- Diseñar y entrenar arquitecturas de redes neuronales profundas (redes neuronales convolucionales, redes neuronales recurrentes, LSTM, transformadores) y aplicarlas para abordar aplicaciones de Procesamiento de Lenguaje Natural (PLN) como la clasificación de texto, extracción de información, similitud de textos, generación automática de resúmenes y traducción automática. - Estudiar, implementar y utilizar vectores de palabras entrenados con redes neuronales.

1. Introducción 2. Tareas básicas de PLN. - Modelos de word embeddings. Similitud de textos 3. Clasificación de Textos con Deep Learning (CNN; RNN, Transformers) 4. Extracción de Información. 5. Técnicas para el aumento de datos 6. Tareas de generación de texto.

Se aplicará un modelo de clase invertida: Cada semana, profesora publicará en aula global un Jupyter notebook que describa y contenga la implementación de una arquitectura profunda para la resolución de una determinada aplicación de PLN (por ejemplo, la detección de noticias falsas o la anonimización de notas clínicas). Los+as estudiantes deben estudiar y ejecutar estos notebooks antes de la clase. Durante la clase, la profesora explicará el notebook y resolverá las posibles dudas. Una vez resueltas, la profesora propondrá propone posibles mejoras y planteará nuevos retos o problemas a resolver. Los estudiantes deben tratar de extender o adaptar las implementaciones de los notebooks para dar solución a los nuevos retos planteados por la profesora. La metodología es práctica. Las clases tendrán una configuración de trabajo por parejas en aula informática. El régimen de tutoría es de 2 horas semanales. Estas se podrán realizar de forma online o presencial.