maschinenbau und Mechatronik (595)
- Fachbereich Bauingenieurwesen (554)
- Fachbereich Energietechnik (524)
- Fachbereich Gestaltung (488)
- Fachbereich Elektrotechnik und Informationstechnik (464)
- Fachbereich Medizintechnik und Technomathematik (373)
- Fachbereich Chemie und Biotechnologie (362)
- Fachbereich Luft- und Raumfahrttechnik (300)
- Solar-Institut Jülich (175)
Language
- German (5134) (remove)
Document Type
- Article (2359)
- Book (938)
- Conference Proceeding (477)
- Part of a Book (370)
- Bachelor Thesis (326)
- Patent (152)
- Report (92)
- Administrative publication (76)
- Part of a Periodical (63)
- Other (62)
Keywords
- Amtliche Mitteilung (71)
- Bachelor (33)
- Aachen University of Applied Sciences (31)
- Master (31)
- Prüfungsordnung (31)
- Lesbare Fassung (28)
- Bauingenieurwesen (23)
- Fachhochschule Aachen (23)
- Illustration (21)
- Studien- und Prüfungsordnung (21)
Zugriffsart
- weltweit (686)
- campus (636)
- bezahl (237)
- fachbereichsweit (FB4) (34)
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.
Mit dem Projekt wird sich dem Problem der weltweiten Lebensmittelverschwendung angenommen und versucht Abfälle in Privathaushalten primär industrialisierter Staaten zu reduzieren. Mit jährlich 1,3 Milliarden Tonnen landet circa ein Drittel aller weltweit produzierten Lebensmittel im Müll. Einen Großteil dieser Abfälle ist vermeidbar, besonders dort, wo man im Überfluss lebt.
Das konzipierte Möbelstück soll die Lagerungsmöglichkeiten des Nutzers optimieren und somit für die Wertschätzung von Lebensmitteln sensibilisieren. Für das Möbelstück werden ausschließlich natürliche Materialien verwendet, welche in ihrer Charakteristik optimal zum Funktionsumfang passen, der für die Lagerung benötigt wird. Das Material Terracotta ermöglicht es, mittels Verdunstungskühlung stromlos Gemüse kalt zu halten. Antibakterielles Holz tötet schädliche Bakterien ab. Die Konstruktion ermöglicht somit eine fachgerechte Lebensmittelagerung und ermöglicht sowohl sehr flexible Nutzung, wie auch leichte Reparatur.
Smartphone Forensik
(2012)