Competencias del título |
Código
|
Competencias del título
|
A2 |
CE01 - Comprensión y dominio de técnicas para el procesamiento léxico, sintáctico y semántico de textos en lenguaje natural |
A3 |
CE02 - Comprensión y dominio de los fundamentos y técnicas de procesamiento de documentos enlazados, estructurados y no estructurados, y de la representación de su contenido |
A4 |
CE03 - Comprensión y conocimiento de las técnicas de representación y procesado de conocimiento mediante ontologías, grafos y RDF, así como de las herramientas asociadas a las mismas |
B1 |
CG01 - Mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas en el campo de la Inteligencia Artificial |
B3 |
CG03 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo |
B4 |
CG04 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables en el campo |
B6 |
CB01 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación |
B7 |
CB02 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio |
B10 |
CB05 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo |
C2 |
CT02 - Dominar la expresión y la comprensión de forma oral y escrita de un idioma extranjero |
C3 |
CT03 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida |
C7 |
CT07 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, económico, político y social |
C8 |
CT08 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad |
Resultados de aprendizaje |
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
|
Contenidos |
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 |
Planificación |
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 |
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. |
Atención personalizada |
Metodologías
|
Prácticas de laboratorio |
Solución de problemas |
Prueba objetiva |
Sesión magistral |
|
Descripción |
El desarrollo, tanto de las clases magistrales como de las de resolución de problemas y los laboratorios de prácticas, se realizará atendiendo al progreso de los alumnos en las capacidades de comprensión y asimilación de los contenidos impartidos. El avance general de la clase se compaginará con una atención específica a aquellos alumnos que presenten mayores dificultades en la tarea del aprendizaje y con un apoyo adicional a aquellos que presenten mayor desenvoltura y deseen ampliar conocimientos.
En lo que respecta a las tutorías individuales, dado su carácter personalizado, no deben dedicarse a extender los contenidos con nuevos conceptos, sino a aclarar los conceptos ya expuestos. El profesor las utilizará como una interacción que le permita extraer conclusiones respecto al grado de asimilación de la materia por parte de los alumnos. |
|
Evaluación |
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.
|
Fuentes de información |
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). |
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
Comprensión del Lenguaje Natural/614544008 | Aprendizaje Automático I/614544012 |
|
Asignaturas que se recomienda cursar simultáneamente |
Aprendizaje Profundo/614544013 | Aprendizaje Automático II/614544014 |
|
Asignaturas que continúan el temario |
Minería de Textos/614544011 | Inteligencia Web y Tecnologías Semánticas/614544010 |
|
|