forked from KEMT/zpwiki
178 lines
6.4 KiB
Markdown
178 lines
6.4 KiB
Markdown
---
|
|
title: Dominik Nagy
|
|
published: true
|
|
taxonomy:
|
|
category: [dp2022,bp2019]
|
|
tag: [translation,nlp]
|
|
author: Daniel Hladek
|
|
---
|
|
# Dominik Nagy
|
|
|
|
*Rok začiatku štúdia*: 2016
|
|
|
|
## Diplomová práca 2022
|
|
|
|
[GIT repozitár](https://git.kemt.fei.tuke.sk/dn161mb/dp2022)
|
|
|
|
*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 11.1.2022
|
|
|
|
- Urobené všetky úlohy z minulého stretnutia, okrem textu a gitu.
|
|
- Natrénované modely fairseq pre obojsmerný preklad angličtina slovenčina.
|
|
|
|
Úlohy:
|
|
|
|
- dajte všetky skripty do repozitára dp2022
|
|
- Napíšte si osnovu diplomovej práce.
|
|
- Vypracujte draft (hrubý text) diplomovej práce.
|
|
- V texte DP sumarizujte vykonané experimenty.
|
|
- Pripravte si prezentáciu na obhajoby.
|
|
- Skontrolovať či sa robí tokenizácia správne pri vyhodnotení.
|
|
|
|
Zásobník úloh:
|
|
|
|
- Pripravte článok (pre vedúceho).
|
|
- Urobte experiment s architektúrou MBART. Porovnajte Vaše výsledky s výsledkami v článku MBART (Liu et al. : Multilingual Denoising Pre-training for Neural Machine Translation).
|
|
|
|
|
|
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:
|
|
|
|
- [x] 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.
|
|
- [x] 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.
|
|
- [x] vyskúšajte trénovanie aj s inými architektúrami. Ku každému trénovaniu si poznačte skript, výsledky a dajte to na git.
|
|
|
|
Zásobník úloh:
|
|
|
|
- [x] Výskúšajte preklad v opačnom smere.
|
|
- [x] 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](https://www.morganclaypool.com/doi/abs/10.2200/S00762ED1V01Y201703HLT037)
|
|
|
|
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](/topics/resources)
|
|
- Pozrieť článok [fairseq: A Fast, Extensible Toolkit for Sequence Modeling](https://www.aclweb.org/anthology/N19-4009/)
|
|
- 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"](./timovy_projekt/README.md)
|
|
|
|
*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](http://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/)
|
|
- 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](/topics/nlp)
|
|
- [Python](/topics/python)
|
|
- [Sequence to Sequence](/topics/seq2seq)
|
|
|
|
V prípade záujmu je možné pracovať na úlohe strojového prekladu.
|
|
|
|
Možné trénovacie dáta: https://www.clarin.eu/resource-families/parallel-corpora
|
|
|