Методы искусственного интеллекта

Содержание

Слайд 2

1. НАПРАВЛЕНИЯ

1. НАПРАВЛЕНИЯ

Слайд 3

ПОДРАЗДЕЛЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

ПОДРАЗДЕЛЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Слайд 4

ОБРАБОТКА ЕСТЕСТВЕННОГО ЯЗЫКА

a. Синтаксис
b. Поиск
c. Семантика
d. Векторная модель и машинное обучение

ОБРАБОТКА ЕСТЕСТВЕННОГО ЯЗЫКА a. Синтаксис b. Поиск c. Семантика d. Векторная модель и машинное обучение

Слайд 5

СИНТАКСИС

Формальные грамматики, грамматики Хомского
Прагматика, семантика и синтаксис
Применение синтаксиса для токенизации
Применения синтаксиса для

СИНТАКСИС Формальные грамматики, грамматики Хомского Прагматика, семантика и синтаксис Применение синтаксиса для
задач семантики

Слайд 6

21.09.2021

— https://yandex.ru/dev/tomita/ — парсер для русского
— https://github.com/natasha/natasha — NLP-библиотека для русского
— https://github.com/kmike/pymorphy2

21.09.2021 — https://yandex.ru/dev/tomita/ — парсер для русского — https://github.com/natasha/natasha — NLP-библиотека для
— склонения и падежи для русского и украинского
— https://deeppavlov.ai/ — анализ, ответы на вопросы, общение
— https://github.com/nlpub/pymystem3 — стеммер для русского
Стемминг - отсечение от слова окончаний и суффиксов, чтобы оставшаяся часть, называемая stem, была одинаковой для всех грамматических форм слова.
http://snowball.tartarus.org/algorithms/russian/stemmer.html - алгоритм

СИНТАКСИС-ИНСТРУМЕНТЫ

Слайд 7

ПОИСК

Предобработка текста
Построение поискового индекса
Выполнение запроса
Закон Ципфа и его влияние на селективность и

ПОИСК Предобработка текста Построение поискового индекса Выполнение запроса Закон Ципфа и его
масштабирование

Чтобы понять, что именно ищет пользователь, поисковая система проводит тщательный лингвистический анализ запроса. Сначала определяется язык, на котором был сформулирован запрос. Например, в Яндексе индикатором языка является алфавит, используемый в запросе, а также характерные особенности сочетания букв, присущие различным языковым группам.
Далее проводится работа по трактовке морфологии. Поисковая система различает не только слова из запроса во всех их морфологических формах, но и синонимы, однако при ранжировании предпочтение отдается точному вхождению.
Также поисковым системам приходится разграничивать омонимы (слова с одинаковым написанием, но разным значением).
Например, одно и то же слово может быть истолковано и как глагол, и как существительное.
Определиться с наиболее вероятным списком форм помогает статистика совместной встречаемости слов и грамматических признаков. Для сбора статистики Яндекс использует национальный корпус русского языка и свои собственные корпусы, в которых собрано огромнейшее количество текстов.

Слайд 8

ПОИСК

Предобработка текста
Построение поискового индекса
Выполнение запроса
Закон Ципфа и его влияние на селективность и

ПОИСК Предобработка текста Построение поискового индекса Выполнение запроса Закон Ципфа и его
масштабирование

Слайд 9

СЕМАНТИКА

Дистрибутивная гипотеза и избыточность языка
На небе только и разговоров , что

СЕМАНТИКА Дистрибутивная гипотеза и избыточность языка На небе только и разговоров ,
о море и о _____. Там говорят о том , как чертовски здорово наблюдать за огромным огненным шаром , как он тает в волнах . И еле видимый свет , словно от свечи , горит где - то в глубине ..

TF-IDF и терм-документная матрица
Терм-документная матрица представляет собой математическую матрицу, описывающую частоту терминов, которые встречаются в коллекции документов. В терм-документной матрице строки соответствуют документам в коллекции, а столбцы соответствуют терминам. Существуют различные схемы для определения значения каждого элемента матрицы. Одной из таких является схема TF-IDF. Они полезны в области обработки естественного языка, особенно в методах латентно-семантического анализа.
При создании базы данных терминов, используемых в наборе документов, матрица терминов формируется как матрица инцидентности, строки которой соответствуют документам, а элементы строк - наличию соответствующих терминов в этих документах.

Слайд 10

СЕМАНТИКА

Векторная модель : концепты , ортогональность и метрика
Vector Space Model (VSM)

СЕМАНТИКА Векторная модель : концепты , ортогональность и метрика Vector Space Model
– это математическая модель представления текстов, в которой каждому документу сопоставлен вектор, выражающий его смысл. Такое представление позволяет легко сравнивать слова, искать похожие, проводить классификацию, кластеризацию и многое другое. Но обо всём по порядку.
Метод главных компонент для понижения размерности и выделения ортогональных концептов
Один из основных способов уменьшить размерность данных, потеряв наименьшее количество информации. Изобретён Карлом Пирсоном в 1901 году. Применяется во многих областях, в том числе, в эконометрике, биоинформатике, обработке изображений, для сжатия данных, в общественных науках.

Слайд 11

2. ВЕКТОРНЫЕ МОДЕЛИ И МАШИННОЕ ОБУЧЕНИЕ

2. ВЕКТОРНЫЕ МОДЕЛИ И МАШИННОЕ ОБУЧЕНИЕ

Слайд 12

21.09.2021

ЗАДАЧА

Метод главных компонент рассматривает текст как мешок слов . Для коротких текстов

21.09.2021 ЗАДАЧА Метод главных компонент рассматривает текст как мешок слов . Для
это работает хорошо , но для длинных текстов это уже не так . Кроме того , разница между “A убил B” и “B убил A” будет потеряна .
Методы *2vec рассматривают слово в маленьком контексте , что привносит элемент порядка в обучение .
Ваша задача построить поисковый движок на базе doc2vec . * Пример обучения модели doc2vec по ссылке

Слайд 13

21.09.2021

В УГОДУ СКОРОСТИ

Натренированные векторные представления:
EN: English word vectors · fastText
RU: natasha/navec; RusVectōrēs:

21.09.2021 В УГОДУ СКОРОСТИ Натренированные векторные представления: EN: English word vectors ·
модели

Слайд 14

3. GOOGLE COLAB NOTEBOOK

3. GOOGLE COLAB NOTEBOOK

Слайд 15

ТЕСТ
Почему использование Jupyter Notebooks и Google Colab для упаковки кода и текстов

ТЕСТ Почему использование Jupyter Notebooks и Google Colab для упаковки кода и
сейчас наиболее распространена при обмене решениями в индустрии. Отметьте все верные утверждения:
Позволяет использовать документ с кодом без переключения окон
2. Можно просматривать в браузере
3. Позволяет легко получить скомпилированный бинарный файл
4. Можно исполнять без установки ПО на собственный компьютер

Слайд 16

ТЕСТ
Почему использование Jupyter Notebooks и Google Colab для упаковки кода и текстов

ТЕСТ Почему использование Jupyter Notebooks и Google Colab для упаковки кода и
сейчас наиболее распространена при обмене решениями в индустрии. Отметьте все верные утверждения:
Позволяет использовать документ с кодом без переключения окон
2. Можно просматривать в браузере
3. Позволяет легко получить скомпилированный бинарный файл
4. Можно исполнять без установки ПО на собственный компьютер
Имя файла: Методы-искусственного-интеллекта.pptx
Количество просмотров: 42
Количество скачиваний: 0