Przetwarzanie języka naturalnego WM-I-S2-E2-PJNA

https://e.uksw.edu.pl/course/view.php?id=49595 (w cyklu 2025/26_L)

Przedmiot ma na celu wyposażenie studentów w wiedzę teoretyczną i praktyczną niezbędną do zrozumienia i wdrożenia technik i modeli NLP. Kurs obejmuje szeroki zakres tematów, od podstawowego wstępnego przetwarzania tekstu po zaawansowane modele głębokiego uczenia się i duże modele językowe (LLM). Studenci zdobędą praktyczne doświadczenie poprzez laboratoria i projekty, umożliwiając im zastosowanie metod NLP w rzeczywistych aplikacjach.

Dyscyplina naukowa, do której odnoszą się efekty uczenia się

informatyka techniczna i telekomunikacja

E-Learning

E-Learning (pełny kurs)

Grupa przedmiotów ogólnouczenianych

nie dotyczy

Opis nakładu pracy studenta w ECTS

WYKŁAD Szacunkowy nakład pracy studenta: - uczestnictwo w zajęciach: 30h, - uczestnictwo w egzaminie: 3h, - konsultacje z prowadzącym: 4h, - przygotowanie do egzaminu: 13h, razem 50h, co odpowiada 2 ECTS. LABORATORIA: Szacunkowy nakład pracy studenta: - uczestnictwo w zajęciach: 30h, - konsultacje z prowadzącym: 4h, - przygotowanie do zajęć: 2h, - przygotowanie projektu: 34h, razem 70h, co odpowiada 3 ECTS.

Poziom przedmiotu

zaawansowany

Symbol/Symbole kierunkowe efektów uczenia się

WYKŁAD I2_W02, I2_W10 LABORATORIA I2_U06, I2_U09, I2_K05

Typ przedmiotu

obowiązkowy

Wymagania wstępne

Podstawowa znajomość programowania (preferowany Python). Zrozumienie podstawowych pojęć z zakresu uczenia maszynowego. Znajomość algebry liniowej, prawdopodobieństwa i statystyki.

Koordynatorzy przedmiotu

Katsiaryna Kosarava

Efekty kształcenia

WYKŁAD - Efekty kształcenia:
W1 – opisuje teoretyczne i techniczne podstawy NLP oraz klasyfikuje różne modele uczenia maszynowego stosowane do analizy danych tekstowych (I2_W10),
W2 – analizuje zastosowania narzędzi i metod NLP w kontekście rozwiązywania problemów w różnych dziedzinach, ewaluując ich skuteczność (I2_W02),
W3 – identyfikuje odpowiednie modele uczenia maszynowego dla zadań NLP w różnych zastosowaniach (I2_W02).

LABORATORIA - Efekty kształcenia:
U1 – odtwarza, analizuje i testuje modele NLP, implementując oraz optymalizując je przy użyciu języka Python i odpowiednich bibliotek (I2_U09),
U2 – szacuje wydajność zaimplementowanych technik NLP, dokonując ich oceny w różnych kontekstach zastosowania oraz interpretuje wyniki (I2_U06).,
K1 - implementuje różne techniki wstępnego przetwarzania tekstu w celu poprawy jakości modeli (I2_K05).

Kryteria oceniania

Dla wszystkich efektów przyjmuje się następujące kryteria oceny we wszystkich formach weryfikacji:

ocena 5: osiągnięty w pełni (bez uchwytnych niedociągnięć),

ocena 4,5: osiągnięty niemal w pełni i nie są spełnione kryteria przyznania wyższej oceny,

ocena 4: osiągnięty w znacznym stopniu i nie są spełnione kryteria przyznania wyższej oceny,

ocena 3,5: osiągnięty w znacznym stopniu –z wyraźną przewagą pozytywów –i nie są spełnione kryteria przyznania wyższej oceny,

ocena 3: osiągnięty dla większości przypadków objętych weryfikacją i nie są spełnione kryteria przyznania wyższej oceny,

ocena 2: nie został osiągnięty dla większości przypadków objętych weryfikacją.

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu WM-I-S2-E2-PJNA w USOSweb