Aprendizaje automático para el procesamiento del lenguaje
GUÍA DOCENTE Curso 2024-25
| Titulación: | Máster Universitario en Procesamiento del Lenguaje y Aplicaciones de la Int | 656M |
| Asignatura: | Aprendizaje automático para el procesamiento del lenguaje | 5287 |
| Materia: | Métodos de aprendizaje automático para el procesamiento del lenguaje |
| Módulo: | Procesamiento del lenguaje e inteligencia artificial |
| Modalidad de enseñanza de la titulación: | Virtual | Carácter: | Obligatoria |
| Curso: | 1 | Créditos ECTS: | 4,00 | Duración: | Semestral (Primer Semestre) |
| Horas virtuales sincrónicas: | 40,00 | Horas estimadas de trabajo autónomo: | 60,00 |
| Horas virtuales asincrónicas: | 0,00 | |
| Idiomas en que se imparte la asignatura: | Español |
| Idiomas del material de lectura o audiovisual: | Inglés, Español |
Departamentos responsables de la docencia
| MATEMÁTICAS Y COMPUTACIÓN | R111 |
| Dirección: | C/ Madre de Dios, 53 | Código postal: | 26006 |
| Localidad: | Logroño | Provincia: | La Rioja |
| Teléfono: | 941299452 | Fax: | 941299460 | Correo electrónico: | dpto.dmc@unirioja.es |
Profesorado previsto
| Profesor: | Heras Vicente, Jónathan | Responsable de la asignatura |
| Teléfono: | 941299455 | Correo electrónico: | jonathan.heras@unirioja.es |
| Despacho: | 3210 | Edificio: | CENTRO CIENTÍFICO TECNOLÓGICO | Tutorías: | Consultar |
Descripción de los contenidos
-Modelos lineales, machine learning y redes neuronales
-Representación contextualizada de palabras
-Modelos de lenguaje
-Deep learning
-Modelos de variables latentes
-Diseño de conjuntos de datos
-Priorización de datos para programas de machine learning
-Interpretación de modelos
-Evaluación de programas de procesamiento estadístico, inferencia y aprendizaje
-Consideraciones éticas y sociales
Requisitos previos de conocimientos y competencias para poder cursar con éxito la asignatura
Ninguno especificado.
Competencias
Competencias generales
CG01 - Poseer y comprender conocimientos sobre procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística que aporten una base u oportunidad de ser originales en el desarrollo de soluciones dentro del ámbito de la lingüística computacional
CG02 - Aplicar los conocimientos adquiridos a la resolución de problemas en entornos nuevos o poco conocidos relacionados con las áreas de estudio de lingüística computacional, procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística
CG03 - Integrar conocimientos y formular juicios a partir de una información que incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de la lingüística computacional, el procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística
CG04 - Comunicar las conclusiones sobre lingüística computacional, procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística -y los conocimientos y razones últimas que las sustentan- a públicos especializados y no especializados de un modo claro y sin ambiguëdades
CG05 - Evaluar el progreso del propio aprendizaje de técnicas y recursos de procesamiento del lenguaje natural e inteligencia artificial aplicada a la lingüística
Competencias específicas
CC13 - Comparar los conceptos de aprendizaje supervisado y no supervisado en relación con el procesamiento del lenguaje natural
CC14 - Comparar las técnicas básicas de machine learning para el procesamiento del lenguaje natural
CC15 - Aplicar los conceptos de red neuronal y deep learning al procesamiento del lenguaje natural
CC40 - Seleccionar los datos para programas de machine learning aplicado al procesamiento del lenguaje natural
CE14 - Comparar aplicaciones informáticas basadas en machine learning para el análisis lingu¨ístico
CE15 - Interpretar los resultados obtenidos por programas de deep learning en el contexto del procesamiento del lenguaje natural
CE17 - Valorar las implicaciones éticas y sociales de las aplicaciones del deep learning al ámbito del lenguaje natural
HD14 - Interpretar los resultados obtenidos en el aprendizaje automático del lenguaje a través del procesamiento estadístico
HD15 - Interpretar los resultados de los programas de inferencia y aprendizaje utilizados para el procesamiento del lenguaje natural
HD16 - Preparar los datos lingu¨ísticos que serán procesados por programas de machine learning utilizados para el procesamiento del lenguaje natural
HD17 - Evaluar el alcance y la precisión de los resultados obtenidos tras aplicar los principales programas de machine learning y deep learning al procesamiento del lenguaje natural
Resultados del aprendizaje
Los resultados de aprendizaje (Conocimientos o contenidos [CC], competencias [CG y CE] y habilidades o destrezas [HD]) se incluyen en el apartado de competencias hasta que se actualice la aplicación informática del Ministerio de Universidades.
Objetivos de desarrollo sostenible
Temario
Aprendizaje no supervisado
Aprendizaje supervisado
Aprendizaje profundo
Modelos de lenguaje
Consideraciones éticas y sociales
Bibliografía
| Tipo: | Título |
| Básica | Apuntes de la asignatura |
| Básica | Guiones de las prácticas |
| Complementaria | The pattern recognition and machine learning Absys |
| Complementaria | Python Machine Learning Absys |
| Complementaria | Deep learning for coders with fastai and PyTorch : AI applications without a PhD Absys |
| Complementaria | Natural Language Processing with Transformers Absys |
| Recursos en Internet |
The Python Tutorial |
FastAI course |
Speech and Language Processing |
HuggingFace course |
Metodología
Modalidades organizativas
Clases teóricas
Seminarios y talleres
Clases prácticas
Estudio y trabajo en grupo
Estudio y trabajo autónomo individual
Métodos de enseñanza
Método expositivo - Lección magistral
Estudio de casos
Resolución de ejercicios y problemas
Aprendizaje basado en problemas
Aprendizaje orientado a proyectos
Aprendizaje cooperativo
Organización
| Actividades dirigidas | Tamaño
de grupo | Horas
virtuales
sincrónicas | Horas
virtuales
asincrónicas | Horas
totales |
| Clases teóricas | Grande | 15,00 | | 15,00 |
| Seminarios y talleres | Reducido | 5,00 | | 5,00 |
| Clases prácticas | Reducido | 20,00 | | 20,00 |
| Total de horas de actividades dirigidas | 40,00 |
| Trabajo autónomo del estudiante | Horas |
| Estudio y trabajo autónomo individual | 60,00 |
| Total de horas de trabajo autónomo | 60,00 |
Evaluación
| Sistema de evaluación | Recuperable | No Recup. |
| Pruebas de ejecución de tareas reales y/o simuladas | | 30% |
| Trabajos y proyectos | 70% | |
| Total | 100% |
Criterios críticos para superar la asignatura
- Superar (= obtener 5 o más sobre 10) cada una de las entregas de las prácticas. Si no se supera este criterio, se puntuará con un 0 el 30% no recuperable, y se tendrá que obtener, para superar la asignatura, o bien en la convocatoria ordinaria o bien en la extraordinaria, al menos un 5 sobre 7 en la parte recuperable.
- Obtener al menos 4 sobre 10 en el 70% recuperable.
- Que la calificación final supere o iguale el 5 sobre 10.
Versión: 14/06/2024 10:30:31 - G 2024-25 - 656M - 5287 - Impresión: 16/11/2025 00:22:24
