165 lines
4.1 KiB
Plaintext
165 lines
4.1 KiB
Plaintext
{
|
||
"cells": [
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## Modelowanie języka – laboratoria\n",
|
||
"### 27 marca 2024\n",
|
||
"# 4. Statystyczny model językowy – część 1"
|
||
]
|
||
},
|
||
{
|
||
"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
|
||
}
|