dmytro_ushatenko/pages/students/2022/serhii_yemets/README.md

title	published	taxonomy
Serhii Yemets	true	category tag author bp2025 ner nlp Daniel Hladek

rok začiatku štúdia: 2022

Bakalárska práca 2025

Cieľ:

• Zlepšenie slovenského modelu pre rozpoznávanie pomenovaných entít.

Do budúcnosti:

• Vypracovanie webového dema
• Využitie modelu v nejakej zaujímavej úlohe (chatbot alebo právne texty).

Návrh na zadanie bakalárskej práce:

1. Napíšte prehľad neurónových modelov vhodných pre rozpoznávanie pomenovaných entít v slovenskom jazku.
2. Napíšte prehľad existujúcich dátových množin, vhodných na trénovanie modelu pre rozpoznávanie pomenovaných entít.
3. Vyberte vhodný model a dátovú množinu a natrénujte a vyhodnotte model.
4. Vytvorte webové demo pre rozpoznávanie pomenovaných entít.
5. Identifikujte spôsoby možného zlepšenia natrénovaného modelu pre rozpoznávanie pomentovaných entít.

Stretnutie 20.12.2024

Stav:

• Splnené úlohy z posledného stetnutia
• Text je v dobrom stave, treba ešte použiť šablónu.

Úlohy:

• Pripravte si prezentáciu.
• Textu dajte na moodle, skripty dajte na git.
• Pokračujte v písaní. Doplnte časť o spôsobe anotovania NER - značkovanie BIO (beginning, inside, outside) alebo iné. Doplnte časť o vyhodnotení - precision,recall, F1. Doplnte odkazy na dátové množiny. Používajte odkazy na vedecké články.
• Zlepšite presnosť Vášho modelu. Do BP napíšte prioebeh trénovania a vyhodnotenia. Výsledky experimenotv zapíšte do tabuľky.

Zásobník úloh:

• Zostavte webové demo
• Pripravte experiment pre ukrajinský a ruský jazyk.
• Priprave Dockerfile pre Vaše demo
• Vytvorte dátovú množinu spojením viacerých existujúcich množin do jednej. Vedúci Vám dá nejaké skripty.

Stretnutie 30.10.2024

Stav:

• Napísané texty o NE.
• Vyskúšané a naštudované veci podľa pokynov,
• Začiatok práce na webovom deme.

Úlohy:

• Naštudujte korpusy s NER pre slovenský jazyk. Napíšte ich zoznam. Ku každému napíšte veľkosť (počet viet, slov) a druhy pomenovaných entít.
• Najprv budeme pracovať s ručne anotovanými dátami. Použite ich na natrénovanie modelu typu BERT (napr. SlovakBER alebo mbert) a vyhodnotte ich presnosť. Na trénovanie použite Spacy alebo Transformers.
• Pokračujte v písaní BP. Stručne (max. 1.5 strany) vysvetlite ako funguje transformer. Na google scholar nájdite vedecké články o NER a napíšte čo ste sa z nich dozvedeli. Aké majú výsledky a aké metódy používaju?
• Prejdite si tutoriál https://huggingface.co/docs/transformers/en/tasks/token_classification

Zásobník úloh:

• Natrénujte nový Spacy NER model ktorý by bol lepší ako pôvodný.
• Spojte viacero dátových množin (manuálne anotovaných) do jednej a použite je na natrénovanie modelu.
• Použite veľký jazykový model pre NER anotáciu a porovnajte ho s menším dotrénovaným NER modelom.
• Vykonané experimenty slovne opíšte a výslekdy zapíšte do tabuliek. Výsledky slovne okomentujte.

Stretnutie 20.5.20204

Úlohy:

• Zistite čo je to rozpoznávanie pomenovaných entít (named entity recognition) a napíšte o tom správu.
• Zopakujte si základy jazyka Python "Dive into Python 3". Nainštalujte si prostredie Anaconda.
• Oboznámte sa s knižnicou Spacy a vyskúšajte si skripty v https://github.com/hladek/spacy-skmodel
• Nainštalujte si knižnicu Huggingface Transformers. Oboznámte sa s ňou. Zistite, ako sa trénuje model NER pomocou takejto knižnice.
• Zistite, aké modely a jazykové zdroje sú dostupné pre túto úlohy pre slovenský jazyk https://github.com/slovak-nlp/resources

Zásobník úloh:

• Pripravte viacero korpusov pre NER. Môžu byť aj viacjazyčné.
• Natrénujte model Huggingface pre NER