Metody strojového učení pro analýzu sentimentu

Show simple item record
dc.contributor.advisorHabernal, Ivan
dc.contributor.authorPatočka, Michal
dc.contributor.refereeSteinberger, Josef
dc.date.accepted2013-06-17
dc.date.accessioned2014-02-06T12:32:27Z
dc.date.available2012-11-15cs
dc.date.available2014-02-06T12:32:27Z
dc.date.issued2013
dc.date.submitted2013-05-16
dc.description.abstractTato práce prozkoumává možnosti použití algoritmu strojového učení pro analýzu sentimentu v českém jazyce. Prozkoumávané techniky jsou testovány na datech získaných ze serveru heureka.cz. Kromě použití tří základních algoritmu strojového učení (Naive Bayes, Maximum Entropy a SVM), je představeno a implementováno pět metod selekce příznaků (Mutual information, Information gain, Chi square, Odds ratio a Relevancy score). V rámci několika navržených experimentů je prozkoumán vliv těchto algoritmů na úspěšnost klasifikace algoritmu strojového učení.cs
dc.description.abstract-translatedIn this work we analyse usage of machine learning algorithms for sentiment analysis in Czech language. We evaluate relevant techniques on dataset extracted from Czech server heureka.cz. Three basic machine learning algorithms (Naive Bayes, Maximum Entropy and SVM) and five implementations of feature selection algorithm (Mutual information, Information gain, Chi square, Odds ratio and Relevancy score) are tested in this work. In several experiments we evaluate influence of these algorithms on performance of machine learning classifiers.en
dc.description.departmentKatedra informatiky a výpočetní technikycs
dc.description.resultObhájenocs
dc.formatviii s., 64 s.cs
dc.format.mimetypeapplication/pdf
dc.identifier51174
dc.identifier.urihttp://hdl.handle.net/11025/7621
dc.language.isocscs
dc.publisherZápadočeská univerzita v Plznics
dc.rightsPlný text práce je přístupný bez omezení.cs
dc.rights.accessopenAccessen
dc.subjectanalýza sentimentucs
dc.subjectstrojové učenícs
dc.subjectvýběr příznakůcs
dc.subjectmutual informationcs
dc.subjectinformation gaincs
dc.subjectchi squarecs
dc.subjectodds ratiocs
dc.subjectrelevancy scorecs
dc.subjectnaive Bayescs
dc.subjectmaximum entropycs
dc.subjectSVMcs
dc.subjectconfusion matrixcs
dc.subjectnevyvážený datasetcs
dc.subject.translatedsentiment analysisen
dc.subject.translatedmachine learningen
dc.subject.translatedfeature selectionen
dc.subject.translatedmutual informationen
dc.subject.translatedinformation gainen
dc.subject.translatedchi squareen
dc.subject.translatedodds ratioen
dc.subject.translatedrelevancy scoreen
dc.subject.translatednaive Bayesen
dc.subject.translatedmaximum entropyen
dc.subject.translatedSVMen
dc.subject.translatedconfusion matrixen
dc.subject.translatedimbalanced dataseten
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných vědcs
dc.thesis.degree-levelNavazujícícs
dc.thesis.degree-nameIng.cs
dc.thesis.degree-programInženýrská informatikacs
dc.titleMetody strojového učení pro analýzu sentimentucs
dc.title.alternativeMachine Learning for Sentiment Analysisen
dc.typediplomová prácecs
local.relation.IShttps://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=51174

Files

Original bundle
Showing 1 - 4 out of 4 results
No Thumbnail Available
Name:
diploma-thesis.pdf
Size:
704.99 KB
Format:
Adobe Portable Document Format
Description:
Plný text práce
Download
No Thumbnail Available
Name:
A11N0121Pposudek-ved.pdf
Size:
351.87 KB
Format:
Adobe Portable Document Format
Description:
Posudek vedoucího práce
Download
No Thumbnail Available
Name:
A11N0121Pposudek-op.pdf
Size:
265.45 KB
Format:
Adobe Portable Document Format
Description:
Posudek oponenta práce
Download
No Thumbnail Available
Name:
A11N0121Pprubeh.pdf
Size:
203.3 KB
Format:
Adobe Portable Document Format
Description:
Průběh obhajoby práce
Download

Collections

Theses (KIV)