beginner/nlp/advanced_tutorial.py reST 문법 개선 (#149, #165)

Author: 9bow

beginner_source/nlp/advanced_tutorial.py

@@ -14,7 +14,7 @@
 
 * 정적 툴킷을 쓸 때는 계산 그래프를 한 번만 정의하고, 컴파일 한 후,
   데이터를 계산 그래프에 넘깁니다.
-* 동적 툴킷에서는 *각 데이터*의 계산 그래프를 정의하며 컴파일하지
+* 동적 툴킷에서는 *각 데이터* 의 계산 그래프를 정의하며 컴파일하지
   않고 즉각 실행됩니다.
 
 경험이 많지 않다면 두 방식의 차이를 알기 어렵습니다. 딥 러닝 기반의
@@ -60,8 +60,8 @@
    (힌트 : 로그-합-지수승)
 
 위의 세가지를 할 수 있다면, 아래의 코드를 이해할 수 있을 것입니다.
-CRF는 조건부 확률을 계산한다는 점을 기억하세요. :math:`y`를 연속된
-태그라 하고, :math:`x`를 연속된 입력 단어라 하겠습니다. 그러면 아래의
+CRF는 조건부 확률을 계산한다는 점을 기억하세요. :math:`y` 를 연속된
+태그라 하고, :math:`x` 를 연속된 입력 단어라 하겠습니다. 그러면 아래의
 식을 계산할 수 있습니다.
 
 .. math::  P(y|x) = \frac{\exp{(\text{Score}(x, y)})}{\sum_{y'} \exp{(\text{Score}(x, y')})}
@@ -75,11 +75,11 @@
 특징들만 반영한다고 하겠습니다.
 
 Bi-LSTM CRF 안에 배출(emission), 전이(transition) 두 종류의 포텐셜을
-정의합니다. :math:`i`번째 단어에 대한 배출 포텐셜은 Bi-LSTM의
-:math:`i`번째 시점의 은닉 상태가 결정합니다. 전이 점수는 :math:`|T|x|T|`
-형태인 행렬 :math:`\textbf{P}`에 저장되어 있습니다. :math:`T`는
-태그의 집합입니다. 이 구현에서, :math:`\textbf{P}_{j,k}`는 tag :math:`j`에서
-tag :math:`k`로의 전이 점수를 의미합니다. 따라서:
+정의합니다. :math:`i` 번째 단어에 대한 배출 포텐셜은 Bi-LSTM의
+:math:`i` 번째 시점의 은닉 상태가 결정합니다. 전이 점수는 :math:`|T|x|T|`
+형태인 행렬 :math:`\textbf{P}` 에 저장되어 있습니다. :math:`T` 는
+태그의 집합입니다. 이 구현에서, :math:`\textbf{P}_{j,k}` 는 tag :math:`j` 에서
+tag :math:`k` 로의 전이 점수를 의미합니다. 따라서:
 
 .. math::  \text{Score}(x,y) = \sum_i \log \psi_\text{EMIT}(y_i \rightarrow x_i) + \log \psi_\text{TRANS}(y_{i-1} \rightarrow y_i)
 
@@ -350,7 +350,7 @@ def forward(self, sentence):  # 이 함수와 위의 _forward_alg를 헷갈리
 # 점수와 실제 정답 경로 점수의 차이를 손실 함수로 사용해서 태거를
 # 학습시켜 보세요. 손실 함수의 값은 음수가 아니어야 하며, 예측된 태그
 # 순열이 정답이라면 손실 함수의 값은 0이어야 합니다. 이것은 본질적으로
-# *구조화된 퍼셉트론*입니다.
+# *구조화된 퍼셉트론* 입니다.
 #
 # 이미 비터비와 score_sentence 함수가 구현되어 있기 때문에 간단히 수정할
 # 수 있습니다. 이 모델은 *학습 데이터에 따라 변하는* 계산 그래프의 한