- ett statistiskt fråga-svarsystem
|
|
- Klara Danielsson
- för 7 år sedan
- Visningar:
Transkript
1 - ett statistiskt fråga-svarsystem Artificiell intelligens II Linnea Wahlberg linwa713 1
2 Innehåll Introduktion... 1 Grundprinciper för asked!... 2 Retrieval model... 4 Filter model... 6 Komponenter... 8 Sammanfattning... 9 Litteraturförteckning... Fel! Bokmärket är inte definierat. 2
3 Introduktion asked! är ett fråga-svarsystem, ett så kallat QA-system, som finns att tillgå på internet på hemsidan Där kan man skriva in en faktafråga och systemet ställer då upp fem svar rankade efter hur stor sannolikhet att vara rätt svar som systemet anser att de har. Svaren består av ett eller några få ord, men genom att hålla musen över ett av svaren blir den mening som svaret finns i synlig. För att få ännu mer information kan man klicka på svaren och då kommer man till den hemsida där svaren har hittats. Skaparna av asked! anser att deras metod är väsentligt annorlunda än de vanliga metoderna att lösa QA-problem (Whittaker, Furui, Klakow, & Chatain, 2005). Idén med asked! är att det ska gå snabbt och lätt att bygga QA-system för olika språk, utan att avancerade lingvistiska moduler ska behöva användas. Istället för lingvistisk information använder sig asked! av en stor mängd tokens och webbaserad data. Med denna typ av information behandlas frågebesvaring som ett klassifikationsproblem och löses med ett statistiskt tillvägagångssätt. Eftersom det är ett statistiskt QA-system går principerna lätt att överföra till andra språk genom att ändra träningsdatan. Systemet finns nu på engelska, japanska, kinesiska, ryska och svenska (Whittaker, Furui, & Klakow, 2005). Andra fördelar med ett statistiskt system är att det är mindre känsligt för brusig (noisy) data och kan enkelt utökas till andra domäner (Whittaker, Furui, Klakow, & Chatain, 2005). Detta QA-system använder sig av statistik över n-gram hämtad från en stor samling med exempelfrågor med tillhörande svar och hittar svaren i stora mängder av textdata (Whittaker, Hamonic, & Furui, 2005). Även för träning av systemet används stora mängder av data (Whittaker, Furui, Klakow, & Chatain, 2005). Det använder sig inte av WordNet (en databas med olika betydelser och synonymer till engelska ord (Jurafsky & Martin, 2009)), extraktion av namn, information från semantisk analys eller parsning (att skapa en lingvistisk eller grammatisk struktur för ord (Jurafsky & Martin, 2009)). De enda särdrag som används är tokens omskrivna till versaler (Whittaker, Hamonic, & Furui, 2005). Svar till frågor beror egentligen inte bara på frågan i sig utan även på många andra faktorer som till exempel vem som ställer frågan, vilken situation frågan ställs i och vilken bakgrundsinformation som finns. Detta tas dock inte hänsyn till i asked! på grund av att det är svårt att modellera (Whittaker, Hamonic, & Furui, 2005). Om hänsyn skulle tas till sådana faktorer skulle inte heller systemet kunna överföras mellan olika språk så lätt som det görs utan sådan information. Hur asked! presterar är jämförbart med många andra QA-system som används, men det är sämre än de bästa system som finns (Whittaker, Hamonic, & Furui, 2005). År 2005 kom skaparna av asked! på elfte plats av tjugo i TREC, Text Retrieval Conference, vilket är en årlig tävling för informationsutvinning, med deras system (Whittaker E., Hamonic, Klingberg, Yang, & Furui, 2006). 1
4 Grundprinciper för asked! asked! använder det sig av stora mängder data som det beräknar statistiska sannolikheter på, och på så sätt räknar det ut vilket svar som enligt systemet passar bäst till frågan, det vill säga, vilket svar som har den största sannolikheten att vara det lämpligaste svaret på den ställda frågan. En stor mängd data används både för att träna systemet och för att utvinna svar till frågor. I asked! används en matematisk modell vilken gör ad-hocvikter och andra parametrar onödiga (Whittaker, Furui, & Klakow, 2005). Till att börja med, för att kunna göra en statistisk beräkning, antas svaret A på en fråga Q vara beroende av endast Q. Både Q och A består av varsin sträng med de ord som bygger upp frågan respektive svaret så att Q = och A =, där och är längden på strängarna. Q består av två delar; en del som visar vilken frågetyp det är och en informationsbärande del som är vad frågan handlar om. Dessa betecknas W och X så att W = W(Q) och X = X(Q). I frågan Hur många sjöar finns det i Finland? skulle Hur många höra till W och sjöar i Finland skulle höra till X. Att A är beroende av Q ger att A är beroende av W och X. Systemet ska hitta det svar som har störst sannolikhet att vara ett korrekt svar, givet de två delarna av en fråga. Detta gör det genom att söka igenom alla möjliga svar. För att förenkla uträkningen används Bayes regel för att skriva om ekvationen. Bayes regel tillåter att en ekvation för en sannolikhet skrivs om till ett set med andra sannolikheter som är enklare att räkna ut men ger samma svar, enligt följande: Den största sannolikheten för ett svar blir med Bayes regel omskriven till: Eftersom frågan, och därmed W och X, alltid är samma påverkar inte nämnaren P(W,X) jämförelser mellan sannolikheter för olika svar och kan därför tas bort ur beräkningen. För att ytterligare förenkla uträkningen antas X vara villkorligt oberoende av W givet A. Detta ger: Genom att återigen använda Bayes regel, den här gången åt omvänt håll, fås den slutgiltiga ekvationen. 2
5 Den slutliga ekvationen delas in i två delar som får namnen retrieval model och filter model. Retrieval model räknar ut sannolikheten för ett svar givet den informationsbärande delen av frågan, det vill säga X och filter model räknar ut sannolikheten för en frågetyp, det vill säga W, givet ett svar. Retreival model får fram en lista med möjliga svar, grundat på den informationsbärande delen i frågan. Filter model rangordnar sedan dessa utifrån hur svaren passar ihop med frågeorden i frågan genom att sätta samman sätt att ställa frågor på, med svar som passar ihop med dessa. Till exempel sätts frågor som innehåller ordet när ihop med svar som innehåller datum, veckodagar, år och så vidare. (Whittaker, Furui, Klakow, & Chatain, 2005). 3
6 Retrieval model För att räkna ut sannolikheten P(A X) används den så kallade retrieval model. Den räknar ut likheten mellan ett svar A och den informationsbärande delen X av frågan Q. A är en ordsekvens bestående av a 1,,a la och X = X(Q) vilket betyder att X genererar ord ur frågan Q. Genereras gör endast de ord som inte finns med i en stopplista, vilket är en lista bestående av ungefär 50 ofta förekommande ord. Den aktiva uppsättningen av särdrag x 1,,x la betecknas med X i, sådant att X i = x 1 * δ(d 1 ), x 2 * δ(d 2 ), x lx * δ(d lx ), där δ(.) är en diskret indikator som blir 1 om dess argument är sant och 0 om dess argument är falskt..x i består på så sätt av en lista med särdrag som är sanna, det vill säga de ord som finns som särdrag i frågan men som inte finns med i stopplistan. Sannolikheten för P(A X) räknas ut genom följande formel: där λ xi = 1/2 lx för alla i, P(A X 0 ) är ett nollgram och P(A X i ) är sannolikheten för A givet X i. Detta räknas ut med hjälp av MLE (maximum likelihood estimation) genom att dela antalet gånger A och X i förekommer i samma mening i korpusen S med hur många gånger X i förekommer i en mening i samma korpus S. V är den totala uppsättningen av unika ord som förekommer i korpusen. Formeln för att räkna ut N(A, X i ) modifieras på så sätt att påverkan från om A förekommer i föregående och/eller efterkommande mening läggs till genom λ adj, vilket oftast har ett värde 1. Ingen smoothing används eftersom det ger en mycket liten effekt på resultatet. Detta är delvis på grund av att det sker en automatisk smoothingeffekt vid interpolering av den totala 4
7 fördelningen och att det inte finns någon anledning för smoothing då ord som inte finns med i korpusen aldrig kan väljas som svar. En brist med retrieval model är att man använder samma vikter oavsett hur distributionen ser ut, det vill säga hur många särdrag som ingår i frågan, och detta borde påverka hur många gånger X i förekommer i korpusen N(X i ). Dock är inga pålitliga sådana relationer fastställda (Whittaker, Furui, Klakow, & Chatain, 2005). 5
8 Filter model För att räkna ut sannolikheten P(W A) så används den så kallade filter model. Den rangordnar de svar som retrieval model har fått fram efter hur bra de passar ihop med den typ av fråga som är ställd. Från frågan Q tas frågefraser W ut som läggs in i n-tupler genom mappningsfunktionen W(Q). Exempel på sådana frågefraser är Hur, Hur många och När var. De ord som extraheras som frågefraser är de som finns med i ett set med V W = 2522 ord. Dessa är hämtade ur frågor som varit med i TREC. Exempel på ord som används är när, var, vem, hur, många, djup, lång och så vidare. Det är ett komplicerat förhållande mellan W och A och därför införs en mellanliggande variabel c e, som representerar klasser av exempel på frågor med tillhörande svar. e visar vilken klass det är och är en siffra mellan 1 och C E, där C E är ett set bestående av alla c e. För att förenkla modelleringen antas W vara villkorligt oberoende av A. Sannolikheten P(W A) räknas ut genom att kolla om W och A förekommer i samma klass med frågor och tillhörande svar. E är ett set bestående av exempel på frågor med tillhörande svar, där ett exempel betecknas t j för j = 1 E. t j består av orden i exempelfrågan följt av orden i det tillhörande svaret så att t j = (. E är alltså ett set med exempelfrågor och svar och C E är ett set med klasser med exempelfrågor och svar. Genom att ange E kan en mappningsfunktion definieras som f : E C E genom f(t j ) = e. Funktionen lägger in setet med exempelfrågor och svar, E, i setet med klasser med exempelfrågor och svar, C E, genom att sätta ett nummer, e, på en exempelfråga med svar, t j, så att den hamnar i en klass. Formeln gör så att varje klass består av frågeorden, som finns i exempelfrågorna, i klassen ifråga tillsammans med orden i de tillhörande svaren. Detta ger att c e = (. Med denna definition av c e kan sannolikheten P(W A) skrivas om så att: vilket ger: 6
9 Genom två antaganden fås en ny formel för sannolikheten P(W A) fram. Det första antagandet är att svarsorden i en klass c e är villkorligt oberoende av A och det andra antagandet är att nummer j av svarsorden,, i klassen c e endast beror på det j:de svarsordet i svaret A. Den nya formeln blir: Eftersom setet med exempel på frågor med svar, E, inte täcker alla möjliga svar till frågor som kan ställas till systemet introduceras ett set C A som innehåller klasser med svar, c a. Med dessa kan man beräkna sannolikheten för att orden i ett exempelsvar är med i samma svarsklass som orden på samma position i det verkliga svaret. Med denna formel antas det att orden i exempelsvaret är villkorligt oberoende av svarsklassen c a givet orden i det verkliga svaret a j. Detta antagande leder till att svar med flera ord får en undervärderad sannolikhet. För att undvika detta normaliseras sannolikheten P(W A) med det geometriska medelvärdet av längden på svaret (Whittaker, Furui, Klakow, & Chatain, 2005). 7
10 Komponenter För att skapa ett QA-system så som asked! är uppbyggt behövs fyra komponenter: En samling med exempel på frågor med tillhörande svar. De behöver inte vara rätt svar till frågan men det måste vara rätt typ av svar till frågan (Whittaker E., Hamonic, Klingberg, Yang, & Furui, 2006). Denna samling används för att ange vilken typ av svar det är och betecknas E (i beskrivningen av filter model). Ett klassifikationssystem innehållandes klasser med olika typer av ord, till exempel klasser med namn på länder, personnamn, nummer och så vidare (Whittaker E., Hamonic, Klingberg, Yang, & Furui, 2006). Denna klassifikation används för att kunna generalisera olika svar till samma typ av svar och betecknas C A (i beskrivningen av filter model). En lista med frågeord så som vem, var, när och så vidare (Whittaker E., Hamonic, Klingberg, Yang, & Furui, 2006). Denna lista används för att få ut frågefrasen ur en fråga, det vill säga W (i beskrivningen av filter model). En stopplista med vanliga ord, vilka ska ignoreras av retrieval model (Whittaker E., Hamonic, Klingberg, Yang, & Furui, 2006). Exempel på frågor med tillhörande svar kan hittas på internet eller i frågesportsprogramvara som finns att köpa (Whittaker E., Hamonic, Klingberg, Yang, & Furui, 2006). Till asked! användes frågor med svar som förekommit i TREC (Whittaker, Furui, Klakow, & Chatain, 2005). För att skapa klasser med olika typer av ord används en snabb automatisk grupperingsalgoritm (automatic clustering algorithm), beskriven i E. Whittakers Statistial Language Modelling for Automatic Speech Recognition of Russian and English, För att utföra algoritmen behövs en stor mängd träningstext T ur vilken ett vokabulär med unika tokens tas ut. Dessa tokens grupperas sedan i klasser. Listan med frågeord fås fram genom att använda de oftast förekommande termerna i exempelfrågorna i E. Stopplistan består av de cirka 50 ord som oftast förekommer i träningstexten T. En stopplista används för att undvika att stora likheter mellan fråga och svar ska uppkomma i retrieval model på grund av att de innehåller många likadana vanligt förekommande ord, som och, en, men och liknande (Whittaker E., Hamonic, Klingberg, Yang, & Furui, 2006). asked! använder sig av sökmotorn Google för att hitta dokument som kan innehålla svaret på frågan som ställs. Frågan skickas vidare till Google efter att eventuella ord som finns med i stopplistan tagits bort. De 100 första dokumenten från Googles sökning laddas ner i sin helhet. HTML-taggar tas bort och alla bokstäver görs om till versaler i dokumenten. Dessa dokument söks sedan igenom för att hitta svaret med mest likhet med frågan (retrieval model) och som passar ihop med vilken typ av fråga det är (filter model). Undersökningar har visat att ju fler dokument som används desto bättre resultat blir det utan att några försämringar har upptäckts. Ända upp till 1000 dokument visar på dessa tendenser (Whittaker E., Hamonic, Klingberg, Yang, & Furui, 2006). 8
11 Sammanfattning asked! är ett QA-system som använder sig av statistiska beräkningar för att generera ett svar A till en fråga Q som, enligt systemet, har den högsta sannolikheten att vara rätt svar. Det använder sig inte av någon lingvistisk information, utan ser det som ett klassifikationsproblem, vilket innebär att frågor och svar delas in i klasser med vilken typ av fråga det är och vilken typ av svar som passar ihop med den. Systemet tar inte hänsyn till vem som ställer frågan, tidigare ställda frågor, vilken situation frågan ställs i och så vidare, dock är skaparna medvetna om att detta påverkar vilka svar som borde genereras. För att generera ett svar räknar systemet ut sannolikheten för ett svar givet en fråga. Frågan delas dock upp i två delar, en informationsbärande del X, som är vad frågan handlar om, och en frågetypsdel W, som är vilken typ av fråga det rör sig om. Till exempel i frågan Vad heter Håkan Hellströms första album? så hör Vad heter till W och Håkan Hellströms första album till X. Vilka ord som hör till W är de ord som oftast förekommer i ett set med exempelfrågor. Genom att anta ett antal villkorliga oberoenden, bland andra att X är villkorligt oberoende av W, och genom att använda Bayes regel fås en formel fram som räknar ut vilket svar som har störst sannolikhet att vara korrekt, nämligen: Denna formel är uppdelad i två delar, retreival model och filter model. Retrieval model räknar ut sannolikheten för ett svar A givet den informationsbärande delen X av frågan och filter model räknar ut sannolikheten för vilken frågetyp W det är givet svaret A. För att räkna ut hur stor sannolikhet för A givet X kollar retrieval model på hur lika A och X är varandra. Ju mer lika de är desto högre sannolikhet får A. De vanligaste orden i det språk som används tas dock bort ur frågan och ingår alltså inte i jämförelsen. Ett sådant ord kan vara och på svenska. Dessa ord tas bort för att de kan göra att ett svar med många sådana ord, men utan lika informationsbärande ord, får en hög sannolikhet. Vilka ord som ska tas bort fås fram genom att kolla vilka ord som oftast förekommer i en träningstext. Retrieval model kollar hur många gånger som X och A finns med i samma mening i den korpus där svaret ska hittas och jämför på så sätt likheten mellan dem. Filter model räknar ut sannolikheten för W givet A genom att kolla om de tillhör samma klass. Detta gör den genom att ha ett set med exempel på frågor med tillhörande svar som indelas i klasser. Ett sådant set kan fås från internet eller går att köpa. Med klassificeringen av exempelfrågorna med svar kan filter model undersöka om ett svar hör till samma klass som W. Eftersom inte alla tänkbara svar finns med bland exempelfrågorna med svar används även ett annat set som innehåller klasser med svar. Då kan sannolikheterna räknas ut utifrån om W passar ihop med den svarsklass som svaret är med i, istället för om det passar ihop med det specifika svaret. Vilken klass svaret tillhör får man fram genom att använda en grupperingsalgoritm på en träningstext. Retrieval model får fram svar som till innehållet passar ihop med frågan. Filter model används sedan för att rangordna svaren från retrieval model efter hur bra de passar ihop med vilken frågetyp det är på frågan. För att systemet ska hitta ett svar krävs en korpus i vilken det kan söka efter svaret. asked! använder sig av sökmotorn Google. Frågan Q skickas som den är till Google, dock utan orden 9
12 som är med i stopplistan och de 100 första dokumenten som fås fram genom sökningen letas igenom efter svaret. 10
13 Litteraturförteckning Jurafsky, D., & Martin, J. H. (2009). Speech and Language Processing. New Jersey: Pearson Education, Inc. Whittaker, E., Furui, S., & Klakow, D. (2005). A Statistical Classification Approach to Question Answering using Web Data. Washington DC: IEEE Computer Society. Whittaker, E., Furui, S., Klakow, D., & Chatain, P. (2005). TREC2005 Question Answering Experiments at Tokyo Institute of Technology. Proceedings of the Fourteenth Text Retrieval Conference (TREC). Whittaker, E., Hamonic, J., & Furui, S. (2005). A Unified Approach to Japanese and English Question Answering. Proceedings of the 5th NTCIR Workshop. Whittaker, E., Hamonic, J., Klingberg, T., Yang, D., & Furui, S. (2006). Rapid Development of Web-based Monolingual Question Answering Systems. Proceedings of the 28th European Conference on Information Retrieval. 11
Taltaggning. Rapport av Daniel Hasselrot 781105-0157, d98-dha@nada.kth.se 13 oktober 2003
Taltaggning av Daniel Hasselrot 781105-0157, d98-dha@nada.kth.se 13 oktober 2003 Sammanfattning Denna rapport är skriven i kursen Språkteknologi och behandlar taggning av årtal i en text. Metoden som används
Läs merStatistisk Maskinöversättning eller:
729G43 Statistisk Maskinöversättning eller: Hur jag slutade ängslas (över fördjupningsuppgiften) och lärde mig hata stoppord. Jonas Hilmersson 2019-04-15 Innehåll 1. Introduktion... 1 2. Datamängden...
Läs merLinköpings Universitet Artificiell Intelligens II 729G11 HT QA- system. Anders Janson
Linköpings Universitet Artificiell Intelligens II 729G11 HT 2011 QA- system Anders Janson 861128-6918 andja338@student.liu.se Sammanfattning Inom denna uppsats tar jag upp Question Answering system, som
Läs merGrundläggande textanalys. Joakim Nivre
Grundläggande textanalys Joakim Nivre Om kursen Ni har hittills läst Lingvistik Datorteknik Matematik Språkteknologiska tillämpningar Nu ska vi börja med språkteknologi på allvar Hur gör man text hanterbar
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merInternets historia Tillämpningar
1 Internets historia Redan i slutet på 1960-talet utvecklade amerikanska försvaret, det program som ligger till grund för Internet. Syftet var att skapa ett decentraliserat kommunikationssystem som skulle
Läs merForskning och utveckling inom språkteknologi Uppgift 3: Projektförslag Parallelliserad dependensparsning i CUDA
Forskning och utveckling inom språkteknologi Uppgift 3: Projektförslag Parallelliserad dependensparsning i CUDA Evelina Andersson 18 maj 2011 1 Introduktion Att träna mycket för att bli duktig på ett språk
Läs merhttp://www.sm.luth.se/~andreas/info/howtosearch/index.html
& ' ( ( ) * +, ', -. / ' 0! 1 " 2 # 3 / /! 1 $ 4, % 5 # 3, http://www.sm.luth.se/~andreas/info/howtosearch/index.html Andreas Tips och trix till sökningar i Cyberrymnden Här försöker jag att gå igenom
Läs merOntologier. Cassandra Svensson 2014-01-09
Ontologier Cassandra Svensson 2014-01-09 Sammanfattning Jag har läst Annika Flycht-Ericssons avhandling Design and Use of Ontoligies in information-providing Dialogue Systems. Med Annikas text som utgångspunkt
Läs merMVE051/MSG Föreläsning 7
MVE051/MSG810 2016 Föreläsning 7 Petter Mostad Chalmers November 23, 2016 Överblick Deskriptiv statistik Grafiska sammanfattningar. Numeriska sammanfattningar. Estimering (skattning) Teori Några exempel
Läs merDialogue Technologies April 2005
Dialogue Technologies April 2005 En typisk självbetjäningstjänst för web ser ut enligt följande En inledande text för att användaren skall förstå tjänsten En aktuell lista med de 10 vanligast frågorna
Läs merSyntaktisk parsning (Jurafsky & Martin kapitel 13)
Syntaktisk parsning (Jurafsky & Martin kapitel 13) Mats Wirén Institutionen för lingvistik Stockholms universitet mats.wiren@ling.su.se DH2418 Språkteknologi DA3010 Språkteknologi för datorlingvister Föreläsning
Läs merRangordning av internetsidor - ett egenvärdesproblem för positiva matriser
Rangordning av internetsidor - ett egenvärdesproblem för positiva matriser Ett litet nätverk med 8 noder och ett antal länkar mellan noderna: 8 1 2 7 3 6 5 4 Hur kan vi rangordna noder? Vilken är viktigast?
Läs merFöreläsning 8: Konfidensintervall
Föreläsning 8: Konfidensintervall Matematisk statistik Chalmers University of Technology Maj 4, 2015 Projektuppgift Projektet går ut på att studera frisättningen av dopamin hos nervceller och de två huvudsakliga
Läs merTaligenkänning. Sanna Aronsson sanar429 Artificiell Intelligens, HKGBB0
Taligenkänning, HKGBB0 Abstract Ett taligenkänningssystem är att ett system som har som uppgift att identifiera enstaka ord eller hela sekvenser av ord. Detta gör den genom att jämföra denna ordsekvens
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merLinköpings universitet Artificiell Intelligens II 729G11 HT Maskinöversättning. med hjälp av statistik. Erik Karlsson
Maskinöversättning med hjälp av statistik Erik Karlsson erika669@student.liu.se Innehåll Inledning... 1 Bakgrund och historia... 2 Historia... 2 Klassiska designer... 2 Direkt översättning... 2 Interlingua...
Läs merStatistisk mönsterigenkänning
Statistisk mönsterigenkänning Jonas Sandström Artificiell intelligens II Linköpings universitet HT 2011 Innehållsförteckning 1. Innehållsförteckning sid 2 2. Inledning sid 3 3. Statistisk mönsterigenkänning
Läs merb) NY KURS (Ange kursnamn, årskurs, önskad läsperiod, schemablocksplacering. Bifoga utkast till kursplan.)
LINKÖPINGS TEKNISKA HÖGSKOLA Tekniska fakultetskansliet FÖRSLAG TILL PROGRAMNÄMND INFÖR ÅR NÄMND/NÄMNDER: Förslagsställare (Namn, funktion, Inst/Enhet) FÖRSLAGET GÄLLER: a) EXISTERANDE KURS (Ange kurskod
Läs merTDDD02 Föreläsning 6 HT-2013
TDDD02 Föreläsning 6 HT-2013 QA: Frågebesvarande system Lars Ahrenberg Litteratur: Brill m.fl. An Analysis of the AskMSR QA system Översikt Definition och exempel Utvärdering Standardkomponenter i QA-system
Läs merLINKÖPINGS UNIVERSITET 729G11, Artificiell Intelligens II, HT10 SMT. En fördjupning i statistiska maskinöversättningssystem
LINKÖPINGS UNIVERSITET 729G11, Artificiell Intelligens II, SMT En fördjupning i statistiska maskinöversättningssystem johka299@student.liu.se 2010-10-01 Innehållsförteckning 1. Introduktion till översättning...
Läs merhttp://www.youtube.com/watch?v=jpenfwiqdx8
http://www.youtube.com/watch?v=jpenfwiqdx8 1 Sökmotoroptimering SEO En introduktion för webbredaktörer 2 Agenda Var är vi på väg? Hur fungerar sökmotorer? Hur går det till när jag söker? Hur hänger det
Läs merAlla filer som bearbetar PHP script ska avslutas med ändelsen.php, exempelvis ska en indexsida till en hemsida heta index.php
Introlektion PHP är ett av de enklare språken att lära sig just pga. dess dynamiska struktur. Det används för att bygga upp båda stora och mindre system. Några vanliga system som använder sig av PHP är
Läs merSpråkteknologi och Open Source
Språkteknologi och Open Source Erik Edin F01 erikedin@kth.se 15 oktober 2004 1 1 Open Source Open Source är en rörelse som syftar till att skriva datorprogram som släpps fria utan kommersiella intressen.
Läs merIntroduktion till frågespråket SQL (v0.91)
DD1370: Databaser och Informationssystem Hösten 2014 Petter Ögren Introduktion till frågespråket SQL (v0.91) 13:e November Disclaimer: Dessa anteckningar har producerats under viss tidspress, och kan därför
Läs merSTRÄNGAR DATATYPEN. Om du vill baka in variabler eller escape-tecken måste du använda dubbla citattecken. strängar
STRÄNGAR En av de mest avancerade av de normala datatyperna är. Här skall vi grundläggande gå igenom hur den datatypen fungerar och vidare flertalet funktioner som hör till datatypen. Låt oss kasta oss
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
Läs merNELL - Never-Ending Language Learner
NELL - Never-Ending Language Learner, Innehåll 1. Inledning... 3 2. Termer... 4 3. Allmänt om NELL-projektet... 4 3.1 Uppgift... 4 3.2 Initialisering... 4 4. Hur fungerar NELL?... 5 4.1 Uppbyggnad... 5
Läs merKan du det här? o o. o o o o. Derivera potensfunktioner, exponentialfunktioner och summor av funktioner. Använda dig av derivatan i problemlösning.
Kan du det här? o o o o o o Vad innebär det att x går mot noll? Vad händer då x går mot oändligheten? Vad betyder sekant, tangent och ändringskvot och vad har dessa begrepp med derivatan att göra? Derivera
Läs merBeräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692
Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 3 4 november 2016 1 / 28 Idag Förra gången Stokastiska variabler (Kap. 3.2) Diskret stokastisk variabel (Kap. 3.3 3.4) Kontinuerlig stokastisk
Läs merJohan Karlsson Johka490. Statistical machine translation JOHAN KARLSSON
Johan Karlsson Johka490 Statistical machine translation JOHAN KARLSSON Innehåll Introduktion... 2 Bakgrund... 3 Statistiska maskinöversättningssystem... 3 Hur ett SMT-system fungerar... 4 Motsvarighetsmodell
Läs merEn introduktion till predikatlogik
rasmus.blanck@gu.se FT1200, LC1510 och LGFI52 VT2017 (Premiss 1) (Premiss 2) (Slutsats) Alla människor är dödliga Sokrates är en människa Sokrates är dödlig Detta argument är intuitivt giltigt: Det finns
Läs merArtificiell intelligens II, 729g11 Projekt HT-11. Taligenkänning. Nina Knez
Taligenkänning 1 Sammanfattning Taligenkänning är i dagens samhälle en nödvändig teknik för många människor för att lättare ta sig fram genom vardagen. Man hittar tekniken i olika sammanhang som telefonupplysning,
Läs mer1. Inledning, som visar att man inte skall tro på allt man ser. Betrakta denna följd av tal, där varje tal är dubbelt så stort som närmast föregående
MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Christian Gottlieb Gymnasieskolans matematik med akademiska ögon Induktion Dag 1 1. Inledning, som visar att man inte skall tro på allt man ser. Betrakta
Läs merUppsala Universitet Matematiska Institutionen Thomas Erlandsson
Uppsala Universitet Matematiska Institutionen Thomas Erlandsson LÄSANVISNINGAR VECKA 36 VERSION 1. ARITMETIK FÖR RATIONELLA OCH REELLA TAL, OLIKHETER, ABSOLUTBELOPP ADAMS P.1 Real Numbers and the Real
Läs merLogistisk regression och Indexteori. Patrik Zetterberg. 7 januari 2013
Föreläsning 9 Logistisk regression och Indexteori Patrik Zetterberg 7 januari 2013 1 / 33 Logistisk regression I logistisk regression har vi en binär (kategorisk) responsvariabel Y i som vanligen kodas
Läs merFalcon och QA- system generellt
Falcon och QA- system generellt Ett projektarbete i kursen Artificiell Intelligens II, 729G11 Linköpings Universitet ht 2009 Sanna Heurlén sanhe399@student.liu.se 880831-1966 Sammanfattning Denna rapport
Läs merGoogles sidrankning - linjär algebra värt en förmögenhet
Googles sidrankning - linjär algebra värt en förmögenhet Outline 1 Sökmotorer 2 Grafteori Linjär algebra 3 Målet Utifrån användarens sökord lista de mest relevanta webbsidorna. Dessutom i en ordning som
Läs merOptimering av webbsidor
1ME323 Webbteknik 3 Lektion 7 Optimering av webbsidor Rune Körnefors Medieteknik 1 2019 Rune Körnefors rune.kornefors@lnu.se Agenda Optimering SEO (Search Engine Optimization) Sökmotor: index, sökrobot
Läs merLaboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 3 Matematisk statistik AK för CDIFysiker, FMS012/MASB03, HT15 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla
Läs merWord- sense disambiguation
KTH Word- sense disambiguation Inlämningsuppgift - DD2418 - sprakt12 Mattias Uskali & Emilia Hillert 1/8/2013 Sammanfattning Denna rapport kommer att undersöka två metoder för word- sense disambiguation,
Läs merProbabilistisk logik 2
729G43 Artificiell intelligens / 2016 Probabilistisk logik 2 Marco Kuhlmann Institutionen för datavetenskap Översikt Probabilistiska modeller Probabilistisk inferens 1: Betingad sannolikhet Probabilistisk
Läs merAnvändarhandledning Version 1.2
Användarhandledning Version 1.2 Innehåll Bakgrund... 2 Börja programmera i Xtat... 3 Allmänna tips... 3 Grunderna... 3 Kommentarer i språket... 4 Variabler... 4 Matematik... 5 Arrayer... 5 på skärmen...
Läs merMatematisk statistik TMS064/TMS063 Tentamen
Matematisk statistik TMS64/TMS63 Tentamen 29-8-2 Tid: 4:-8: Tentamensplats: SB Hjälpmedel: Bifogad formelsamling och tabell samt Chalmersgodkänd räknare. Kursansvarig: Olof Elias Telefonvakt/jour: Olof
Läs merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 25..26 Jan Grandell & Timo Koski Matematisk statistik 25..26 / 44 Stokastiska
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med följande viktiga områden inom matematisk statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 01, HT-07 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen, enkla punktskattningar
Läs merLinköpings universitet
2016-08-24 Vad är kognition? tt ta in, lagra och bearbeta information: Kognitionsvetenskaplig introduktionskurs Perception Information tas in och flödar genom begränsade informationskanaler Föreläsning
Läs merArtificiell Intelligens
Omtentamen Artificiell Intelligens Datum: 2014-02-20 Tid: 14.00 18.00 Ansvarig: Resultat: Hjälpmedel: Gränser: Anders Gidenstam Redovisas inom tre veckor Inga G 8p, VG 12p, Max 16p Notera: Skriv läsbart!
Läs merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 8.9.28 Jan Grandell & Timo Koski () Matematisk statistik 8.9.28 / 45 Stokastiska
Läs merVardagssituationer och algebraiska formler
Modul: Algebra Del 7: Kommunikation i algebraklassrummet Vardagssituationer och algebraiska formler Cecilia Kilhamn, Göteborgs Universitet och Jörgen Fors, Linnéuniversitetet En viktig del av algebran
Läs merNeurala nätverk och språkigenkänning. Henrik Linnarsson. Linköping University
Neurala nätverk och språk Henli807!1 Neurala nätverk och språkigenkänning Henrik Linnarsson Linköping University Neurala nätverk och språk Henli807!2 RNN, LSTM och språkigenkänning Inledning Idag är språkigenkänning
Läs merNyhetsbevakning och Information Retrieval. Utvärdering av nyhetsbevakningssystem. Syfte med IR-system. Vilket system är bättre?
Utvärdering av nyhetsbevakningssystem Eriks Sneiders eriks@dsv.su.se 24-1-12 Nyhetsbevakning och Information Retrieval Applikationsnivå Nyhetsbevakning att hitta intressanta artiklar i flödet Tekniknivå
Läs mer729G11 Artificiell Intelligens Marcus Johansson Marjo581. Fuzzy logic. Marcus Johansson Marjo581
Fuzzy logic 880328-2535 Innehåll Fuzzy logic... 1 1. Inledning... 4 2. Jämförelse mellan fuzzy logic och tvåvärdeslogik.... 4 3. Fuzzy sets.... 4 4. Linvistiska variabler... 5 5. Operatorer... 5 6. If-
Läs merLösningar till Algebra och kombinatorik
Lösningar till Algebra och kombinatorik 091214 1. Av a 0 = 1 och rekursionsformeln får vi successivt att a 1 = 1 + a 0 1 a 0 = 1 + 1 1 1 = 2, a 2 = 1 + a 1 1 a 0 + 1 a 1 = 1 + 2 1 + 1 = 4, 2 a 3 = 1 +
Läs merMedieteknologi Webbprogrammering och databaser MEB725, 5p (7,5 ECTS) Klientprogrammering JavaScript Program på flera sidor
http://w3.msi.vxu.se/multimedia Medieteknologi Webbprogrammering och databaser MEB725, 5p (7,5 ECTS) Klientprogrammering JavaScript Program på flera sidor Rune Körnefors Innehåll Variabler i JavaScript
Läs merTDDD02 Språkteknologi för informationssökning (2016) Introduktion. Marco Kuhlmann Institutionen för datavetenskap
TDDD02 Språkteknologi för informationssökning (2016) Introduktion Marco Kuhlmann Institutionen för datavetenskap Vad är språkteknologi? Vad är språkteknologi? Språkteknologi är all teknologi som skapas
Läs merBygga linjära modeller! Didrik Vanhoenacker 2007
Bygga linjära modeller! Didrik Vanhoenacker 2007 1 Bygga enkla modeller Tänk att vi ska försöka förstå vad som styr hur många blommor korsblommiga växter har. T ex hos Lomme och Penningört. Hittills har
Läs merÖvningshäfte 2: Induktion och rekursion
GÖTEBORGS UNIVERSITET MATEMATIK 1, MMG200, HT2017 INLEDANDE ALGEBRA Övningshäfte 2: Induktion och rekursion Övning D Syftet är att öva förmågan att utgående från enkla samband, aritmetiska och geometriska,
Läs merSpecifikation och tidsplan för examensarbete
Specifikation och tidsplan för examensarbete Anneli Lönn 19 maj 2003 1 Deltagare Anneli Lönn ska utföra projektet hos CognIT a.s i Oslo Robert Engels, handledare CognIT a.s Till Christopher Lech, handledare
Läs mer729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 3 Marco Kuhlmann Förra gången: Perceptroninlärning Beslutsregel predicerat y-värde Exempel: AND Välj parametrar θ 0, θ 1, θ 2 sådana att perceptronen
Läs merLaboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 3 MATEMATISK STATISTIK AK FÖR CDIFYSIKER, FMS012/MASB03, HT12 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla
Läs merRandom Indexing för vektorbaserad semantisk analys
Random Indexing för vektorbaserad semantisk analys ScandSum 23 Vektorbaserad semantisk analys Ord (-betydelser) som vektorer i en mångdimensionell rymd y gitarr luta ScandSum 23 x tuba Vektorbaserad semantisk
Läs merFör logitmodellen ges G (=F) av den logistiska funktionen: (= exp(z)/(1+ exp(z))
Logitmodellen För logitmodellen ges G (=F) av den logistiska funktionen: F(z) = e z /(1 + e z ) (= exp(z)/(1+ exp(z)) Funktionen motsvarar den kumulativa fördelningsfunktionen för en standardiserad logistiskt
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Grunderna i sannolikhetslära 2 Innehåll 1 Grunderna i sannolikhetslära 2 Satistik och sannolikhetslära Statistik handlar om att utvinna information från data. I praktiken inhehåller de data
Läs merKungl. Tekniska högskolan NADA Grundformer med Stava
Kungl. Tekniska högskolan NADA Grundformer med Stava Språkteknologi 2D1418 Höstterminen 2004 Författare: Andreas Pettersson az@kth.se 1. Bakgrund Om man automatiskt ska plocka ut de informationsbärande
Läs merLogisk semantik I. 1 Lite om satslogik. 1.1 Konjunktioner i grammatisk bemärkelse. 1.2 Sant och falskt. 1.3 Satssymboler. 1.
UPPSALA UNIVERSITET Datorlingvistisk grammatik I Institutionen för lingvistik och filologi Oktober 2007 Mats Dahllöf http://stp.ling.uu.se/ matsd/uv/uv07/dg1/ Logisk semantik I 1 Lite om satslogik 1.1
Läs mer2D1418, Språkteknologi NADA, Kungliga Tekniska Högskolan 2004-10-17 SÖKMOTOROPTIMERING. Av Erik Lindgren 810110-8218 soft@kth.se
2D1418, Språkteknologi NADA, Kungliga Tekniska Högskolan 2004-10-17 SÖKMOTOROPTIMERING Av Erik Lindgren 810110-8218 soft@kth.se SAMMANFATTNING Föreliggande uppsats behandlar ämnet sökmotoroptimering.
Läs merIntroduktion till integrering av Schenkers e-tjänster. Version 2.0
Introduktion till integrering av Schenkers e- Version 2.0 Datum: 2008-06-18 Sida 2 av 8 Revisionshistorik Lägg senaste ändringen först! Datum Version Revision 2008-06-18 2.0 Stora delar av introduktionen
Läs merProbabilistisk logik 1
729G43 Artificiell intelligens / 2016 Probabilistisk logik 1 Marco Kuhlmann Institutionen för datavetenskap Osäkerhet 1.01 Osäkerhet Agenter måste kunna hantera osäkerhet. Agentens miljö är ofta endast
Läs merProjekt i språkteknologi Projektförslag Johanna Karlsson joka1954
Projekt i språkteknologi Projektförslag Johanna Karlsson 870411-7129 joka1954 1. Inledning Opus är en växande parallell korpus med data från många olika språk (Tiedemann, 2009). Data som finns i OPUS i
Läs merLösning till tentamensskrivning i Diskret Matematik för CINTE, CL2 och Media 1, SF1610 och 5B1118, onsdagen den 17 augusti 2011, kl
Matematiska Institutionen KTH Lösning till tentamensskrivning i Diskret Matematik för CINTE, CL och Media, SF60 och 5B8, onsdagen den 7 augusti 0, kl 4.00-9.00. Examinator: Olof Heden Hjälpmedel: Inga
Läs merWebbgenvägar. Krishna Tateneni Yves Arrouye Översättare: Stefan Asserhäll
Krishna Tateneni Yves Arrouye Översättare: Stefan Asserhäll 2 Innehåll 1 Webbgenvägar 4 1.1 Inledning........................................... 4 1.2 Webbgenvägar........................................
Läs merAnsiktsigenkänning. Anna Ericsson Linköpings Universitet Linköping
Ansiktsigenkänning Anna Ericsson Linköpings Universitet Linköping 2011-09-18 Innehållsförteckning Sammanfattning... 1 Introduktion... 2 Ansiktsigenkänning med Eigenfaces... 3 Eigenfaces steg för steg...
Läs merGränssnitt för FakeGranska. Lars Mattsson
Gränssnitt för FakeGranska av Lars Mattsson (larsmatt@kth.se) Innehållsförteckning 1 Introduktion...3 2 Genomförande:...3 3 Användning...5 4 Kända buggar:...6 5 Källförteckning...6 2 1 Introduktion Taken
Läs merFuzzy Logic. När oskarpa definitioner blir kristallklara. Åsa Svensson. Linköpings Universitet. Linköping
Fuzzy Logic När oskarpa definitioner blir kristallklara Linköpings Universitet Linköping Sammanfattning I denna fördjupningsuppgift har jag fokuserat på Fuzzy Logic och försökt att beskriva det på ett
Läs merStatistik och epidemiologi T5
Statistik och epidemiologi T5 Anna Axmon Biostatistiker Yrkes- och miljömedicin Dagens föreläsning Fördjupning av hypotesprövning Repetition av p-värde och konfidensintervall Tester för ytterligare situationer
Läs merIntroduktion till programmering SMD180. Föreläsning 9: Tupler
Introduktion till programmering Föreläsning 9: Tupler 1 1 Sammansatta datatyper Strängar Sekvenser av tecken Icke muterbara Syntax: "abcde" Listor Sekvenser av vad som helst Muterbara Syntax: [1, 2, 3]
Läs merFöreläsning 5: Modellering av frasstruktur. 729G09 Språkvetenskaplig databehandling Lars Ahrenberg
Föreläsning 5: Modellering av frasstruktur 729G09 Språkvetenskaplig databehandling Lars Ahrenberg 2014-05-05 1 Översikt Introduktion generativ grammatik och annan syntaxforskning Att hitta mönster i satser
Läs merTal i bråkform. Kapitlet behandlar. Att förstå tal
Tal i bråkform Kapitlet behandlar Test Användning av hälften och fjärdedel 2 Representation i bråkform av del av antal och av del av helhet 3, Bråkform i vardagssituationer Stambråk, bråkuttryck med 1
Läs merMÖNSTER OCH TALFÖLJDER
MÖNSTER OCH TALFÖLJDER FÖRELÄSNINGENS INNEHÅLL OCH SYFTE Genomgång av viktiga matematiska begrepp, uttryck och symboler med anknytning till mönster och talföljder. Skälet till att välja detta innehåll
Läs merHandledare: Mikael Goldmann
2012-02- 23 Jacob Rydh Robert Hedin Sudoku Solver Projektspecifikation Handledare: Mikael Goldmann Introduktion Vi ska studera och utforma olika algoritmer för att lösa Sudoku puzzel. Vi kommer testa olika
Läs merALEPH ver. 16 Sökning
Fujitsu, Westmansgatan 47, 582 16 Linköping INNEHÅLLSFÖRTECKNING 1. INLEDNING... 1 2. SÖK... 1 2.1 Avancerad sökning... 2 2.2 CCL flera databaser... 2 2.3 Flera fält... 3 2.4 Regler för sökning... 4 2.5
Läs merFöreläsning 1. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 1 Statistik; teori och tillämpning i biologi 1 Kursens uppbyggnad 9 föreläsningar Föreläsningsunderlag läggs ut på kurshemsidan 5 lektioner Uppgifter från kursboken enligt planering 5 laborationer
Läs merOlika sätt att lösa ekvationer
Modul: Algebra Del 5: Algebra som språk Olika sätt att lösa ekvationer Cecilia Kilhamn, Göteborgs Universitet och Lucian Olteanu, Linnéuniversitetet Att lösa ekvationer är en central del av algebran, det
Läs merKinesiska restsatsen
Matematik, KTH Bengt Ek juli 2017 Material till kurserna SF1679 och SF1688, Diskret matematik: Kinesiska restsatsen Vi vet att för varje m Z + och varje a Z, ges alla x Z som uppfyller x a (mod m) av x
Läs merBestäm med hjälp av en lämplig och välmotiverad approximation P (X > 50). (10 p)
Avd. Matematisk statistik TENTAMEN I SF1901, SF1905, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 17:E AUGUSTI 2015 KL 8.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66 Tillåtna hjälpmedel: Formel-
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merInlämningsuppgift : Finn. 2D1418 Språkteknologi. Christoffer Sabel E-post: csabel@kth.se 1
Inlämningsuppgift : Finn 2D1418 Språkteknologi Christoffer Sabel E-post: csabel@kth.se 1 1. Inledning...3 2. Teori...3 2.1 Termdokumentmatrisen...3 2.2 Finn...4 3. Implementation...4 3.1 Databasen...4
Läs merIntroduktion till språkteknologi
Introduktion till språkteknologi OH-serie 9: informationshantering http://stp.lingfil.uu.se/~matsd/uv/uv08/ist/ Informationshantering Hjälpa en användare att söka efter dokument eller information i dokumentsamlingar.
Läs merMarco Kuhlmann, Institutionen för datavetenskap, Linköpings universitet 17 mars 2014
Tentamen Marco Kuhlmann, Institutionen för datavetenskap, Linköpings universitet marco.kuhlmann@liu.se 17 mars 2014 Inga hjälpmedel är tillåtna. Maximal poäng finns angiven för varje fråga. Maximal poäng
Läs merKom igång med TIS-Office
Kom igång med TIS-Office Denna guide hjälper dig att komma igång med TIS-Office, mer information om hur man använder programmet finns i manualer på TIS-Office CD-skivan och i den inbyggda hjälpfunktionen
Läs merTDDD02 Språkteknologi för informationssökning (2016) Ordpredicering. Marco Kuhlmann Institutionen för datavetenskap
TDDD02 Språkteknologi för informationssökning (2016) Ordpredicering Marco Kuhlmann Institutionen för datavetenskap Ordpredicering Ordpredicering innebär att föreslå eller välja ord i en given kontext.
Läs merHär är två korta exempel på situationer då vi tillämpar den distributiva lagen:
Modul: Algebra Del 8: Avslutande reflektion och utvärdering Distributiva lagen Cecilia Kilhamn, Göteborgs Universitet Distributiva lagen a (b + c) = a b + a c Den distributiva lagen kallas den räknelag
Läs merUnder Kurser visas dina kurser som kort och om där finns nya uppgifter eller anslag visas antalet i kurskortet.
En kort introduktion till Fronter 19 Välkommen till en ny Fronter-upplevelse. Den här guiden kommer att ta upp skillnader mellan den nuvarande Fronter-plattformen och Fronter 19, och de förändrade arbetsprocesserna.
Läs merKlustring av svenska tidningsartiklar
Klustring av svenska tidningsartiklar Magnus Rosell rosell@nada.kth.se http://www.nada.kth.se/ rosell/ Klustring Kategorisering eller klassificering att föra texter till på förhand bestämda kategorier
Läs merLaboration 3: Enkla punktskattningar, styrkefunktion och bootstrap
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 3, HT -06 MATEMATISK STATISTIK FÖR F, PI OCH NANO, FMS 012 MATEMATISK STATISTIK FÖR FYSIKER, MAS 233 Laboration 3: Enkla punktskattningar,
Läs merBIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 1, OCH ÖVNING 2, SAMT INFÖR ÖVNING 3
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 1, 2016-04-01 OCH ÖVNING 2, 2016-04-04 SAMT INFÖR ÖVNING 3 Övningarnas mål: Du ska förstå grundläggande
Läs merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärd funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs mer