Submit Search
Upload
Aprenentatge Automàtic pel Processament del Llenguatge Natural
•
0 likes
•
286 views
Jordi Duran Cals
Follow
Presentació feta al seminari CLiC (UB) el 2006
Read less
Read more
Technology
Report
Share
Report
Share
1 of 18
Download now
Download to read offline
Recommended
Trabajo de introducción a la computación
Trabajo de introducción a la computación
nestorbelisario22
manual-de-computacion-basica-para-ninos-de- primaria-6-a-12
manual-de-computacion-basica-para-ninos-de- primaria-6-a-12
Yoselin Lopez Martinez
Actividades lúdicas para niños de 4 y 5 años - Jésica V. Revelo T.
Actividades lúdicas para niños de 4 y 5 años - Jésica V. Revelo T.
Jésica V. Revelo T.
Curso de computación
Curso de computación
lizabeth614
El Juego en los niños de 0-6 años
El Juego en los niños de 0-6 años
Sueño que mi realidad se convierte en un mundo de Tim Burton
Unidad de aprendizaje inicial de 3 años
Unidad de aprendizaje inicial de 3 años
Jose Armando Cardenas Calagua
Sesión de aprendizajes para inicial de 3 años
Sesión de aprendizajes para inicial de 3 años
Jose Armando Cardenas Calagua
Módulo instruccional partes de la computadora
Módulo instruccional partes de la computadora
Cambridge University College
Recommended
Trabajo de introducción a la computación
Trabajo de introducción a la computación
nestorbelisario22
manual-de-computacion-basica-para-ninos-de- primaria-6-a-12
manual-de-computacion-basica-para-ninos-de- primaria-6-a-12
Yoselin Lopez Martinez
Actividades lúdicas para niños de 4 y 5 años - Jésica V. Revelo T.
Actividades lúdicas para niños de 4 y 5 años - Jésica V. Revelo T.
Jésica V. Revelo T.
Curso de computación
Curso de computación
lizabeth614
El Juego en los niños de 0-6 años
El Juego en los niños de 0-6 años
Sueño que mi realidad se convierte en un mundo de Tim Burton
Unidad de aprendizaje inicial de 3 años
Unidad de aprendizaje inicial de 3 años
Jose Armando Cardenas Calagua
Sesión de aprendizajes para inicial de 3 años
Sesión de aprendizajes para inicial de 3 años
Jose Armando Cardenas Calagua
Módulo instruccional partes de la computadora
Módulo instruccional partes de la computadora
Cambridge University College
Powerpoint infantil el ordenador
Powerpoint infantil el ordenador
Wendolín Pérez González
Planeación informática preescolar ciclo 2015 - 2016
Planeación informática preescolar ciclo 2015 - 2016
Editorial MD
Sillabus didáctica i vi comp-c arlos laurente
Sillabus didáctica i vi comp-c arlos laurente
Carlos Laurente
Partes del computador i.ppt
Partes del computador i.ppt
Maria Lujan
Programación anual de computación.
Programación anual de computación.
Marly Rodriguez
El Abc De La ComputacióN Escolar
El Abc De La ComputacióN Escolar
jpgv84
COMPUTACION PARA PEQUES POR LUCIA VILLEGAS
COMPUTACION PARA PEQUES POR LUCIA VILLEGAS
Lucía Villegas
3 años sesión de aprendizaje
3 años sesión de aprendizaje
Susan Paola Fernández Sánchez
computacion primaria basica 3
computacion primaria basica 3
Innovattech
More Related Content
Viewers also liked
Powerpoint infantil el ordenador
Powerpoint infantil el ordenador
Wendolín Pérez González
Planeación informática preescolar ciclo 2015 - 2016
Planeación informática preescolar ciclo 2015 - 2016
Editorial MD
Sillabus didáctica i vi comp-c arlos laurente
Sillabus didáctica i vi comp-c arlos laurente
Carlos Laurente
Partes del computador i.ppt
Partes del computador i.ppt
Maria Lujan
Programación anual de computación.
Programación anual de computación.
Marly Rodriguez
El Abc De La ComputacióN Escolar
El Abc De La ComputacióN Escolar
jpgv84
COMPUTACION PARA PEQUES POR LUCIA VILLEGAS
COMPUTACION PARA PEQUES POR LUCIA VILLEGAS
Lucía Villegas
3 años sesión de aprendizaje
3 años sesión de aprendizaje
Susan Paola Fernández Sánchez
computacion primaria basica 3
computacion primaria basica 3
Innovattech
Viewers also liked
(9)
Powerpoint infantil el ordenador
Powerpoint infantil el ordenador
Planeación informática preescolar ciclo 2015 - 2016
Planeación informática preescolar ciclo 2015 - 2016
Sillabus didáctica i vi comp-c arlos laurente
Sillabus didáctica i vi comp-c arlos laurente
Partes del computador i.ppt
Partes del computador i.ppt
Programación anual de computación.
Programación anual de computación.
El Abc De La ComputacióN Escolar
El Abc De La ComputacióN Escolar
COMPUTACION PARA PEQUES POR LUCIA VILLEGAS
COMPUTACION PARA PEQUES POR LUCIA VILLEGAS
3 años sesión de aprendizaje
3 años sesión de aprendizaje
computacion primaria basica 3
computacion primaria basica 3
Aprenentatge Automàtic pel Processament del Llenguatge Natural
1.
CLiC Centre de Llenguatges i Computació Aprenentatge Automàtic pel Processament del Llenguatge Natural Classificació d'Entitats amb Nom Jordi Duran i Cals Desembre del 2006
2.
CLiC Centre de Llenguatges i Computació Aprenentatge Automàtic pel Processament del Llenguatge Natural Índex – Introducció – Aprenentatge Automàtic – Aplicació de l’Aprenentatge Automàtic en el Processament del Llenguatge Natural (Classificació d'Entitats amb Nom)
3.
CLiC Centre de Llenguatges i Computació Introducció Aprenentatge Automàtic Aplicació del ML en el NPL El per què d’aprendre Situacions complexes: – – Capacitats humanes que no som capaços d’explicar (speech recognition) Experiències humanes que no hem tingut (exploració d’altres planetes) és dificultós i es necessita temps Tenim dades en grans quantitats i barates, per altra banda el coneixement és car i escàs – Crear sistemes manualment és dificultós i es necessita temps
4.
CLiC Centre de Llenguatges i Computació Introducció Aprenentatge Automàtic Aplicació del ML en el NPL Aprendre a aprendre La didàctica és la branca de la pedagogia que s’ocupa d’estudiar com ha de funcionar l’aprenentatge en els éssers humans de manera òptima, és a dir, quina és la millor manera d’ensenyar uns determinats continguts o habilitats. L’estratègia d’aprenentatge basada Estratègies d’aprenentatge en la imitació, és sens dubte un dels – Anàlisi i discussió de casos procediments més naturals –
Imitació de models d’enfrontarse a les coses... Els nens petits, i no tant petits..., fan servir els – Procediments d'interrogació models més propers com a pauta d’acció reflexió... Com es veurà es vol simular el comportament humà
5.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL Aprenentatge Adquirir coneixement des d’exemples concrets Dades Observar Adquirir Coneixement (model) – El coneixement adquirit (model) és una bona aproximació de les dades observades? Es pot avaluar
6.
CLiC Centre de Llenguatges i Computació Introducció Aprenentatge Automàtic Aplicació del ML en el NPL Aprenentatge Automàtic (ML) ML s’engloba dins de la Intel∙ligència Artificial (IA) S’aplica en molts altres camps d’investigació Fer que els ordinadors adquireixin automàticament algun tipus de coneixement a partir de l’observació d’un determinat conjunt de dades Els ordinadors són el mitjà (suport) Els algoritmes (programari) donen la funcionalitat de l’aprenentatge automàtic
7.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL Aprenentatge Automàtic (ML) Obtenir una descripció d’un concepte en algun camp del processament del llenguatge natural que ens permeti mostrar observacions i ajudi a predir noves instàncies d’aquesta distribució Dades Observar Adquirir Coneixement (model) Noves dades Aplicar – L’estadística ens servirà per inferir a través de les mostres – La computació ens permetrà crear algoritmes eficients per: resoldre problemes d’optimització Representar i avaluar els models
8.
CLiC Centre de Llenguatges i Computació Introducció Aprenentatge Automàtic Aplicació del ML en el NPL Aprenentatge Automàtic (ML) Tipus de ML – – Paradigmes de ML Aprenentatge Supervisat: Volem aprendre una relació entre unes i altres dades – Arbres de decisió Aprenentatge no Supervisat: Tenim només unes úniques dades i volem trobarhi regularitats entre elles –
Inducció Lògica – Llistes de decisió – Clustering – Algoritmes genètics – Xarxes neuronals – Maquines de Vectors de Suport – etc..
9.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL Tasques de NLP Speech Recognition Spelling Correction Partofspeech tagging Wordsense disambiguation Parsing (full/shallow) Information retrieval Information extraction Machine Translation NE Classification I un llarg etc. Paradigmes de ML – Arbres de decisió – Llistes de decisió –
Clustering – Inducció Lògica – Algoritmes genètics – Xarxes neuronals – Maquines de Vectors de Suport – etc..
10.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL Interacció entre ML i NLP De ML a NLP – Trobar la solució més apropiada per cada tipus de problema De NLP a ML – Problemes que plantegen reptes interessants ja que contenen característiques com ara: conjunts d’entrenament extremadament grans (o petits), alta dimensionalitat, atributs dependents, soroll en les dades, no només problemes de classificació, etc.
11.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL ML per NLP Formalització del problema – Representació Cadenes de caràcters Dades Dades R Vectors de característiques Tipus d’estructures E Etc. (camp molt obert) – Entrenament Aplicar paradigma de ML – Objectiu Coneixement (model) O Classificar Reconèixer Detecció Etc.
12.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL ML per NLP El Model Representa la informació apresa en funció del paradigma utilitzat – Regles – Exemples d’una classe – Etc. A? B? D? y C? E? z x z z x
13.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL Classificació d’Entitats amb Nom (NE) Aprenentatge automàtic supervisat (Surdeanu et al, 2005; Màrquez et al, 2003) Aprenentatge automàtic no supervisat (Collins, 1999) Dades Extracció de característiques Dades E Coneixement (model) Etiquetatge manual R Forma Lema Forma[n1..n] Forma[n2..n] Forma[n3..n] TextWithoutAlphabetic TextWithoutNumber isAllCap isAllCapOrDots isAllDigits isAllDigitsOrDotsComm isInitialCap PoS BIO O
14.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL Classificació d’Entitats amb Nom (NE) Aprenentatge automàtic supervisat (Surdeanu et al, 2005; Màrquez et al, 2003) Aprenentatge automàtic no supervisat (Collins, 1999) ... Creu Roja ha ... eu ja ha reu Creu oja Roja __nill__ __nill__ __nill__ __nill__ Creu N Roja N __nill__ N N ha a a __nill__ __nill__ __nill__ __nill__ 106,52 106,52 52 ,52 6,52 euros
euro es nes enes __nill__ per er per __nill__ __nill__ co esco per N N N N N N Y Y N NCFS000 AQ0FS0 N N BORGANIZATION IORGANIZATION VAIP3S0 O a N N N N N SPS00 O N Z BMONEY 106,52 , N N Y Y euros N N N N N NP00000 N N N N N SPS00 O UNESCO Y Y N N per IMONEY ... UNESCO unesco BORGANIZATION ... sco __nill__ Y NP00000
15.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL Classificació d’Entitats amb Nom (NE) Aprenentatge automàtic supervisat (Surdeanu et al, 2005; Màrquez et al, 2003) Aprenentatge automàtic no supervisat (Collins, 1999) Dades Representats Inferir Cat. Etiquetades Representats Classificar de cada de cada Categoria categoria Finals
16.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL Classificació d’Entitats amb Nom (NE) Aprenentatge automàtic supervisat (Surdeanu et al, 2005; Màrquez et al, 2003) Aprenentatge automàtic no supervisat (Collins, 1999) Dades R Dades Definició de regles llavor Extracció de característiques Coneixement (model) E Llista de decisió Text (New_York) Lloc Text (Barcelona) Lloc – Tipus de Sintagma – Conté Conté (Corporació) Organització – Trigger Word TotesMajúscules (si) Organitzaciö – Tipus de context (aposició, SP) ... Conté (Sr.) Persona O
17.
CLiC Introducció Centre de Llenguatges i Computació Aprenentatge Automàtic Aplicació del ML en el NPL Classificació d’Entitats amb Nom (NE) Aprenentatge automàtic supervisat (Surdeanu et al, 2005; Màrquez et al, 2003) Aprenentatge automàtic no supervisat (Collins, 1999) Regles Regles Regles Llavor aplicades Dades Regles Inferides Inferides Finals Etiqueta Dades Inferir Regles
18.
CLiC Centre de Llenguatges i Computació Bibliografia Machine Learning; Mitchell, 1997 Machine Learning in Speech and Language Technologies; Roth, Fung, 2005 Machine Learning Approaches for Natural Language Processing; Collins, 2003 Projects in Machine Learning; Alpaydin, 2004 Unsupervised Models for Named Entity Classification; Collins et al, 1999 Lowcost Named Entity Classification for Catalan; Màrquez et al, 2005 Mètodes Empírics pel processament del llenguatge natural; Doctorat en Intel∙ligència Artificial (UPC), Ll. Màrquez
Download now