Última actualización: 06/07/2020


Curso Académico: 2020/2021

Procesamiento del lenguaje natural
(18504)
Titulación: Grado en Ingeniería de Sonido e Imagen (214)


Coordinador/a: MARTÍNEZ OLMOS, PABLO

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Materias que se recomienda haber superado
El curso requiere los siguientes conocimientos básicos: - Cálculo - Programación - Estadística
Competencias que adquiere el estudiante y resultados del aprendizaje.Más información en este enlace
- Conocer las técnicas básicas de pre-procesado de texto. - Utilizar herramientas software para pre-procesado de texto. - Conocer las técnicas de modelado de tópicos. - Utilizar herramientas software de modelado de tópicos en cuerpos de documentos. - Utilizar modelos de tópicos para extracción de información. - Aprender a manejar y entrenar modelos de representación semántica en un espacio vectorial. - Aprender a entrenar modelos de lenguaje utilizando redes neuronales recursivas. - Conocer estructuras básicas de traducción basadas en redes neuronales recursivas. - Utilizar herramientas de optimización para construir modelos de lenguaje con redes neuronales recursivas.
Descripción de contenidos: Programa
- Técnicas de preprocesado de documentos - Modelos de Tópicos - Redes Neuronales y Redes Neuronales Recurrentes (RNNs) - Modelos de lenguaje con RNNs - Modelos Secuencia a Secuencia y Traducción Automática - Modelos de Atención
Actividades formativas, metodología a utilizar y régimen de tutorías
Todas las sesiones serán teorico/prácticas, en las que en cada sesión se introduce un aspecto teórico y se desarrolla utilizando librerías software específicas. Es importante destacar que estas clases requerirán iniciativa y trabajo personal y en grupo por parte del alumno (habrá conceptos que deberán estudiar personalmente a partir de algunas indicaciones, casos particulares de tendrán que desarrollar, etc.) Estas prácticas, por una parte, permiten al estudiante aplicar los conocimientos teóricos adquiridos para ensayar soluciones prácticas, de modo que pueda consolidar y analizar de forma crítica tales conocimientos. Los créditos ECTS incluyen en todos los casos la parte correspondiente de trabajo personal o en equipo por parte del alumno.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
Bibliografía básica
  • Cristopher Bishop. Pattern Recognition and Machine Learning. Springer. 2006
  • Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning. MIT Press. 2017
  • Steven Bird, Ewan Klein, Edward Loper . Natural Language Processing with Python: Analyzing Text with the Natural Language Toolkit. O'Reilly. 2009

El programa de la asignatura y la planificación semanal podrían sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.