Dopady změn trénovacích dat na přesnost značkování korpusu

Bc. Ondřej Svoboda

Diplomová práce

Effects of training data modification on corpus tagging precision

Anotace:

Práce se věnuje ručním i automatickým úpravám českého desambiguovaného korpusu DESAM, vývoji měřicích nástrojů a jejich využití ve zkoumání vlivu změn anotace korpusu na úspěšnost automatického morfologického značkování prostřednictvím křížové validace.

Abstract:

The thesis gives an account of both manual and automatic modifications of DESAM, a disambiguated corpus of written Czech. It describes the development and application of a set of tools to measure how changes to the corpus and its annotation affect the accuracy of POS tagging in cross-validation scenarios.

Keywords

text corpus, Czech, DESAM, attributive tagset, POS tagging, annotation, accuracy, RFTagger, evaluation, comparison, automatic corpus modification, manual cleanup, tokenization, korpus textu, čeština, attributivní tagset, slovnědruhové značkování, anotace, přesnost, vyhodnocení, srovnání, automatické úpravy korpusu, ruční úpravy, tokenizace

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 12. 12. 2016

Obhajoba závěrečné práce

• Obhajoba proběhla 3. 2. 2017
• Vedoucí: RNDr. Miloš Jakubíček, Ph.D.
• Oponent: RNDr. Vojtěch Kovář, Ph.D.

Masarykova univerzita

Filozofická fakulta

Magisterský studijní program / obor:
Filologie / Český jazyk se specializací počítačová lingvistika