zpwiki/pages/students/2016/jakub_maruniak/dp2021
2020-11-24 11:20:58 +00:00
..
annotation Aktualizovat „pages/students/2016/jakub_maruniak/dp2021/annotation/README.md“ 2020-11-24 10:53:47 +00:00
atkt2020_esej_maruniak.docx Nahrát soubory do „pages/students/2016/jakub_maruniak/dp2021“ 2020-04-05 11:11:56 +00:00
README.md Aktualizovat „pages/students/2016/jakub_maruniak/dp2021/README.md“ 2020-11-09 21:50:57 +00:00
train_experiments.md Přidat „pages/students/2016/jakub_maruniak/dp2021/train_experiments.md“ 2020-11-24 11:20:58 +00:00

Diplomový projekt 2 2020

Stav:

  • aktualizácia anotačnej schémy (jedná sa o testovaciu schému s vlastnými dátami)
  • vykonaných niekoľko anotácii, trénovanie v Prodigy - nízka presnosť = malé množstvo anotovaných dát. Trénovanie v spacy zatiaľ nefunguje.
  • Štatistiky o množstve prijatých a odmietnutých anotácii získame z Prodigy: prodigy stats wikiart. Zatiaľ 156 anotácii (151 accept, 5 reject). Na získanie prehľadu o množstve anotácii jednotlivých entít potrebujeme vytvoriť skript.
  • Prehľad literatúry Named Entity Corpus
    • Budovanie korpusu pre NER automatické vytvorenie už anotovaného korpusu z Wiki pomocou DBpedia jedná sa o anglický korpus, ale možno spomenúť v porovnaní postupov
      • Building a Massive Corpus for Named Entity Recognition using Free Open Data Sources - Daniel Specht Menezes, Pedro Savarese, Ruy L. Milidiú
    • Porovnanie postupov pre anotáciu korpusu (z hľadiska presnosti aj času) - Manual, SemiManual
      • Comparison of Annotating Methods for Named Entity Corpora - Kanako Komiya, Masaya Suzuki
    • Čo je korpus, vývojový cyklus, analýza korpusu (Už využitá literatúra cyklus MATTER)
      • Natural Language Annotation for Machine Learning James Pustejovsky, Amber Stubbs

Aktualizácia 09.11.2020:

  • Vyriešený problém, kedy nefungovalo trénovanie v spacy
  • Vykonaná testovacia anotácia cca 500 viet. Výsledky trénovania pri 20 iteráciách: F-Score 47% (rovnaké výsledky pri trénovaní v Spacy aj Prodigy)
  • Štatistika o počte jednotlivých entít: skript count.py

Diplomový projekt 1 2020

  • vytvorenie a spustenie docker kontajneru
./build-docker.sh
docker run -it -p 8080:8080 -v ${PWD}:/work prodigy bash
# (v mojom prípade:)
winpty docker run --name prodigy -it -p 8080:8080 -v C://Users/jakub/Desktop/annotation/work prodigy bash

Spustenie anotačnej schémy

  • dataminer.csv články stiahnuté z wiki
  • cd ner
  • ./01_text_to_sent.sh spustenie skriptu text_to_sent.py, ktorý rozdelí články na jednotlivé vety
  • ./02_ner_correct.sh spustenie anotačného procesu pre NER s návrhmi od modelu
  • ./03_ner_export.sh exportovanie anotovaných dát vo formáte jsonl potrebnom pre spracovanie vo spacy