164 lines
4.1 KiB
Plaintext
164 lines
4.1 KiB
Plaintext
{
|
|
"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": 3,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"class Model():\n",
|
|
" \n",
|
|
" def __init__(self, vocab_size=30_000, UNK_token= '<UNK>', n=2):\n",
|
|
" # n - parametr dla \"n\"-gramów\n",
|
|
" pass\n",
|
|
" \n",
|
|
" def train(self, corpus:list) -> None:\n",
|
|
" pass\n",
|
|
" \n",
|
|
" def get_conditional_prob_for_word(self, text: list, word: str) -> float:\n",
|
|
" pass\n",
|
|
" \n",
|
|
" def get_prob_for_text(self, text: list) -> float:\n",
|
|
" pass\n",
|
|
" \n",
|
|
" def most_probable_next_word(self, text:list) -> str:\n",
|
|
" 'nie powinien zwracań nigdy <UNK>'\n",
|
|
" pass\n",
|
|
" \n",
|
|
" def generate_text(self, text_beggining:list, length: int, greedy: bool) -> list:\n",
|
|
" 'nie powinien zwracań nigdy <UNK>'\n",
|
|
" pass"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 1,
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"def get_perplexity(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": [
|
|
"## Zadanie (60 punktów)\n",
|
|
"\n",
|
|
"- Wybierz tekst w dowolnym języku (10 000 000 słów).\n",
|
|
"- Podziel zbiór na train/test w proporcji 9:1.\n",
|
|
"- Stwórz unigramowy model językowy.\n",
|
|
"- Stwórz bigramowy model językowy.\n",
|
|
"- Stwórz trigramowy model językowy.\n",
|
|
"- Wymyśl 5 krótkich zdań. Dla każdego oblicz jego prawdopodobieństwo.\n",
|
|
"- Napisz włąsnoręcznie funkcję, która liczy perplexity na korpusie i policz perplexity na każdym z modeli dla podzbiorów 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.\n",
|
|
"- Stwórz model dla korpusu z ZADANIE 1 i policz perplexity dla każdego z tekstów (zrób split 9:1) dla train i test.\n",
|
|
"\n",
|
|
"Dodatkowo:\n",
|
|
"- Dokonaj klasyfikacji za pomocą modelu językowego.\n",
|
|
" - Znajdź duży zbiór danych dla klasyfikacji binarnej, wytrenuj osobne modele dla każdej z klas i użyj dla klasyfikacji.\n",
|
|
"- Zastosuj wygładzanie metodą Laplace'a."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"#### START ZADANIA"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"metadata": {},
|
|
"source": [
|
|
"#### KONIEC ZADANIA"
|
|
]
|
|
},
|
|
{
|
|
"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": "3.10.12"
|
|
},
|
|
"subtitle": "0.Informacje na temat przedmiotu[ćwiczenia]",
|
|
"title": "Ekstrakcja informacji",
|
|
"year": "2021"
|
|
},
|
|
"nbformat": 4,
|
|
"nbformat_minor": 4
|
|
}
|