3 |
Language Processing and Intelligent Information Systems : 20th International Conference, IIS 2013, Warsaw, Poland, June 17-18, 2013, Proceedings
|
|
|
|
UB Frankfurt Linguistik
|
|
Show details
|
|
5 |
Natural language annotation for machine learning : [a guide to corpus-building for applications]
|
|
|
|
IDS Mannheim
|
|
Show details
|
|
16 |
Grätzeleltern. Herausforderungen und Potenziale eines Wiener Nachbarschaftsprojekts ...
|
|
|
|
BASE
|
|
Show details
|
|
17 |
Musik als Raum für interkulturelles Lernen – die Entdeckung des Eigenen in der Begegnung mit dem Fremden ...
|
|
|
|
BASE
|
|
Show details
|
|
18 |
Effective active learning for complex natural language processing tasks ... : Aktives Lernen für komplexe Aufgaben der Maschinellen Sprachverarbeitung ...
|
|
|
|
Abstract:
Supervised machine learning is a widely used approach to natural language processing tasks. However, supervised learning needs large amounts of labeled training data, which needs to be annotated in a time-consuming and expensive process. Active learning is a strategy to reduce this annotation effort by setting up an interactive process in which the machine learning system iteratively selects data for annotation. By selecting only data that the system considers informative, this strategy promises a significant reduction of data that is needed for training. In this thesis, we investigate the application of active learning to key natural language processing tasks. We investigate selection strategies for “informative” training examples for two key NLP tasks: named entity recognition and coreference resolution. We show that active learning can deliver a large reduction in annotation effort for these NLP tasks. However, in cases of unfortunate initialization, active learning can suffer from slow learning progress ... : Überwachtes machinelles Lernen ist ein weitverbreiteter und sehr erfolgreicher Ansatz für Aufgaben der maschinellen Sprachverarbeitung. Überwachtes Lernen erfordert jedoch große Mengen an annotierten Trainingsdaten, die in einem oftmals teuren und zeitaufwendigen Prozess erstellt werden müssen. Eine Strategie, diesen Annotationsaufwand zu reduzieren ist das aktive Lernen: Ein interaktiver Prozess zwischen lernendem System und Annotator, in dem das System schrittweise informative Daten zur Annotation auswählt. Durch den Fokus auf für das System informative Daten soll die erforderliche Menge an Trainingsdaten reduziert werden. In dieser Arbeit wird die Anwendung des aktiven Lernens auf zwei wichtige Aufgaben der maschinellen Sprachverarbeitung, Erkennung von Eigennamen und Koreferenzauflösung, untersucht. Es wird gezeigt, dass aktives Lernen eine erhebliche Reduktion der erforderlichen Datenmenge erzielen kann. Bei ungünstiger Initialisierung kann es jedoch zu einem verzögerten Lernen, speziell von wenig ...
|
|
Keyword:
004; Aktives Lernen , Eigennamenerkennung , Koreferenzauflösung; Machine Learning , Natural Language Processing , Active Learning; Maschinelles Lernen , Teilüberwachtes Lernen , Sprachverarbeitung , Computerlinguistik
|
|
URL: http://elib.uni-stuttgart.de/handle/11682/3026 https://dx.doi.org/10.18419/opus-3009
|
|
BASE
|
|
Hide details
|
|
20 |
Denken und Verstehen beim naturwissenschaftlichen Problemlösen. Eine explorative Studie ... : Students plan and evaluate an experiment. Thinking and understanding during scientific problem-solving ...
|
|
|
|
BASE
|
|
Show details
|
|
|
|