Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 21 Clase Interactiva: 21 Total: 43
Linguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación, Departamento externo vinculado ás titulacións
Áreas: Ciencia da Computación e Intelixencia Artificial, Área externa M.U en Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
A materia introduce os conceptos e técnicas básicas asociadas ao tratamento da linguaxe natural, punto de partida para o deseño de contornos de explotación da información e do diálogo baseados na linguaxe humana, tanto a nivel léxico, sintáctico, semántico e pragmático.
O obxectivo é introducir o alumnado na complexidade inherente á análise da linguaxe natural humana, fundamentalmente asociada á ambigüidade e dependencias contextuais que presenta, e no deseño de estruturas de datos e algoritmos que permitan o seu tratamento práctico.
Niveis de análise. Ambigüidade e dependencias contextuais.
Análise léxica: segmentación, dicionarios e tesauros, técnicas de etiquetaxe morfosintáctico.
Análise: gramáticas alxébricas, gramáticas sensibles ao contexto suaves, gramáticas de dependencia, gramáticas probabilísticas.
Análise semántica: semántica léxica, dependencias semánticas e gráficas semánticas.
Artificial Intelligence: A Modern Approach, 4th Edition, Stuart Russell, Peter Norvig, Pearson 2020.
Introduction to Natural Language Processing, Jacob Eisenstein, MIT Press 2019.
Christopher D. Manning, Prabhakar Raghavan, y Hinrich Schütze (2008). Introduction to Information Retrieval. Cambridge University Press, Cambridge.
Manning, C., & Schutze, H. (1999). Foundations of statistical natural language processing. MIT press.
Kübler, S., McDonald, R., & Nivre, J. (2009). Dependency parsing. Synthesis lectures on human language technologies, 1(1), 1-127.
Goldberg, Y. (2017). Neural network methods for natural language processing. Synthesis lectures on human language technologies, 10(1), 1-309.
Chollet, F. (2018). Keras: The python deep learning library. Astrophysics source code library, ascl-1806.
Adicionalmente, se manejarán textos científicos disponibles en lad bibliotecas digitales del área, como la ACL Anthology o ACM.
Competencias básicas e xerais:
CG1 - Manter e ampliar enfoques teóricos fundamentados que permitan a introdución e explotación de tecnoloxías novas e avanzadas no ámbito da Intelixencia Artificial.
CG3 - Busca e selecciona a información útil necesaria para resolver problemas complexos, manexando con facilidade as fontes bibliográficas do campo.
CG4 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables na materia.
CB6 - Posuír e comprender coñecementos que proporcionan unha base ou oportunidade para ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación
CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade para resolver problemas en contornos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo.
CB10 - Que os estudantes teñan as habilidades de aprendizaxe que lles permitan seguir estudando dun xeito que será en gran parte autodirixido ou autónomo.
Habilidades transversais:
CT2 - Dominar a expresión e comprensión oral e escrita dunha lingua estranxeira.
CT3 - Utilizar as ferramentas básicas das tecnoloxías da información e da comunicación (TIC) necesarias para o exercicio da súa profesión e para a formación permanente.
CT7 - Desenvolver a capacidade de traballo en equipos interdisciplinares ou transdisciplinares, para ofrecer propostas que contribúan a un desenvolvemento sustentable ambiental, económico, político e social.
CT8 - Valorar a importancia da investigación, a innovación e o desenvolvemento tecnolóxico no progreso socioeconómico e cultural da sociedade.
Habilidades específicas:
CE1.- Coñecemento e dominio de técnicas de tratamento de textos en linguaxe natural.
CE2.- Comprensión e dominio dos fundamentos e técnicas de tratamento semántico de documentos enlazados, estruturados e non estruturados, e da representación do seu contido.
CE3.- Comprensión e coñecemento de técnicas e razoamentos de representación do coñecemento a través de ontoloxías, gráficos de coñecemento e modelos de datos (como RDF), así como as ferramentas asociadas a eles.
Resultados de aprendizaxe:
- Coñecer, comprender e analizar a representación formal de diversos fenómenos léxicos, sintácticos e semánticos da linguaxe natural.
- Coñecer, comprender e saber utilizar as tecnoloxías, marcos e bibliotecas para a construción de sistemas de procesamento da linguaxe natural.
- Deseñar, implementar e saber utilizar algoritmos e estruturas de datos para procesar e apoiar os diversos fenómenos característicos da linguaxe natural.
- Coñecer, comprender e analizar técnicas de procesamento da linguaxe natural para o procesamento e a desambiguación a nivel léxico, sintáctico e semántico.
- Coñecer e comprender os problemas que supón a ambigüidade e a imprecisión nas fontes de datos da linguaxe natural e as técnicas para resolvelos.
Método expositivo/clase maxistral, prácticas de laboratorio, titorías, traballo autónomo, estudos de casos, aprendizaxe por proxectos.
Da combinación de métodos, haberá:
Clases teóricas, nas que se expón o contido de cada tema. O alumno disporá previamente de copias das transparencias e o profesor promoverá unha actitude activa, formulando preguntas que permitan aclarar aspectos concretos e deixando preguntas abertas para a reflexión do alumnado.
Lectura e estudo de material diverso proporcionado polo profesor en forma de libros de bibliografía, artigos e revistas científicas,
Clases prácticas co uso do ordenador, que permitan ao alumnado familiarizarse dende un punto de vista práctico coas cuestións expostas nas clases teóricas.
E1: exame final 50%
E2: Avaliación dos traballos prácticos 50%
O alumnado deberá acadar polo menos o 40% da nota máxima de cada parte (E1, E2) e, en todo caso, a suma de ambas partes deberá superar un 5 para superar a materia. De non cumprirse algún dos requisitos anteriores, a cualificación da convocatoria establecerase en función da nota máis baixa obtida.
No caso de non acadar o mínimo en ningunha das partes, o alumno disporá dunha segunda oportunidade na que só se lle esixirá entregar esa parte.
As entregas das prácticas deberán realizarse no prazo establecido no campus virtual e deberán seguir as especificacións sinaladas no enunciado tanto para a súa presentación como para a súa defensa.
Quen presente todas as prácticas obrigatorias ou concorra á proba obxectiva no período oficial de avaliación terá a condición de "Presentado".
No caso de realización fraudulenta de exercicios ou probas, aplicarase o Regulamento de avaliación do rendemento académico do alumnado e revisión de cualificacións. En aplicación da normativa correspondente en materia de plaxio, a copia total ou parcial dalgún exercicio práctico ou teórico suporá o suspenso nas dúas oportunidades do curso, coa cualificación de 0,0 en ambos os casos.
O tempo de estudo e traballo persoal comprende un total de 150 horas, repartidas nas seguintes actividades formativas:
A1: Clases teóricas, 21h. presencial + 42h. dedicación ao estudo
A2: Clases prácticas de laboratorio, 14h. presencial + 62h. de traballo autónomo.
A3: Aprendizaxe baseada en problemas, seminarios, estudos de casos e proxectos, 7 h. presencial + 46h. de dedicación.
Requisitos previos recomendados: Coñecementos básicos de Teoría de Autómatas e Linguaxes Formais.
Emprégase o campus virtual.
Alejandro Catala Bolos
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- alejandro.catala [at] usc.es
- Categoría
- Profesor/a: Profesor Axudante Doutor LOU
Nikolay Babakov
- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- nikolay.babakov [at] usc.es
- Categoría
- Predoutoral Marie Curie
Mércores | |||
---|---|---|---|
17:00-18:30 | Grupo /CLE_01 | Inglés | IA.02 |
18:30-20:00 | Grupo /CLIL_01 | Inglés | IA.02 |
15.01.2024 16:00-20:45 | Grupo /CLIL_01 | IA.02 |
15.01.2024 16:00-20:45 | Grupo /CLE_01 | IA.02 |
20.06.2024 16:00-20:45 | Grupo /CLE_01 | IA.02 |
20.06.2024 16:00-20:45 | Grupo /CLIL_01 | IA.02 |