Личный кабинет

Дипломная работаИнформационные технологии

Готовая работа №109860 от пользователя Куклачев Дмитрий

Разработка веб-приложения для автоматической расстановки знаков пунктуации с использованием голосового ввода

Name: Разработка веб-приложения для автоматической расстановки знаков пунктуации с использованием голосового ввода
Price: 1150.00 RUB

1 150 ₽

Файл с работой можно будет скачать в личном кабинете после покупки

Страниц: 48

Год написания: 2024

Куклачев Дмитрий

Сообщить о нарушении авторских прав

Гарантия безопасной покупки

Уникальность текста выше 50%

Возможность снять с продажи

Не подходит эта работа?

Укажите тему работы или свой e-mail, мы отправим подборку похожих работ

содержание

РЕФЕРАТ 3
СОДЕРЖАНИЕ 4
ВВЕДЕНИЕ 5
1 Анализ предметной области 7
1.1 Глоссарий 7
1.2 Постановка задачи 7
1.3 Существующие подходы к задаче восстановления пунктуации 8
2. Методы и технологии 14
2.1 Обзор используемых методов машинного обучения 14
2.2. Сбор данных для обучения модели восстановления пунктуации 16
2.3 Подготовка данных 19
2.4. Процесс обучения модели. 21
2.5 Используемые технологии 24
3. Реализация web-приложения 27
3.1 Технологическая реализация веб-приложения 27
3.2 Архитектура приложения 28
4. Разработка и реализация программных модулей 31
4.1 Схема базы данных 31
4.3 Интерфейс приложения 32
4.4Демонстрация работы приложения 36
5. Оценка производительности и качества работы модели 39
5.1 Загрузка модели и производительность 39
5.2 Анализ работы модели на примерах 40
5.3 Результаты обучения 41
ЗАКЛЮЧЕНИЕ 43
ЗАКЛЮЧЕНИЕ 45
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 46
ПРИЛОЖЕНИЕ А 48

Весь текст будет доступен после покупки

Показать еще текст

ВВЕДЕНИЕ

Автоматическая расстановка знаков пунктуации в текстах представляет собой важную задачу в области обработки естественного языка (Natural Language Processing, NLP). В современном мире, с развитием цифровых технологий и расширением информационного пространства, количество создаваемых текстов постоянно растет. Это приводит к повышению требований к качеству текстов и их автоматической обработке. Обнаружение и исправление ошибок в текстах становится все более важной задачей, влияющей на читаемость, понимание и автоматическую обработку текстов компьютерными системами.
Актуальность данной темы обусловлена необходимостью разработки автоматизированных методов для обнаружения и исправления пунктуационных ошибок, которые могут обеспечить сохранение смысла и целостности текста. В последние годы методы искусственного интеллекта (ИИ), и особенно глубокого обучения, получили широкое распространение в решении этой задачи. Эти методы адаптируются к сложным языковым структурам и обучаются на больших объемах текстовых данных, что делает их эффективными для восстановления пунктуации.
Настоящее исследование направлено на изучение применения методов искусственного интеллекта, основанных на нейронных сетях, для восстановления пунктуации в текстах. Мы рассмотрим существующие подходы и модели, используемые для этой задачи, и проанализируем их эффективность и применимость в различных контекстах.

Весь текст будет доступен после покупки

Показать еще текст

отрывок из работы

1 Анализ предметной области
1.1 Глоссарий
Сверточные нейронные сети (CNN) — тип нейронных сетей, способных извлекать локальные и глобальные признаки из входных данных с помощью операций свертки и пулинга.
Рекуррентные нейронные сети (RNN) — класс нейронных сетей, способных обрабатывать последовательные данные, сохраняя информацию о предыдущих состояниях и используя ее для обработки последующих элементов последовательности.
Трансформеры — Модель нейронной сети, способная обрабатывать последовательные данные.
Нейронные сети — математическая модель, которая представляет собой структуру искусственных нейронов, соединенных друг с другом и с внешней средой связями.
Лексема — единица языка, являющаяся единицей словарного состава языка.
Глубокое обучение — Метод машинного обучения, использующий нейронные сети с множеством слоев для извлечения признаков из данных и решения сложных задач.
Слой свертки— Слой в сверточной нейронной сети, выполняющий операцию свертки для извлечения признаков из входных данных.
Слой пулинга — Слой в сверточной нейронной сети, уменьшающий размерность признакового пространства путем агрегации признаков.
Скрытый слой — Слой в нейронной сети, который не доступен напрямую для внешних наблюдателей и отвечает за извлечение и обработку признаков.

Весь текст будет доступен после покупки

Показать еще текст

Список литературы

1. Ueffing N., Bisani M., Vozila P. Improved models for automatic punctuation prediction for spoken and written text //Interspeech. – 2013. – С. 3097-3101.
2. Collobert R. et al. Natural language processing (almost) from scratch //Journal of machine learning research. – 2011. – V. 12. – I. 8. – P. 2493-2537.
3. Kim Y. Convolutional neural networks for sentence classification //arXiv preprint arXiv:1408.5882. – 2014.
4. Zhang Y., Wallace B. A sensitivity analysis of (and practitioners' guide to) convolutional neural networks for sentence classification //arXiv preprint arXiv:1510.03820. – 2015.
5. Hochreiter S., Schmidhuber J. Long short-term memory //Neural computation. – 1997. – Т. 9. – №. 8. – С. 1735-1780.
6. Ling W. et al. Finding function in form: Compositional character models for open vocabulary word representation //arXiv preprint arXiv:1508.02096. – 2015.
7. Lample G. et al. Neural architectures for named entity recognition //arXiv preprint arXiv:1603.01360. – 2016.
8. Sutskever I., Vinyals O., Le Q. V. Sequence to sequence learning with neural networks //Advances in neural information processing systems. – 2014. – Т. 27.
9. Cho K. et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation //arXiv preprint arXiv:1406.1078. – 2014.
10. Bahdanau D., Cho K., Bengio Y. Neural machine translation by jointly learning to align and translate //arXiv preprint arXiv:1409.0473. – 2014.
11. Vaswani A. et al. Attention is all you need //arXiv preprint arXiv:1706.03762. – 2017.

Весь текст будет доступен после покупки

Показать еще текст

Купить и скачать работу

Разработка веб-приложения для автоматической расстановки знаков пунктуации с использованием голосового ввода

Почему студенты выбирают наш сервис?

Работаем круглосуточно

24 часа в сутки

7 дней в неделю

Гарантия

Возврат средств в случае проблем с купленной готовой работой

Мы лидеры

LeWork является лидером по количеству опубликованных материалов для студентов

не подошла эта работа?

В нашей базе 78761 курсовых работ – поможем найти подходящую

Ответы на часто задаваемые вопросы

Как оплатить заказ?

Чтобы оплатить заказ на сайте, необходимо сначала пополнить баланс на этой странице - https://lework.net/addbalance

На странице пополнения баланса у вас будет возможность выбрать способ оплаты - банковская карта, электронный кошелек или другой способ.

После пополнения баланса на сайте, необходимо перейти на страницу заказа и завершить покупку, нажав соответствующую кнопку.

Если у вас возникли проблемы при пополнении баланса на сайте или остались вопросы по оплате заказа, напишите нам на support@lework.net. Мы обязательно вам поможем!

Есть ли услуга безопасной покупки, и какой срок гарантии?

Да, покупка готовой работы на сайте происходит через "безопасную сделку". Покупатель и Продавец финансово защищены от недобросовестных пользователей. Гарантийный срок составляет 7 дней со дня покупки готовой работы. В течение этого времени покупатель имеет право подать жалобу на странице готовой работы, если купленная работа не соответствует описанию на сайте. Рассмотрение жалобы занимает от 3 до 5 рабочих дней.

Что означает возможность снять с продажи готовую работу ?

У покупателя есть возможность снять готовую работу с продажи на сайте. Например, если необходимо скрыть страницу с работой от третьих лиц на определенный срок. Тариф можно выбрать на странице готовой работы после покупки.

Как вернуть средства за некачественную работу?

Гарантийный срок составляет 7 дней со дня покупки готовой работы. В течение этого времени покупатель имеет право подать жалобу на странице готовой работы, если купленная работа не соответствует описанию на сайте. Рассмотрение жалобы занимает от 3 до 5 рабочих дней. Если администрация сайта принимает решение о возврате денежных средств, то покупатель получает уведомление в личном кабинете и на электронную почту о возврате. Средства можно потратить на покупку другой готовой работы или вывести с сайта на банковскую карту. Вывод средств можно оформить в личном кабинете, заполнив соответствущую форму.

Как связаться со службой поддержки, если возникли вопросы?

Мы с радостью ответим на ваши вопросы по электронной почте support@lework.net