• 2018年04月16日(月) 10:30 ～ 17:30

１．自然言語処理技術の理解
　　（１）． 言語処理課題の特徴
　　　　ａ．言語処理の本質的な難しさ
　　　　ｂ．言語処理課題を解くために必要な知識とは
　　（２）． 実タスクを処理するシステムを構築するために
　　　　ａ．実タスクの個別性の理解
　　　　ｂ．学術上の研究課題と実タスクとのギャップ
　　　　ｃ．分野適用性の困難さ
　　　　ｄ．言語処理システムを作るための大まかな方針
　　（３）． 言語処理技術と限界
　　　　ａ．言葉の意味を扱う基本的な手法(ラベル、関係子(RDF）、述語論理、トピックモデル、分散表現他）
　　　　ｂ．自然言語の構造(項構造、係り受け、構文、認知文法、用語の語構成、語彙意味論他）
　　　　ｃ．言語処理でよく利用される技術
　　　　　　(tf-idf、良い/悪いなどのキーワードを文書から獲得する手法他）
　　　　ｄ．まとめ
　　（４）．成功例に学ぶ実用レベルの言語処理システムの例 (論文や研究発表から）
　　　　ａ．クイズ番組で人間に勝利した言語処理システム
　　　　ｂ．twitter解析で利用されている実システム
　　　　ｃ．テキストマイニングで利用されているシステム
　　　　ｄ．深層学習を利用した大規模翻訳システム
　　　　ｅ．試験問題を解くシステムでうまくいった方法
　　　　ｆ．まとめ: 成功する実システムの共通点
　　　　ｇ．質疑応答
　　（５）． 機械学習について
　　　　ａ．ラベル付与問題による機械学習の利用
　　　　ｂ．ルールベースと従来の機械学習および深層学習の違い
　　　　ｃ．機械学習モデルの種類と特徴
　　　　ｄ．深層学習の見通しと利用のポイント
　　　　ｅ．まとめ

２．機械学習(SVMおよび深層学習）によるテキスト分類の実習
　　（１）． SVMによるテキスト分類の実習
　　　　ａ．タスク設定(語義曖昧性解消タスクを予定）
　　　　ｂ．識別モデルと特徴量の設計
　　　　ｃ．環境構築
　　　　ｄ．SVMによる学習とテストデータによる評価
　　　　ｅ．特徴量の変更によるチューニング(分散表現の取り込み他）
　　（２）． Tensorflowによるテキスト分類の実習
　　　　ａ．タスク設定
　　　　ｂ．環境設定
　　　　ｃ．LSTMによる語義判別 (python 3.5.x系でtensorflow 1.3を予定）
　　　　ｄ．単語分散表現をいれたLSTMモデル
　　　　ｅ．attentionを入れた場合
　　　　ｆ．各種チューニングによる精度の考察:(GRU、Dropoutの適用、L2ノルム他）
　　　　ｇ．深層学習の特徴とまとめ
　　（３）． 実習及び全体についての質疑応答

日本テクノセンター研修室