Cada alumno deberá alcanzar un mínimo del 40% de la nota máxima de las partes "Prácticas de Laboratorio" y "Prueba Objetiva", y en todo caso la suma de las tres partes deberá ser superior a 5 para aprobar la asignatura. De no cumplirse alguno de los requisitos anteriores, la calificación de la convocatoria se establecerá en función de la puntuación más baja obtenida.

En caso de no obtener el mínimo en las "Prácticas de Laboratorio" o "Prueba Objetiva", el alumno tendrá una segunda oportunidad en la que únicamente se exigirá la entrega de esa parte.

No se guardarán calificaciones entre años académicos.

La presentación de las prácticas deberá realizarse en el plazo establecido en el campus virtual, y seguirá las especificaciones detalladas en el enunciado tanto para la presentación como para la defensa.

Tendrán la condición de “Presentados” quienes presenten todas las prácticas obligatorias o realicen la prueba objetiva en el periodo oficial de evaluación.

En el caso de realización fraudulenta de ejercicios o pruebas, se aplicará la Normativa para la evaluación del rendimiento académico de los estudiantes y de revisión de calificaciones. En aplicación de la normativa correspondiente sobre plagio, la copia total o parcial de algún ejercicio de prácticas o teoría supondrá la suspensión en las dos oportunidades del curso, con la calificación de 0,0 en ambos casos.

Resultados de aprendizaje	Competencias del título
Saber usar las técnicas y métodos del procesamiento del lenguaje natural para resolver problemas reales de análisis de textos en lenguaje natural	AM1 AM3	BM1 BM3 BM4 BM7 BM10	CM2 CM3 CM7
Conocer, comprender y analizar las técnicas de aprendizaje profundo aplicadas al procesamiento del lenguaje natural	AM1 AM2	BM1 BM3 BM6 BM7 BM10	CM2 CM3 CM7 CM8
Saber usar las técnicas y métodos del aprendizaje profundo para resolver problemas prácticos de procesamiento del lenguaje natural	AM1 AM2	BM1 BM3 BM4 BM6 BM7 BM10	CM2 CM3 CM7 CM8
Conocer y comprender los problemas medioambientales que plantea el coste computacional de las técnicas de aprendizaje profundo cuando son aplicadas al análisis de textos.	AM1 AM2	BM1 BM6	CM2 CM8

Tema	Subtema
Modelos de lenguaje	Modelos de lenguaje basados en n-gramas Modelos de lenguaje basados en redes neuronales
Modelos de semántica distribucional	Hipótesis lingüísticas sobre el significado distribucional Modelos distribucionales clásicos Modelos neuronales de significado estático (word embeddings) Modelos neuronales de significado dinámico-contextual Modelos composicionales
Etiquetado secuencial	Uso y adaptación de modelos para el etiquetado secuencial
Text-To-Text models	Uso e adaptación de modelos para o etiquetado secuencial

Metodologías / pruebas	Competéncias	Horas presenciales	Horas no presenciales / trabajo autónomo	Horas totales
Sesión magistral	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
Prueba de respuesta múltiple	A2 A3 B1 B6 B7 B10 C2	0	1	1
Prueba objetiva	A2 A3 B1 B6 B7 B10 C2 C3	2	8	10

Atención personalizada		1	0	1

(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías	Descripción
Sesión magistral	Clases teóricas, en las que se expone el contenido de cada tema. El alumno dispondrá de copias de las transparencias con anterioridad y el profesor promoverá una actitud activa, realizando preguntas que permitan aclarar aspectos concretos y dejando cuestiones abiertas para la reflexión del alumno.
Prácticas de laboratorio	Clases prácticas con uso de ordenador, que permiten al alumno familiarizarse desde un punto de vista práctico con las cuestiones expuestas en las clases teóricas.
Solución de problemas	Aprendizaje basado en problemas, seminarios, estudio de casos y proyectos.
Prueba de respuesta múltiple	Breves cuestionarios que se habilitarán después de algunas sesiones teóricas para comprobar la asimilación de contenidos.
Prueba objetiva	Se evaluará el dominio de los conocimientos teóricos y operativos de la materia.

Metodologías	Competéncias	Descripción	Calificación
Prácticas de laboratorio	A2 A3 B3 B4 B6 B7 B10 C2 C3 C7 C8	Las entregas de las prácticas deben realizarse dentro del plazo establecido en el campus virtual y deben seguir las especificaciones indicadas en el enunciado tanto para su presentación como su defensa.	50
Prueba objetiva	A2 A3 B1 B6 B7 B10 C2 C3	Realización obligatoria. Se evaluará el dominio de los conocimientos teóricos y operativos de la asignatura.	45
Prueba de respuesta múltiple	A2 A3 B1 B6 B7 B10 C2	Pequeños cuestionarios de evaluación continua que se propondrán al final de unas sesiones teóricas y donde se preguntará de forma sencilla sobre algunos de los conceptos explicados en esa sesión. Se avisará con antelación.	5

Observaciones evaluación
Cada alumno deberá alcanzar un mínimo del 40% de la nota máxima de las partes "Prácticas de Laboratorio" y "Prueba Objetiva", y en todo caso la suma de las tres partes deberá ser superior a 5 para aprobar la asignatura. De no cumplirse alguno de los requisitos anteriores, la calificación de la convocatoria se establecerá en función de la puntuación más baja obtenida. En caso de no obtener el mínimo en las "Prácticas de Laboratorio" o "Prueba Objetiva", el alumno tendrá una segunda oportunidad en la que únicamente se exigirá la entrega de esa parte. No se guardarán calificaciones entre años académicos. La presentación de las prácticas deberá realizarse en el plazo establecido en el campus virtual, y seguirá las especificaciones detalladas en el enunciado tanto para la presentación como para la defensa. Tendrán la condición de “Presentados” quienes presenten todas las prácticas obligatorias o realicen la prueba objetiva en el periodo oficial de evaluación. En el caso de realización fraudulenta de ejercicios o pruebas, se aplicará la Normativa para la evaluación del rendimiento académico de los estudiantes y de revisión de calificaciones. En aplicación de la normativa correspondiente sobre plagio, la copia total o parcial de algún ejercicio de prácticas o teoría supondrá la suspensión en las dos oportunidades del curso, con la calificación de 0,0 en ambos casos.

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/
Complementária
	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).

Otros comentarios