zpwiki/pages/students/2016/dominik_nagy

title	published	taxonomy
Dominik Nagy	true	category tag author dp2022 bp2019 translation nlp Daniel Hladek

Dominik Nagy

Rok začiatku štúdia: 2016

Diplomová práca 2022

Názov diplomovej práce: Prepis postupností pomocou neurónových sietí pre strojový preklad

Meno vedúceho: Ing. Daniel Hládek, PhD.

Zadanie diplomovej práce:

1. Vypracujte teoretický prehľad metód "sequence to sequence".
2. Pripravte si dátovú množinu na trénovanie modelu sequence to sequence pre úlohu strojového prekladu.
3. Vyberte minimálne dva rôzne modely a porovnajte ich presnosť na vhodnej dátovej množine.
4. Na základe výsledkov experimentov navrhnite zlepšenia.

Stretnutie 17.12.2021

Stav:

• rozbehané trénovanie na slovensko-anglickom (LinDat) paralelnom korpuse.
• model z angličtiny do slovenčiny.
• tokenizácia subword NMT.
• rozbehané trénovanie na GPU, bez anaconda.

Úlohy:

• Cieľ je aby Vaše experimenty boli zopakovateľné. Pridajte všetky trénovacie skripty do git repozitára. Nepridávajte dáta. Pridajte skripty alebo návody na to ako pripraviť dáta.
• Zostavte tabuľku kde zapíšete parametre trénovania a dosiahnuté výsledky.
• Napíšte prehľad aktuálnych metód strojového prekladu pomocou neurónových sietí kde prečítate viacero vedeckých článkov a ku každému uvediete názov a čo ste sa z neho dozvedeli. Vyhľadávajte kľúčové slovíčka: "Survey of neural machine translation". Chceme sa dozvedieť aj o transformeroch a neurónových jazykových modeloch.
• vyskúšajte trénovanie aj s inými architektúrami. Ku každému trénovaniu si poznačte skrupt, výsledky a dajte to na git.

Zásobník úloh:

• Výskúšajte preklad v opačnom smere.
• Vyskúšanie inej metódy tokenizácie (BPE, sentencepiece, wordpiece - huggingface tokenizers).

Stretnutie 6.7.2021

Stav:

• Podarilo sa rozbehať setup pre trénovanie slovensko anglického prekladu na korpuse 10 viet pomocou fairseq.

Úlohy:

• Pokračujte v trénovaní na servri IDOC, použite skript na príápravu prostredia ktorý som Vám dal.
• Pripravte veľký slovensko-anglický paralelný korpus a natrénujte z neho model.
• Model vyhodnotťe pomocou metriky BLEU. Naštudujte si metriku BLEU.

Príprava na Diplomový projekt 2 2021

Zásobník úloh:

• Využiť BERT model pri strojovom preklade zo slovenčiny

Stretnutie 17.2.2021

Stav:

• Plán ukončiť v roku 2022
• Vypracovaný tutoriál https://fairseq.readthedocs.io/en/latest/getting_started.html#training-a-new-model a https://fairseq.readthedocs.io/en/latest/tutorial_simple_lstm.html

Do ďalšieho stretnutia:

• Treba zlepšiť teoretickú prípravu a písanie.
• Pripraviť slovensko-anglický korpus do podoby vhodnej na trénovanie. Zistite v akej podobe je potrebné dáta mať.
• Natrénovať model fairseq pre strojový preklad zo slovenčiny.
• Zistite ako prebieha neurónový strojový preklad, čo je to neurónová sieť, čo je to enkóder, dekóder model a napíšte to vlastnými slovami. Napíšte aj odkiaľ ste to zistili.
• Prečítajte si https://arxiv.org/abs/1705.03122 a https://arxiv.org/abs/1611.02344 a napíšte čo ste sa dozvedeli.

Diplomový projekt 2

Virtuálne stretnutie 25.9.

• Možnosť predĺženia štúdia
• Inak pokračovať v otvorených úlohách

Úlohy na ďalšie stretnutie:

• pozrieť a pripraviť česko-slovenský paralelný korpus, natrénovať a vyhodnotiť model
• pozrieť a pripraviť anglicko-slovenský paralelný korpus, natrénovať a vyhodnotiť model

Diplomový projekt 1 2020

Literatúra:

Neural Network Methods for Natural Language Processing

Úlohy na semester:

• Získať a pripraviť slovenský paralelný korpus pre preklad do angličtiny a češtiny
• Natrénovať a vyhodnotiť Fairseq Model

Virtuálne stretnutie 30.7.2020:

Dohoda na opakovaní predmetu.

Virtuálne stretnutie 14.5.2020:

Urobené: rozbehaný tutoriál fairseq pre trénovanie nemecko anglických dát

Úlohy na ďalšie stretnutie:

• pozrieť a pripraviť česko-slovenský paralelný korpus, natrénovať a vyhodnotiť model
• pozrieť a pripraviť anglicko-slovenský paralelný korpus, natrénovať a vyhodnotiť model

Stretnutie 6.3.2020.

Úloha na ďalšie stretnutie:

• spustiť Trénovanie Fairseq na idoc
• Pozrieť dostupné jazykové zdroje
• Pozrieť článok fairseq: A Fast, Extensible Toolkit for Sequence Modeling
• Pozrieť prístup a článok https://github.com/pytorch/fairseq/blob/master/examples/joint_alignment_translation/README.md

Tímový projekt 2019

Písomná práca: Rešerš na tému "Sequnce to Sequence"

Úlohy tímového projektu:

• Vypracujte min. 4 stranový rešerš na tému: "Sequence to Sequence" (Encoder-Decoder, seq2seq, transformer, attention)
• citujte min. 10 najvýznamnejších bibliografických zdrojov
• Prečítajte si o konvolučných sieťach
• Prečítajte si Sequence to Sequence Convolutional Neural Network for Automatic Spelling Correction
• Skúste si nainštalovať nástroj fairseq
• prejdite si tutoriál https://github.com/pytorch/fairseq/blob/master/examples/translation/README.md

Poznámky

Projektové stránky:

• Spracovanie prirodzeného jazyka
• Python
• Sequence to Sequence

V prípade záujmu je možné pracovať na úlohe strojového prekladu.

Možné trénovacie dáta: https://www.clarin.eu/resource-families/parallel-corpora