Linköpings Universitet Artificiell Intelligens II 729G11 HT QA- system. Anders Janson

Storlek: px
Starta visningen från sidan:

Download "Linköpings Universitet Artificiell Intelligens II 729G11 HT QA- system. Anders Janson"

Transkript

1 Linköpings Universitet Artificiell Intelligens II 729G11 HT 2011 QA- system Anders Janson

2 Sammanfattning Inom denna uppsats tar jag upp Question Answering system, som jag förkortar QA-system. Jag vill förklara på ett förståeligt sätt hur dessa system fungerar genom att gå in på hur sökning efter information går till samt dess beräkningar och hur man utvärderar systemet.

3 1 Innehåll Sammanfattning... 2 Bakgrund Hur fungerar en QA process? Tillämpning Användare Frågetyper Svarstyper Utvärdering Presentation av svaret QA- arkitekturen Analys av frågan Förbehandling av dokumentsamling Val av svars dokument Booleska Modellen Vektor Modellen Probabilistiska modellen Analys av valda svarsdokument Svars extraktion Svars genering Utvärdering av systemet Diskussion Källor:... 16

4 Bakgrund Genom att fler och fler söker information på internet ökar kravet efter ett system som är bra på att svara på frågor som människor ställer. Ett sådant system är QA- system. Genom att ställa en fråga med ett vardagligt språk vill vi ha svar på våra frågor. Dessa system används mer och mer som support för olika företag på deras hemsidor på internet. Detta pågrund av att behovet av information blir större i det samhälle som vi lever i och att resultaten av systemens nivå blir bättre och bättre. Varje år så anordnas TEC som är en löpande konferens där målet är att förbättra kunskapen kring informationsåtkoms (I). Denna konferens har gjort så att forskningen kring området har förbättras i snabb fart, sedan år 2000 har QA varit en del av denna konferens vilket har bidragit med att tekniken har utvecklats inom detta fält. Bland annat så utvärderas olika QA- system vid TEC. 2 Hur fungerar en QA process? För att svara på en fråga måste systemet kunna analysera frågan oftast inom den kontext som frågan ställs. Systemet ska hitta minst ett svar på frågan genom att använda sig av någon typ av resurs som finns tillgängligt, det ska sedan ge ett svar som är passade och förståeligt för användaren och eventuellt kunna ge något typ av feedback till frågeställaren varför just det svaret gavs. Här nedan presenterar jag några viktiga punkter som är viktiga att tänka på när det gäller att utforma ett bra QA-system (Hirshman, Gaizauskas, 2001): Tillämpning Användare Frågetyp Svarstyp Utvärdering Presentation av data 2.1 Tillämpning Hur tillämpningen av QA- system används baseras på vad för typ av källa svaret ska komma ifrån. Källorna kan delas upp som i strukturerad data(databaser), semi- strukturerad data (som

5 exempel, kommentarer i en databas) eller fri text. Källor som även kan användas som svar kan även sökas fram genom internet eller genom någon form av samling av text så som en korpus eller en bok. QA tillämpningar kan även särskilja mellan öppna områdes QA-system som har som uppgift att svara på det mesta när det kommer till kunskap och stängda områdes QA- system som är nischade för att svara på frågor om en viss kunskap, exempelvis ett QA system på en telefonoperatörs hemsida kan svara på frågor om abonnemang och avgifter gällande telefoner. 2.2 Användare En användare av QA- system kan vara en första användare eller en vardagsanvändare eller en expert användare som använder ett visst system för att söka svar gång på gång. Beroende på vilken typ av användare som använder QA- systemets funktioner kräver olika typer av gränssnitt. För en första gångens användare kan det vara smart att förklara systemets begränsningar så att användaren förstår vad han kan fråga och få för svar. Exempelvis vid IKEAS QA -system, om man frågar om oväsentliga saker återkommer Anna(som är namnet på den Avatar som representerar deras QA- system) att jag ska fråga om IKEA. Detta för att göra det förstått att Anna inte är till eller har kunskap för att svara på något annat än information som rör IKEA. För expert användare kan det vara bra om systemet känner igen användarens sökningar så systemet vet om användarens intressen för att lättare kunna hitta svara som passar till användarens tidigare historik. 2.3 Frågetyper Vad för typer av frågor som kan ställas till ett QA- system beror på vad för typ av svarstyper ett system kan ge. Det finns fakta svar, åsikts svar eller summerings svar. Frågor kan delas upp ja eller nej frågor, exempel finns det vatten på jorden? Ja! Eller v frågor som vad, vem, var. Exempel var ligger Kiruna? I norra Sverige. Kommanderings frågor är även det en fråga,exempel lista alla Sveriges Statsministrar. Sedan finns det även mer avancerade frågor som kräver mer avancerade mekanismer för att räkna ut ett svar (Burger, 2001) 2.4 Svarstyper Svar kan vara korta eller långa, de kan vara listade eller berättande. De varierar beroende på vilken typ av användning som ska avses och typ av användare. Det finns olika typer av metoder för att konstruera ett svar. De kan extraheras från dokumentet som sökningen går i genom att klippa och klistra ihop ett svar eller genom att genera ett svar. är svaret kommer från flera meningar eller dokument krävs det att sammanställningen reduceras genom genering så att sammanhanget i svaret faller på plats till en förstådd helhet.

6 2.5 Utvärdering För att veta om systemet fungerar väl krävs det att det utvärderas detta kan göra med olika matematiska formler som jag återkommer med senare. 2.6 Presentation av svaret För att svaret ska vara tillfredställande ska det vara av god grammatisk struktur. Det ska även visas upp på ett tydligt sätt så att användare förstår vad systemet menar med svaret. Mer om detta tar jag upp senare mer detaljerat. 3 QA- arkitekturen För ett QA-system ska fungera väl krävs det någon for av arkitektur över systemet. Denna modell visar på hur en arkitektur över hur ett QA system kan fungera (Hirshman, Gaizauskas, 2001). Först kommer jag beskriva i korta drag hur varje steg fungerar för att sedan återkomma mer detaljerat hur det fungerar. Det sex stegen är: 1. Analys av frågan Inputen från frågan kommer här analyseras för att kunna gå vidare. Frågan kan tolkas som i en kontext av en helhets dialog och efter historiken systemet har på användaren. Här kan systemet kräva att frågan förenklas eller klargörs för att systemet ska kunna gå vidare till nästa steg. 2. Förbehandling av dokumentsamling Om vi antar att systemet har tillgång till en stor samling av dokument så som en kunskapsbas för att svara på frågan kan det krävas att dokumentsamlingen behandlas så att den transformeras till en form som passar till att svara på en fråga i real tid. 3. Val av möjliga dokument Här väljs möjliga dokument i dokumentsamlingen till frågan. 4. Analys av valda möjliga dokument. Här analyseras de möjliga dokumenten mer detaljerat.

7 5. Svars extraktion Med hjälp av en lämplig representation av frågan och av varje möjligt dokument extraheras möjliga svar från dokumenten beroende på sannolikhet till rätt svar. 6. Svars genering Slutligen generas ett svar till användaren. Svaret kan variera beroende på dialogens kontext och användares historik, svaret kan sedan leda till att kontexten och användarhistoriken uppdateras.

8 3.1 Analys av frågan Inom detta steg ska frågan analyseras. Om det är antaget att frågan är av ett naturligt språklig karaktär kan det krävas att det fortfarande klargörs med olika medel. Det kan krävas att frågan begränsas så att systemet förstår den. Gränssnittet för QA-systemet på vissa sidor är designad så att man endast kan skriva i vissa typer av frågor så att det ska bli lättare för systemet att kunna tolka frågan. Förutom att bara ta hänsyn till själva frågan i sig när det kommer till text kan även systemet vara tvungen att tolka kontexten som frågan ställs i och ta till hänsyn till användarhistoriken. Outputen som kommer från detta steg kommer skapa en eller flera representationer av frågan som systemet tar med sig till nästa steg. Detta beroende för att systemet ska veta vad för typ av dokument den ska titta i för möjliga svar. De representationer som systemet väljer att tolka frågan som, kommer troligtvis inte vara tillräckligt för att kunna ta ut exakt rätt svarssträngar från de dokument som systemet tar ut. För att kunna göra det krävs det att en mer detaljerad analys av frågan som oftast består av två steg: 1. Identifiera semantiken som frågan innehåller (exempel om det är datum, en person eller ett företag etc.) 2. Bestämma ytterliga begränsningar i svarsenheten genom att tillexempel: (a) Identifiera nyckelord i frågan som sedan kan matchas för möjliga svarsmeningar. (b) Identifiera relationer, antingen genom att bedöma syntaxen eller semantiken. är man letar upp nyckelord kan det vara mer eller mindre svårt för systemet beroende på vad det är för typ av ord i meningen. Om det är var vet man att svaret ska ge en plats, när en tid eller vem en person. Problemet blir när frågan innehåller nyckelord som vad, vilket. Dessa exempel innehåller inte själva tillräckligt med semantisk information för att göra det lätt för systemet. Därför har somliga QA-system herakier på olika frågetyper baserat på vilken typ av svar som sökes och försöker sedan placerade frågan som användaren ställer till rätt kategori i herakin. är sedan de främsta nyckelorden har blivit identifierade i sin helhet är resterande del av analysen att plocka ut de sekundära nyckelorden och se om de också passar in på

9 helhetsbilden. är sedan nyckelorden har blivit uttagna kan de sedan morfologiskt analyseras så att systemet förstår frågan rätt genom att se så att grammatiken verkar lämplig. 3.2 Förbehandling av dokumentsamling För att system ska kunna svara på frågor i realtid kan det vara lämpligt att systemet förbehandlar sin dokumentsamling i offline läge för att snabbt kunna svara. Exempel på vad system gör för att förbehandla sin dokumentsamling är att ordklasstaggning, hitta namn och diskurser som korefererar till dessa och chunkar dvs. dela upp meningar och se hur ordklasser i meningarna står i relation till varandra. 3.3 Val av svars dokument För att välja ut möjliga dokument krävs det någon form att informationsutvinning av dessa dokument för att avgöra om de är rätt till frågan. För att kunna göra det behövs det någon typ av matematisk uträkning för att veta om ett dokument passar till frågan. Där använder man sig av I-system (information retrieval) för att kunna ta ut rätt dokument. Här kan man använda sig av de tre klassiska modellerna som är den Booleska, vektormodellen eller den probalistiska modellen. De använder sig av rankingalgoritmer för att bestämma vilka dokument som passar bäst till frågan eller meningen som användaren ställer. I modeller kan beskriva som ett objekt som består av komponenterna D, Q, F, (qi, dj), nedan beskriver jag vad varje komponent gör (Baeza-Yates & ibeiro-eto, 1999): (1) D är mängden av dokumentrepresentationer (2) Q är en mängd av representationer av användares informationsbehov. (3) F är ett ramverk för modellering av dokumentrepresentationer, informationsbehovet och deras relationer. (4) (qi, dj) är en rankningsfunktion som associerar ett reellt tal med informationsbehov qi i Q och en dokumentrepresentation dj i D Booleska Modellen Den Booleska modellen är uppbyggd kring termer och satslogik. är frågan ställs så analyserar I-modellen dokumentet med de booleska operatörerna AD,O och OT som den sedan rankar med hur många träffar den får i de dokument den söker i och ger dem en viss ranking. Problemet med denna modell att den är väldigt binär och simpel antingen är dokumentet relevant eller icke-relevant till sökningen. Dess fördel är just det att den är väldigt simpel och enkel.

10 3.3.2 Vektor Modellen I vektormodeller så representeras varje dokument och behovet som söks som en vektor. Denna modell är uppbyggd och baseras av algebra. För att kunna se likheten mellan fråga och dokument görs dessa om till vektor som sedan mäts mot varandra. Termerna i dokumentet och i frågan tilldelas numeriska vikter som ska spegla termernas betydelse. är man ska dela upp och tilldela vikter använder man sig av faktorerna tf factor och idf factor. Med tf factor mäter man hur många gånger en term uppkommer i ett dokument. Med idf factor får man fram resultatet av den inversa frekvensen av en term i de dokument man söker i. Detta för att på så sätt kunna skapa en bättre balans mellan hur viktigt det är att ett visst ord förekommer i en dokument samling och ord som inte förekommer så ofta men ändå är av större relevans till informationssökningen. Exempel att användaren frågar Vilken är Frankrikes huvudstad?, då kommer är få många utslag efter som det förekommer i många meningar medans Frankrikes kanske inte nämns så ofta men det kanske nämns väldigt mycket i ett dokument som handlar om just Frankrike. är ett visst dokument innehåller en term som man söker efter återvinns detta dokument och samlas tillsammans med andra dokument som också har just den här termen. Tillsammans återvinns de och samlas i en fallande ordning utifrån graden av likhet med den term av information man söker efter. är dokumenten är återvunna i sorteringen så vet därför systemet vart den ska titta nästa gång den letar efter en liknande term( Baeza- Yates & ibeiro-eto, 1999) Probabilistiska modellen Den probabilistiska modellen tar för givet en fråga q och dokument dj i dokumentsamlingen, genom att göra detta försöker modellen se sannolikheten om de dokument dj som den hittar passar bra till den information som söks. Modellen antar också att det finns en delmängd i samtliga dokument som fungerar som svarsmängd för frågan. Den svarsmängd som antas betecknas som och maximerar då sannolikheten för att svarsmängden är relevant till användaren. De dokument som placeras i räknas då som relevanta och de som placeras utanför som icke relevanta. Dokumenten rankordnas då efter sin relevans (Baeza- Yates & ibeiro-eto, 1999 ). 3.4 Analys av valda svarsdokument ästa steg i kedjan är att analysera de dokument som har tagits fram ännu mera. Detta kan ibland ej behöva göras ifall de tidigare redan har förbehandlats. Annars kommer de utvalda dokumenten bli scannade efter namnigenkänning så som namn, företag eller platser etc. I

11 detta steg kan även systemet försöka dela up meningar, ordklasstagga och chunka texter efter vilken grupp de tillhör. Detta för att lättare kunna finna semantiken och syntaxen i dokumenten och se om den stämmer överens med frågan. 3.5 Svars extraktion I detta steg matchas fråge- texten mot svars- texten för att kunna hitta vilka som passar och få fram några slutgiltiga kandidater som sedan rankas beroende på vilket dokument som passar bäst. Efter att frågan har bearbetas och analyserats så förstår nu förhoppningsvis systemet frågans semantik och försöker på så sätt hitta en delmängd i svarstexterna som har givits som förslag för att se om semantiken matchar ett svar som skulle passa till semantiken som finns i frågan. är ett antal svar har hittats som verkar lämpligt behövs det ytterliga begränsningar för att hitta det rätta svaret. Begränsningarna sätts beroende vilken typ av system som används. 3.6 Svars genering Här generas ett svar till användaren. Svaret kan variera beroende på dialogens kontext och användares historik, svaret kan sedan leda till att kontexten och användarhistoriken uppdateras. Det är viktigt att svaret är bra dvs. stämmer väl överens med grammatiken så att den blir bra förstådd av användaren och att det. Hirschman och Gaizauskas(2000) listar några punkter över vad som ska vara med i ett svar: elevans: svaret ska vara en respons på frågan Korrekt: svaret ska vara korrekt rent faktamässigt Konsist: svaret ska inte innehålla onödig information som inte behövs Komplett: svaret ska vara komplett Sammanhang: svaret ska vara sammanhängande så det är lätt att förstå Motivering: svaret ska innehålla tillräckligt med material så att läsare kan förstår motiveringen varför just detta svar valdes

12 4 Utvärdering av systemet Det vanligaste sättet för att utvärdera ett systems I är att använda sig av precision och recall(jurafsky, Martin, 2009). Dessa två begrepp kan beräknas genom att använda sig av två formler: Precison kan i detta fall förklaras med att står för antal relevanta dokument som systemet har givit och T står för det totala antalet dokument som har givits tillbaks. ecall kan förklaras med som står för antalet relevanta dokument som systemet har givit och U står för dokument som är relevanta till just denna efterfrågan. Problemet med det här är att det inte är tillräckligt för att mäta förmågan på ett system som rankar dokument som returneras. För att bestämma rankingen på ett systems relevans så behövs en matris som visar på hur de är rankande. För at kunna göra det krävs det att värdena manipuleras och beräknas på något sätt genom att använda andra metoder än bara ta precision och recall och ranka dokumenten efter det. De två metoder som man istället använder sig av för att ranka dokument och dess relevans går ut på att göra en graf där man sätter ut punkter på precision/recall och att ta medelvärdet av precision värdet på olika sätt.

13 ank Bedömning Precision ecall Om tabellen ovan studeras ser vi om ett dokument är relevant så förändras recall- värdet från gång till gång men om det inte är relevant så förändras det inte. är man tittar närmare på precision så ser man att det hoppar upp och ner mer oregelbundet. Den ökar när relevanta dokument hittas men hoppar oftare ner när den inte gör det. Ett sätt att hantera den här typen av data är att markera ut precision mot recall på en graf som är samlade ifrån ett set av informationsbehov. För att göra detta behövs det ett sätt som sätter ett medelvärde på recall och precision genom ett set av informationsbehov. Standarsättet att göra detta är att sätta ut medelvärdet av precision på 11 fasta nivåer av recall (från 0 till 100, i steg av tio). Men som vi ser i tabellen så är det inte ofta man har exakt jämna steg. Istället använder man sig av Interpolated Precision, som jag härefter kommer kalla för IP. Här används IP på de 11 recall värden vi har. Detta kan göras genom att välja det maximerade precision värdet vid varje uppskattad nivå av recall eller steget över den vi kalkylerar. Detta visas med formen:

14 Denna IP-form bidrar inte bara möjlighet att räkna ut genomsnitts resultat över viss uppsättning av informationsbehov, det innebär även att jämna ut oregelbundna precision värden som finns i datan. Så här ser vår data ut efter att den blivit utjämnad: IP ecall Genom att ta dessa värden får man fram en kurva och på sådant sätt kan man jämföra olika system och se hur bra systemet är på att ta fram information som är relevant. Kurvorna som bildas i en graf kan sedan jämföras med varandra från olika system för att hitta det system som är bäst.

15 5 Diskussion I och med att med starten av TEC 1992 så har informationsutvinning förbättrats explosionsartat. Genom att människor kan samlas och prova sina olika system så har det lett till en förbättrad förståelse över hur de fungerar. QA, som jag nämnde i början av min uppsats har varit del av TEC sedan år u har QA kommit en bit på vägen men tror att det finns otroligt mycket kvar att göra inom området. ästa steg för QA- system är att förstå själva användaren mycket bättre så att varje sökning blir än mer unik för varje användare i QA- systemet. Problemet som jag ser det här är att vi måste bestämma hur mycket vi är beredda att betala för att få fram information genom sådana system. För att systemet ska kunna känna igen dig och veta om dina beteende mönster så är din data tvungen att lagras på något sätt. Därför tror jag att QA:s begränsningar i framtiden kommer att sättas av människors vilja till kotroll av sin integritet än av teknik.

16 Källor: Baeza-Yates,. & ibiero-eto, (1999) Modern Information retrieval. ew York, ACM. Hirschman, L. & Gaizauskas,. (2001) atural Language Question Answering. The View from Here. atural Language Engineering (2001), 7:4: Cambridge University Press. Jurafsky,D & Martin H, J.(2009) Speech and Language Processing: An Introduction to atural Language Processing, Computational Lingguistics, and Speech ecognition. ew Jersey, Pearson Education Inc.

- ett statistiskt fråga-svarsystem

- ett statistiskt fråga-svarsystem - ett statistiskt fråga-svarsystem 2010-09-28 Artificiell intelligens II Linnea Wahlberg linwa713 1 Innehåll Introduktion... 1 Grundprinciper för asked!... 2 Retrieval model... 4 Filter model... 6 Komponenter...

Läs mer

Question answering system

Question answering system LINKÖPINGS UNIVERSITET Question answering system Artificiell Intelligens II Sammanfattning Detta arbete handlar om question answering (QA) system, om hur QA- system fungerar och hur de går till väga för

Läs mer

Introduktion till språkteknologi

Introduktion till språkteknologi Introduktion till språkteknologi OH-serie 9: informationshantering http://stp.lingfil.uu.se/~matsd/uv/uv08/ist/ Informationshantering Hjälpa en användare att söka efter dokument eller information i dokumentsamlingar.

Läs mer

Beräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692

Beräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692 Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...

Läs mer

Tentamen 2016-01-13. Marco Kuhlmann

Tentamen 2016-01-13. Marco Kuhlmann TDDD02 Språkteknologi för informationssökning (2015) Tentamen 2016-01-13 Marco Kuhlmann Denna tentamen består av 10 frågor. Frågorna 8 10 ligger på en högre kunskapsnivå än de övriga och kräver utförliga

Läs mer

Introduktion till frågespråket SQL (v0.91)

Introduktion till frågespråket SQL (v0.91) DD1370: Databaser och Informationssystem Hösten 2014 Petter Ögren Introduktion till frågespråket SQL (v0.91) 13:e November Disclaimer: Dessa anteckningar har producerats under viss tidspress, och kan därför

Läs mer

TDDD02 Föreläsning 6 HT-2013

TDDD02 Föreläsning 6 HT-2013 TDDD02 Föreläsning 6 HT-2013 QA: Frågebesvarande system Lars Ahrenberg Litteratur: Brill m.fl. An Analysis of the AskMSR QA system Översikt Definition och exempel Utvärdering Standardkomponenter i QA-system

Läs mer

TDDD02 Språkteknologi för informationssökning / Textsammanfattning. Marco Kuhlmann Institutionen för datavetenskap

TDDD02 Språkteknologi för informationssökning / Textsammanfattning. Marco Kuhlmann Institutionen för datavetenskap TDDD02 Språkteknologi för informationssökning / 2015 Textsammanfattning Marco Kuhlmann Institutionen för datavetenskap Textsammanfattning Textsammanfattning går ut på att extrahera den mest relevanta informationen

Läs mer

WEBBKLUSTRING SLUTRAPPORT

WEBBKLUSTRING SLUTRAPPORT Arne Jönsson 2014-01-09 WEBBKLUSTRING SLUTRAPPORT 1. Inledning Inom projektet har vi utvecklat teknik som gör det möjligt att identifiera webbsidors innehåll och därefter klustra (gruppera) dem så att

Läs mer

TDDD02 Föreläsning 7 HT-2013

TDDD02 Föreläsning 7 HT-2013 TDDD02 Föreläsning 7 HT-2013 Textsammanfattning Lars Ahrenberg Litt: Våge et al.170-185; Das & Martins, A Survey on Automatic Text Summarization sid 1-4, 11-14, 23-25. Översikt Textstruktur Problemet textsammanfattning

Läs mer

Tekniker för storskalig parsning

Tekniker för storskalig parsning Tekniker för storskalig parsning Grundläggande begrepp och metoder Joakim Nivre Uppsala Universitet Institutionen för lingvistik och filologi joakim.nivre@lingfil.uu.se Tekniker för storskalig parsning

Läs mer

Grundläggande textanalys. Joakim Nivre

Grundläggande textanalys. Joakim Nivre Grundläggande textanalys Joakim Nivre Om kursen Ni har hittills läst Lingvistik Datorteknik Matematik Språkteknologiska tillämpningar Nu ska vi börja med språkteknologi på allvar Hur gör man text hanterbar

Läs mer

Interaktionsdesign som profession. Föreläsning Del 2

Interaktionsdesign som profession. Föreläsning Del 2 Interaktionsdesign som profession Föreläsning Del 2 Vikten av att göra research Varför behöver vi göra research? En produkt blir aldrig bättre än den data som denna baseras på Men Vi har redan gjort en

Läs mer

Tekniker för storskalig parsning

Tekniker för storskalig parsning Tekniker för storskalig parsning Introduktion Joakim Nivre Uppsala Universitet Institutionen för lingvistik och filologi joakim.nivre@lingfil.uu.se Tekniker för storskalig parsning 1(18) Kursöversikt Kursnamn:

Läs mer

Astrakan Strategisk Utbildning AB 2011 1

Astrakan Strategisk Utbildning AB 2011 1 Målet med detta kapitel är att du skall kunna utvärdera ett agilt projekt och förstå hur man upptäcker vad som behöver förstärkas. Metoden som egentligen är ett verktyg kan användas på många sätt: att

Läs mer

Tummen upp! Matte Kartläggning åk 5

Tummen upp! Matte Kartläggning åk 5 Tryck.nr 47-11064-3 4711064_t_upp_ma_5_omsl.indd Alla sidor 2014-01-27 12.29 TUMMEN UPP! Ç I TUMMEN UPP! MATTE KARTLÄGGNING ÅK 5 finns övningar som är direkt kopplade till kunskapskraven i åk 6. Kunskapskraven

Läs mer

Structured Query Language (SQL)

Structured Query Language (SQL) Structured Query Language (SQL) Christer Stuxberg christer.stuxberg@im.uu.se Institutionen för Informatik och Media Översikt Introduktion Enkla frågor (queries) Hämta en specifik kolumn Sök Sammanfattning

Läs mer

Ontologier. Cassandra Svensson 2014-01-09

Ontologier. Cassandra Svensson 2014-01-09 Ontologier Cassandra Svensson 2014-01-09 Sammanfattning Jag har läst Annika Flycht-Ericssons avhandling Design and Use of Ontoligies in information-providing Dialogue Systems. Med Annikas text som utgångspunkt

Läs mer

Word sense disambiguation med Svenskt OrdNät

Word sense disambiguation med Svenskt OrdNät MAGISTERUPPSATS I BIBLIOTEKS- OCH INFORMATIONSVETENSKAP VID BIBLIOTEKS- OCH INFORMATIONSVETENSKAP/BIBLIOTEKSHÖGSKOLAN 2006:34 ISSN 1404-0891 Word sense disambiguation med Svenskt OrdNät JENS CHRISTIANSSON

Läs mer

Statistisk mönsterigenkänning

Statistisk mönsterigenkänning Statistisk mönsterigenkänning Jonas Sandström Artificiell intelligens II Linköpings universitet HT 2011 Innehållsförteckning 1. Innehållsförteckning sid 2 2. Inledning sid 3 3. Statistisk mönsterigenkänning

Läs mer

TDDB96 Projekt: Object priming med visuell stimuli

TDDB96 Projekt: Object priming med visuell stimuli TDDB96 Projekt: Object priming med visuell stimuli Daniel Johansson danjo133@student.liu.se Rickard Jonsson ricjo400@student.liu.se 1. Sammanfattning Vad vi ville komma fram till i denna studie var huruvida

Läs mer

Fuzzy Logic: Den oskarpa skarpheten

Fuzzy Logic: Den oskarpa skarpheten Fuzzy Logic: Den oskarpa skarpheten Av: 1 Innehåll Inledning... 3 Vad är Fuzzy Logic?... 4 Fuzzy sets... 4 Medlemsskapsfunktion... 5 Operatorer... 7 Union... 7 Snitt... 8 Komplement... 8 Exempel med de

Läs mer

Word- sense disambiguation

Word- sense disambiguation KTH Word- sense disambiguation Inlämningsuppgift - DD2418 - sprakt12 Mattias Uskali & Emilia Hillert 1/8/2013 Sammanfattning Denna rapport kommer att undersöka två metoder för word- sense disambiguation,

Läs mer

Kunskapsgraf. Fredrik Åkerberg j.f.akerberg@gmail.com. Tommy Kvant tommy.kvant@gmail.com. 1 Introduktion. 2 Relaterade projekt.

Kunskapsgraf. Fredrik Åkerberg j.f.akerberg@gmail.com. Tommy Kvant tommy.kvant@gmail.com. 1 Introduktion. 2 Relaterade projekt. Kunskapsgraf Fredrik Åkerberg j.f.akerberg@gmail.com Tommy Kvant tommy.kvant@gmail.com 1 Introduktion Målet med projektet var att undersöka huruvida DBpedia.org, kan användas för att besvara frågor på

Läs mer

Partiell parsning Parsning som sökning

Partiell parsning Parsning som sökning Språkteknologi: Parsning Parsning - definition Parsningsbegrepp Chartparsning Motivering Charten Earleys algoritm (top-down chartparsning) Partiell parsning (eng. chunking) med reguljära uttryck / automater

Läs mer

Utveckling av ett grafiskt användargränssnitt

Utveckling av ett grafiskt användargränssnitt Datavetenskap Opponenter: Daniel Melani och Therese Axelsson Respondenter: Christoffer Karlsson och Jonas Östlund Utveckling av ett grafiskt användargränssnitt Oppositionsrapport, C-nivå 2010-06-08 1 Sammanfattat

Läs mer

Koppling mellan styrdokumenten på naturvetenskapsprogrammet och sju programövergripande förmågor

Koppling mellan styrdokumenten på naturvetenskapsprogrammet och sju programövergripande förmågor Koppling mellan styrdokumenten på naturvetenskapsprogrammet och sju programövergripande förmågor Förmåga att Citat från examensmålen för NA-programmet Citat från kommentarerna till målen för gymnasiearbetet

Läs mer

Referenser i informationsåtervinning utvärdering av en sökstrategi för citationsindex

Referenser i informationsåtervinning utvärdering av en sökstrategi för citationsindex MAGISTERUPPSATS I BIBLIOTEKS- OCH INFORMATIONSVETENSKAP VID BIBLIOTEKS- OCH INFORMATIONSVETENSKAP/BIBLIOTEKSHÖGSKOLAN 2005:135 ISSN 1404-0891 Referenser i informationsåtervinning utvärdering av en sökstrategi

Läs mer

Riktlinjer för bedömning av examensarbeten

Riktlinjer för bedömning av examensarbeten Fastställda av Styrelsen för utbildning 2010-09-10 Dnr: 4603/10-300 Senast reviderade 2012-08-17 Riktlinjer för bedömning av Sedan 1 juli 2007 ska enligt högskoleförordningen samtliga yrkesutbildningar

Läs mer

Detta dokument innehåller anvisningar för upprättande av en sökplan i kursen TDDD39 Perspektiv på informationsteknologi.

Detta dokument innehåller anvisningar för upprättande av en sökplan i kursen TDDD39 Perspektiv på informationsteknologi. Sökplan TDDD39 Perspektiv på informationsteknologi Detta dokument innehåller anvisningar för upprättande av en sökplan i kursen TDDD39 Perspektiv på informationsteknologi. Anvisningar Sökplanen påbörjas

Läs mer

Pedagogiskt café. Problemlösning

Pedagogiskt café. Problemlösning Pedagogiskt café Problemlösning Vad är ett matematiskt problem? Skillnad mellan uppgift och problem - Uppgift är något som eleven träffat på tidigare, kan lösa med vanliga standardmetoder - Matematiskt

Läs mer

Grundläggande logik och modellteori

Grundläggande logik och modellteori Grundläggande logik och modellteori Kapitel 6: Binära beslutsdiagram (BDD) Henrik Björklund Umeå universitet 22. september, 2014 Binära beslutsdiagram Binära beslutsdiagram (Binary decision diagrams, BDDs)

Läs mer

Taltaggning. Rapport av Daniel Hasselrot 781105-0157, d98-dha@nada.kth.se 13 oktober 2003

Taltaggning. Rapport av Daniel Hasselrot 781105-0157, d98-dha@nada.kth.se 13 oktober 2003 Taltaggning av Daniel Hasselrot 781105-0157, d98-dha@nada.kth.se 13 oktober 2003 Sammanfattning Denna rapport är skriven i kursen Språkteknologi och behandlar taggning av årtal i en text. Metoden som används

Läs mer

Dagens lektion. Mina forskningsintressen. Min bakgrund. Information Retrieval. Varför IR & disambiguering

Dagens lektion. Mina forskningsintressen. Min bakgrund. Information Retrieval. Varför IR & disambiguering Information retrieval & ordbetydelsedisambiguering Leif Grönqvist (leifg@ling.gu.se) Växjö universitet (Matematiska och systemtekniska institutionen) GSLT (Sveriges nationella forskarskola i språkteknologi)

Läs mer

Föreläsning 6: Analys och tolkning från insamling till insikt

Föreläsning 6: Analys och tolkning från insamling till insikt Föreläsning 6: Analys och tolkning från insamling till insikt FSR: 1, 5, 6, 7 Rogers et al. Kapitel 8 Översikt Kvalitativ och kvantitativ analys Enkel kvantitativ analys Enkel kvalitativ analys Presentera

Läs mer

Arkitektur och Regelverk Definition av kodverk och klassifikation. Version 1.0

Arkitektur och Regelverk Definition av kodverk och klassifikation. Version 1.0 Arkitektur och Regelverk Definition av kodverk och klassifikation Version 1.0 Innehållsförteckning 1. Inledning... 3 2. Definitioner... 3 Referenser och underlag... 5 Revisionshistorik Version, datum Författare

Läs mer

Stina Nyman 2012-09-16

Stina Nyman 2012-09-16 LINKOPINGS UNIVERSITET, IDA SmartKom Hur systemet fungerar Stina Nyman 2012-09-16 stiny786 Artificiell intelligens II Sammanfattning Detta projekt kommer handla om SmartKom som är ett multimodalt dialogsystem

Läs mer

Språkteknologi vt09. Diskursmodellering. Diskursmodell: exempel. Koherensrelationer. Koreferens. Att bestämma koherensrelationer

Språkteknologi vt09. Diskursmodellering. Diskursmodell: exempel. Koherensrelationer. Koreferens. Att bestämma koherensrelationer Språkteknologi vt09 Diskursmodellering Diskursmodellering koherensrelationer anaforisk referens Informationsutvinning Mallar Delproblem Namnigenkänning Referensresolution Mallifyllning / Relationsigenkänning

Läs mer

Inlämningsuppgift : Finn. 2D1418 Språkteknologi. Christoffer Sabel E-post: csabel@kth.se 1

Inlämningsuppgift : Finn. 2D1418 Språkteknologi. Christoffer Sabel E-post: csabel@kth.se 1 Inlämningsuppgift : Finn 2D1418 Språkteknologi Christoffer Sabel E-post: csabel@kth.se 1 1. Inledning...3 2. Teori...3 2.1 Termdokumentmatrisen...3 2.2 Finn...4 3. Implementation...4 3.1 Databasen...4

Läs mer

Föreläsning 5: Grafer Del 1

Föreläsning 5: Grafer Del 1 2D1458, Problemlösning och programmering under press Föreläsning 5: Grafer Del 1 Datum: 2006-10-02 Skribent(er): Henrik Sjögren, Patrik Glas Föreläsare: Gunnar Kreitz Den här föreläsningen var den första

Läs mer

Föreläsning 9: NP-fullständighet

Föreläsning 9: NP-fullständighet Föreläsning 9: NP-fullständighet Olika typer av problem: 1. Beslutsproblem: A(x) =Ja. 2. Optimeringsproblem: A(x) =m Vanligen max/min. 3. Konstruktionsproblem: A(x) =En struktur. Vanligen lösningen till

Läs mer

Här är två korta exempel på situationer då vi tillämpar den distributiva lagen:

Här är två korta exempel på situationer då vi tillämpar den distributiva lagen: Modul: Algebra Del 8: Avslutande reflektion och utvärdering Distributiva lagen Cecilia Kilhamn, Göteborgs Universitet Distributiva lagen a (b + c) = a b + a c Den distributiva lagen kallas den räknelag

Läs mer

2012-01-12 FÖRSLAG TILL KURSPLAN INOM KOMMUNAL VUXENUTBILDNING GRUNDLÄGGANDE NIVÅ

2012-01-12 FÖRSLAG TILL KURSPLAN INOM KOMMUNAL VUXENUTBILDNING GRUNDLÄGGANDE NIVÅ Matematik, 600 verksamhetspoäng Ämnet handlar bland annat om mängder, tal och geometriska figurer. Matematiken har en flertusenårig historia med bidrag från många kulturer. Den utvecklas såväl ur praktiska

Läs mer

PROGRAMMERING. Ämnets syfte. Kurser i ämnet

PROGRAMMERING. Ämnets syfte. Kurser i ämnet PROGRAMMERING Ämnet programmering behandlar programmeringens roll i informationstekniska sammanhang som datorsimulering, animerad grafik, praktisk datoriserad problemlösning och användaranpassad konfiguration

Läs mer

Riskanalys fo r kritiska IT-system - metodbeskrivning

Riskanalys fo r kritiska IT-system - metodbeskrivning Riskanalys fo r kritiska IT-system - metodbeskrivning Kim Weyns, kim.weyns@gmail.com 2013-08-22 Martin Höst, martin.höst@cs.lth.se Inledning Denna rapport innehåller en metodbeskrivning för en riskanalysmetod

Läs mer

Varför är logik viktig för datavetare?

Varför är logik viktig för datavetare? Varför är logik viktig för datavetare? 1. Datavetenskap handlar ofta om att automatisera processer som tidigare styrts av människor. Intuition, intelligens och mänskliga resonemang ersätts av beräkningar.

Läs mer

Kursplan för Matematik

Kursplan för Matematik Sida 1 av 5 Kursplan för Matematik Inrättad 2000-07 SKOLFS: 2000:135 Ämnets syfte och roll i utbildningen Grundskolan har till uppgift att hos eleven utveckla sådana kunskaper i matematik som behövs för

Läs mer

Teoretisk lingvistik och datalingvistik. Robin Cooper

Teoretisk lingvistik och datalingvistik. Robin Cooper Teoretisk lingvistik och datalingvistik Robin Cooper Syftet med dagens föreläsning Sammanfattning av lingvistisk teori och datalingvistik/språkteknologi Diskussion av teorins roll i olika språkteknologiska

Läs mer

Linköpings universitet

Linköpings universitet 2016-08-24 Vad är kognition? tt ta in, lagra och bearbeta information: Kognitionsvetenskaplig introduktionskurs Perception Information tas in och flödar genom begränsade informationskanaler Föreläsning

Läs mer

Omvärldsbevakning. Sammanfattning av Business Intelligence-kursen. Nyhetsarkiv och källork. Hämta webbnyheter. Modeller över texter

Omvärldsbevakning. Sammanfattning av Business Intelligence-kursen. Nyhetsarkiv och källork. Hämta webbnyheter. Modeller över texter Sammanfattning av Business Intelligence-kursen Hercules Dalianis DSV-SU-KTH e-post:hercules@kth.se Omvärldsbevakning Påverkan från omvärlden Påverka omvärlden Tidigare långsam spridning papperstidningar,

Läs mer

1. (3p) Inom MDI-området framhåller man att människor lär sig via metaforer. Hur menar man att detta går till?

1. (3p) Inom MDI-området framhåller man att människor lär sig via metaforer. Hur menar man att detta går till? 1. (3p) Inom MDI-området framhåller man att människor lär sig via metaforer. Hur menar man att detta går till? Att lära sig via metaforer innebär att man drar nytta av kunskap som användaren redan har,

Läs mer

Kurskod: GRNMAT2 Verksamhetspoäng: 600

Kurskod: GRNMAT2 Verksamhetspoäng: 600 Kurs: Matematik Kurskod: GRNMAT2 Verksamhetspoäng: 600 lust att utforska matematiken som sådan. Matematisk verksamhet är till sin lad till den samhälleliga, sociala och tekniska utvecklingen. Kunskaper

Läs mer

Föreläsning 5: Analys och tolkning från insamling till insikt. Rogers et al. Kapitel 8

Föreläsning 5: Analys och tolkning från insamling till insikt. Rogers et al. Kapitel 8 Föreläsning 5: Analys och tolkning från insamling till insikt Rogers et al. Kapitel 8 Översikt Kvalitativ och kvantitativ analys Enkel kvantitativ analys Enkel kvalitativ analys Presentera resultat: noggrann

Läs mer

Objektorienterad analys och design

Objektorienterad analys och design Objektorienterad analys och design Objektorienterad analys och design 1 Dagens föreläsning Första delen, innan rasten: Motivation och bakgrund Analys Funktioner Andra delen, efter rasten: Objektorienterade

Läs mer

Matematisk Modellering

Matematisk Modellering Matematisk Modellering Föreläsning 1 Anders Heyden Matematikcentrum Lunds Universitet Matematisk Modellering p.1/37 Denna föreläsning (läsvecka 1) Vad handlar kursen om, mål, kurskrav, ide. Matematisk

Läs mer

Ett projektarbete i svenska, teknik och engelska, riktat mot DICE. Thoren Innovation School HT2012.

Ett projektarbete i svenska, teknik och engelska, riktat mot DICE. Thoren Innovation School HT2012. PROJEKT: DICE Ett projektarbete i svenska, teknik och engelska, riktat mot DICE. Thoren Innovation School HT2012. UPPDRAG Uppgiften är att arbeta med den första delen av teknikutvecklingsprocessen d.v.s.

Läs mer

Syfte. Malmö stad Komvux Malmö Södervärn PRÖVNING. prövning grundläggande matematik

Syfte. Malmö stad Komvux Malmö Södervärn PRÖVNING. prövning grundläggande matematik prövning grundläggande matematik Malmö stad Komvux Malmö Södervärn PRÖVNING Kurs: Matematik Kurskod: GRNMAT2 Verksamhetspoäng: 600 Matematiken har en flertusenårig historia med bidrag från många kulturer.

Läs mer

TENTAMEN: Design och konstruktion av grafiska gränssnitt DAT215/TIG091

TENTAMEN: Design och konstruktion av grafiska gränssnitt DAT215/TIG091 TENTAMEN: Design och konstruktion av grafiska gränssnitt DAT215/TIG091 DAG: 5 mars, 2012 TID: 8.30 12.30 SAL: Hörsalsvägen Ansvarig: Olof Torgersson, tel. 772 54 06. Institutionen för tillämpad informationsteknologi.

Läs mer

Queryexpansion med böjningsvarianter och uppbrytning av sammansättningar

Queryexpansion med böjningsvarianter och uppbrytning av sammansättningar MAGISTERUPPSATS I BIBLIOTEKS- OCH INFORMATIONSVETENSKAP VID BIBLIOTEKS- OCH INFORMATIONSVETENSKAP/BIBLIOTEKSHÖGSKOLAN 2005:76 ISSN 1404-0891 Queryexpansion med böjningsvarianter och uppbrytning av sammansättningar

Läs mer

Inledning...3. Kravgränser...21. Provsammanställning...22

Inledning...3. Kravgränser...21. Provsammanställning...22 Innehåll Inledning...3 Bedömningsanvisningar...3 Allmänna bedömningsanvisningar...3 Bedömningsanvisningar Del I...4 Bedömningsanvisningar Del II...5 Bedömningsanvisningar uppgift 11 (Max 5/6)...12 Kravgränser...21

Läs mer

Dialogue Technologies April 2005

Dialogue Technologies April 2005 Dialogue Technologies April 2005 En typisk självbetjäningstjänst för web ser ut enligt följande En inledande text för att användaren skall förstå tjänsten En aktuell lista med de 10 vanligast frågorna

Läs mer

1 Föreläsning Implikationer, om och endast om

1 Föreläsning Implikationer, om och endast om 1 Föreläsning 1 Temat för dagen, och för dessa anteckningar, är att introducera lite matematisk terminologi och notation, vissa grundkoncept som kommer att vara genomgående i kursen. I grundskolan presenteras

Läs mer

Tummen upp! Matte Kartläggning åk 4

Tummen upp! Matte Kartläggning åk 4 Tryck.nr 47-11063-6 4711063_Omsl_T_Upp_Matte_4.indd Alla sidor 2014-01-27 07.32 TUMMEN UPP! Ç I TUMMEN UPP! MATTE KARTLÄGGNING ÅK 4 finns övningar som är direkt kopplade till kunskapskraven i åk 6. Kunskapskraven

Läs mer

Vinjetter TDDC91 Datastrukturer och algoritmer

Vinjetter TDDC91 Datastrukturer och algoritmer Vinjetter TDDC91 Datastrukturer och algoritmer 17 augusti 2015 2 Scenario 1 Man har inom Posten Logistik AB skrivit programvara för sortering av kundinformation och vill standardisera användningen av sorteringsalgoritmer.

Läs mer

Teknikprogrammet (TE)

Teknikprogrammet (TE) Teknikprogrammet (TE) Teknikprogrammet (TE) ska utveckla elevernas kunskaper om och färdigheter i teknik och teknisk utveckling. Efter examen från programmet ska eleverna ha kunskaper för högskolestudier

Läs mer

Fil: /home/lah/undervisning/sprakteknologi/ohbilder/oh1_kv.odp. Tjänster

Fil: /home/lah/undervisning/sprakteknologi/ohbilder/oh1_kv.odp. Tjänster Taligenkänning 729G17/729G66 Språkteknologi 1 Vad är språkteknologi? Vad är språkteknologi? Kursens mål och uppläggning Att analysera textdata Korpusar och korpusarbete Textanalys med reguljära uttryck

Läs mer

PMM (Process Maturity Metrics) Allmänt. Mätetal för framgångsfaktorer. 1. CM konfigurationsstyrning

PMM (Process Maturity Metrics) Allmänt. Mätetal för framgångsfaktorer. 1. CM konfigurationsstyrning PMM (Process Maturity Metrics) PMM är en metod för att mäta processmognad i utvecklingsprojekt. I korthet går metoden ut på att man utvärderar sin utvecklingsprocess med avseende på ett antal framgångsfaktorer

Läs mer

Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4

Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4 Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 014-015 Denna lektion ska vi studera rekursion. Lektion 4 Principen om induktion Principen om induktion är ett vanligt sätt att bevisa

Läs mer

KONSTEN ATT FÖRSTÅ EN LEDTRÅD

KONSTEN ATT FÖRSTÅ EN LEDTRÅD KONSTEN ATT FÖRSTÅ EN LEDTRÅD Hur IBM Watson analyserar och förstår frågor i Jeopardy! DEN 10 JANUARI 2014 FRIDA ENGSLÄTT 729G43 Sammanfattning Den här rapporten beskriver hur IBM Watson, en intelligent

Läs mer

Föreläsning 2: Datainsamling - Observation, enkät, intervju. Att läsa: Kapitel 7 i Rogers et al.: Interaction design

Föreläsning 2: Datainsamling - Observation, enkät, intervju. Att läsa: Kapitel 7 i Rogers et al.: Interaction design Föreläsning 2: Datainsamling - Observation, enkät, intervju Att läsa: Kapitel 7 i Rogers et al.: Interaction design Stjärnmodellen Analys Utvärdering Implementation Prototyper Krav Design 100326 Datainsamling

Läs mer

Automatisk tesauruskonstruktion med latent semantisk indexering

Automatisk tesauruskonstruktion med latent semantisk indexering MAGISTERUPPSATS I BIBLIOTEKS- OCH INFORMATIONSVETENSKAP VID BIBLIOTEKS- OCH INFORMATIONSVETENSKAP/BIBLIOTEKSHÖGSKOLAN 2005:40 ISSN 1404-0891 Automatisk tesauruskonstruktion med latent semantisk indexering

Läs mer

PROGRAMMERING. Ämnets syfte. Kurser i ämnet

PROGRAMMERING. Ämnets syfte. Kurser i ämnet PROGRAMMERING Ämnet programmering behandlar programmeringens roll i informationstekniska sammanhang som datorsimulering, animerad grafik, praktisk datoriserad problemlösning och användaranpassad konfiguration

Läs mer

Centralt innehåll årskurs 7-9

Centralt innehåll årskurs 7-9 SVENSKA Språk är människans främsta redskap för att tänka, kommunicera och lära. Genom språket utvecklar människor sin identitet, uttrycker känslor och tankar och förstår hur andra känner och tänker. Att

Läs mer

Väl godkänt (VG) Godkänt (G) Icke Godkänt (IG) Betyg

Väl godkänt (VG) Godkänt (G) Icke Godkänt (IG) Betyg Betygskriterier Examensuppsats 30 hp. Betygskriterier Tregradig betygsskala används med betygen icke godkänd (IG), godkänd (G) och väl godkänd (VG). VG - Lärandemål har uppfyllts i mycket hög utsträckning

Läs mer

Spel som interaktiva berättelser

Spel som interaktiva berättelser Spel som interaktiva berättelser Finns många typer av interaktivt berättande; ska titta närmare på spel eftersom de exemplifierar en rad aspekter av interaktivt berättande väldigt tydligt. Kan förstå spel

Läs mer

Kursplanen i matematik 2011 - grundskolan

Kursplanen i matematik 2011 - grundskolan Kursplanen i matematik 2011 - grundskolan MATEMATIK Matematiken har en flertusenårig historia med bidrag från många kulturer. Den utvecklas såväl ur praktiska behov som ur människans nyfikenhet och lust

Läs mer

Slumpförsök för åk 1-3

Slumpförsök för åk 1-3 Modul: Sannolikhet och statistik Del 3: Att utmana elevers resonemang om slump Slumpförsök för åk 1-3 Cecilia Kilhamn, Göteborgs Universitet Andreas Eckert, Linnéuniversitetet I följande text beskrivs

Läs mer

Föreläsningsanteckningar F6

Föreläsningsanteckningar F6 Föreläsningsanteckningar F6 Martin Andersson & Patrik Falkman Kortaste vägen mellan en nod och alla andra noder Detta problem innebär att givet en graf G = (E,V) hitta den kortaste vägen över E från en

Läs mer

En komparativ litteraturstudie av olika termkällor för query expansion

En komparativ litteraturstudie av olika termkällor för query expansion MAGISTERUPPSATS I BIBLIOTEKS- OCH INFORMATIONSVETENSKAP VID BIBLIOTEKS- OCH INFORMATIONSVETENSKAP/BIBLIOTEKSHÖGSKOLAN 2005:80 ISSN 1404-0891 En komparativ litteraturstudie av olika termkällor för query

Läs mer

Introduktion Schenker-BTL AB, Stab IT Beskrivning över informationsintegreringmed Schenker, metodbeskrivning version 1.

Introduktion Schenker-BTL AB, Stab IT Beskrivning över informationsintegreringmed Schenker, metodbeskrivning version 1. Schenker har interna system som handhar information som är av intresse för våra kunder/partners. Idag finns ett flertal av dem tillgängliga via Internet, sk Online-tjänster. Dessa erbjuder inte bara hämtning

Läs mer

729G11 Artificiell Intelligens Marcus Johansson Marjo581. Fuzzy logic. Marcus Johansson Marjo581

729G11 Artificiell Intelligens Marcus Johansson Marjo581. Fuzzy logic. Marcus Johansson Marjo581 Fuzzy logic 880328-2535 Innehåll Fuzzy logic... 1 1. Inledning... 4 2. Jämförelse mellan fuzzy logic och tvåvärdeslogik.... 4 3. Fuzzy sets.... 4 4. Linvistiska variabler... 5 5. Operatorer... 5 6. If-

Läs mer

Innehåll. Mina målsättningar. Vad krävs för att nå dit? Obligatoriska uppgifter. Websajten. Datastrukturer och algoritmer

Innehåll. Mina målsättningar. Vad krävs för att nå dit? Obligatoriska uppgifter. Websajten. Datastrukturer och algoritmer Innehåll Datastrukturer och algoritmer Föreläsning 1! Introduktion och begrepp Kurspresentation! - Målsättning! - Kursutvärdering! - Upplägg! - Översikt! Viktiga begrepp "1 "2 Mina målsättningar Alla ska

Läs mer

Perspektiv på kunskap

Perspektiv på kunskap Perspektiv på kunskap Alt. 1. Kunskap är något objektivt, som kan fastställas oberoende av den som söker. Alt. 2. Kunskap är relativ och subjektiv. Vad som betraktas som kunskap är beroende av sammanhanget

Läs mer

Vad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar

Vad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar 1 Agenda Vad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar 2 Nuvarande AI Funktioner en grov Analogi Rekommendation,

Läs mer

Tala, skriva och samtala

Tala, skriva och samtala Tal och skrift Presentationer, instruktioner, meddelanden, berättelser och beskrivningar Engelska åk 4-6 - Centralt innehåll Språkliga strategier Förstå och göra sig förstådd, delta och bidra till samtal

Läs mer

MODELLEN. Dokumentation Individ Struktur - Kunskap. Copyright Hockeyfabriken talangutveckling med ambition

MODELLEN. Dokumentation Individ Struktur - Kunskap. Copyright Hockeyfabriken talangutveckling med ambition DISK MODELLEN Dokumentation Individ Struktur - Kunskap 1 Hockeyfabriken - Talangutveckling med ambition INNEHÅLL DISK - Komponenterna Vad blir slutprodukten? Hur dokumenterar vi i ett enkelt verktyg? Hur

Läs mer

Produkten ska vara enkel att förstå och använda. Viktigt är att produkten kan förvaras på ett säkert och praktiskt sätt.

Produkten ska vara enkel att förstå och använda. Viktigt är att produkten kan förvaras på ett säkert och praktiskt sätt. Inlämning steg 2 2.1 Beställaren vill lansera produkten som effektiv, praktisk, miljövänlig och framför allt ergonomisk. En analys av produktens livscykel har gjort. Livscykeln har delats in i olika steg

Läs mer

3/30/12. Föreläsning 2: Datainsamling - Observation, enkät, intervju. Stjärnmodellen. Översikt. Analys. Prototyper Krav. Design

3/30/12. Föreläsning 2: Datainsamling - Observation, enkät, intervju. Stjärnmodellen. Översikt. Analys. Prototyper Krav. Design Föreläsning 2: Datainsamling - Observation, enkät, intervju Att läsa: Kapitel 7 i Rogers et al.: Interaction design Stjärnmodellen Analys Utvärdering Implementation Prototyper Krav Design 100326 Datainsamling

Läs mer

Finns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?

Finns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning? När vi nu lärt oss olika sätt att karaktärisera en fördelning av mätvärden, kan vi börja fundera över vad vi förväntar oss t ex för fördelningen av mätdata när vi mätte längden av en parkeringsficka. Finns

Läs mer

Linköpings universitet

Linköpings universitet 2014-09-08 Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 5 Integrationsutmaningen Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga

Läs mer

Signalbehandling Röstigenkänning

Signalbehandling Röstigenkänning L A B O R A T I O N S R A P P O R T Kurs: Klass: Datum: I ämnet Signalbehandling ISI019 Enk3 011211 Signalbehandling Röstigenkänning Jonas Lindström Martin Bergström INSTITUTIONEN I SKELLEFTEÅ Sida: 1

Läs mer

Akademiska söktjänster - En jämförande studie av Google Scholar, MEDLINE och Web of Science

Akademiska söktjänster - En jämförande studie av Google Scholar, MEDLINE och Web of Science KANDIDATUPPSATS I BIBLIOTEKS- OCH INFORMATIONSVETENSKAP VID INSTITUTIONEN BIBLIOTEKS- OCH INFORMATIONSVETENSKAP/BIBLIOTEKSHÖGSKOLAN 2012:32 Akademiska söktjänster - En jämförande studie av Google Scholar,

Läs mer

Föreläsningsanteckningar, Introduktion till datavetenskap HT S4 Datastrukturer. Tobias Wrigstad

Föreläsningsanteckningar, Introduktion till datavetenskap HT S4 Datastrukturer. Tobias Wrigstad 1 Datatyper Tobias Wrigstad Det finns flera olika typer av (slags) data Olika datatyper har olika egenskaper. T.ex. är ett personnummer inte ett tal. (Den sista siffran skall stämma enligt den s.k. Luhnalgoritmen

Läs mer

Lokal pedagogisk planering i matematik för årskurs 9

Lokal pedagogisk planering i matematik för årskurs 9 Lokal pedagogisk planering i matematik för årskurs 9 Arbetsområde 4. Samband och förändring Syfte formulera och lösa problem med hjälp av matematik samt värdera valda strategier och metoder. reflektera

Läs mer

P R O J E K T : D I C E

P R O J E K T : D I C E P R O J E K T : D I C E Ett projektarbete i svenska, entreprenörskap och engelska, riktat mot DICE. Thoren Innovation School HT2013. UPPDRAG Uppgiften är att arbeta med den första delen av utvecklingsprocessen

Läs mer

PRÖVNINGSANVISNINGAR

PRÖVNINGSANVISNINGAR Prövning i Matematik 4 PRÖVNINGSANVISNINGAR Kurskod MATMAT04 Gymnasiepoäng 100 Läromedel Valfri aktuell lärobok för kurs Matematik 4 Skriftligt prov (4h) Muntligt prov Bifogas Provet består av två delar.

Läs mer

Informationssökning och -utvinning. Informationssökning och informationsutvinning. [IR & IE] Introduktion (1) [IR & IE] Introduktion (2)

Informationssökning och -utvinning. Informationssökning och informationsutvinning. [IR & IE] Introduktion (1) [IR & IE] Introduktion (2) Informationssökning och -utvinning Informationssökning och informationsutvinning Kristina Nilsson, kristina.nilsson@ling.su.se 2006-11-06: MOTIST, UU 1. Informationssökning (Information Retrieval, IR)

Läs mer

THFR41 - Teknisk kommunikation på franska del II

THFR41 - Teknisk kommunikation på franska del II 1 ( 6) THFR41 - Teknisk kommunikation på franska del II Sändlista Kurskod Examinator Mathias Henningsson Miguel Giménez Johan Holtström THFR41 Miguel Giménez Kursen gavs Årskurs 2 Termin Period 2 Kursens

Läs mer

Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl

Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl 1 Matematiska Institutionen KTH Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel är tillåtna

Läs mer

1 Mätdata och statistik

1 Mätdata och statistik Matematikcentrum Matematik NF Mätdata och statistik Betrakta frågeställningen Hur mycket väger en nyfödd bebis?. Frågan verkar naturlig, men samtidigt mycket svår att besvara. För att ge ett fullständigt

Läs mer