Materia
Traducción Automática y Multilingüismo
Datos generales de la materia
- Modalidad
- Presencial
- Idioma
- Inglés
Descripción y contextualización de la asignatura
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.Profesorado
Nombre | Institución | Categoría | Doctor/a | Perfil docente | Área | |
---|---|---|---|---|---|---|
ARANBERRI MONASTERIO, NORA | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Profesorado Agregado | Doctora | Bilingüe | Traducción e Interpretación | nora.aranberri@ehu.eus |
LABAKA INTXAUSPE, GORKA | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Profesorado Titular De Universidad | Doctor | Bilingüe | Lenguajes y Sistemas Informáticos | gorka.labaka@ehu.eus |
Competencias
Denominación | Peso |
---|---|
Capacidad de comprender y proponer mejoras en los sistemas de traducción automática propuestos en la bibliografía. | 33.0 % |
Capacidad de desarrollar sistemas de traducción automática acordes con el estado del arte del momento. | 33.0 % |
Capacidad de análisis de ámbitos de utilización de la traducción automática. | 34.0 % |
Tipos de docencia
Tipo | Horas presenciales | Horas no presenciales | Horas totales |
---|---|---|---|
Magistral | 15 | 22.5 | 37.5 |
P. Ordenador | 30 | 45 | 75 |
Actividades formativas
Denominación | Horas | Porcentaje de presencialidad |
---|---|---|
Clases magistrales | 37.5 | 40 % |
Prácticas con ordenador, laboratorio, salidas de campo, visitas externas | 75.0 | 40 % |
Sistemas de evaluación
Denominación | Ponderación mínima | Ponderación máxima |
---|---|---|
Evaluación continua a través de la asistencia a clase | 50.0 % | 50.0 % |
Trabajos y proyectos | 50.0 % | 50.0 % |
Resultados del aprendizaje de la asignatura
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.
Convocatoria ordinaria: orientaciones y renuncia
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.
Convocatoria extraordinaria: orientaciones y renuncia
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.Temario
1.- Introducción2.- Evaluación de la traducción automática
3.- Funcionamiento de la traducción automática
4.- Multilingüismo
Bibliografía
Bibliografía básica
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, AustraliaMikel 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.