prikaz prve stranice dokumenta Implementacija i analiza modela tema Latentne Dirichletove alokacije
Rad nije dostupan
diplomski rad
Implementacija i analiza modela tema Latentne Dirichletove alokacije
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. urn:nbn:hr:168:777266
Orlić, Gregor
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Orlić, G. (2021). Implementacija i analiza modela tema Latentne Dirichletove alokacije (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:777266

Orlić, Gregor. "Implementacija i analiza modela tema Latentne Dirichletove alokacije." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:777266

Orlić, Gregor. "Implementacija i analiza modela tema Latentne Dirichletove alokacije." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:777266

Orlić, G. (2021). 'Implementacija i analiza modela tema Latentne Dirichletove alokacije', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 26.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:777266

Orlić G. Implementacija i analiza modela tema Latentne Dirichletove alokacije [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2021 [pristupljeno 26.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:777266

G. Orlić, "Implementacija i analiza modela tema Latentne Dirichletove alokacije", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:777266

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:777266
Podaci o radu
NaslovImplementacija i analiza modela tema Latentne Dirichletove alokacije
Naslov (engleski)Implementation and Analysis of Latent Dirichlet Allocation Topic Models
AutorGregor Orlić
MentorJan Šnajder (mentor)
Član povjerenstvaJan Šnajder (predsjednik povjerenstva)
Član povjerenstvaAlan Jović (član povjerenstva)
Član povjerenstvaMarko Đurasević (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2021-07-09, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Modeliranje tema široko je korištena tehnika iz područja obrade prirodnog jezika za otkrivanje latentnih temau skupovima dokumenata. Postupak se oslanja na nenadziranom strojno učenje kako bi otkrio riječi koje sečesto supojavljuju u dokumentima. Latentna Dirichletova alokacija (engl. Latent Dirichlet Allocation - LDA) od Blei et al. (2003) najčešće je korišten model tema. LDA pretpostavlja da je svaki dokument mješavina tema,pri čemu je svaka tema mješavina riječi. Dok je teoretska podloga LDA dobro shvaćena, njena praktičnaimplementacija postavlja niz izazova, najčešće povezanih s činjenicom da optimizacija uključuje posteriornu distribuciju parametara koja nije traktabilna. U radu su implementirane dvije metode optimizacije LDA algoritma, varijacijsko zaključivanje i Gibbsovo uzorkovanje. Provedena je analiza kvalitete generiranih tema, kao i računalne performanse. Implementirane metode su uspoređene s postojećim implementacijama.
Sažetak (engleski)
Topic modeling is a widely used technique in natural language processing for discovering latent topics in document collections. The method relies on unsupervised machine learning to discover words often co-occurring in documents. Latent Dirichlet allocation (LDA) of Blei et al. (2003) is the most commonly used topic model. The LDA assumes that each document is a mixture of topics, with each topic being a mixture of words. While the theory of LDA is well understood, its implementation poses a series of practical challenges, mostly related to optimization involving the intractable parameter posterior distribution. Two optimization methods were implemented, variational inference and Gibbs sampling. Both methods were evaluated for their topic quality, alongside computational performance. The methods were compared to existing implementations.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:777266
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-01-13 10:31:47