Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Introduction to deep learning for natural language processing

Informacje ogólne

Kod przedmiotu: 3800-KOG-MS2-IDL
Kod Erasmus / ISCED: 08.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0223) Filozofia i etyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
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 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin, 16 miejsc więcej informacji
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin, 16 miejsc więcej informacji
Koordynatorzy: Justyna Grudzińska-Zawadowska
Prowadzący grup: Manuel Vargas Guzmán
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.0.0-895557ea9 (2024-09-26)