Dnia Sun, 17 Feb 2013 18:18:01 -0800, M.M. wyszeptal:

> W dniu poniedziałek, 18 lutego 2013 02:45:52 UTC+1 użytkownik Edek Pienkowski
napisał:
>> > Bo to prosty, przejrzysty model, który bywa skuteczny i
>> > nie wymaga koszmarnej mocy obliczeniowej. Np. w takim
>> > tłumaczeniu kontekstowym można obliczyć jak często wyraz
>> > xxxx tłumaczył się na wyraz aaaa, jak często
>> > na wyraz bbbb, itd. Jeśli są dane i są zasoby obliczeniowe to
>> > można policzyć warunkowo jak często wyraz xxxx tłumaczył
>> > się na aaaa jeśli poprzedza go wyraz yyyy. Natomiast tak
>> > uzyskane prawdopodobieństwa można spróbować podać sieci
>> > na wejście... ciekawe coby wyszło.
>>
>> Wyszłoby to co opisałeś: miałbyś statystykę, który wyraz
>> występuje częściej po innym wyrazie niż inny. Do
>> uczenia gramatyki jest daleko, od semantyki dzieli przepaść.
> Niestety to prawda.

Prawda: to znaczy co jest prawdą? Metody probabilistyczne
jak najbardziej działają, tyle że to był trywialny przykład.
Lepszym modelem uczenia struktury są hidden markov chains.

Człowiek wraz z kontekstem słownym - jeśli
> tak można nazwać, pamięta kontekst okolicznościowy. Aby taka
> metoda mogła sensownie zadziałać, a nie tylko (w razie
> jakiegoś minimalnego powodzenia) stanowić skompresowaną
> bazę danych, program na wejście musiałby otrzymać także
> pojęcia jakie kryją się pod poszczególnym frazami. A może
> przy dostatecznej ilość danych sam jest w stanie wytworzyć
> pojęcia.

Program jeżeli miałby modelować naturę miałby niewiele "na
wejściu", modelować można proces uczenia. W przeciwnym
wypadku trzeba uznać, że dowolny człowiek od urodzenia
miałby w głowie takie pojęcia jak "katalizator",
"syrop wyksztuśny" czy "gwiazda poranna". Wraz z kontekstem
okolicznościowym rzecz jasna.

> Hmmmm, straciłem pewność.

Ja za to prawie z krzesła już spadam. Pora opuścić usenet na dzisiaj.

--
Edke