1
00:00:00,000 --> 00:00:08,364

2
00:00:08,364 --> 00:00:08,870
>> LUCAS FREITAS: Hey.

3
00:00:08,870 --> 00:00:09,980
Benvinguts tots.

4
00:00:09,980 --> 00:00:11,216
El meu nom és Lluc Freitas.

5
00:00:11,216 --> 00:00:15,220
Sóc un júnior a [inaudible] d'estudiar
ciències de la computació amb un enfocament en

6
00:00:15,220 --> 00:00:16,410
lingüística computacional.

7
00:00:16,410 --> 00:00:19,310
Així que el meu secundària és en el llenguatge
i la teoria lingüística.

8
00:00:19,310 --> 00:00:21,870
Estic molt emocionat d'ensenyar a nois
una mica sobre el camp.

9
00:00:21,870 --> 00:00:24,300
És una zona molt interessant per estudiar.

10
00:00:24,300 --> 00:00:27,260
També amb molt potencial
per al futur.

11
00:00:27,260 --> 00:00:30,160
Per tant, estic molt emocionada que vostès
estan considerant projectes en

12
00:00:30,160 --> 00:00:31,160
lingüística computacional.

13
00:00:31,160 --> 00:00:35,460
I jo estaré més que feliç per assessorar
algun de vostès si decideix

14
00:00:35,460 --> 00:00:37,090
perseguir un d'aquests.

15
00:00:37,090 --> 00:00:40,010
>> Així que en primer lloc quins són computacional
la lingüística?

16
00:00:40,010 --> 00:00:44,630
Així que la lingüística computacional és el
intersecció entre la lingüística i la

17
00:00:44,630 --> 00:00:46,390
ciències de la computació.

18
00:00:46,390 --> 00:00:47,415
Llavors, què és la lingüística?

19
00:00:47,415 --> 00:00:48,490
Què és la informàtica?

20
00:00:48,490 --> 00:00:51,580
Doncs des de la lingüística, la qual cosa
prenem són els idiomes.

21
00:00:51,580 --> 00:00:54,960
Així que la lingüística és en realitat l'estudi
del llenguatge natural en general.

22
00:00:54,960 --> 00:00:58,330
Així que el llenguatge natural - es parla de
llenguatge que realment fem servir per

23
00:00:58,330 --> 00:00:59,770
comunicar-se entre si.

24
00:00:59,770 --> 00:01:02,200
Així que no estem parlant exactament
sobre C o Java.

25
00:01:02,200 --> 00:01:05,900
Estem parlant més sobre Anglès i
Xinès i altres idiomes que

26
00:01:05,900 --> 00:01:07,780
utilitzar per comunicar-se entre si.

27
00:01:07,780 --> 00:01:12,470
>> El difícil d'això és que
en aquest moment tenim gairebé 7.000

28
00:01:12,470 --> 00:01:14,260
idiomes en el món.

29
00:01:14,260 --> 00:01:19,520
Així que hi ha una molt alta diversitat
d'idiomes que podem estudiar.

30
00:01:19,520 --> 00:01:22,600
I llavors vostè pensa que és probable que sigui
molt difícil de fer, per exemple,

31
00:01:22,600 --> 00:01:26,960
traducció d'una llengua a l'
altra, tenint en compte que vostè té

32
00:01:26,960 --> 00:01:28,240
gairebé 7.000 d'ells.

33
00:01:28,240 --> 00:01:31,450
Per tant, si vostè pensa de fer la traducció
d'una llengua a l'altra que

34
00:01:31,450 --> 00:01:35,840
tenen gairebé més d'un milió
diferents combinacions que pugui

35
00:01:35,840 --> 00:01:37,330
tenir d'un idioma a un altre.

36
00:01:37,330 --> 00:01:40,820
Així que és realment difícil de fer alguns
tipus de sistema d'exemple de traducció per

37
00:01:40,820 --> 00:01:43,540
tots els idiomes.

38
00:01:43,540 --> 00:01:47,120
>> Per tant, la lingüística tracta amb la sintaxi,
la semàntica, la pragmàtica.

39
00:01:47,120 --> 00:01:49,550
Vostès no necessiten exactament
saber el que és.

40
00:01:49,550 --> 00:01:55,090
Però l'interessant és que
com un parlant nadiu, quan s'aprèn

41
00:01:55,090 --> 00:01:59,010
llenguatge com a nen, en realitat s'aprèn
totes aquestes coses - la semàntica de sintaxi

42
00:01:59,010 --> 00:02:00,500
i la pragmàtica -

43
00:02:00,500 --> 00:02:01,430
per si mateix.

44
00:02:01,430 --> 00:02:04,820
I ningú ha d'ensenyar sintaxi per
a entendre com les oracions són

45
00:02:04,820 --> 00:02:05,290
estructurat.

46
00:02:05,290 --> 00:02:07,980
Així que és molt interessant perquè
que és una cosa que ve molt

47
00:02:07,980 --> 00:02:10,389
intuïtivament.

48
00:02:10,389 --> 00:02:13,190
>> I el que portes de
la ciència de la computació?

49
00:02:13,190 --> 00:02:16,700
Bé, la cosa més important que
tenir en ciències de la computació és davant

50
00:02:16,700 --> 00:02:19,340
tot, la intel · ligència artificial
i l'aprenentatge automàtic.

51
00:02:19,340 --> 00:02:22,610
Per tant, el que estem tractant de fer
la lingüística computacional és ensenyar

52
00:02:22,610 --> 00:02:26,990
seu equip com fer alguna cosa
amb el llenguatge.

53
00:02:26,990 --> 00:02:28,630
>> Així, per exemple, en la màquina
traducció.

54
00:02:28,630 --> 00:02:32,490
Estic tractant d'ensenyar al meu equip com
saber com fer la transició d'un

55
00:02:32,490 --> 00:02:33,310
idioma a un altre.

56
00:02:33,310 --> 00:02:35,790
Així que, com bàsicament l'ensenyament
01:00 informàtics dos idiomes.

57
00:02:35,790 --> 00:02:38,870
Si faig el processament del llenguatge natural,
que és el cas per exemple de

58
00:02:38,870 --> 00:02:41,810
De Facebook Graph motor, ensenyar
seu equip la manera d'entendre

59
00:02:41,810 --> 00:02:42,730
consultes així.

60
00:02:42,730 --> 00:02:48,130
>> Per tant, si vostè diu "les fotos del meu
amics. "Facebook no tracta que

61
00:02:48,130 --> 00:02:51,130
com tota una cadena que té
només un munt de paraules.

62
00:02:51,130 --> 00:02:56,020
En realitat, entén la relació
entre les "fotos" i "els meus amics" i

63
00:02:56,020 --> 00:02:59,620
entén que les "fotos" són
propietat de "els meus amics".

64
00:02:59,620 --> 00:03:02,350
>> Llavors, això és part de, per exemple,
processament del llenguatge natural.

65
00:03:02,350 --> 00:03:04,790
Està tractant d'entendre el que
és la relació entre

66
00:03:04,790 --> 00:03:07,520
les paraules en una oració.

67
00:03:07,520 --> 00:03:11,170
I la gran pregunta és, pot
ensenyar a un ordinador com parlar

68
00:03:11,170 --> 00:03:12,650
un llenguatge en general?

69
00:03:12,650 --> 00:03:17,810
El que és una pregunta molt interessant
pensar, com si potser en el futur,

70
00:03:17,810 --> 00:03:19,930
vostè serà capaç de
parli amb el seu telèfon mòbil.

71
00:03:19,930 --> 00:03:23,290
Una cosa així com el que fem amb Siri, però
una mica més semblant, en realitat es pot

72
00:03:23,290 --> 00:03:25,690
dir el que vulguis i el telèfon
va a entendre tot.

73
00:03:25,690 --> 00:03:28,350
I pot tenir preguntes de seguiment
i seguir parlant.

74
00:03:28,350 --> 00:03:30,880
Això és una cosa molt emocionant,
al meu entendre.

75
00:03:30,880 --> 00:03:33,070
>> Per tant, una mica de les llengües naturals.

76
00:03:33,070 --> 00:03:36,220
Una cosa realment interessant d'
llenguatges naturals és que, i això és

77
00:03:36,220 --> 00:03:38,470
crèdit al meu professor de lingüística,
Maria Polinsky.

78
00:03:38,470 --> 00:03:40,830
Ella dóna un exemple i crec que
és realment interessant.

79
00:03:40,830 --> 00:03:47,060
Perquè aprenem el llenguatge de quan
naixem i després el nostre natiu

80
00:03:47,060 --> 00:03:49,170
tipus de llenguatge creix en nosaltres.

81
00:03:49,170 --> 00:03:52,570
>> I, bàsicament, a aprendre l'idioma
de participació mínima, no?

82
00:03:52,570 --> 00:03:56,700
Vostè és només l'aportació de la seva
els pares del que sona el seu idioma

83
00:03:56,700 --> 00:03:58,770
agrada i que acaba d'aprendre.

84
00:03:58,770 --> 00:04:02,240
Així, és interessant perquè si ens fixem
en aquestes frases, per exemple.

85
00:04:02,240 --> 00:04:06,980
Mires: "Maria es posa una capa de cada
vegada que surt de la casa ".

86
00:04:06,980 --> 00:04:10,650
>> En aquest cas, és possible tenir la
paraula "ella" es refereixen a Maria, no?

87
00:04:10,650 --> 00:04:13,500
Vostè pot dir "Maria es posa una capa de
cada vegada que Maria deixa la

88
00:04:13,500 --> 00:04:14,960
casa. ", pel que està bé.

89
00:04:14,960 --> 00:04:19,370
Però si ens fixem en la sentència
"Ella es posa una capa cada vegada que Maria

90
00:04:19,370 --> 00:04:22,850
surt de la casa. "saps que és
impossible dir que "ella" és

91
00:04:22,850 --> 00:04:24,260
referint-se a Maria.

92
00:04:24,260 --> 00:04:27,070
>> No hi ha manera de dir que "Maria posa
en una capa cada vegada que Maria deixa

93
00:04:27,070 --> 00:04:30,790
la casa ". Així que és interessant perquè
aquest és el tipus de la intuïció

94
00:04:30,790 --> 00:04:32,890
que cada parlant nadiu té.

95
00:04:32,890 --> 00:04:36,370
I a ningú se li va ensenyar que això és
la forma en què funciona la sintaxi.

96
00:04:36,370 --> 00:04:41,930
I això només es pot tenir aquest "ella"
referint-se a Maria en aquest primer cas,

97
00:04:41,930 --> 00:04:44,260
i en realitat en aquesta altra
també, però no en aquest.

98
00:04:44,260 --> 00:04:46,500
Però tothom es posa tipus de
a la mateixa resposta.

99
00:04:46,500 --> 00:04:48,580
Tots estan d'acord en això.

100
00:04:48,580 --> 00:04:53,280
Així que és realment interessant com tot
vostè no sap totes les regles

101
00:04:53,280 --> 00:04:55,575
en el seu idioma quin tipus d'entendre
com funciona l'idioma.

102
00:04:55,575 --> 00:04:59,020

103
00:04:59,020 --> 00:05:01,530
>> Així que l'interessant de naturals
llenguatge és que vostè no ha de

104
00:05:01,530 --> 00:05:06,970
conèixer qualsevol sintaxi per saber si una sentència
és gramatical o gramatical per

105
00:05:06,970 --> 00:05:08,810
la majoria dels casos.

106
00:05:08,810 --> 00:05:13,220
Què et fa pensar que potser el que
que passa és que a través de la seva vida,

107
00:05:13,220 --> 00:05:17,410
es tornen cada vegada més i més
frases van dir a vostè.

108
00:05:17,410 --> 00:05:19,800
I després segueixes memorització
totes les sentències.

109
00:05:19,800 --> 00:05:24,230
I després, quan algú et diu
alguna cosa, s'escolta aquesta frase i

110
00:05:24,230 --> 00:05:27,040
ens fixem en el seu vocabulari
de les sentències i veure si

111
00:05:27,040 --> 00:05:28,270
aquesta frase hi és.

112
00:05:28,270 --> 00:05:29,830
I si és que cal
diuen que és gramatical.

113
00:05:29,830 --> 00:05:31,740
Si no és vostè diu que és
ungrammatical.

114
00:05:31,740 --> 00:05:35,150
>> Així que, en aquest cas, vostè diria, oh,
el que té una enorme llista de tots els

115
00:05:35,150 --> 00:05:36,140
possibles condemnes.

116
00:05:36,140 --> 00:05:38,240
I després, quan s'escolta una oració,
vostè sap si és gramatical o

117
00:05:38,240 --> 00:05:39,450
no es basa en això.

118
00:05:39,450 --> 00:05:42,360
La cosa és que si ens fixem en
una frase, per exemple, "El

119
00:05:42,360 --> 00:05:47,540
cinc caps CS50 TFS cuinat els cecs
pop utilitzant una tassa DAPA. "És

120
00:05:47,540 --> 00:05:49,630
definitivament no és una sentència de
que has escoltat abans.

121
00:05:49,630 --> 00:05:52,380
Però al mateix temps, vostè sap que és
gairebé gramatical, oi?

122
00:05:52,380 --> 00:05:55,570
No hi ha errors gramaticals
i es pot dir que

123
00:05:55,570 --> 00:05:57,020
és una possible sentència.

124
00:05:57,020 --> 00:06:01,300
>> Pel que ens fa pensar que en realitat l'
manera com aprenem el llenguatge no és només

125
00:06:01,300 --> 00:06:07,090
per tenir una gran base de dades de possibles
paraules o frases, però més de

126
00:06:07,090 --> 00:06:11,490
la comprensió de la relació entre
paraules en aquestes frases.

127
00:06:11,490 --> 00:06:14,570
Això té sentit?

128
00:06:14,570 --> 00:06:19,370
Així, doncs, la pregunta és, pot
ordinadors aprenen idiomes?

129
00:06:19,370 --> 00:06:21,490
Podem ensenyar el llenguatge de les computadores?

130
00:06:21,490 --> 00:06:24,230
>> Per tant, anem a pensar en la diferència
entre un parlant nadiu de la llengua

131
00:06:24,230 --> 00:06:25,460
i un ordinador.

132
00:06:25,460 --> 00:06:27,340
Així que, què passa amb l'altaveu?

133
00:06:27,340 --> 00:06:30,430
Doncs bé, el parlant nadiu aprèn una
el llenguatge de l'exposició a la mateixa.

134
00:06:30,430 --> 00:06:34,200
Normalment els seus primers anys d'infància.

135
00:06:34,200 --> 00:06:38,570
Així que, bàsicament, que acaba de tenir un nadó,
i segueixes parlant amb ella, i

136
00:06:38,570 --> 00:06:40,540
només aprèn a parlar
el llenguatge, no?

137
00:06:40,540 --> 00:06:42,660
Així que, bàsicament estàs donant
d'entrada per al nadó.

138
00:06:42,660 --> 00:06:45,200
Així que, a continuació, es pot argumentar que un ordinador
pot fer el mateix, oi?

139
00:06:45,200 --> 00:06:49,510
Vostè només pot donar idioma
com a entrada per a l'ordinador.

140
00:06:49,510 --> 00:06:53,410
>> Com per exemple, un munt d'arxius
que tenen els llibres en anglès.

141
00:06:53,410 --> 00:06:56,190
Potser aquesta és una manera que vostè
possiblement podria ensenyar una

142
00:06:56,190 --> 00:06:57,850
ordinador Anglès, oi?

143
00:06:57,850 --> 00:07:01,000
I de fet, si es pensa en això,
que et porta potser un parell

144
00:07:01,000 --> 00:07:02,680
dia per llegir un llibre.

145
00:07:02,680 --> 00:07:05,760
Per a un equip que es necessita un segon per
veure totes les paraules en un llibre.

146
00:07:05,760 --> 00:07:10,810
Així que vostè pot pensar que pot tractar-se d'aquesta
argument d'entrada del teu voltant,

147
00:07:10,810 --> 00:07:15,440
això no és suficient per dir que això és
cosa que només els éssers humans poden fer.

148
00:07:15,440 --> 00:07:17,680
Vostè pot pensar en els ordinadors
També pot obtenir l'entrada.

149
00:07:17,680 --> 00:07:21,170
>> La segona cosa és que els parlants nadius
també tenen un cervell que té

150
00:07:21,170 --> 00:07:23,870
capacitat d'aprenentatge d'idiomes.

151
00:07:23,870 --> 00:07:27,020
Però si es pensa en això,
un cervell és una cosa sòlida.

152
00:07:27,020 --> 00:07:30,450
Quan neixes, ja està establert -

153
00:07:30,450 --> 00:07:31,320
aquesta és la teva cervell.

154
00:07:31,320 --> 00:07:34,660
I a mesura que creixen, que acaba d'obtenir més
entrada de la llengua i potser els nutrients

155
00:07:34,660 --> 00:07:35,960
i altres coses.

156
00:07:35,960 --> 00:07:38,170
Però més o menys el seu cervell
és una cosa sòlida.

157
00:07:38,170 --> 00:07:41,290
>> Així que vostè pot dir, bé, potser vostè pot
construir un equip que té un munt de

158
00:07:41,290 --> 00:07:45,890
funcions i mètodes que només imiten
capacitat d'aprenentatge d'idiomes.

159
00:07:45,890 --> 00:07:49,630
Així que en aquest sentit, es podria dir, bé,
pot tenir un equip que té tot el

160
00:07:49,630 --> 00:07:52,270
coses que he d'aprendre el llenguatge.

161
00:07:52,270 --> 00:07:56,200
I l'últim és que un nadiu
parlant aprèn d'assaig i error.

162
00:07:56,200 --> 00:08:01,090
Així que, bàsicament, una altra cosa important en
l'aprenentatge d'idiomes és quin tipus

163
00:08:01,090 --> 00:08:05,340
d'aprendre coses per fer
generalitzacions del que se sent.

164
00:08:05,340 --> 00:08:10,280
>> Així com estàs creixent aprens que
algunes paraules són més semblants als substantius,

165
00:08:10,280 --> 00:08:11,820
alguns altres són adjectius.

166
00:08:11,820 --> 00:08:14,250
I vostè no ha de tenir cap
coneixement de la lingüística

167
00:08:14,250 --> 00:08:15,040
entendre això.

168
00:08:15,040 --> 00:08:18,560
Però vostè acaba de saber que hi ha algunes paraules
estan col · locats en una part de la

169
00:08:18,560 --> 00:08:22,570
frase i alguns altres en una altra
parts de l'oració.

170
00:08:22,570 --> 00:08:26,110
>> I que quan fas una cosa que és
com una sentència que no és correcta -

171
00:08:26,110 --> 00:08:28,770
potser a causa d'una generalització sobre
per exemple.

172
00:08:28,770 --> 00:08:32,210
Potser quan estàs creixent, t'adones
que el plural és generalment

173
00:08:32,210 --> 00:08:35,809
format per posar en S
al final de la paraula.

174
00:08:35,809 --> 00:08:40,042
I a continuació, intenta fer el plural
"Cérvol" com "cérvols" o "dent" com

175
00:08:40,042 --> 00:08:44,780
"Tooths". Així que els teus pares o
algú et corregeix i diu, no, el

176
00:08:44,780 --> 00:08:49,020
plural de "deer" és "cérvol", i el
plural de "dent" és "dents". I després

177
00:08:49,020 --> 00:08:50,060
a aprendre aquestes coses.

178
00:08:50,060 --> 00:08:51,520
Així s'aprèn de prova i error.

179
00:08:51,520 --> 00:08:53,100
>> Però també es pot fer això
amb un ordinador.

180
00:08:53,100 --> 00:08:55,310
Vostè pot tenir alguna cosa que es diu
aprenentatge per reforç.

181
00:08:55,310 --> 00:08:58,560
La qual cosa és, bàsicament, com donar un
equip una recompensa cada vegada que ho fa

182
00:08:58,560 --> 00:08:59,410
alguna cosa correctament.

183
00:08:59,410 --> 00:09:04,710
I donant-li el contrari d'una recompensa
i quan fa alguna cosa malament.

184
00:09:04,710 --> 00:09:07,410
En realitat es pot veure que si vas
el traductor de Google i s'intenta

185
00:09:07,410 --> 00:09:10,220
traduir una frase,
li demana la seva opinió.

186
00:09:10,220 --> 00:09:13,240
Així que si vostè diu, oh, hi ha una millor
traducció d'aquesta frase.

187
00:09:13,240 --> 00:09:18,140
Vostè pot escriure i després, si una gran quantitat de
la gent segueix dient que és una millor

188
00:09:18,140 --> 00:09:21,560
traducció, només s'assabenta que ella
que ha d'usar la traducció en lloc de

189
00:09:21,560 --> 00:09:22,960
el que estava donant.

190
00:09:22,960 --> 00:09:28,830
>> Així que, és una pregunta molt filosòfica
per veure si els ordinadors seran

191
00:09:28,830 --> 00:09:30,340
capaç de parlar o no en el futur.

192
00:09:30,340 --> 00:09:34,440
Però tinc grans esperances que puguin
només sobre la base d'aquests arguments.

193
00:09:34,440 --> 00:09:38,570
Però és només més d'un filosòfic
qüestió.

194
00:09:38,570 --> 00:09:43,460
>> Així, mentre que els ordinadors encara no poden parlar,
quines són les coses que podem fer?

195
00:09:43,460 --> 00:09:47,070
Algunes coses molt interessants són
classificació de dades.

196
00:09:47,070 --> 00:09:53,210
Així, per exemple, que vostès saben
que els serveis de correu electrònic fan, per

197
00:09:53,210 --> 00:09:55,580
exemple, el filtratge de correu brossa.

198
00:09:55,580 --> 00:09:59,070
Així que quan vostè rep spam, es
tracta de filtrar a una altra caixa.

199
00:09:59,070 --> 00:10:00,270
Llavors, com ho fa?

200
00:10:00,270 --> 00:10:06,080
No és que l'ordinador només sap
adreces de correu electrònic que envien spam.

201
00:10:06,080 --> 00:10:09,130
Així que està més basat en el contingut de
el missatge, o potser el títol, o

202
00:10:09,130 --> 00:10:11,310
potser algun patró que vostè té.

203
00:10:11,310 --> 00:10:15,690
>> Així que, bàsicament, el que pots fer és aconseguir un
gran quantitat de dades de missatges de correu electrònic que són spam,

204
00:10:15,690 --> 00:10:19,980
correus electrònics que no són spam i aprenen el
tipus de patrons que té al

205
00:10:19,980 --> 00:10:21,000
els que són SPAM.

206
00:10:21,000 --> 00:10:23,260
I això és part del càlcul
la lingüística.

207
00:10:23,260 --> 00:10:24,720
Es diu la classificació de dades.

208
00:10:24,720 --> 00:10:28,100
I de fet anem a veure un
exemple que en les pròximes diapositives.

209
00:10:28,100 --> 00:10:32,910
>> La segona cosa és el llenguatge natural
processament, que és el que el

210
00:10:32,910 --> 00:10:36,580
Gràfic Search està fent de deixar
s'escriu una frase.

211
00:10:36,580 --> 00:10:38,690
I confia que entén el
és el significat i dóna

212
00:10:38,690 --> 00:10:39,940
Ets un resultat millor.

213
00:10:39,940 --> 00:10:43,880
En realitat, si vostè va a Google o Bing
i buscar alguna cosa com Lady

214
00:10:43,880 --> 00:10:47,060
Alçada de Gaga, en realitat està passant
per obtenir 5 '1 "en lloc de la informació

215
00:10:47,060 --> 00:10:50,170
d'ella, ja que en realitat entén
el que estàs parlant.

216
00:10:50,170 --> 00:10:52,140
Així que això és part dels recursos naturals
el processament del llenguatge.

217
00:10:52,140 --> 00:10:57,000
>> O també quan s'utilitza Siri, primer
vostè té un algoritme que intenta

218
00:10:57,000 --> 00:11:01,130
traduir el que dius
en paraules, en el text.

219
00:11:01,130 --> 00:11:03,690
I llavors s'intenta traduir
que en significat.

220
00:11:03,690 --> 00:11:06,570
Així que això és part dels recursos naturals
el processament del llenguatge.

221
00:11:06,570 --> 00:11:08,320
>> Llavors vostè té la traducció automàtica -

222
00:11:08,320 --> 00:11:10,300
que és en realitat una
dels meus favorits -

223
00:11:10,300 --> 00:11:14,060
que s'acaba de traduir del
una llengua a l'altra.

224
00:11:14,060 --> 00:11:17,950
Així que vostè pot pensar que quan vostè està fent
traducció automàtica, vostè té

225
00:11:17,950 --> 00:11:19,750
infinites possibilitats de sentències.

226
00:11:19,750 --> 00:11:22,960
Així que no hi ha manera de simplement emmagatzemar
cada traducció individual.

227
00:11:22,960 --> 00:11:27,440
Així que has de pujar amb interessant
algoritmes per poder

228
00:11:27,440 --> 00:11:30,110
traduir cada
frase d'alguna manera.

229
00:11:30,110 --> 00:11:32,483
>> Vostès tenen alguna pregunta fins ara?

230
00:11:32,483 --> 00:11:34,450
No?

231
00:11:34,450 --> 00:11:34,830
D'acord.

232
00:11:34,830 --> 00:11:36,900
>> Així que el que anem a veure avui?

233
00:11:36,900 --> 00:11:39,300
En primer lloc, vaig a parlar de
el problema de classificació.

234
00:11:39,300 --> 00:11:41,440
Així que el que jo estava
dient d'spam.

235
00:11:41,440 --> 00:11:46,820
El que faré és, lletres donades
una cançó, es pot tractar d'esbrinar

236
00:11:46,820 --> 00:11:49,810
amb alta probabilitat
qui és el cantant?

237
00:11:49,810 --> 00:11:53,590
Anem a dir que no tinc cançons de Lady
Gaga i Katy Perry, si et dono un

238
00:11:53,590 --> 00:11:58,130
nova cançó, pots esbrinar si
és Katy Perry o Lady Gaga?

239
00:11:58,130 --> 00:12:01,490
>> La segona, que només parlaré
sobre el problema de la segmentació.

240
00:12:01,490 --> 00:12:05,780
Així que no sé si vostès ho saben, però
Xinès, japonès, un altre d'Àsia Oriental

241
00:12:05,780 --> 00:12:08,090
idiomes i altres llengües
en general, no tenen

242
00:12:08,090 --> 00:12:09,830
espais entre les paraules.

243
00:12:09,830 --> 00:12:13,540
I després, si es pensa en la forma en què
seva amable equip d'intents per

244
00:12:13,540 --> 00:12:18,600
entendre el processament del llenguatge natural,
es veu en les paraules i

245
00:12:18,600 --> 00:12:21,500
tracta de comprendre les relacions
entre ells, oi?

246
00:12:21,500 --> 00:12:25,440
Però llavors, si vostè té el xinès, i vostè
té zero espais, és molt difícil

247
00:12:25,440 --> 00:12:28,360
esbrinar quina és la relació entre
És a dir, pel fet que no tenen cap

248
00:12:28,360 --> 00:12:29,530
paraules a primera.

249
00:12:29,530 --> 00:12:32,600
Així que has de fer alguna cosa que es diu
segmentació que només significa posar

250
00:12:32,600 --> 00:12:36,490
espais entre el que nosaltres anomenaríem
paraules en aquests idiomes.

251
00:12:36,490 --> 00:12:37,740
Té sentit?

252
00:12:37,740 --> 00:12:39,680

253
00:12:39,680 --> 00:12:41,540
>> I després anem a
parlar de la sintaxi.

254
00:12:41,540 --> 00:12:44,050
Així que una mica sobre física
el processament del llenguatge.

255
00:12:44,050 --> 00:12:45,420
Serà només un resum.

256
00:12:45,420 --> 00:12:50,700
Així que avui, bàsicament el que vull fer
és donar-li nois una mica d'un

257
00:12:50,700 --> 00:12:53,930
dins del que són les possibilitats
que vostè pot fer amb computacional

258
00:12:53,930 --> 00:12:54,960
la lingüística.

259
00:12:54,960 --> 00:13:00,410
I llavors vostè pot veure el que vostè pensa
és fresc entre les coses.

260
00:13:00,410 --> 00:13:02,270
I potser vostè pot pensar en un projecte
i vine a parlar amb mi.

261
00:13:02,270 --> 00:13:05,260
I jo et puc donar consells
sobre la manera de posar-la en pràctica.

262
00:13:05,260 --> 00:13:09,060
>> Així sintaxi serà una mica
Gràfic sobre Recerca i màquina

263
00:13:09,060 --> 00:13:09,670
traducció.

264
00:13:09,670 --> 00:13:13,650
Només donaré un exemple de com
vostè podria, per exemple, traduir

265
00:13:13,650 --> 00:13:16,020
una mica de Portuguès a Anglès.

266
00:13:16,020 --> 00:13:17,830
Sona bé?

267
00:13:17,830 --> 00:13:19,293
>> Així que en primer lloc, el problema de classificació.

268
00:13:19,293 --> 00:13:23,590
Vaig a dir que aquesta part del seminari
serà la més difícil

269
00:13:23,590 --> 00:13:27,560
un simplement perquè no va
a ser una mica de codi.

270
00:13:27,560 --> 00:13:29,470
Però serà Python.

271
00:13:29,470 --> 00:13:34,380
Sé que vostès no saben Python, per la qual cosa
Jo només vaig a explicar en l'alt

272
00:13:34,380 --> 00:13:35,750
nivell o el que estic fent.

273
00:13:35,750 --> 00:13:40,900
I vostè no ha de preocupar realment massa
molt sobre la sintaxi, perquè això és

274
00:13:40,900 --> 00:13:42,140
cosa que vostès poden aprendre.

275
00:13:42,140 --> 00:13:42,540
¿D'acord?

276
00:13:42,540 --> 00:13:43,580
Sona bé.

277
00:13:43,580 --> 00:13:46,020
>> Llavors, quin és el problema de classificació?

278
00:13:46,020 --> 00:13:49,140
Així que et donen algunes lletres per
una cançó i vol endevinar

279
00:13:49,140 --> 00:13:50,620
que cantava.

280
00:13:50,620 --> 00:13:54,045
I això pot ser de qualsevol tipus
d'altres problemes.

281
00:13:54,045 --> 00:13:59,980
Així que pot ser, per exemple, té una
campanya presidencial i té un

282
00:13:59,980 --> 00:14:02,610
la parla i la que voleu cercar
si ho va ser, per exemple,

283
00:14:02,610 --> 00:14:04,470
Obama o Mitt Romney.

284
00:14:04,470 --> 00:14:07,700
O vostè pot tenir un munt de correus electrònics i
vol esbrinar si són

285
00:14:07,700 --> 00:14:08,890
spam o no.

286
00:14:08,890 --> 00:14:11,440
Així que és només una mica de la classificació
les dades basats en les paraules

287
00:14:11,440 --> 00:14:13,790
que vostè té allà.

288
00:14:13,790 --> 00:14:16,295
>> Així que per fer això, vostè ha de
fer algunes suposicions.

289
00:14:16,295 --> 00:14:20,570
Així que molt de la lingüística computacional
està fent suposicions,

290
00:14:20,570 --> 00:14:24,100
supòsits generalment intel · ligents, de manera que
vostè pot aconseguir bons resultats.

291
00:14:24,100 --> 00:14:26,670
Tractar de crear un model per a ell.

292
00:14:26,670 --> 00:14:31,290
I després provar-ho i veure si funciona,
si et dóna una bona precisió.

293
00:14:31,290 --> 00:14:33,940
I si ho fa, llavors vostè
tractar de millorar-lo.

294
00:14:33,940 --> 00:14:37,640
Si no és així, ets com, OK, potser
ha de fer una suposició diferent.

295
00:14:37,640 --> 00:14:44,030
>> Així que la suposició que anem a
fer és que un artista canta generalment

296
00:14:44,030 --> 00:14:49,220
sobre un tema en múltiples ocasions, i potser
utilitza paraules múltiples vegades només

297
00:14:49,220 --> 00:14:50,270
perquè estan acostumats a això.

298
00:14:50,270 --> 00:14:51,890
Vostè només pot pensar en el seu amic.

299
00:14:51,890 --> 00:14:57,350
Estic segur que vostès tots tenen amics
que diuen que la seva frase de la firma,

300
00:14:57,350 --> 00:14:59,260
literalment cada frase -

301
00:14:59,260 --> 00:15:02,660
com una paraula específica o alguns específics
frase que se sol dir de

302
00:15:02,660 --> 00:15:04,020
cada frase.

303
00:15:04,020 --> 00:15:07,920
>> I què es pot dir és que si vostè veu
una frase que té una signatura

304
00:15:07,920 --> 00:15:11,450
frase, es pot endevinar que probablement
el teu amic és el

305
00:15:11,450 --> 00:15:13,310
que ho diu, no?

306
00:15:13,310 --> 00:15:18,410
Així que vostè fa aquesta suposició i després
així és com es crea un model.

307
00:15:18,410 --> 00:15:24,440
>> L'exemple que donaré és el
com Lady Gaga, per exemple, les persones

308
00:15:24,440 --> 00:15:27,430
diu que ella usa "nadó" de
totes les seves cançons nombre un.

309
00:15:27,430 --> 00:15:32,270
I en realitat es tracta d'un vídeo que mostra
ella dient la paraula "nadó" de

310
00:15:32,270 --> 00:15:33,410
diferents cançons.

311
00:15:33,410 --> 00:15:33,860
>> [REPRODUCCIÓ DE VÍDEO]

312
00:15:33,860 --> 00:15:34,310
>> - (CANT) Bebè.

313
00:15:34,310 --> 00:15:36,220
Nadó.

314
00:15:36,220 --> 00:15:37,086
Nadó.

315
00:15:37,086 --> 00:15:37,520
Nadó.

316
00:15:37,520 --> 00:15:37,770
Nadó.

317
00:15:37,770 --> 00:15:38,822
Nena.

318
00:15:38,822 --> 00:15:39,243
Nadó.

319
00:15:39,243 --> 00:15:40,085
Nadó.

320
00:15:40,085 --> 00:15:40,510
Nadó.

321
00:15:40,510 --> 00:15:40,850
Nadó.

322
00:15:40,850 --> 00:15:41,090
>> [FI REPRODUCCIÓ DE VÍDEO-

323
00:15:41,090 --> 00:15:44,020
>> LUCAS FREITAS: Així que hi ha, crec,
40 cançons aquí al que diu la

324
00:15:44,020 --> 00:15:48,690
paraula "nadó". Així que bàsicament es pot endevinar
que si veus una cançó que té

325
00:15:48,690 --> 00:15:52,180
la paraula "nadó", que hi ha alguns d'alta
probabilitat que es tracta de Lady Gaga.

326
00:15:52,180 --> 00:15:56,450
Però anem a tractar de desenvolupar aquest
encara de manera més formal.

327
00:15:56,450 --> 00:16:00,470
>> Així que aquestes són les lletres de les cançons de
Lady Gaga i Katy Perry.

328
00:16:00,470 --> 00:16:04,120
Així que ens fixem en Lady Gaga, que es veu que
tenen un munt d'aparicions de "nadó", un

329
00:16:04,120 --> 00:16:07,710
gran quantitat d'aparicions de "camí". I després
Katy Perry té una gran quantitat d'aparicions de

330
00:16:07,710 --> 00:16:10,360
"El", un munt d'aparicions de "foc".

331
00:16:10,360 --> 00:16:14,560
>> Així que bàsicament el que volem
fer és, s'obté una lletra.

332
00:16:14,560 --> 00:16:20,480
Diguem que vostè rep una lletra per a una
cançó que és "bebè," només "nadó". Si

333
00:16:20,480 --> 00:16:24,750
que acaba d'obtenir la paraula "nadó", i això
és que totes les dades que tingui amb

334
00:16:24,750 --> 00:16:27,880
Lady Gaga i Katy Perry, que faria
Pots endevinar és la persona

335
00:16:27,880 --> 00:16:29,370
qui canta la cançó?

336
00:16:29,370 --> 00:16:32,360
Lady Gaga o Katy Perry?

337
00:16:32,360 --> 00:16:33,150
Lady Gaga, oi?

338
00:16:33,150 --> 00:16:37,400
Perquè ella és l'única que diu
"Nadó". Això sona estúpid, oi?

339
00:16:37,400 --> 00:16:38,760
OK, això és molt fàcil.

340
00:16:38,760 --> 00:16:41,860
Només estic mirant les dues cançons i d'
Per descomptat, ella és l'única persona que té

341
00:16:41,860 --> 00:16:42,660
"Nadó".

342
00:16:42,660 --> 00:16:44,740
>> Però el que si vostè té un munt de paraules?

343
00:16:44,740 --> 00:16:50,900
Si vostè té una lírica actual, cosa
com, "nadó, només

344
00:16:50,900 --> 00:16:51,610
va anar a veure [? CFT?]

345
00:16:51,610 --> 00:16:54,020
conferència ", o alguna cosa així, i
llavors vostè realment ha d'esbrinar -

346
00:16:54,020 --> 00:16:55,780
sobre la base de totes aquestes paraules -

347
00:16:55,780 --> 00:16:58,350
qui és l'artista que probablement
cantar aquesta cançó?

348
00:16:58,350 --> 00:17:01,860
Així que anem a tractar de desenvolupar
això una mica més.

349
00:17:01,860 --> 00:17:05,630
>> OK, així que basat només en les dades que ens
aconseguit, sembla que Gaga és probablement

350
00:17:05,630 --> 00:17:06,260
la cantant.

351
00:17:06,260 --> 00:17:07,904
Però, com podem escriure
de manera més formal?

352
00:17:07,904 --> 00:17:10,579

353
00:17:10,579 --> 00:17:13,140
I serà una mica
poc d'estadístiques.

354
00:17:13,140 --> 00:17:15,880
Així que si et perds, simplement intenta
per entendre el concepte.

355
00:17:15,880 --> 00:17:18,700
No importa si vostè entén
les equacions perfectament bé.

356
00:17:18,700 --> 00:17:22,150
Tot això estarà en línia.

357
00:17:22,150 --> 00:17:25,490
>> Així que bàsicament el que estic calculant és el
probabilitat que aquesta cançó és per

358
00:17:25,490 --> 00:17:28,040
Lady Gaga ja que -

359
00:17:28,040 --> 00:17:30,660
de manera que aquest bar significa ja que -

360
00:17:30,660 --> 00:17:33,680
Vaig veure la paraula "nadó".
Això té sentit?

361
00:17:33,680 --> 00:17:35,540
Així que estic tractant de calcular
aquesta probabilitat.

362
00:17:35,540 --> 00:17:38,540
>> Així que hi ha aquest teorema anomenat el
El teorema de Bayes que diu que el

363
00:17:38,540 --> 00:17:43,330
probabilitat d'A donat B, és la
probabilitat de B donat A, vegades el

364
00:17:43,330 --> 00:17:47,660
probabilitat de A, sobre la probabilitat
de B. Aquesta és una equació llarga.

365
00:17:47,660 --> 00:17:51,970
Però, què cal entendre per
és a dir que això és el que vull

366
00:17:51,970 --> 00:17:52,830
calcular, oi?

367
00:17:52,830 --> 00:17:56,570
Per tant la probabilitat que aquesta cançó és per
Lady Gaga ja que vaig veure la paraula

368
00:17:56,570 --> 00:17:58,230
"Nadó".

369
00:17:58,230 --> 00:18:02,960
>> I ara el que vull arribar és el
probabilitat que la paraula "nadó", donat

370
00:18:02,960 --> 00:18:04,390
que tinc Lady Gaga.

371
00:18:04,390 --> 00:18:07,220
I què és això bàsicament?

372
00:18:07,220 --> 00:18:10,500
El que això significa és, quina és la
probabilitat de veure la paraula "nadó"

373
00:18:10,500 --> 00:18:12,130
en Gaga lletres?

374
00:18:12,130 --> 00:18:16,240
Si vull calcular que en un temps molt
manera simple, és sols un nombre de

375
00:18:16,240 --> 00:18:23,640
vegades veig "nadó" sobre el total
de les paraules en lletres Gaga, oi?

376
00:18:23,640 --> 00:18:27,600
Quina és la freqüència que veig
aquesta paraula en el treball de Gaga?

377
00:18:27,600 --> 00:18:30,530
Té sentit?

378
00:18:30,530 --> 00:18:33,420
>> El segon terme és la
probabilitat de Gaga.

379
00:18:33,420 --> 00:18:34,360
Què significa això?

380
00:18:34,360 --> 00:18:38,550
Això significa, bàsicament, el que és la
probabilitat de classificar

381
00:18:38,550 --> 00:18:40,690
algunes lletres com Gaga?

382
00:18:40,690 --> 00:18:45,320
I això és una mica estrany, però
pensem en un exemple.

383
00:18:45,320 --> 00:18:49,230
Així que diguem que la probabilitat
tenir "nadó" en una cançó és la mateixa

384
00:18:49,230 --> 00:18:51,760
per Gaga i Britney Spears.

385
00:18:51,760 --> 00:18:54,950
Però Britney Spears té dues vegades
més cançons que Lady Gaga.

386
00:18:54,950 --> 00:19:00,570
Així que si algú et dóna just a l'atzar
lletra de "nadó", el primer que

387
00:19:00,570 --> 00:19:04,710
miri, és a dir, quina és la probabilitat de
tenir "nadó" en una cançó Gaga, "nadó"

388
00:19:04,710 --> 00:19:05,410
en una cançó de Britney?

389
00:19:05,410 --> 00:19:06,460
I és la mateixa cosa.

390
00:19:06,460 --> 00:19:10,040
>> Així que la segona cosa que vostè veurà és,
així, quina és la probabilitat de

391
00:19:10,040 --> 00:19:13,770
aquesta lletra per si mateixa ser una lletra Gaga,
i quina és la probabilitat de

392
00:19:13,770 --> 00:19:15,380
sent una lletra Britney?

393
00:19:15,380 --> 00:19:18,950
Així que des que Britney té moltes més lletres
que Gaga, vostè probablement

394
00:19:18,950 --> 00:19:21,470
diguem, bé, això és probablement
una lletra Britney.

395
00:19:21,470 --> 00:19:23,340
Així que és per això que tenim aquesta
cridar aquí.

396
00:19:23,340 --> 00:19:24,670
Probabilitat de Gaga.

397
00:19:24,670 --> 00:19:26,950
Té sentit?

398
00:19:26,950 --> 00:19:28,660
Ho fa?

399
00:19:28,660 --> 00:19:29,370
D'acord.

400
00:19:29,370 --> 00:19:33,500
>> I l'últim és la probabilitat
de "nadó", que no

401
00:19:33,500 --> 00:19:34,810
Realment importa tant.

402
00:19:34,810 --> 00:19:39,940
Però és la probabilitat
veure "nadó" en anglès.

403
00:19:39,940 --> 00:19:42,725
En general, no ens importa que
molt d'aquest terme.

404
00:19:42,725 --> 00:19:44,490
Això té sentit?

405
00:19:44,490 --> 00:19:48,110
Per tant la probabilitat de Gaga és
anomenat la probabilitat prèvia

406
00:19:48,110 --> 00:19:49,530
de la Gaga classe.

407
00:19:49,530 --> 00:19:53,840
Com que només vol dir que, el que és el
probabilitat de tenir aquesta classe -

408
00:19:53,840 --> 00:19:55,520
que és Gaga -

409
00:19:55,520 --> 00:19:59,350
només en general, només
sense condicions.

410
00:19:59,350 --> 00:20:02,560
>> I després quan tinc probabilitat
Gaga donat "nadó", en diem més

411
00:20:02,560 --> 00:20:06,160
Teary una probabilitat perquè és
la probabilitat de tenir

412
00:20:06,160 --> 00:20:08,300
Gaga dóna algunes proves.

413
00:20:08,300 --> 00:20:11,050
Així que et vaig a donar l'evidència
que vaig veure la paraula nadó i

414
00:20:11,050 --> 00:20:12,690
la cançó té sentit?

415
00:20:12,690 --> 00:20:15,960

416
00:20:15,960 --> 00:20:16,410
D'acord.

417
00:20:16,410 --> 00:20:22,400
>> Així que si he calculat que per cada
de les cançons de Lady Gaga,

418
00:20:22,400 --> 00:20:25,916
el que seria -

419
00:20:25,916 --> 00:20:27,730
pel que sembla, no em puc moure això.

420
00:20:27,730 --> 00:20:31,850

421
00:20:31,850 --> 00:20:36,920
La probabilitat de Gaga serà
alguna cosa així com: 2 sobre 24, multiplicada per 1/2,

422
00:20:36,920 --> 00:20:38,260
més de 2 sobre 53.

423
00:20:38,260 --> 00:20:40,640
No importa si vostè sap el que
aquests números estan venint.

424
00:20:40,640 --> 00:20:44,750
Però és només un nombre que es va
per ser més que 0, no?

425
00:20:44,750 --> 00:20:48,610
>> I després quan ho faig Katy Perry, la
probabilitat de "nadó" donada Katy és

426
00:20:48,610 --> 00:20:49,830
ia 0, no?

427
00:20:49,830 --> 00:20:52,820
Com que no hi ha un "bebè"
en Katy Perry.

428
00:20:52,820 --> 00:20:56,360
Llavors això es converteix en 0, i Gaga
victòries, el que significa que Gaga és

429
00:20:56,360 --> 00:20:57,310
probablement el cantant.

430
00:20:57,310 --> 00:20:58,560
Això té sentit?

431
00:20:58,560 --> 00:21:00,700

432
00:21:00,700 --> 00:21:01,950
D'acord.

433
00:21:01,950 --> 00:21:04,160

434
00:21:04,160 --> 00:21:11,750
>> Així que si vull fer això més oficial,
De fet, em puc fer un model

435
00:21:11,750 --> 00:21:12,700
de diverses paraules.

436
00:21:12,700 --> 00:21:14,610
Així que anem a dir que tinc alguna cosa
com, "nena, jo sóc

437
00:21:14,610 --> 00:21:16,030
en flames ", o alguna cosa així.

438
00:21:16,030 --> 00:21:17,760
Pel que té diverses paraules.

439
00:21:17,760 --> 00:21:20,880
I en aquest cas, es pot veure
que "nadó" està en Gaga,

440
00:21:20,880 --> 00:21:21,710
però no és en Katy.

441
00:21:21,710 --> 00:21:24,940
I "foc" es troba en Katy, però
no està en Gaga, oi?

442
00:21:24,940 --> 00:21:27,200
Així que cada vegada és més complicat, no?

443
00:21:27,200 --> 00:21:31,440
Perquè sembla que gairebé
tenir un llaç entre els dos.

444
00:21:31,440 --> 00:21:36,980
>> Així que el que has de fer és assumir
independència entre les paraules.

445
00:21:36,980 --> 00:21:41,210
Així que bàsicament el que això significa és que
Només estic calculant quin és el

446
00:21:41,210 --> 00:21:44,330
probabilitat de veure "nadó", el que és
la probabilitat de veure "jo", i

447
00:21:44,330 --> 00:21:46,670
"Am" i "on" i "foc"
tot per separat.

448
00:21:46,670 --> 00:21:48,670
Llavors estic multiplicant tots ells.

449
00:21:48,670 --> 00:21:52,420
I estic veient quina és la probabilitat
de veure a tota la frase.

450
00:21:52,420 --> 00:21:55,210
Té sentit?

451
00:21:55,210 --> 00:22:00,270
>> Així que, bàsicament, si tinc una sola paraula,
el que jo vull saber és el arg max,

452
00:22:00,270 --> 00:22:05,385
el que significa, el que és la classe que és
em dóna la major probabilitat?

453
00:22:05,385 --> 00:22:10,010
Llavors, quina és la classe que està donant
me la probabilitat més alta de

454
00:22:10,010 --> 00:22:11,940
probabilitat de classe donada paraula.

455
00:22:11,940 --> 00:22:17,610
Així que en aquest cas, donat Gaga "nadó".
O Katy donat "nadó". Té sentit?

456
00:22:17,610 --> 00:22:21,040
>> I només de Bayes, que
equació que li vaig mostrar,

457
00:22:21,040 --> 00:22:24,780
creem aquesta fracció.

458
00:22:24,780 --> 00:22:28,750
L'única cosa és que es veu que
la probabilitat de la paraula donada la

459
00:22:28,750 --> 00:22:31,370
els canvis de classe en funció
a la classe, oi?

460
00:22:31,370 --> 00:22:34,260
El nombre de "baby" es que tinc
en Gaga és diferent de Katy.

461
00:22:34,260 --> 00:22:37,640
La probabilitat de la classe també
canvis, perquè és sols un nombre

462
00:22:37,640 --> 00:22:39,740
de cançons de cada un d'ells té.

463
00:22:39,740 --> 00:22:43,980
>> Però la probabilitat que la paraula en si
serà la mateixa per a tots els

464
00:22:43,980 --> 00:22:44,740
artistes, no?

465
00:22:44,740 --> 00:22:47,150
Per tant la probabilitat de la paraula és
simplement, quina és la probabilitat de

466
00:22:47,150 --> 00:22:49,820
veure aquesta paraula en el
Anglès?

467
00:22:49,820 --> 00:22:51,420
Així que és el mateix per a tots ells.

468
00:22:51,420 --> 00:22:55,790
Així que ja que això és constant, podem simplement
deixar això i no es preocupen per ell.

469
00:22:55,790 --> 00:23:00,230
Així que aquest serà en realitat el
equació que estem buscant.

470
00:23:00,230 --> 00:23:03,360
>> I si tinc diverses paraules, estic
encara tindrà la prèvia

471
00:23:03,360 --> 00:23:04,610
probabilitat aquí.

472
00:23:04,610 --> 00:23:06,980
L'única cosa és que estic multiplicant
la probabilitat de

473
00:23:06,980 --> 00:23:08,490
totes les altres paraules.

474
00:23:08,490 --> 00:23:10,110
Així que estic multiplicant tots ells.

475
00:23:10,110 --> 00:23:12,610
Té sentit?

476
00:23:12,610 --> 00:23:18,440
Sembla estrany, però bàsicament vol dir,
calcular el prior de la classe, i

477
00:23:18,440 --> 00:23:22,100
després multiplica per la probabilitat de cada
de les paraules que estan en aquesta classe.

478
00:23:22,100 --> 00:23:24,620

479
00:23:24,620 --> 00:23:29,150
>> I vostè sap que la probabilitat d'un
paraula donada una classe serà la

480
00:23:29,150 --> 00:23:34,520
nombre de vegades que vostè veu aquesta paraula en
aquesta classe, dividit pel nombre de

481
00:23:34,520 --> 00:23:37,020
paraules que tenen en aquest
de classes en general.

482
00:23:37,020 --> 00:23:37,990
Té sentit?

483
00:23:37,990 --> 00:23:41,680
És només la forma "nadó" va ser de 2 sobre
el nombre de paraules que

484
00:23:41,680 --> 00:23:43,020
Tenia en les lletres.

485
00:23:43,020 --> 00:23:45,130
Així que la freqüència.

486
00:23:45,130 --> 00:23:46,260
>> Però hi ha una cosa.

487
00:23:46,260 --> 00:23:51,250
Recorda que m'estava mostrant que la
probabilitat de "baby" ser lletres

488
00:23:51,250 --> 00:23:56,350
de Katy Perry de 0 només perquè Katy
Perry no tenia "nadó" en absolut?

489
00:23:56,350 --> 00:24:04,900
Però sona una mica dur a poc
Simplement diuen que les lletres no poden ser de

490
00:24:04,900 --> 00:24:10,040
un artista només perquè no tenen
aquesta paraula en particular en qualsevol moment.

491
00:24:10,040 --> 00:24:13,330
>> Així que vostè podria dir, bé, si vostè
no tenen aquesta paraula, vaig a

492
00:24:13,330 --> 00:24:15,640
donar-li una probabilitat més baixa,
però estic simplement no va a

493
00:24:15,640 --> 00:24:17,420
donar-li 0 seguida.

494
00:24:17,420 --> 00:24:21,040
Com que potser era una cosa així com:
"Foc, foc, foc, foc", que és

495
00:24:21,040 --> 00:24:21,990
totalment Katy Perry.

496
00:24:21,990 --> 00:24:26,060
I després, "nadó", i que només serveix per
0 seguida perquè n'hi havia un

497
00:24:26,060 --> 00:24:27,250
"Nadó".

498
00:24:27,250 --> 00:24:31,440
>> Així que bàsicament el que fem és una cosa
anomenada de Laplace de suavitzat.

499
00:24:31,440 --> 00:24:36,260
I això només significa que estic donant
certa probabilitat fins i tot a les paraules

500
00:24:36,260 --> 00:24:37,850
que no existeixen.

501
00:24:37,850 --> 00:24:43,170
Així que el que faig és que quan estic
el càlcul d'aquest, sempre afegeixo 1 a

502
00:24:43,170 --> 00:24:44,180
el numerador.

503
00:24:44,180 --> 00:24:48,060
Així que encara que no existeix la paraula, en
aquest cas, si això és 0, segueixo sent

504
00:24:48,060 --> 00:24:51,250
el càlcul d'aquest com 1 sobre el
nombre total de paraules.

505
00:24:51,250 --> 00:24:55,060
En cas contrari, em surt la quantitat de paraules
Tinc i agrego 1.

506
00:24:55,060 --> 00:24:58,300
Així que estic explicant en ambdós casos.

507
00:24:58,300 --> 00:25:00,430
Té sentit?

508
00:25:00,430 --> 00:25:03,060
>> Així que ara anem a fer una mica de codi.

509
00:25:03,060 --> 00:25:06,440
Vaig a haver de fer-ho molt ràpid,
però és igual d'important que vostè

510
00:25:06,440 --> 00:25:08,600
nois entenen els conceptes.

511
00:25:08,600 --> 00:25:13,450
Així que el que estem tractant de fer
és exactament l'aplicació d'aquest

512
00:25:13,450 --> 00:25:14,330
El que acabo de dir -

513
00:25:14,330 --> 00:25:19,110
Vull que posis la lletra de
Lady Gaga i Katy Perry.

514
00:25:19,110 --> 00:25:22,980
I el programa serà capaç de
dir si aquestes noves lletres són de Gaga

515
00:25:22,980 --> 00:25:24,170
o Katy Perry.

516
00:25:24,170 --> 00:25:25,800
Té sentit?

517
00:25:25,800 --> 00:25:27,530
D'acord.

518
00:25:27,530 --> 00:25:30,710
>> Així que tinc aquest programa que vaig
cridar classify.py.

519
00:25:30,710 --> 00:25:31,970
Així que això és Python.

520
00:25:31,970 --> 00:25:34,210
És un nou llenguatge de programació.

521
00:25:34,210 --> 00:25:38,020
És molt similar en alguns
aspectes a C i PHP.

522
00:25:38,020 --> 00:25:43,180
És similar, perquè si vols
aprendre Python després de conèixer C, és

523
00:25:43,180 --> 00:25:46,270
Realment no és molt d'un desafiament
només perquè Python és molt més fàcil

524
00:25:46,270 --> 00:25:47,520
que C, primer de tot.

525
00:25:47,520 --> 00:25:49,370
I un munt de coses que ja estan
implementat per a vostè.

526
00:25:49,370 --> 00:25:56,820
Llavors, com ara PHP té funcions que
ordenar una llista, o afegir alguna cosa

527
00:25:56,820 --> 00:25:58,780
a una matriu, o bla, bla, bla.

528
00:25:58,780 --> 00:26:00,690
Python té tots aquests també.

529
00:26:00,690 --> 00:26:05,960
>> Així que només vaig a explicar ràpidament
com podríem fer la classificació

530
00:26:05,960 --> 00:26:07,860
problema per aquí.

531
00:26:07,860 --> 00:26:13,230
Així que anem a dir que en aquest cas, tinc
lletres de Gaga i Katy Perry.

532
00:26:13,230 --> 00:26:21,880
La manera que tinc aquestes lletres és que
la primera paraula de la lletra és

533
00:26:21,880 --> 00:26:25,250
el nom de l'artista, i
la resta és la lletra.

534
00:26:25,250 --> 00:26:29,470
Així que anem a dir que tinc aquesta llista en
dels quals el primer és lletra de Gaga.

535
00:26:29,470 --> 00:26:31,930
Així que aquí estic en el camí correcte.

536
00:26:31,930 --> 00:26:35,270
I el següent és Katy, i
sinó que també té la lletra.

537
00:26:35,270 --> 00:26:38,040
>> Així que així és com es declara
una variable en Python.

538
00:26:38,040 --> 00:26:40,200
No ha de donar el tipus de dades.

539
00:26:40,200 --> 00:26:43,150
Vostè acaba d'escriure "lletres"
Una cosa així com en PHP.

540
00:26:43,150 --> 00:26:44,890
Té sentit?

541
00:26:44,890 --> 00:26:47,770
>> Quines són les coses que he de
calcular per ser capaç de calcular la

542
00:26:47,770 --> 00:26:49,360
probabilitats?

543
00:26:49,360 --> 00:26:55,110
He de calcular les "probabilitats a priori"
de cada un dels diferents

544
00:26:55,110 --> 00:26:56,710
classes que tinc.

545
00:26:56,710 --> 00:27:06,680
He de calcular els "darrere"
o més o menys les probabilitats de

546
00:27:06,680 --> 00:27:12,150
cadascuna de les diferents paraules que
Jo puc tenir per a cada artista.

547
00:27:12,150 --> 00:27:17,210
Així que dins de Gaga, per exemple, vaig
tenir una llista de les vegades que veig

548
00:27:17,210 --> 00:27:19,250
cadascuna de les paraules.

549
00:27:19,250 --> 00:27:20,760
Té sentit?

550
00:27:20,760 --> 00:27:25,370
>> I, finalment, jo només vaig a tenir un
llista anomenada "paraules" que només va

551
00:27:25,370 --> 00:27:29,780
tenir el nombre de paraules que
tenir per a cada artista.

552
00:27:29,780 --> 00:27:33,760
Així que per Gaga, per exemple, quan miro
a la lletra, jo hi havia, crec, 24

553
00:27:33,760 --> 00:27:34,750
paraules en total.

554
00:27:34,750 --> 00:27:38,970
Així que aquesta llista és només tindrà
Gaga 24, i Katy un altre número.

555
00:27:38,970 --> 00:27:40,130
Té sentit?

556
00:27:40,130 --> 00:27:40,560
D'acord.

557
00:27:40,560 --> 00:27:42,530
>> Així que ara, en realitat, anem a
anar a la codificació.

558
00:27:42,530 --> 00:27:45,270
Així que en Python, en realitat es pot
tornar un munt de diferents

559
00:27:45,270 --> 00:27:46,630
coses d'una funció.

560
00:27:46,630 --> 00:27:50,810
Així que jo vaig a crear aquesta funció
anomenada "condicional", que es va

561
00:27:50,810 --> 00:27:53,890
per tornar totes aquestes coses, la
"Probabilitats a priori", els "probabilitats", i el

562
00:27:53,890 --> 00:28:05,690
"Paraules". Així que "condicional", i que és
posarà en "lletres".

563
00:28:05,690 --> 00:28:11,510
>> Així que ara vull que en realitat
escriure aquesta funció.

564
00:28:11,510 --> 00:28:17,750
Així que la forma en què jo puc escriure això
funció és que m'acaba de definir aquesta

565
00:28:17,750 --> 00:28:20,620
funcionar amb "def". Així que ho vaig fer "def
condicional ", i que està prenent

566
00:28:20,620 --> 00:28:28,700
"Lletres". I el que això farà
és, primer de tot, tinc les meves priors

567
00:28:28,700 --> 00:28:31,030
que vull calcular.

568
00:28:31,030 --> 00:28:34,330
>> Així que la forma en què jo puc fer això és crear
un diccionari en Python, que

569
00:28:34,330 --> 00:28:37,320
és més o menys el mateix que un hash
taula, o que és un procés iteratiu

570
00:28:37,320 --> 00:28:40,480
matriu en PHP.

571
00:28:40,480 --> 00:28:44,150
Així és com em declaro un diccionari.

572
00:28:44,150 --> 00:28:53,580
I bàsicament el que això significa és que
priors de Gaga és 0.5, per exemple, si

573
00:28:53,580 --> 00:28:57,200
50% de les lletres són de
Gaga, 50% són de Katy.

574
00:28:57,200 --> 00:28:58,450
Té sentit?

575
00:28:58,450 --> 00:29:00,680

576
00:29:00,680 --> 00:29:03,680
Així que he de trobar la manera
per calcular els priors.

577
00:29:03,680 --> 00:29:07,120
>> Els propers els que he de fer, també,
són les probabilitats i les paraules.

578
00:29:07,120 --> 00:29:17,100
Així que les probabilitats de Gaga és la llista
de totes les probabilitats que jo

579
00:29:17,100 --> 00:29:19,160
tenir per a cadascuna de les paraules per Gaga.

580
00:29:19,160 --> 00:29:23,880
Així que si em vaig a les probabilitats de Gaga
"Nadó", per exemple, em donarà

581
00:29:23,880 --> 00:29:28,750
una mena 2 sobre 24 en aquest cas.

582
00:29:28,750 --> 00:29:30,070
Té sentit?

583
00:29:30,070 --> 00:29:36,120
Així que em vaig a "probabilitats", aneu a la
Cub "Gaga" que té una llista de tots els

584
00:29:36,120 --> 00:29:40,550
les paraules Gaga, llavors em van a "nadó"
i veig la probabilitat.

585
00:29:40,550 --> 00:29:45,940
>> I finalment tinc aquest
Diccionari "paraules".

586
00:29:45,940 --> 00:29:53,620
Així que aquí, "les probabilitats". I després
"Paraules". Així que si ho faig "paraules", "Gaga"

587
00:29:53,620 --> 00:29:58,330
el que va a succeir és que es tracta d'
em donarà 24, dient que

588
00:29:58,330 --> 00:30:01,990
tenir 24 paraules en les cançons de Gaga.

589
00:30:01,990 --> 00:30:04,110
Té sentit?

590
00:30:04,110 --> 00:30:07,070
Així que aquí, "paraules" és igual a dah-dah-dah.

591
00:30:07,070 --> 00:30:07,620
Bé

592
00:30:07,620 --> 00:30:12,210
>> Així que el que faré és que vaig a
iterar sobre cadascuna de les lletres, de manera

593
00:30:12,210 --> 00:30:14,490
cadascuna de les cadenes que
Tinc a la llista.

594
00:30:14,490 --> 00:30:18,040
I jo vaig a calcular aquestes coses
per a cada un dels candidats.

595
00:30:18,040 --> 00:30:19,950
Té sentit?

596
00:30:19,950 --> 00:30:21,700
Així que he de fer un bucle for.

597
00:30:21,700 --> 00:30:26,300
>> Així que en Python el que puc fer és "per a la línia
en lletres. "El mateix que un

598
00:30:26,300 --> 00:30:28,000
"Per a cada" declaració en PHP.

599
00:30:28,000 --> 00:30:33,420
Recordes si va ser PHP vaig poder
dir "per cada lletra com

600
00:30:33,420 --> 00:30:35,220
la línia. "Té sentit?

601
00:30:35,220 --> 00:30:38,900
Així que em vaig a portar cadascuna de les línies, en aquest
cas, aquesta cadena i la propera

602
00:30:38,900 --> 00:30:44,540
cadena per la qual cosa per a cadascuna de les línies del que estic
farem és en primer lloc, vaig a

603
00:30:44,540 --> 00:30:49,150
dividir aquesta línia en una llista de
paraules separades per espais.

604
00:30:49,150 --> 00:30:53,730
>> Així que el bo de Python és que
vostè podria simplement Google com "Com puc

605
00:30:53,730 --> 00:30:58,220
dividir una cadena en paraules? "I és
vaig a dir com fer-ho.

606
00:30:58,220 --> 00:31:04,890
I la manera de fer-ho, és només "la línia
= Linea.split () "i és bàsicament

607
00:31:04,890 --> 00:31:08,640
vaig a donar una llista amb
cadascuna de les paraules aquí.

608
00:31:08,640 --> 00:31:09,620
Té sentit?

609
00:31:09,620 --> 00:31:15,870
Així que ara que ho vaig fer jo vull saber
qui és el cantant de la cançó.

610
00:31:15,870 --> 00:31:20,130
I per fer això he d'aconseguir el
primer element de la matriu, no?

611
00:31:20,130 --> 00:31:26,390
Així que només puc dir que "cantant
= Línia (0) "Té sentit?

612
00:31:26,390 --> 00:31:32,010
>> I llavors, què he de fer és, en primer lloc
tot, vaig a actualitzar el nombre de

613
00:31:32,010 --> 00:31:36,130
paraules que tenen baix "Gaga". així que estic
va a calcular el nombre de paraules que

614
00:31:36,130 --> 00:31:38,690
tenir en aquesta llista, oi?

615
00:31:38,690 --> 00:31:41,910
Com que aquest és el nombre de paraules que tinc
en la lletra i jo només vaig a

616
00:31:41,910 --> 00:31:44,120
afegir a la matriu "Gaga".

617
00:31:44,120 --> 00:31:47,090
Això té sentit?

618
00:31:47,090 --> 00:31:49,010
No es concentri massa en la sintaxi.

619
00:31:49,010 --> 00:31:50,430
Pensa més en els conceptes.

620
00:31:50,430 --> 00:31:52,400
Aquesta és la part més important.

621
00:31:52,400 --> 00:31:52,720
D'acord.

622
00:31:52,720 --> 00:32:00,260
>> Així que el que puc fer és si "Gaga" és
Ja en aquesta llista, de manera que "si el cantant a

623
00:32:00,260 --> 00:32:03,190
paraules "el que significa que ja
tenir paraules de Gaga.

624
00:32:03,190 --> 00:32:06,640
Només vull afegir l'addicional
paraules a això.

625
00:32:06,640 --> 00:32:15,810
Així que el que faig és "paraules (cantant)
+ = Len (line) - 1 ".

626
00:32:15,810 --> 00:32:18,250
I llavors jo puc fer el
longitud de la línia.

627
00:32:18,250 --> 00:32:21,860
Així que el nombre d'elements de R
tenir en la matriu.

628
00:32:21,860 --> 00:32:27,060
I he de fer almenys 1 només perquè
el primer element de la matriu és només

629
00:32:27,060 --> 00:32:29,180
un cantant i els que no són lletres.

630
00:32:29,180 --> 00:32:31,420
Té sentit?

631
00:32:31,420 --> 00:32:32,780
D'acord.

632
00:32:32,780 --> 00:32:35,820
>> "Si no," que vol dir que vull en realitat
inseriu Gaga a la llista.

633
00:32:35,820 --> 00:32:45,990
Així que acabo de fer "les paraules (cantant)
= Len (line) - 1, "ho sento.

634
00:32:45,990 --> 00:32:49,200
Així que l'única diferència entre els dos
línies és que aquest, no és així

635
00:32:49,200 --> 00:32:51,080
encara existeixo, així que estic
inicialitzar.

636
00:32:51,080 --> 00:32:53,820
Aquesta realitat estic agregant.

637
00:32:53,820 --> 00:32:55,570
D'acord.

638
00:32:55,570 --> 00:32:59,480
Així que això se suma a les paraules.

639
00:32:59,480 --> 00:33:03,040
>> Ara vull afegir als priors.

640
00:33:03,040 --> 00:33:05,480
Llavors, com puc calcular els antecedents?

641
00:33:05,480 --> 00:33:11,580
Els priors es poden calcular
per la quantitat de vegades.

642
00:33:11,580 --> 00:33:15,340
Llavors, quantes vegades es veu que la cantant
entre tots els cantants que li

643
00:33:15,340 --> 00:33:16,380
tenir, no?

644
00:33:16,380 --> 00:33:18,810
Així que per Gaga i Katy Perry,
en aquest cas, no veig Gaga

645
00:33:18,810 --> 00:33:20,570
una vegada, Katy Perry una vegada.

646
00:33:20,570 --> 00:33:23,320
>> Així que, bàsicament, els priors de Gaga
i per Katy Perry faria

647
00:33:23,320 --> 00:33:24,390
només un, oi?

648
00:33:24,390 --> 00:33:26,500
Només el nombre de vegades
Veig l'artista.

649
00:33:26,500 --> 00:33:28,740
Així que això és molt fàcil de calcular.

650
00:33:28,740 --> 00:33:34,100
Puc només alguna cosa similar a com "si
cantant en priors, "Jo només vaig

651
00:33:34,100 --> 00:33:38,970
afegir 1 al seu quadre d'antecedents.

652
00:33:38,970 --> 00:33:51,000
Per tant, "priors (cantar)" + = 1 "i després" si no "
Jo faré "probabilitats a priori (cantant)

653
00:33:51,000 --> 00:33:55,000
= 1 ". Té sentit?

654
00:33:55,000 --> 00:34:00,080
>> Així que si no hi ha Acabo de posar
com 1, en cas contrari Acabo d'afegir 1.

655
00:34:00,080 --> 00:34:11,280
OK, així que ara l'únic que em queda per fer
També és afegir cadascuna de les paraules a l'

656
00:34:11,280 --> 00:34:12,290
probabilitats.

657
00:34:12,290 --> 00:34:14,889
Així que he de comptar quantes vegades
Veig cadascuna de les paraules.

658
00:34:14,889 --> 00:34:18,780
Així que només he de fer una altra
bucle en la línia.

659
00:34:18,780 --> 00:34:25,190
>> Així que el primer que faré és
comprovar si el cantant ja té una

660
00:34:25,190 --> 00:34:26,969
probabilitats matriu.

661
00:34:26,969 --> 00:34:31,739
Així que estic comprovant si el cantant no
té una matriu de probabilitats, jo només sóc

662
00:34:31,739 --> 00:34:34,480
va a inicialitzar una per a ells.

663
00:34:34,480 --> 00:34:36,400
Ni tan sols és una matriu, ho sento,
es tracta d'un diccionari.

664
00:34:36,400 --> 00:34:43,080
Així que les probabilitats que el cantant es va
ser un diccionari, així que estic

665
00:34:43,080 --> 00:34:45,830
simplement inicialitzar un diccionari per a això.

666
00:34:45,830 --> 00:34:46,820
¿D'acord?

667
00:34:46,820 --> 00:34:58,330
>> I ara puc realment fer un bucle
per al càlcul de cadascuna de les paraules '

668
00:34:58,330 --> 00:35:00,604
probabilitats.

669
00:35:00,604 --> 00:35:01,540
D'acord.

670
00:35:01,540 --> 00:35:04,160
Així que el que puc fer és un bucle for.

671
00:35:04,160 --> 00:35:06,590
Així que només vaig a repetir
sobre la matriu.

672
00:35:06,590 --> 00:35:15,320
Així que la forma en què jo puc fer això en Python
és "for i in range". A partir de l'1

673
00:35:15,320 --> 00:35:19,200
perquè vull començar en el segon
element perquè el primer és el

674
00:35:19,200 --> 00:35:20,260
Nom del cantant.

675
00:35:20,260 --> 00:35:24,990
Així que des d'un fins al
longitud de la línia.

676
00:35:24,990 --> 00:35:29,760
I quan ho faig rang que realment van des
com aquí l'1 al llenguatge del

677
00:35:29,760 --> 00:35:30,740
almenys la línia 1.

678
00:35:30,740 --> 00:35:33,810
Així que ja ho fa aquesta cosa de fer
n menys 1 per a les matrius que és molt

679
00:35:33,810 --> 00:35:35,500
convenient.

680
00:35:35,500 --> 00:35:37,850
Té sentit?

681
00:35:37,850 --> 00:35:42,770
>> Així que per a cada un d'ells, el que vaig a
fer és, igual que en l'altre,

682
00:35:42,770 --> 00:35:50,320
Vaig a comprovar si la paraula en aquest
posició en la línia ja està en

683
00:35:50,320 --> 00:35:51,570
probabilitats.

684
00:35:51,570 --> 00:35:53,400

685
00:35:53,400 --> 00:35:57,260
I després, com ja he dit aquí, les probabilitats
És a dir, com en vaig posar

686
00:35:57,260 --> 00:35:58,400
"Probabilitats (cantant)".

687
00:35:58,400 --> 00:35:59,390
Així que el nom de la cantant.

688
00:35:59,390 --> 00:36:03,450
Així que si ja està en
"Probabilit (cantant)", vol dir que

689
00:36:03,450 --> 00:36:11,960
Vull afegir 1 a la mateixa, de manera que vaig a
fer "probabilitats (cantant)", i la

690
00:36:11,960 --> 00:36:14,100
paraula es diu "línia (i)".

691
00:36:14,100 --> 00:36:22,630
Vaig a afegir 1 i "si no" jo només sóc
va a inicialitzar a 1.

692
00:36:22,630 --> 00:36:23,880
"Línia (i)".

693
00:36:23,880 --> 00:36:26,920

694
00:36:26,920 --> 00:36:28,420
Té sentit?

695
00:36:28,420 --> 00:36:30,180
>> Per tant, vaig calcular tots els arrays.

696
00:36:30,180 --> 00:36:36,580
Així doncs, ara tot el que he de fer per
aquest és només "tornar priors,

697
00:36:36,580 --> 00:36:43,230
probabilitats i paraules. "anem a
veure si hi ha algun, a D'acord.

698
00:36:43,230 --> 00:36:45,690
Sembla que tot està treballant fins ara.

699
00:36:45,690 --> 00:36:46,900
Per tant, això té sentit?

700
00:36:46,900 --> 00:36:47,750
D'alguna manera?

701
00:36:47,750 --> 00:36:49,280
D'acord.

702
00:36:49,280 --> 00:36:51,980
Així que ara tinc totes les probabilitats.

703
00:36:51,980 --> 00:36:55,100
Així que ara l'únic que em queda
és només per tenir aquesta cosa que

704
00:36:55,100 --> 00:36:58,650
calcula el producte de tots els
probabilitats quan si les lletres.

705
00:36:58,650 --> 00:37:06,270
>> Així que diguem que jo vull cridar ara
aquesta funció "classificar ()" i la

706
00:37:06,270 --> 00:37:08,880
cosa que la funció de presa
és només un argument.

707
00:37:08,880 --> 00:37:13,170
Diguem que "Baby, estic en flames" i és
va a esbrinar el que és la

708
00:37:13,170 --> 00:37:14,490
probabilitat que aquest és Gaga?

709
00:37:14,490 --> 00:37:16,405
Quina és la probabilitat
que aquest és Katie?

710
00:37:16,405 --> 00:37:19,690
Sona bé?

711
00:37:19,690 --> 00:37:25,750
Així que estic haurà de crear un
nova funció anomenada "classificar ()" i

712
00:37:25,750 --> 00:37:29,180
que prendrà algun
lletres també.

713
00:37:29,180 --> 00:37:31,790

714
00:37:31,790 --> 00:37:36,160
I a més de les lletres que també
ha de trametre els antecedents, la

715
00:37:36,160 --> 00:37:37,700
probabilitats i les paraules.

716
00:37:37,700 --> 00:37:44,000
Així que vaig a enviar lletres, priors,
probabilitats, paraules.

717
00:37:44,000 --> 00:37:51,840
>> Així que això està prenent lletres, priors,
probabilitats, paraules.

718
00:37:51,840 --> 00:37:53,530
Llavors, què fa?

719
00:37:53,530 --> 00:37:57,180
És, bàsicament, passarà per tot
els possibles candidats que es

720
00:37:57,180 --> 00:37:58,510
tenir com a cantant.

721
00:37:58,510 --> 00:37:59,425
I on són els candidats?

722
00:37:59,425 --> 00:38:01,020
Estan en els priors, oi?

723
00:38:01,020 --> 00:38:02,710
Així que he tots els que hi eren.

724
00:38:02,710 --> 00:38:07,870
Així que vaig a tenir un diccionari
de tots els possibles candidats.

725
00:38:07,870 --> 00:38:14,220
I a continuació, per a cada candidat a la
priors, pel que significa que es va a

726
00:38:14,220 --> 00:38:17,740
ser Gaga, Katie si tingués
més seria més.

727
00:38:17,740 --> 00:38:20,410
Vaig a començar a calcular
aquesta probabilitat.

728
00:38:20,410 --> 00:38:28,310
La probabilitat com hem vist al
PowerPoint és els temps anteriors la

729
00:38:28,310 --> 00:38:30,800
producte de cadascun dels
altres probabilitats.

730
00:38:30,800 --> 00:38:32,520
>> Així que jo puc fer el mateix aquí.

731
00:38:32,520 --> 00:38:36,330
Jo només puc fer probabilitat és
inicialment només l'anterior.

732
00:38:36,330 --> 00:38:40,340
Així priors del candidat.

733
00:38:40,340 --> 00:38:40,870
Cert?

734
00:38:40,870 --> 00:38:45,360
I ara he de iterar sobre tots els
paraules que tinc a les lletres per a ser

735
00:38:45,360 --> 00:38:48,820
capaç d'afegir la probabilitat
per a cada un d'ells, d'acord?

736
00:38:48,820 --> 00:38:57,900
Així, "per paraula en lletres" el que vaig
de fer és, si la paraula està en

737
00:38:57,900 --> 00:39:01,640
"Probabilitats (candidats)", que
significa que és una paraula que el

738
00:39:01,640 --> 00:39:03,640
candidat té en les seves lletres -

739
00:39:03,640 --> 00:39:05,940
per exemple, "nadó" de Gaga -

740
00:39:05,940 --> 00:39:11,710
el que vaig a fer és que el
probabilitat serà multiplicat

741
00:39:11,710 --> 00:39:22,420
per 1 més les probabilitats de
el candidat a aquesta paraula.

742
00:39:22,420 --> 00:39:25,710
I es diu "paraula".

743
00:39:25,710 --> 00:39:32,440
Aquesta dividit pel nombre de paraules
que tinc per aquest candidat.

744
00:39:32,440 --> 00:39:37,450
El nombre total de paraules que tinc
per al cantant que estic mirant.

745
00:39:37,450 --> 00:39:40,290
>> "D'una altra manera". significa que és una nova paraula
pel que seria com, per exemple,

746
00:39:40,290 --> 00:39:41,860
"Foc" de Lady Gaga.

747
00:39:41,860 --> 00:39:45,760
Així que només vull fer més d'1
"Paraula (candidat)".

748
00:39:45,760 --> 00:39:47,710
Així que no vull posar aquest terme aquí.

749
00:39:47,710 --> 00:39:50,010
>> Així que serà, bàsicament,
copiar i enganxar aquest.

750
00:39:50,010 --> 00:39:54,380

751
00:39:54,380 --> 00:39:56,000
Però jo vaig a esborrar aquesta part.

752
00:39:56,000 --> 00:39:57,610
Així que és només va a ser 1 més d'això.

753
00:39:57,610 --> 00:40:00,900

754
00:40:00,900 --> 00:40:02,150
Sona bé?

755
00:40:02,150 --> 00:40:03,980

756
00:40:03,980 --> 00:40:09,700
I ara, al final, jo només vaig a
imprimir el nom del candidat i

757
00:40:09,700 --> 00:40:15,750
la probabilitat que vostè té de
tenint l'S en les seves lletres.

758
00:40:15,750 --> 00:40:16,200
Té sentit?

759
00:40:16,200 --> 00:40:18,390
I jo realment faig ni tan sols
Necessitareu aquest diccionari.

760
00:40:18,390 --> 00:40:19,510
Té sentit?

761
00:40:19,510 --> 00:40:21,810
>> Per tant, anem a veure si això realment funciona.

762
00:40:21,810 --> 00:40:24,880
Així que si executo això, no va funcionar.

763
00:40:24,880 --> 00:40:26,130
Esperi un segon.

764
00:40:26,130 --> 00:40:28,870

765
00:40:28,870 --> 00:40:31,720
"Paraules (candidats)", "paraules (candidats)",
això és

766
00:40:31,720 --> 00:40:33,750
el nom de la matriu.

767
00:40:33,750 --> 00:40:41,435
Acceptar tant, es diu que hi ha algun error
per al candidat en antecedents.

768
00:40:41,435 --> 00:40:46,300

769
00:40:46,300 --> 00:40:48,760
Permetin-me simplement relaxar-se una mica.

770
00:40:48,760 --> 00:40:50,360
D'acord.

771
00:40:50,360 --> 00:40:51,305
Anem a tractar.

772
00:40:51,305 --> 00:40:51,720
D'acord.

773
00:40:51,720 --> 00:40:58,710
>> Així que dóna Katy Perry té aquesta
probabilitat que això vegades 10 a la

774
00:40:58,710 --> 00:41:02,200
menys 7, i Gaga té aquest
vegades 10 a la menys 6.

775
00:41:02,200 --> 00:41:05,610
Així que ja veus que demostra que Gaga
té una probabilitat més alta.

776
00:41:05,610 --> 00:41:09,260
Així que "Amor meu, estic en flames" es
probablement una cançó de Gaga.

777
00:41:09,260 --> 00:41:10,580
Té sentit?

778
00:41:10,580 --> 00:41:12,030
Així que això és el que vam fer.

779
00:41:12,030 --> 00:41:16,010
>> Aquest codi serà publicat a Internet,
així que vostès poden comprovar-ho.

780
00:41:16,010 --> 00:41:20,720
Potser fer servir una part per si vols
fer un projecte o alguna cosa semblant.

781
00:41:20,720 --> 00:41:22,150
D'acord.

782
00:41:22,150 --> 00:41:25,930
Això va ser només per mostrar
el computacional

783
00:41:25,930 --> 00:41:27,230
codi de la lingüística s'assembla.

784
00:41:27,230 --> 00:41:33,040
Però ara anirem a més
coses d'alt nivell.

785
00:41:33,040 --> 00:41:33,340
D'acord.

786
00:41:33,340 --> 00:41:35,150
>> Així que els altres problemes que
estava parlant -

787
00:41:35,150 --> 00:41:37,550
el problema de la segmentació
és el primer d'ells.

788
00:41:37,550 --> 00:41:40,820
Així que tens aquí japonès.

789
00:41:40,820 --> 00:41:43,420
I llavors es veu que
no hi ha espais.

790
00:41:43,420 --> 00:41:49,110
Així que això és bàsicament significa que és
la part superior de la cadira, no?

791
00:41:49,110 --> 00:41:50,550
Parles japonès?

792
00:41:50,550 --> 00:41:52,840
És la part superior de la cadira, no?

793
00:41:52,840 --> 00:41:54,480
>> ESTUDIANT: No sé el que
el kanji d'allà és.

794
00:41:54,480 --> 00:41:57,010
>> LUCAS FREITAS: És [parla japonesa]

795
00:41:57,010 --> 00:41:57,950
D'acord.

796
00:41:57,950 --> 00:42:00,960
Així que, bàsicament, significa que la cadira de la part superior.

797
00:42:00,960 --> 00:42:03,620
Així que si hagués de posar un espai
seria aquí.

798
00:42:03,620 --> 00:42:05,970
I llavors vostè ha [? Ueda-sant. ?]

799
00:42:05,970 --> 00:42:09,040
El que bàsicament significa senyor Ueda.

800
00:42:09,040 --> 00:42:13,180
I pots veure que "Ueda" i té una
espai i després "sant". Així que ja veus que

801
00:42:13,180 --> 00:42:15,470
aquí "Ue" és com per si mateix.

802
00:42:15,470 --> 00:42:17,750
I aquí té un caràcter
al costat d'ell.

803
00:42:17,750 --> 00:42:21,720
>> Així que no és com en aquests idiomes
personatges que significa una paraula, per la qual cosa

804
00:42:21,720 --> 00:42:23,980
només cal posar un munt d'espais.

805
00:42:23,980 --> 00:42:25,500
Caràcters es relacionen entre si.

806
00:42:25,500 --> 00:42:28,680
I poden estar junts
com dos, tres, un.

807
00:42:28,680 --> 00:42:34,520
Així que vostè realment ha de crear algun tipus
de manera de posar aquests espais.

808
00:42:34,520 --> 00:42:38,850
>> I això és que cada vegada que rebi
dades d'aquests idiomes asiàtics,

809
00:42:38,850 --> 00:42:40,580
tot ve no segmentat.

810
00:42:40,580 --> 00:42:45,940
Perquè ningú que escriu japonès
o el xinès s'escriu amb espais.

811
00:42:45,940 --> 00:42:48,200
Cada vegada que vostè està escrivint xinesa,
Japonès que acaba d'escriure tot el que

812
00:42:48,200 --> 00:42:48,710
sense espais.

813
00:42:48,710 --> 00:42:52,060
Fins i tot no té sentit
posar espais.

814
00:42:52,060 --> 00:42:57,960
Així que quan arribi a les dades d'alguns
Idioma Àsia oriental, si vol

815
00:42:57,960 --> 00:43:00,760
realment fer alguna cosa amb això
vostè ha de primer segment.

816
00:43:00,760 --> 00:43:05,130
>> Penseu en fer l'exemple de
les lletres sense espais.

817
00:43:05,130 --> 00:43:07,950
Així que les úniques lletres que tens
serà frases, oi?

818
00:43:07,950 --> 00:43:09,470
Separats per punts.

819
00:43:09,470 --> 00:43:13,930
Però després tenir només la frase
no és realment ajudar a donar informació

820
00:43:13,930 --> 00:43:17,760
que aquestes lletres són a.

821
00:43:17,760 --> 00:43:18,120
Cert?

822
00:43:18,120 --> 00:43:20,010
Així que vostè ha primer posa espais.

823
00:43:20,010 --> 00:43:21,990
Llavors, com pot vostè fer això?

824
00:43:21,990 --> 00:43:24,920
>> Llavors ve la idea d'un llenguatge
model que és una cosa realment

825
00:43:24,920 --> 00:43:26,870
important per computacional
la lingüística.

826
00:43:26,870 --> 00:43:32,790
Pel que un model de llenguatge és bàsicament un
taula de probabilitats que els programes de

827
00:43:32,790 --> 00:43:36,260
en primer lloc, quina és la probabilitat
de tenir la paraula en un idioma?

828
00:43:36,260 --> 00:43:39,590
Així mostra la freqüència amb una paraula és.

829
00:43:39,590 --> 00:43:43,130
I a continuació també mostra la relació
entre les paraules en una oració.

830
00:43:43,130 --> 00:43:51,500
>> Així que la idea principal és que, si es va produir un estrany
a tu i va dir una frase per

831
00:43:51,500 --> 00:43:55,600
vostè, quina és la probabilitat que, per
exemple, "aquesta és la meva germana [? GTF"?]

832
00:43:55,600 --> 00:43:57,480
va ser la frase que va dir la persona?

833
00:43:57,480 --> 00:44:00,380
Així que, òbviament, algunes frases són
més comuns que altres.

834
00:44:00,380 --> 00:44:04,450
Per exemple, "bon dia" o "bones
nit "o" Hola, "és molt més

835
00:44:04,450 --> 00:44:08,260
comú que la majoria de les sentències
que tenim un anglès.

836
00:44:08,260 --> 00:44:11,060
Per què són aquestes frases
amb més freqüència?

837
00:44:11,060 --> 00:44:14,060
>> En primer lloc, és perquè vostè té
paraules que són més freqüents.

838
00:44:14,060 --> 00:44:20,180
Així, per exemple, si vostè diu que el gos és
gran, i el gos és gegantina, que

839
00:44:20,180 --> 00:44:23,880
en general, probablement sentir el gos és gran
més sovint perquè "gran" és més

840
00:44:23,880 --> 00:44:27,260
freqüent en anglès de "gegantí".
Així, un dels

841
00:44:27,260 --> 00:44:30,100
coses és la freqüència de la paraula.

842
00:44:30,100 --> 00:44:34,490
>> La segona cosa que és realment
important és només el

843
00:44:34,490 --> 00:44:35,490
ordre de les paraules.

844
00:44:35,490 --> 00:44:39,500
Així, és comú dir "el gat està
dins de la caixa. "però no solen

845
00:44:39,500 --> 00:44:44,250
veure a "El quadre interior és el gat." així
veus que hi ha alguna cosa d'importància

846
00:44:44,250 --> 00:44:46,030
en l'ordre de les paraules.

847
00:44:46,030 --> 00:44:50,160
No es pot simplement dir que aquests dos
frases tenen la mateixa probabilitat

848
00:44:50,160 --> 00:44:53,010
només perquè tenen les mateixes paraules.

849
00:44:53,010 --> 00:44:55,550
Segur que ha de tenir cura
sobre l'ordre també.

850
00:44:55,550 --> 00:44:57,650
Té sentit?

851
00:44:57,650 --> 00:44:59,490
>> Llavors, què fem?

852
00:44:59,490 --> 00:45:01,550
Així que el que jo podria tractar d'aconseguir que?

853
00:45:01,550 --> 00:45:04,400
Estic tractant d'aconseguir el que
trucar als models n-gram.

854
00:45:04,400 --> 00:45:09,095
Així models de n-gram bàsicament assumeixen
que per a cada paraula que

855
00:45:09,095 --> 00:45:10,960
que té en una frase.

856
00:45:10,960 --> 00:45:15,020
És la probabilitat d'haver de
paraula no depèn no només de la

857
00:45:15,020 --> 00:45:18,395
freqüència d'aquesta paraula en l'idioma,
però també en les paraules que

858
00:45:18,395 --> 00:45:19,860
s'envolta.

859
00:45:19,860 --> 00:45:25,810
>> Així, per exemple, generalment quan es veu
cosa així com el o pel que ets

860
00:45:25,810 --> 00:45:28,040
probablement va a veure una
substantiu després d'ella, oi?

861
00:45:28,040 --> 00:45:31,750
Perquè quan vostè té una preposició
en general es necessita un nom després d'ell.

862
00:45:31,750 --> 00:45:35,540
O si vostè té un verb que és transitiva
en general, va a

863
00:45:35,540 --> 00:45:36,630
tenir un sintagma nominal.

864
00:45:36,630 --> 00:45:38,780
Per tant, tindrà un nom
en algun lloc al voltant d'ella.

865
00:45:38,780 --> 00:45:44,950
>> Així que, bàsicament, el que fa és que
considera la probabilitat de tenir

866
00:45:44,950 --> 00:45:47,960
paraules un al costat de l'altre, quan
vostè està calculant la

867
00:45:47,960 --> 00:45:49,050
probabilitat d'una condemna.

868
00:45:49,050 --> 00:45:50,960
I això és el que és un idioma
model és bàsicament.

869
00:45:50,960 --> 00:45:54,620
Simplement dir quina és la probabilitat
d'haver una específica

870
00:45:54,620 --> 00:45:57,120
frase en un idioma?

871
00:45:57,120 --> 00:45:59,110
Així que per què és tan útil, bàsicament?

872
00:45:59,110 --> 00:46:02,390
I en primer lloc el que és
un model de n-grames, llavors?

873
00:46:02,390 --> 00:46:08,850
>> Així que significa un model de n-grames que
cada paraula depèn de la

874
00:46:08,850 --> 00:46:12,700
següent N almenys 1 paraules.

875
00:46:12,700 --> 00:46:18,150
Així que, bàsicament, vol dir que si miro,
Per exemple, en el TF CS50 quan

876
00:46:18,150 --> 00:46:21,500
Estic càlcul de la probabilitat de
la sentència, que serà com "la

877
00:46:21,500 --> 00:46:25,280
probabilitat de tenir la paraula "the"
vegades la probabilitat de tenir "la

878
00:46:25,280 --> 00:46:31,720
CS50 vegades "la probabilitat de tenir
"El TF CS50." Així que, bàsicament, conte

879
00:46:31,720 --> 00:46:35,720
totes les formes possibles de estirar.

880
00:46:35,720 --> 00:46:41,870
>> I després, en general quan vostè està fent això,
com en un projecte, es posa N sigui

881
00:46:41,870 --> 00:46:42,600
un valor baix.

882
00:46:42,600 --> 00:46:45,930
Així que, en general tenen bigrames o trigrames.

883
00:46:45,930 --> 00:46:51,090
Així que acaba de comptar dues paraules, una
grup de dues paraules o tres paraules,

884
00:46:51,090 --> 00:46:52,620
només pels problemes de rendiment.

885
00:46:52,620 --> 00:46:56,395
I també perquè potser si té
alguna cosa així com "La TF CS50." Quan

886
00:46:56,395 --> 00:47:00,510
té "TF", que és molt important que
"CS50" està al costat d'ella, oi?

887
00:47:00,510 --> 00:47:04,050
Aquestes dues coses són en general
un al costat de l'altre.

888
00:47:04,050 --> 00:47:06,410
>> Si vostè pensa en "TF", que és probablement
va a tenir el que

889
00:47:06,410 --> 00:47:07,890
classe està TF'ing per.

890
00:47:07,890 --> 00:47:11,330
També "la" és realment important
per TF CS50.

891
00:47:11,330 --> 00:47:14,570
Però si vostè té alguna cosa així com "El CS50
TF va anar a classe i va donar el seu

892
00:47:14,570 --> 00:47:20,060
estudiants una mica de caramel. "" Candy "i" el "
no tenir relació de veritat, no?

893
00:47:20,060 --> 00:47:23,670
Són tan distants entre si que
en realitat no importa el que

894
00:47:23,670 --> 00:47:25,050
paraules que tenen.

895
00:47:25,050 --> 00:47:31,210
>> Així que fent un bigram o trigrama, es
simplement vol dir que vostè està limitant

896
00:47:31,210 --> 00:47:33,430
vostè mateix a algunes paraules
que estan al voltant.

897
00:47:33,430 --> 00:47:35,810
Té sentit?

898
00:47:35,810 --> 00:47:40,630
Així que quan vostè vol fer la segmentació,
bàsicament, el que vols fer és veure

899
00:47:40,630 --> 00:47:44,850
Quines són totes les formes possibles que
vostè pot la frase segment.

900
00:47:44,850 --> 00:47:49,090
>> De tal manera que vostè veu el que és el
probabilitat que cadascuna d'aquestes frases

901
00:47:49,090 --> 00:47:50,880
existent en l'idioma?

902
00:47:50,880 --> 00:47:53,410
Així que el que fas és com, bé, anem a
jo tracte de posar un espai aquí.

903
00:47:53,410 --> 00:47:55,570
Així es posa un espai no
i veus el que és la

904
00:47:55,570 --> 00:47:57,590
probabilitat que la sentència?

905
00:47:57,590 --> 00:48:00,240
Llavors vostè és com, OK, potser
que no era tan bo.

906
00:48:00,240 --> 00:48:03,420
Així que vaig posar un espai allà i un espai
allà, i es calcula el

907
00:48:03,420 --> 00:48:06,240
probabilitat d'ara, i vostè veurà que
que és una probabilitat més alta.

908
00:48:06,240 --> 00:48:12,160
>> Així que aquest és un algoritme anomenat TANGO
algorisme de segmentació, que és

909
00:48:12,160 --> 00:48:14,990
en realitat una cosa que seria molt
fresc per a un projecte, que

910
00:48:14,990 --> 00:48:20,860
bàsicament pren el text no segmentat que
pot ser japonès o xinès o potser

911
00:48:20,860 --> 00:48:26,080
Anglès sense espais i tracta de posar
espais entre les paraules i ho fa

912
00:48:26,080 --> 00:48:29,120
que mitjançant l'ús d'un model de llenguatge i
tractant de veure quina és la més alta

913
00:48:29,120 --> 00:48:31,270
probabilitat que vostè pot aconseguir.

914
00:48:31,270 --> 00:48:32,230
D'acord.

915
00:48:32,230 --> 00:48:33,800
Així que aquesta és la segmentació.

916
00:48:33,800 --> 00:48:35,450
>> Ara sintaxi.

917
00:48:35,450 --> 00:48:40,940
Per tant, la sintaxi s'utilitza per
tantes coses ara mateix.

918
00:48:40,940 --> 00:48:44,880
Així que per al gràfic de recerca, per Siri per
gairebé qualsevol tipus de naturals

919
00:48:44,880 --> 00:48:46,490
processament del llenguatge que té.

920
00:48:46,490 --> 00:48:49,140
Llavors, què són els importants
coses sobre la sintaxi?

921
00:48:49,140 --> 00:48:52,390
Així, les oracions en general tenen
el que anomenem constituents.

922
00:48:52,390 --> 00:48:57,080
Què són alguna cosa així com grups de paraules
que tenen una funció en la frase.

923
00:48:57,080 --> 00:49:02,220
I en realitat no poden ser
separats uns dels altres.

924
00:49:02,220 --> 00:49:07,380
>> Així que, si jo dic, per exemple, "Lauren estima
Milo. "Jo sé que" Lauren "és un

925
00:49:07,380 --> 00:49:10,180
constituent i després "amors
Milo "és també un altre.

926
00:49:10,180 --> 00:49:16,860
Perquè no es pot dir com "Lauren Milo
estima "tenir el mateix significat.

927
00:49:16,860 --> 00:49:18,020
No tindrà
el mateix significat.

928
00:49:18,020 --> 00:49:22,500
O jo no puc dir com "Milo Lauren
estima. "No tot té el mateix

929
00:49:22,500 --> 00:49:25,890
que significa fer això.

930
00:49:25,890 --> 00:49:31,940
>> Així que les dues coses més importants sobre
sintaxi són els tipus lèxics que és

931
00:49:31,940 --> 00:49:35,390
bàsicament la funció que
tenir per a les paraules per si soles.

932
00:49:35,390 --> 00:49:39,180
Així que vostè ha de saber que "Lauren"
i "Milo" són substantius.

933
00:49:39,180 --> 00:49:41,040
"Love" és un verb.

934
00:49:41,040 --> 00:49:45,660
I la segona cosa important és
que són tipus amb preposició.

935
00:49:45,660 --> 00:49:48,990
Així que ja saps que "estima Milo"
és en realitat una frase verbal.

936
00:49:48,990 --> 00:49:52,390
Així que quan dic "Lauren," jo sé que
Lauren està fent alguna cosa.

937
00:49:52,390 --> 00:49:53,620
Què fa?

938
00:49:53,620 --> 00:49:54,570
Ella és amant de Milo.

939
00:49:54,570 --> 00:49:56,440
Així que és una cosa totalment.

940
00:49:56,440 --> 00:50:01,640
Però els seus components són
un substantiu i un verb.

941
00:50:01,640 --> 00:50:04,210
Però junts, fan una frase verbal.

942
00:50:04,210 --> 00:50:08,680
>> Així que, què podem fer realment amb
lingüística computacional?

943
00:50:08,680 --> 00:50:13,810
Així que, si tinc alguna cosa, per exemple,
"Amics d'Allison". Veig si em

944
00:50:13,810 --> 00:50:17,440
va realitzar un arbre sintàctic que sabria que
"Amics" és un sintagma nominal que és un

945
00:50:17,440 --> 00:50:21,480
substantiu i després "d'Allison" és una
sintagma preposicional en què "de" és

946
00:50:21,480 --> 00:50:24,810
una proposta i "Allison" és un substantiu.

947
00:50:24,810 --> 00:50:30,910
El que podria fer és ensenyar al meu equip
que quan tinc un sintagma nominal i un

948
00:50:30,910 --> 00:50:33,080
a continuació, una frase preposicional.

949
00:50:33,080 --> 00:50:39,020
Així que en aquest cas, "amics" i després "de
Milo "Jo sé que això vol dir que

950
00:50:39,020 --> 00:50:43,110
NP2, la segona, és propietària de NP1.

951
00:50:43,110 --> 00:50:47,680
>> Així que pot crear algun tipus de relació,
algun tipus de funció per a això.

952
00:50:47,680 --> 00:50:52,370
Així que cada vegada que veig aquesta estructura, que
coincideix exactament amb "amics de

953
00:50:52,370 --> 00:50:56,030
Allison: "Jo sabia que Allison
posseeix els amics.

954
00:50:56,030 --> 00:50:58,830
Així que els amics són una mica
que Allison té.

955
00:50:58,830 --> 00:50:59,610
Té sentit?

956
00:50:59,610 --> 00:51:01,770
Així que això és bàsicament el que
Gràfic Search fa.

957
00:51:01,770 --> 00:51:04,360
Simplement crea regles
per a un munt de coses.

958
00:51:04,360 --> 00:51:08,190
Així que els "amics d'Allison", "els meus amics
que viuen a Cambridge "," els meus amics

959
00:51:08,190 --> 00:51:12,970
d'anar a Harvard ". Crea regles
per totes aquestes coses.

960
00:51:12,970 --> 00:51:14,930
>> Ara la traducció automàtica.

961
00:51:14,930 --> 00:51:18,850
Per tant, la traducció automàtica és també
alguna cosa estadística.

962
00:51:18,850 --> 00:51:21,340
I en realitat, si t'involucres en
lingüística computacional, una gran quantitat de

963
00:51:21,340 --> 00:51:23,580
les teves coses serà estadístiques.

964
00:51:23,580 --> 00:51:26,670
Així com jo estava fent l'exemple amb
moltes probabilitats que jo era

965
00:51:26,670 --> 00:51:30,540
càlcul, i després arribar a aquest
nombre molt petit que és la final

966
00:51:30,540 --> 00:51:33,180
probabilitat, i això és el
li dóna la resposta.

967
00:51:33,180 --> 00:51:37,540
La traducció automàtica utilitza també
un model estadístic.

968
00:51:37,540 --> 00:51:44,790
I si vostè vol pensar en la màquina
traducció en el més simple possible

969
00:51:44,790 --> 00:51:48,970
Així, el que es pot pensar és només
traduir paraula per paraula, oi?

970
00:51:48,970 --> 00:51:52,150
>> Quan vostè està aprenent un idioma per al
primera vegada, que és en general el

971
00:51:52,150 --> 00:51:52,910
ho fa, no?

972
00:51:52,910 --> 00:51:57,050
Per traduir una oració
en el seu idioma per a la llengua

973
00:51:57,050 --> 00:52:00,060
vostè està aprenent, en general primer,
traduirà cadascuna de les paraules

974
00:52:00,060 --> 00:52:03,180
individualment, a continuació, intenta
posar les paraules al seu lloc.

975
00:52:03,180 --> 00:52:07,100
>> Així que si jo volia traduir això,
[Parla Portuguesa]

976
00:52:07,100 --> 00:52:10,430
que significa "el gat blanc es va escapar."
Si volgués traduir del

977
00:52:10,430 --> 00:52:13,650
Portuguès a Anglès, el que
podríem fer és, primer, que acabo de

978
00:52:13,650 --> 00:52:14,800
traduir paraula per paraula.

979
00:52:14,800 --> 00:52:20,570
Així que "o" és "el", "gat", "gat"
"Branco", "blanc", i després "refugi" és

980
00:52:20,570 --> 00:52:21,650
"Es va escapar".

981
00:52:21,650 --> 00:52:26,130
>> Així que tinc totes les paraules aquí,
però no estan en ordre.

982
00:52:26,130 --> 00:52:29,590
És com "el gat blanc es va escapar"
que és gramaticalment incorrecta.

983
00:52:29,590 --> 00:52:34,490
Així, llavors puc tenir un segon pas, que
es trobarà l'ideal

984
00:52:34,490 --> 00:52:36,610
posició per a cadascuna de les paraules.

985
00:52:36,610 --> 00:52:40,240
Així que sé que realment vull tenir
"Gat blanc" en lloc de "gat blanc". Així

986
00:52:40,240 --> 00:52:46,050
el que puc fer és, el mètode més ingènua
seria la creació de tot el

987
00:52:46,050 --> 00:52:49,720
permutacions possibles d'
paraules, de posicions.

988
00:52:49,720 --> 00:52:53,300
I després veure quin té el
probabilitat més alta d'acord

989
00:52:53,300 --> 00:52:54,970
al meu model de llenguatge.

990
00:52:54,970 --> 00:52:58,390
I després, quan em trobo amb el qual té
la probabilitat més alta, la qual cosa és

991
00:52:58,390 --> 00:53:01,910
probablement "la gata blanca es va escapar"
aquest és el meu traducció.

992
00:53:01,910 --> 00:53:06,710
>> I aquesta és una manera senzilla d'explicar
com una gran quantitat de la traducció automàtica

993
00:53:06,710 --> 00:53:07,910
algoritmes funcionen.

994
00:53:07,910 --> 00:53:08,920
Això té sentit?

995
00:53:08,920 --> 00:53:12,735
Això també és una cosa realment emocionant
que vostès potser pot explorar una

996
00:53:12,735 --> 00:53:13,901
projecte final, no?

997
00:53:13,901 --> 00:53:15,549
>> Estudiant: Bé, vostè va dir que era
la manera ingènua, quin és

998
00:53:15,549 --> 00:53:17,200
la forma no ingenu?

999
00:53:17,200 --> 00:53:18,400
>> LUCAS FREITAS: La forma no ingenu?

1000
00:53:18,400 --> 00:53:19,050
D'acord.

1001
00:53:19,050 --> 00:53:22,860
Així que la primera cosa que és dolent sobre
aquest mètode és que jo només vaig traduir

1002
00:53:22,860 --> 00:53:24,330
paraules, paraula per paraula.

1003
00:53:24,330 --> 00:53:30,570
Però de vegades hi ha paraules que
pot tenir diverses traduccions.

1004
00:53:30,570 --> 00:53:32,210
Vaig a tractar de pensar
d'alguna cosa.

1005
00:53:32,210 --> 00:53:37,270
Per exemple, "manga" en llauna Portuguès
o bé ser "mangle" o "manga". Així

1006
00:53:37,270 --> 00:53:40,450
quan vostè està tractant de traduir la paraula
mitjançant la paraula, podria estar donant

1007
00:53:40,450 --> 00:53:42,050
cosa que no té sentit.

1008
00:53:42,050 --> 00:53:45,770
>> Així que vostè vol realment ens fixem en tots els
les possibles traduccions de la

1009
00:53:45,770 --> 00:53:49,840
paraules i veure, en primer lloc,
Quin és l'ordre.

1010
00:53:49,840 --> 00:53:52,000
Estàvem parlant de permutació
les coses?

1011
00:53:52,000 --> 00:53:54,150
Per veure totes les possibles ordres i
triar el que tingui el més alt

1012
00:53:54,150 --> 00:53:54,990
probabilitat?

1013
00:53:54,990 --> 00:53:57,860
També pot triar tot el possible
traduccions per

1014
00:53:57,860 --> 00:54:00,510
paraula i després veure -

1015
00:54:00,510 --> 00:54:01,950
combinat amb les permutacions -

1016
00:54:01,950 --> 00:54:03,710
que un té la probabilitat més alta.

1017
00:54:03,710 --> 00:54:08,590
>> A més, vostè també pot veure no
només paraules, si les frases.

1018
00:54:08,590 --> 00:54:11,700
perquè pugui analitzar les relacions entre
les paraules i després agafar un

1019
00:54:11,700 --> 00:54:13,210
millor traducció.

1020
00:54:13,210 --> 00:54:16,690
També una altra cosa, de manera que aquest semestre
De fet, m'estic fent la recerca en

1021
00:54:16,690 --> 00:54:19,430
Xinès-Anglès traducció automàtica,
de manera que la traducció del

1022
00:54:19,430 --> 00:54:20,940
Xinès a l'anglès.

1023
00:54:20,940 --> 00:54:26,760
>> I una cosa que fem és, a més d'utilitzar
un model estadístic, que és just

1024
00:54:26,760 --> 00:54:30,570
veure les probabilitats de veure
alguna posició en una frase, jo sóc

1025
00:54:30,570 --> 00:54:35,360
en realitat també afegir una mica de sintaxi per a mi
model, dient: Oh, si jo veig aquest tipus

1026
00:54:35,360 --> 00:54:39,420
de la construcció, això és el que vull
per canviar-ho a quan tradueixo.

1027
00:54:39,420 --> 00:54:43,880
Així també es pot afegir algun tipus de
element de la sintaxi perquè el

1028
00:54:43,880 --> 00:54:47,970
una traducció més eficaç
i més precisa.

1029
00:54:47,970 --> 00:54:48,550
D'acord.

1030
00:54:48,550 --> 00:54:51,010
>> Llavors, com es pot començar, si vols
fer alguna cosa en còmput

1031
00:54:51,010 --> 00:54:51,980
la lingüística?

1032
00:54:51,980 --> 00:54:54,560
>> En primer lloc, es tria un projecte
que involucra idiomes.

1033
00:54:54,560 --> 00:54:56,310
Així, hi ha molts per aquí.

1034
00:54:56,310 --> 00:54:58,420
Hi ha tantes coses que pots fer.

1035
00:54:58,420 --> 00:55:00,510
I llavors es pot pensar en un model
que es pot utilitzar.

1036
00:55:00,510 --> 00:55:04,710
En general, això significa que el pensament de
supòsits, segons com, oh, quan jo era

1037
00:55:04,710 --> 00:55:05,770
com el pensament de les lletres.

1038
00:55:05,770 --> 00:55:09,510
Jo estava com, bé, si vull esbrinar
1 que va escriure això, probablement jo vull

1039
00:55:09,510 --> 00:55:15,400
mirar a les paraules que la persona utilitza i
veure qui fa servir aquesta paraula molt sovint.

1040
00:55:15,400 --> 00:55:18,470
Així que tracti de fer suposicions i
tracti de pensar en models.

1041
00:55:18,470 --> 00:55:21,395
I llavors també pot buscar en línia per
el tipus de problema que vostè té,

1042
00:55:21,395 --> 00:55:24,260
i va a suggerir
a vostès, els models que potser

1043
00:55:24,260 --> 00:55:26,560
modelat aquesta cosa també.

1044
00:55:26,560 --> 00:55:29,080
>> I també sempre pots enviar-me un correu electrònic.

1045
00:55:29,080 --> 00:55:31,140
me@lfreitas.com.

1046
00:55:31,140 --> 00:55:34,940
I jo només puc ajudar-vos.

1047
00:55:34,940 --> 00:55:38,600
Podem fins i tot podríem reunir-nos de manera que pugui
donar suggeriments sobre la forma d'

1048
00:55:38,600 --> 00:55:41,490
la implementació del seu projecte.

1049
00:55:41,490 --> 00:55:45,610
I vull dir que si t'involucres amb
lingüística computacional, que va

1050
00:55:45,610 --> 00:55:46,790
per ser gran.

1051
00:55:46,790 --> 00:55:48,370
Vas a veure que hi ha
tant potencial.

1052
00:55:48,370 --> 00:55:52,060
I la indústria vol contractar
que tan malament per això.

1053
00:55:52,060 --> 00:55:54,720
Així que espero que vostès hagin gaudit això.

1054
00:55:54,720 --> 00:55:57,030
Si vostès tenen alguna pregunta,
vostè em pot preguntar per això.

1055
00:55:57,030 --> 00:55:58,280
Però gràcies.

1056
00:55:58,280 --> 00:56:00,150