Formulierungshilfen für Forschungsdatenzentren zum Thema Nutzungsbedingungen.
Pegelow, L., Neuendorf, C., Daniel, A., & Buck, D. (2020).
Formulierungshilfen für Forschungsdatenzentren zum Thema Nutzungsbedingungen.
Berlin; RatSWD Working Paper Series 271. https://doi.org/10.17620/02671.53
|
Das Öffnen und Teilen von Daten qualitativer Forschung: eine Handreichung.
Steinhardt, I., Fischer, C., Heimstädt, M., Hirsbrunner, S. D., İkiz-Akıncı, D., Kressin, L., ... & Wünsche, H. (2020).
Das Öffnen und Teilen von Daten qualitativer Forschung: eine Handreichung.
Weizenbaum Series, 6. Berlin: Weizenbaum Institute for the Networked Society - The German Internet Institute. https://doi.org/10.34669/wi.ws/6
|
Wissenschaft und Familie.
Be¨irović, A., Sembritzki, T., Thiele. L., & İkiz-Akıncı, D. (2019).
Wissenschaft und Familie.
Daten- und Methodenbericht zur qualitativen Erhebung der DZHW-Studie WiNbus 2015. Version 1.0.1. Hannover: fdz.DZHW.
|
Leistungsbewertung in Berufungsverfahren. Traditionswandel in der akademischen Personalselektion.
Kleimann, B., İkiz-Akıncı, D., & Hückstädt, M. (2019).
Leistungsbewertung in Berufungsverfahren. Traditionswandel in der akademischen Personalselektion.
Daten- und Methodenbericht zur qualitativen Erhebung der DZHW-Studie LiBerTas 2016. Version 1.0.0. Hannover: fdz.DZHW.
|
17. Sozialerhebung.
Middendorff, E., & Hoffstätter, U. (2019).
17. Sozialerhebung.
Daten- und Methodenbericht zur Studierendenbefragung 2003 (Version 1.0.0). Hannover: fdz.DZHW.
|
18. Sozialerhebung.
Middendorff, E., & Hoffstätter, U. (2019).
18. Sozialerhebung.
Daten und Methodenbericht zur Studierendenbefragung 2006 (Version 1.0.0). Hannover: fdz.DZHW.
|
beeinträchtigt studieren – best2.
Birkelbach, R. (2019).
beeinträchtigt studieren – best2.
Daten- und Methodenbericht zur Studierendenbefragung 2016/17 (Version 1.0.0). Hannover: fdz.DZHW.
|
Entwicklung und Betrieb eines Metadatenmanagementsystems für Forschungsdaten aus dem Bereich der Hochschul- und Wissenschaftsforschung - Lessons Learned.
Stephan, K., & Reitmann, R. (2019).
Entwicklung und Betrieb eines Metadatenmanagementsystems für Forschungsdaten aus dem Bereich der Hochschul- und Wissenschaftsforschung - Lessons Learned.
In B. Mittermaier (Hrsg.), Forschungsdaten sammeln, sichern, strukturieren. 8. Konferenz der Zentralbibliothek, Forschungszentrum Jülich, 4.-6. Juni 2019. Proceedingsband (S. 39-55). Jülich: Forschungszentrum Jülich Gmbh, Zentralbibliothek.
ISBN 978-3-95806-405-8
|
Hinweise zur Codierung fehlender Werte in der Aufbereitung quantitativer Daten. Version 1.0.
Verbund Forschungsdaten Bildung (Hrsg.) (2019).
Hinweise zur Codierung fehlender Werte in der Aufbereitung quantitativer Daten. Version 1.0.
fdbinfo Nr. 6.
|
DZHW-Absolventenpanel 2005.
Baillet, F., Franken, A., Weber, A. (2019).
DZHW-Absolventenpanel 2005.
Daten-und Methodenbericht zu den Erhebungen der Absolvent(inn)enkohorte 2005 (1., 2. und 3. Befragungswelle) (Version 2.0.0). Hannover: fdz.DZHW.
|
21. Sozialerhebung.
Becker, K., Baillet, F., & Weber, A. (2018).
21. Sozialerhebung.
Daten- und Methodenbericht zu der Erhebung der wirtschaftlichen und sozialen Lage der Studierenden 2016. Daten- und Methodenbericht (Version 1.0.0). Hannover: fdz.DZHW.
|
A Fast Algorithm Based on Apriori Algorithms to Explore the Set of Repetitive Items of Large Transaction Data.
Ghofrani, J., Mohseni M., & Bozorgmehr, A. (2018).
A Fast Algorithm Based on Apriori Algorithms to Explore the Set of Repetitive Items of Large Transaction Data.
ICCDA 2018 Proceedings of the 2nd International Conference on Compute and Data Analysis, 13-19. https://doi.org/10.1145/3193077.3193089
Abstract
Parallel data mining is utilized to improve the performance of analyzing large databases within a reasonable time frame. Exploring associative rules is an important task in data mining with various practical applications that can be used to explore knowledge in the form of a set of repetitive items or associative rules. Parallel algorithms divide the data superficially and then using different distribution approach, like data distribution, candidate and numerical candidate distribution, extract the set of repetitive items, and ultimately explore strong association laws. In this paper, a parallel algorithm is proposed to explore the collection of repetitive items from big and dense transaction databases.
|
DZHW-Promoviertenpanel 2014.
Brandt, G., de Vogel, S., Jaksztat, S., Teichmann, C., Lange, K., Scheller, P., Vietgen, S. (2018).
DZHW-Promoviertenpanel 2014.
Methoden- und Datenbericht (Version 2.0.0). Hannover: fdz.DZHW.
|
A conceptual framework for clone detection using machine learning.
Ghofrani, J., Mohseni M., & Bozorgmehr, A. (2018).
A conceptual framework for clone detection using machine learning.
2017 IEEE 4th International Conference on Knowledge-Based Engineering and Innovation (KBEI). http://dx.doi.org/10.1109/KBEI.2017.8324908
Abstract
Code clones can happen in any software project. One of the challenges is that, code clones come in various forms which makes them hard to detect using standard templates. Due to this variety in structure and form of semantically similar clones, machine learning techniques are required to detect them. Recently in many domains, e.g., natural language processing, deep neural networks drew a lot of attention due to their accuracy. In this paper, we exploit the results of some convolutional neural networks for code summarization to find the code clones. We use the generated descriptions for two code snippets as a metric to measure the similarities between them. We propose a vector similarity measure to calculate a similarity indicator between th
|
DZHW Graduate Panel 2009.
Baillet, F., Franken, A., & Weber, A. (2017).
DZHW Graduate Panel 2009.
Methoden- und Datenbericht. Hannover: fdz.DZHW.
|
