| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Teksta segmentēšana, izmantojot mašīnmācīšanos un dziļos neironu tīklus |
| Nosaukums angļu valodā |
Text Segmentation Using Machine Learning and Deep Neural Networks |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Gints Jēkabsons |
| Recenzents |
Artūrs Ardavs |
| Anotācija |
1. tips: Moderno risinājumu izpēte
Šis pētījums analizē teksta segmentēšanu, izmantojot mašīnmācīšanos un dziļos
neironu tīklus. Pētījuma autors uzsver teksta segmentēšanas nozīmi mācību, datu
apkopošanas sfērā, pierādot, ka tā ir nepieciešama sastāvdaļa ikdienas darbā ar liela
apjoma teksta dokumentiem. Bakalaura darba galvenais mērķis bija novērtēt un
salīdzināt lielos valodas modeļus un dziļos neironu tīklus teksta segmentēšanā latviešu
valodā. Galvenais teksta segmentēšanas uzdevums bija novērtēt teikumu pāru piederību
vienai rindkopai.
Eksperimentiem tika izmantoti trīs dziļo neironu tīklu modeļi kombinācijā ar
BERT – MLP, BiLSTM un ABCNN, kas tika apmācīti ar autora izveidotu datu kopu
latviešu valodā. Izmantotie lielie valodas modeļi bija ChatGPT 4o, Gemini un Copilot.
Eksperimentos visaugstvērtīgākos rezultātus uzrādīja ChatGPT 4o no visiem pētītajiem
modeļiem, pārspējot arī dziļo neironu tīklu modeļus, kas tika apmācīti ar šo datu kopu.
Starp dziļo neironu tīklu modeļiem visaugstākos rezultātus uzrādīja ABCNN + BERT.
Galvenais secinājums pēc bakalaura darba izstrādes ir, ka lielie valodas modeļi
spēj konkurēt teksta segmentēšanas kontekstā ar dziļo neironu tīklu modeļiem, taču
nepieciešams veikt papildus eksperimentus, lai pilnvērtīgi sagatavotu dziļo neironu
tīklu modeļus eksperimentiem, un atkārtoti veikt eksperimentus ar jau labāk
apmācītiem dziļo neironu tīklu modeļiem.
Dati par darba apjomu – 52 lappuses, 7 attēli, 10 tabulas un 35 informācijas avoti. |
| Atslēgas vārdi |
Teksta segmentēšana, mašīnmācīšanās |
| Atslēgas vārdi angļu valodā |
Text segmentation, machine learning |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
27.05.2025 19:12:09 |
