aitech-moj-2023/cw/04_statystyczny_model_językowy.ipynb

Ekstrakcja informacji

4. Statystyczny model językowy [ćwiczenia]

Jakub Pokrywka (2022)

NR_INDEKSU = 375985

https://web.stanford.edu/~jurafsky/slp3/3.pdf

class Model():
    
    def __init__(self, vocab_size=30_000, UNK_token= '<UNK>'):
        pass
    
    def train(corpus:list) -> None:
        pass
    
    def get_conditional_prob_for_word(text: list, word: str) -> float:
        pass
    
    def get_prob_for_text(text: list) -> float:
        pass
    
    def most_probable_next_word(text:list) -> str:
        'nie powinien zwracań nigdy <UNK>'
        pass
    
    def high_probable_next_word(text:list) -> str:
        'nie powinien zwracań nigdy <UNK>'
        pass
    
    def generate_text(text_beggining:list, length: int, greedy: bool) -> list:
        'nie powinien zwracań nigdy <UNK>'
        pass

def get_ppl(text: list) -> float:
    pass

def get_entropy(text: list) -> float:
    pass

• wybierz tekst w dowolnym języku (10_000_000 słów)

• podziel zbiór na train/test w proporcji 90/100

• stworzyć unigramowy model językowy

• stworzyć bigramowy model językowy

• stworzyć trigramowy model językowy

• wymyśl 5 krótkich zdań. Policz ich prawdopodobieństwo

• napisz włąsnoręcznie funkcję, która liczy perplexity na korpusie i policz perplexity na każdym z modeli dla train i test

• 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. We sketch how Loomis–Whitney follows from this: Indeed, let X be a uniformly distributed random variable with values oraz random variable with values?

• stwórz model dla korpusu z ZADANIE 1 i policz perplexity dla każdego z tekstów (zrób split 90/10) dla train i test

• klasyfikacja za pomocą modelu językowego

• wygładzanie metodą laplace'a

START ZADANIA

KONIEC ZADANIA

• 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)

WYKONANIE ZADAŃ

Zgodnie z instrukcją 01_Kodowanie_tekstu.ipynb

Teoria informacji

Wygładzanie modeli językowych