Cada alumno/a 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 dosrequisitos 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/a alumno/a terá unha segunda oportunidade na que só se lle esixirá aentrega 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/a” quen entregue todas asprácticas obrigatorias ou se presente á proba obxectiva no período oficial de avaliación.

Todos os aspectos relacionados con dispensa académica, dedicación ao estudo, permanencia e fraude académica rexeranse de acordo coa normativa vixente da Universidade

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

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

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	Descrición
Sesión maxistral	Clases teóricas, nas que se expón o contido de cada tema. O alumnado disporá previamente de copias das transparencias e o profesorado promoverá unha actitude activa, formulando preguntas que permitan aclarar aspectos concretos e deixando preguntas abertas para a reflexión do estudantado.
Prácticas de laboratorio	Clases prácticas co uso do ordenador, que permitan ao alumnado 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.

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/a 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 dosrequisitos 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/a alumno/a terá unha segunda oportunidade na que só se lle esixirá aentrega 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/a” quen entregue todas asprácticas obrigatorias ou se presente á proba obxectiva no período oficial de avaliación. Todos os aspectos relacionados con dispensa académica, dedicación ao estudo, permanencia e fraude académica rexeranse de acordo coa normativa vixente da Universidade

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/ 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.
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).