Year: 2020
Type: dissertation
Abstract: Aro digital honentan datu kopuru handiena textu gordin formatuan aurkitzen da. Datu \nhoriekin lan egiteko Informazio Erauzketa (IE) bihurtzen da oinarri gaur egungo \naplikazioetan. Hizkuntzaren prozesaketa automatikoko ataza gehientxuenetan gertatu \nden bezala ikasketa sakonak artearen egoera ezarri du, baita IEn ere. Jakina da teknika \nhauek datu kopuru handiak behar dituztela errendimendu ona lortzeko. Badira hainbat \ndomeinu eta testuinguru, datu anotatu gutxikoak, zailtasunak dituztenak ikasketa \nsakoneko tekniken aurrerapenak modu eraginkorrean erabiltzeko. Anotazio berriak egitea \ngarestia izaten da orokorrean, batez ere eredu berri hauek behar duten kopuruetara \niristeko. Lan honen helburu nagusia domeinu eta testuinguru hauentzako modu merke \nbatean ikasketa sakoneko sistemen errendimendua hobetzeko teknikak esploratzea da. \nZehatzago esanda, ezagutza-transferentzia eta datuen-gehikuntza automatikoa \nparadigmetan ikertuko dugu helburua lortzeko. Azkenik, teknika hauek baliabide urrikoa \nden medikuntzako domeinuko eHealth-KD 2020 ataza-partekatuan aplikatuko eta \nebalutako dira, uneko artearen egoera hobetzeko helburuarekin.
Author: Sainz, Oscar
Language: Basque
Topic: Topic Modeling
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7019691797