Informazioni amministrative
| Titolo | Elaborazione del linguaggio naturale |
| Durata | 60-70 minuti |
| Modulo | A |
| Tipo di lezione | Lezione |
| Focus | Pratiche — AI Modelling |
| Argomento | Metodi statistici per la classificazione della PNL e del testo |
Parole chiave
PNL, elaborazione del linguaggio natuale, Linguistica computazionale,
Obiettivi di apprendimento
- Gli studenti capiscono i concetti di base dell'elaborazione del linguaggio naturale
- Gli studenti imparano casi d'uso della PNL
- Gli studenti hanno familiarità con vari strumenti e concetti di PNL
Preparazione prevista
Eventi di apprendimento da completare prima
Nessuno.
Obbligatorio per gli studenti
- Una revisione delle statistiche di base
Facoltativo per gli studenti
- Recensione di Python Programming Language
Referenze e background per gli studenti
- Etico dal design: Migliori pratiche etiche per l'elaborazione del linguaggio naturale
- Vescovo, Christopher M. (2006). Riconoscimento dei pattern e apprendimento automatico
- [https://terpconnect.umd.edu/~kshilton/pdf/VitaketalCSCWpreprint.pdf Oltre i principi di Belmont: Sfide etiche, pratiche e credenze nella comunità di ricerca online dei dati]
- Jurafskly D., Martin J. H. — Un'introduzione alla PNL, alla linguistica computazionale e al riconoscimento vocale
- Christopher D. Manning, Prabhakar Raghavan e Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008.
Consigliato per gli insegnanti
Materiale didattico
Istruzioni per gli insegnanti
Puoi basare questa classe intorno alle diapositive. Il materiale è suggerito ma può essere adattato.
Contorno
| Durata (min) | Descrizione | Concetti | Attività | Materiale |
|---|---|---|---|---|
| 5 | Introduzione all'elaborazione del linguaggio naturale, agli obiettivi, ai metodi e alle sfide | linguistica informatica, elaborazione del linguaggio naturale | ||
| 5 | Elaborazione del testo del linguaggio naturale: Casi d'uso | corpus, segmentazione, tokenizzazione, concordanza | ||
| 10 | Espressioni regolari, normalizzazione del testo | modellazione linguistica, modifica distanza | ||
| 15 | Modelli N-gram | Sequenze di parole come processo di Markov | ||
| 5 | Regola a catena della probalità | Regola generale del prodotto | ||
| 10 | Stima della probabilità di Markov e MAximum | Catena Markov — modello stocastico | ||
| 5 | Modelli linguistici di valutazione | Perplessità | ||
| 5 | Classificatore naive Bayes | Classificatori probabilistici | Preparazione dell'esercizio di laboratorio |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.