Glossar für Onlinemarketing, eCommerce & Webdesign

A B C D E F G H I J K L M N O P Q R S T U V W Z

Tag

Das Tag ist ein Eigenschaftswert eines technischen Attributs. Tagging bezeichnet die Kategorisierung und Auszeichnung eines Datenbestandes mit zusätzlichen Informationen. Tags können zur Verschlagwortung von Webseiten verwendet werden. Der Mehrwert des Einsatzes von Tags besteht in einer schematischen Nutzung von Schlagworten als Kategorien zu Themen oder Produktgruppen innerhalb einer Website. Jedes Tag repräsentiert mit seinem Keyword als Schlüsselbegriff eine Kategorie dem eine Webseite inhaltlich entspricht. Tags helfen somit methodisch dem Aufbau von Metainformationen die helfen Inhalte von Webseiten logisch zu strukturieren.


Tag Cloud

Eine Schlagwortwolke – engl.: tag cloud – (auch Wortwolke, Schlagwortmatrix oder Stichwortwolke; selten Etikettenwolke) ist die Visualisierung von Keywords. Eine Liste aus Schlagworten wird entweder in alphabetischer Sortierung oder in zufälliger Reihenfolge flächig angezeigt. Durch unterschiedliche Gewichtung in der Verwendungshäufigkeit einzelner Begriffe in Form von Größe, Schriftgrad, oder Formatierung (Fettdruck oder Farbe) können einzelne Begriffe für die Wahrnehmung hervorgehoben werden. Tagclouds werden oft auf Startseiten in der Form einer rotierenden, dynamisch generierten Begriffswolke eingesetzt. Einem bestimmten Begriff lassen sich inhaltlich passende Produkte oder Zielseiten zuordnen.


Tagging

Tagging bezeichnet die Kategorisierung und Auszeichnung eines Datenbestandes mit zusätzlichen Informationen. Tagging dient in Form der Verschlagwortung einer Website dazu diese logisch zu strukturieren. Im Contentmarketing lässt sich Tagging gezielt dazu nutzen um Webseiten thematisch zu klassifizieren. Der Mehrwert des Tagging besteht in einer schematischen Nutzung von Schlagworten als Kategorien zu Themen oder Produktgruppen innerhalb einer Website. Jedes Tag repräsentiert mit seinem Keyword als Schlüsselbegriff eine Kategorie dem eine Webseite inhaltlich entspricht. Tagging ist somit eine Methode zum Aufbau von Metainformationen die helfen Inhalte von Webseiten zu strukturieren. Jetzt lesen: Onpage SEO – Wie Sie Daten für Ihre Website optimieren! 


Targeting

Targeting ermöglicht eine genaue Zielgruppenansprache im Onlinemarketing. Wichtigste Voraussetzung dafür ist die Zielgruppendefinition im Vorfeld einer jeden Online-Werbekampagne. Mit modernen Web-Technologien ist es realisierbar, Onlinekampagnen zielgruppengenau zu steuern. Hierfür stehen dem Werbetreibenden zahlreiche Techniken der Zielgruppeneingrenzung zur Verfügung. Thematisch eng abgestimmte und passgenaue Zielgruppenansprachen bieten somit höchst effektive Werbemöglichkeiten. Siehe auch Semantisches Targeting.


Teaser

Ein Teaser (oder Anrisstext) ist im Onlinemarketing – ursprünglich in der Werbe- und Journalismussprache – ein kurzes Text- oder Bildelement, das zum Weiterlesen, -hören, -sehen, -klicken verleiten soll. Im Onlinemarketing ist ein guter Teaser-Text, der den Besucher zum weiterlesen verführt deshalb unverzichtbar!


Template

Ein Template ist – in Gestalt einer Schablone – eine Designvorlage. Für das Webdesign von Onlineshops und Websites werden Templates angeboten die bereits ein vollständiges Grunddesign umfassen. Solche Template-Designs bieten jedoch vom Prinzip her in keinem Fall ein einzigartiges und unverkennbares Webdesign ab. Andererseits bieten gute Templates oft eine solide Basis auf der ein individualisiertes Design definiert werden kann. Für Webdesign gilt: Mit einem Template lässt sich sowohl eine Webseite als auch ein Onlineshop mit Inhalt füllen. Allerdings ist ein Design bekanntermaßen nie gleichbedeutend mit der Funktion. Dies bedeutet, dass ein Template niemals kundenindividuelle Anforderungen in einem Web-Projekt berücksichtigen kann. Ein Template wird schon gar nicht ihr individuelles Corporate Design wiedergeben können. Im Fall eines Webshops beispielsweise bestimmt allein die Art und der Umfang eines Produkt-Sortiments bereits darüber in welcher Darstellungsform die Präsentation erfolgt. Für einen Onlineshop muss ein Design immer projekt spezifische Anforderungen berücksichtigen. Darum richten Webdesigner ein Webdesign nach in der Praxis bewährten Gestaltungsrichtlinien aus. Dazu gilt es natürlich die spezifischen Anforderung des Kunden zu berücksichtigen. Jetzt lesen: 10 Fakten über gutes Webdesign!


Template Pattern

Was ist ein Template Pattern?

Das Template Pattern – auch Template Method Pattern – ist ein verhaltensorientiertes Entwurfsmuster für Softwaredesign.

Template Pattern - Softwaredesign auf Basis eines Frameworks

Template Pattern – Softwaredesign auf Basis eines Frameworks: Template Method Pattern eignen sich ideal zur Framwork-Konstruktion. Spezialisierte Unterklassen enthalten angepasste Funktionen und übernehmen die eigentliche Programmausführung, während abstrakte Klassen allgemeine Programmprinzipien definieren.

Wann kommen Template Method Pattern zur Anwendung?

Wenn mehrere Unterklassen eines Programms demselben Ablauf folgen oder denselben Algorithmus nutzen, aber sich geringfügig in ihren Spezifikationen unterscheiden bietet sich die Nutzung des Template-Method-Pattern an.

  • gemeinsame Schritte sollten nicht in Unterklassen dupliziert werden

Im Grund entsprechen Templatedesign einem Anwendungs-Framework, das eine Basisanwendung und Dokumenten-Klassen bereitstellt.

Beispiele für die Anwendung des Template Pattern

  • Öffnen, lesen, schreiben und schließen von Dateien / Dokumenten unterschiedlichen Typs

Die Oberklasse ist dafür verantwortlich für Dokumente zu öffnen, losgelöst von deren Dateiformat- Somit stellen die spezialisierten Objektklassen die erforderlichen Informationen bereit um spezielle Dateiformate zu öffnen und zu bearbeiten.

  • Ausführung einer Test-Suite mit unterschiedlichen Testszenarien
  • Primär wird dieses Programmierkonzept für Frameworks genutzt
    • Das Framework implementiert Invarianten des Algorithmus
    • Die Client-Modifikation beinhaltet die spezialisierte Variante des Algorithmus

Template-Pattern folgen dem Grundprinzip: „Don’t call us (Framework), we’ll call you (Client).“

Wie funktionieren Template Pattern?

  1. Definiere das Grundgerüst eines Algorithmus oder Programms in einer abstrakten Klasse.
  2. Verschiebe einige Schritte in Unterklassen und definiere eine abstrakte Vorlagenmethode.
  3. In jeder Unterklasse definiere abweichende Schritte neu.
  4. So kannst Du zentral einen Algorithmus pflegen, ohne die Struktur des Programms zu ändern.

Das Templatedesign nutzt Vererbung um Teile eines Algorithmus oder Programmablaufs zu modifizieren. Während Strategy Pattern das Programmierkonzept der Delegation nutzen um den gesamten Algorithmus auszutauschen, verändern Templateentwurfsmuster lediglich die relevanten Codefragemente.

Abstrakte Methoden sind die Vorlage für angepasste Algorithmen

Eine abstrakte Vorlagenmethode definiert einen Algorithmus. Eine abstrakte Unterklasse bildet die Grundlage zur Definition spezialisierter Programmfunktionen. Jede Unterklasse definiert damit ein bestimmtes, abweichendes Programmverhalten.

Template-Methoden enthalten spezialisierte Funktionen

Durch die Definition von Teilschritte eines Algorithmus mit abstrakten Operationen, fordert die Template-Methode die konkreten Unterklassen mit ihren spezialisierten Funktionen an. Die eigentliche Bearbeitung und Programmausführung findet hingegen in den Unterklassen statt. Jede Unterklasse variiert die Bearbeitungsschritte, um der angeforderten Spezifikation zu entsprechen.

Templatedesign für zukunftsorientierte Softwareanwendungen

Schließlich ist das Templatedesign ein musterbasiertes Modell für zukunftsorientierte Softwareanwendungen. Gerade moderne Webapplikationen eignen sich ideal zur Nutzung templatebasierter Entwurfsmuster und gewährleisten somit eine agile Entwicklung von Software. Dementsprechend bietet cleveres Softwaredesign handfeste Vorteile für langfristige Investitionen in digitale Lösungen.

Jetzt lesen: Digitale Transformation – Wie Digitalisierungsprojekte gelingen!


Tensor

Was ist ein Tensor?

Ein Tensor ist die primäre Datenstruktur, die TensorFlow für die Berechnung von berechneten Computergraphen (computational graphs) verwendet. Auch andere Frameworks wie TFLearn setzen auf diesem Ansatz auf.

Warum der Tensor in Data Science und Machine Learning von besonderem Interesse ist:

Für Data Science sind Tensoren im Bereich des Machine Learning von besonderem Interesse. Tensoren lassen sich als Variablen deklarieren und sind somit als Platzhalter innerhalb eines TensorFlow-Programms zur Berechnung komplexer Programme nützlich. Grundsätzlich lässt sich jedes Problem in einer mathematischen Definition formulieren und somit vom Computer berechnen.

Besonders geeignet sind Tensoren zur Auswertung großer Datenmengen (Big Data). Deshalb ist es wichtig zu verstehen wie solche Tensoren aufgebaut sind.

In der Mathematik ist ein Tensor ein Objekt der linearen Algebra. Insbesondere in der Differentialgeometrie – einem Spezialgebiet das Analysis und Geometrie vereint kommen Tensoren zum Einsatz.

Was ist die Stufe oder der Rang eines Tensors?

Die Stufe eines Tensors oder auch Tensorstufe bezeichnet die Anzahl der Indizies eines Tensors. Tensoren unterscheiden sich von Stufe zu Stufe durch ihr Matrixtransformationsverhalten.

Tensoren haben Indizes. Die Anzahl der Indizes gibt den Rang oder die Stufe des Tensors an.

Die Besonderheit von Tensorgleichungen ist, dass sie transformations-invariant sind. Wenn es gelingt, einen Sachverhalt in Tensorschreibweise zu formulieren, so gelten aufgrund grundlegender mathematischer Regeln und eben diesen Transformationseigenschaften von Tensoren diese Gleichungen in jedem beliebigen Koordinatensystem eines n-dimensionalen Raums. Was für uns schwer vorstellbar scheint, ist für den Computer mithilfe eines Tensorflow-Frameworks leicht berechenbar.

Tensoren der Stufe 0: Sklarare

Der einfachste Tensor ist ein Tensor mit Rang 0. Hierbei handelt es sich um einen Skalar (Zahlen). Skalare haben keine Komponenten, sondern bestehen lediglich aus einen einzelnen Wert. Solche Tensoren der Stufe 0  und benötigen keinen Index und haben folglich den Rang 0.

Tensoren der Stufe 1: Vektoren

Ein Tensor mit nur einem Index werden auch als Vektor bezeichnet. Jeder Vektor ist ein Tensor mit dem Rang 1 und somit als Pfeil im Vektorraum darstellbar. Der Index hat so viele Werte, wie die Dimension des Vektors. Bei einem 3-dimensionalen Vektor hat der Index demzufolge 3 Werte (z.B: 1, 2, 3) und der Vektor 3 Komponenten hat: V = (V1, V2, V3).

Tensoren der Stufe 2: Matrizen

Ein Tensor ist ein mathematisches Objekt aus der linearen Algebra, das besonders im Bereich der Differentialgeometrie Anwendung findet (Tensordefinition). Der Begriff wurde ursprünglich in der Physik eingeführt und erst später mathematisch präzisiert.

Wenn wir einen Tensor erstellen und ihn als Variable deklarieren, erstellt TensorFlow mehrere Graphen Strukturen in unserem Berechnungsgraphen.

Warum Data-Science & KI-Technologien unverzichtbar sind:

Einer der Hauptgründe dafür, dass die Data Science an Bedeutung gewonnen hat, ist die rasante Beschleunigung des Wachstum massiv großer Datensätze. Demzufolge bietet Big Data ein enormes Potenzial um neue Informationen und Wissen aus diesen Daten zu gewinnen.

Das Extrahieren der Informationen ist jedoch nicht einfach. Das Problem liegt in den meisten Fällen im Ursprung der Daten. Vielfach werden Daten in Unternehmen nicht spezifisch für ein bestimmtes Interesse oder in einem strukturierten Gesamtdesign gesammelt, sondern zusammenhanglos erhoben. Damit jedoch bleibt der Großteil wertvoller Informationen verborgen und ungenutzt. Deshalb ist es unerlässlich ein solides Datenkonzept zu erarbeiten und die digitale Wertschöpfungskette darauf aufzubauen.

Wünschen Sie ein rundum erfahrenes Team und durchdachte Lösungen für Ihr Unternehmen und Ihre Kunden? Wir bringen die digitale Transformation in Ihrem Unternehmen zum Erfolg und sparen Ihnen durch unsere Expertise langwieriges und vor allem kostspieliges Experimentieren.

Jetzt unverbindlich anfragen: Unsere Experten unterstützen Sie beim Erfolg Ihres Projekts!


TensorFlow

Was ist TensorFlow?

TensorFlow ist eine Open-Source-Softwarebibliothek zur numerischen Berechnung. Möglich wird die leistungsstarke Analyse durch die computergestützte Nutzung von Datenflussgraphen.

Wie funktioniert Tensor-Flow?

Knoten in einem solchen Graphen repräsentieren mathematische Operationen dar, während die Graphenkanten die mehrdimensionalen Datenarrays (Tensor) darstellen, die zwischen den Knoten kommunizieren.

Die flexible Softwarearchitektur ermöglicht mit einer einzigen API hochperformante Berechnungen, egal ob dafür nur eine einzige oder mehrere CPUs oder GPUs zur Verfügung stehen. Dabei unterstützt das TensorFlow-Framework sowohl Desktop-PCs, Server und mobile Geräte.

TensorFlow wurde ursprünglich von Forschern und Ingenieuren innerhalb des Google Brain Team entwickelt. Diese Google-Forschungsabteilung arbeitet an Machine Intelligence um maschinelles Lernen und Forschung zu tiefen neuronalen Netzen zu betreiben.

In welchen Bereichen kommt TensorFlow zum Einsatz?

Die TensorFlow-Softwarebibliothek eignet sich jedoch für eine Vielzahl anderer Anwendungsbereiche in Industrie, Wirtschaft, im Finanzsektor oder in der Medizin. Dass heißt, praktisch kann jeder – entsprechendes Fachwissen vorausgesetzt – die intelligenten Temsor-Flow-Technologien nutzen.

Tensor-Flow als etablierter Standard für Künstliche Intelligenz

Somit hat sich TensorFlow innerhalb kürzester Zeit zu einem bewährten Standard etabliert um Forscher, Ingenieure und Softwareentwickler in der Entwicklung innovativer und leistungsstarker Softwareanwendungen zu unterstützen. Die Bandbreite der TensorFlow-Anwendungen reicht dabei von der Sprachübersetzung bis zur Früherkennung von Hautkrebs und zur Vorbeugung von Blindheit bei Diabetikern.

Anwendungsbeispiele für die TensorFlow-Technologie

Mit Google Translate steht ein maschineller Übersetzungsdienst zur Verfügung der mit einer Phrasen-basierten Machinenübersetzung einen Schlüsselalgorithmus der TensorFlow-Technologie für diese Softwareanwendung nutzt.

Neuronale Netzwerk für maschinelle Übersetzung

Mit jedem Tag machen softwarebasierte Technologien gewaltige Fortschritte um die maschinelle Intelligenz weiter zu steigern. Damit verbessern sich Spracherkennungsdienste und computerbasierte Bilderkennungsfähigkeiten rasant.

Viele intelligente Google-Dienste basieren auf der Tensor-Technologie

Im Produktivbetrieb sind TensorFlow-Lösungen derzeit in Form weiterer Google-Produkte mit Spracherkennung wie Gmail oder Bildidentifikationsmechnanismen wie Google Bilder.

Erfolgsfaktor Smart Data

Die korrekte Identikation von Informationen ist längst zum Erfolgsfaktor geworden. Aus diesem Grund kommen auch in der google-Suche und im Kartendienst google maps Tensor-Flow-Komponenten zum Einsatz.

TensorFlow bietet verschiedenste Operationen, die bei der Klassifizierung von Objekten helfen. Solche Bewertungsoperationen sind nützlich um Informationen sinnvoll zu strukturieren und die Leistung eines Netzwerks zu messen und zu bewerten. Die KI von TensorFlow wird fortlaufend analysiert und optimiert.

Wie funktioniert Bilderkennung mit Tensor-Flow-Mechanismen?

TensorFlow bietet leistungsstarke Mechanismen zur Bilderkennung. Spezialisierte Operationen zum Dekodieren und Kodieren von JPEG- und PNG-Formaten bereiten Bilddaten zur Analyse auf. Dabei werden encodierte Bilder durch skalare Strings, sogenannte Tensors dargestellt, decodierte Bilder durch 3-D uint8 Tensoren der Form [Höhe, Breite, Kanäle]. Wie dies im Detail funktioniert ist hier erläutert.

Warum Data-Science & KI-Technologien unverzichtbar sind:

Einer der Hauptgründe dafür, dass die Data Science an Bedeutung gewonnen hat, ist die rasante Beschleunigung des Wachstum massiv großer Datensätze. Demzufolge bietet Big Data ein enormes Potenzial um neue Informationen und Wissen aus diesen Daten zu gewinnen.

Das Extrahieren der Informationen ist jedoch nicht einfach. Das Problem liegt in den meisten Fällen im Ursprung der Daten. Vielfach werden Daten in Unternehmen nicht spezifisch für ein bestimmtes Interesse oder in einem strukturierten Gesamtdesign gesammelt, sondern zusammenhanglos erhoben. Damit jedoch bleibt der Großteil wertvoller Informationen verborgen und ungenutzt. Deshalb ist es unerlässlich ein solides Datenkonzept zu erarbeiten und die digitale Wertschöpfungskette darauf aufzubauen.

Suchen Sie ein rundum erfahrenes Team und durchdachte Lösungen für Ihr Unternehmen und Ihre Kunden? Wir bringen die digitale Transformation in Ihrem Unternehmen zum Erfolg und sparen Ihnen durch unsere Expertise langwieriges und vor allem kostspieliges Experimentieren.

Jetzt unverbindlich anfragen: Unsere Experten unterstützen Sie beim Erfolg Ihres Projekts!

 


TFlearn

Was ist TFLearn?

TFlearn ist eine modulare und transparente Deep-Learning-Bibliothek, die auf Tensorflow aufbaut. Dabei wurde TF-Learn entwickelt, um TensorFlow eine übergeordnete API zur Verfügung zu stellen, damit der Einstieg in Softwareprojekt auf Tensorflowbasis schneller umsetzbar sind.

Was sind die Vorteile von TF-Learn?

TF-Learn vereinfacht und beschleunigt Data Science Projekte und bleibt dabei zu 100 Prozent kompatibel zum Tensorflow-Framework. Zudem ist TF-Learn ebenso wie das Tensorflowprojekt selbst vollständig transparent gestaltet und bestens dokumentiert. Die komplette API-Dokumentation von TFLearn findest Du hier.

Das sind die TF-Learn Features:

  • Einfach zu bedienende und verständliche High-Level-API
  • Schnellste Implementierung tiefer neuronaler Netzwerke
  • Umfangreiche Tutorial und zahlreiche Beispiele
  • Schnelles Prototyping
  • Hochmodulare integrierte neuronale Netzwerkschichten, Regularisierer, Optimierer, Metriken und vieles mehr…
  • Volle Transparenz über Tensorflow.
  • Alle Funktionen sind über Tensoren aufgebaut und können unabhängig von TFLearn verwendet werden.
  • Leistungsstarke Hilfsfunktionen zum Trainieren eines TensorFlow-Graphen mit Unterstützung mehrerer Eingänge, Ausgänge und Optimierer.
  • Einfache und schöne Graph-Visualisierung, mit Details zu Gewichten, Gradienten, Aktivierungen und mehr …
  • Schnellste Geräteeinbindung zur Verwendung mehrerer CPUs und GPUs.

Warum Data-Science & KI-Technologien unverzichtbar sind:

Einer der Hauptgründe dafür, dass die Data Science an Bedeutung gewonnen hat, ist die rasante Beschleunigung des Wachstum massiv großer Datensätze. Demzufolge bietet Big Data ein enormes Potenzial um neue Informationen und Wissen aus diesen Daten zu gewinnen.

Das Extrahieren der Informationen ist jedoch nicht einfach. Das Problem liegt in den meisten Fällen im Ursprung der Daten. Vielfach werden Daten in Unternehmen nicht spezifisch für ein bestimmtes Interesse oder in einem strukturierten Gesamtdesign gesammelt, sondern zusammenhanglos erhoben. Damit jedoch bleibt der Großteil wertvoller Informationen verborgen und ungenutzt. Deshalb ist es unerlässlich ein solides Datenkonzept zu erarbeiten und die digitale Wertschöpfungskette darauf aufzubauen.

Suchen Sie ein rundum erfahrenes Team und durchdachte Lösungen für Ihr Unternehmen und Ihre Kunden? Wir bringen die digitale Transformation in Ihrem Unternehmen zum Erfolg und sparen Ihnen durch unsere Expertise langwieriges und vor allem kostspieliges Experimentieren.

Jetzt unverbindlich anfragen: Unsere Experten unterstützen Sie beim Erfolg Ihres Projekts!


« Ältere Einträge |