Тема работы: «Классификация текстов по тональности методами машинного обучения». Данная работа посвящена созданию модели нейронной сети, которая успешно решает задачу анализа тональности текста. В ходе работы решались следующие задачи: 1. Изучение литературы на тему различных методов машинного обучения для классификации текстов. 2. Анализ существующих архитектур нейронных сетей и создание наиболее эффективной модели нейронной сети для классификации текстов по тональности. 3. Создание и обучение нейронной сети в программе на языке Python с использование библиотек TensorFlow и Keras. 4. Тестирование модели на различных наборах данных, а также на произвольных текстах. В процессе создания модели нейронной сети на языке Python для обучения использовались наборы данных из различных эмоционально окрашенных текстов. Также использовалась модель Word2Vec для векторного представления слов. В результате работы была создана модель нейросети для анализа тональности текстов, основу которой представляет архитектура LSTM (Долгая краткосрочная память). Полученная модель показала достаточно высокие результаты на различных тестовых данных.

The topic of the work: "Sentiment analysis with machine learning methods". This work is devoted to the creation of a neural network model that successfully solves the problem of text sentiment analysis. During the work the following tasks were solved: 1. Studying the literature on the topic of various machine learning methods for text classification. 2. Analysis of existing neural networks and creation of the most efficient neural network model for classifying texts by sentiment. 3. Creating and training a neural network in a Python program using the TensorFlow and Keras libraries. 4. Testing the model on various datasets, as well as on arbitrary texts.In the process of creating a neural network model in Python datasets from various emotional texts were used for training. In addition, the Word2Vec model was used for vector representation of words. As a result of the work, a neural network model was created for sentiment analysis, the basis of which is the LSTM (Long Short-Term Memory) architecture. The resulting model showed high results on various test data.