Os alumnos deberán alcanzar polo menos un 40% da máxima nota cada parte (teoría, práctica) e en calquera caso a suma de ambas as partes debe superar un 5 para superar a materia. Se non se cumpre algún dos requisitos anteriores, a nota da convocatoria establecerase de acordo á menor nota obtida.

En caso de non alcanzar o mínimo nalgunha das partes, o alumno terá unha segunda oportunidade na que soamente se lle esixirá a entrega de dita parte.

Non se gardarán cualificacións entre cursos académicos.

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 a súa defensa.

Terá a condición de "Presentado" quen entregue todas as prácticas obrigatorias ou concorra 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.

Resultados de aprendizaxe	Competencias do título
Coñecer, comprender e analizar a representación formal de diversos fenómenos léxicos, sintácticos e semánticos da linguaxe natural.	AM1	BM1 BM3 BM4 BM6 BM10	CM2 CM8
Coñecer, comprender e saber usar as tecnoloxías, marcos e librarías para a construción de sistemas de procesamento da linguaxe natural.	AM1 AM2	BM3 BM4 BM6 BM7 BM10	CM2 CM3 CM7
Deseñar, implementar e saber usar algoritmos e estruturas de datos para tratar e dar soporte aos diversos fenómenos característicos da linguaxe natural.	AM1 AM2 AM3	BM1 BM3 BM4 BM6 BM7 BM10	CM2 CM3 CM7 CM8
Coñecer, comprender e analizar as técnicas de procesamento da linguaxe natural para o procesado e desambiguación a nivel léxico, sintáctico e semántico.	AM1 AM2 AM3	BM1 BM3 BM4 BM6 BM7 BM10	CM2 CM3 CM7 CM8
Coñecer e comprender os problemas que presenta a ambigüidade e imprecisión nas fontes de datos en linguaxe natural e técnicas para resolvelos.	AM1 AM2	BM1 BM3 BM4 BM6 BM7 BM10	CM2 CM3 CM7 CM8

Temas	Subtemas
Introdución.	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. Grafos semánticos.

Metodoloxías / probas	Competencias	Horas presenciais	Horas non presenciais / traballo autónomo	Horas totais
Sesión maxistral	A2 A3 A4 B1 B3 B6 B7 B10 C2 C8	21	21	42
Prácticas de laboratorio	A2 A3 A4 B3 B4 B6 B7 B10 C2 C3 C7 C8	14	48	62
Solución de problemas	A2 A3 A4 B3 B4 B6 B7 B10 C2	7	25	32
Proba obxectiva	A2 A3 A4 B1 B6 B7 C2	3	9	12

Atención personalizada		2	0	2

*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 alumno disporá de copias das transparencias con anterioridade e o profesor promoverá unha actitude activa, realizando preguntas que permitan aclarar aspectos concretos e deixando cuestións abertas para a reflexión do alumno.
Prácticas de laboratorio	Clases prácticas con uso de computador, que permiten ao alumno familiarizarse desde un punto de vista práctico coas cuestións expostas nas clases teóricas.
Solución de problemas	Aprendizaxe baseada en problemas, seminarios, estudo de casos e proxectos.
Proba obxectiva	Avaliarase o dominio dos coñecementos teóricos e operativos da materia.

Metodoloxías	Competencias	Descrición	Cualificación
Prácticas de laboratorio	A2 A3 A4 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.	40
Proba obxectiva	A2 A3 A4 B1 B6 B7 C2	Realización obrigatoria. Avaliarase o dominio dos coñecementos teóricos e operativos da materia.	60

Observacións avaliación
Os alumnos deberán alcanzar polo menos un 40% da máxima nota cada parte (teoría, práctica) e en calquera caso a suma de ambas as partes debe superar un 5 para superar a materia. Se non se cumpre algún dos requisitos anteriores, a nota da convocatoria establecerase de acordo á menor nota obtida. En caso de non alcanzar o mínimo nalgunha das partes, o alumno terá unha segunda oportunidade na que soamente se lle esixirá a entrega de dita parte. Non se gardarán cualificacións entre cursos académicos. 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 a súa defensa. Terá a condición de "Presentado" quen entregue todas as prácticas obrigatorias ou concorra 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.

Bibliografía básica	Manning, C., & Schutze, H. (1999). Foundations of statistical natural language processing. MIT Press Manning, C., & Schutze, H. (1999). Foundations of statistical natural language processing. MIT Press Jacob Eisenstein (2019). Introduction to Natural Language Processing. MIT Press Goldberg, Y. (2017). Neural network methods for natural language processing. Synthesis lectures on human language technologies. Morgan Claypool Jurafsky, D. & Martin, J. H. (2022). Speech and Language Processing (3rd ed. draft). Disponible en: https://web.stanford.edu/~jurafsky/slp3/

Bibliografía complementaria	Stuart Russell, Peter Norvig (2020). Artificial Intelligence: A Modern Approach, 4th Edition. Pearson Kübler, S., McDonald, R., & Nivre, J. (2009). Dependency Parsing. Synthesis lectures on human language technologies. Morgan Claypool Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze (2008). Introduction to Information Retrieval. Cambridge University Press, Cambridge Chollet, F. (2018). Keras: The python deep learning library. Astrophysics Source Code Library
	Adicionalmente, manexaranse textos científicos dispoñibles nas bibliotecas dixitais da área, como o ACL Anthology ou ACM.

Observacións