APOSDLE – Eine neue Art zu Arbeiten, Lernen und Kommunizieren
Kontakt: Stefanie Lindstaedt, slind[at]know-center.at
Kurzbeschreibung:
Effektives lebenslanges Lernen ist ein essentieller Wettbewerbsfaktor innerhalb unserer Wissensgesellschaft. Das EU Projekt APOSDLE wird die Produktivität von Wissensarbeitern erhöhen, indem Lernsituationen direkt innerhalb der computerbasierten Arbeitsumgebungen unterstützt werden.
Ein kurzer Film verdeutlicht den Ansatz, und ein Storyboard beschreibt wie APOSDLE verwendet werden kann.
Der Film steht neben der Webversion auch in hoher Auflösung in folgenden Formaten zum Download bereit:
- Download High Definition MPG-Video in English
- Download High Definition MPG-Video in German
- PAL DVD compressed als ZIP-File
Wir empfehlen zum Abspielen den VLC-Player, den Sie kostenlos unter http://www.videolan.org/vlc/ herunterladen können.
Domain Modeling Tool
Kontakt: Viktoria Pammer, vpammer[at]know-center.at
Kurzbeschreibung:
Erstellen Sie basierend auf Ihren Dokumenten eine Ontologie, und annotieren Sie Ihre Dokumente mit Konzepten aus einer Ontologie.
Das Domain Modeling Tool unterstützt Sie durch Methoden wie Termextraktion, Dokument-Clustering und automatische Dokument-Klassifikation.
eLearning Check
Kurzbeschreibung:
Sind Sie bereit für eLearning?
Diese Checkliste ist als Teil eines Forschungsprojekts entstanden, das im Jahr 2004 vom Know-Center Graz in Kooperation mit seinen Industriepartnern durchgeführt wurde. Die Checkliste soll Unternehmen dabei helfen zu erkunden, wie eLearning im Rahmen ihrer betrieblichen Weiterbildung Nutzen stiften kann und welche Voraussetzungen und Rahmenbedingungen dafür gegeben sein müssen. Die Checkliste hilft somit, Chancen und Risiken einer Umsetzung aufzudecken.
Fuzzy K-Means and K-Means Clustering Demo
Kurzbeschreibung: (Nähere Details sind derzeit nur auf Englisch verfügbar)
Two demos showing K-Means Clustering, HAC and Fuzzy K-Means Clustering in 1D and 2D. The demos are written in Java and source is included.
Cluster Demos
This page contains 2 clustering demos:
Simply follow the links to see a screenshot with a short explanation for each of the 2 demos.
For running the demos it is required that you have installed Java Web Start on your computer.
K-Means Demo
This simple application demonstrates the k-means algorithm. It can be very useful for generating nice illustrations as you can create test scenarios using drag&drop and repeat the clustering process with different starting positions for the cluster centroids. There are basically two modes of operation.
In the first mode, you initialize the system with data, the application creates clusters of data which are generated using a normal (gaussian) distribution (you can select the standard deviation). In the second mode of operation, the k-means algorithm performs step-by-step the association of each data point to an appropriate cluster and displays the result. Additionally a voronoi diagram is drawn to have a better clue about the cluster seperations.
Instructions:
- Adjust the sliders to fit your needs (Number of node per cluster, Number of clusters)
- Press the init button, the application generates M clusters with each having N nodes (using the slider values)Now you can move the clusters around by dragging the red boxesYou can also add new cluster by just clicking into the view canvas
- After you are satisfied with your test setup, press the start buttonNow the points are fixed and the initial centroids are drawnThe centroids can also be moved with simple drag&drop
- When you have finished to setup the initial centroid position you can press either step or runWhen pressing step, the algorithm performs one single stepPressing run has the effect, that the application runs until the algorithm converges (max. 20 iterations)
- Pressing reset causes the test setup to be reset to the state before pressing start
Download and Start Application here.
Fuzzy K-Means Demo
This application demonstrates the fuzzy k-means algorithm with a 1-dimensional test setup. Like the k-means demo, you can change the test setup using drag&drop for both, data points and cluster centroids. Also the modes of operation stay the same as before. First initialize the demo with data, change the data to fit your needs, and finally let the algorithm do the work. Additionally to drawing the data points and cluster centroids, also the membership function is drawn, to get a clue how it has an effect of clustering results.
Instructions:
- Adjust the sliders to fit your needs (Number of points, Number of clusters)
- Press the init button, the application generates N points and M centroids (using the slider values)Now you can move the data points around by dragging them,the centroids can also be moved with simple drag&drop
- After you are satisfied with your test setup, press the start buttonNow the points are fixed and the initial membership function is drawn
- When you have finished to setup the initial centroid position you can press either step or runWhen pressing step, the algorithm performs one single stepPressing run has the effect, that the application runs until the algorithm converges (max. 20 iterations),max membership change is used as convergence criteria, and is checked against your accuracy setting.
- Pressing reset causes the test setup to be reset to the state before pressing start.
Download and Start Application here.
HAC Demo
This application demonstrates the hac algorithm with a 2-dimensional test setup. It is quite similar to the other 2 demo applications as you can tune your test setup using the appropriate slider (number of nodes) and simply drag&drop the points. Additionally there is a second view integrated, it will display the dendrogram of the clusters detected by the hac algorithm. There are 3 different algorithms implemented, Single-Link, Complete-Link and Average-Link. When the algorithm is working (e.g. in step mode) it is also possible to measure distances between the data points. Simply move your mouse over a data point, and depending on the selected linkage method the distance to the other clusters is calculated and displayed.
Instructions:
- Adjust the slider to fit your needs (Number of points)
- Press the init button, the application generates N pointsNow you can move the data points around by dragging them,you can also add additionally data points by just clicking into the view
- After you are satisfied with your test setup, press the start buttonNow the points are fixed and the initial dendrogram is drawn
- Now you can press either step or runWhen pressing step, the algorithm performs one single stepPressing run has the effect, that the application runs until only one top cluster is left
- While the algorithm is running, you can measure distances between the several clustersby simply moving the mouse over the data points.
- Pressing reset causes the test setup to be reset to the state before pressing start
Download and Start Application here.
Download Source:
Clusterdemos.src 57,53 kB
InfoSky Demo
Kurzbeschreibung: (Nähere Details sind derzeit nur auf Englisch verfügbar)
Download the InfoSky Demo for visualising the DMOZ computers hierarchy with over 100.000 documents and 10.000 classes. This demo is based on a file system variant of InfoSky, also allowing to build and visualise own hierarchies.
Demo Version (Windows Installer)here (~80 mb)
Video: InfoSkyVideo.exe
iScan
Kurzbeschreibung:
Ermitteln Sie in nur 10 Minuten die Innovationskraft Ihres Unternehmens und vergleichen Sie sich mit den Besten.
Link: http://www.iscan.at
MATURE – Tagging Screencast
Kontakt: Barbara Kump, bkump[at]know-center.at
Kurzbeschreibung:
MATURE ist ein großes “Integrated Project”, das zum Teil unter dem Framework 7 der Europäischen Union gefördert wird. Zwölf europaweit führende Forschungs- und Entwicklungseinrichtungen aus fünf europäischen Ländern arbeiten gemeinsam auf dem Gebiet „Technology Enhanced Learning (TEL)”. Das Know-Center nimmt an diesem Projekt als assoziierter Partner teil. Das Knowledge Management Institute der Technischen Universität Graz (TUG) ist als “full partner“ involviert.
Ziel von MATURE ist den Reifeprozess besser zu verstehen und Werkzeuge zu erschaffen, die Reifebarrieren reduzieren können. Ergebnisse von MATURE sollen seineine empirische Analyse von Reife-Praktiken in realistischen Umgebungen, die in ein umfassendes konzeptionelles Modell des Wissensreifeprozess überführt werden soll und in Werkzeuge, die Reifebarrieren verhindern sollen (speziell hinsichtlich motivationaler und sozialer Faktoren) ein „Personal Learning and Maturing Environment (PLME)“, das in das Arbeitsumfeld eingebettet ist und es Personen möglich macht, sich in Reifeaktivitäten zu engagierenein „Organisational Learning and Maturing Environment (OLME)“, das es Organisationen möglich macht, Community Aktivitäten zu analysieren und zu verstehen, Innovationsprozesse zu fördern und nachhaltig wirken zu lassenwieder verwendbare “Maturing-Services”, die Förderungen, Nachhaltigkeit und Bewusstseinsbildung hinsichtlich relevanter Aktivitäten unterstützen sollen. MATURE nutzt eine “Participatory Design” Methode, die Organisationen innerhalb wie außerhalb des Konsortiums in einen iterativen Entwicklungsprozess involviert.
Screencast zum Projekt: MATURE_D1_tagging_short
Wir empfehlen zum Abspielen den VLC-Player, den Sie kostenlos unter http://www.videolan.org/vlc/ herunterladen können.
Mehr Informationen finden Sie auch auf der offiziellen MATURE Webseite.
Neurovation
Kurzbeschreibung:
Der Film stellt das Projekt Neurovation vor, in dem eine informationstechnisch unterstützte Kreativitätsmethode zum Einsatz am Arbeitsplatz entwickelt wurde.
Neurovation_Film 10,1 MB
Publikation zum Projekt: Reinhard Willfort, Klaus Tochtermann, Aljoscha Neubauer (Hrsg.)” Creativity@Work für Wissensarbeit”
(ISBN: 978-3-8322-6028-6)
Sasu (Tag Recommender für Bilder)
Kontakt: Viktoria Pammer, vpammer[at]know-center.at
Kurzbeschreibung:
Stellen Sie sich vor, Sie laden ein Bild auf Flickr hoch, und bekommen automatisch Vorschläge für Tags, sowie Beispiele wie ähnliche Bilder beschlagwortet worden sind. Unser Forschungsprototyp tagr schlägt auf Basis von vorhandenen Tags, Information über den Benutzer sowie einer Analyse des Bildes neue Tags für ein Bild vor.
Dazu verwendet der tagr einen Ursprungsdatensatz der Flickr-Gruppe fruit & veg. Daher funktionieren die meisten features am Besten mit Bildern die Obst und Gemüse zeigen.
Demo-Video (Shockwave Player wird benötigt, dieser kann hier heruntergeladen werden)
Lindstaedt Stefanie, Pammer Viktoria, Mörzinger Roland, Kern Roman, Mülner Helmut and Wagner Claudia
Recommending tags for pictures based on text, visual content and user context
