Przetwarzanie języka naturalnego - zajęcia fakultatywne WM-I-S2-E4-PJN

Dyscyplina przetwarzania języka naturalnego (NLP) 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

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: 3h, - przygotowanie do zajęć: 5h, - przygotowanie do egzaminu: 35h, razem 76h, co odpowiada 3 ECTS. LABORATORIA: Szacunkowy nakład pracy studenta: - uczestnictwo w zajęciach: 30h, - uczestnictwo w kolokwium: 2h, - konsultacje z prowadzącym: 3h, - przygotowanie do zajęć: 5h, - przygotowanie projektu: 35h, razem 76h, co odpowiada 3 ECTS.

Poziom przedmiotu

zaawansowany

Symbol/Symbole kierunkowe efektów uczenia się

WYKŁAD I2_W10, I2_U09 LABORATORIA I2_W10, I2_U09

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: Student rozumie teoretyczne i techniczne podstawy NLP oraz różne modele uczenia maszynowego mające zastosowanie do danych tekstowych.
U1: Student potrafi zastosować narzędzia i metody NLP w Python do rozwiązywania problemów specyficznych dla danej dziedziny.

LABORATORIA - Efekty kształcenia:
W1: Student rozumie praktyczną implementację technik NLP i potrafi ocenić ich wydajność.
U1: Student potrafi implementować i optymalizować modele NLP przy użyciu języka Python i odpowiednich bibliotek.

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-E4-PJN w USOSweb