Posilováneho učení a neuronové sítě pro extrakce znalostí z textu

Abstract

Cílem práce je zhodnotit přínos konkrétních algoritmů posilovaného učení a neuronových sítí pro klasifikací textových dokumentů a sumarizaci textu. Je sekvenční čtení rychlejší a přesnější, než Bayesovská klasifikace? Je posilované učení vhodné pro sumarizaci textu? Literární rešerše se zabývá analýzou aktuální literatury k této problematice. V praktické části jsou pak podrobně zdokumentovány implementace a výsledky konkrétních algoritmů (Corss Entropy Methods, Reinforce). Všechny algoritmy jsou implementovány v jazyce Python. Na základě zjištěných údajů je možné usoudit, které algoritmy jsou pro řešení daných problémů použitelné a za jakých okolností a které nikoliv. V příloze práce lze nalézt zdrojové kódy všech hodnocených algoritmů.

The goal of this thesis is to evaluate contribution of algorithms of Reinforcement learning and neural networks for text classification and summarization. Is sequential reading faster but more precise than naive Bayesian classification? Is Reinforcement learning suitable for text summarization? Theoretical part deals with analysis of current literature regarding this problematic. Practical part consists of elaborately documented implementation and results of specific algorithms (Cross Entropy Method, Reinforce). All algorithms are implemented in Python language. Based on reported results it is possible to decide which algorithms are suitable for solving given problems and under what circumstances and which are not. In the attachment of the thesis contains source codes of all evaluated algorithms.