Estudio de métodos semisupervisados para la desambiguación de sentidos verbales del español / Cristian Cardellino.
Detalles de publicación: [S.l. : s.n. ], 2018.Descripción: xvi, 186 páginas : ilustraciones ; 30 cmTema(s):- Computing methodologies-Semisupervised learning settings
- Computing methodologies-Natural language processing
- Computing methodologies-Artificial intelligence
- Inteligencia artificial
- Procesamiento de lenguaje natural
- Desambiguación de sentidos
- Desambiguación de verbos del español
- Aprendizaje automático
- Aprendizaje semisupervisado
- Aprendizaje profundo
Tipo de ítem | Biblioteca actual | Signatura | URL | Copia número | Estado | Notas | Fecha de vencimiento | Código de barras | Reserva de ítems |
---|---|---|---|---|---|---|---|---|---|
Tesis de Doctorado | FaMAF Vitrina | T C CAR | Enlace al Recurso | 1 | Disponible | Disponible también en línea | 23300 |
Tesis (Doctor en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2018.
Bibliografía: p. 179-186.
Esta tesis explora el uso de técnicas semisupervisadas para la desambigación de sentidos verbales del español. El objetivo es el estudio de como la información de datos no etiquetados, que son mayores en tamaño, puede ayudar a un clasificador entrenado desde un conjunto de datos etiquetados pequeño. La tesis comienza desde la tarea completamente supervisada de desambiguación de sentidos verbales y estudia las siguientes técnicas semisupervisadas comparando su impacto en la tarea original: uso de vectores de palabras (o word embeddings), autoaprendizaje, aprendizaje activo y redes neuronales en escalera.
This thesis explores the use of semi-supervised learning techniques for Spanish verb sense disambiguation. The objective is to study how information from unlabeled sources, which are larger, can help a classifier trained from a small labeled resource. The thesis starts off from a purely supervised task of verb sense disambiguation and studies the following semi-supervised techniques, comparing their impact on the original task: use of word embeddings (or word vectors), self-learning, active learning and ladder neural networks.
Disponible en línea.
cc Bajo una Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional CC BY-SA