Diferencias

Muestra las diferencias entre dos versiones de la página.

--- materias:pln:practico3 [2015/10/28 15:50] – francolq
+++ materias:pln:practico3 [2019/02/05 19:44] (actual) – removed francolq
@@ Línea 1: / Línea 1: @@
-====== Trabajo Práctico 3 - Análisis Sintáctico ======
-[[materias:pln|(volver a la página principal)]]
-En este trabajo práctico implementaremos varios modelos de análisis sintáctico y realizaremos algunos experimentos con ellos.
-  * Repositorio: https://github.com/PLN-FaMAF/PLN-2015/tree/practico3.
-  * Fecha de entrega: <del>04/11</del> 11/11 a las 23:59.
-===== Instrucciones =====
-El código base para el proyecto se encuentra en el [[https://github.com/PLN-FaMAF/PLN-2015/tree/practico3|branch ''practico3'' del repositorio del a 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 ''tagging''.
-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: Evaluación de Parsers =====
-Programar un script ''eval.py'' que permita evaluar los parsers.
-  * Calcular:
-    * Labeled precision, recall y F1.
-    * Unlabeled precision, recall y F1.
-  * Dar las siguientes opciones:
-    * ''-m <m>'': evaluar sólo oraciones de largo menor o igual a ''m''.
-    * ''-n <n>'': evaluar sólo las primeras ''n'' oraciones.
-  * Entrenar y evaluar los modelos "baseline" para todas las oraciones de largo menor o igual a 20.
-Interfaz de ''eval.py'':
-<code>
-$ python parsing/scripts/eval.py  --help
-Evaulate a parser.
-Usage:
-  eval.py -i <file> [-m <m>] [-n <n>]
-  eval.py -h | --help
-Options:
-  -i <file>     Parsing model file.
-  -m <m>        Parse only sentences of length <= <m>.
-  -n <n>        Parse only <n> sentences (useful for profiling).
-  -h --help     Show this screen.
-</code>
-===== Ejercicio 2: Algoritmo CKY =====
-  * Implementar el algoritmo CKY en un módulo ''cky_parser.py''.
-  * Agregar a los tests un test con una gramática y una oración tal que la oración tenga más de un análisis posible (sintácticamente ambigua).
-Interfaz del parser:
-<code python>
-class CKYParser:
-    def __init__(self, grammar):
-        """
-        grammar -- a binarised NLTK PCFG.
-        """
-    def parse(self, sent):
-        """Parse a sequence of terminals.
-        sent -- the sequence of terminals.
-        """
-</code>
-Tests:
-  $ nosetests parsing/tests/test_cky_parser.py
-Documentación:
-  * http://www.nltk.org/_modules/nltk/tree.html
-===== Ejercicio 3: PCFGs No Lexicalizadas =====
-  * Implementar una UPCFG, una PCFG cuyas reglas y probabilidades se obtienen a partir de un corpus de entrenamiento.
-  * Deslexicalizar completamente la PCFG: en las reglas, reemplazar todas las entradas léxicas por su POS tag. Luego, el parser también debe ignorar las entradas léxicas y usar la oración de POS tags para parsear.
-  * Entrenar y evaluar la UPCFG para todas las oraciones de largo menor o igual a 20.
-Interfaz de ''UPCFG'' en ''upcfg.py'':
-<code python>
-class UPCFG:
-    """Unlexicalized PCFG.
-    """
-    def __init__(self, parsed_sents):
-        """
-        parsed_sents -- list of training trees.
-        """
-    def productions(self):
-        """Returns the list of UPCFG probabilistic productions.
-        """
-    def parse(self, tagged_sent):
-        """Parse a tagged sentence.
-        tagged_sent -- the tagged sentence (a list of pairs (word, tag)).
-        """
-</code>
-Tests:
-  $ nosetests parsing/tests/test_upcfg.py
-Documentación:
-  * http://www.nltk.org/_modules/nltk/grammar.html