Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision Next revision Both sides next revision | ||
|
user:zeman:wmt [2013/04/15 11:40] zeman Martinův postup zpracování velkých korpusů Treexem. |
user:zeman:wmt [2013/04/30 09:49] zeman Už i poslední tm nad news8euro je hotový. |
||
|---|---|---|---|
| Line 7: | Line 7: | ||
| ===== Aktuální úkoly ===== | ===== Aktuální úkoly ===== | ||
| - | * Znova označkovat anglický Gigaword, tentokrát Featuramou. | + | * Nová data pro rok 2013. |
| - | * Označkováno už je, dva dílčí dokumenty | + | * Opravují |
| - | * Pokračovat v práci na gigafren. Překladový model je natrénovaný, je potřeba vyrobit kroky model, mert, translate | + | * Vyrobit modely. Ale pozor, s novými DEV a TEST daty, viz níže! |
| - | * Dokončit | + | * Vývojová |
| - | * Zkontrolovat data pro rok 2013. | + | * Kvůli ruštině musím pro nové pokusy (nad news8) přepnout DEV z 2010 na 2012. |
| - | * Nejsou náhodou letos nové verze korpusů newseuro a newsall? | + | * Od pondělního odpoledne 29.4.2013 všechny nové pokusy testovat na wmt2013. |
| + | * Inventura trénovacích dat: | ||
| * Europarl je stejný jako loni, tedy verze 7. | * Europarl je stejný jako loni, tedy verze 7. | ||
| - | * U News Commentary | + | * News Commentary |
| - | * Korpus UN bude asi stejný, i když to na stránkách WMT výslovně nepíšou. | + | * Newsall je nové, protože přibyl rok 2012 a ruština. |
| - | * Navíc je úplně nový korpus Common Crawl (prý je ale špinavý). | + | * Korpus UN bude asi stejný, i když to na stránkách WMT výslovně nepíšou. Totéž gigafren. |
| - | * Nové by mělo být i newsall, protože | + | * Gigawordy používám správné (ověřeno): |
| - | * Používám správné verze Gigawordů? | + | * Navíc je úplně nový korpus Common Crawl (prý je ale špinavý). Ten zatím nepoužívám a do termínu už to nestihnu. |
| - | * O ruštině nemluvě... | + | * Dohnat pokusy s anglickým Gigawordem. |
| + | * Pouštím 4 merty se starým newseuro: cs-en, de-en, es-en a fr-en. | ||
| + | * Všechny | ||
| + | * Pokračovat v práci na gigafren. Překladový model je natrénovaný, | ||
| + | * Běží 4 obří merty... | ||
| + | * Pro oba směry (en-fr a fr-en) chci překlad s Gigawordem i bez něj, tj. TM: | ||
| + | * Pak chci ještě totéž, ale překladový model je kombinovaný s newseuro, případně i s un (ale un to asi moc nevylepší a bude to nezvladatelně veliké). | ||
| + | * Dokončit pokusy s korpusy un.es-en a un.fr-en v kombinaci s newseuro (bez něj to vůbec nemá smysl). | ||
| + | * Běží merty... | ||
| * Proč při překladu odkudkoliv do angličtiny to s jazykovým modelem na newsall dopadne malinko hůř než bez něj? Nemělo by to spíš dopadnout zřetelně líp? Co je s ním? Jak je velký? Jakou dostal váhu? Jak se po jeho přidání změnil výstup překladu? | * Proč při překladu odkudkoliv do angličtiny to s jazykovým modelem na newsall dopadne malinko hůř než bez něj? Nemělo by to spíš dopadnout zřetelně líp? Co je s ním? Jak je velký? Jakou dostal váhu? Jak se po jeho přidání změnil výstup překladu? | ||
| - | * Giga.fr-en: Stále ještě se vyrábí překladový model. Pokud se ale stihne vyrobit, musím z něj vyždímat nějaké výsledky. | ||
| * danmake.pl na rozdíl od emana nerozlišuje kroky, které jsou OUTDATED nebo FAILED. Když mu eman select pro nějakou sadu požadavků najde několik kroků, z nichž první je nějak vadný a druhý je DONE, danmake klidně použije ten první a pak se diví. | * danmake.pl na rozdíl od emana nerozlišuje kroky, které jsou OUTDATED nebo FAILED. Když mu eman select pro nějakou sadu požadavků najde několik kroků, z nichž první je nějak vadný a druhý je DONE, danmake klidně použije ten první a pak se diví. | ||
| * Nějak tu chybí pořádná tabulka loňských výsledků. To je mám opisovat z& | * Nějak tu chybí pořádná tabulka loňských výsledků. To je mám opisovat z& | ||