This site uses cookies.
Some of these cookies are essential to the operation of the site,
while others help to improve your experience by providing insights into how the site is being used.
For more information, please see the ProZ.com privacy policy.
This person has a SecurePRO™ card. Because this person is not a ProZ.com Plus subscriber, to view his or her SecurePRO™ card you must be a ProZ.com Business member or Plus subscriber.
Verbindungen zu Auftraggebern
This person is not affiliated with any business or Blue Board record at ProZ.com.
Internationale Organisationen/Zusammenarbeit/Entwicklung
Recht: Verträge
Recht (allgemein)
Recht: Steuern und Zoll
Wirtschaftswissenschaften
Philosophie
Psychologie
Wissenschaft (allgemein)
Wirtschaft/Handel (allgemein)
Finanzen (allgemein)
Personalwesen
Internet, E-Commerce
Investment/Wertpapiere
Einzelhandel
Transport/Logistik/Versand
Werbung/PR
Kino, Film, Fernsehen, Theater
Marketing/Marktforschung
Druck und Satz, Verlagswesen
Tourismus und Reisen
Spiele/Videospiele/Computerspiele/Kasino
Staatswesen/Politik
Geschichte
Sonstige
Religion
Journalismus
Sicherheit
Anthropologie
More
Less
Freiwillige Arbeit / Ehrenamt
Offen für freiwillige Arbeit für eine eingetragene gemeinnützige Organisation
Preise
Englisch > Ungarisch - Standard Preis: 0.04 USD pro Wort / 14 USD pro Stunde Deutsch > Ungarisch - Standard Preis: 0.04 USD pro Wort / 14 USD pro Stunde Ungarisch > Englisch - Standard Preis: 0.04 USD pro Wort / 14 USD pro Stunde Deutsch > Englisch - Standard Preis: 0.04 USD pro Wort / 14 USD pro Stunde
A neural network is a machine learning technique that takes a number of inputs and predicts outputs. In many ways, they are not very different from other machine learning methods but have distinct strengths.
2.1 Linear Models
Linear models are a core element of statistical machine translation. A potential translation x of a sentence is represented by a set of features hi(x). Each feature is weighted by a parameter λi to obtain an overall score. Ignoring the exponential function that we used previously to turn the linear model into a log-linear model, the following formula sums up the model.
(2.1)
Graphically, a linear model can be illustrated by a network, where feature values are input nodes, arrows are weights, and the score is an output node (see Figure 2.1).
Figure 2.1: Graphical illustration of a linear model as a network: feature values are input nodes, arrows are weights, and the score is an output node.
Most prominently, we use linear models to combine different components of a machine translation system, such as the language model, the phrase translation model, the reordering model, and properties such as the length of the sentence, or the accumulated jump distance between phrase translations. Training methods assign a weight value λi to each such feature hi(x), related to their importance in contributing to scoring better translations higher. In statistical machine translation, this is called tuning.
However, linear models do not allow us to define more complex relationships between the features. Let us say that we find that for short sentences the language model is less important than the translation model, or that average phrase translation probabilities higher than 0.1 are similarly reasonable but any value below that is really terrible. The first hypothetical example implies dependence between features and the second example implies non-linear relationship between the feature value and its impact on the final score. Linear models cannot handle these cases.
A commonly cited counter-example to the use of linear models is XOR, i.e., the boolean operator ⊕ with the truth table 0⊕0 = 0, 1⊕0 = 1, 0⊕1 = 1, and 1⊕1 = 0. For a linear model with two features (representing the inputs), it is not possible to come up with weights that give the correct output in all cases. Linear models assume that all instances, represented as points in the feature space, are linearly separable. This is not the case with XOR, and may not be the case for type of features we use in machine translation.
2.2 Multiple Layers
Neural networks modify linear models in two important ways. The first is the use of multiple layers. Instead of computing the output value directly from the input values, a hidden layer is introduced. It is called hidden, because we can observe inputs and outputs in training instances, but not the mechanism that connects them — this use of the concept hidden is similar to its meaning in hidden Markov models.
See Figure 2.2 for on illustration. The network is processed in two steps. First, a linear combination of weighted input node is computed to produce each hidden node value. Then a linear combination of weighted hidden nodes is computed to produce each output node value.
At this point, let us introduce mathematical notations from the neural network literature.
A neural network with a hidden layer consists of
• a vector of input nodes with values
• a vector of hidden nodes with values
• a vector of output nodes with values
• a matrix of weights connecting input nodes with hidden nodes
• a matrix of weights connecting hidden nodes with output nodes
•
Figure 2.2: A neural network with a hidden layer.
The computations in a neural network with a hidden layer, as sketched out so far, are
(2.2)
(2.3)
Note that we snuck in the possibility of multiple output nodes yk, although our figures so far only showed one.
Neurális hálózat alatt egy gépi tanulási technikát értünk, amely számos input adatot figyelembe véve határozza meg az output adatokat. Sok szempontból nem különbözik nagymértékben más gépi tanulási módszerektől, viszont határozott előnyei vannak.
2.1 Lineáris modellek
A lineáris modellek a statisztikai gépi fordítás alapvető elemei. A mondat potenciális x fordítását a hi(x) tulajdonságok halmaza képviseli. Minden tulajdonságot egy λi paraméterrel súlyozunk egy összpontszám megszerzése érdekében. Figyelmen kívül hagyva azt az exponenciális függvényt, amelyet korábban a lineáris modell log-lineáris modellé alakításához használtunk, a modellt a következő képlettel foglalhatjuk össze.
(2.1)
Grafikusan egy lineáris modell szemléltethető egy hálózattal, ahol a jellemzőket jelölő értékek input neuronok, a nyilak súlyok és a pontszám output neuronként jelenik meg (lásd a 2.1. Ábrát).
2.1. Ábra: A lineáris modell, mint hálózat, grafikusan ábrázolva: a jellemzőértékek input neuronok, a nyilak súlyok és a pontszám outputi neuron.
Lineáris modelleket főleg egy gépi fordítási rendszer különböző összetevőinek kombinálásához használunk, mint például a nyelvi modell, a kifejezés-fordítási modell, az átrendező modell, ezen felül pedig az olyan jellemzők kombinálására, mint a mondathossz, vagy a kifejezés-fordítások közötti felhalmozott ugrás távolság. A képzési módszerek mindegyik hi(x) jellemzőhöz hozzárendelnek egy λi súlyértéket, annak megfelelően, hogy milyen mértékben járulnak hozzá a jobb pontszámokat elérő fordítások elkészüléséhez. A statisztikai gépi fordításban ezt ún. tuning-nak, azaz paraméter optimalizációnak nevezzük.
A lineáris modellek azonban nem teszik lehetővé a jellemzők közötti összetettebb kapcsolatok meghatározását. Tegyük fel, hogy azt találjuk, hogy rövid mondatok esetében a nyelvi modell nem annyira fontos, mint a fordítási modell, vagy hogy a 0,1-nél nagyobb átlagos kifejezés-fordítási valószínűségek hasonlóan ésszerűek, az ez alatti értékek viszont elfogadhatatlanok. Az első elméleti példa a jellemzők közötti függőséget, a második példa pedig nemlineáris kapcsolatot jelent a jellemzőérték és annak a végső pontszámra gyakorolt hatása között. A lineáris modellek alkalmatlanok az ilyen esetek kezelésére.
A lineáris modellek ellen gyakran felhozott példa az XOR, azaz a ⊕ logikai operátor, amelynek igazságtáblája 0⊕0 = 0, 1⊕0 = 1, 0⊕1 = 1 és 1⊕1 = 0. Két jellemzőjű (az inputokat képviselő) lineáris modell esetében nem lehet olyan súlyokat előállítani, amelyek minden esetben a megfelelő outputot adják. A lineáris modellek feltételezik, hogy az összes eset, amelyet a jellemző tér pontjaiként ábrázolnak, lineárisan elválaszthatók. Nem ez a helyzet az XOR esetében, valamint lehet, hogy a gépi fordítás során használt jellemzőtípusok esetén sem ez a helyzet.
2.2 Több réteg
A neurális hálózatok két jelentős módon módosítják a lineáris modelleket. Az első ilyen mód a több réteg használata. Ahelyett, hogy az output értéket közvetlenül az input értékekből számolnánk, bevezetünk egy rejtett réteget. Rejtettnek hívják, mert a képzési esetekben megfigyelhetjük az inputokat és az outputokat, az azokat összekötő mechanizmust azonban nem – a rejtett fogalom ilyen használata hasonló a rejtett Markov-modellekhez.
Az illusztrációt lásd a 2.2 ábrán. A hálózat két lépésben kerül feldolgozásra. Először kiszámítjuk a súlyozott input neuronok lineáris kombinációját, hogy megkapjuk az egyes rejtett neuronok értékét. Ezután a súlyozott rejtett neuronok lineáris kombinációja kerül kiszámításra az egyes output neuronértékek előállításához.
Elérkeztünk ahhoz a ponthoz, ahol ismertetnünk kell a neurális hálózatok szakirodalmának matematikai jelöléseit.
Rejtett réteget használó neurális hálózat a következőkből tevődik össze
• értékű input neuronok vektora
• értékű rejtett neuronok vektora
• értékű output neuronok vektora
• az input neuronokat a rejtett neuronokkal összekötő súlymátrix
• a rejtett neuronokat az output neuronokkal összekötő súlymátrix
•
2.2 ábra: Neurális hálózat rejtett réteggel
Az eddig vázolt rejtett rétegű neurális hálózat számításai a következők
(2.2)
(2.3)
Ne feledjük, hogy több lehetséges yk output neuron esete is fenn állhat, bár eddigi ábráink csak egyet mutattak.
Englisch > Ungarisch: Caring for your baby in a neonatal unit, ch.3, Bathing General field: Medizin Detailed field: Medizin: Gesundheitswesen
Ausgangstext - Englisch 11. Bathing
The first bath is an important event. It usually takes place when your baby has graduated to sleeping in a cot, is growing well and getting ready to go home. Ask your baby's nurse to demonstrate with a doll so that you can see what you need to do. your baby's nurse will be there to help and support you when you do the first bath, making sure that everything goes smoothly.
Bathing is another marvelous opportunity for you to learn about your baby's development and style of communication, his likes and dislikes. Plan ahead to make this a special event, perhaps taking photographs or making a video.
Bathing can be tiring for small babies. They will feel more relaxed and will save energy if they are put into the bath water wrapped in a sheet or muslin square. Make sure that the bathwater is deep and warm. Gradually introduce your baby to the water, feet first, pausing if he shows signs of discomfort. Speak reassuringly to him and unwrap one part of his body at a time as you wash him. Watch your baby for signals that show he is feeling safe and secure. If he shows signs of distress like stretching, yawning or sneezing, your baby may be signaling that he wants you to slow down or replace the wrap.
Be ready to leave the wet wrap in the bath when your baby tells you he has had enough and lift him onto a towel draped across your body. Wrap him in the towel, keeping him close until he settles before attempting to dress him. Uncover one body area at a time when drying and dressing him.
Übersetzung - Ungarisch 11. Fürdetés
Az első fürdetés fontos esemény. Erre általában akkor kerül sor, amikor a baba készen áll a gyermekágyban való alvásra, jó ütemben növekszik és készül a hazamenetelre. Kérje meg az ápolót, hogy egy játékbabán mutassa be önnek a különböző módszereket, így Ön is láthatja, mit kell tennie. A baba ápolója ott lesz, hogy segítsen és támogassa Önt az első fürdetéskor, ügyelve arra, hogy minden zökkenőmentesen menjen.
A fürdetés egy újabb csodálatos lehetőség az Ön számára, hogy megismerhesse babája fejlődését és kommunikációs stílusát, hogy miket szeret és miket nem szeret. Megfelelő felkészüléssel a fürdetés egy különleges esemény lehet, esetleg fényképezhet vagy készíthet videót is.
A fürdetés fárasztó lehet a kisbabák számára. Nyugodtabbnak érzik magukat és energiát takarítanak meg, ha lepedőbe vagy muszlinba bugyolálva kerülnek a fürdővízbe. Ügyeljen arra, hogy a fürdővíz elég mély és meleg legyen. Fokozatosan ismertesse meg csecsemőjét a vízzel, először a baba lába érje a vizet, és ha a baba reakciója alapján kellemetlennek tűnik a fürdetés, tartson szünetet. Beszéljen hozzá megnyugtatóan, és fürdetés közben egyesével bugyolálja ki a baba testrészeit. Figyeljen olyan jelekre, amelyek azt mutatják, hogy a babája biztonságban érzi magát. Ha szorongás jeleit mutatja, például nyújtózkodik, ásít vagy tüsszent, azzal a baba azt jelezheti, hogy szeretné, ha lassítana vagy újrabugyolálná.
Készüljön fel arra, hogy a nedves takarót a fürdőben hagyja, amikor a baba jelzi, hogy elég a fürdésből, és emelje át őt az Ön testére borított törülközőre. Tekerje be a babáját a törülközőbe, és megnyugtatás céljából tartsa közel magához, mielőtt megpróbálná felöltöztetni. Egyszerre csak egy-egy testrészt szárítson és öltöztessen.
More
Less
Erfahrung
Übersetzungserfahrung in Jahren: 3. Angemeldet bei ProZ.com seit: Jul 2021.
Allgemeine Fachgebiete