Tartalomelemzés - Laptörténet

Konnerth Raimund-Andreas: /* ZH (2014. tavasz) */

2015-11-16T10:43:14Z

ZH (2014. tavasz)

← Régebbi változat		A lap 2015. november 16., 12:43-kori változata
22. sor:		22. sor:
	## Hogyan alkalmazható többcímkés osztályozásra?		## Hogyan alkalmazható többcímkés osztályozásra?
	## Milyen a tanulás és tesztelés időigénye, és miért?		## Milyen a tanulás és tesztelés időigénye, és miért?
	# Hogy segíthet a tokenizálásnál, ha ismert a dokumentum nyelve?		# Hogy segíthet a tokenizálásnál, ha ismert a dokumentum nyelve? <br/> '''Megoldás:''' Ha ismert a dokumentum nyelve, akkor a tokenizáláskor figyelembe tudjuk venni az adott nyelv sajátosságait (pl. ékezetek és írásjelek használata, van-e szóköz, dátumok, mértékek használata).
	# Mi a szó-dokumentum mátrix használatának hátránya?		# Mi a szó-dokumentum mátrix használatának hátránya? <br/> '''Megoldás:''' A mátrix nagyon nagy lehet, ezért nehéz felépíteni és a műveletek elvégzése is időigényes.
	# Milyen hibát véthet egy szótövező?		# Milyen hibát véthet egy szótövező? <br/> '''Megoldás:''' <br/> '''Alultövezés''': két szóhoz, melyek jelentése ekvivalens a feldolgozás szempontjából, az algoritmus két külön tövet rendel. <br/> '''Túltövezés''': két szóhoz, melyek jelentése különböző, az algoritmus ugyanazt a tövet rendeli. <br/> '''Félreértelmezés''': olyan végződést vág le az algoritmus, ami valójában a tő része.
	# Egy korpuszban a második leggyakrabban előforduló szó relatív gyakorisága ''r''. Mennyi a 4. leggyakoribb szó relatív gyakorisága, ha a korpuszban előforduló szavak eloszlására igaz a Zipf-törvény (alfa = 1 esetén)?		# Egy korpuszban a második leggyakrabban előforduló szó relatív gyakorisága ''r''. Mennyi a 4. leggyakoribb szó relatív gyakorisága, ha a korpuszban előforduló szavak eloszlására igaz a Zipf-törvény (alfa = 1 esetén)? <br/> '''Megoldás:''' Zipf törvény: <math>P_n = 1 / n^a</math>. <br/> 2. leggyakoribb szó esetén <math>P_2 = 1/2 = r</math> <br/> 4. leggyakoribb szó esetén <math>P_4 = 1/4 = r/2</math>
	# Melyek a szótövező eljárások 3 nagy típusa? Mutassa be őket egy-két mondatban.		# Melyek a szótövező eljárások 3 nagy típusa? Mutassa be őket egy-két mondatban. <br/> '''Megoldás:''' <br/> Algoritmikus, nyelv-specifikus átírószabályokat alkalmazó módszerek. (pl. Porter, Snowball, Lovins, stb.) <br/> Szavakat és szótöveiket tartalmazó szótárt használó módszerek. <br/> Egyéb eljárások, pl. statisztikai módszerek alkalmazása.
	# Egy osztályozó mért pontossága (presision) ⅔. Milyen határok között lehet az F1 mértéke?		# Egy osztályozó mért pontossága (presision) ⅔. Milyen határok között lehet az F1 mértéke?
	# Mi az a CRF és mire használható?		# Mi az a CRF és mire használható?

Szotsaki: /* ZH (2014. tavasz) */

2014-04-23T06:47:05Z

ZH (2014. tavasz)

← Régebbi változat		A lap 2014. április 23., 08:47-kori változata
20. sor:		20. sor:
	# Naiv Bayes osztályozó		# Naiv Bayes osztályozó
	## Milyen képleten alapul; hogyan lehet a tényezőit becsülni?		## Milyen képleten alapul; hogyan lehet a tényezőit becsülni?
	## ~~Hogy~~ alkalmazható többcímkés osztályozásra?		## Hogyan alkalmazható többcímkés osztályozásra?
	## Milyen a tanulás és tesztelés időigénye, és miért?		## Milyen a tanulás és tesztelés időigénye, és miért?
	# Hogy segíthet a tokenizálásnál, ha ismert a dokumentum nyelve?		# Hogy segíthet a tokenizálásnál, ha ismert a dokumentum nyelve?
29. sor:		29. sor:
	# Egy osztályozó mért pontossága (presision) ⅔. Milyen határok között lehet az F1 mértéke?		# Egy osztályozó mért pontossága (presision) ⅔. Milyen határok között lehet az F1 mértéke?
	# Mi az a CRF és mire használható?		# Mi az a CRF és mire használható?

			==Ponthatárok==
			17-20 pont: 5 <br/>
			15-16 pont: 4 <br/>
			13-14 pont: 3 <br/>
			10-12 pont: 2 <br/>
			0-9 pont: 1

	{{Lábléc - Médiainformatika szakirány}}		{{Lábléc - Médiainformatika szakirány}}

Szotsaki, 2014. április 23., 06:44-n

2014-04-23T06:44:45Z

@@ 16. sor: / 16. sor: @@
 | tárgyhonlap =
 }}
 {{Lábléc - Médiainformatika szakirány}}

Szikszayl, 2014. március 21., 16:37-n

2014-03-21T16:37:13Z

← Régebbi változat		A lap 2014. március 21., 18:37-kori változata
17. sor:		17. sor:
	}}		}}

	~~[[Category:InfoMsc]]~~		{{Lábléc - Médiainformatika szakirány}}

Szikszayl: Új oldal, tartalma: „{{Tantárgy | név = Tartalomelemzés | tárgykód = VITMM139 | szak = info MSc | kredit = 4 | félév = 1 | kereszt = | tanszék = TMIT | labor = | kiszh = | nagyzh …”

2013-10-04T15:18:01Z

Új oldal, tartalma: „{{Tantárgy | név = Tartalomelemzés | tárgykód = VITMM139 | szak = info MSc | kredit = 4 | félév = 1 | kereszt = | tanszék = TMIT | labor = | kiszh = | nagyzh …”

Új lap

{{Tantárgy
| név = Tartalomelemzés
| tárgykód = VITMM139
| szak = info MSc
| kredit = 4
| félév = 1
| kereszt =
| tanszék = TMIT
| labor =
| kiszh =
| nagyzh = 1 db
| hf =
| vizsga = írásbeli
| levlista =
| tad = https://www.vik.bme.hu/kepzes/targyak/VITMM139/
| tárgyhonlap =
}}

[[Category:InfoMsc]]