Методы автоматической обработки текстов (курс лекций, В.В.Китов)/2016

Материал из MachineLearning.

Перейти к: навигация, поиск


Содержание

Объявления

19 мая будут презентации прикладных проектов по спецкурсу.

Формат презентации: 15 минут+5 минут ответы на вопросы.

Презентовать нужно слайды, а не код программы.

Структура презентации:

  • постановка задачи, визуализация особенностей данных
  • baseline решение (наиболее простое и логичное, или которым все пользуются) - описание, точность
  • ваше решение - описание, точность
  • альтернативные решения, которые вы пробовали - описание, точность
  • пару слов: что еще можно было бы улучшить и попробовать

Для получения максимальной оценки должны быть представлены все пункты в презентации. В kaggle-соревнованиях пункт про baseline решение не нужен.

Описание

В спецкурсе "Методы автоматической обработки текстов" рассматриваются практические задачи работы с текстами используя язык программирования Python, математические библиотеки и библиотеки по работе с текстами NLTK, а также другие средства, нацеленные на работу с русским языком. Целью спецкурса является познакомить слушателей с основными задачами по работе с текстами и дать навыки практической работы.

Курс длится в течение весеннего семестра 2016 года. От студентов предполагается знание языка Python с научными библиотеками numpy, scipy, matplotlib, pandas, а также знакомство с основами статистики и основами машинного обучения.

Оценивание

Оценка за курс выставляется на основе выполнения практического проекта, реализующего согласованную с преподавателем задачу автоматической обработки текстов. Варианты задачи:

  • лингвистическое исследование различий диалекта языка для разного времени, разных авторов и разных источников информации
  • построение классификатора текстов по темам, авторам, жанрам и т.д.
  • эмоциональный анализ отзывов
  • извлечение тем из коллекции текстов
  • автоматическая суммаризация текстов
  • извлечение объектов определенного типа (персоны, географические названия и др.) из текста и определение отношений между ними

и другие темы, которые использовали бы методы, изучаемые на занятиях, и имеющие элементы научной новизны.

Задание

Если вы не определились и не согласовали ваш проект по анализу текстов, вам предлагается поучастовать в каждом из 2х kaggle соревнований:

1. Определение зарплаты по описанию вакансии в интернете

2. Определение страны происхождения рецепта

Даже если у вас есть собственный согласованный со мной проект, участие хотя бы в одном из этих соревнований все равно рекомендуется - это интересно, это расширит ваш кругозор и даст дополнительные бонусы при определении итоговой оценки за спецкурс.

Работа с текстом - рекомендации.

Классификация текстов - обзор.

Туториалы

Материалы семинаров

ipynb скрипты расположены здесь. Поскольку большинство примеров бралось из Natural Language Processing with Python. и scikit-learn documentation, то рекомендуется обращаться к этим источникам за деталями.

Материалы

Основной учебник этого спецкурса: Natural Language Processing with Python. Stewen Bird et. al. 2-nd edition. 2016.

Speech and Language Processing. Dan Jurafsky and James H. Martin. 2-nd edition. 2009.

Питон и необходимые библиотеки


Дополнительные библиотеки


Интересные ссылки

Национальный корпус русского языка - всевозможные коллекции русских текстов с разметкой

Генератор случайных текстов по заданной тематике

Вопросно-ответная система WolframAlpha

Каталог старых газет на русском

Каталог старых газет от Google


Темы занятий

Основные объекты библиотеки NLTK

Извлечение коллокаций

Онтология WordNet. Автоматическое определение частей речи.

Личные инструменты