Бакалавриат
2024/2025![Цель освоения дисциплины](/f/src/global/i/edu/objectives.svg)
![Планируемые результаты обучения](/f/src/global/i/edu/results.svg)
![Содержание учебной дисциплины](/f/src/global/i/edu/sections.svg)
![Элементы контроля](/f/src/global/i/edu/controls.svg)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
![Список литературы](/f/src/global/i/edu/library.svg)
Нейросетевые методы в обработке текстов
Статус:
Курс по выбору (Фундаментальная и компьютерная лингвистика)
Направление:
45.03.03. Фундаментальная и прикладная лингвистика
Кто читает:
Школа лингвистики
Где читается:
Факультет гуманитарных наук
Когда читается:
4-й курс, 1-3 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
5
Контактные часы:
46
Программа дисциплины
Аннотация
Курс знакомит студентов с рядом алгоритмов и структур данных для обработки текстов, дает представление о базовых понятиях и алгоритмах машинного обучения, формирует практические навыки применения машинного обучения в задачах обработки текстов.
Цель освоения дисциплины
- Знакомство с рядом алгоритмов и структур данных для автоматической обработки текста (NLP)
- Знакомство с базовыми понятиями и алгоритмами машинного обучения
- Формирование практических навыков применения машинного обучения в задачах NLP
Планируемые результаты обучения
- знает и умеет реализовывать на Python различные методы индексации корпуса
- знает теоретические основы информационного поиска
- умеет реализовать поисковой движок на нескольких алгоритмах индексации как production проект
- умение оценивать качество модели и анализировать ошибки
- умение подготовить данные для решения задач NLP
- умение применить модели машинного и глубокого обучения для решения задач NLP: классификации текстов, генерации текста, тегирования последовательности и извлечения информации
- умение проектировать архитектуру нейронной сети в зависимости от задачи
Содержание учебной дисциплины
- Информационный поиск
- Предобработка данных
- Базовые понятия машинного обучения, алгоритмы машинного обучения для задач классификации, кластеризации и регрессии
- Избранные главы математики для машинного обучения
- FFN, CNN, RNN, LSTM
- Sequence-to-sequence, Sequence Tagging, Language Modeling
- Статические эмбеддинги (Word2Vec, FastText)
- Контекстуальные эмбеддинги (BERT, ELMo)
Элементы контроля
- Проект
- Домашнее задание
- Экзаменформат сдачи контрольного мероприятия зависит от формата проведения занятий (для онлайн-занятий – возможно использование прокторинга)
Промежуточная аттестация
- 2024/2025 2nd moduleНакоп 0,7 + Экзамен 0,3 Накоп = 0,25 дз1 + 0,25 дз2 + 0,5 защита проекта + 0,02 разбор статьи (бонусные баллы, максимум 0,1) Автоматы есть начиная с 6
- 2024/2025 3rd moduleНакоп 0,7 + Экзамен 0,3 Накоп = 0,25 дз1 + 0,25 дз2 + 0,5 защита проекта + 0,02 разбор статьи (бонусные баллы, максимум 0,1) Автоматы есть начиная с 6
Список литературы
Рекомендуемая основная литература
- Manning, C. D., & Schèutze, H. (1999). Foundations of Statistical Natural Language Processing. Cambridge, Mass: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=24399
- Speech and language processing, Jurafsky, D., 2014
- Прикладная и компьютерная лингвистика, коллективная монография, под ред. И. С. Николаева, О. В. Митрениной, Т. М. Ландо, 2-е изд., 315 с., , 2017
Рекомендуемая дополнительная литература
- Goldberg, Y. (2017). Neural Network Methods in Natural Language Processing. [San Rafael, California]: Morgan & Claypool Publishers. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1506512