From af3ecc3894d6a3f00da91faed4f6451d6bab0c70 Mon Sep 17 00:00:00 2001
From: =?UTF-8?q?Pawe=C5=82=20Sk=C3=B3rzewski?= <pawel.skorzewski@amu.edu.pl>
Date: Tue, 26 Mar 2024 14:24:52 +0100
Subject: [PATCH] Lab 4

---
 lab/04_statystyczny_model_językowy.ipynb | 170 ++++++++++++++++++++++
 1 file changed, 170 insertions(+)
 create mode 100644 lab/04_statystyczny_model_językowy.ipynb

diff --git a/lab/04_statystyczny_model_językowy.ipynb b/lab/04_statystyczny_model_językowy.ipynb
new file mode 100644
index 0000000..20a5d57
--- /dev/null
+++ b/lab/04_statystyczny_model_językowy.ipynb
@@ -0,0 +1,170 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "<h1> Modelowanie języka </h1>\n",
+    "<h2> 4. <i>Statystyczny model językowy</i>  [ćwiczenia]</h2> "
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 278,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "NR_INDEKSU = 375985"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "https://web.stanford.edu/~jurafsky/slp3/3.pdf"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 36,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "class Model():\n",
+    "    \n",
+    "    def __init__(self, vocab_size=30_000, 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",
+    "        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,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def get_ppl(text: list) -> float:\n",
+    "    pass"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 37,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def get_entropy(text: list) -> float:\n",
+    "    pass"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "- wybierz tekst w dowolnym języku (10_000_000 słów)\n",
+    "- 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",
+    "- wymyśl 5 krótkich zdań. Policz ich prawdopodobieństwo\n",
+    "- napisz włąsnoręcznie funkcję, która liczy perplexity na korpusie i policz perplexity na każdym z modeli dla train i test\n",
+    "- 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",
+    "`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",
+    "\n",
+    "- klasyfikacja za pomocą modelu językowego\n",
+    "- wygładzanie metodą laplace'a"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "#### START ZADANIA"
+   ]
+  },
+  {
+   "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": {
+  "author": "Jakub Pokrywka",
+  "email": "kubapok@wmi.amu.edu.pl",
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "lang": "pl",
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.8.3"
+  },
+  "subtitle": "0.Informacje na temat przedmiotu[ćwiczenia]",
+  "title": "Ekstrakcja informacji",
+  "year": "2021"
+ },
+ "nbformat": 4,
+ "nbformat_minor": 4
+}