1 |
Rendering non-equivalent vocabulary (in the novel «The Master and Margarita») ; Передача безэквивалентной лексики (на материале романа «Мастер и Маргарита»)
|
|
|
|
BASE
|
|
Show details
|
|
2 |
Transcription as a way for rendering vocabulary in the field of feminist ideologies ; Транскрипция как прием передачи лексики в области идеологии феминизма
|
|
|
|
BASE
|
|
Show details
|
|
3 |
Перевод игры слов в заголовках англоязычной прессы ; Translation of puns in English press headlines
|
|
|
|
BASE
|
|
Show details
|
|
4 |
English neologisms and how to translate them ; Английские неологизмы и приёмы их перевода
|
|
|
|
BASE
|
|
Show details
|
|
5 |
Applying modern interactive technologies ; Применение современных интерактивных технологий в процессе изучения иностранного языка
|
|
|
|
BASE
|
|
Show details
|
|
7 |
Rendering anthroponyms in fiction ; Передача антропонимов в художественных текстах
|
|
|
|
BASE
|
|
Show details
|
|
8 |
Machine learning in the processing and analysis of texts ; Машинное обучение в обработке и анализе текстов
|
|
|
|
Abstract:
Natural language processing technologies have made great progress today, and considerable merit in this belongs to machine learning, which is used, particularly, for understanding texts. Neural network technologies can be used in any task where text classification is necessary, whether it is spam filtering, fraud defining or credit scoring, determining the mood of a text, or even the author’s tendency to be depressed, etc. In almost every paper in the collections of leading linguistic conferences, neural network methods are mentioned. Their popularity is largely due to their ability to find complex, sometimes hidden relationships in the data. However, in order for neural networks to fully demonstrate their practical effectiveness, large amounts of textual data are needed for training. This article tells about the language models used before the neural network revolution, whether it is possible to transfer the text to the computer's memory without losing its structure and semantics, and how a smartphone tells us words in messages, as well as about the use of neural network technologies in linguistics. ; Технологии обработки естественного языка сегодня шагнули далеко вперед, и немалая заслуга в этом принадлежит машинному обучению, применяемому, в частности, для понимания текстов. Нейросетевые технологии могут быть использованы в любой задаче, где необходимо классифицировать тексты, будь то фильтрация спама, определение мошенничества или кредитный скоринг, определение настроения текста или даже склонности автора текста к депрессии. Почти в каждой статье в сборниках ведущих лингвистических конференций используются нейросетевые методы. Популярность нейронных сетей во многом вызвана их способностью находить сложные, порой скрытые зависимости в данных. Однако для того, чтобы они могли в полной мере продемонстрировать свою практическую эффективность, необходимы большие объемы текстовых данных для эффективного обучения сетей. Данная статья рассказывает, какие языковые модели использовали до нейросетевой революции, возможно ли передать текст без потери структуры и семантики в память компьютера и каким образом смартфон подсказывает нам слова в сообщениях, а также о применении нейросетевых технологий в лингвистике.
|
|
Keyword:
AUTOMATIC TEXT PROCESSING; MACHINE LEARNING; NEURAL NETWORKS; TEXT MARKUP; АВТОМАТИЧЕСКАЯ ОБРАБОТКА ТЕКСТА; МАШИННОЕ ОБУЧЕНИЕ; НЕЙРОННЫЕ СЕТИ; РАЗМЕТКА ТЕКСТА
|
|
URL: http://hdl.handle.net/10995/72068
|
|
BASE
|
|
Hide details
|
|
9 |
Psychological difficulties in adaptation of the international students in the Ural Federal University ; Психологические сложности адаптации иностранных обучающихся в Уральском федеральном университете
|
|
|
|
BASE
|
|
Show details
|
|
10 |
Problems of learing a foreign language in big groups ; Проблемы изучения иностранного языка в больших группах
|
|
|
|
BASE
|
|
Show details
|
|
11 |
Особенности перевода топонимических единиц ; Peculiarities of Rendering Names of Toponymic Units
|
|
|
|
BASE
|
|
Show details
|
|
12 |
Компромиссный подход к передаче урбанонимов (на примере Екатеринбурга) ; A Compromise Approach to Rendering Urban Place Names: the Case of Ekaterinburg
|
|
|
|
BASE
|
|
Show details
|
|
13 |
Этапы формирования лингвострановедческой компетенции (на материале топонимических единиц ; Stages of Building a Linguistic Cultural Competence (As Exemplified by Working with the Toponymic Units)
|
|
|
|
BASE
|
|
Show details
|
|
14 |
Анализ тональности текста на основе алгоритмов машинного обучения ; Sentiment Analysis Based on Machine Learning Algorithms
|
|
|
|
BASE
|
|
Show details
|
|
15 |
Лингвистические и когнитивные модели перевода: сопоставительный анализ ; Linguistic and Сognitive Translation Models: Comparative Analysis
|
|
|
|
BASE
|
|
Show details
|
|
|
|