Full metadata record
DC poleHodnotaJazyk
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.identifier51174
dc.identifier.urihttp://hdl.handle.net/11025/7621
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.formatviii s., 64 s.cs
dc.format.mimetypeapplication/pdf
dc.language.isocscs
dc.publisherZápadočeská univerzita v Plznics
dc.rightsPlný text práce je přístupný bez omezení.cs
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.titleMetody strojového učení pro analýzu sentimentucs
dc.title.alternativeMachine Learning for Sentiment Analysisen
dc.typediplomová prácecs
dc.thesis.degree-nameIng.cs
dc.thesis.degree-levelNavazujícícs
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných vědcs
dc.description.departmentKatedra informatiky a výpočetní technikycs
dc.thesis.degree-programInženýrská informatikacs
dc.description.resultObhájenocs
dc.rights.accessopenAccessen
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.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
Vyskytuje se v kolekcích:Diplomové práce / Theses (KIV)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
diploma-thesis.pdfPlný text práce704,99 kBAdobe PDFZobrazit/otevřít
A11N0121Pposudek-ved.pdfPosudek vedoucího práce351,87 kBAdobe PDFZobrazit/otevřít
A11N0121Pposudek-op.pdfPosudek oponenta práce265,45 kBAdobe PDFZobrazit/otevřít
A11N0121Pprubeh.pdfPrůběh obhajoby práce203,3 kBAdobe PDFZobrazit/otevřít
Zobrazit minimální záznam Zobrazit statistiky


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/7621

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Vysokoškolské kvalifikační práce / Theses
  3. Fakulta aplikovaných věd / Faculty of Applied Sciences
  4. Katedra informatiky a výpočetní techniky / Department of Computer Science and Engineering
  5. Diplomové práce / Theses (KIV)