Wiki - Факультет компьютерных наук - Вклад [ru]

Извлечение именованных сущностей из текстов (проект)

2016-09-17T09:24:24Z

Ivanov.kir.m:

{{Карточка_проекта
|mentor= -
|mentor_login={{URLENCODE:-}}
|name=Извлечение именованных сущностей из текстов
|semester=Осень 2016
|course=2
|summer=
|number_of_students=7
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 
Кроме того:
* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
 
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация комбинации нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===

Извлечение именованных сущностей из текстов (проект)

2016-09-17T09:23:45Z

Ivanov.kir.m:

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|semester=Осень 2016
|course=2
|summer=
|number_of_students=7
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 
Кроме того:
* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
 
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация комбинации нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===

Извлечение именованных сущностей из текстов (проект)

2016-09-17T09:23:10Z

Ivanov.kir.m:

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=7
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 
Кроме того:
* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
 
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация комбинации нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===

Извлечение именованных сущностей из текстов (проект)

2016-09-17T09:22:33Z

Ivanov.kir.m:

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=-
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=7
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 
Кроме того:
* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
 
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация комбинации нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===

Извлечение именованных сущностей из текстов (проект)

2016-09-13T10:15:58Z

Ivanov.kir.m: /* Ориентировочное расписание занятий */

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=7
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 
Кроме того:
* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
 
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация комбинации нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
'''Предварительно:'''
*Понедельник - любое время
*Вторник - первая половина дня (до 15.00)
*Пятница - любое время
*Суббота - любое время
 В скором времени возможно произойдет небольшое изменение (время проведения одной пары в моем личном расписании еще не определено).
 Окончательное расписание выберем со студентами выбравшими данный проект.

Извлечение именованных сущностей из текстов (проект)

2016-09-13T10:14:27Z

Ivanov.kir.m:

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=7
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 
Кроме того:
* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
 
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация комбинации нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
'''Предварительно:'''
*Понедельник - любое время
*Вторник - первая половина дня (до 15.00)
*Пятница - любое время
 В скором времени возможно произойдет небольшое изменение (время проведения одной пары в моем личном расписании еще не определено).
 Окончательное расписание выберем со студентами выбравшими данный проект.

Извлечение именованных сущностей из текстов (проект)

2016-09-13T10:12:10Z

Ivanov.kir.m:

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=7
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 
Кроме того:
* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
 
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация комбинации нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Предварительно:
Понедельник - любое время
Вторник - первая половина дня (до 15.00)
Пятница - любое время
В скором времени возможно произойдет небольшое изменение (время проведения одной пары в моем личном расписании еще не определено).
Окончательное расписание выберем со студентами выбравшими данный проект.

Участник:Ivanov.kir.m

2016-07-31T19:51:51Z

Ivanov.kir.m: /* О себе: */

{{Карточка_ментора
|categorize = yes
}}

Здравствуйте, меня зовут Иванов Кирилл :)

== О себе: ==
Раньше:
* Закончил бакалавриат ФКН-ВШЭ на отделении “Прикладная математика и информатика”
** Бакалаврская выпускная квалификационная работа по теме “Автоматизированное построение предметных указателей и глоссариев для научно-технических текстов на русском языке”.
* Во время обучения в бакалавриате:
** Был ассистентом по курсу “Алгоритмы и структуры данных” и, неофициально, по курсу “Автоматическая обработка текстов”
** Провел серию занятий (5-6 штук) со студентами первого курса магистратуры факультета “Психологии” по курсам “Начало математического анализа” и “Численные методы”
** Провел короткий вводный курс (2-3 занятия) по C++ MFC
Сейчас:
* Студент магистратуры ВМК-МГУ, кафедры Алгоритмических Языков.
** Магистерская диссертация по тематике бакалаврской курсовой
** Программирую в основном на Python и C# WPF
* Участник двух маленьких проектов:
** Биржевая торговля
** Образовательная система

== Контакты ==
[https://vk.com/kirill_iv vk.com/kirill_iv] 

Skype: lord2894 

Моб.: +7(926)559-49-93 (до 22.00) + Telegram по этому же телефону 
E-mail: ivanov.kir.m@yandex.ru

Извлечение именованных сущностей из текстов (проект)

2016-07-30T15:56:00Z

Ivanov.kir.m: /* Какие будут использоваться технологии? */

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=5
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 
Кроме того:
* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
 
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация комбинации нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Пока неизвестно :)

Извлечение именованных сущностей из текстов (проект)

2016-07-30T13:12:47Z

Ivanov.kir.m:

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=5
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 

* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация комбинации нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Пока неизвестно :)

Извлечение именованных сущностей из текстов (проект)

2016-07-30T12:55:05Z

Ivanov.kir.m: /* Критерии оценки */

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 

* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация комбинации нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Пока неизвестно :)

Извлечение именованных сущностей из текстов (проект)

2016-07-30T12:54:28Z

Ivanov.kir.m: /* Направления развития */

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 

* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореферентных связей
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Пока неизвестно :)

Участник:Ivanov.kir.m

2016-07-30T12:35:32Z

Ivanov.kir.m: Новая страница: «{{Карточка_ментора |categorize = yes }} Здравствуйте, меня зовут Иванов Кирилл :) == О себе: == * Рань…»

{{Карточка_ментора
|categorize = yes
}}

Здравствуйте, меня зовут Иванов Кирилл :)

== О себе: ==
* Раньше:
* Закончил бакалавриат ФКН-ВШЭ на отделении “Прикладная математика и информатика”
** Бакалаврская курсовая работа по теме “Автоматизированное построение предметных указателей и глоссариев для научно-технических текстов на русском языке”.
* Во время обучения в бакалавриате:
** Был ассистентом по курсу “Алгоритмы и структуры данных” и, неофициально, по курсу “Автоматическая обработка текстов”
** Провел серию занятий (5-6 штук) со студентами первого курса магистратуры факультета “Психологии” по курсам “Начало математического анализа” и “Численные методы”
** Провел короткий вводный курс (2-3 занятия) по C++ MFC
Сейчас:
* Студент магистратуры ВМК-МГУ, кафедры Алгоритмических Языков.
** Магистерская диссертация по тематике бакалаврской курсовой
** Программирую в основном на Python и C# WPF
* Участник двух маленьких проектов:
** Биржевая торговля
** Образовательная система

== Контакты ==
[https://vk.com/kirill_iv vk.com/kirill_iv] 

Skype: lord2894 

Моб.: +7(926)559-49-93 (до 22.00) + Telegram по этому же телефону 
E-mail: ivanov.kir.m@yandex.ru

Извлечение именованных сущностей из текстов (проект)

2016-07-30T12:25:50Z

Ivanov.kir.m: /* Критерии оценки */

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 

* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореференции.
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
* 4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
* 6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
* 8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
* 10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.) 

+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма. 

+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором) 

Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Пока неизвестно :)

Извлечение именованных сущностей из текстов (проект)

2016-07-30T12:25:17Z

Ivanov.kir.m: /* Какие будут использоваться технологии? */

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 

* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
Предполагается использование: SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореференции.
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.)
+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.
+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором)
Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Пока неизвестно :)

Извлечение именованных сущностей из текстов (проект)

2016-07-30T12:25:03Z

Ivanov.kir.m: /* Какие будут использоваться технологии? */

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn 

Для обработки текстов: NLTK, Pymorphy, Tomita Parser 

Для хранения текстов и результатов: mongodb, pymongo, json 

* отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
* регулярные выражения и лингвистические правила, если понадобится
Предполагается использование (как минимум): SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореференции.
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.)
+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.
+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором)
Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Пока неизвестно :)

Извлечение именованных сущностей из текстов (проект)

2016-07-30T12:24:33Z

Ivanov.kir.m: /* Темы вводных занятий */

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn
Для обработки текстов: NLTK, Pymorphy, Tomita Parser
Для хранения текстов и результатов: mongodb, pymongo, json
+ отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
+ регулярные выражения и лингвистические правила, если понадобится
Предполагается использование (как минимум): SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
# Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
# SVM, NaiveBayes.
# Нейронные сети. (базовое объяснение)
# HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореференции.
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.)
+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.
+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором)
Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Пока неизвестно :)

Извлечение именованных сущностей из текстов (проект)

2016-07-30T12:24:18Z

Ivanov.kir.m: /* Направления развития */

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn
Для обработки текстов: NLTK, Pymorphy, Tomita Parser
Для хранения текстов и результатов: mongodb, pymongo, json
+ отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
+ регулярные выражения и лингвистические правила, если понадобится
Предполагается использование (как минимум): SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
1. Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
2. SVM, NaiveBayes.
3. Нейронные сети. (базовое объяснение)
3. HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
# Расширение списка извлекаемых сущностей.
# Извлечение информации о сущностях (например, должность для человека).
# Разрешение кореференции.
# Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.)
+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.
+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором)
Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Пока неизвестно :)

Извлечение именованных сущностей из текстов (проект)

2016-07-30T12:22:53Z

Ivanov.kir.m: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Извлечение именованных сущностей из текстов
|mentor=Иванов Кирилл
|mentor_login={{URLENCODE:Ivanov.kir.m|WIKI}}
|semester=Осень 2016
|course=2
|summer=
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Результатом работы будет программа на Python, извлекающая именованные сущности (названия локаций или организаций, ФИО людей) из текстов на русском языке, собранных из сообществ ВКонтакте.

=== Чему вы научитесь? ===
В процессе работы студенты познакомятся с базовыми методами обработки текстов, узнают, как обучать и тестировать модели машинного обучения на Python.

=== Какие начальные требования? ===
Обязательно знание основ Python.
Приветствуется знакомство с методами компьютерной лингвистики и основами статистики.

=== Какие будут использоваться технологии? ===
Для построения и обучения моделей: Weka и/или scikit-learn
Для обработки текстов: NLTK, Pymorphy, Tomita Parser
Для хранения текстов и результатов: mongodb, pymongo, json
+ отдельные библиотеки по машинному обучению на Python, если понадобится (например, pyBrain, Theano, FANN для нейронных сетей)
+ регулярные выражения и лингвистические правила, если понадобится
Предполагается использование (как минимум): SVM, Naïve Bayes, HMM, CRF, нейронных сетей.

=== Темы вводных занятий ===
1. Задача выделения именованных сущностей. Метрики. Общая схема обучения и проверки модели (кросс-валидация, подбор параметров и т.п.)
2. SVM, NaiveBayes.
3. Нейронные сети. (базовое объяснение)
3. HMM (скрытые Марковские модели). (базовое объяснение)

=== Направления развития ===
1. Расширение списка извлекаемых сущностей.
2. Извлечение информации о сущностях (например, должность для человека).
3. Разрешение кореференции.
5. Пользовательский интерфейс (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.

=== Критерии оценки ===
4-5: реализация алгоритма машинного обучения с f-мерой > 0.5
6-7: реализация алгоритма машинного обучения с f-мерой > 0.6
8-9: реализация алгоритма машинного обучения с f-мерой > 0.7
10: реализация алгоритма машинного обучения с f-мерой > 0.8 или реализация нескольких методов с f-мерой > 0.7
+ 1 балл: использование лексико-синтаксических правил (Томита-парсер, LSPL и т.п.)
+ 1 балл: реализация пользовательского интерфейса (на любом ЯП) для ручной разметки корпуса и корректировки работы алгоритма.
+ 2 балла: извлечение информации о сущности (предварительно согласовать тип извлекаемой информации с ментором)
Критерии могут варьироваться в зависимости от максимального результата по группе.

=== Ориентировочное расписание занятий ===
Пока неизвестно :)