Порівняльний аналіз нейронних мереж у завданнях машинного перекладу
dc.contributor.advisor | Гуськова, Віра Геннадіївна | |
dc.contributor.author | Фещенко, Яна Володимирівна | |
dc.date.accessioned | 2024-11-13T12:21:10Z | |
dc.date.available | 2024-11-13T12:21:10Z | |
dc.date.issued | 2024 | |
dc.description.abstract | Дипломна робота: 124 с., 56 рис., 13 табл., 2 дод., 36 джерел. Мета роботи – дослідження та проведення порівняльного аналізу нейронних мереж різних архітектур для задачі машинного перекладу, використовуючи метрики якості навчання моделей, метрики оцінювання якості перекладу та людського оцінювання. Об’єкт дослідження: машинний переклад. Предмет дослідження: нейронні мережі для реалізації машинного перекладу. Проведено опис задачі машинного перекладу, його розвиток, оглянуто основні види машинного перекладу включно з перевагами та проблемами кожного. Досліджено структуру, особливості будови та принцип роботи кожної моделі з математичної точки зору. Наведено огляд набору даних, що використовувався для порівняльного аналізу роботи нейронних мереж. Для досягнення поставленої мети було побудовано кілька моделей, таких як LSTM Seq2Seq, GRU Seq2Seq, Bidirectional LSTM Seq2Seq, Bidirectional GRU Seq2Seq, Seq2Seq with Attention, Transformer. Розроблено програму на мові Python, у якій було побудовано оглянуті моделі, проведено процес їхнього навчання, та проведено порівняльний аналіз моделей на основі результатів перекладу. | |
dc.description.abstractother | Bachelor thesis: 124 p., 56 figures, 13 tables, 2 appendices, 36 references. The purpose of the study is to research and conduct a comparative analysis of neural networks of different architectures for machine translation using model training quality metrics, translation quality assessment metrics, and human evaluation. Research object: machine translation. Subject of research: neural networks for machine translation. The paper describes the task of machine translation, its development, and reviews the main types of machine translation, including the advantages and problems of each. The structure, features, and working principle of each model are investigated from a mathematical point of view. An overview of the dataset used for comparative analysis of neural networks is provided. To achieve this goal, several models have been built, such as LSTM Seq2Seq, GRU Seq2Seq, Bidirectional LSTM Seq2Seq, Bidirectional GRU Seq2Seq, Seq2Seq with Attention, Transformer. A Python program has been developed to build the reviewed models, train them, and perform a comparative analysis of the models based on the translation results. | |
dc.format.extent | 124 с. | |
dc.identifier.citation | Фещенко, Я. В. Порівняльний аналіз нейронних мереж у завданнях машинного перекладу : дипломна робота ... бакалавра : 124 Системний аналіз / Фещенко Яна Володимирівна. - Київ, 2024. - 124 с. | |
dc.identifier.uri | https://ela.kpi.ua/handle/123456789/70552 | |
dc.language.iso | uk | |
dc.publisher | КПІ ім. Ігоря Сікорського | |
dc.publisher.place | Київ | |
dc.subject | глибоке навчання | |
dc.subject | штучні нейронні мережі | |
dc.subject | машинний переклад | |
dc.subject | архітектура lstm | |
dc.subject | архітектура gru | |
dc.subject | архітектура bidirectional rnn | |
dc.subject | архітектура transformer | |
dc.subject | механізм attention | |
dc.subject | deep learning | |
dc.subject | artificial neural networks | |
dc.subject | machine translation | |
dc.subject | lstm architecture | |
dc.subject | gru architecture | |
dc.subject | bidirectional rnn architecture | |
dc.subject | transformer architecture | |
dc.subject | attention mechanism | |
dc.title | Порівняльний аналіз нейронних мереж у завданнях машинного перекладу | |
dc.type | Bachelor Thesis |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- Feshchenko_bakalavr.pdf
- Розмір:
- 5.34 MB
- Формат:
- Adobe Portable Document Format
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: