Učitelská verze stránky

Po tomto cvičení student

• má hotové triviální filtry a umí změřit jejich kvalitu na datové sadě,
• chápe, v čem může být dědičnost užitečná při implementaci spam filtrů.

• Dotazy a odpovědi
• Kontrola DÚ z minulého týdne
• Varování před přílišnou podobností kódů
• Tutoriál: Dědičnost
• Hádanka
• Programovací úloha
• Konzultace problémů a práce na úloze Spam filter

Může se týkat

• tříd Corpus a TrainingCorpus a
• jednotlivých spam filtrů.

Teplé nápoje

  objednavka = [TureckaKava('mléko a cukr'), 
                Caj('citrón'), 
                TureckaKava('mléko')]
  for napoj in objednavka:
    napoj.priprav()
    print()

Vařím vodu.
Dávám do šálku lžičku mleté kávy.
Nalévám vodu do šálku.
Přidávám mléko a cukr.

Vařím vodu.
Dávám do šálku sáček čaje.
Nalévám vodu do šálku.
Přidávám citrón.

Vařím vodu.
Dávám do šálku lžičku mleté kávy.
Nalévám vodu do šálku.
Přidávám mléko.

Dopravní prostředky

vehicles = [
    WaterVehicle(id='Titanic', current_location='Liverpool'),
    GroundVehicle(id='Humvee', current_location='Baghdad'),
    AirVehicle(id='Air Force One', current_location='Washington')
    ]
 
for vehicle in vehicles:
    vehicle.move_to('Prague')
    print(vehicle)

Titanic: No route available. Current location: Liverpool
Humvee: Travelled via ('Baghdad', 'gas station', 'Prague'). Current location: Prague
Air Force One: Travelled via ('Washington', 'Prague'). Current location: Prague

Zadání hádanky se dozvíte na cvičení.

Představme si, že máme učicí se filtr, který funguje následovně. Při trénování si pro všechny trénovací emaily zapamatuje začátek řetězce zprávy o délce N znaků a třídu, do níž daný email patří. Při hodnocení nové zprávy spočítá, s kolika spamy a s kolika hamy se shoduje začátek nové zprávy, a zaklasifikuje zprávu podle majority. Parametr N představující délku fragmentů, které si filtr pamatuje, nám umožňuje filtr ladit.

• Jak se chová míra kvality měřená na trénovacích a testovacích datech v závislosti na změně parametru N?
• Jaká hodnota N je pro tento filtr a daná data optimální? Jaké hledisko vlastně použijeme k posouzení optimality?

Dotáhněte úlohu spam filter do stavu, kdy vám fungují jednoduché filtry a jste schopni spočítat jejich kvalitu (tedy až do kroku 4). Pokud vám něco není jasné, ptejte se cvičícího!

• Neprochází-li vaše kódy přes unit testy ke krokům 2 nebo 3, rozhodně kontaktujte vyučujícího a v diskusi s ním si vyjasněte, kde je chyba a jak je třeba pokračovat!
• Neprochází-li vaše třída TrainingCorpus přes unit test ke kroku 5 a rádi byste vypracovali filtr, který se umí učit, opět kontaktujte vyučujícího!
• V čase zbývajícím do odevzdání byste měli pracovat už jen na vlastním filtru, všechny podpůrné třídy a funkce byste již měli mít hotové! Využijte příležitosti - vyučující je na cvičeních pro vás!

Projděte si sekci krok 6: programovací tipy uvedenou v programu prací na úloze spam. Obsahuje (neúplný) výčet tříd, metod a funkcí jazyka Python, které by se vám mohly při vytváření spam filtru hodit.

• Krok 5 - třída TrainingCorpus, pokud ji ve svém filtru budete využívat.
• Krok 6 - vlastní filtr: pusťte se do něj! Dotazy na fóru nebo emailem.