Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Tutorías: 1 Clase Expositiva: 21 Clase Interactiva: 21 Total: 43
Lenguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación, Departamento externo vinculado a las titulaciones
Áreas: Ciencia de la Computación e Inteligencia Artificial, Área externa M.U en Intelixencia Artificial
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Primer semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
La asignatura introduce los conceptos y técnicas básicas asociadas al procesamiento del lenguaje natural, punto de partida para el diseño de entornos de explotación de información y de diálogo basados en el lenguaje humano, tanto a nivel léxico como sintáctico, semántico y pragmático.
El objetivo es introducir al estudiante en la complejidad inherente al análisis del lenguaje natural humano, fundamentalmente asociada a la ambigüedad y dependencias contextuales que presentan, y en el diseño de estructuras de datos y algoritmos que permitan su tratamiento práctico.
Niveles de análisis. Ambigüedad y dependencias contextuales.
Análisis léxico: segmentación, diccionarios y tesauros, técnicas de etiquetación morfosintáctica.
Análisis sintáctico: gramáticas algebraicas, gramáticas suavemente sensibles al contexto, gramáticas de dependencias, gramáticas probabilísticas.
Análisis semántico: semántica léxica, dependencias semánticas y grafos semánticos.
Básica:
Manning, C., & Schutze, H. (1999). Foundations of statistical natural language processing. MIT Press
Goldberg, Y. (2017). Neural network methods for natural language processing. Synthesis lectures on human language technologies. Morgan Claypool
Jacob Eisenstein (2019). Introduction to Natural Language Processing. MIT Press
Jurafsky, D. & Martin, J. H. (2022). Speech and Language Processing (3rd ed. draft). Disponible en: https://web.stanford.edu/~jurafsky/slp3/
Manning, C., & Schutze, H. (1999). Foundations of statistical natural language processing. MIT Press
Complementaria:
Chollet, F. (2018). Keras: The python deep learning library. Astrophysics Source Code Library
Stuart Russell, Peter Norvig (2020). Artificial Intelligence: A Modern Approach, 4th Edition. Pearson
Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze (2008). Introduction to Information Retrieval. Cambridge University Press, Cambridge
Kübler, S., McDonald, R., & Nivre, J. (2009). Dependency Parsing. Synthesis lectures on human language technologies. Morgan Claypool
Additionally, scientific texts available in digital libraries in the research field, such as ACL Anthology or ACM.
Adicionalmente, se manejarán textos científicos disponibles en lad bibliotecas digitales del área, como la ACL Anthology o ACM.
Competencias básicas y generales:
CG1 - Mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas en el campo de la Inteligencia Artificial.
CG3 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo.
CG4 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables en el campo.
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
Competencias transversales:
CT2 - Dominar la expresión y la comprensión de forma oral y escrita de un idioma extranjero.
CT3 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida.
CT7 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, económico, político y social.
CT8 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad.
Competencias específicas:
CE1.- Comprensión y dominio de técnicas para el procesamiento de textos en lenguaje natural.
CE2.- Comprensión y dominio de los fundamentos y técnicas de procesamiento semántico de documentos enlazados, estructurados y no
estructurados, y de la representación de su contenido.
CE3.- Comprensión y conocimiento de las técnicas de representación de conocimiento y razonamiento mediante ontologías, grafos de conocimiento y modelos de datos (como RDF), así como de las herramientas asociadas a las mismas.
Resultados de aprendizaje:
- Conocer, comprender y analizar la representación formal de diversos fenómenos léxicos, sintácticos y semánticos del lenguaje natural.
- Conocer, comprender y saber usar las tecnologías, marcos y librerías para la construcción de sistemas de procesamiento del lenguaje natural.
- Diseñar, implementar y saber usar algoritmos y estructuras de datos para tratar y dar soporte a los diversos fenómenos característicos del lenguaje natural.
- Conocer, comprender y analizar las técnicas de procesamiento del lenguaje natural para el procesado y desambiguación a nivel léxico, sintáctico y semántico.
- Conocer y comprender los problemas que plantea la ambigüedad e imprecisión en las fuentes de datos en lenguaje natural y técnicas para resolverlos.
Método expositivo / lección magistral, prácticas de laboratorio, tutorías, trabajo autónomo, estudio de casos, aprendizaje por proyectos.
De la combinación de métodos, se dispondrán de:
Clases teóricas, en las que se expone el contenido de cada tema. El alumno dispondrá de copias de las transparencias con anterioridad y el profesor promoverá una actitud activa, realizando preguntas que permitan aclarar aspectos concretos y dejando cuestiones abiertas para la reflexión del alumno.
Lectura y estudio de material diverso proporcionado por el profesor en forma de libros de la bibliografía, artículos y revistas científicas,
Clases prácticas con uso de ordenador, que permiten al alumno familiarizarse desde un punto de vista práctico con las cuestiones expuestas en las clases teóricas.
E1: Examen final 50%
E2: Evaluación de trabajos prácticos 50%
Los alumnos deberán alcanzar al menos un 40% de la máxima nota cada parte (teoría, práctica) y en cualquier caso la suma de ambas partes debe superar un 5 para superar la asignatura. Si no se cumple alguno de los requisitos anterior, la nota de la convocatoria se establecerá de acuerdo a la menor nota obtenida.
En caso de no alcanzar el mínimo en alguna de las partes, el alumno tendrá una segunda oportunidad en la que solamente se le exigirá la entrega de dicha parte.
Las entregas de las prácticas deben realizarse dentro del plazo establecido en el campus virtual y deben seguir las especificaciones indicadas en el enunciado tanto para su presentación como su defensa.
Tendrá la condición de “Presentado” quien entregue todas las prácticas obligatorias o concurra a la prueba objetiva en el período oficial de evaluación.
En el caso de realización fraudulenta de ejercicios o pruebas, se aplicará la Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de cualificaciones. En aplicación de la normativa correspondiente sobre plagio, la copia total o parcial de algún ejercicio de prácticas o de teoría supondrá el suspenso en las dos oportunidades del curso, con la calificación de 0,0 en ambos casos.
El tiempo de estudio y trabajo personal comprende un total de 150 horas, repartidas en las siguientes actividades formativas:
A1: Clases de teoría, 21h. presencial + 42h. de dedicación al estudio autónomo
A2: Clases prácticas de laboratorio, 14h. presencial + 62h. de trabajo autónomo.
A3: Aprendizaje basado en problemas, seminarios, estudio de casos y proyectos, 7 h. presencial + 46h. de dedicación.
Requisitos previos recomendados: Conocimientos básicos de Teoría de Autómatas y Lenguajes Formales.
Se hace uso del campus virtual.
Alejandro Catala Bolos
Coordinador/a- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Correo electrónico
- alejandro.catala [at] usc.es
- Categoría
- Profesor/a: Profesor Ayudante Doctor LOU
Nikolay Babakov
- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Correo electrónico
- nikolay.babakov [at] usc.es
- Categoría
- Predoutoral Marie Curie
| Miércoles | |||
|---|---|---|---|
| 17:00-18:30 | Grupo /CLE_01 | Inglés | IA.02 |
| 18:30-20:00 | Grupo /CLIL_01 | Inglés | IA.02 |
| 20.01.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |
| 20.01.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 20.06.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 20.06.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |