Симонець, ГалинаГалинаСимонець2020-12-262020-12-262020http://ir.nmu.org.ua/handle/123456789/156854Методи дослідження: методи машинного навчання для очищення, нормалізування, представлення текстових даних у вигляді прийнятним для обробки на ЕОМ. Класифікатор логістичної регресії, метод класифікації за допомогою лінійних опорних векторів без та з методом навчання – стохастичний градієнтний спуск, класифікатор «Випадковий ліс» та класифікатор з посиленням градієнта. Алгоритм оцінки роботи класифікаторів, що включає використання методів підрахунку матриці помилок, точності, повноти та Ф-міри для оцінки моделей. Для більш генералізованої оцінки використано метод перехресної перевірки. Мова програмування Python. Економічна ефективність: очікується позитивною завдяки розробці програмних модулів, які дозволяють автоматизувати процес класифікації коментарів. В інформаційно-аналітичному розділі розглянуто основні базові підходи до обробки тексту і виділено стратегії та їх алгоритми, які можна використати для опрацювання текстових коментарів під відео у «Youtube». Окрім того, описано можливості мови програмування Python. В спеціальному розділі розроблено модуль з вивантаження коментарів з під відео на «Youtube», та програмний комплекс для їх класифікації кількома методами. Проведено аналіз точності моделей за яким обрано найкращі.Об’єкт дослідження: відеохостинг, що надає користувачам послуги зберігання, доставки та показу відео – «YouTube». Мета дослідження: виявлення токсичних коментарів на відеохостінгу "Youtube" шляхом класифікації неструктурованого тексту за допомогою комбінації методів машинного навчання. Практична цінність отриманих у роботі результатів полягає в оптимізації(спрощені) процесу аналізу коментарів.ukкоментарікласифікаціялогістична регресіяметод опорних векторівградієнтний спускматриця помилокперехресна помилкаLearning Object