DOĞAL DİL İŞLEMEDE DERİN ÖĞRENME UYGULAMALARI ÜZERİNE BİR LİTERATÜR ÇALIŞMASI

Temel Bulgular & Veri:Özellikle son yıllarda, farklı derin öğrenme yöntemleri öneren çalışmaların ve mevcut yöntemleri değişik problemler üzerinde uygulayan çalışmaların sayıları hızla artmaktadır.

💡

Sonuç & Katkı:Bu nedenle çalışmamızın; doğal dil işleme alanında derin öğrenme uygulamaları konusunda önemli bir Türkçe kaynak olacağı düşünülmektedir.

🔬Tür:Literatür & Derleme Çalışması

📍Kapsam:Genişletilmiş Akademik Örneklem

⚙️Değişkenler:Doğal Dil İşleme · Metin Madenciliği · Derin Öğrenme

Özet

Derin öğrenme, yapay zekâ ve makine öğrenmesi alanlarının önemli ve güncel bir konusu haline gelmiştir. Özellikle son yıllarda, farklı derin öğrenme yöntemleri öneren çalışmaların ve mevcut yöntemleri değişik problemler üzerinde uygulayan çalışmaların sayıları hızla artmaktadır. Doğal dil işlemenin çeşitli alt alanlarında da bu yöntemler yaygın olarak kullanılmış ve halen kullanılmaktadır. Bu derleme çalışmasında, ilk olarak derin öğrenme yöntemlerinin bir sınıflandırması sunulmuş, ardından da doğal dil işleme problemlerine derin öğrenme yaklaşımlarının sunulduğu önemli çalışmalar incelenmiştir. Derin öğrenme ve doğal dil işleme problemlerinin çözümü amacıyla derin öğrenme konularıyla ilgili hem teorik çalışmaların hem de pratik uygulamalar içeren çalışmaların sayısının ve yaygınlığının daha da artacağı öngörülmektedir. Bu nedenle çalışmamızın; doğal dil işleme alanında derin öğrenme uygulamaları konusunda önemli bir Türkçe kaynak olacağı düşünülmektedir.

Abstract

Deep learning is an important and recent topic of artificial intelligence and machine learning areas. Especially in recent years, the number of studies proposing different deep learning methods and applying these methods on different problems is increasing. These methods have also been used at various subareas of natural language processing extensively, and are still being used. In this survey paper, firstly, classification of deep learning techniques is presented and then important studies about deep learning approaches for natural language processing problems are discussed. It is expected that the number and prevalence of both theoretical studies and studies with practical applications on deep learning and on deep learning solutions to natural language processing problems are going to increase. Therefore it is considered that our study will be an important Turkish resource on the topic of deep learning applications for natural language processing.

Anahtar kelimeler

Doğal Dil İşleme Metin Madenciliği Derin Öğrenme Makine Öğrenmesi Natural Language Processing Text Mining Deep Learning Machine Learning

🔖

Bu Makaleye Atıf Yap

KÜÇÜK, D., ARICI, N. (2018). DOĞAL DİL İŞLEMEDE DERİN ÖĞRENME UYGULAMALARI ÜZERİNE BİR LİTERATÜR ÇALIŞMASI. Uluslararası Yönetim Bilişim Sistemleri ve Bilgisayar Bilimleri Dergisi, Cilt: 2 - Sayı: 2, 76–86. https://ajindex.com/articles/416480

📄 Tam Metin PDF Okuyucu

Yeni Sekmede Aç ↗

↗Yeni Sekme

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

Bengio, Y. (2009). Learning deep architectures for AI. Foundations and Trends in Machine Learning 2(1), 1-127.
Chen, Y., Xu, L., Lıu, K., Zeng, D., & Zhao, J. (2015). “Event extraction via dynamic multi-pooling convolutional neural networks”. Annual Meeting of the Association for Computational Linguistics and International Joint Conference on Natural Language Processing, 167-176.
Chiu, J. P., & Nıchols, E. (2015). “Named entity recognition with bidirectional LSTM-CNNs”. arXiv preprint arXiv:1511.08308. Cho, Y., & Saul, L. K. (2009). “Kernel methods for deep learning”. Advances in Neural Information Processing Systems, 342-350.
Collobert, R. (2011). “Deep learning for efficient discriminative parsing”. International Conference on Artificial Intelligence and Statistics, 224-232.
Collobert, R., & Weston, J. (2008). “A unified architecture for natural language processing: Deep neural networks with multitask learning”. International Conference on Machine Learning (ICML), 160-167.
Conneau, A., Schwenk, H., Barrault, L., & Lecun, Y. (2016). “Very deep convolutional networks for natural language processing”. arXiv preprint arXiv:1606.01781. Deng, L., & Yu, D. (2014). “Deep learning: methods and applications”. Foundations and Trends in Signal Processing, 7(3–4), 197-387.
Deselaers, T., Hasan, S., Bender, O., & Ney, H. (2009). “A deep learning approach to machine transliteration”. International Workshop on Statistical Machine Translation, 233-241.
Do, H. W., & Jeong, Y. S. (2016). “Temporal relation classification with deep neural network”. International Conference on Big Data and Smart Computing (BigComp), 454-457.
Dos Santos, C. N., & Gattı, M. (2014). “Deep convolutional neural networks for sentiment analysis of short texts”. International Conference on Computational Linguistics (COLING), 69-78.
Dos Santos, C. N., & Zadrozny, B. (2014). “Learning character-level representations for part-of-speech tagging”. International Conference on Machine Learning (ICML), 1818-1826.
Glorot, X., Bordes, A., & Bengıo, Y. (2011). “Domain adaptation for large-scale sentiment classification: A deep learning approach”. International Conference on Machine Learning (ICML), 513-520.
Hinton, G. E., & Salakhutdinov, R. R. (2006). “Reducing the dimensionality of data with neural networks”. Science, 313(5786), 504-507.
Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). “A fast learning algorithm for deep belief nets”. Neural Computation, 18(7), 1527-1554.
Hinton, G. E., & Sejnowski, T. J. (