Актуальні проблеми методу глибинного навчання в лінгвоперсонології.

Автор(и)

  • I. Danyliuk Донецький національний університет імені Василя Стуса (м. Вінниця, Україна)

DOI:

https://doi.org/10.31558/1815-3070.2018.35.24

Ключові слова:

лінгвоперсонологія, мовна особистість, глибинне навчання, штучна нейронна мережа

Анотація

У статті описано проблеми глибинного навчання як галузі машинного навчання у застосуванні до моделювання мовної особистості. Описано суть методу глибинного навчання, визначено його відомі та потенційні перешкоди в застосуванні до мовних даних, вказано на перспективні напрями подолання цих недоліків.

Біографія автора

I. Danyliuk, Донецький національний університет імені Василя Стуса (м. Вінниця, Україна)

кандидат філологічних наук, доцент, доцент кафедри загального та прикладного мовознавства і слов’янської філології

Посилання

Bowman, S. R., Angeli, G., Potts, C., & Manning, C. D. "A large annotated corpus for learning natural language inference". arXiv:1508.05326. (2015). Web. 21 Aug 2015.

Danylyuk, I. "Avtomatyzovani metody opysu ta rozpiznavannya movnoyi osobystosti". (Automated linguistic personality description and recognition methods) Linhvistychni studiyi (Linguistic Studies) 32 (2016b): 93–99. Print.

Danylyuk, I. "Korpus tekstiv dlya vyvchennya hramatychnoyi sluzhbovosti." (Text corpora to study of a grammatical auxiliarity) Linhvistychni studiyi (Linguistic Studies) 26 (2013): 224–230. Print.

Danylyuk, I. "Korpus tekstiv dlya vyvchennya hramatychnoyi sluzhbovosti: klasyfikatsiya hramatychnykh klasiv i pidklasiv." (Text corpora for studying a grammatical auxiliarity: classification of grammatical classes and subclasses) Linhvistychni studiyi (Linguistic Studies) 27 (2013): 221–229. Print.

Danylyuk, I. "Perspektyvy zastosuvannya metodu mashynnoho navchannya dlya modelyuvannya movnoyi osobystosti" (Prospects of machine learning method for lingual personality modeling) Linhvistychni studiyi (Linguistic Studies) 33 (2017): 159–164. Print.

Danylyuk, I. "Teoretychni zasady i metody linhvopersonolohiyi" (Theoretical Principles And Methods of Lingvopersonology) Linhvistychni studiyi (Linguistic Studies) 31 (2016a): 63–66. Print.

Jia, R., & Liang, P.. Adversarial Examples for Evaluating Reading Comprehension Systems. arXiv:1707.07328. (2017). Web. 23 Jul. 2017.

Krizhevsky, A., Sutskever, I., & Hinton, G. E. "Imagenet classification with deep convolutional neural networks" Advances in Neural Information Processing Systems 25. pp. 1097–1105. (URL http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf) Lake, B. M., & Baroni, M. "Generalization without systematicity: On the compositional skills of sequence-tosequence recurrent networks". arXiv:1711.00350 (2017). Web. 31 Oct 2017.

Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. "Human-level concept learning through probabilistic program induction". Science, (2015). 350(6266), рр. 1332–1338.

Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. "Building Machines That Learn and Think Like People". Behav Brain Sci (2016) рр. 1–101.

Le, Q. V., Ranzato, M.-A., Monga, R., Devin, M., Chen, K., Corrado, G. et al. "Building high-level features using large scale unsupervised learning". Proceedings from International Conference on Machine Learning. arXiv:1112.6209 (2012). Web. 29 Dec 2011.

Luc, P., Neverova, N., Couprie, C., Verbeek, J., & LeCun, Y. "Predicting Deeper into the Future of Semantic Segmentation". International Conference on Computer Vision (ICCV 2017). arXiv:1703.07684 (2017). Web. 22 Mar 2017.

Mikolov, Tomas, et al. "Efficient estimation of word representations in vector space." arXiv preprint arXiv:1301.3781 (2013). Web. 10 Sep. 2016.

Marcus, G. "Deep Learning: A Critical Appraisal". arXiv:1801.00631 (2018). Web. 2 Jan 2018.

##submission.downloads##

Номер

Розділ

РОЗДІЛ VІІ. Прикладна лінгвістика: напрями й аспекти дослідження