Materia

Contenido de XSL

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

NombreInstituciónCategoríaDoctor/aPerfil docenteÁreaEmail
ARBELAIZ GALLEGO, OLATZUniversidad del País Vasco/Euskal Herriko UnibertsitateaProfesorado AgregadoDoctoraBilingüeArquitectura y Tecnología de Computadoresolatz.arbelaitz@ehu.eus
PEREZ RAMIREZ, ALICIAUniversidad del País Vasco/Euskal Herriko UnibertsitateaProfesorado AgregadoDoctoraBilingüeLenguajes y Sistemas Informáticosalicia.perez@ehu.eus

Competencias

DenominaciónPeso
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

TipoHoras presencialesHoras no presencialesHoras totales
Magistral101525
P. Ordenador203050

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 Continua

Herramientas 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 Final

Herramientas 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

Contenido de XSL

Sugerencias y solicitudes