rok začiatku štúdia: 2021

Bakalárska práca 2025

Zadanie:

1. Vypracujte prehľad neurónových sietí a metód na vykonávanie opravy textu.
2. Vyberte a pripravte slovenské dáta do vhodnej podoby a aplikujte viacero existujúcich modelov na opravu textu.
3. Číselne a slovne vyhodnoťte modely a navrhnite zlepšenia.

Stretnutie 27.3.

Stav:

• Text je v lepšom stave.

Stretnutie 11.3.

Stav:

• Vypracované experimenty pre obnovu interpunkcie, zatiaľ na dosť krátkom texte. Výsledky sú v nejakej prezentácii.
• Práca na texte BP ???

Úlohy:

• Na experimenty použite text z Wikipedia Dejiny Košic https://sk.wikipedia.org/wiki/Dejiny_Ko%C5%A1%C3%ADc
• Do práce napíšte, že používate metódu "Zero Shot" - bez dotrénovania. Porovnajte túto metódu sFew Shot a SFT (Supervised Finetuning).
• Do prehľadu doplnte odkazy na odborné články - nájdete ich na Google Scholar.
• Čím skôr odovzdajte text BP pre získanie spätnej väzby
• Nové Kódy pre experimenty nahrajte na GIT.

Stretnutie:

Stav:

• Vybratá množina c4
• Vyhodnotenie SlovakBERT, mBERT a Roberta Base pre EN.
• Naprogramované úloha doplnenie interpunkcie. Kódy sú na GITE.

Úlohy:

• [ ] Vyberte slovenské texty z množiny mC4. Na vybranom texte zopakujte experimenty.
• [x] Doplnte ďalšie modely typu BERT s podporou slovenčiny. Modely vo veľkosti BASE: Fernet, HPLT, xlm-r, mdeberta, distilmbert
• [x] Vypracujte tabuľky s výsledkami experimentov.
• [-] Do práce opíšte experimenty.

Zásobník úloh:

• Vypracujte experimenty pre modely Byt5 a slovak t5.

Poznámky 21.1.2025

Stav:

• Napísané skripty pre vyhodnotenie "masked" language modeling.
• Vyhodnotené modely SlovakBERT a multilingualbert BASE.

Úlohy:

• [x] Vyberte vhodnú množinu slovenských textov.
• [-] Pripravte množinu pre úlohu detekcie chýbajúcej alebo nadbytočnej interpunkcie - (bodka, čiarka, otáznik, výkričník, dvojbodka).
• [-] Pripravte množinu pre pre úlohu opravy od identifikovaného preklepu.
• [-] Vyhodnotte viaceré modely.
• [ ] Pokračujte v písaní práce podľa nového zadania.

Zásobník úloh:

• Využite modely SlovakT5 a ByT5.

Stretnutie 17.12.

Stav:

• Práca na skriptoch, nainštalovaný Pytorch, transformers, fairseq,
• Skript na prípravu dát - spustený.
• chyba pri spustení trénovacieho skriptu - chýba executable.

Úlohy:

• Začnite pracovať na písomnej časti.

• Nainštalujte si Marian NMT.
• Vypýtajte si Marian Model na opravu od Ing. Maroš Harahus.
• Vyskúšajte ho a vyhodnotte pomocou metriky WER. Zistite si čo je to WER, napíšte to do práce
• Nainštalujte si model ByT5 z knižnice HF Transformers. Zistie čo to je, napíšte to do práce.
• Vyskúšajte model ByT5 na korekciu textu. Vyhodnoote ho.
• Vyskúšajte model SlovakBERT na detekciu preklepov. Model určuje pravdepodobnosť každého slova vo vete. Model vie doplniť chýbajúce slovo, alebo najpravdepodobnejšie slovo. Zistite že ako, napíšte to do práce.
• Do práce doplnte odkazy na vedecké články.

Zásobník úloh:

• Natrénujte model.

Stav:

• Nainštalovaný MarianMT a rozbehaný preklad z nemčiny do angličtiny.
• Textová časť je neuspokojivá.

Úlohy:

• Naučte sa trénovať systém pre strojový preklad.
• Vytvorte korpus pre trénovanie systému na opravu textu. Korpus vytvoríte z webového textu (mc4-sk) do ktorého programovo pridáte chyby. Text korpusu mc4 nájdete na HuggingFace Hube. Knižnica datasets slúži na prácu s korpusmi. Korpus musí byť "dostatočne" (viac ako 1GB) veľký.
• Natrénujte a vyhodnotte model.
• Píšte BP do šablóny podľa pokynov. Prečítajte si odborné články a používajte odkazy. Odborné články nájdete na Google Scholar.

Bakalárska práca 2024

Korekcia textu pomocou neurónových sietí

Spolupráca: Maroš Harahus, Andrii Pervashov

Zadanie BP:

1. Vypracujte prehľad existujúcich systémov pre neurónový strojový preklad.
2. Definujte úlohu korekcie textu a vysvetlite, ako je možné ju riešiť pomocou systému pre strojový preklad.
3. Vyberte a pripravte dáta do vhodnej podoby a aplikujte existujúci model pre strojový preklad na opravu textu vo vybranej úlohe.
4. Číselne a slovne vyhodnoťte model na vybranej úlohe. Identifikujte jeho slabé miesta a navrhnite zlepšenia.

Stretnutie 24.1.2024:

Stav:

• Nie je posun.

Úlohy:

• Natrénujte jednoduchý ľubovoľný model pre strojový preklad pomocou Marian NMT. Skripty su v repozitári bert-train.
• Natrénujte model pre opravu korekcie na slovenskom texte a vyhodnoote ho.
• Pokračujte v písaní bakalárskej práce.

Stretnutie 23.11.2023

Stav:

• Prečítaný článok o Spelling a urobené poznámky
• Ostatné úlohy: in progress. Treba pridať!!!

Úlohy:

• Vedúcim bol odovzdaný funkčný Marian na servri IDOC. Aj model pre generovanie-opravu znakov. Oboznámte sa so systémov. Spustite model pre preklad. Spustite trénovanie.
• Vyhodnotte presnosť tohoto systému. Presnosť sa hodnotí metrikou WER, CER. Skripty nájdete v bert-train repozitári.
• Zlepšite tento systém.
• V texte vysvetlite, ako funguje model typu Transformer. Vysvetlite, ako funguje Marian NMT. Aké neurónové siete používa? Uvedte aj odkazy na odborné články.

Stretnutie 6.10.

Stav:

• Štúdium Python a neurónové siete.

Stretnutie 3.7.

Stav:

Existuje model Marian NMT rep korekciu.

Úloha:

• [-] Zistite ako funguje neurónová sieť typu Transformer.
• [x] Nainštalujte si systém Anaconda a prejdite si knihu Dive into Pyhton 3.
• [ ] Zistite ako funguje strojový preklad.
• [x] Prečítajte si článok Hládek: "Survey of Automatic Spelling Correction" a urobte si poznámky.
• [-] Prečítajte si knihu https://d2l.ai/
• [ ] Vaše zistenia zapíšte do textového súboru. Pridajte odkazy na zdroje - odborné články a blogy.
• [ ] Oboznámiť sa zo systémom Marian NMT. Nainštalujte si to a vyskúšajte nejaké demo na strojový preklad.
• [ ] Získajte prístup na školský server idoc.

Zásobník úloh:

• Vyskúšaje natrénovať model Marian NMT podľa návodu na stránke.
• Získajte od vedúceho skripty pre trénovanie Marian NMT na úlohu korekcie textu.
• Podľa nich natrénujte a vyhodnotte model.
• Zistite s akými parametrami model pracuje najlepšie. Skúste model vylepšiť.
• Vypracujte webové demo.