Przetwarzanie języka naturalnego 400-IS1-3PJN
Profil studiów: praktyczny.
Forma studiów: stacjonarne
Rodzaj przedmiotu: Do wyboru
Dziedzina: Nauki ścisłe i przyrodnicze
Dyscyplina: Informatyka
Rok studiów: 3 rok/5 sem.
Wymagania wstępne: patrz "Założenia (opisowo)"
Liczba godzin wykładu: 15 godzin
Liczba godzin laboratorium: 30 godzin
Liczba godzin na projekt: 15 godzin
Metody dydaktyczne: Wykład metodą tradycyjną z wykorzystaniem tablicy i autorskich prezentacji multimedialnych oraz angażowanie
studentów do aktywnego udziału w dyskusji podczas wykładu i zajęć praktycznych i zadawania pytań.
Punkty ECTS: 5
Bilans nakładu pracy studenta:
(i) związany z zajęciami wymagającymi bezpośredniego nakładu nauczyciela i studenta -- 70 godzin (2,8 ECTS) :
Liczba godzin wykładu: 15 godzin
Liczba godzin laboratorium: 30 godzin
Liczba godzin na projekt: 15 godzin
Czas trwania sprawdzianów i zaliczenia: 4 godziny
Udział w konsultacjach: 6 godziny
(ii) związany z zajęciami o charakterze praktycznym -- 55 godzin (2,2 ECTS)
Przygotowanie się studenta do wykładu: 5 godziny
Przygotowanie się studenta do laboratorium: 20 godzin
Przygotowanie się studenta do projektu: 15 godzin
Przygotowanie się studenta do konsultacji i zaliczenia: 15 godzin
Rodzaj przedmiotu
Tryb prowadzenia przedmiotu
Założenia (opisowo)
Koordynatorzy przedmiotu
Efekty kształcenia
Student:
WIEDZA
KP6_WG2 - Posiada elementarną wiedzę dotyczącą statystyki.
KP6_WG9 - Zna podstawowe zagadnienia w dziedzinie sztucznej inteligencji, reprezentacji i przetwarzania wiedzy, komunikacji człowiek-komputer.
UMIEJĘTNOŚCI
KP6_UW2 - Umie wykorzystać metody statystyczne do analizy danych.
KP6_UW4 - Wybiera odpowiedni paradygmat i język programowania do rozwiązania określonego typu zadań.
KP6_UW5 - Potrafi samodzielnie implementować algorytmy stosując odpowiednie elementy wybranego języka programowania.
KP6_UW7 - Potrafi zaprojektować i zoptymalizować bazę danych zgodnie ze specyfikacją, umie efektywnie wyszukiwać żądane informacje w istniejących bazach danych, potrafi zaimplementować bazę danych w wybranym systemie baz danych.
KP6_UW11 - Posługuje się wzorcami projektowymi, posługuje się API, umie wykorzystać narzędzia wspomagające proces tworzenia, testowania i debugowania oprogramowania.
KP6_UW12 - Potrafi wykorzystać wiedzę z zakresu języków formalnych do rozwiązywania zagadnień z zakresu komunikacji człowiek-komputer, sztucznej inteligencji, formułowania algorytmów i projektowania systemów informatycznych.
KP6_UW14 - Wykorzystuje technologie tworzenia oprogramowania pracującego w Internecie.
KP6_UK1 - Posługuje się terminologią informatyczną w języku angielskim.
KP6_UO1 - Potrafi pracować w zespole programistycznym przy kompleksowym rozwiązaniu zadanego problemu.
KP6_UO2 - Potrafi współpracować w grupie realizując wspólne projekty
KP6_UU1 - Rozumie potrzebę podnoszenia swoich umiejętności i kwalifikacji.
KOMPETENCJE SPOŁECZNE
KP6_KO1 - Wykazuje postawę kreatywności i innowacyjności niezbędną do podjęcia praktycznej aktywności w społeczeństwie informacyjnym.
Kryteria oceniania
Forma zaliczenia: zaliczenie wykładu, laboratorium i projektu na ocenę.
Literatura
1. Bird S., Klein E., Loper E.: Natural Language Processing with Python. https://www.nltk.org/book/
2. Bolc L., Cichy M., Różańska L: Przetwarzanie języka naturalnego¸ WNT, 1982.
3. Booth J. D.: Natural Language Processing Succinctly. Syncfusion, Inc. 2018, https://www.e-booksdirectory.com/details.php?ebook=12260
4. Liu B.: Sentiment Analysis and Opinion Mining . Morgan & Claypool, 2012. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.244.9480&rep=rep1&type=pdf
5. Mykowiecka A.:Inżynieria lingwistyczna. Komputerowe przetwarzanie tekstów w języku naturalnym. Wydawnictwo PJWSTK, 2007.
6. NLTK python
7. Spacy library
8. PyTorch
9. Tensorflow
|
W cyklu 2023:
1. Bird S., Klein E., Loper E.: Natural Language Processing with Python. https://www.nltk.org/book/ |
Uwagi
|
W cyklu 2023:
Przetwarzanie języka naturalnego jest zagadnieniem multidyscyplinarnym. Zakłada się, że student ma bazową wiedzę w zakresie sztucznej inteligencji, rachunku prawdopodobieństwa i statystyki oraz systemów baz danych. Student powinien bez trudu czytać i tworzyć kod w jednym z zaawansowanych języków programowania (np. C++, Java, Phyton) oraz mieć orientację w bibliotekach/repozytoriach oprogramowania. Oczekuje się, że student w miarę nabywania podstawowej wiedzy w zakresie uczenia maszynowego będzie zdolny do zaprojektowania i przeprowadzenia prostego eksperymentu dotyczącego przetwarzania języka naturalnego, np. analizy sentymentu, na zajęciach laboratoryjnych i projektowych. |
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: