تولید هوشمند متن با بکارگیری از روش یادگیری ژرف
Intelligent Generation of Text Using Deep Learning
تولید هوشمند متن با بکارگیری از روش یادگیری ژرف – کارشناسی ارشد
تولید هوشمند متن با بکارگیری از روش یادگیری ژرف
مدل های زبانی آماری بخشی حیاتی بسیاری از برنامه های موفقی چون بازشناسی خودکار صدا و ترجمه ماشین آماری (برای نمونه ترجمه گوگل) می باشد. روش های سنتی برای برآورد کردن این مدل ها برپایه شمار N-گرام ها می باشد. با وجود ضعف های شناخته شده N-گرام ها و تلاش های فراوان جامعه پژوهشی در بسیاری از شاخه ها (بازشناسی صدا، ترجمه ماشینی، هوش مصنوعی، پردازش زبان طبیعی، فشره سازی داده ها و …)، N-گرام ها به عنوان فناوری روز بجا ماندند. انگیزه این پایان نامه این است که از شبکه های عصبی بازگردی بهبود یافته برای تولید هوشمند متن بکار برده شود.
Statistical language models are crucial part of many successful applications, such as automatic speech recognition and statistical machine translation (for example wellknown Google Translate). Traditional techniques for estimating these models are based on N-gram counts. Despite known weaknesses of N -grams and huge efforts of research communities across many fields (speech recognition, machine translation, neuroscience, artificial intelligence, natural language processing, data compression, psychology etc.), N–grams remained basically the state-of-the-art. The goal of this thesis is to use the improved Recurrent Neural Network to intelligently generate text. Keywords: Recurrent Neural Networks, Text Generation, Artificial Intelligence
ترجمه ماشینی , ان-گرام , ژرف ساخت , شبکه عصبی بازگشتی , هوش مصنوعی , بازشناسی گفتار , پردازش زبان طبیعی , پردازش متن,
Recurrent Neural Networks, Text Generation, Artificial Intelligence