Методи машинного навчання для аналiзу тональностi контенту
Вантажиться...
Дата
2021
Автори
Науковий керівник
Укладач
Редактор
Назва журналу
ISSN
E-ISSN
Назва тому
Видавець
Одеський національний університет імені І. І. Мечникова
Анотація
Галузь обробки природної мови(Natural Language Processing) зазнала швидкого розвитку за останнє десятирiччя. В першу чергу, такий стрiмкий розвиток став можливим завдяки велетенським обсягам оцифрованих та промаркiрованих даних та потужним комп’ютерам з великою обчислювальною потужнiстю. Цi два фактори є суттєвими для застосування методiв машинного навчання зi вчителем, якi довели свою ефективнiсть у порiвняннi з методами машинного навчання без учителя у бiльшостi задач обробки природньої мови. Проте наявнiсть маркiрованих даних завжди була вагомим обмежувальним фактором для цих методiв. Отже, роздивимось таке питання - чи можна створити такi обставини, за яких завдання обробки природної мови можна буде вирiшувати так само ефективно, але з використанням меншої кiлькостi ресурсiв?
Field of Natural Language Processing (NLP) has rapidly developed over last decade. In the first place, this increase happened because of the gigantic volume of annotated data and powerful resourceful machines with extraordinary computing power. These two factors are vital for supervised machine learning, which has proven to be far more effective in most of the NLP tasks than unsupervised approaches. However, labelled data has always been a challenge for supervised learning. Thus, a question arises - could specific circumstances occur, under which an NLP task will be solved about as well effective with less resources provided?
Field of Natural Language Processing (NLP) has rapidly developed over last decade. In the first place, this increase happened because of the gigantic volume of annotated data and powerful resourceful machines with extraordinary computing power. These two factors are vital for supervised machine learning, which has proven to be far more effective in most of the NLP tasks than unsupervised approaches. However, labelled data has always been a challenge for supervised learning. Thus, a question arises - could specific circumstances occur, under which an NLP task will be solved about as well effective with less resources provided?
Опис
Ключові слова
113 прикладна математика, бакалавр, машинне навчання, методи, тональність контенту, machine learning, methods, tone of content
Бібліографічний опис
Рябова, О. Д. Методи машинного навчання для аналізу тональності контенту : дипломна робота бакалавра / О. Д. Рябова. – Одеса, 2021. – 28 с.