Introduction to deep learning for natural language processing
Informacje ogólne
Kod przedmiotu: | 3800-KOG-MS2-IDL |
Kod Erasmus / ISCED: |
08.1
|
Nazwa przedmiotu: | Introduction to deep learning for natural language processing |
Jednostka: | Wydział Filozofii |
Grupy: |
Przedmioty MS2, kognitywistyka, studia stacjonarne, pierwszego stopnia |
Punkty ECTS i inne: |
3.00
|
Język prowadzenia: | angielski |
Założenia (opisowo): | Basic mathematics (calculus, algebra, and statistics) and basic programming in Python. |
Skrócony opis: |
The course aims to provide the students with a basic understanding of Neural Networks, so they can build and train their own models for Natural Language Processing using Python and TensorFlow. We start with basic concepts to understand the perceptron and supervised learning algorithms. Then, we see more sophisticated deep learning architectures (e.g., Recurrent and Convolutional Neural Networks) with NLP tasks such as text classification and sentiment analysis. |
Pełny opis: |
The course aims to provide the students with a basic understanding of Neural Networks, so they can build and train models using Python and TensorFlow to solve tasks for Natural Language Processing. Specific topics include: - Basic mathematics for deep learning (gradient descent, matrices, probability theory) - Basic Python libraries for deep learning (pandas, NumPy, Matplotlib) - Introduction to machine learning (linear regression, logistic regression) - The perceptron (activation function, loss function, backpropagation) - Metrics to evaluate machine learning algorithms (confusion matrix, F1 score) - Deep learning Python libraries (TensorFlow and Keras) - Vector space models (bag of words, n-grams, word embeddings) - Convolutional neural networks - Recurrent neural networks - Other deep learning model architectures (LSTM, GRU, and the Transformer) - Practical examples for NLP (text classification, sentiment analysis) |
Literatura: |
Chollet, F. (2018), Deep Learning with Python, Manning. Ganegedara, T. (2018), Natural Language Processing with TensorFlow, Packt. |
Efekty uczenia się: |
The student will know basic methods of machine learning and deep learning applied to natural language processing. The student will be able to solve basic problems of machine learning and use Python as a programming language to code deep learning algorithms. The student will gain the ability to identify abstract problems of artificial intelligence and machine learning. |
Metody i kryteria oceniania: |
The grade will be based on the Final Project. Number of absences: 2 |
Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)
Okres: | 2024-02-19 - 2024-06-16 |
Przejdź do planu
PN WT ŚR CZ LAB
PT |
Typ zajęć: |
Laboratorium, 30 godzin, 16 miejsc
|
|
Koordynatorzy: | Justyna Grudzińska-Zawadowska | |
Prowadzący grup: | Manuel Vargas Guzmán | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę |
Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)
Okres: | 2025-02-17 - 2025-06-08 |
Przejdź do planu
PN WT ŚR LAB
CZ PT |
Typ zajęć: |
Laboratorium, 30 godzin, 16 miejsc
|
|
Koordynatorzy: | Justyna Grudzińska-Zawadowska | |
Prowadzący grup: | Manuel Vargas Guzmán | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę |
Właścicielem praw autorskich jest Uniwersytet Warszawski.