Gaia
Ikasketa automatikorako sarrera
Gaiari buruzko datu orokorrak
- Modalitatea
- Ikasgelakoa
- Hizkuntza
- Ingelesa
Irakasgaiaren azalpena eta testuingurua
Oinarrizko ikastaroa da hau, datu-meatzaritzaren ezagutzarik ez duten ikasleentzat. Lehenengo, estatistika deskribatzailearen arloko oinarrizko kontzeptuak landuko ditugu. Ikasketa automatikoko teknikak ere aurkeztuko ditugu, datuen oinarrizko prozesamendua eta ikasketa-algoritmo nagusiak barne. Ikastaroan ikasleek hizkuntzalaritza konputazioneko oinarrizko kasu bat lantuko dute (adibidez, sentimenduen nalisia, spamaren detekzioa, etab.) testu motako informazioaren oinarrizko adierazpide bektorialak ikasi eta haien mugak ulertzeko.Irakasleak
Izena | Erakundea | Kategoria | Doktorea | Irakaskuntza-profila | Arloa | Helbide elektronikoa |
---|---|---|---|---|---|---|
ARBELAIZ GALLEGO, OLATZ | Euskal Herriko Unibertsitatea | Irakaslego Osoa | Doktorea | Elebiduna | Konputagailuen Arkitektura eta Teknologia | olatz.arbelaitz@ehu.eus |
PEREZ RAMIREZ, ALICIA | Euskal Herriko Unibertsitatea | Irakaslego Agregatua | Doktorea | Elebiduna | Hizkuntza eta Sistema Informatikoak | alicia.perez@ehu.eus |
Gaitasunak
Izena | Pisua |
---|---|
Capacidad de comprender y aplicar las medidas estadísticas básicas para la descripción de características en un conjunto de datos. | 35.0 % |
Capacidad para comprender estrategias de aprendizaje automático en el procesamiento del lenguaje humano. | 25.0 % |
Capacidad de aplicar algoritmos clásicos para la resolución de problemas de PLN. | 40.0 % |
Irakaskuntza motak
Mota | Ikasgelako orduak | Ikasgelaz kanpoko orduak | Orduak guztira |
---|---|---|---|
Magistrala | 10 | 15 | 25 |
Ordenagailuko p. | 20 | 30 | 50 |
Irakaskuntza motak
Izena | Orduak | Ikasgelako orduen ehunekoa |
---|---|---|
Eskola magistralak | 25.0 | 40 % |
Ordenagailuko praktikak, irteerak, bisitak | 50.0 | 40 % |
Ebaluazio-sistemak
Izena | Gutxieneko ponderazioa | Gehieneko ponderazioa |
---|---|---|
Bertaratzea eta Parte-hartzea | 10.0 % | 10.0 % |
Idatzizko azterketa | 30.0 % | 60.0 % |
Lan praktikoak | 30.0 % | 60.0 % |
Irakasgaia ikastean lortuko diren emaitzak
* Sarrera-datuen aurreprozesamendu egokia ezagutzea, sailkapen-problema ulertu eta egoki ebatzi ahal izateko.* Lengoaia naturala prozesatzeko atazetan sailkatzaileak eraikitzeko software espezifikoa erabiltzen ikastea.
* Aldagaien ezaugarri estatistiko garrantzitsuenak ateratzea, hala nola joera orokorra adierazten duten neurriak, sakabanaketa eta korrelazioa, bai aldagai kuantitatiboetarako, eta baita kualitatiboetarako ere.
* Algoritmoek nola funtzionatzen duten jakitea, problema bakoitzari egokiena aplikatzeko.
* Sarrera-datuentzat aurreprozesamendu egokia ezagutzea, sailkapen-problema behar bezala planteatu eta ebazteko.
* Lengoaia naturalaren prozesamenduko sailkapen atazak egiteko software espezifikoa erabiltzea
Irakasgai-zerrenda
1. LNPrako ikasketa automatikoaren sarrera2. Oinarrizko estatistika deskriptiboa
3. Oinarrizko ikasketa automatikoko algoritmoak
4. Ebaluazioa gainbegiratutako ikasketan
Bibliografia
Oinarrizko bibliografia
R.H. Baayen (2008) Analyzing Linguistic Data. A Practical Introduction to Statistics using R. Cambridge University PressData Mining. Mark Hall, Ian Witten and Eibe Frank (4th Edition). TheMorgan Kaufmann, 2017.
Machine Learning for Text. Charu C. Aggarwal. Springer, 2018
Fundamentals of Predictive Text Mining (2nd Edition). Weiss, SholomM., Indurkhya, Nitin, Zhang, Tong. Springer-VerlagLondon, 2015