Estudio de redes neuronales en escalera como método semi-supervisado para reconocimiento de entidades nombradas en textos legales
- Autores
- Marro, Santiago
- Año de publicación
- 2019
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión publicada
- Colaborador/a o director/a de tesis
- Cardellino, Cristian Adrián
- Descripción
- Tesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2019.
Fil: Marro, Santiago. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
En este trabajo se exploró el uso de un método de aprendizaje automático semi-supervisado profundo, conocido como “Redes Neu- ronales en Escalera”. Como caso de estudio, se decidió abordar la tarea de reconocimiento y clasificación de entidades nombradas dentro del dominio legal. Como baselines se establecieron el Stanford NER-CRF y las redes recurrentes BiLSTM. El trabajo consistió en la exploración de distintos aspectos y parámetros donde se buscó evaluar el impacto de los datos no supervisados y su comparación con métodos puramente supervisados, en busca de mejorar desempeño y capacidad de generalización.
This thesis explored the use of a semi-supervised deep learning method known as “Ladder Neural Networks”. As a case study, it was decided to address the task of recognizing and classifying na- med entities within the legal domain. The Stanford NER-CRF and the BiLSTM Recurrent Neural Networks were established as baseli- nes. The work consisted in the exploration of different aspects and parameters where it was sought to evaluate the impact of unsupervi- sed data and its comparison with purely supervised methods, seeking to improve performance and generalization capacity.
info:eu-repo/semantics/publishedVersion
Fil: Marro, Santiago. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. - Materia
-
Redes neuronales
Redes neuronales en escalera
Procesamiento del lenguaje natural
Reconocimiento de entidades nombradas
Aprendizaje automático
Computing methodologies
Machine learning approaches
Neural networks - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- Repositorio
- Institución
- Universidad Nacional de Córdoba
- OAI Identificador
- oai:rdu.unc.edu.ar:11086/14594
Ver los metadatos del registro completo
id |
RDUUNC_9c765a2d2b90dd9682d0883d4791710f |
---|---|
oai_identifier_str |
oai:rdu.unc.edu.ar:11086/14594 |
network_acronym_str |
RDUUNC |
repository_id_str |
2572 |
network_name_str |
Repositorio Digital Universitario (UNC) |
spelling |
Estudio de redes neuronales en escalera como método semi-supervisado para reconocimiento de entidades nombradas en textos legalesMarro, SantiagoRedes neuronalesRedes neuronales en escaleraProcesamiento del lenguaje naturalReconocimiento de entidades nombradasAprendizaje automáticoComputing methodologiesMachine learning approachesNeural networksTesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2019.Fil: Marro, Santiago. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.En este trabajo se exploró el uso de un método de aprendizaje automático semi-supervisado profundo, conocido como “Redes Neu- ronales en Escalera”. Como caso de estudio, se decidió abordar la tarea de reconocimiento y clasificación de entidades nombradas dentro del dominio legal. Como baselines se establecieron el Stanford NER-CRF y las redes recurrentes BiLSTM. El trabajo consistió en la exploración de distintos aspectos y parámetros donde se buscó evaluar el impacto de los datos no supervisados y su comparación con métodos puramente supervisados, en busca de mejorar desempeño y capacidad de generalización.This thesis explored the use of a semi-supervised deep learning method known as “Ladder Neural Networks”. As a case study, it was decided to address the task of recognizing and classifying na- med entities within the legal domain. The Stanford NER-CRF and the BiLSTM Recurrent Neural Networks were established as baseli- nes. The work consisted in the exploration of different aspects and parameters where it was sought to evaluate the impact of unsupervi- sed data and its comparison with purely supervised methods, seeking to improve performance and generalization capacity.info:eu-repo/semantics/publishedVersionFil: Marro, Santiago. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.Cardellino, Cristian Adrián2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://hdl.handle.net/11086/14594spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-04T12:31:34Zoai:rdu.unc.edu.ar:11086/14594Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-04 12:31:35.071Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse |
dc.title.none.fl_str_mv |
Estudio de redes neuronales en escalera como método semi-supervisado para reconocimiento de entidades nombradas en textos legales |
title |
Estudio de redes neuronales en escalera como método semi-supervisado para reconocimiento de entidades nombradas en textos legales |
spellingShingle |
Estudio de redes neuronales en escalera como método semi-supervisado para reconocimiento de entidades nombradas en textos legales Marro, Santiago Redes neuronales Redes neuronales en escalera Procesamiento del lenguaje natural Reconocimiento de entidades nombradas Aprendizaje automático Computing methodologies Machine learning approaches Neural networks |
title_short |
Estudio de redes neuronales en escalera como método semi-supervisado para reconocimiento de entidades nombradas en textos legales |
title_full |
Estudio de redes neuronales en escalera como método semi-supervisado para reconocimiento de entidades nombradas en textos legales |
title_fullStr |
Estudio de redes neuronales en escalera como método semi-supervisado para reconocimiento de entidades nombradas en textos legales |
title_full_unstemmed |
Estudio de redes neuronales en escalera como método semi-supervisado para reconocimiento de entidades nombradas en textos legales |
title_sort |
Estudio de redes neuronales en escalera como método semi-supervisado para reconocimiento de entidades nombradas en textos legales |
dc.creator.none.fl_str_mv |
Marro, Santiago |
author |
Marro, Santiago |
author_facet |
Marro, Santiago |
author_role |
author |
dc.contributor.none.fl_str_mv |
Cardellino, Cristian Adrián |
dc.subject.none.fl_str_mv |
Redes neuronales Redes neuronales en escalera Procesamiento del lenguaje natural Reconocimiento de entidades nombradas Aprendizaje automático Computing methodologies Machine learning approaches Neural networks |
topic |
Redes neuronales Redes neuronales en escalera Procesamiento del lenguaje natural Reconocimiento de entidades nombradas Aprendizaje automático Computing methodologies Machine learning approaches Neural networks |
dc.description.none.fl_txt_mv |
Tesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2019. Fil: Marro, Santiago. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. En este trabajo se exploró el uso de un método de aprendizaje automático semi-supervisado profundo, conocido como “Redes Neu- ronales en Escalera”. Como caso de estudio, se decidió abordar la tarea de reconocimiento y clasificación de entidades nombradas dentro del dominio legal. Como baselines se establecieron el Stanford NER-CRF y las redes recurrentes BiLSTM. El trabajo consistió en la exploración de distintos aspectos y parámetros donde se buscó evaluar el impacto de los datos no supervisados y su comparación con métodos puramente supervisados, en busca de mejorar desempeño y capacidad de generalización. This thesis explored the use of a semi-supervised deep learning method known as “Ladder Neural Networks”. As a case study, it was decided to address the task of recognizing and classifying na- med entities within the legal domain. The Stanford NER-CRF and the BiLSTM Recurrent Neural Networks were established as baseli- nes. The work consisted in the exploration of different aspects and parameters where it was sought to evaluate the impact of unsupervi- sed data and its comparison with purely supervised methods, seeking to improve performance and generalization capacity. info:eu-repo/semantics/publishedVersion Fil: Marro, Santiago. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. |
description |
Tesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2019. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/bachelorThesis http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
status_str |
publishedVersion |
format |
bachelorThesis |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11086/14594 |
url |
http://hdl.handle.net/11086/14594 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositorio Digital Universitario (UNC) instname:Universidad Nacional de Córdoba instacron:UNC |
reponame_str |
Repositorio Digital Universitario (UNC) |
collection |
Repositorio Digital Universitario (UNC) |
instname_str |
Universidad Nacional de Córdoba |
instacron_str |
UNC |
institution |
UNC |
repository.name.fl_str_mv |
Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba |
repository.mail.fl_str_mv |
oca.unc@gmail.com |
_version_ |
1842349618629705728 |
score |
13.13397 |