|
|
|
|
| LEADER |
02964na a2200241 4500 |
| 003 |
HR-ZaFER |
| 005 |
20160714131100.0 |
| 008 |
160221s2015 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid2623
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Stamenković, Florijan
|9 37563
|
| 245 |
1 |
0 |
|a Jezični model temeljen na neuronskoj mreži :
|b diplomski rad /
|c Florijan Stamenković ; [mentor Marin Golub].
|
| 246 |
1 |
|
|a Neural language model
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b F. Stamenković,
|c 2015.
|
| 300 |
|
|
|a 45 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2015-06-30, datum završetka: 2015-07-14
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: U ovom diplomskom radu razmatraju se četiri različita pristupa izgradnji jezičnih modela. U uvodu se daje kratak osvrt na moguće primjene jezičnih modela općenito. Potom se definiraju modeli bazirani na zaglađenom prebrojavanju n-grama (korištenjem aditivnog zaglađivanja i zaglađivanja Kneser-Ney metodom), umjetnoj neuronskoj mreži bez skrivenih slojeva, log-bilinearnom modelu i ograničenom Boltzmannovom stroju. Razmatraju se teoretske i implementacijske posebnosti opisanih modela. Potom se modeli vrednuju standardnim mjerama i po uspješnosti na zadatku Microsoft Research Sentence Completion. Dobiveni rezultati se uspoređuju s rezultatima iz sličnih radova. Daje se kratko razmatranje vremenske i memorijske složenosti izrade i korištenja modela, kao i usporedba vremena treniranja korištenjem središnjih i grafičkih procesora.
|
| 520 |
3 |
|
|a Sažetak na engleskom: This master thesis cosiders four approaches to language model implementation. An introduction into language models and their application is presented. Following are the definitions of models based on n-gram counts with additive and Kneser-Ney smoothing, neural networks with no hidden layers, log-bilinear models and Restricted Boltzmann Machines. For each a theoretical description is given, as well implementation details. Models are evaluated using standard metrics and on Microsoft Research Sentence Completion Challenge. Results are compared to those from other papers. A brief comparison of model complexity (in time and memory space) is offered, as well as a comparison of iterative model training speed using central versus graphical processors.
|
| 653 |
|
1 |
|a jezični model
|a obrada prirodnog jezika
|a zaglađivanje \textit{n}-grama
|a Kneser-Ney
|a neuronska mreža
|a log-bilinear
|a Microsoft Research Sentence Completion Challenge
|a raspodjeljene reprezentacije
|a grafički procesor
|a Cuda
|
| 653 |
|
1 |
|a language model
|a natural language processing
|a n-gram smoothing
|a Kneser-Ney
|a neural networks
|a log-bilinear
|a Microsoft Research Sentence Completion Challenge
|a distributed representations
|a Word2Vec
|a GPU
|a Cuda
|
| 700 |
1 |
|
|a Golub, Marin
|4 ths
|9 13721
|
| 942 |
|
|
|c Y
|2 udc
|
| 999 |
|
|
|c 46281
|d 46281
|