Study programme competencies |
Code
|
Study programme competences / results
|
A1 |
Aprender de maneira autónoma novos coñecementos e técnicas avanzadas axeitadas para a investigación, o deseño e o desenvolvemento de sistemas e servizos informáticos. |
A3 |
Concibir e planificar o desenvolvemento de aplicacións informáticas complexas ou con requisitos especiais. |
A5 |
Saber especificar, deseñar e implementar sistemas intelixentes cando as solucións convencionais non resultaren satisfactorias. |
A8 |
Concibir, despregar, organizar e xestionar un servizo informático complexo. |
B1 |
Aprender a aprender. |
B2 |
Resolver problemas de forma efectiva. |
B3 |
Aplicar un pensamento crítico, lóxico e creativo. |
B4 |
Aprendizaxe autónoma. |
B5 |
Traballar de forma colaborativa. |
B6 |
Comportarse con ética e responsabilidade social como cidadán e como profesional. |
B8 |
Traballar en equipos de carácter interdisciplinar. |
B9 |
Capacidade para tomar decisións. |
B10 |
Capacidade de xestión da informática (captación e análises da información). |
B15 |
Motivación pola calidade. |
C3 |
Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida. |
C5 |
Entender a importancia da cultura emprendedora e coñecer os medios ao alcance das persoas emprendedoras. |
C6 |
Valorar criticamente o coñecemento, a tecnoloxía e a información dispoñible para resolver os problemas cos que deben enfrontarse. |
C7 |
Asumir como profesional e cidadán a importancia da aprendizaxe ao longo da vida. |
C8 |
Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade. |
Learning aims |
Learning outcomes |
Study programme competences / results |
Comprender a descrición lingüística dos fenómenos presentes na linguaxe natural. |
A1
|
B1 B3 B4
|
|
Distinguir entre o nivel léxico, sintático e semántico da linguaxe. |
|
B3
|
|
Recoñecer os fenómenos da linguaxe que son tratables e aqueles que non o son. |
|
B3
|
|
Coñecer os algoritmos, técnicas e métodos máis empregados actualmente no procesamento da linguaxe natural. |
A1
|
B1 B4
|
C3 C6 C8
|
Comprender a representación formal de diversos fenómenos léxicos, sintáticos e semánticos da linguaxe humana. |
A3 A5
|
B2 B3 B9 B15
|
C3
|
Deseñar algoritmos e estruturas de datos para o tratamento de diversos fenómenos das linguaxes humanas. |
A3 A5
|
B2 B3 B8 B9 B10 B15
|
C3 C6
|
Implementar as solucións propostas. |
A3 A5
|
B2 B3 B6 B9 B10 B15
|
C3 C6
|
Usar as técnicas e métodos do procesamento da linguaxe natural para resolver problemas reais de comunicación home-máquina. |
A1 A3 A5 A8
|
B2 B3 B4 B9 B10
|
C3 C6 C8
|
Asumir a complexidade da linguaxe humana e as limitacións dos ordenadores para tratala. |
A5
|
B3
|
C6
|
Aceptar solucións parciais a un problema ante a imposibilidade de obter solucións completas. |
A5
|
B3 B9 B15
|
C6
|
Valorar o esforzo que require realizar avances nun campo complexo. |
|
B6 B15
|
C6 C7 C8
|
Rechazar a compartimentación do saber en áreas cerradas (por exemplo, ciencias en contraposición a humanidades) |
A5
|
B3 B5 B8
|
C6 C7 C8
|
Colaborar no desenvolvemento de recursos e software libre. |
|
|
C3 C5 C8
|
Contents |
Topic |
Sub-topic |
INTRODUCIÓN Ó PROCESAMENTO DA LINGUAXE
NATURAL |
Niveles de análise.
Ambigüedade. |
ANÁLISE LÉXICA |
Segmentación de textos.
Morfoloxía flexiva e derivativa.
Modelización de grandes dicionarios.
Autómatas finitos acíclicos deterministas numerados.
Tradutores de estado finito e morfoloxía de dous niveis. |
ETIQUETACIÓN |
Modelos de Markov ocultos.
Execución eficiente dos modelos de Markov ocultos.
Técnicas de suavizado.
Tratamento de palabras descoñecidas.
Aprendizaxe de etiquetas baseado en transformacións e dirixido polo erro. |
ANÁLISE SINTÁCTICA: GRAMÁTICAS INDEPENDENTES DO CONTEXTO |
Esquemas de análise sintática.
Análise ascendente.
O algoritmo de Earley.
Autómatas a pila e programación dinámica.
Análise sintática LR xeralizada.
Representación compartida das árboles de análise sintática.
Análise sintática probabilística. |
ANÁLISE SINTÁCTICA: GRAMÁTICAS SUAVEMENTE DEPENDENTES Do CONTEXTO |
Gramáticas de adxunción de árbores.
Análise sintática de gramáticas de adxunción de árbores.
Autómatas para as gramáticas de adxunción de árbores.
Representación compartida das árbores de derivación.
Gramáticas de adxunción de árbores probabilísticas. |
ANÁLISE SEMÁNTICA |
Estruturas de rasgos e formalismos baseados en unificación.
Relacións léxicas: WordNet e EuroWordNet. |
RECUPERACIÓN DE INFORMACIÓN (RI) |
Conceptos básicos
Modelos de recuperación: booleano, vectorial e probabilístico
Os procesos de indexación e recuperación
Avaliación en RI
RI sobre web. Un caso práctico: Google
Aplicacións do procesamento da linguaxe natural a RI: a variación lingüística |
EXTRACIÓN DE INFORMACIÓN (EI) |
Conceptos básicos
Arquitectura dun sistema de EI
Tarefas de EI
Avaliación en EI
Exemplos de sistemas de EI: FASTUS e outros
|
PROCURA DE RESPOSTAS (PR) |
Conceptos básicos
PR vs. RI/EI
Arquitectura dun sistema de PR
Procesamento da pregunta
Recuperación e seleción de documentos/pasaxes
Extración da resposta
Avaliación en PR |
TRADUCIÓN AUTOMÁTICA (TA)
|
Conceptos básicos e problemática
Técnicas "clásicas"
Técnicas estadísticas
Aplicacións en RI interlingüe
|
Planning |
Methodologies / tests |
Competencies / Results |
Teaching hours (in-person & virtual) |
Student’s personal work hours |
Total hours |
Short answer questions |
A5 B2 B3 B9 C6 |
3 |
4 |
7 |
Guest lecture / keynote speech |
A1 A8 B1 B3 B4 B6 B8 B15 C5 |
17 |
17 |
34 |
Workshop |
B2 B3 B5 B6 C6 |
8 |
8 |
16 |
Laboratory practice |
A1 A3 A5 A8 B1 B2 B3 B4 B5 B6 B8 B9 B10 B15 C3 C5 C6 C7 C8 |
10 |
20 |
30 |
Panel discussion |
A3 B2 B3 B5 B6 B9 B15 C6 C7 C8 |
4 |
4 |
8 |
|
Personalized attention |
|
5 |
0 |
5 |
|
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. |
Methodologies |
Methodologies |
Description |
Short answer questions |
A final de curso realizarase unha proba escrita con problemas de similar dificultade aos plantexados durante o curso.
|
Guest lecture / keynote speech |
Nas clases presenciais de teoría, o profesor realizará unha breve descrición dos contidos temáticos e dos obxectivos básicos perseguidos, co fin de dotar ao alumno dunha visión global da materia. Ademais tratará de establecer interrelacións con outros conceptos previamente adquiridos, de forma que se poida establecer unha liña temporal, e exporá a bibliografía recomendada. Seguidamente pasará a desenvolver os contidos teóricos, utilizando como método a clase maxistral. |
Workshop |
Nas clases presenciais de problemas, co fin de afianzar os conceptos teóricos, presentaranse supostos prácticos, que nun principio serán resoltos polo profesor para orientar aos alumnos. Como actividades non presenciais, exporanse exercicios adicionais que o alumno deberá resolver e comentar/corrixir co profesor durante as horas de clases prácticas. Trátase de fomentar a participación dos alumnos e promover, na medida do posible, o diálogo aberto e a valoración de solucións. |
Laboratory practice |
As clases de prácticas de laboratorio obrigan á implementación de solucións para un problema dado. Imporase unha periodicidade na súa entrega para fomentar o estudo continuo. O enunciado das prácticas, que se proporcionará con antelación abonda, detallará o problema e as especificacións, que o alumno deberá respectar estritamente. Este enunciado analizarase cos alumnos. Posteriormente, a labor do profesor será a de supervisar as sesións de prácticas, solucionando dúbidas, corrixindo erros de interpretación, suxerindo lecturas, etc. |
Panel discussion |
Fomentarase o espíritu crítico dos alumnos e o desenvolvemento da súa capacidade para argumentar mediante a realización de debates e discucións en forma de titorías colectivas. |
Personalized attention |
Methodologies
|
Laboratory practice |
Workshop |
Guest lecture / keynote speech |
|
Description |
A labor do profesor será, tanto nas clases teóricas como prácticas, a de supervisar o traballo del alumno, solucionando dúbidas, corrixindo erros de interpretación, suxerindo lecturas, etc., non só como grupo, senon tamén como individuo. |
|
Assessment |
Methodologies
|
Competencies / Results |
Description
|
Qualification
|
Short answer questions |
A5 B2 B3 B9 C6 |
Proba escrita con problemas de dificultade semellante aos expostos durante o curso.
Avaliaranse o dominio de coñecementos teóricos e a súa aplicación en resolución de problemas.
O exame final é optativo, polo que o alumno pode optar por incrementar o peso da parte práctica ata o 80% da nota da materia. |
40 |
Panel discussion |
A3 B2 B3 B5 B6 B9 B15 C6 C7 C8 |
Valolarase a participación nas clases e titorías colectivas. |
3 |
Laboratory practice |
A1 A3 A5 A8 B1 B2 B3 B4 B5 B6 B8 B9 B10 B15 C3 C5 C6 C7 C8 |
Entregaranse unha ou varias prácticas a realizar individualmente ou en grupo, segundo o alcance das mesmas.
Avaliaranse a posta en práctica dos coñecementos da materia, a metodoloxía de deseño, o funcionamento e a innovación.
Independentemente da nota obtida no resto dos apartados de avaliación, o alumno deberá superar esta parte práctica para superar a materia.
O exame final é*optativo, polo que o alumno pode optar por incrementar o peso da parte práctica ata o 80% da nota da materia. |
40 |
Workshop |
B2 B3 B5 B6 C6 |
Valolarase a participación nas clases e titorías colectivas. |
7 |
Guest lecture / keynote speech |
A1 A8 B1 B3 B4 B6 B8 B15 C5 |
Valolarase a participación nas clases e titorías colectivas. |
10 |
|
Assessment comments |
No caso de novos alumnos, ao non haber xa nin clases teóricas nin horario de laboratorios asignados á materia, a cualificación da materia basearase únicamente na nota obtida no exame, do tipo de resposta breve.
|
Sources of information |
Basic
|
Christopher D. Manning y Hinrich Schütze (1999). Foundations of Statistical Natural Language Processing. The MIT Press, Cambridge (Massachusetts, EE.UU.)/Londres (Reino Unido)
Robert Dale, Hermann Moisi y Harold Somers (eds.) (2000). Handbook of Natural Language Processing. Marcel Dekker, Inc., Nueva York/Basilea
Christopher D. Manning, Prabhakar Raghavan, y Hinrich Schütze (2008). Introduction to Information Retrieval. Cambridge University Press, Cambridge
A. Arampatzis, Th. P. van der Weide, P. van Bommel y C.H.A. Koster (2000). Linguistically-motivated Information Retrieval. En Vol. 69 de Encyclopedia of Library and Information Science, pág. 201-222. Marcel Dekker
Peter Jackson y Isabelle Moulinier (2007). Natural language processing for online applications : text retrieval, extraction and categorization (2nd ed.). John Benjamins, Amsterdam/Philadelphia
James Allen (1995). Natural Language Understanding (2a ed.). The Benjamin/Cummings Publishing Company, Inc., Redwood City, CA, EE.UU
Marius Pasca (2003). Open-domain question answering from large text collections . CSLI Publications, Standford
W. Bruce Croft, Donald Metzler y Trevor Strohman (2009). Search Engines: Information Retrieval in Practice. Pearson Education, Upper Saddle River, NJ, USA
Daniel Jurafsky y James H. Martin (2009). Speech and Language Processing. An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition (2nd ed.). Pearson Prentice Hall, Upper Saddle River, New Jersey, EE.UU |
|
Complementary
|
Pierre M. Nugues (2006). An introduction to Language Processing with Perl and Prolog. Springer , Berlin - Heidelberg- New York
W. John Hutchings y Harold L. Somers (1992). An Introduction to Machine Translation. Academic Press, Londres/San Diego
Gregory Grefenstette (ed.) (1998). Cross-language information retrieval. Kluwer Academic Publishers, Boston
José Francisco Quesada Moreno y José Gabriel De Amores Carredano (2000). Diseño e implementación de sistemas de traducción automática. Secretariado de Publicaciones de la Universidad de Sevilla
Piek Vossen (ed.) (1998). EuroWordNet. A Multilingual Database with Lexical Semantic Networks. Kluwer Academic Publishers, Dordrecht, Holanda
Eric Wehrli (1997). L’analyse syntaxique des langues naturelles. Masson, París
Ricardo Baeza-Yates y Berthier Ribeiro-Neto (1999). Modern Information Retrieval. Addison Wesley y ACM Press, Harlow, Inglaterra
Steven Bird, Ewan Klein y Edward Loper (2009). Natural Language Processing with Python. O'Reilly Media, Sebastopol, USA
Klaas Sikkel (1997). Parsing Schemata — A Framework for Specification and Analysis of Parsing Algorithms, Texts in Theoretical Computer Science — An EATCS Series. Springer-Verlag, Berlín/Heidelberg/Nueva York
Fernando C. N. Pereira y Stuart M. Shieber (1987). Prolog and Natural Language Analysis, CSLI Lecture Notes 10. Center for the Study of Language and Information, Stanford, CA, EE.UU.
José Luis Vicedo González (2003). Recuperación de Información de alta precisión: Los sistemas de búsqueda de respuestas. Sociedad Española para el Procesamiento del Lenguaje Natural
Jerry R. Hobbs (1993). The generic information extraction system. En Proceedings of the 5th Conference on Message understanding (MUC-5), pág. 87-91. Morgan Kauffman Publishers, San Francisco, USA |
|
Recommendations |
Subjects that it is recommended to have taken before |
Teoría de Autómatas e Linguaxes Formais/614111301 |
|
Subjects that are recommended to be taken simultaneously |
|
Subjects that continue the syllabus |
|
|