Я всегда хотел сделать проект, используя машинное обучение, но не знал, с чего начать. Я обратился за помощью к одному из моих профессоров, которые с радостью взяли меня под ней и стали моим гидом для проекта ML. Тема проекта заключалась в «Киберзапугивании в Твиттере против различных личностей и ненавистных тем».
Я использовал API Twitter, чтобы получить твиты, создав приложение в разработчиках Twitter. Собранные твиты были нацелены на известные личности или должны были иметь несколько ненавистных тем. Я работал только над данными Hinglish.
Я определил чувства английского и хинди слов/фраз. Затем твиты были классифицированы как издевательства или не издевательства на основе настроений. Затем я вручную классифицировал все издевательственные твиты на прямые или косвенные издевательства.
После того, как учебный набор был готов, я использовал различные машинные обучения, глубокое обучение и гибридные алгоритмы для своих наборов данных. Я проанализировал производительность каждого алгоритма, используя такие метрики, как точность, точность, отзыв, оценка F1 и ROC AUC. Я выбрал точность и ROC-AUC для определения лучших алгоритмов. Я также рассчитал авторитет пользователей Twitter, используя набор из двенадцати правил, упомянутых в исследовательской работе [1].
Это был исследовательский проект, и в то время как начинающий Python, мои навыки определенно улучшились. Я также пришел к пониманию различных концепций машинного обучения и обработки естественного языка.
Список литературы: [1] Гитика Сарна и М.П.С. Bhatia, «Контент -основанный подход, чтобы найти достоверность пользователя в социальных сетях: применение киберзапугивания», Международный журнал машинного обучения и Cybernetics, Vol. 8, выпуск 2, с. 677 – 89, 1 апреля 2017 года.
Оригинал: “https://dev.to/ronikadas/machine-learning-project-2ecd”