Competencias do título |
Código
|
Competencias / Resultados do título
|
A2 |
CE01 - Comprensión e dominio de técnicas para o procesamento léxico, sintáctico e semántico de textos en linguaxe natural |
A3 |
CE02 - Comprensión e dominio dos fundamentos e técnicas de procesamento de documentos enlazados, estruturados e non estruturados, e da representación do seu contido |
A4 |
CE03 - Comprensión e coñecemento das técnicas de representación e procesado de coñecemento mediante ontoloxías, grafos e RDF, así como das ferramentas asociadas ás mesmas |
B1 |
CG01 - Manter e extender os plantexamentos teóricos fundados para permitir a introducción e explotación de tecnoloxías novas e avanzadas no eido da Intelixencia Artificial |
B3 |
CG03 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo |
B4 |
CG04 - Elaborar axeitadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables no campo |
B6 |
CB01 - Poseer e comprender coñecementos que aporten unha base ou oportunidade de ser orixináis no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación |
B7 |
CB02 - Que os estudantes saiban aplicar os coñecementos adquiridos e posúan capacidade de resolución de problemas en entornos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacioados coa su área de estudo |
B10 |
CB05 - Que os estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun xeito que terá que ser en gran medida autodirixido ou autónomo |
C2 |
CT02 - Dominar a expresión e comprensión, de xeito oral e escrito, dun idioma extranxeiro |
C3 |
CT03 - Utilizar as ferramientas 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 |
C7 |
CT07 - Desenvolver a capacidade de traballar en equipos interdisciplinares ou transdisciplinares, para ofrecer propostas que contribúan a un desenrolo sostible ambiental, económico, político e social |
C8 |
CT08 - Valorar a importancia que ten a investigación, a innovación e o desenrolo tecnolóxico no avance socioeconómico e cultural da sociedade |
Resultados de aprendizaxe |
Resultados de aprendizaxe |
Competencias / Resultados do título |
Saber utilizar as técnicas e métodos de tratamento da linguaxe natural para resolver problemas reais de análise de textos en linguaxe natural. |
AM1 AM3
|
BM1 BM3 BM4 BM7 BM10
|
CM2 CM3 CM7
|
Coñecer, comprender e analizar técnicas de aprendizaxe profunda aplicadas ao procesamento da linguaxe natural |
AM1 AM2
|
BM1 BM3 BM6 BM7 BM10
|
CM2 CM3 CM7 CM8
|
Saber utilizar técnicas e métodos de aprendizaxe profunda para resolver problemas prácticos de procesamento da linguaxe natural |
AM1 AM2
|
BM1 BM3 BM4 BM6 BM7 BM10
|
CM2 CM3 CM7 CM8
|
Coñecer e comprender os problemas ambientais que supón o custo computacional das técnicas de deep learning cando se aplican á análise de textos |
AM1 AM2
|
BM1 BM6
|
CM2 CM8
|
Contidos |
Temas |
Subtemas |
Modelos de lingua |
Modelos de lingua baseados en n-gramas
Modelos de lingua baseados en redes neuronais |
Modelos de semántica distribucional |
Hipótese lingüística sobre o significado distribucional
Modelos distribucionais clásicos
Modelos neuronais de significado estático (word embeddings)
Modelos neuronais de significado dinámico-contextual
Modelos composicionais |
Modelos de lingua |
Modelos de lingua baseados en n-gramas
Modelos de lingua baseados en redes neuronais |
Etiquetado secuencial |
Uso e adaptación de modelos para o etiquetado secuencial |
Planificación |
Metodoloxías / probas |
Competencias / Resultados |
Horas lectivas (presenciais e virtuais) |
Horas traballo autónomo |
Horas totais |
Sesión maxistral |
A2 A3 A4 B1 B3 B6 B7 B10 C2 C8 |
10 |
10 |
20 |
Prácticas de laboratorio |
A2 A3 B3 B4 B6 B7 B10 C2 C3 C7 C8 |
5 |
17 |
22 |
Solución de problemas |
A2 A3 B3 B4 B6 B7 B10 C2 C8 |
6 |
15 |
21 |
Proba de resposta múltiple |
A2 A3 B1 B6 B7 B10 C2 |
0 |
1 |
1 |
Proba obxectiva |
A2 A3 B1 B6 B7 B10 C2 C3 |
2 |
8 |
10 |
|
Atención personalizada |
|
1 |
0 |
1 |
|
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado |
Metodoloxías |
Metodoloxías |
Descrición |
Sesión maxistral |
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 alumno.
|
Prácticas de laboratorio |
Clases prácticas co uso do ordenador, que permitan ao alumno familiarizarse dende un punto de vista práctico coas cuestións expostas nas clases teóricas. |
Solución de problemas |
Aprendizaxe baseada en problemas, seminarios, estudos de casos e proxectos. |
Proba de resposta múltiple |
Cuestionarios breves que se habilitarán tras algunhas sesións teóricas para comprobar a asimilación de contidos. |
Proba obxectiva |
Valorarase o dominio dos coñecementos teóricos e operativos da materia. |
Atención personalizada |
Metodoloxías
|
Prácticas de laboratorio |
Solución de problemas |
Proba obxectiva |
Sesión maxistral |
|
Descrición |
O desenvolvemento, tanto das clases maxistrais como das de resolución de problemas e os laboratorios de prácticas, realizarase atendendo ao progreso dos alumnos nas capacidades de comprensión e asimilación dos contidos impartidos. O avance xeral da clase compaxinarase cunha atención específica a aqueles alumnos que presenten maiores dificultades na tarefa da aprendizaxe e cun apoio adicional a aqueles que presenten maior desenvoltura e desexen ampliar coñecementos.
No que respecta ás tutorías individuais, dado o seu carácter personalizado, non deben dedicarse a estender os contidos con novos conceptos, senón a aclarar os conceptos xa expostos. O profesor utilizaraas como unha interacción que lle permita extraer conclusións respecto ao grao de asimilación da materia por parte dos alumnos. |
|
Avaliación |
Metodoloxías
|
Competencias / Resultados |
Descrición
|
Cualificación
|
Prácticas de laboratorio |
A2 A3 B3 B4 B6 B7 B10 C2 C3 C7 C8 |
As entregas das prácticas deben realizarse dentro do prazo establecido no campus virtual e deben seguir as especificacións indicadas no enunciado tanto para a súa presentación como o seu defensa. |
50 |
Proba obxectiva |
A2 A3 B1 B6 B7 B10 C2 C3 |
Realización obrigatoria. Avaliarase o dominio dos coñecementos teóricos e operativos da materia. |
45 |
Proba de resposta múltiple |
A2 A3 B1 B6 B7 B10 C2 |
Pequenos cuestionarios de avaliación continua que se propoñeran ao final dalgunhas sesións teóricas e onde se preguntará de maneira simple por algúns dos conceptos explicados en dita sesión. Avisarase con antelación. |
5 |
|
Observacións avaliación |
Cada alumno deberá alcanzar un mínimo de 40% da máxima
nota das partes "Prácticas de Laboratorio" e "Proba obxectiva", e en calquera caso a suma das tres partes debe ser maior a 5 para superar a materia. De non cumprirse algún dos
requisitos anteriores, a cualificación da convocatoria establecerase de acordo coa menor puntuación obtida. No caso de non obter o mínimo nas "Prácticas de laboratorio" ou "Proba obxectiva", o alumno terá unha segunda oportunidade na que só se lle esixirá a
entrega desa parte. Non se gardarán cualificacións entre anos académicos. As entregas das prácticas deben realizarse dentro do
prazo establecido no campus virtual, e seguirán as especificacións indicadas no
enunciado tanto para a presentación como para a defensa. Terá a condición de “Presentado” quen entregue todas as
prácticas obrigatorias ou se presente á proba obxectiva no período oficial de
avaliación. No caso de realización fraudulenta de exercicios ou
probas, aplicarase a Normativa de avaliación do rendemento académico dos
estudantes e de revisión de cualificacións. En aplicación da normativa
correspondente sobre plaxio, a copia total ou parcial dalgún exercicio de
prácticas ou de teoría suporá o suspenso nas dúas oportunidades do curso, coa cualificación
de 0,0 en ambos os casos.
|
Fontes de información |
Bibliografía básica
|
|
Jurafsky, Daniel & James H. Martin (2021). “N-gram Language Models.” Speech and Language Processing, Capítulo 3. https://web.stanford.edu/~jurafsky/slp3/ Jurafsky, Daniel & James H. Martin (2021). “Vector Semantics and Embeddings.” Speech and Language Processing, Capítulo 6. https://web.stanford.edu/~jurafsky/slp3/ Jurafsky, Daniel & James H. Martin (2021). “Neural Networks and Neural Language Models.” Speech and Language Processing, Capítulo 7. https://web.stanford.edu/~jurafsky/slp3/ Jurafsky, Daniel & James H. Martin (2021). “Sequence Labeling for Parts of Speech and Named Entities.” Speech and Language Processing, Capítulo 8. https://web.stanford.edu/~jurafsky/slp3/ |
Bibliografía complementaria
|
|
Baroni, Marco, Raffaella Bernardi & Roberto Zamparelli (2014). “Frege in space: A program for compositional distributional semantics.” Linguistic Issues in Language Technologies 9(6): 5-110. Baroni, Marco, Georgiana Dinu & Germán Kruszewski (2014). “Don’t count, predict! A systematic comparison of context-counting vs. context-predicting semantic vectors.” In Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) , pp. 238–247, Baltimore, Maryland. Association for Computational Linguistics. Church, Kenneth Ward, Zeyu Chen & Yanjun Ma (2021). “Emerging trends: A gentle introduction to fine-tuning.” Natural Language Engineering, 27: 763–778. Devlin, Jacob, Ming-Wei Chang, Kenton Lee & Kristina Toutanova (2018). “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), pages 4171–4186, Minneapolis, Minnesota. Association for Computational Linguistics. Erk, Katrin (2012). "Vector space models of word meaning and phrase meaning: A survey." Language and Linguistics Compass 6.10: 635-653. Hirschberg, Julia & Christopher D. Manning (2015). "Advances in natural language processing." Science 349.6245: 261-266. Linzen, Tal (2016). "Issues in evaluating semantic spaces using word analogies." In Proceedings of the 1st Workshop on Evaluating Vector-Space Representations for NLP, pp. 13–18, Berlin, Germany. Association for Computational Linguistics. Mikolov, Tomas, Wen-tau Yih & Geoffrey Zweig (2013). "Linguistic Regularities in Continuous Space Word Representations." In Proceedings of the 2013 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, pp. 746–751, Atlanta, Georgia. Association for Computational Linguistics. Taher Pilehvar, Mohammad & Jose Camacho-Collados (2021). Embeddings in Natural Language Processing: Theory and Advances in Vector Representations of Meaning. Morgan & Claypool (Synthesis Lectures on Human Language Technologies, volume 47). |
Recomendacións |
Materias que se recomenda ter cursado previamente |
Comprensión da Linguaxe Natural/614544008 | Aprendizaxe Automática I/614544012 |
|
Materias que se recomenda cursar simultaneamente |
Aprendizaxe Profunda/614544013 | Aprendizaxe Automática II/614544014 |
|
Materias que continúan o temario |
Minería de Textos/614544011 | Intelixencia Web e Tecnoloxías Semánticas/614544010 |
|
|