A number of electronic documents grows much faster than a human is able to deal with. The information retrieval methods help to identify documents likely containing a given information. The selection of documents is based on keywords, that are assigned to characterize document content and used to specify the aims of user search. To achieve this aim, information retrieval utilizes the methods of linear algebra that work with the vector model, statistical and probability methods, methods of computational linguistics or classification and clustering methods of artificial intelligence.
Last update: Svozil Daniel (25.05.2018)
S nástupem elektronických dokumentů nastala situace, kdy jejich počet roste mnohem vyšším tempem, než možnosti, schopnosti a ochota lidí je sledovat a číst. Metody oboru Information retrieval pomáhají najít informaci o tom, ve kterých dokumentech se hledaná informace zřejmě nachází. Provádí to tak, že umožňují vybírat dokumenty podle klíčových slov, kterými indexování dokumentů charakterizuje jejich obsah a uživatel cíle svého hledání. Jako nástroje se zde používají metody lineární algebry pro práci s vektorovým modelem hledání, statistické a pravděpodobnostní metody, metody počítačové linguistiky i shlukovací a klasifikační metody umělé intelligence.
Last update: Svozil Daniel (23.05.2018)
Aim of the course -
Students will know:
how to identify documents containing given information
how to assign keywords to text documents
how to index text documents
how to normalize text documents
how to categorize text documents
Last update: Svozil Daniel (23.05.2018)
Studenti budou umět:
identifikovat dokumenty obsahující předem definovanou informaci
přiřadit relevantní klíčová slova k dokumentu
indexovat textové dokumenty
normalizovat textové dokumenty
chápat hlavní principy klasifikace textových dokumentů
Last update: Svozil Daniel (23.05.2018)
Course completion requirements -
oral exam
Last update: Svozil Daniel (23.05.2018)
Ústní zkouška
Last update: Svozil Daniel (23.05.2018)
Literature -
R: Baeza-Yates, R., Ribeiro-Neto, B.: Modern Information Retrieval. Second edition, Addison-Wesley, 2011.
R: Weiss, S.M. et all: Text Mining? Predictive Methods for Analyzing Unstructured Information. Springer, 2005.
Last update: Svozil Daniel (23.05.2018)
Z: Baeza-Yates, R., Ribeiro-Neto, B.: Modern Information Retrieval. Second edition, Addison-Wesley, 2011.
Z: Weiss, S.M. et all: Text Mining? Predictive Methods for Analyzing Unstructured Information. Springer, 2005.
Last update: Svozil Daniel (23.05.2018)
Syllabus -
Introduction to information retrieval, uncertainty, relevance, text document normalization, Zipf's law
Text documents indexing, querying and searching - metrics, vector model - dimensionality reduction, latent semantic indexing
Document and keyword clustering, distance, similarity metrics, centroid, clustering algorithms
Document classification, Bayesian classification, k nearest neighbors, decision trees, metoda support vector machines
The aims and capabilities of text mining, linguistic methods in text mining, tokenization, part-of-speech tagging, named entity recognition, parsing, coreferences
Text mining in information retrieval: document content extraction, automatic document summarization, automatic question answering
Last update: Svozil Daniel (25.05.2018)
Úvod do problematiky information retrieval, neurčitost, relevance, přístup fuzzy, normalizace textových dokumentů, Zipfův zákon
Indexování, dotazování a hledání v textových dokumentech - metriky, vektorový model - redukce dimenzí, latentní semantické indexování
Shlukování dokumentů a shlukování klíčových slov (clustering), vzdálenost, metriky podobnosti, centroid, metody shlukování
Klasifikace dokumentů. Bayesovská klasifikace, metoda k-NN, metoda rozhodovacích stromů, metoda support vector machine
Cíle a možnosti text miningu, metody linguistiky v text miningu, lexikon, tokenization, part-of-speech tagging, named entity recognition, parsing, koreference
Aplikace metod text mining pro information retrieval: automatická extrakce obsahu dokumentu, automatické shrnutí obsahu dokumentu, automatické odpovědi na dotazy
