As discussed supervised methods are

As discussed supervised methods are class of algorithm that learn a model by looking at annotated training examples. Among the supervised learning algorithms for NER, considerable work has been done using Decision Trees[15], Hidden Markov Model (HMM)[19], Maximum Entropy Models (MaxEnt)[7], Support Vector Machines (SVM)[18] and Conditional Random Fields(CRF)[2]. Typically, supervised methods either learn disambiguation rules based on discriminative features or try to learn the parameter of assumed distribution that maximizes the likelihood of training data.

Results (Thai) 1:

วิธีดูแลที่กล่าวนี้ ของอัลกอริทึมที่ได้เรียนรู้รูปแบบ โดยดูที่ตัวอย่างประกอบฝึกอบรม ในการดูแลการเรียนรู้อัลกอริทึมสำหรับอีกฝ่าย งานมากแล้วใช้ ต้นไม้ตัดสินใจ [15], ซ่อน Markov รุ่น (HMM) [19], Entropy รุ่นสูงสุด (MaxEnt) [7], เครื่องสนับสนุนเวกเตอร์ (SVM) [18] และ Fields(CRF) สุ่มตามเงื่อนไข [2] โดยทั่วไป วิธีดูแลเรียนรู้กฎกำกวมอิงคุณสมบัติ discriminative หรือพยายามเรียนรู้พารามิเตอร์ของการกระจายโหลดที่เพิ่มโอกาสของข้อมูลการฝึกอบรม

Results (Thai) 2:

ในฐานะที่เป็นวิธีการภายใต้การดูแลเป็นชั้นกล่าวถึงขั้นตอนวิธีการที่ได้เรียนรู้รูปแบบโดยดูที่ตัวอย่างการฝึกอบรมข้อเขียน ท่ามกลางขั้นตอนวิธีการเรียนรู้ภายใต้การดูแลสำหรับเนอร์ทำงานมากได้รับการทำโดยใช้ต้นไม้ตัดสินใจ [15], Hidden Markov Model (HMM) [19], สูงสุดเอนโทรปีรุ่น (Maxent) [7], การสนับสนุนเครื่องเวกเตอร์ (SVM) [18] และ เงื่อนไขทุ่งสุ่ม (CRF) [2] โดยปกติภายใต้การดูแลวิธีการอย่างใดอย่างหนึ่งเรียนรู้กฎแก้ความกำกวมขึ้นอยู่กับคุณสมบัติจำแนกหรือพยายามที่จะเรียนรู้พารามิเตอร์ของการกระจายสันนิษฐานว่าจะช่วยเพิ่มโอกาสในการข้อมูลการฝึกอบรม

Results (Thai) 3:

เมื่อกล่าวถึงการเรียนของอัลกอริทึมที่เรียนวิธีการ รูปแบบ โดยดูบันทึกย่อตัวอย่างการฝึกอบรม ระหว่างการเรียนรู้แบบมีผู้สอนขั้นตอนวิธีสำหรับเน่อ งานมากได้รับการทำโดยใช้ต้นไม้ตัดสินใจ [ 15 ] , ฮิดเดนมาร์คอฟโมเดล ( อืม ) [ 19 ] แบบเอนโทรปีสูงสุด ( maxent ) [ 7 ] , เครื่องเวกเตอร์สนับสนุน ( SVM ) [ 18 ] และเขตข้อมูลแบบสุ่ม ( CRF ) [ 2 ] โดยทั่วไปแล้ว มีวิธีการให้เรียนรู้กฎแก้ความกำกวมขึ้นอยู่กับคุณสมบัติและหรือพยายามที่จะเรียนรู้พารามิเตอร์ของการแจกแจงความน่าจะเป็น สันนิษฐานที่เพิ่มข้อมูลการฝึกอบรม