rok začiatku štúdia: 2022

Bakalárska práca 2025

Cieľ:

• Zlepšenie slovenského modelu pre rozpoznávanie pomenovaných entít.

Do budúcnosti:

• Vypracovanie webového dema
• Využitie modelu v nejakej zaujímavej úlohe (chatbot alebo právne texty).

Návrh na zadanie bakalárskej práce:

1. Napíšte prehľad neurónových modelov vhodných pre rozpoznávanie pomenovaných entít v slovenskom jazku.
2. Napíšte prehľad existujúcich dátových množín, vhodných na trénovanie modelu pre rozpoznávanie pomenovaných entít.
3. Vyberte vhodný model, dátovú množinu a natrénujte a vyhodnoťte model.
4. Vytvorte webové demo pre rozpoznávanie pomenovaných entít.
5. Identifikujte spôsoby možného zlepšenia natrénovaného modelu pre rozpoznávanie pomenovaných entít.

Stretnutie 28.3.2025

Stav:

• spojené datasety: wikiann a conll2003. Pomohlo to. Dosiahli sme 0.9 na SLovak BERT.

Úlohy:

• Skúste zlepšiť model.
• Zverejniť model. V spolupráci s vedúcim. Ku modelu pripravte krátky opis ako bol trénovaný a aké výsledky dosiahol.
• Definujte a zlepšite štruktúru práce. Práca postuypuije od všeobecného ku konkrétnemu. Kapitoly by mali byť konzistentné s názvom. Prezentujte ako ste splnili zadanie. Zlepšite jazykovú úroveň práce. Dôsledne používajte jednotnú terminológiu.

Zásobník úloh:

• Pridajte ďalšie dáta a pretrénujte model. V prípade potreby dostanete prístup na školský server.

Stretnutie 21.3.2025

Stav:

• Zlepšenie procesu trénovania modelu - viac epoch, použitie LORA.
• Použitie SlovakBERT a WikiANN dataset.
• Urobené Web DEMO.
• Text nie je pokrok.

Úlohy:

• Zdrojové texty pre trénovnanie a pre demo dajte na KEMT GIT.
• Zlepšite výsledky trénovania. Skúste iné parametre LR. Skúste inú dátovú množinu. Skúste spojiť viaceré dátové množiny do jednej.
• Porovnajte viacero modelov. ModernBERT, mbert, hplt bert base, slovak roberta, Výsledky dajte do tabuľky. Opíšte postup experimentov.
• Pracujte na texte, hlavne na praktickej časti.

Zásobník úloh:

• Vyskúšajte generatívne modely Slovak T5 base, Slovak Mistral 7B.

Stretnutie 20.12.2024

Stav:

• Splnené úlohy z posledného stetnutia
• Text je v dobrom stave, treba ešte použiť šablónu.

Úlohy:

• Pripravte si prezentáciu.
• Textu dajte na moodle, skripty dajte na git.
• Pokračujte v písaní. Doplňte časť o spôsobe anotovania NER - značkovanie BIO (beginning, inside, outside) alebo iné. Doplôte časť o vyhodnotení - precision,recall, F1. Doplňte odkazy na dátové množiny. Používajte odkazy na vedecké články.
• Zlepšite presnosť Vášho modelu. Do BP napíšte priebeh trénovania a vyhodnotenia. Výsledky experimenotv zapíšte do tabuľky.

Zásobník úloh:

• Zostavte webové demo
• Pripravte experiment pre ukrajinský a ruský jazyk.
• Priprave Dockerfile pre Vaše demo
• Vytvorte dátovú množinu spojením viacerých existujúcich množin do jednej. Vedúci Vám dá nejaké skripty.

Stretnutie 30.10.2024

Stav:

• Napísané texty o NE.
• Vyskúšané a naštudované veci podľa pokynov,
• Začiatok práce na webovom deme.

Úlohy:

• [x] Naštudujte korpusy s NER pre slovenský jazyk. Napíšte ich zoznam. Ku každému napíšte veľkosť (počet viet, slov) a druhy pomenovaných entít.
• [x] Najprv budeme pracovať s ručne anotovanými dátami. Použite ich na natrénovanie modelu typu BERT (napr. SlovakBER alebo mbert) a vyhodnotte ich presnosť. Na trénovanie použite Spacy alebo Transformers.
• [x] Pokračujte v písaní BP. Stručne (max. 1.5 strany) vysvetlite ako funguje transformer. Na google scholar nájdite vedecké články o NER a napíšte čo ste sa z nich dozvedeli. Aké majú výsledky a aké metódy používaju?
• [x] Prejdite si tutoriál https://huggingface.co/docs/transformers/en/tasks/token_classification

Zásobník úloh:

• Natrénujte nový Spacy NER model ktorý by bol lepší ako pôvodný.
• Spojte viacero dátových množin (manuálne anotovaných) do jednej a použite je na natrénovanie modelu.
• Použite veľký jazykový model pre NER anotáciu a porovnajte ho s menším dotrénovaným NER modelom.
• Vykonané experimenty slovne opíšte a výsledky zapíšte do tabuliek. Výsledky slovne okomentujte.

Stretnutie 20.5.20204

Úlohy:

• [x] Zistite čo je to rozpoznávanie pomenovaných entít (named entity recognition) a napíšte o tom správu.
• [x] Zopakujte si základy jazyka Python "Dive into Python 3". Nainštalujte si prostredie Anaconda.
• [x] Oboznámte sa s knižnicou Spacy a vyskúšajte si skripty v https://github.com/hladek/spacy-skmodel
• [x] Nainštalujte si knižnicu Huggingface Transformers. Oboznámte sa s ňou. Zistite, ako sa trénuje model NER pomocou takejto knižnice.
• [x] Zistite, aké modely a jazykové zdroje sú dostupné pre túto úlohy pre slovenský jazyk https://github.com/slovak-nlp/resources

Zásobník úloh:

• Pripravte viacero korpusov pre NER. Môžu byť aj viacjazyčné.
• Natrénujte model Huggingface pre NER