zpwiki/pages/students/2016/mark_feher

title	published	taxonomy
Márk Fehér	true	category tag author dp2022 scikit nlp klasifikácia Daniel Hladek

Diplomová práca 2022

Názov diplomovej práce: Klasifikácia textu metódami strojového učenia

• GIT repozitár

Návrh na zadanie DP

1. Vypracujte prehľad metód klasifikácie textu metódami strojového učenia.
2. Pripravte slovenské trénovacie dáta vo vhodnom formáte a natrénujte viacero modelov pre klasifikáciu textu do viacerých kategórií
3. Navrhnite, vykonajte a vyhodnoťte experimenty pre porovnanie presnosti klasifikácie textu.
4. Navrhnite zlepšenia presnosti klasifikácie textu.

18.3.

• Práca na texte pokračuje
• Podarilo sa spustiť finetning huggingface glue s scnc datasetom.

Úlohy:

• Pokračovať v texte.
• LSTM trénovanie urobené, výsledky sú v práci.
• Pokúsiť sa urobiť dataset interface na vlastné dáta.

4.3.2022

• Stretnutie bolo aj minulý týždeň.
• LSTM trénovanie beží (skoro ukončené).
• SlovakBert na colab prvé výsledky cca 65 percent na scnc (asi tam je chyba).
• Práca na texte pokračuje.
• Vedúcim dodaný skript na scnc datasets rozhranie
• Vedúcim dodaný skript na trénovanie run_glue.py
• Dodaný skript na inštaláciu pytorch a cuda 11.3

Úlohy:

• Práca na texte - sumarizácia experimentov do tabuľky
• Vyskúšať dotrénovanie na idoc pomocou dodaných skriptov.
• Na trénovanie na pozadí použiť tmux a -t 0.

Diplomový projekt 2021

Stretnutie 3.12.

• Dopracované vyhodnotenie pomocou SCNC. Výsledkom je konfúzna matica a grafy presnosti so štatistickými modelmi.
• Rozpracovaná klasifikácia LSTM (Keras).

Úlohy:

• Pridať klasifikáciu pomocou Huggingface Transformers, model SlovakBert, multilingualBert, alebo aj iné multilinguálne modely.
• dokončiť LSTM.
• Pokračovať na textovej časti.
• Zobrazte aj F1

Stretnutie 5.11.2021

• Práca na texte, štúdium literatúry
• pridané kódy na GIT

Úlohy:

• Zopakujte experimenty na korpuse scnc. Slovak Categorized News Corpus.
• Pokračujte v otvorených úlohách
• Upravte skripty do opakovateľnej podoby, pripravte dokumentáciu k skriptom.

Stretnutie 15.10.

• trénovanie pomocou LSTM, zatiaľ nie je na gite
• písanie do šabóny práce (cca 35 strán).

Úlohy:

• Doplniť na GIT.
• Zabrániť overfittingu LSTM. Early stopping alebo dropout.

Stretnutie 1.10.

Stav:

• modifikácia trénovacích skriptov na vypisovanie pomocných štatistík.
• Vytvorený GIT repozitár
• Práca na text (cca 22 strán)
• Pridaná referenčná literatúra.

Úlohy:

• Stiahnite si šablónu práce a vložte text čo máte pripravené, vrátane bibliografie.
• Doplňte zdrojové kódy na GITe, tak aby boli opakovateľné.
• Zoznam knižníc zapíšte do súboru requirements.txt.
• Alebo zapíšte zoznam conda balíčkov.
• Vyberte jednu úlohu zo zásobníka a vypracujte ju.

Zásobník úloh:

• Vyskúšajte klasifikáciu pomocou neurónových sietí.
• Vytvorte web demo pomocou Docker
• Skúste klasifikáciu pomocou neurónovej siete.

Stretnutie 23.9.

Stav:

• vypracovaný draft diplomovej práce
• pripravené dáta z BeautifulSoup - z rôznych webov (sme.sk)
• vypracované experimenty pomocou scikit-learn na klasifikátoroch:
  • multinomial Bayes
  • random forest
  • support vector machine
  • Stochastic Gradient Descent Classifier
  • k-neighbours
  • decision tree
• vypracované vyhodnotenie pomocou konfúznej matice,

Ciele na ďalšie stretnutie:

• Vytvoríte si repozitár dp2022 na školskom gite, kde dáte dáta, zdrojové kódy aj texty.
• Vybrať jeden odborný článok alebo knihu o klasifikácii textu a vypracujte poznámky.