|
|
|
|
| LEADER |
02554na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2018 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid6216
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Kašljević, Vinko
|
| 245 |
1 |
0 |
|a Postupci analize sentimenta kroz domene za hrvatski jezik :
|b završni rad /
|c Vinko Kašljević ; [mentor Jan Šnajder].
|
| 246 |
1 |
|
|a Cross-Domain Sentiment Analysis Methods for Croatian Language
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b V. Kašljević,
|c 2018.
|
| 300 |
|
|
|a 25 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b preddiplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 41, datum predaje: 2018-06-15, datum završetka: 2018-09-05
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Danas postoji trend sve većeg korištenja strojnog učenja za različite probleme. Jedan od tih problema je obrada prirodnog jezika gdje strojno učenje postiže jako dobre rezultate. Da bi mogli koristiti strojno učenje potrebni su nam podaci te iako podataka imamo više nego ikada prije, nama su potrebi dobro označeni podaci. Tu nam može pomoći prilagodba domene.
U ovom radu objašnjavamo što je strojno učenje, što je prilagodba domene te kako nam ona može pomoći pri analizi sentimenta za različite domene. Zatim razmatramo praktični dio ovog rada: priprema podataka, odabir modela te izvođenje različitih eksperimenata na kojima vidimo koliko dobro radi prilagodba domene nad više domena.
|
| 520 |
3 |
|
|a Sažetak na engleskom: Today there is a trend of ever increasing use of machine learning for different problems. One of these problems is natural language processing where machine learning achieves very good results. In order to be able to use machine learning, we need data, and although we have more data than ever before, we need well-labeled data. Domain adaptation can help us with this problem.
In this paper, we explain what is machine learning, which is domain adaptation, and how it can help us in the sentiment analysis for different domains. Then we consider the practical part of this work: data preparation, model selection and performing different experiments to see how well does domain adaptation work.
|
| 653 |
|
1 |
|a strojno učenje
|a obrada prirodnog jezika
|a analiza sentimenta
|a stroj potpornih vektora
|a prilagodba domene
|
| 653 |
|
1 |
|a machine learning
|a natural language processing
|a sentiment analysis, support vector machine
|a domain adaptation
|
| 700 |
1 |
|
|a Šnajder, Jan
|4 ths
|
| 942 |
|
|
|c Z
|
| 999 |
|
|
|c 48969
|d 48969
|