دانلود ترجمه مقاله علم داده در سایه پردازش زبان های طبیعی

1. مقدمه 2. چرخه حیات داده ها در NLP 3. نتیجه گیری

چکیده – تمرکز دانشمندان علم داده به حوزه تقسیم می شود: جمع آوری داده ها، تحلیل داده ها و تفسیر اطلاعات به دست آمده از داده ها. هر کدام از این وظایف نیازمند پرسنلی ویژه، زمان و هزینه می باشند. با این حال، گام بعدی در این زمینه، نحوه تبدیل داده ها به محصولات می باشد. بنابراین، این زمینه، توجه بسیاری از دانشگاهیان و کارشناسان صنعتی را به خود معطوف ساخته است. در دهه های گذشته، رویکردهای داده محور به وجود آمده و محبوبیت زیادی یافته اند، زیرا نیازمند اقدامات و نیروی انسانی بسیار کمتری هستند. پردازش زبان های طبیعی (NLP) یکی از زمینه هایی است که شدیدا تحت تاثیر داده ها می باشد. رشد داده ها، ورای بهبود عملکرد بسیاری از کاربردهای NLP مانند ترجمه ماشینی و تشخیص خودکار گفتار می باشد. در نتیجه، بسیاری از کاربردهای NLP از سیستم های قاعده محور و روش های دانش محور به سمت رویکردهای داده محور حرکت می کنند. با این حال، داده های جمع آوری شده ای که مبتنی بر معیار طراحی نامشخص یا فرم های نامناسب از لحاظ فنی هستند، بی فایده خواهند شد. مقدمه: اخیرا، طیف وسیعی از کاربردهای پردازش زبان های طبیعی (NLP) مبتنی بر روش های داده محور مانند شبکه های عصبی و مدل های مارکوف مخفی (HMMs) شده اند [1]. از آنجایی که پیشرفت بسیاری از این روش ها نشات گرفته از داده ها می باشد، داده های بزرگ و باکیفیت به منابع بسیار ارزشمندی تبدیل شده اند. به عنوان مثال، برخی از تاثیرات مفید آنها، از جمله ترجمه ماشینی [2]، ابهام زدایی از اصطلاحات [3]، خلاصه نویسی [4]، حاشیه نویسی نحوی [5]، شناسایی موجودیت های نام دار [6]، در کنار دیگر کاربردهای NLP مشاهده می شوند. در طول قرن های گذشته، داده های اولیه به طور دستی در فرم متون ساختارنیافته ای با عنوان آرشیوها انباشته شده اند.

The focus of data scientists is essentially divided into three areas: collecting data, analyzing data, and inferring information from data. Each one of these tasks requires special personnel, takes time, and costs money. Yet, the next and the fastidious step is how to turn data into products. Therefore, this field grabs the attention of many research groups in academia as well as industry. In the last decades, data-driven approaches came into existence and gained more popularity because they require much less human effort. Natural Language Processing (NLP) is strongly among the fields influenced by data. The growth of data is behind the performance improvement of most NLP applications such as machine translation and automatic speech recognition. Consequently, many NLP applications are frequently moving from rule-based systems and knowledge-based methods to data-driven approaches. However, collected data that are based on undefined design criteria or on technically unsuitable forms will be useless. Also, they will be neglected if the size is not enough to perform the required analysis and to infer the accurate information. The chief purpose of this overview is to shed some lights on the vital role of data in various fields and give a better understanding of data in light of NLP. Expressly, it describes what happen to data during its life-cycle: building, processing, analyzing, and exploring phases. Introduction: Recently, a variety of Natural Language Processing (NLP) applications are based on data-driven methods such as neural networks and Hidden Markow Models (HMMs) [1]. Since the progress in most of these methods is driven from data, large and high-quality data become very valuable resources. For instance, some of their beneficial effects have been observed in machine translation [2], word sense disambiguation [3], summarization [4], syntactic annotation [5], named entity recognition [6], among other NLP applications. Over centuries, the primary data have accumulated manually in the form of unstructured repositories of texts called archives.