dc.contributor	Kolorenč Jan, Ing. Ph.D. : 66659
dc.contributor.advisor	Červa Petr, Ing. Ph.D. : 55712
dc.contributor.author	Kynych, František
dc.contributor.other	Simová Jozefína, doc. Ing. Ph.D. Skolitel : 55316
dc.contributor.other	Málek Jiří, Ing. Ph.D. Konzultant : 61653
dc.contributor.other	Svrček Ján, Ing. Konzultant2 : 66454
dc.date.accessioned	2018-10-15T11:52:25Z
dc.date.available	2018-10-15T11:52:25Z
dc.date.committed	2018-5-14
dc.date.defense	2018-6-13
dc.date.submitted	2017-10-19
dc.date.updated	2018-10-15
dc.degree.level	Bc.
dc.description.abstract	Tato bakalářská práce je zaměřena na automatickou fonetickou transkripci pomocí neuronových sítí. Hlavním cílem bylo využít neuronové sítě a výsledky porovnat s chybovostí dosud používaného systému Baseline pro automatické generování fonetické transkripce. K řešení je použit Sequence-to-Sequence G2P toolkit, který je vyvíjen skupinou CMU Sphinx přímo pro tuto úlohu a dále byl upraven Neural Machine Translation toolkit, ten původně sloužil pro překlad z jednoho jazyka do jiného, ale poskytoval řadu dalších metod, které bylo možné vyzkoušet. Pomocí těchto toolkitů se postupně hledala architektura rekurentní neuronové sítě s nejmenší chybovostí. Výsledky experimentování byly porovnány na stejné sadě dat se systémem Baseline. Hlavním dosaženým výsledkem je menší chybovost tohoto systému, u češtiny se podařilo relativně snížit chybovost o 41,5 %, u angličtiny o 22 % a u švédštiny o 33,5 %. Pomocí nejlepšího modelu byly hledány chyby v české slovní zásobě, používané na ústavu ITE. Našlo se 10 515 potenciálních chyb, které se musely ručně kontrolovat, zhruba u 10 % z nich se jednalo o chyby skutečné.	cs
dc.description.abstract	This bachelor thesis is focused on automatic phonetic transcription using neural networks. The main goal was to use neural networks and compare the results with the error rate of the Baseline system used to automatically generate phonetic transcription. Sequence-to-Sequence G2P toolkit, that was developed by CMU Sphinx group for this task, is used to solve the problem. Additionally, the Neural Machine Translation toolkit, which is used for translation from one language to another, was modified, because it provides a number of other methods that could be tested. Using these tools, the architecture of the recurrent neural network with the lowest error rate was searched. The experimental results were compared on the same set of data with the Baseline system. The main achieved result is the lower error rate of this system, the error in the Czech was relatively reduced by 41.5 %, by 22 % in English and by 33.5 % in Swedish. Using the best model, mistakes were found in the Czech phonetic dictionary used at the ITE department. There were found 10,515 potential mistakes that had to be manually checked, roughly 10 % of them were real mistakes.	en
dc.description.mark
dc.format	56 s.
dc.format.extent	Ilustrace, Schémata, Tabulky ROM, Grafy 1 ROM 1
dc.identifier.uri	https://dspace.tul.cz/handle/15240/32198
dc.language.iso	cs
dc.relation.isbasedon	beginarab renewcommandlabelenumi[arabicenumi] item Nishant Shukla: Machine Learning with TensorFlow, Manning Publications Company, 2017 item Online kurz Natural Language Processing with Deep Learning, dostupný na http://web.stanford.edu/class/cs224n/syllabus.html endarab
dc.rights	Vysokoškolská závěrečná práce je autorské dílo chráněné dle zákona č. 121/2000 Sb., autorský zákon, ve znění pozdějších předpisů. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou https://knihovna.tul.cz/document/26	cs
dc.rights	A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act. https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics https://knihovna.tul.cz/document/26	en
dc.rights.uri	https://knihovna.tul.cz/document/26
dc.rights.uri	https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf
dc.subject	automatická fonetická transkripce	cs
dc.subject	rekurentní neuronové sítě	cs
dc.subject	Sequence-to-Sequence G2P toolkit	cs
dc.subject	Neural Machine Translation toolkit	cs
dc.subject	automatic phonetic transcription	en
dc.subject	recurrent neural networks	en
dc.subject	Sequence-to-Sequence G2P toolkit	en
dc.subject	Neural Machine Translation toolkit	en
dc.title	Využití neuronových sítí pro automatickou fonetickou transkripci	cs
dc.title	The use of neural networks for automatic phonetic transcription	en
dc.title.alternative		cs
dc.type	bakalářská práce	cs
local.degree.abbreviation	Bakalářský
local.degree.discipline	IT
local.degree.programme	Informační technologie
local.degree.programmeabbreviation	B2646
local.department.abbreviation	ITE
local.faculty	Fakulta mechatroniky, informatiky a mezioborových studií	cs
local.faculty.abbreviation	FM
local.identifier.author	M15000036
local.identifier.stag	36932
local.note.administrators	automat

Využití neuronových sítí pro automatickou fonetickou transkripci

Files

Original bundle

Collections