better 04

cw/04_statystyczny_model_językowy.ipynb

@@ -16,7 +16,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 278,
+   "execution_count": 71,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -32,40 +32,25 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 36,
+   "execution_count": 72,
    "metadata": {},
    "outputs": [],
    "source": [
     "class Model():\n",
     "    \n",
-    "    def __init__(self, vocab_size=30_000, UNK_token= '<UNK>'):\n",
+    "    def __init__(self, vocab_size, UNK_token= '<UNK>'):\n",
     "        pass\n",
     "    \n",
     "    def train(corpus:list) -> None:\n",
     "        pass\n",
     "    \n",
-    "    def get_conditional_prob_for_word(text: list, word: str) -> float:\n",
+    "    def predict(text: list, probs: str) -> float:\n",
-    "        pass\n",
-    "    \n",
-    "    def get_prob_for_text(text: list) -> float:\n",
-    "        pass\n",
-    "    \n",
-    "    def most_probable_next_word(text:list) -> str:\n",
-    "        'nie powinien zwracań nigdy <UNK>'\n",
-    "        pass\n",
-    "    \n",
-    "    def high_probable_next_word(text:list) -> str:\n",
-    "        'nie powinien zwracań nigdy <UNK>'\n",
-    "        pass\n",
-    "    \n",
-    "    def generate_text(text_beggining:list, length: int, greedy: bool) -> list:\n",
-    "        'nie powinien zwracań nigdy <UNK>'\n",
     "        pass"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 24,
+   "execution_count": 73,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -75,75 +60,184 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 37,
+   "execution_count": 74,
    "metadata": {},
    "outputs": [],
    "source": [
-    "def get_entropy(text: list) -> float:\n",
+    "text = 'Pani Ala ma kota oraz ładnego pieska i 3 chomiki'"
-    "    pass"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 75,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "text_splitted = text.split(' ')"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 76,
+   "metadata": {
+    "scrolled": true
+   },
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "['Pani', 'Ala', 'ma', 'kota', 'oraz', 'ładnego', 'pieska', 'i', '3', 'chomiki']"
+      ]
+     },
+     "execution_count": 76,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "text_splitted"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 77,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "text_masked = text_splitted[:4] + ['<MASK>'] + text_splitted[5:]"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 78,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "['Pani',\n",
+       " 'Ala',\n",
+       " 'ma',\n",
+       " 'kota',\n",
+       " '<MASK>',\n",
+       " 'ładnego',\n",
+       " 'pieska',\n",
+       " 'i',\n",
+       " '3',\n",
+       " 'chomiki']"
+      ]
+     },
+     "execution_count": 78,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "text_masked"
    ]
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "- wybierz tekst w dowolnym języku (10_000_000 słów)\n",
+    "trigram_model działa na ['ma', 'kota', <'MASK>']"
-    "- podziel zbiór na train/test w proporcji 90/100\n",
+   ]
-    "- stworzyć unigramowy model językowy\n",
+  },
-    "- stworzyć bigramowy model językowy\n",
+  {
-    "- stworzyć trigramowy model językowy\n",
+   "cell_type": "markdown",
-    "- wymyśl 5 krótkich zdań. Policz ich prawdopodobieństwo\n",
+   "metadata": {},
-    "- napisz włąsnoręcznie funkcję, która liczy perplexity na korpusie i policz perplexity na każdym z modeli dla train i test\n",
+   "source": [
-    "- wygeneruj tekst, zaczynając od wymyślonych 5 początków. Postaraj się, żeby dla obu funkcji, a przynajmniej dla high_probable_next_word teksty były orginalne. Czy wynik będzię sie róźnił dla tekstów np.\n",
+    "trigram_model.predict(['ma', 'kota']) → 'i:0.55 oraz:0.25 czarnego:0.1 :0.1'"
-    "`We sketch how Loomis–Whitney follows from this: Indeed, let X be a uniformly distributed random variable with values` oraz  `random variable with values`?\n",
+   ]
-    "- stwórz model dla korpusu z ZADANIE 1 i policz perplexity dla każdego z tekstów (zrób split 90/10) dla train i test\n",
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## ZADANIE:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 79,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "g1 = [470618, 415366, 434695, 470611, 470607]\n",
+    "g2 = [440054, 434742, 434760, 434784, 434788]\n",
+    "g3 = [434804, 430705, 470609, 470619, 434704]\n",
+    "g4 = [434708, 470629, 434732, 434749, 426206]\n",
+    "g5 = [434766, 470628, 437622, 434780, 470627, 440058]"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 80,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "proszę zgłosić się do prowadzącego\n"
+     ]
+    }
+   ],
+   "source": [
+    "if NR_INDEKSU in g1:\n",
+    "    print('model bigramowy standardowy')\n",
+    "elif NR_INDEKSU  in g2:\n",
+    "    print('model bigramowy odwrotny')\n",
+    "elif NR_INDEKSU  in g3:\n",
+    "    print('model trigramowy')\n",
+    "elif NR_INDEKSU  in g4:\n",
+    "    print('model trigramowy odwrotny')\n",
+    "elif NR_INDEKSU  in g5:\n",
+    "    print('model trigramowy ze zgadywaniem środka')\n",
+    "else:\n",
+    "    print('proszę zgłosić się do prowadzącego')"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### gonito:\n",
+    "- zapisanie do achievmentu przez start working\n",
+    "- send to review"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### ZADANIE\n",
     "\n",
-    "- klasyfikacja za pomocą modelu językowego\n",
+    "Proszę stworzyć rozwiązanie modelu (komórka wyżej) dla https://gonito.net/challenge/challenging-america-word-gap-prediction i umieścić je na platformie gonito\n",
-    "- wygładzanie metodą laplace'a"
+    "    \n",
+    "Warunki zaliczenia:\n",
+    "- wynik widoczny na platformie zarówno dla dev i dla test\n",
+    "- wynik dla dev i test lepszy (niższy) od 1024.00\n",
+    "- deadline do końca dnia 27.04\n",
+    "- commitując rozwiązanie proszę również umieścić rozwiązanie w pliku /run.py  (czyli na szczycie katalogu). Można przekonwertować jupyter do pliku python przez File → Download as → Python. Rozwiązanie nie musi być w pythonie, może być w innym języku.\n",
+    "- zadania wykonujemy samodzielnie\n",
+    "- w nazwie commita podaj nr indeksu\n",
+    "- w tagach podaj \"n-grams\" (należy zatwierdzić przecinkiem po wybraniu tagu)!\n",
+    "\n",
+    "Uwagi:\n",
+    "\n",
+    "- nie trzeba korzystać z całego zbioru trenującego\n",
+    "- zadanie to 50 punktów, za najlepsze rozwiązanie w swojej grupie (g1,g2,g3,g4,g5), przyznaję dodatkowo 40 punktów\n",
+    "- punkty będą przyznane na gonito\n",
+    "- warto monitorować RAM, próbować z różnym vocab_size, można skorzystać z pythonowego Counter"
    ]
   },
   {
-   "cell_type": "markdown",
+   "cell_type": "code",
+   "execution_count": null,
    "metadata": {},
-   "source": [
+   "outputs": [],
-    "#### START ZADANIA"
+   "source": []
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "#### KONIEC ZADANIA"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "- znajdź duży zbiór danych dla klasyfikacji binarnej, wytrenuj osobne modele dla każdej z klas i użyj dla klasyfikacji. Warunkiem zaliczenia jest uzyskanie wyniku większego niż baseline (zwracanie zawsze bardziej licznej klasy)"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## WYKONANIE ZADAŃ\n",
-    "Zgodnie z instrukcją 01_Kodowanie_tekstu.ipynb"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## Teoria informacji"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## Wygładzanie modeli językowych"
-   ]
   }
  ],
  "metadata": {