phản hồi cho CS Study Fun - Khoa học máy tính http://csstudyfun.wordpress.com Learn & Enjoy ... Wed, 23 Sep 2009 22:05:08 +0000 http://wordpress.com/ hourly 1 Phản hồi cho Phân lớp bằng siêu phẳng (1) – Perceptron, tế bào thần kinh nhân tạo bởi Khuyen Nguyen http://csstudyfun.wordpress.com/2008/07/31/phan-l%e1%bb%9bp-b%e1%ba%b1ng-sieu-ph%e1%ba%b3ng-1-perceptron-t%e1%ba%bf-bao-th%e1%ba%a7n-kinh-nhan-t%e1%ba%a1o/#comment-224 Khuyen Nguyen Wed, 23 Sep 2009 22:05:08 +0000 http://csstudyfun.wordpress.com/?p=333#comment-224 Xin chào, cám ơn về câu trả lời của bạn. Cho mình hỏi sâu hơn một chút. Mình đang muốn ứng dụng SVM vào việc gán nhãn từ loại(POS TAGGER). Mình trình bày cách hiểu của mình, anh(chị) xem và cho mình ý kiến(hiểu đúng hay sai) - SVM này là khả tách tuyến tính linear classified (?) - Giai đoạn huấn luyện: + Chọn khoảng 90% ngữ liệu đã được gán nhãn đúng(lấy từ penntreebank) + Lần lượt cho các từ trong ngữ liệu huấn luyện vào trong các bộ phân lớp(ví dụ: C1, C2,...)=> tính w,b(MỤC TIÊU CHÍNH) (nếu vào bộ phân lớp Noun thì những từ có nhãn là Noun sẽ có giá trị y = 1,ngược lại y = 1) - Giai đoạn test + Lấy 10% ngữ liệu còn lại, gỡ bỏ nhãn. + Cũng lần lượt cho qua các bộ phân lớp => xác định từ loại * Nếu như trong câu "I CAN CAN A CAN" thì từ CAN có 3 từ loại. Trong trường hợp này ta sẽ sử dụng thêm các yếu tố khác(vd: tiền tố, hậu tố, từ đứng trước, từ đứng sau,..) để xác đinh lại từ CAN trong từng trường hợp cụ thể thí nó có từ loại gì trong các từ loại đã được xác định. Đây là nhận định của mình khi áp dụng SVM cho POS TAGGER. Nếu mình chưa hiểu cặng kẽ vấn đề hay hiểu sai thì xin góp ý. * Cho mình hỏi them, khi đọc tài liệu có đề cập ngữ liệu huấn luyện(Giới hạn lại bộ mẫu huấn luyện từ 635000 trong ngữ liệu còn 20000 mẫu huấn luyện), mình chưa hiểu lý do tại sao lại có thể giới hạn được như vậy? Mong nhận được hồi âm Thân chào Xin chào, cám ơn về câu trả lời của bạn.
Cho mình hỏi sâu hơn một chút. Mình đang muốn ứng dụng SVM vào việc gán nhãn từ loại(POS TAGGER). Mình trình bày cách hiểu của mình, anh(chị) xem và cho mình ý kiến(hiểu đúng hay sai)
- SVM này là khả tách tuyến tính linear classified (?)
- Giai đoạn huấn luyện:
+ Chọn khoảng 90% ngữ liệu đã được gán nhãn đúng(lấy từ penntreebank)
+ Lần lượt cho các từ trong ngữ liệu huấn luyện vào trong các bộ phân lớp(ví dụ: C1, C2,…)=> tính w,b(MỤC TIÊU CHÍNH)
(nếu vào bộ phân lớp Noun thì những từ có nhãn là Noun sẽ có giá trị y = 1,ngược lại y = 1)
- Giai đoạn test
+ Lấy 10% ngữ liệu còn lại, gỡ bỏ nhãn.
+ Cũng lần lượt cho qua các bộ phân lớp => xác định từ loại
* Nếu như trong câu “I CAN CAN A CAN” thì từ CAN có 3 từ loại. Trong trường hợp này ta sẽ sử dụng thêm các yếu tố khác(vd: tiền tố, hậu tố, từ đứng trước, từ đứng sau,..) để xác đinh lại từ CAN trong từng trường hợp cụ thể thí nó có từ loại gì trong các từ loại đã được xác định.

Đây là nhận định của mình khi áp dụng SVM cho POS TAGGER. Nếu mình chưa hiểu cặng kẽ vấn đề hay hiểu sai thì xin góp ý.
* Cho mình hỏi them, khi đọc tài liệu có đề cập ngữ liệu huấn luyện(Giới hạn lại bộ mẫu huấn luyện từ 635000 trong ngữ liệu còn 20000 mẫu huấn luyện), mình chưa hiểu lý do tại sao lại có thể giới hạn được như vậy?
Mong nhận được hồi âm
Thân chào

]]> Phản hồi cho Phân lớp bằng siêu phẳng (1) – Perceptron, tế bào thần kinh nhân tạo bởi tqlong http://csstudyfun.wordpress.com/2008/07/31/phan-l%e1%bb%9bp-b%e1%ba%b1ng-sieu-ph%e1%ba%b3ng-1-perceptron-t%e1%ba%bf-bao-th%e1%ba%a7n-kinh-nhan-t%e1%ba%a1o/#comment-223 tqlong Mon, 21 Sep 2009 11:42:20 +0000 http://csstudyfun.wordpress.com/?p=333#comment-223 Sự khác nhau giữa 2 bộ phân lớp chính là (w, b), hoặc nếu bạn dùng (alpha) thay cho (w,b) thì khác nhau ở (alpha). Có 2 cách: - Cách 1: Xây dựng 3 bộ phân lớp như bạn nói, gọi tên là C1, C2, C3. C1 phân lớp giữa A và "không phải A", C2 phân lớp giữa B và "không phải B", C3 phân lớp giữa C và "không phải C". Trong ví dụ của bạn, các mẫu học cho C1 sẽ là V: learn not V: love, the, a Các mẫu học cho C2 là adj: love not adj: V, the, a Các mẫu học cho C3 là: Det: the, a not Det: learn, love Cách 2: Xây dựng 3 bộ phân lớp tách 2 lớp từng đôi một. Sự khác nhau giữa 2 bộ phân lớp chính là (w, b), hoặc nếu bạn dùng (alpha) thay cho (w,b) thì khác nhau ở (alpha).

Có 2 cách:
- Cách 1: Xây dựng 3 bộ phân lớp như bạn nói, gọi tên là C1, C2, C3. C1 phân lớp giữa A và “không phải A”, C2 phân lớp giữa B và “không phải B”, C3 phân lớp giữa C và “không phải C”.
Trong ví dụ của bạn, các mẫu học cho C1 sẽ là
V: learn
not V: love, the, a

Các mẫu học cho C2 là
adj: love
not adj: V, the, a

Các mẫu học cho C3 là:
Det: the, a
not Det: learn, love

Cách 2: Xây dựng 3 bộ phân lớp tách 2 lớp từng đôi một.

]]> Phản hồi cho Phân lớp bằng siêu phẳng (1) – Perceptron, tế bào thần kinh nhân tạo bởi Khuyen Nguyen http://csstudyfun.wordpress.com/2008/07/31/phan-l%e1%bb%9bp-b%e1%ba%b1ng-sieu-ph%e1%ba%b3ng-1-perceptron-t%e1%ba%bf-bao-th%e1%ba%a7n-kinh-nhan-t%e1%ba%a1o/#comment-222 Khuyen Nguyen Mon, 21 Sep 2009 07:20:48 +0000 http://csstudyfun.wordpress.com/?p=333#comment-222 Xin chào, mình đang tìm hiểu SVM, có thể giải thích giúp mình : giả sử ta có các mẫu xi(i=1..n)được phân vào các lớp A,B,C. Nếu như theo những gì mình hiểu thì mình sẽ xây dựng 3 bộ phân lớp SVM( 1 bộ dùng để phân mẫu xi vào lớp A,1 bộ dùng để phân mẫu xi vào lớp B,1 bộ dùng để phân mẫu xi vào lớp C). Vấn đề mình còn mơ hồ là làm thể nào để tạo ra 3 bộ phân lớp đó, sự khác nhau của các bộ phân lớp có phải la bộ (w,b) không ? -Nếu được xin cho mình một ví dụ cụ thể. Ví dụ, mình có 4 từ "learn, love, the, a" và có 3 lớp "V,adj,Det", kết quả sao khi phân lớp mình sẽ được V: learn ; adj:love ; Det:the,a. Thì cách xây dựng các bộ phân lớp này sẽ như thế nào khi ta áp dụng SVM( chỉ cần ý tưởng) Mong sớm nhận được hồi âm Kính chào. Xin chào, mình đang tìm hiểu SVM, có thể giải thích giúp mình : giả sử ta có các mẫu xi(i=1..n)được phân vào các lớp A,B,C. Nếu như theo những gì mình hiểu thì mình sẽ xây dựng 3 bộ phân lớp SVM( 1 bộ dùng để phân mẫu xi vào lớp A,1 bộ dùng để phân mẫu xi vào lớp B,1 bộ dùng để phân mẫu xi vào lớp C). Vấn đề mình còn mơ hồ là làm thể nào để tạo ra 3 bộ phân lớp đó, sự khác nhau của các bộ phân lớp có phải la bộ (w,b) không ?
-Nếu được xin cho mình một ví dụ cụ thể. Ví dụ, mình có 4 từ “learn, love, the, a” và có 3 lớp “V,adj,Det”, kết quả sao khi phân lớp mình sẽ được V: learn ; adj:love ; Det:the,a. Thì cách xây dựng các bộ phân lớp này sẽ như thế nào khi ta áp dụng SVM( chỉ cần ý tưởng)

Mong sớm nhận được hồi âm
Kính chào.

]]> Phản hồi cho Bất đẳng thức xác suất (1) – Markov, Chebyshev, Chernoff, Jensen inequalities bởi tqlong http://csstudyfun.wordpress.com/2009/06/19/b%e1%ba%a5t-d%e1%ba%b3ng-th%e1%bb%a9c-xac-su%e1%ba%a5t-1-markov-chebyshev-chernoff-jensen-inequalities/#comment-208 tqlong Mon, 27 Jul 2009 12:34:17 +0000 http://csstudyfun.wordpress.com/?p=880#comment-208 Các bất đẳng thức này chặt vì có phân bố để dấu bằng xảy ra. Các bất đẳng thức này chặt vì có phân bố để dấu bằng xảy ra.

]]> Phản hồi cho Bất đẳng thức xác suất (1) – Markov, Chebyshev, Chernoff, Jensen inequalities bởi H.T.D. http://csstudyfun.wordpress.com/2009/06/19/b%e1%ba%a5t-d%e1%ba%b3ng-th%e1%bb%a9c-xac-su%e1%ba%a5t-1-markov-chebyshev-chernoff-jensen-inequalities/#comment-207 H.T.D. Mon, 27 Jul 2009 03:51:58 +0000 http://csstudyfun.wordpress.com/?p=880#comment-207 Long, Co ket qua nao lien quan den how tight are those bounds? (or was any of them proven to be strict bound ?). Thanks Long,

Co ket qua nao lien quan den how tight are those bounds? (or was any of them proven to be strict bound ?).

Thanks

]]> Phản hồi cho Phân lớp bằng siêu phẳng (1) – Perceptron, tế bào thần kinh nhân tạo bởi hoanghuyctm03 http://csstudyfun.wordpress.com/2008/07/31/phan-l%e1%bb%9bp-b%e1%ba%b1ng-sieu-ph%e1%ba%b3ng-1-perceptron-t%e1%ba%bf-bao-th%e1%ba%a7n-kinh-nhan-t%e1%ba%a1o/#comment-204 hoanghuyctm03 Fri, 03 Jul 2009 10:25:42 +0000 http://csstudyfun.wordpress.com/?p=333#comment-204 xin chào, mình đang làm bài liên quan đến phân lớp điểm trên mặt phẳng theo mô hình perceptron, có thể giúp mình giải thích về thuật toán perceptron cụ thể ko? Thank! xin chào, mình đang làm bài liên quan đến phân lớp điểm trên mặt phẳng theo mô hình perceptron, có thể giúp mình giải thích về thuật toán perceptron cụ thể ko? Thank!

]]> Phản hồi cho Bất đẳng thức xác suất (1) – Markov, Chebyshev, Chernoff, Jensen inequalities bởi tqlong http://csstudyfun.wordpress.com/2009/06/19/b%e1%ba%a5t-d%e1%ba%b3ng-th%e1%bb%a9c-xac-su%e1%ba%a5t-1-markov-chebyshev-chernoff-jensen-inequalities/#comment-202 tqlong Mon, 22 Jun 2009 13:42:27 +0000 http://csstudyfun.wordpress.com/?p=880#comment-202 Công cụ xác suất mà :-) Công cụ xác suất mà :-)

]]> Phản hồi cho Bất đẳng thức xác suất (1) – Markov, Chebyshev, Chernoff, Jensen inequalities bởi Huy Dinh http://csstudyfun.wordpress.com/2009/06/19/b%e1%ba%a5t-d%e1%ba%b3ng-th%e1%bb%a9c-xac-su%e1%ba%a5t-1-markov-chebyshev-chernoff-jensen-inequalities/#comment-201 Huy Dinh Mon, 22 Jun 2009 13:00:21 +0000 http://csstudyfun.wordpress.com/?p=880#comment-201 May cai nay hay nha ! U*'ng dung de lam gi the dai ca Long ? May cai nay hay nha !
U*’ng dung de lam gi the dai ca Long ?

]]> Phản hồi cho Xin chào !!! bởi Mèo Ú http://csstudyfun.wordpress.com/about/#comment-177 Mèo Ú Sun, 08 Mar 2009 11:56:43 +0000 #comment-177 Mình search và vô tình vào blog của bạn. Cám ơn thông tin chia sẻ và kinh nghiệm của bạn. Mình search và vô tình vào blog của bạn.
Cám ơn thông tin chia sẻ và kinh nghiệm của bạn.

]]> Phản hồi cho Máy phân lớp sử dụng vectơ hỗ trợ (Support Vector Machines) (4) – Thuật toán tối thiểu tuần tự (Sequential Minimal Optimization) bởi tqlong http://csstudyfun.wordpress.com/2008/08/10/may-phan-l%e1%bb%9bp-s%e1%bb%ad-d%e1%bb%a5ng-vect%c6%a1-h%e1%bb%97-tr%e1%bb%a3-support-vector-machines-4-thu%e1%ba%adt-toan-t%e1%bb%91i-thi%e1%bb%83u-tu%e1%ba%a7n-t%e1%bb%b1-sequential-minimal/#comment-176 tqlong Sat, 07 Mar 2009 13:24:32 +0000 http://csstudyfun.wordpress.com/?p=517#comment-176 Tùy từng bài toán có một số C tối ưu. C điều chỉnh mối quan hệ giữa lề (margin) và số lỗi. Thường chọn C bằng phương pháp cross-validation. Tùy từng bài toán có một số C tối ưu. C điều chỉnh mối quan hệ giữa lề (margin) và số lỗi. Thường chọn C bằng phương pháp cross-validation.

]]>