forked from KEMT/zpwiki
173 lines
6.2 KiB
Markdown
173 lines
6.2 KiB
Markdown
---
|
|
title: Maroš Harahus
|
|
published: true
|
|
taxonomy:
|
|
category: [dp2021,bp2019]
|
|
tag: [spacy,nlp]
|
|
author: Daniel Hladek
|
|
---
|
|
# Maroš Harahus
|
|
|
|
## Diplomový projekt 2 2020
|
|
|
|
Zásobník úloh:
|
|
|
|
- Preštudovať literatúru na tému "pretrain" a "word embedding"
|
|
- [Healthcare NERModelsUsing Language Model Pretraining](http://ceur-ws.org/Vol-2551/paper-04.pdf)
|
|
- [Design and implementation of an open source Greek POS Tagger and Entity Recognizer using spaCy](https://ieeexplore.ieee.org/abstract/document/8909591)
|
|
- https://arxiv.org/abs/1909.00505
|
|
- https://arxiv.org/abs/1607.04606
|
|
- LSTM, recurrent neural network,
|
|
- Vykonať viacero experimentov s pretrénovaním - rôzne modely, rôzne veľkosti adaptačných dát a zostaviť tabuľku
|
|
- Opísať pretrénovanie, zhrnúť vplyv pretrénovania na trénovanie v krátkom článku cca 10 strán.
|
|
- skúsiť prezentovať na lokálnej konferencii, (Data, Znalosti and WIKT) alebo fakultný zborník (krátka verzia diplomovky).
|
|
- Využiť korpus Multext East pri trénovaní. Vytvoriť mapovanie Multext Tagov na SNK Tagy.
|
|
|
|
|
|
Virtuálne stretnutie 8.10.2020
|
|
|
|
Stav:
|
|
- Podarilo sa vykonať pretrénovanie aj trénovanie, prvé výsledky experimentov.
|
|
- pretrénovanie funguje na GPU, použila sa verzia spacy 2.2, trénovanie na IDOC
|
|
- trénovanie ide lepšie na CPU
|
|
- vyskytol sa problém že nevie alokovať viac ako 2GB RAM
|
|
- 200 iterácií pretrénovania, 4000 riadkov viet
|
|
|
|
Úlohy do ďalšieho stretnutia:
|
|
- Dať zdrojáky na GIT
|
|
- Urobiť porovnanie voči presnosti bez pretrain
|
|
- Výsledky dajte do tabuľky - aké parametre ste použili pri trénovaní a pretrénovaí?
|
|
- experimenty si poznačte do skriptu aby sa dali zopakovať
|
|
- Do článku (do súboru README na GIte) presne opíšte nastavenie experimentu - parametre, dáta a spôsob overenia, aspoň rozpracovať.
|
|
- Začnite spisovať teoretickú časť článku, aspoň rozpracovať.
|
|
|
|
Stretnutie 25.9.2020
|
|
|
|
Stav:
|
|
- chyba pri použití príkazu pretrain, ktorá sa objavila s novou verziou Spacy
|
|
|
|
Úlohy do ďalšieho stretnutia:
|
|
- pokračovať so starou verziou Spacy (2.2)
|
|
|
|
Návrhy na zlepšenie:
|
|
- Použiť viac textových dát.
|
|
|
|
Zvážiť publikovanie na: http://conf.uni-obuda.hu/sami2021/index.html
|
|
- najprv napísať po slovensky, potom sa to preloží
|
|
- opísať experimenty
|
|
|
|
## Diplomový projekt 2020
|
|
|
|
Zdroje:
|
|
|
|
- [Jazykové zdroje](/topics/resources)
|
|
|
|
|
|
|
|
Doplnenie podpory morfologického značkovania slovenského jazyka do nlp frameworku (spacy alebo flair)
|
|
|
|
- Úlohy na tento semester:
|
|
- Pozrieť jazykové zdroje z https://www.clarin.eu/resource-families/manually-annotated-corpora (MultextEast)
|
|
- Oboznámte sa so sadou morfologických značiek Universal Dependencies https://universaldependencies.org/sk/index.html
|
|
- Oboznámte sa so sadou SNK https://korpus.sk/morpho.html
|
|
- Natrénovať Spacy Model s POS a s pretrénovaním
|
|
|
|
Stretnutie 23.6.2020:
|
|
|
|
- Výsledok: [Skript na trénovanie Spacy POS](https://git.kemt.fei.tuke.sk/mh496vd/diplomovka/src/branch/master/script.sh)
|
|
|
|
Stretnutie 12.6.2020:
|
|
|
|
- Pretrénovanie Fasttext a trénovanie POS Spacy modelu - ešte treba vylepšiť presnosť
|
|
|
|
K zápočtu:
|
|
|
|
- Finálny okomentovaný skript pre trénovanie POS modelu podľa Slovak Treebank s pretrénovaním Fasttext.
|
|
- Ak sa dá tak pri trénovaní využite GPU
|
|
- Zistite výslednú presnosť, mala by byť nad 80 percent.
|
|
- Porovnajte s presnosťou bez pretrénovania.
|
|
|
|
|
|
|
|
|
|
Virtuálne stretnutie 15.5.2020:
|
|
|
|
- Spustenie exitujúceho skriptu pre trénovanie POS modelu z repozitára spacy-skmodel, problém nastal pri NER dátach.
|
|
- Vytvorený [repozitár](https://git.kemt.fei.tuke.sk/mh496vd/diplomovka)
|
|
|
|
Nové úlohy:
|
|
|
|
- Podrobne preštudovať a realizovať [spacy pretrain](https://spacy.io/api/cli#pretrain)
|
|
- [Blog o Spacy pretrain](https://explosion.ai/blog/spacy-v2-1)
|
|
|
|
|
|
|
|
Revízia 9.4.2020:
|
|
|
|
Report o doterajšej práci:
|
|
|
|
- naštudovanie Fasttext
|
|
- implementácia do Spacy
|
|
- úprava modelu v spacy na rozpoznanie jazyka
|
|
- snaha o spacy-udpipe pre non-English text
|
|
|
|
Nové úlohy:
|
|
|
|
- pridajte zdrojový text a odkaz na "implementáciu".
|
|
- natrénujte model podľa https://git.kemt.fei.tuke.sk/dano/spacy-skmodel
|
|
- skúste pridať "word-embeddingy" z fasttext do trénovania.
|
|
- vyhodnoťte natrénovaný model - zistite presnosť značkovania. Aký vplyv majú embeddingy na presnosť?
|
|
- porozmýšľajte ako sa dá presnosť zlepšiť.
|
|
|
|
|
|
Stretnutie 5.3.2020:
|
|
|
|
Úlohy na ďalšie stretnutie:
|
|
|
|
- zobrať alebo vytvoriť fasttext model
|
|
- pozrieť sa na [spacy pretrain](https://spacy.io/api/cli) - tam sa bude dať využiť fasttext model
|
|
- vložiť ho do spacy modelu pomocou `spacy pretrain`
|
|
- pozrieť si http://nl.ijs.si/ME/V4/ morfosyntaktická anotácia MULTEXT
|
|
- porozmýšľať ako využiť korpus "MultextEast" - potrebné vytvoriť mapovanie značiek na SNK Tagset
|
|
|
|
Poznámka:
|
|
|
|
- Aktivovaná Omega
|
|
- Pozrieť sa na https://git.kemt.fei.tuke.sk/dano/spacy-skmodel/src/branch/master/sources/slovak-treebank , aktivovaný prístup
|
|
- už existuje mapovanie [Universal Dependencie na SNK tagset](https://github.com/explosion/spaCy/blob/master/spacy/lang/sk/tag_map.py)
|
|
|
|
|
|
Stretnutie: 20.2.2020:
|
|
|
|
Úlohy na ďalšie stretnutie:
|
|
|
|
- Pozrieť https://spacy.io/usage/training#tagger-parser
|
|
- Pozrieť si čo je word embedding - word2vec, fasttext, glove
|
|
- Nájsť spôsob ako využiť existujúci model word embedding pri trénovaní https://fasttext.cc/docs/en/pretrained-vectors.html
|
|
- Ako natrénovať Spacy POS model?
|
|
|
|
|
|
|
|
|
|
## Návrh na zadanie DP
|
|
|
|
Názov diplomovej práce: Štatistická morfologická anotácia slovenského jazyka
|
|
|
|
1. Vypracujte prehľad spôsobov morfologickej anotácie slovenského jazyka.
|
|
2. Pripravte trénovacie dáta vo vhodnom formáte a natrénujte štatistický model morfologického značkovania
|
|
3. Vyhodnoťte presnosť značkovania a navrhnite možné zlepšenia.
|
|
|
|
|
|
## Tímový projekt 2019
|
|
|
|
Projektové stránky:
|
|
|
|
- [Spracovanie prirodzeného jazyka](/topics/nlp)
|
|
- [Python](/topics/python)
|
|
- [Podpora slovenčiny v knižnici Spacy](/topics/spacy)
|
|
|
|
|
|
[Spacy tutoriál](./timovy_projekt)
|
|
|
|
- Vypracovať tutoriál pre prácu s nástrojom Spacy pre úlohu zisťovania gramatických značiek (part-of-speech). Súčasťou tutoriálu by mali byť aj odkazy na relevantné zdroje (odborné članky, min. 4).
|