Informacje administracyjne
| Tytuł | Przetwarzanie języka naturalnego |
| Czas trwania | 60-70 min |
| Moduł | A |
| Rodzaj lekcji | Praktyczne |
| Skupienie | Praktyczne – modelowanie AI |
| Temat | Klasyfikacja tekstu, Klasyfikacja nastrojów |
Słowa kluczowe
Przetwarzanie języka naturalnego, Naiwny klasyfikator Bayesa,
Cele w zakresie uczenia się
- Student zrozumie podstawy podstawowych technik NLP
- Student zapoznaje się z wykorzystaniem naiwnego klasyfikatora Bayesa
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Brak.
Obowiązkowe dla studentów
- Podstawowe programowanie w Pythonie
- Podstawowe statystyki
Opcjonalne dla studentów
Referencje i tło dla studentów
- Zestaw narzędzi języka naturalnego
- Christopher D. Manning, Prabhakar Raghavan i Hinrich Schütze, Wprowadzenie do wyszukiwania informacji, Cambridge University Press. 2008
- Jurafskly D., Martin J. H. – Wprowadzenie do NLP, lingwistyki obliczeniowej i rozpoznawania mowy
Zalecane dla nauczycieli
- Zestaw narzędzi języka naturalnego
- Christopher D. Manning, Prabhakar Raghavan i Hinrich Schütze, Wprowadzenie do wyszukiwania informacji, Cambridge University Press. 2008
- Jurafskly D., Martin J. H. – Wprowadzenie do NLP, lingwistyki obliczeniowej i rozpoznawania mowy
Materiały do lekcji
Instrukcje dla nauczycieli
To wydarzenie edukacyjne składa się z zadań laboratoryjnych, które zostaną rozwiązane przez uczniów z pomocą wiodącego instruktora.
Zarys
| Czas trwania (min) | Opis | Koncepcje | Działalność | Materiał |
|---|---|---|---|---|
| 5 | Tokenizacja słów | |||
| 5-10 | Pandas DataFrames | |||
| 10 | Torba słów | |||
| 10 | Tokenizacja z regularnym wyrażeniem | |||
| 10 | Modele N-gram | |||
| 5 | Stopwords | |||
| 10-15 | Normalizacja, stemplowanie i lemmatyzacja | |||
| 5-10 | Analiza sentymentów |
Potwierdzenia
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.