Diferencias

Muestra las diferencias entre dos versiones de la página.

--- materias:pln:practico1 [2018/08/10 03:03] – external edit 127.0.0.1
+++ materias:pln:practico1 [2019/02/05 19:43] (actual) – removed francolq
@@ Línea 1: / Línea 1: @@
-====== Trabajo Práctico 1 - Modelado de Lenguaje ======
-[[materias:pln|(volver a la página principal)]]
-En este trabajo práctico implementaremos varios modelos de lenguaje y
-realizaremos algunos experimentos con ellos.
-  * Repositorio: https://github.com/PLN-FaMAF/PLN-2017/tree/master/languagemodeling.
-  * **Fecha de entrega:**
-    * Ejercicios 1 al 5: 13/04 a las 23:59.
-    * Ejercicios 6,7,8: 20/04 a las 23:59.
-===== Instrucciones =====
-El código base para el proyecto se encuentra en el [[https://github.com/PLN-FaMAF/PLN-2017/tree/master/languagemodeling|repositorio de la materia]].
-La entrega del proyecto es a través de github. Por lo tanto, deben **hacer un "fork" del repositorio** dentro de sus cuentas de github.
-Además del código fuente, **deben elaborar un README** con una breve explicación de lo que hicieron en cada ejercicio. El README puede estar en texto plano (txt), markdown (md) o restrucured text (rst), y debe estar incluído dentro de la carpeta ''languagemodeling''.
-Criterios de Evaluación:
-  * Estilo de codificación (chequeado con flake8 y a ojo).
-  * Diseño del código: uso de clases, herencia, etc.
-  * Uso y aprobación de tests (provistos y definidos por uds.).
-  * Uso apropiado de git (commits granulares, logs informativos).
-  * Resultados.
-  * README.
-===== Ejercicio 1: Corpus =====
-  * Elegir corpus de texto en lenguaje natural de más de 5Mb de tamaño.
-  * Cargar el corpus usando un "corpus reader" de NLTK (e.g. ''PlaintextCorpusReader'') o definiendo uno propio.
-    * El "corpus reader" debe proveer un método ''sents'' que permita iterar sobre las oraciones tokenizadas del corpus.
-  * Revisar a ojo la correcta tokenización y segmentado en oraciones. De ser necesario, probar otras formas de tokenización/segmentado.
-  * Modificar el script ''train.py'' para utilizar nuestro corpus.
-Documentación:
-  * http://www.nltk.org/howto/corpus.html
-  * http://www.nltk.org/book/ch03.html#regular-expressions-for-tokenizing-text
-  * http://www.nltk.org/_modules/nltk/tokenize/punkt.html
-  * Ejemplo dado en clase de cómo tokenizar con expresiones regulares: http://nbviewer.ipython.org/url/cs.famaf.unc.edu.ar/~francolq/Tokenizaci%C3%B3n%20con%20NLTK.ipynb
-  * [[https://docs.python.org/3/howto/regex.html|Python 3: Regular Expression HOWTO]]
-===== Ejercicio 2: Modelo de n-gramas =====
-Implementar un modelo de n-gramas con marcadores de comienzo y fin de oración
-(''<s>'' y ''</s>'').
-Interfaz de la clase ''NGram'' (en ''ngram.py''):
-<code python>
-class NGram:
-    def __init__(self, n, sents):
-        """
-        n -- order of the model.
-        sents -- list of sentences, each one being a list of tokens.
-        """
-    def count(self, tokens):
-        """Count for an n-gram or (n-1)-gram.
-        tokens -- the n-gram or (n-1)-gram tuple.
-        """
-    def cond_prob(self, token, prev_tokens=None):
-        """Conditional probability of a token.
-        token -- the token.
-        prev_tokens -- the previous n-1 tokens (optional only if n = 1).
-        """
-    def sent_prob(self, sent):
-        """Probability of a sentence. Warning: subject to underflow problems.
-        sent -- the sentence as a list of tokens.
-        """
-    def sent_log_prob(self, sent):
-        """Log-probability of a sentence.
-        sent -- the sentence as a list of tokens.
-        """
-</code>
-Tests:
-  $ nosetests languagemodeling/tests/test_ngram.py
-===== Ejercicio 3: Generación de Texto =====
-  * Implementar en ''ngram.py'' una clase ''NGramGenerator'' para generar oraciones de lenguaje natural.
-  * Programar un script ''generate.py'' para cargar un modelo de n-gramas y generar oraciones con él.
-  * Generar oraciones usando n-gramas con n en {1, 2, 3, 4}. Armar una figura similar a la Figura 4.3 de Jurafsky & Martin (2008). Incluirla en el README.
-Funciones a implementar en ''ngram.py'':
-<code python>
-class NGramGenerator:
-    def __init__(self, model):
-        """
-        model -- n-gram model.
-        """
-    def generate_sent(self):
-        """Randomly generate a sentence."""
-    def generate_token(self, prev_tokens=None):
-        """Randomly generate a token, given prev_tokens.
-        prev_tokens -- the previous n-1 tokens (optional only if n = 1).
-        """
-</code>
-Interfaz de ''generate.py'':
-<code>
-$ python languagemodeling/scripts/generate.py  --help
-Generate natural language sentences using a language model.
-Usage:
-  generate.py -i <file> -n <n>
-  generate.py -h | --help
-Options:
-  -i <file>     Language model file.
-  -n <n>        Number of sentences to generate.
-  -h --help     Show this screen.
-</code>
-Tests:
-  $ nosetests languagemodeling/tests/test_ngram_generator.py
-Documentación:
-  * https://en.wikipedia.org/wiki/Inverse_transform_sampling
-===== Ejercicio 4: Suavizado "add-one" =====
-  * Implementar el suavizado "add-one" en ''ngram.py'' en una clase ''AddOneNGram''.
-  * La clase debe tener **la misma interfaz que ''NGram''** más el método ''V'' especificado abajo.
-  * Calcular V como el tamaño del alfabeto incluyendo el marcador ''</s>''.
-  * Agregar al script de entrenamiento (train.py) una opción de línea de comandos que permita utilizar add-one en lugar de n-gramas clásicos.
-  * Entrenar sobre nuestro corpus y guardar los modelos resultantes para varios valores de n (1, 2, 3 y 4).
-Interfaz de la clase ''AddOneNGram'' (en ''ngram.py''):
-<code python>
-class AddOneNGram:
-    """
-       Todos los métodos de NGram.
-    """
-    def V(self):
-        """Size of the vocabulary.
-        """
-</code>
-Nueva interfaz de ''train.py'':
-<code>
-$ python languagemodeling/scripts/train.py  --help
-Train an n-gram model.
-Usage:
-  train.py -n <n> [-m <model>] -o <file>
-  train.py -h | --help
-Options:
-  -n <n>        Order of the model.
-  -m <model>    Model to use [default: ngram]:
-                  ngram: Unsmoothed n-grams.
-                  addone: N-grams with add-one smoothing.
-  -o <file>     Output model file.
-  -h --help     Show this screen.
-</code>
-Tests:
-  $ nosetests languagemodeling/tests/test_addone_ngram.py
-===== Ejercicio 5: Evaluación de Modelos de Lenguaje =====
-  * Separar el corpus en entrenamiento y test (90% y 10% resp.).
-  * Implementar el cálculo de log-probability, cross-entropy y perplejidad.
-  * Programar un script ''eval.py'' para cargar un modelo de lenguajes y evaluarlo sobre el conjunto de test.
-  * Calcular perplejidad de los modelos entrenados en el ejercicio anterior. Reportar los resultados en el README.
-Interfaz de ''eval.py'':
-<code>
-$ python languagemodeling/scripts/eval.py  --help
-Evaulate a language model using the test set.
-Usage:
-  eval.py -i <file>
-  eval.py -h | --help
-Options:
-  -i <file>     Language model file.
-  -h --help     Show this screen.
-</code>
-===== Ejercicio 6: Suavizado por Interpolación =====
-  * Implementar el suavizado por interpolación en ''ngram.py'' en una clase ''InterpolatedNGram''.
-  * Calcular lambdas en términos de un único parámetro gamma (ver documentación abajo).
-  * Usar add-one para el nivel más bajo (unigramas).
-  * Usar datos held-out (un 10% de train) y barrido para elegir valor para gamma.
-  * Agregar al script de entrenamiento (train.py) una opción de línea de comandos que permita utilizar este modelo.
-  * Calcular y reportar perplejidad para varios valores de ''n'' (1, 2, 3 y 4). Reportar los resultados en el README.
-Interfaz de la clase ''InterpolatedNGram'' (en ''ngram.py''):
-<code python>
-class InterpolatedNGram:
-    def __init__(self, n, sents, gamma=None, addone=True):
-        """
-        n -- order of the model.
-        sents -- list of sentences, each one being a list of tokens.
-        gamma -- interpolation hyper-parameter (if not given, estimate using
-            held-out data).
-        addone -- whether to use addone smoothing (default: True).
-        """
-    """
-       Todos los métodos de NGram.
-    """
-</code>
-Tests:
-  $ nosetests languagemodeling/tests/test_interpolated_ngram.py
-Documentación:
-  * [[http://www.cs.columbia.edu/~mcollins/lm-spring2013.pdf|Language Modeling
-(Course notes for NLP by Michael Collins, Columbia University)]]
-  * [[https://cs.famaf.unc.edu.ar/~francolq/lm-notas.pdf|Modelado de Lenguaje: Notas Complementarias]]
-  * [[https://www.youtube.com/watch?v=-aMYz1tMfPg&list=PL6397E4B26D00A269&index=17|4 - 6 - Interpolation - Stanford NLP - Professor Dan Jurafsky & Chris Manning]]
-===== Ejercicio 7: Suavizado por Back-Off con Discounting =====
-  * Implementar el suavizado por back-off con discounting en ''ngram.py'' en una clase ''BackOffNGram''.
-  * Usar add-one para el nivel más bajo (unigramas).
-  * Usar datos held-out (un 10% de train) y barrido para elegir valor para beta.
-  * Agregar al script de entrenamiento (train.py) una opción de línea de comandos que permita utilizar este modelo.
-  * Calcular y reportar perplejidad para varios valores de ''n'' (1, 2, 3 y 4). Reportar los resultados en el README.
-Interfaz de la clase ''BackOffNGram'' (en ''ngram.py''):
-<code python>
-class BackOffNGram:
-    def __init__(self, n, sents, beta=None, addone=True):
-        """
-        Back-off NGram model with discounting as described by Michael Collins.
-        n -- order of the model.
-        sents -- list of sentences, each one being a list of tokens.
-        beta -- discounting hyper-parameter (if not given, estimate using
-            held-out data).
-        addone -- whether to use addone smoothing (default: True).
-        """
-    """
-       Todos los métodos de NGram.
-    """
-    def A(self, tokens):
-        """Set of words with counts > 0 for a k-gram with 0 < k < n.
-        tokens -- the k-gram tuple.
-        """
-    def alpha(self, tokens):
-        """Missing probability mass for a k-gram with 0 < k < n.
-        tokens -- the k-gram tuple.
-        """
-    def denom(self, tokens):
-        """Normalization factor for a k-gram with 0 < k < n.
-        tokens -- the k-gram tuple.
-        """
-</code>
-Tests:
-  $ nosetests languagemodeling/tests/test_backoff_ngram.py
-Documentación:
-  * [[http://www.cs.columbia.edu/~mcollins/lm-spring2013.pdf|Language Modeling
-(Course notes for NLP by Michael Collins, Columbia University)]]
-  * [[https://cs.famaf.unc.edu.ar/~francolq/lm-notas.pdf|Modelado de Lenguaje: Notas Complementarias]]
-  * [[https://www.youtube.com/watch?v=hsHw9F3UuAQ&index=3&list=PLO9y7hOkmmSHE2v_oEUjULGg20gyb-v1u|Discounting Methods - Part I]] (Michael Collins, Columbia University)
-  * [[https://www.youtube.com/watch?v=FedWcgXcp8w&index=4&list=PLO9y7hOkmmSHE2v_oEUjULGg20gyb-v1u|Discounting Methods - Part II]] (Michael Collins, Columbia University)
-===== Ejercicio 8 (punto bonus): Reordenamiento de Palabras ó Atribución de Autoría =====
-  * Elegir y resolver uno de los dos ejercicios siguientes de Jurafsky & Martin (2008):
-    * Ejercicio 4.9: Reordenamiento de palabras.
-    * Ejercicio 4.10: Atribución de autoría ([[https://en.wikipedia.org/wiki/Stylometry|Stylometry]]).
-  * Sobre el ejercicio 4.9:
-    * Implementar una clase que, dada una lista de palabras desordenadas de una oración, devuelva el ordenamiento más probable de acuerdo a un modelo de lenguaje.
-    * Implementar un script que tome el conjunto de test y para cada oración, la desordene y la vuelva a ordenar usando un modelo de lenguaje dado como parámetro.
-    * Usar las métricas BLEU y distancia de edición para evaluar la calidad de los reordenamientos (respecto de las oraciones originales). En NLTK:
-      * ''nltk.metrics.distance.edit_distance''
-      * ''nltk.align.bleu_score.bleu''
-  * Sobre el ejercicio 4.10:
-    * Se requiere tener documentos de dos o más clases diferentes. Por ejemplo, escritos de dos autores diferentes.
-    * Definir conjuntos de entrenamiento y test para cada clase (90% y 10% resp.).
-    * Entrenar un modelo de lenguaje para cada clase, siguiendo las indicaciones del libro.
-    * Implementar un script que tome los conjuntos de test y adivine a qué clase corresponde cada uno.