دانلود کتاب Entropy Guided Transformation Learning: Algorithms and Applications – آموزش تبدیل هدایت شده با آنتروپی: الگوریتم ها و کاربردها

توضیحات

Entropy Guided Transformation Learning: Algorithms and Applications (ETL) presents a machine learning algorithm for classification tasks. ETL generalizes Transformation Based Learning (TBL) by solving the TBL bottleneck: the construction of good template sets. ETL automatically generates templates using Decision Tree decomposition.

The authors describe ETL Committee, an ensemble method that uses ETL as the base learner. Experimental results show that ETL Committee improves the effectiveness of ETL classifiers. The application of ETL is presented to four Natural Language Processing (NLP) tasks: part-of-speech tagging, phrase chunking, named entity recognition and semantic role labeling. Extensive experimental results demonstrate that ETL is an effective way to learn accurate transformation rules, and shows better results than TBL with handcrafted templates for the four tasks. By avoiding the use of handcrafted templates, ETL enables the use of transformation rules to a greater range of tasks.

Suitable for both advanced undergraduate and graduate courses, Entropy Guided Transformation Learning: Algorithms and Applications provides a comprehensive introduction to ETL and its NLP applications.

————————————————————–

ترجمه ماشینی :

یادگیری تغییر شکل هدایت شده با آنتروپی: الگوریتم ها و برنامه ها (ETL) یک الگوریتم یادگیری ماشینی را برای کارهای طبقه بندی ارائه می دهد. ETL آموزش مبتنی بر تبدیل (TBL) را با حل تنگنای TBL تعمیم می‌دهد: ساخت مجموعه‌های قالب خوب. ETL به طور خودکار الگوها را با استفاده از تجزیه درخت تصمیم تولید می کند.

نویسندگان کمیته ETL را توصیف می کنند، یک روش مجموعه ای که از ETL به عنوان یادگیرنده پایه استفاده می کند. نتایج تجربی نشان می دهد که کمیته ETL کارایی طبقه بندی کننده های ETL را بهبود می بخشد. کاربرد ETL به چهار وظیفه پردازش زبان طبیعی (NLP) ارائه می‌شود: برچسب‌گذاری بخشی از گفتار، قطعه‌بندی عبارت، شناسایی موجودیت نام‌گذاری شده و برچسب‌گذاری نقش معنایی. نتایج تجربی گسترده نشان می‌دهد که ETL یک روش مؤثر برای یادگیری قوانین تبدیل دقیق است و نتایج بهتری نسبت به TBL با قالب‌های دست‌ساز برای چهار کار نشان می‌دهد. با اجتناب از استفاده از الگوهای دست ساز، ETL استفاده از قوانین تبدیل را برای طیف وسیع تری از وظایف امکان پذیر می کند.

مناسب برای دوره های پیشرفته کارشناسی و کارشناسی ارشد، Entropy Guided Transformation Learning: Algorithms and Applications< /b> مقدمه ای جامع برای ETL و برنامه های NLP آن ارائه می دهد.