nireEHU Materia
Introducción al Aprendizaje Automático
Datos generales de la materia
- Modalidad
- Presencial
- Idioma
- Inglés
Descripción y contextualización de la asignatura
Una introducci¿ los principios y t¿icas estad¿icas b¿cas usadas en el procesamiento del lenguaje natural. Estudiaremos aspectos en el ¿a de la estad¿ica descriptiva. Tambi¿introduciremos t¿icas de aprendizaje autom¿co, incluidos el procesamiento b¿co de datos y los principales algoritmos de aprendizaje.Profesorado
| Nombre | Institución | Categoría | Doctor/a | Perfil docente | Área | |
|---|---|---|---|---|---|---|
| ARBELAIZ GALLEGO, OLATZ | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Profesorado Agregado | Doctora | Bilingüe | Arquitectura y Tecnología de Computadores | olatz.arbelaitz@ehu.eus |
| PEREZ RAMIREZ, ALICIA | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Profesorado Agregado | Doctora | Bilingüe | Lenguajes y Sistemas Informáticos | alicia.perez@ehu.eus |
Competencias
| Denominación | Peso |
|---|---|
| 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 % |
Tipos de docencia
| Tipo | Horas presenciales | Horas no presenciales | Horas totales |
|---|---|---|---|
| Magistral | 10 | 15 | 25 |
| P. Ordenador | 20 | 30 | 50 |
Resultados del aprendizaje de la asignatura
Extraer las caracter¿icas m¿importantes de variables estad¿icas, como pueden ser medidas de tendencia central, dispersi¿ correlaci¿tanto para variables cuantitativas como cualitativas.Conocer el funcionamiento de los algoritmos de clasificaci¿ara poder aplicar el m¿adecuado a cada problema.
Conocer el preprocesamiento adecuado de los datos de entrada para plantear y poder resolver adecuadamente el problema de clasificaci¿Aprender a utilizar software espec¿co para la clasificaci¿e tareas de procesamiento de lenguaje natural.
Convocatoria ordinaria: orientaciones y renuncia
Sistema de Evaluación ContinuaHerramientas y porcentajes de calificación:
* Prueba escrita a desarrollar (%): 30
* Trabajos prácticos (%): 60
* Asistencia y participación (%): 10
Sistema de Evaluación Final
Herramientas y porcentajes de calificación:
* Prueba escrita a desarrollar (%): 100
Convocatoria extraordinaria: orientaciones y renuncia
Sistema de Evaluación FinalHerramientas y porcentajes de calificación:
* Prueba escrita a desarrollar (%): 100
Temario
1. Medidas b¿cas estad¿icas: Mean, Standard deviation, Chi-square, Mutual information, Kappa, etc.2. Introducci¿l aprendizaje autom¿co para el PLN
3. Algoritmos b¿cos en aprendizaje autom¿co: Naive Bayes, K-NN, Decision trees, SVM...
4. Evaluaci¿l aprendizaje supervisado
Bibliografía
Bibliografía básica
R.H. Baayen (2008)Analyzing Linguistic Data. A PracticalIntroduction to Statistics using R. Cambridge University Press
C.D. Manning, H. Sch utze (2003)Foundations of StatisticalNatural Language Processing. The MIT Press
Data Mining. Mark Hall, Ian Witten and Eibe Frank(4th Edition). TheMorgan Kaufmann, 2017.
Machine LearningforText. CharuC. Aggarwal. Springer, 2018
Text Mining with R. Julia Silgeeta David Robinson. O'Relly, 2017
Fundamentals of Predictive Text Mining (2nd Edition). Weiss, SholomM., Indurkhya, Nitin, Zhang, Tong. Springer-VerlagLondon, 2015
No ha sido posible cargar el contenido, inténtelo más tarde. En caso de que el problema persista contacte con el CAU (Tlf: 946014400 / Email: cau@ehu.eus / Web: https://lagun.ehu.eus).