Taken:
- ✔ Classificatie in Python met scikit-learn
✔ alle zinnen in één tabel → ~/spraak/fa/python/classnum1.py
✔ per zin, meerderheidskeus → ~/spraak/fa/python/classnums.py
- → soms amper verschil tussen bovenstaande twee methodes, soms is de tweede aanzienlijk beter
✔ categoriële data omzetten in numerieke data (one hot encoding) → ~/spraak/fa/tools/onehot
✔ samenvoegen van tabellen → ~/spraak/fa/tools/tsvjoin
- ❏ Classificatie op basis van:
- ✔ klankvarianten
- ✔ lengte van klanken
- ✔ mfcc
- ❏ formanten
- → tuneR
- ❏ vocal-tract normalisatie of z-transformatie
- ❏ Verdiepen in audio-analyse
❏ Verder met Introduction to Audio Analysis: A MATLAB® Approach
- ❏ Welke persoonskenmerken zijn er uit een audio-signaal te halen?
- ✔ Meer metadata voor Nederlandse spraak
- → Ontvangen. Wat hiermee te doen?
→ Zie: /net/aistaff/kleiweg/spraak/fa/metadata
- ✔ Classificatie in Python met scikit-learn
- Jaarlijkse evaluatie: zie beneden
✔ Formulier invullen: https://reno.gai.rug.nl/prd/hrm/roform/main/
- Twitter vanaf 25 mei
- ✔ Werkt downloaden van tweets en trends nog?
→ zie: https://twittercommunity.com/t/upcoming-changes-to-the-developer-platform/104603
Zie onder /net/aistaff/kleiweg/
spraak/fa/mfcc
spraak/fa/phon → foneemvarianten
spraak/fa/phonlen → foneemlengtes
Scores op basis van woordvarianten:
N / O / Z N+O / Z N / Z 0.388 0.612 0.552 Baseline 0.519 0.724 0.736 SVM: linear 0.478 0.697 0.695 SVM: rbf 0.538 0.741 0.762 AdaBoost 0.363 0.659 0.504 Gaussian Naive Bayes 0.649 0.547 Gaussian Naive Bayes
Scores op basis van foneemvarianten:
N / O / Z N+O / Z N / Z 0.388 0.612 0.552 Baseline 0.505 0.732 0.744 SVM: linear 0.450 0.671 0.662 SVM: rbf 0.528 0.755 0.755 AdaBoost 0.509 0.707 0.720 Gaussian Naive Bayes
Scores op basis van lengtes van klanken:
N / O / Z N+O / Z N / Z 0.388 0.612 0.552 Baseline 0.652 0.871 0.903 SVM: linear 0.394 0.612 0.561 SVM: rbf 0.643 0.889 0.893 AdaBoost 0.591 0.821 0.816 Gaussian Naive Bayes
Scores op basis van combinatie van woordvarianten en klanklengtes:
N / O / Z N+O / Z N / Z
0.388 0.612 0.552 Baseline
0.610 0.846 0.862 SVM: linear
0.419 0.639 0.612 SVM: rbf
0.641 0.867 0.858 AdaBoost
0.524 0.818 0.711 Gaussian Naive Bayes
Scores op basis van MFCC, ontbrekend is 0
{{{
N / O / Z N+O / Z N / Z
0.388 0.612 0.552 Baseline
0.694 0.949 0.916 SVM: linear
0.456 0.655 0.637 SVM: rbf
0.627 0.947 0.943 AdaBoost
0.617 0.918 0.909 Gaussian Naive BayesScores op basis van MFCC, ontbrekend is NaN
N / O / Z N+O / Z N / Z 0.388 0.612 0.552 Baseline 0.707 0.955 0.939 SVM: linear 0.504 0.775 0.737 SVM: rbf 0.664 0.950 0.927 AdaBoost 0.641 0.920 0.899 Gaussian Naive Bayes
Scores op basis van combinatie van MFCC (ontbrekend is 0) en klanklengtes:
N / O / Z N+O / Z N / Z 0.388 0.612 0.552 Baseline 0.727 0.944 0.933 SVM: linear 0.416 0.623 0.591 SVM: rbf 0.691 0.957 0.955 AdaBoost 0.662 0.907 0.899 Gaussian Naive Bayes
Scores op basis van combinatie van MFCC (ontbrekend is NaN) en klanklengtes:
N / O / Z N+O / Z N / Z 0.388 0.612 0.552 Baseline 0.719 0.948 0.957 SVM: linear 0.425 0.652 0.631 SVM: rbf 0.687 0.949 0.959 AdaBoost 0.654 0.906 0.911 Gaussian Naive Bayes
Voor evaluatie: onderwerpen die afgelopen 12 maanden aan bod kwamen:
PaQu: vooral SPOD Manual annotation of syntactic trees (?) JavaScript: web-applicaties - Aurelia installatie software op haytabo CubeTalk: replay Transducer: Dynamische arrays Alpino - extensies voor Tred: http://www.let.rug.nl/vannoord/alp/Alpino/tred/ - demo: Universal Dependencies: http://www.let.rug.nl/vannoord/bin/alpino - zoiets als dtsearch → gematchte nodes visueel markeren in Tred - aanpassingen in lassy13to15 handleidingen op lokale website: - haytabo en zo: http://www.let.rug.nl/alfa/distro/ - latex bijgewerkt: http://www.let.rug.nl/alfa/tex/ verkenning van (software voor) numerieke methodes Zoeken naar woordcombinaties: http://www.let.rug.nl/kleiweg/nl234/ Anaconda geïnstalleerd - kernels voor Python3, R, Julia, Octave, Matlab - automatisch dagelijkse updates Herkennen van regionale spraak - verdiepen in audio-analyse - Octave, Matlab - machine learning - herhalen experimenten van Martijn c.s. - clustering op basis van Levenshtein-afstanden - classificatie op basis van verdere analyse van het spraaksignaal (lengte van fonemen, mfcc van fonemen)