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 morfosintáctica.
Análise sintáctica: Gramáticas alxebraicas. Gramáticas suavemente sensibles ao contexto. Gramáticas de dependencias. Gramáticas probabilísticas.
Análise semántica: semántica léxica, dependencias semánticas e 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
Adicionalmente, manexaranse textos científicos dispoñibles nas bibliotecas dixitais da área, como o ACL Anthology ou 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 |
| 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 |