Как разговаривать, чтобы малыш заговорил на английскомMarina Suzdaleva
Самый лучший способ научить ребенка английскому языку – просто говорить на нем!
Однако, когда у вас на английский от силы пара часов в день (а то и в неделю), хотелось бы, чтобы общение было максимально эффективным.
Так как же разговаривать с ребенком, чтобы он легко впитывал иностранный язык? Есть ли какие-то приемы или даже хитрости, помогающие разговорить малыша?
Как разговаривать, чтобы малыш заговорил на английскомMarina Suzdaleva
Самый лучший способ научить ребенка английскому языку – просто говорить на нем!
Однако, когда у вас на английский от силы пара часов в день (а то и в неделю), хотелось бы, чтобы общение было максимально эффективным.
Так как же разговаривать с ребенком, чтобы он легко впитывал иностранный язык? Есть ли какие-то приемы или даже хитрости, помогающие разговорить малыша?
Илья Мельников (Яндекс) "Классификатор коротких текстов с использованием вект...AINL Conferences
В докладе описан подход, решающий задачу классификации коротких текстов на основании семантического сопоставления с обучающими примерами.
Раскрыты такие аспекты, как:
Максимальный упор на сравнение по смыслу (против известных статистических методов)
Устойчивость к разнообразию формулировок, использованию синонимов
Построение модели на малом количестве данных
Для решения этих задач создан классификатор на основе векторного представления слов. Обучающие тексты отображаются в многомерное пространство в виде наборов точек. Для анализируемого текста класс определяется соотношениями близостей между представлением текста и обучающих примеров. Делается допущение об условной независимости слов в фразе. Подход применим в любых задачах, где необходимо по смыслу классифицировать фразы диалога или короткие тексты.
Тестирование проводилось интерактивном стенде для Yac/m. Порядка 70 обучающих примеров, 4 класса. Получена accuracy порядка 250%, проверка методом 5 fold cross validation.
Алгебраический подход к анализу данных и его приложенияАлександр Дьяконов
Доклад на конференции профессоров РАН по Отделению математических наук РАН.
15 июня 2016 г. 15:25, г. Москва, ул. Губкина, д. 8, Математический институт имени В. А. Стеклова Российской Академии наук
http://www.mathnet.ru/conf908
Описан алгоритм, занявший второе место на соревновании
CardioQvark. Подробное описание - см. в отчёте https://alexanderdyakonov.wordpress.com/2016/04/03/%D0%B4%D0%B5%D1%82%D0%B5%D0%BA%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BA%D1%83%D1%80%D0%B8%D0%BB%D1%8C%D1%89%D0%B8%D0%BA%D0%B0/
код - https://github.com/Dyakonov/cardioqvark
Методы для вычисления базовой статистики текста
Работа с корпусами и лексикографическими ресурсами
Обработка естественного языка (токенизация, лемматизация, стемминг, pos-tagging, parsing)
Классификация
Машинный перевод
Работа с XML-документами
Представление знаний
Корпусная лингвистика: компиляция корпуса устной речиNLProc.by
Что такое корпус? Корпус устной речи?
Виды
Корпусы устной речи (фокус: слявянские языки)
Компиляция корпуса устной речи: основные этапы, принципы, инструменты
Илья Мельников (Яндекс) "Классификатор коротких текстов с использованием вект...AINL Conferences
В докладе описан подход, решающий задачу классификации коротких текстов на основании семантического сопоставления с обучающими примерами.
Раскрыты такие аспекты, как:
Максимальный упор на сравнение по смыслу (против известных статистических методов)
Устойчивость к разнообразию формулировок, использованию синонимов
Построение модели на малом количестве данных
Для решения этих задач создан классификатор на основе векторного представления слов. Обучающие тексты отображаются в многомерное пространство в виде наборов точек. Для анализируемого текста класс определяется соотношениями близостей между представлением текста и обучающих примеров. Делается допущение об условной независимости слов в фразе. Подход применим в любых задачах, где необходимо по смыслу классифицировать фразы диалога или короткие тексты.
Тестирование проводилось интерактивном стенде для Yac/m. Порядка 70 обучающих примеров, 4 класса. Получена accuracy порядка 250%, проверка методом 5 fold cross validation.
Алгебраический подход к анализу данных и его приложенияАлександр Дьяконов
Доклад на конференции профессоров РАН по Отделению математических наук РАН.
15 июня 2016 г. 15:25, г. Москва, ул. Губкина, д. 8, Математический институт имени В. А. Стеклова Российской Академии наук
http://www.mathnet.ru/conf908
Описан алгоритм, занявший второе место на соревновании
CardioQvark. Подробное описание - см. в отчёте https://alexanderdyakonov.wordpress.com/2016/04/03/%D0%B4%D0%B5%D1%82%D0%B5%D0%BA%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BA%D1%83%D1%80%D0%B8%D0%BB%D1%8C%D1%89%D0%B8%D0%BA%D0%B0/
код - https://github.com/Dyakonov/cardioqvark
Методы для вычисления базовой статистики текста
Работа с корпусами и лексикографическими ресурсами
Обработка естественного языка (токенизация, лемматизация, стемминг, pos-tagging, parsing)
Классификация
Машинный перевод
Работа с XML-документами
Представление знаний
Корпусная лингвистика: компиляция корпуса устной речиNLProc.by
Что такое корпус? Корпус устной речи?
Виды
Корпусы устной речи (фокус: слявянские языки)
Компиляция корпуса устной речи: основные этапы, принципы, инструменты
Рассмотрены проблемы пополнения компьютерного семантического словаря новыми словами, встреченными в тексте при его анализе. Предлагаемая для этого система работает в полуавтоматическом диалоговом режиме. На первом этапе определяются морфологические характеристики нового слова, на втором – его синтактико-семантические параметры по аналогам, имеющимся в существующем словаре. Предлагаемые подходы обеспечивают высокий уровень точности. Впервые появилась возможность указания точной семантики новых слов с учетом не только семантических классов, но и аргументов, обеспечивающих связь с подсоединяемыми словами.