پردازش زبانهای طبیعی

1

: ارائه دهندگان

مصطفی محمدی

مجید لبیکی

حمیدرضا پاکپور

پردازش زبانهای طبیعی

موض : وع

خانم مهندس استاد خالدیان : راهنما

2

خالصه : مطالب

NLPو کاربردهای آن تاریخچهNLPشرح برخی از کاربرد های مهمتکنیک های پردازش زبان های طبیعی تکنیک پنهان سازی تصادفی برای

تشخیص صدا و حرکات انسانارائه یک برنامه عملی

2

3

زبان يعيطب

ي است که در تعامالت اجتماعي زبانيعيزبان طب م و صحبت يسي نويروز مره ما با استفاده از آن م

مي کنيموجود دارنديادي مختلف و زيعي طبيزبان ها زبان ها ي و نوشتاريممکن است که فرم گفتار

ن از هم مستقل باشند.يمتفاوت باشند و همچنNLPن ادعا را دارد که با خودکار کردن پردازش ي ا

فات ين توصيه اي بر پايدي مفيستم هايزبان سبوجود آورد.

3

4

پردازش زبان يعيطب

تعریف پردازش زبان طبیعی محدودیت های پردازش زبان های

طبیعی پردازش زبان های طبیعی آمارگرا

4

5

پردازش زبان يعيطب

وترها از ين است که کامپي ايعيهدف از پردازش زبان طبند.ي استفاده نماي و خروجي به عنوان وروديعيزبان طب

5

6

NLP کاربرديها

کاربرد های مهم پردازش زبان هایطبیعی

- تشخیص گفتار.- خالصه سازی متون.

- ویرایش.ترجمه ماشینی.-نویسه خوان نوری.-و . . . -

6

7

خچهيتار

اثر نوام چامسکی کتاب ساختارهای نحوی ۱۹۵۷در سال که از آن پس به زبان شناس جوان آمریکایی

شناخته شده ترین چهرهU زبان شناسی نظری تبدیل شد به از آن پس پردازش زبان با حرکت های تازه ای . چاپ رسید

.دنبال شد اما هرگز قادر به حل کلی مسئله نشد

7

8


خالصه سازی متون

خالصه سازی یکی از زیرمجموعه مشکالت پیچیده -پردازش زبان طبیعی می باشد که در حال حاضر همچنان

حل نشده است .خالصه سازی عبارت است از نمایش فشرده و دقیق متن -

ورودی به نحوی که متن خروجی مفاهیم مهم متن ورودی را در برداشته باشد .

8

9


مثالی از کاربرد خالصه سازی متون

یک سیس[تم خالص[ه س[ازی اتوماتی[ک اطالع[اتی را ب[ه ص[ورت -مختص[ر و مفی[د در اختی[ار ک[اربر می گ[ذارد ت[ا ک[اربر بتوان[د مت[ور . کن[د پی[دا دسترس[ی خ[ود اطالع[ات ب[ه س[ریعتر

جستجوی گوگل تا حدودی این کار را انجام می دهد.

9

10

تکنیک های پردازش زبان های طبیعی

NLP برای سنتز گفتار

NLP برای تشخیص گفتار

نویسه خوان نوری

11


NLP (برای سنتز گفتار TTS: )

نرمال سازی

12


NLP : برای تشخیص گفتار

)1POS)Part-Of-Speech-Tagging) )2GTPC)Grapheme-To-Pheme)

)3WS)Word Stress)

13


: نویسه خوان نوری

تکنیکی برای تبدیل متون تصویری و غیرقابل ویرایش و تشخیص توسط 1(کامپیوتر می باشد .

در واقع این تکنیک تصاویر اسکن و غیرقابل ویرایش را به متن قابل ویرایش 2(تبدیل می کند.

14


:مزایا نویسه خوان نوری

افزایش چشمگیر سرعت دسترسی به اطالعات.1(

کاهش فضای ذخیره سازی .2(

15


:کار برد ها نویسه خوان نوری

کنترل ترافیک .1(

فرم خوان ها .2(

تبدیل متن به صحبت .3(

16

تکنیک پنهان سازی تصادفی برای تشخیص صدا : مدل مارکوف

مدل مارکف چیست ؟چه کاربردی هایی در پردازش زبان های طبیعی دارد ؟مدل مارکوف در بیوانفورماتیکتشریح مدل مارکوف با یک مثال ساده مدل مارکوف در تشخیص حرکات انسان و بررسی آن با

دیگر مدلها

17


مدل مارکف چیست ؟

این مدل یکی از قدرتمندترین روش هابرای تشخیص گفتار می باشد.

.مدل پنهان مارکف یک مدل آماری است

18


چه کاربردی هایی در پردازش زبان های طبیعی دارد ؟

ماشین های ترجمهتشخیص حرکات انسانتشخیص گفتاربیوانفورماتیک . . . و

19


: مدل مارکوف در بیوانفورماتیک

دانش استفاده از علوم کامپیوتر و آمارواحتماالت درشاخه زیست شناسی مولکولی است .

کروموزوم بدن انسان .24مثل تشخیص توالی

20


تشریح مدل مارکوف با یک مثال

21

تکنیک پنهان سازی تصادفی برای تشخیص حرکات انسان

مدل مارکوف برای تشخیص حرکات انسان

یعنی شناسایی روش هایی که بتوان برخی حرکات پنهانرا آشار کرد .

CRF ,HCRF,HMM)Hidden Markov Model)

22

تکنیک پنهان سازی تصادفی برای تشخیص حرکات انسان

NLP FOR NLP(Natural Language Programming)

23

ارائه یک برنامه طراحی شده با دات نت برای تشخیص دست خط )شناسایی اعداد(

23

نتیجه گیری :

2424

شرحNLP کاربرد های مختلف درNLPبررسی برخی کاربرد های مهم و مقایسه آنها

مراجع :

2525

1. Antoine J.Y., Caillaud B., Caelen J., "Automatic adaptiveunderstanding of spoken language by cooperation ofsyntactic parsing and semantic priming", ICSLP'94,Yokohama, Japan, 799:802, 1994.

2. Kumar, P. and Walia, E., )2006), “Cash Forecasting: An Application of Artificial Neural Networks in Finance”, International Journal of Computer Science and Applications 3 )1): 61-77.

3. Hidden Conditional Random Fields for Phone Recognition Yun-Hsuan Sung and Dan Jurafsky 2010

4. LIEBERMAN,H., AND LIU,H. Feasibility studies for programming in natural language.Kluwer Academic Publishers, 2005.

5. DIJKSTRA, E. On the foolishness of ”Natural Language Programming”. In Program Con-struction, International Summer School )1979).6.U. D. Reichel and H. R. Pfitzinger, “Text pre-processing for speech synthesis,” in Proceedings of the TC-STAR Workshop on Speech-to-Speech Translation, )Barcelona, Spain),pp. 207–212, June 2006.7. Hidden Conditional Random Fields for Gesture Recognition Sy Bor Wang Ariadna Quattoni Louis-Philippe Morency David DemirdjianTrevor Darrell , Computer Science and Artificial Intelligence Laboratory, MIT32 Vassar Street, Cambridge, MA 02139, USA 20098. W.Doran, N.Stokes, and J. D. J.Carthy, “A Comapring Lexical Chain-based Summarization approches using an extractive evaluation,” in Global Word Net Conference, 2004, pp. 112-117. 9. O. D Trier, A. K. Jain, and T. Taxt, “Feature extraction methods for character recognition - Asurvey,” Pattern Recognition, vol. ٢٩, pp. ۶۴١-۶۶ ١٩٩, ٢ ۶.

پردازش زبانهای طبیعی

Documents