Uporaba globokih konvolucijskih nevronskih mrež na jezikovnih problemih
| Autor: | Pušnik, Žiga |
|---|---|
| Přispěvatelé: | Robnik Šikonja, Marko |
| Jazyk: | slovinština |
| Rok vydání: | 2015 |
| Předmět: |
clasification accuracy
gradientni spust klasifikator neural network text corpus clasificator nevron attribute momentum clasification konvolucijska nevronska mreža klasifikacijska točnost lema besedilo konvolucija jezikovni korpus atribut convolution krn natural language processing clasification model gradient descent vejica language stemm obdelava naravnega jezika nevron konvolucija nevronska mreža klasifikacijski model jezik klasifikacija vzratno širjenje napake neuron strojno učenje moment convolutional neural netvork lemma machine learning comma text backpropagation |
| Popis: | Cilj diplomske naloge je preizkusiti učenje jezikovnih problemov s pomočjo globokih konvolucijskih nevronskih mrež. Konvolucijske nevronske mreže so bile razvite predvsem za področje umetnega zaznavanja in delujejo na podlagi konvolucije. Naučili smo jih, da so na podlagi kratkega povzetka besedila napovedale razred, h kateremu spada. Drugi problem, ki smo ga reševali je postavljanje vejic v slovenskem jeziku. Konvolucijsko nevronsko mrežo smo sprogramirali s programskim jezikom python. Uporabili smo knjižnjico Theano. Izhajali smo iz že obstoječih raziskav. Opišemo način, kako smo obdelali podatkovne množice, da so primerne za naš model. Opravili smo več poskusov. Primerjali smo lematizacijo in krnjenje ter predstavitev besedila z vektorizacijo in predstavitev z bitnim poljem. Zadovoljive rezultate smo dobili, če smo besedilo kvantizirali, kjer smo črke vektorizirali z 1 do m kodiranjem. Naši rezultati pri postavljanju vejic so primerljivi z rezultati drugih raziskav. The thesis examines the learning of language problems with convolutional neural networks. Convolutional neural networks were developed for machine vision. We used them to classify short abstracts and to learn a comma placement in Slovenian language. We programmed our convolutional neural network in programming language python with Theano library. Our work is based on existing research. We describe adaptation of datasets to our model. Several experiments were conducted and we compared lemmatization versus stemming and vector representation of text versus byte array representation. The best results were obtained with text quantized with 1 to m encoding. Comma placing results are comparable with other machine learning approaches. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|