Bøger af Dhananjay Bhagat

L'Hate Speech e le molestie sono molto diffuse nella comunicazione online, a causa della libertà e dell'anonimato degli utenti e della mancanza di regolamentazione dei social media. Per questo motivo, il trolling e il bullismo informatico sono un problema importante per la società. Per superare questo problema, possiamo utilizzare la capacità dell'apprendimento automatico per il rilevamento dei discorsi d'odio per catturare proprietà comuni da insiemi di dati generici e trasferire questa conoscenza per riconoscere manifestazioni specifiche di discorsi d'odio utilizzando NLP, ML e analisi. Il nostro obiettivo principale è applicare questo modello sofisticato ed efficiente ai dati testuali per ottenere risultati ottimali e accurati. Abbiamo utilizzato diverse tecniche di machine learning e deep learning, tra cui approcci multimodali. Abbiamo utilizzato un set di dati suddiviso in argomenti specifici come misoginia, sessismo, razzismo, xenofobia e omofobia. L'addestramento di un modello su una combinazione di diversi dataset (trainingset da diversi) topic-specific è più efficace dell'addestramento di un modello su un dataset generico atopico. I dataset possono essere raccolti da varie fonti come YouTubeAPI, Twitter API, web-scrapping o da varie fonti governative. Il nostro obiettivo è quello di eseguire una pre-elaborazione e un'analisi esplorativa dei dati raccolti e di trarne delle conclusioni,

Les discours haineux et le harcèlement sont très répandus dans la communication en ligne, en raison de la liberté et de l'anonymat des utilisateurs et de l'absence de réglementation des médias sociaux. C'est pourquoi le trolling et l'intimidation en ligne constituent un problème majeur dans une société. Pour surmonter ce problème, nous pouvons utiliser la capacité de l'apprentissage automatique pour la détection des discours de haine afin de capturer les propriétés communes des ensembles de données génériques et de transférer ces connaissances pour reconnaître les manifestations spécifiques de discours de haine en utilisant la PNL, l'apprentissage automatique et l'analyse. Notre objectif principal est d'appliquer ce modèle sophistiqué et efficace sur des données textuelles pour obtenir des résultats optimaux et précis. Nous avons utilisé différentes techniques d'apprentissage automatique et d'apprentissage profond, y compris des approches multimodales. Nous utilisons un ensemble de données divisé en sujets spécifiques comme la misogynie, le sexisme, le racisme, la xénophobie et l'homophobie. L'entraînement d'un modèle sur une combinaison de plusieurs (ensembles d'entraînement provenant de plusieurs) ensembles de données spécifiques à un sujet est plus efficace que l'entraînement d'un modèle sur un ensemble de données génériques atopiques. Les données peuvent être collectées à partir de diverses sources telles que YouTubeAPI, Twitter API, web-scrapping ou diverses sources gouvernementales. Notre objectif est d'effectuer un prétraitement et une analyse exploratoire des données collectées et d'en tirer des conclusions,

Hate Speech und Belästigung sind in der Online-Kommunikation weit verbreitet, was auf die Freiheit und Anonymität der Nutzer und die fehlende Regulierung durch soziale Medien zurückzuführen ist. Aus diesem Grund sind Cyber-Trolling und Mobbing ein großes Problem in einer Gesellschaft. Um dieses Problem zu überwinden, können wir die Fähigkeit des maschinellen Lernens zur Erkennung von Hassreden nutzen, um gemeinsame Eigenschaften von themenübergreifenden Datensätzen zu erfassen und dieses Wissen zu übertragen, um spezifische Manifestationen von Hassreden mithilfe von NLP, ML und Analyse zu erkennen. Unser Hauptziel ist es, dieses hochentwickelte und effiziente Modell auf Textdaten anzuwenden, um optimale und genaue Ergebnisse zu erzielen. Wir verwenden verschiedene Techniken des maschinellen Lernens und des tiefen Lernens, einschließlich multimodaler Ansätze. Wir verwenden einen Datensatz, der in themenspezifische Kategorien wie Misogynie, Sexismus, Rassismus, Fremdenfeindlichkeit und Homophobie unterteilt ist. Das Trainieren eines Modells auf einer Kombination von mehreren (Trainingssätzen aus mehreren) themenspezifischen Datensätzen ist effektiver als das Trainieren eines Modells auf einem atopisch-generischen Datensatz. Die Datensätze können aus verschiedenen Quellen wie YouTubeAPI, Twitter API, Web-Scraping oder aus verschiedenen Regierungsquellen stammen. Unser Ziel ist es, eine Vorverarbeitung und explorative Datenanalyse der gesammelten Daten durchzuführen und daraus Schlussfolgerungen zu ziehen,

O discurso de ódio e o assédio estão generalizados na comunicação em linha, devido à liberdade e ao anonimato dos utilizadores e à falta de regulamentação das redes sociais. Por este motivo, o trolling cibernético e o bullying são problemas importantes numa sociedade. Para ultrapassar este problema, podemos utilizar a capacidade de aprendizagem automática para a deteção de discursos de ódio, a fim de captar propriedades comuns de conjuntos de dados genéricos de tópicos e transferir este conhecimento para reconhecer manifestações específicas de discursos de ódio utilizando PNL, ML e análise. O nosso principal objetivo é aplicar este modelo sofisticado e eficiente em dados de texto para obter resultados óptimos e precisos. Usamos diferentes técnicas de aprendizado de máquina e aprendizado profundo, incluindo abordagens multimodais. Utilizamos um conjunto de dados que está dividido em tópicos específicos, como misoginia, sexismo, racismo, xenofobia e homofobia. Treinar um modelo numa combinação de vários conjuntos de dados específicos (conjuntos de treino de vários) é mais eficaz do que treinar um modelo num conjunto de dados genérico atópico. Os conjuntos de dados podem ser recolhidos a partir de várias fontes, como a API do YouTube, a API do Twitter, o web-scrapping ou várias fontes governamentais. O nosso objetivo é efetuar o pré-processamento e a análise exploratória dos dados recolhidos e retirar conclusões a partir deles,

Hate Speech and harassment are widespread in online communication, due to user¿sfreedom and anonymity and the lack of regulation governed by social media. Due to thiscyber trolling and bullying is major issue in a society. To overcome this problem, we canuse the ability of machine learning for hate speech detection to capture common propertiesfrom topic generic datasets and transfer this knowledge to recognize specificmanifestations of hate speech using NLP, ML and Analysis. Our main goal is to apply thissophisticated and efficient model on text data to get optimal and accurate results. We usedifferent machine learning and deep learning technique including multi modalapproaches. We use dataset that is divided into topic-specific like misogyny, sexism,racism, xenophobia, homophobia. Training a model on a combination of several (trainingsets from several) topic-specific datasets is more effective than training a model on atopic-generic dataset. Dataset can be gathered from various sources like from YouTubeAPI, Twitter API, web-scrapping or from various government sources. Our aim is toperform preprocessing and exploratory data analysis on collected data and deriveconclusion from it.