Megjelent Fehér Krisztina, a népszerű babanyelv blog szerzőjének könyve, amit ajánlunk minden kedves olvasónk figyelmébe, hiszen a Kereső Világ szerzői is feltűnnek a kötetben.

Szerzőink feltűnése nagyon izgalmas, a részletekért vegyétek meg a könyvet.

A CHILDES korpuszon végzett vizsgálódásainkról ebben és ebben a posztban olvashattok. Mikit továbbra is imádjuk!

De miért foglalkoztunk mi ilyen dolgokkal? A hálózatelemzés az NLP-ben is elterjedt eszköz, Mikivel, a többi gyerekkel és anyukáikkal abban az időben foglalkoztunk, amikor a TextRank algoritmust módosítottuk, hogy legyen egy saját kulcsszókinyerőnk és dokumentumkivonatolónk.

Korábban már kísérleteztünk azzal, hogy egy szöveg emóciós idősorait szonifikáljuk. Most egy kicsit tovább gondoltuk a dolgot, próbálkozásunkat itt érhetitek el.

A hat emóciós idősorból képzett hangsávot egy többcsatornás wav fájlba gyúrtuk, mivel a wavesurfer képes minden sáv hangspektrumát külön megjeleníteni, azaz esetünkben rögtön az adott idősort is. Persze messze vagyunk még attól, hogy igazán szép és könnyen befogadható legyen a szonifikáció és a vizuális megjelenítés, de talán egy kis lépéssel közelebb kerültünk célunkhoz. 

Ha felmerül benne a kérdés, mi a fenének kell ilyen dolgokkal foglalkozni, akkor ajánljuk figyelmedbe Memo Akten Data Dramatization c. írását és itt dióhéjban csak annyit, hogy vannak olyan esetek, amikor az adatokkal hatni szeretnénk másokra, ilyenkor ha nem bújunk a tudományoskodás álarca mögé, szerintünk megengedett a dramatization.

• The Sounds of Migration - adatszonifikációs kísérletünk itt érhető el

Ma a Budapest Startup Safary-n adunk elő szeretett migráns korpuszunk kapcsán arról, hogyan is lehetne a különböző modalitásokat keverni a keresésben és a tartalomelemzésben. Diák és kapcsolódó anyagaink alább!

Kapcsolódó anyagok:

• itt érhető el dashboardunk
• aki még nem olvasta nyesten megjelent írásunk, melyben a migránsválság során a hazai online médiában megjelenő cikkeket elemeztük, az kattintson ide gyorsan
• a Keras blogon van egy jó kis tutorial arról, hogyan látják a (konvolúciós) neurális hálók a világot
• Thomas Nagel klasszikus esszéje arról, hogy van valami megfoghatatlan abban, ahogy észleljük a világot (ezt nevezik a filozófusok qualia-nak) elérhető online itt
• Hernád István írása a szimbólum-lehorgonyzás problémájáról elérhető itt (igen, Hernád neve angolul Harnad)
• A Language of Thought Hypothesis a SEP-en nagyon szépen össze lett foglalva
• A Probabilistic Language of Thought Hypothesis-t Goodman és tsai itt foglalták össze röviden
• A kreativitást a modalitások mixeléseként ez a tuti kis tanulmány írja le szépen
• el Seed fantasztikus munkáiról a művész oldalán találsz infókat

Arra voltunk kíváncsiak, hogyan viszonyulnak egymáshoz a korábbi posztunkhoz begyűjtött korpuszban az egyes szavak, milyen szemantikai teret rajzolnak ki. Aki ismer minket, tudja, nem igazán szeretjük a puszta szógyakoriságon alapuló szófelhőket és helyettük inkább a kulcsszavakat és szógráfokat részesítjük előnyben (l. korábbi posztunkat, melyben Orbán Viktor évértékelő beszédeit elemeztük). Most azonban úgy gondoltuk, a korpusz word2vec modelljének 3D t-sne projekcióján értelmesen meg tudjuk mutatni az 1500 leggyakoribb szót és a közöttük lévő viszonyokat. Szimpla pontokból álló interaktív 3D vizunk itt érhető el, a szavakat is megjelenítő verzió pedig itt. UPDATE: Mivel a vizuk zabálják a memóriát, készítettünk egy csupán 360 szavat tartalmazó verziót is belőlük, ennek dot változata itt érhető el, a szavas változata pedit itt, 1000 szavas dot verzió, ami mutatja az adott szót ha rámegyünk egérrel pedig itt. (A nyájas olvasó figyelmét szeretnénk felhívni, hogy a vizuk nem mobilbarátok! A szófelhős verzió Windowson nem minden esetben működik. Ha túl nagy méretben jelennek meg a szavak, akkor ez az az eset.)

A korpusz magyarlánccal lemmatizált verzióján a gensim segítségével tréneltünk egy word2vec modellt, ennek 3D t-SNE projekcióját az sklearn használatával készítettük el. A szólistában végül csak mellék- és főneveket, illetve a nem azonosított elemeket hagytuk. A 3D vizukat az R threejs könyvtárával készítettük.

Az egér jobb gomját lenyomva tartva mozgatni, a bal gombot lenymva tartva pedig forgatni lehet a vizut, zoomolni pedig scrollozással lehet.

UPDATE:

1500 szó pozíciójának megjelenítése zabálja a memóriát, ezért készítettünk egy felhasználóbarátabb verziót is a vizukból. A négy oldal (444, index, origo, 888) szógyakorisági tábláiból a top 200 elemet vettük és csak ezek pozíciója kerülhetett fel. Külön színnel jelöltük a közös, illetve egy-egy oldal elemeit. Azt vettük észre, hogy így a 888 és az origo között nincs különbség, azaz nagyon egyforma szókincsük van.

A vizuk az alábbi linkeken érhetőek el:

• 3D t-SNE dot vizualizáció
• 3D t-SNE szófelhő
• 3D t-SNE dot top 360 szóval
• 3D t-SNE szófelhő 360 szóval
• TUTIRA MŰKÖDIK SZINTE MINDEN GÉPEN VERZIÓ, 3D t-SNE 1000 szóval, az egérrel a gömbre menve mutatja a szót is

Visszatérő problémánk, hogy területi adatokat gyorsan, vizuálisan elfogadható módon és lehetőleg interaktívan ábrázoljunk. E célból próbáltuk ki a QGIS nevű open-source programot, amivel első találkozásunk egészen biztatóan sikerült.

A QGIS-t elsősorban szakik használják, valószínűleg ezért is kerülte el eddig a figyelmünket, holott egészen egyszerűen lehet vele térképeket összerakni, különböző adatforrásból származó adatok bevonásával is. Pluginok segítségével pedig akár interaktív webes térképeket is könnyedén létrehozhatunk.

Az interaktív térképezéshez két plugint próbáltunk ki, az OpenLayers3 vagy Leaflet térképet generáló qgis2web és a 3D-s three.js objektumokat generáló qgis2threejs modulokat. A térkép layereihez OpenStreetMap-es adatokat használtunk. A járások shape fájljait és Budapest kerületeit a data2.openstreetmap.hu-ról töltöttük le, a többi layer (helyek, utak, vizek stb.) fájlait pedig a Geofabrikról. Ezt egészítettük ki a 2011-es népszámlálás népességszámra, foglalkoztatottságra és munkanélküliségre vonatkozó adataival, amit a KSH Területi statisztikai adatbázisából töltöttünk le.

Amit ezekkel műveltünk, itt lehet megnézni.

Egyrészt interaktív 3D térképen ábrázoltuk a magyarországi járások munkanélküliségi rátáját és foglalkoztatottsági arányait. A munkanélküliségi ráták nem meglepően masszívan magasak, a foglalkoztatottsági arányok pedig masszivan alacsonyak az Eurostat friss statisztikája szerinti 9. legszegényebb európai régióban, Észak-Alföldön, a 10. legszegényebb Dél-Dunántúlon és Észak-Magyarországon, illetve a 14-17. Dél-Alföldön.

Emellett Budapest kerületeit is megvizsgáltuk ugyanilyen interaktív 3D térképekkel. A munkanélküliségi ráták a VIII., a XXI. és a XXIII. kerületben a legmagasabbak, míg a II. és a XII. kerületben a legalacsonyabbak. A foglalkoztatottsági arányok a IV., a XIII., a IX és a VI. kerületben a legmagasabbak, míg az V., a XII. és a XI. kerületben a legalacsonyabbak.

Mivel szerettünk volna település szintű adatokat is ábrázolni, kíválasztottunk egy-egy a statisztikák szerint jobban és rosszabban szereplő járást, amik nem mellesleg szívünkhöz is közel állnak. Így esett a választásunk a mosonmagyaróvári és a szikszói járás településeire, amiknek a térképét, valamint munkanélküliségi és foglalkoztatottsági statisztikáit a qgis2web pluginnel tettünk interaktívvá.

A QGIS tehát egészen jó arra, hogy gyorsan viszonylag jól kinéző, interaktív térképeket készítsünk, úgyhogy még biztos fogjuk használni az eszközt.