Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen | Buchprofil und Inhaltsübersicht

Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen von Martin Brünger, Tim vor der Brück, Tim vor der ck - Informationen zur Ausgabe

Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen ist ein Werk von Martin Brünger, Tim vor der Brück, Tim vor der ck, das innerhalb der Kategorie Fiction eingeordnet wird und bereits durch seine klare thematische Ausrichtung überzeugt. Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen wird in der Beschreibung wie folgt charakterisiert: Eine große Wissensbasis ist eine Voraussetzung für eine Vielzahl von Anwendungen im Bereich der automatischen Sprachverarbeitung, wie Frage-Antwort- oder Information-Retrieval-Systeme. Ein Mensch hat sich das erforderliche Wissen, um Informationen zu suchen oder Fragen zu beantworten, im Laufe seines Lebens angeeignet. Einem Computer muss dieses Wissen explizit mitgeteilt werden. Tim vor der Brück beschreibt einen Ansatz, wie ein Computer dieses Wissen ähnlich wie ein Mensch durch die Lektüre von Texten erwerben kann. Dabei kommen Methoden der Logik und des maschinellen Lernens zum Einsatz Bibliografisch ist Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen mit dem Erscheinungsdatum 2012, dem Verlag Springer und dem Ort Dordrecht erfasst.

Relevante Merkmale auf einen Blick

Die Ausgabe ist in Deutsch verfügbar und damit gezielt für Leserinnen und Leser mit entsprechender Sprachpräferenz interessant. Mit Springer in Dordrecht ist die verlegerische Zuordnung der Ausgabe klar nachvollziehbar. Für Recherchen nach Veröffentlichungszeitraum ist Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen mit dem Datum 2012 eindeutig zuordenbar. Gerade wer nach Werken von Martin Brünger, Tim vor der Brück, Tim vor der ck sucht, sollte Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen näher betrachten. Innerhalb von Fiction bietet Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen eine klar erkennbare thematische Zuordnung.

Inhalt und thematische Schwerpunkte

Im thematischen Kontext von Fiction setzt Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen laut Beschreibung auf folgende Schwerpunkte: Eine große Wissensbasis ist eine Voraussetzung für eine Vielzahl von Anwendungen im Bereich der automatischen Sprachverarbeitung, wie Frage-Antwort- oder Information-Retrieval-Systeme. Ein Mensch hat sich das erforderliche Wissen, um Informationen zu suchen oder Fragen zu beantworten, im Laufe seines Lebens angeeignet. Einem Computer muss dieses Wissen explizit mitgeteilt werden. Tim vor der Brück beschreibt einen Ansatz, wie ein Computer dieses Wissen ähnlich wie ein Mensch durch die Lektüre von Texten erwerben kann. Dabei kommen Methoden der Logik und des maschinellen Lernens zum Einsatz Aus dem Inhaltsverzeichnis ergeben sich die zentralen Themenfelder und Ordnungspunkte: Danksagung; Inhaltsverzeichnis; Abbildungsverzeichnis; Tabellenverzeichnis; 1. Einleitung; 1.1. Motivation; 1.2. Arten von Wissens; 1.3. Vorteile der Nutzung von Wissen bei der natülichsprachlichen Verarbeitung; 1.4. Vorteile einer automatischen Wissensakquisition; 1.5. Einordnung der Arbeit; 1.5.1. Thematische Einordnung der Arbeit; 1.5.2. Organisatorische Einordnung der Arbeit; 1.6. Zusammenfassung und Thesen; 1.7. Aufbau der Arbeit; 1.8. Typografische Konventionen; 2. Typische Arten von Wissen; 2.1. Synonymie; 2.2. Subordination; 2.3. Meronymie; 2.4. Entailments und Paraphrasen. | 3. Grundlagen3.1. MultiNet; 3.2. Verwendete Ressourcen; 3.2.1. Verwendete Korpora; 3.2.2. Axiome; 3.2.3. HaGenLex; 3.3. Evaluation; 3.3.1. Evaluationsverfahren; 3.3.2. Evaluationsmaße; 4. Stand der Forschung: automatische Lernverfahren für die Wissensakquisition; 4.1. Extraktion von Synonymen und Wortsynonymen; 4.2. Extraktion von Wortsubordinationen; 4.2.1. Extraktion von Wortsubordinationen durch Betrachtung syntagmatischer Relationen; 4.2.2. Extraktion von Wortsubordinationen durch Betrachtung paradigmatischer Relationen; 4.2.3. Extraktion von Wortsubordinationen durch Dokumentclustering. | 4.2.4. Logische Validierung4.3. Extraktion von Meronymen und Wortmeronymen; 4.4. Lernen von ontologischen Sorten und semantischen Merkmalen; 4.5. Lernen von Entailments und Bedeutungspostulaten; 4.6. Weitere Arten der Wissensakquisition; 4.7. Nachteile bisheriger Verfahren und Vorteile tiefer Verfahren; 4.8. Verwendung und Anpassung von Verfahren aus dem Stand der Forschung; 5. Relationsextraktion basierend auf einer tiefen semantischen Wissensrepräsentation; 5.1. Vorgehen; 5.2. Extraktion von Subordinationsrelationen; 5.2.1. Tiefe Extraktionsregeln; 5.2.2. Flache Extraktionsregeln. | 5.2.3. Lernen der Extraktionsregeln5.2.4. Vorteile und Nachteile tiefer Extraktionsregeln gegenüber flachen; 5.2.5. Fehlerquellen bei der Anwendung der tiefen Extraktionsregeln; 5.2.6. Filtern anhand ontologischer Sorten und semantischer Merkmale; 5.2.7. Ablegen der Relation in der Datenbank; 5.2.8. Validierung von Subordinationshypothesen; 5.2.9. Validierungsmerkmale; 5.2.10. Auswahl der Merkmale; 5.2.11. Wahl der korrekten Unterrelation; 5.2.12. Erkennung von Eigennamen; 5.3. Extraktion von Meronymrelationen; 5.3.1. Anwendung der Extraktionsregeln. | 5.3.2. Filtern anhand ontologischer Sorten und semantischer Merkmale5.3.3. Validierungsmerkmale; 5.3.4. Wahl der korrekten Unterrelation; 5.3.5. Echte und in SUB eingebettete Meronymie; 5.3.6. Propagieren von Meronymen; 5.4. Extraktion von Synonymen; 5.4.1. Synonymextraktionsregeln; 5.4.2. Filtern anhand ontologischer Sorten und semantischer Merkmale; 5.4.3. Validierungsmerkmale; 5.5. Logische Ontologievalidierung mithilfe eines automatischen Beweisers; 5.6. Extraktion von semantischen Relationen aus maschinenlesbaren Lexika; 5.7. Technischer Support für die Annotation der Daten. Ergänzend helfen die hinterlegten Schlagwörter dabei, Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen thematisch schneller einzuordnen: Knowledge acquisition (Expert systems), Translators (Computer programs), COMPUTERS / Expert Systems Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen umfasst 1 Seiten und erscheint im Format physical, was sowohl für die Nutzung als auch für den Vergleich mit anderen Ausgaben relevant ist.

Wichtige Kennzeichen dieser Ausgabe

Die Kombination aus ISBN-10 3834825034 und ISBN-13 9783834825032 ermöglicht eine besonders präzise bibliografische Zuordnung. Die verlegerische und zeitliche Einordnung wird durch Springer, Dordrecht und 2012 präzise ergänzt. Für weiterführende bibliografische Verknüpfungen sind die Kennungen OL19911449W und OL27096100M, OL36202166M besonders hilfreich.

Bibliografische Daten auf einen Blick

1. ISBN-13: 9783834825032
2. Verlagsort: Dordrecht
3. Externe Editionsreferenzen: OL27096100M, OL36202166M
4. Publiziert bei: Springer
5. Externe Work-Referenz: OL19911449W
6. ISBN-10: 3834825034
7. Schlagwörter: Knowledge acquisition (Expert systems), Translators (Computer programs), COMPUTERS / Expert Systems
8. Verzeichnetes Inhaltsverzeichnis: Danksagung; Inhaltsverzeichnis; Abbildungsverzeichnis; Tabellenverzeichnis; 1. Einleitung; 1.1. Motivation; 1.2. Arten von Wissens; 1.3. Vorteile der Nutzung von Wissen bei der natülichsprachlichen Verarbeitung; 1.4. Vorteile einer automatischen Wissensakquisition; 1.5. Einordnung der Arbeit; 1.5.1. Thematische Einordnung der Arbeit; 1.5.2. Organisatorische Einordnung der Arbeit; 1.6. Zusammenfassung und Thesen; 1.7. Aufbau der Arbeit; 1.8. Typografische Konventionen; 2. Typische Arten von Wissen; 2.1. Synonymie; 2.2. Subordination; 2.3. Meronymie; 2.4. Entailments und Paraphrasen. | 3. Grundlagen3.1. MultiNet; 3.2. Verwendete Ressourcen; 3.2.1. Verwendete Korpora; 3.2.2. Axiome; 3.2.3. HaGenLex; 3.3. Evaluation; 3.3.1. Evaluationsverfahren; 3.3.2. Evaluationsmaße; 4. Stand der Forschung: automatische Lernverfahren für die Wissensakquisition; 4.1. Extraktion von Synonymen und Wortsynonymen; 4.2. Extraktion von Wortsubordinationen; 4.2.1. Extraktion von Wortsubordinationen durch Betrachtung syntagmatischer Relationen; 4.2.2. Extraktion von Wortsubordinationen durch Betrachtung paradigmatischer Relationen; 4.2.3. Extraktion von Wortsubordinationen durch Dokumentclustering. | 4.2.4. Logische Validierung4.3. Extraktion von Meronymen und Wortmeronymen; 4.4. Lernen von ontologischen Sorten und semantischen Merkmalen; 4.5. Lernen von Entailments und Bedeutungspostulaten; 4.6. Weitere Arten der Wissensakquisition; 4.7. Nachteile bisheriger Verfahren und Vorteile tiefer Verfahren; 4.8. Verwendung und Anpassung von Verfahren aus dem Stand der Forschung; 5. Relationsextraktion basierend auf einer tiefen semantischen Wissensrepräsentation; 5.1. Vorgehen; 5.2. Extraktion von Subordinationsrelationen; 5.2.1. Tiefe Extraktionsregeln; 5.2.2. Flache Extraktionsregeln. | 5.2.3. Lernen der Extraktionsregeln5.2.4. Vorteile und Nachteile tiefer Extraktionsregeln gegenüber flachen; 5.2.5. Fehlerquellen bei der Anwendung der tiefen Extraktionsregeln; 5.2.6. Filtern anhand ontologischer Sorten und semantischer Merkmale; 5.2.7. Ablegen der Relation in der Datenbank; 5.2.8. Validierung von Subordinationshypothesen; 5.2.9. Validierungsmerkmale; 5.2.10. Auswahl der Merkmale; 5.2.11. Wahl der korrekten Unterrelation; 5.2.12. Erkennung von Eigennamen; 5.3. Extraktion von Meronymrelationen; 5.3.1. Anwendung der Extraktionsregeln. | 5.3.2. Filtern anhand ontologischer Sorten und semantischer Merkmale5.3.3. Validierungsmerkmale; 5.3.4. Wahl der korrekten Unterrelation; 5.3.5. Echte und in SUB eingebettete Meronymie; 5.3.6. Propagieren von Meronymen; 5.4. Extraktion von Synonymen; 5.4.1. Synonymextraktionsregeln; 5.4.2. Filtern anhand ontologischer Sorten und semantischer Merkmale; 5.4.3. Validierungsmerkmale; 5.5. Logische Ontologievalidierung mithilfe eines automatischen Beweisers; 5.6. Extraktion von semantischen Relationen aus maschinenlesbaren Lexika; 5.7. Technischer Support für die Annotation der Daten.
9. Thematische Hauptkategorie: Fiction
10. Sprache: Deutsch
11. Kurzbeschreibung: Eine große Wissensbasis ist eine Voraussetzung für eine Vielzahl von Anwendungen im Bereich der automatischen Sprachverarbeitung, wie Frage-Antwort- oder Information-Retrieval-Systeme. Ein Mensch hat sich das erforderliche Wissen, um Informationen zu suchen oder Fragen zu beantworten, im Laufe seines Lebens angeeignet. Einem Computer muss dieses Wissen explizit mitgeteilt werden. Tim vor der Brück beschreibt einen Ansatz, wie ein Computer dieses Wissen ähnlich wie ein Mensch durch die Lektüre von Texten erwerben kann. Dabei kommen Methoden der Logik und des maschinellen Lernens zum Einsatz
12. Umfang: 1 Seiten
13. Titel: Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen
14. Autor beziehungsweise Autoren: Martin Brünger, Tim vor der Brück, Tim vor der ck
15. Ausgabeform: physical
16. Erscheinungsdatum: 2012

Auffindbarkeit und bibliografische Präzision

Durch die Kombination aus Titel, Autorenschaft, Kategorie und Schlagwörtern - also Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen, Martin Brünger, Tim vor der Brück, Tim vor der ck, Fiction und Knowledge acquisition (Expert systems), Translators (Computer programs), COMPUTERS / Expert Systems - ist der Datensatz sowohl für Suchmaschinen als auch für Nutzerinnen und Nutzer sehr gut interpretierbar. Zusätzliche Präzision entsteht durch Identifikatoren wie 3834825034, 9783834825032 und OL19911449W, die die Ausgabe in verschiedenen Katalog- und Suchkontexten eindeutig referenzierbar machen.

Häufige Fragen zu Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen

Hier findest du weitere ausgewählte Links.