Irakasgaiaren azalpena eta testuingurua

En este curso se presentarán los paradigmas de traducción automática (TA) existentes y el estudiante tendrá la oportunidad de practicar con sistemas TA reales. Además, también se analizarán las distintas posibilidades que existen para extraer y utilizar información multilingüe de los corpus tanto paralelos como monolingües.

Irakasgaia ikastean lortuko diren emaitzak

Conocer los distintos paradigmas propuestos para llevar a cabo la traducción automática.

Entender los artículos científicos relacionados con la traducción automática: las técnicas y la evaluación usada.

Aprender a entrenar sistemas de traducción automática acordes con la tecnología del momento.

Identificar la información multilingüe presente en los datos y el uso que se le puede dar en el diseño de herramientas multilingües.

Identificar casos en los que el uso de la traducción automática pueda conllevar una mejora.

Ohiko deialdia: orientazioak eta uko egitea

La evaluación constará de dos apartados: Trabajos (85%) y asistencia y participación (15%).

- Trabajos: El alummado será evaluado mediante actividades propuestas durante el módulo. Se dedicará parte del tiempo de clase para realizar dichas tareas, que podrán ser completadas fuera del horario lectivo.

- Asistencia y Participación. Será necesario asistir al 80% de las clases y se valorará la participación del alumnado en las discusiones y actividades de clase.

Ezohiko deialdia: orientazioak eta uko egitea

El alumnado podrá volver a presentar cualquiera de las tareas asignadas durante el curso, las cuales serán reevaluadas para aumentar la calificación relacionada con los trabajos (85%). Las calificaciones de asistencia y participación (15%) serán las mismas que las obtenidas en la convocatoria ordinaria.

Irakasgai-zerrenda

1.- Introducción

2.- Evaluación de la traducción automática

3.- Funcionamiento de la traducción automática

4.- Multilingüismo

Bibliografia

Oinarrizko bibliografia

Mikel Artetxe, Gorka Labaka, Eneko Agirre. 2018. A robust self-learning method for fully unsupervised cross-lingual mappings of word embeddings. In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Long Papers), pages 789¿798. Melbourne, Australia

Mikel Artetxe, Gorka Labaka, Eneko Agirre. 2019. An Effective Approach to Unsupervised Machine Translation. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 194¿203. Florence, Italy

Dzmitry Bahdanau, Kyunghyun Cho, Yoshua Bengio. Neural Machine Translation by Jointly Learning to Align and Translate. arXiv preprint arXiv:1409.0473

Philipp Koehn. 2010. Statistical Machine Translation. Cambridge University Press

Kishore Papineni, Salim Roukos, Todd Ward, Wei-Jing Zhu. 2002. BLEU: a MethodforAutomaticEvaluationofMachineTranslation. In Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL), pages 311-318. Philadelphia

Matthew Snover, Bonnie Dorr, Richard Schwartz, Linnea Micciulla, John Makhoul. 2006. A Study of Translation Edit Rate with Targeted Human Annotation. In Proceedings of Association for Machine Translation in the Americas

Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin. Attention Is All You Need. Advances in neural information processing systems, 5998-6008.