- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Обучение классификаторов на основе выделения фрагментов презентация
Содержание
- 1. Обучение классификаторов на основе выделения фрагментов
- 2. Задачи выделения фрагментов Задача поиска фрагментов релевантных
- 3. Методы классификации текстов Метод машин опорных векторов
- 4. Модель фон Мизеса-Фишера
- 5. Методы выделения фрагментов в текстах Выделение фрагментов
- 6. Выделение фрагментов путем классификации блоков текста
- 7. Выделение фрагментов путем классификации иерархического покрытия
- 8. Выделение фрагментов с использованием оптимизационных методов
- 9. Схема итерационного обучения отдельной рубрики Исходный массив
- 10. Схема классификации текстов с использованием фрагментов
- 11. Характеристики массивов текстов Полные массивы Сокращенные массивы текстов
- 12. Пример текста из массива 20NG
- 13. Пример текста из массива Reuters-21578
- 14. Пример текста из массива ROMIP 2004 Legal
- 15. Оценка качества классификации для массива ROMIP 2004 Legal Mini
- 16. Оценка точности и полноты классификации 20 News Group Mini Romip 2004 Legal Mini
- 17. Качество классификации для массива 20 NG от размера обучающего множества
- 18. Качество классификации для массива Reuters-21578-10 от размера обучающего множества
- 19. Качество классификации для массива 20 NG от числа итераций
- 20. Время обучения и классификации массива 20 NG от числа итераций
- 21. Среднее число выделяемых предложений для массива 20
- 22. Выводы Обучения классификаторов с использованием фрагментов более
- 23. Направления дальнейших исследований Анализ характера выделяемых фрагментов
Задачи выделения фрагментов Задача поиска фрагментов релевантных запросу (Passage Retrieval) вычисление весов фрагментов вычисление функции правдоподобия запроса построение вероятностных моделей запросов использование методов машинного обучения использование скрытых марковских моделей Задача
Слайд 2Задачи выделения фрагментов
Задача поиска фрагментов релевантных запросу (Passage Retrieval)
вычисление весов фрагментов
вычисление
функции правдоподобия запроса
построение вероятностных моделей запросов
использование методов машинного обучения
использование скрытых марковских моделей
Задача классификации фрагментов в соответствии с классификатором (Passage Recognition)
обучение на полных текстах , выделение фрагментов, классификация фрагментов
классификация текста целиком, поиск наиболее релевантного фрагмента
оценивание параметров скрытой марковской модели на полных текстах, выделение фрагментов
построение вероятностных моделей запросов
использование методов машинного обучения
использование скрытых марковских моделей
Задача классификации фрагментов в соответствии с классификатором (Passage Recognition)
обучение на полных текстах , выделение фрагментов, классификация фрагментов
классификация текста целиком, поиск наиболее релевантного фрагмента
оценивание параметров скрытой марковской модели на полных текстах, выделение фрагментов
Слайд 3Методы классификации текстов
Метод машин опорных векторов (SVM) – рубрика отделяется от
других классов с помощью гиперплоскости
Байесовский классификатор на основе модели смеси распределений фон Мизеса-Фишера (VMF) – рубрика описывается с помощью точки на гиперсфере единичного радиуса
Байесовский классификатор на основе модели смеси распределений фон Мизеса-Фишера (VMF) – рубрика описывается с помощью точки на гиперсфере единичного радиуса
Слайд 5Методы выделения фрагментов в текстах
Выделение фрагментов путем классификации предложений (SENT)
Выделение фрагментов
путем классификации блоков текста (TILE)
Выделение фрагментов путем классификации иерархического покрытия (HIER)
Выделение фрагментов с использованием оптимизационных методов (LS)
Выделение фрагментов путем классификации иерархического покрытия (HIER)
Выделение фрагментов с использованием оптимизационных методов (LS)
Слайд 9Схема итерационного обучения отдельной рубрики
Исходный массив
Обучение
модели
Выделение фрагментов
фрагмент
Слайд 10Схема классификации текстов с использованием фрагментов
Текст
Выделение фрагментов
Текст
фрагмент
фрагмент
Построение вектора признаков
фрагмент
фрагмент
Классификация
Слайд 22Выводы
Обучения классификаторов с использованием фрагментов более эффективно при маленьких размерах обучающих
выборок
В некоторых случаях использование данного метода может заметно улучшить полноту классификации
Для сходимости метода достаточно выполнения нескольких итераций
В некоторых случаях использование данного метода может заметно улучшить полноту классификации
Для сходимости метода достаточно выполнения нескольких итераций
Слайд 23Направления дальнейших исследований
Анализ характера выделяемых фрагментов и областей применимости рассмотренного подхода
Использование
методов рандомизации (бутстреп метода) для расширения объема обучающих выборок
Выделение фрагментов с использованием правил на специальном языке
Выделение фрагментов с использованием правил на специальном языке
